1

Avancesen la
Segmentacinde
Imgenesen color
Alumno: J uan Villegas Cortez
Asesor: Dr. J . Humberto Sossa A.
J unio 2006
Instituto Politcnico Nacional
Centro de Investigacin en Computacin
2
ndice
Introduccin
Segmentacin de imagen en el espacio RGB
Similitud
Segmentado asistido
Resultados de experimentos
Bibliografa
3
Introduccin
Segmentacin: proceso de particionar una imagen
en regiones
Formulacin bsica:
Sea R una regin entera, podemos ver la segmentacin
como un proceso tal que particionamos R en n
subregiones, R
1
, R
2
,R
n
, tal que
( )
( )
1
(a)
(b) es una regin conectada, 1,2,...,
(c) , , |
(d) P para 1,2,...,
(e) P para cualesquiera regiones adyacentes ,
n
i
i
i
i j
i
i j i j
R R
R i n
R R i j i j
R VERDADERO i n
R R FALSO R R
=
=
=
=
= =
=

4
5
Segmentacin de imagen en el espacio
RGB
R G B Color
255 0 0 Rojo
255 255 0 Amarillo
0 255 0 Verde
0 255 255 Cyan
0 0 255 Azul
255 0 255 Magenta
255 255 255 Blanco
0 0 0 Negro
Objetivo: Segmentar la imagen en objetos de color
dentro de un rango de color especfico
6
Para lograr este segmentado (RGB)
Dado un conjunto (muestra) de puntos
representativos de un color (o rango de
colores) de inters, se obtiene una
estimacin del promedio o media (m) del
color que se desea segmentar.
Objetivo de la segmentacin: clasificar cada
pixel RGB de una imagen dentro de un
rango.
Necesitamos una medida de similitud.
7
Similitud
Decimos que z es similar a m si la distancia
entre ellos es menor que un umbral dado T.
La distancia Euclidiana
( )
( ) ( )
( ) ( ) ( )
1/2
1/2
2 2 2
,


T
R R G G B B
D z m z m
z m z m
z m z m z m
=

=


= + +

G
B
R
( )
, D z m T
8
Similitud
Generalizando la ecuacin de medida de
distancia:
( ) ( ) ( )
1/2
1
,
T
D z m z m C z m

=

C := matriz de covarianza de la muestra
representativa del color a segmentar
Esta distancia se le conoce como de
Mahalanobis
G
B
R
( )
, D z m T
9
Segmentado asistido
Qu entonces entendemos
por color desde esta
perspectiva?
Lo que a simple vista
podemos ver como un
color, en realidad es una
mezcla de los tres canales
RGB.
Qu queremos segmentar?
Segmentado asistido: Un
color (o textura) por
sealizacin.
10
Resultados de experimentos
11
12
13
14
Resultado de aplicar a una serie de
imgenes
15
Resultado de aplicar a una serie de
imgenes (ii)
16
17
Conclusiones
Esta tcnica de segmentado asistido puede
ser til para condiciones controladas que
proporcionen un fondo homogneo
Para imgenes con texturas homogneas
funciona mejor la medida Euclidiana.
Para imgenes con texturas complejas
funciona mejor la medida Mahalanobis.
18
Tres vertientes - problemas
Segmentacinproceso no-asistido,
automatizado.
Reconocimiento Genrico de
Objetos.
Clasificacin deimgenes.
19
Bibliografa (i)
A. Broder. A Taxonomy of Web Search. IBM Research, ACM SIGIR Forum
36(2), Fall 2002
Avils-Cruz Carlos, Rancel-Kuoppa Risto, et al. Buscador de Imgenes
por Internet. 2003.
Bilge Gnsel, A. Murat Tekalp. Similarity Analysis for Shape Retrieval by
Example. Proceeding of ICPR'96. 1996.
Frankel, Swain and Athitsos. WebSeer: An Image Search Engine for the
World Wide Web. University of Chicago, Chicago, IL. USA. Technical
Report: TR-96-14 (1996).
Georgy l. Gimel'farb, Anil K. J ain. On Retrieving Textured Imagesfroman
Image Database. Pattern RecognitionVol. 29, No. 9, pp.1461-1483.
1996.
Hao Liu, Xing Xie, et al. Effective Browsing of Web Image Search Results.
MIR04, October 1516, 2004.
J anez Demsar, Franc Solina. Using Maching Learning for Content-Based
Image Retrieving Proceedingsof ICPR96. 1996.
J ianying Hu, Amit Bagga. Categorizing Imagesun Web Documents. IEEE
Multimedia - Computer Society. J anuary-March 2004.
20
Bibliografa (ii)
Keiji Yanai, KobusBarnard. Probablistic Web Image Gathering. MIR05,
November 10-11, 2005.
Keiji Yanai. Image Collector II: A Systemto Gather a Large Number of
ImagesfromtheWeb. IEICE Trans. Inf. & Syst., Vol.E88D, No.10
October 2005.
Keiji Yanai. Image Collector II.: An Over-One-Thousand-Images-
Gathering System. The 12th. Int. WWW Conference 2003.
Keiji Yanai. Web Image Mining toward Generic Image Recognition.
WWW Conference 2003.
Lindsay I. Smith. A tutorial on Principal ComponentsAnalysis. 2002.
Nalwa Vishvjit S. A guided tour of computer vision. AT&TLaboratories,
Addison-Wesley Publishig (1993).
Sossa A. J uan Humberto, Rayn Villela Patricia, Figueroa Nazuno J ess.
Arquitectura basada en redes neuronales para el reconocimiento
de rostros. Soluciones Avanzadas (1998).
Sossa A. J uan Humberto. Generic object recognition: A state of the art.
CIC-IPN, UFS-J ena (2005).
21
Bibliografa (iii)
Sumengen Baris, Manjunath. Multi-Scale Edge Detection and Image
Segmentation. Proc. 13th European Signal Processing Conference.
EUSIPCO 2005.
Wenying Zhang, Zhenbing Zeng. Image Retrieval Based on Salient Points
fromDCT Domain. MICAI 2005.
Yining Deng, Manjunath, H. Shin. Color Image Segmentation. Proc. IEEE
Computer Society Conference on Computer Vision and Pattern
Recognition, CVPR'99. Fort Collins, CO, Vol. 2, 1999.
Yining Deng, Manjunath. Unsupervised Segmentation of Color-Texture
Regionsin Imagesand Video. IEEE Transactionson Pattern Analysis
and Machine Intelligence, Vol. 23, No. 8. 2001.
Libros.
Gonzalez R., WoodsR. Digital Image Processing using Matlab. Edit.
Pearson. 2004.
Gonzalez R., WoodsR. Digital Image Processing. Second ed. Edit.
Pearson. 2002.
J . Edward J ackson. A usersguide to Principal Components. Edit. Wyley.
2003.
22
Gracias por su
atencin