Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estado Del Arte
Estado Del Arte
! Crecimiento de regiones
Esta estrategia necesita un conjunto de semillas iniciales para funcionar, así como un
criterio general para incluir píxeles en una región. El proceso se desarrolla intuitivamente
! ""
4.Estado del arte
!"#$%&'()*'+%,-".",/01'2,'%,#"1/,34'
Estos métodos comienzan a partir de regiones no uniformes que se dividirán hasta que un
criterio de uniformidad sea satisfecho. Posteriormente, las regiones que obtenemos son
recombinadas para formar regiones uniformes lo más grande posibles. La fase de división es
análoga al proceso mencionado con las semillas y se lleva a cabo analizando el histograma de la
! "#
4.Estado del arte
imagen. Hay que saber que la fase de fusión puede ser llevada a cabo por un método de
crecimiento de regiones.
Una vez aplicada a la imagen un operador derivativo, como los de Sobel [10], Roberts
[11], etc., se realiza una clasificación de los píxeles de la imagen según si son o no
pertenecientes a contornos. Para realizar esta clasificación, existen varias técnicas, que podemos
clasificar básicamente en:
! "$
4.Estado del arte
Este método se basa en detectar los cruces por cero de la derivada segunda de la imagen
original. Los puntos correspondientes a bordes de la imagen original corresponden a puntos en
los que la laplaciana cambia de signo, esto es, a cruces por cero de la laplaciana. La detección
de estos cruces por cero es relativamente sencilla, y da una estimación muy exacta de la
posición de los contornos, además se trata de una detección muy fiable. Los contornos
obtenidos son curvas de nivel de la imagen (las correspondientes al nivel cero), y por tanto
siempre son cerrados o desaparecen por el borde de la imagen, nunca aparecen segmentos
aislados. Esta propiedad es extremadamente importante cuando lo que se desea es segmentar la
imagen. Las desventajas principales que presenta la laplaciana son dos: a la hora de detectar
bordes son muy sensibles al ruido, por lo que se suele recurrir a técnicas combinadas de
umbralización/detección. La segunda desventaja surge a la hora de detectar los cruces por cero
pues, en general, los píxeles en la laplaciana no poseen exactamente el valor cero, así que los
cruces por cero se detectan cuando dos píxeles contiguos poseen valores de signo diferente. En
este caso, el contorno se encuentra realmente en algún lugar entre los dos píxeles, pero no en
ninguno de ellos; este inconveniente se resuelve generalmente suponiendo que el contorno se
encuentra en aquel de los píxeles cuyo valor de laplaciana está más cercano a cero, con lo cual
se toma la opción menos mala.
! Unión de contornos.
! "%
4.Estado del arte
1. Procesamiento local.
Se toman cada uno de los puntos que han sido detectados como correspondientes a
un contorno (mediante alguna de las técnicas explicadas anteriormente) y se analizan
las características de los puntos de su vecindad. Aquellos puntos que tengan
características similares se unen, formando un contorno.
Una vez detectados los puntos de contorno mediante cualquiera de las técnicas
estudiadas, existe la posibilidad de construir con estos puntos, formas predeterminadas
tales como, rectas, circunferencias, etc. Por ejemplo, para el caso de búsqueda de rectas,
la idea consiste en buscar, entre los puntos de contorno, aquellos que podrían ser unidos
para formar una recta de tamaño suficientemente. La técnica más extendida para
realizar esta búsqueda es la denominada trasformada de Hough [12]
!
!
Crecimiento de Regiones (Region Growing)!
!
Nos centraremos en el crecimiento de regiones pues será el método usado en nuestro
algoritmo.! El crecimiento de regiones es una conocida técnica de segmentación de imágenes y
! "&
4.Estado del arte
una de las más usadas debido a su competitiva representación y alta eficiencia computacional. A
menudo, estos algoritmos cuentan con parámetros que necesitan ser escogidos para cada imagen
y cada algoritmo individualmente para obtener buenos resultados en la segmentación. La
configuración de parámetros que lleva al mejor resultado durante la segmentación es
generalmente desconocido, además, encontrar el parámetro óptimo será una misión difícil y por
tanto un problema importante. En la mayoría de los casos simplemente se asume que hay un
rango de valores para estos parámetros que llevarán al algoritmo a dar unos buenos resultados.
Es cierto que aún designando un rango de valores para unos determinados parámetros, en
algunas ocasiones los algoritmos de crecimiento de regiones no conseguirán un buen resultado
final durante el proceso de segmentación lo que lleva a la conclusión de la inestabilidad de estos
parámetros.!
En [13] se argumenta que los métodos de crecimiento de regiones sufren el siguiente
problema: Píxeles de valores de intensidad diferentes pueden ser juntados en una misma región
cuando existe una cadena de pares de píxeles similares que los conecta. Además, la dirección en
la cual una región crece es dependiente del orden en que los píxeles sean examinados. En cada
iteración, los algoritmos de crecimiento de regiones buscan el píxel que no esté etiquetado con
la menor diferencia de intensidad entre el píxel y sus regiones vecinas. Adicionalmente, las
características de cada región son adaptativamente actualizadas como el algoritmo de
crecimiento de regiones proceda. Suponiendo que la imagen de entrada cambie un poco, como
en el caso de imágenes con ruido, este cambio puede ocasionar una secuencia diferente en el
crecimiento y además, imágenes casi idénticas pueden llevar a diferentes regiones con
diferentes características. !
!
Estudios como [14] tratan de encontrar las herramientas para hallar los mejores
parámetros iniciales en los algoritmos de crecimiento de regiones, según la aplicación que
vayan a tener.
Algunos métodos basados en el crecimiento de regiones, como el presentado en [15] son
capaces de segmentar imágenes con resultados satisfactorios en el caso de que exista mucho
ruido y las imágenes sean pequeñas.
También podemos encontrar algoritmos de crecimiento integrados con otros algoritmos
de segmentación para combinar las ventajas de ambos como puede ser el presentado en [16]. El
algoritmo de “colonia de hormigas” es tratar cada píxel como una hormiga que se mueve
aleatoriamente. Para completar el proceso de agrupación de píxeles, este algoritmo emplea
mucho tiempo pues incurre en una gran cantidad de cálculos, sin embargo, los resultados son
muy buenos. Para solucionar este problema, se utiliza un algoritmo de crecimiento de imágenes
para dividir la imagen en color en varias regiones. Después de la utilización de este algoritmo,
! "'
4.Estado del arte
! "(
4.Estado del arte
En los últimos años, se ha hecho evidente que el elemento clave de estos sistemas es la
interacción entre usuarios, y el pertinente “feedback”. Pero de nuevo nos encontramos la
dificultad de tener en cuenta esos factores tanto en amplios experimentos de evaluación, como
en los requeridos para desarrollos de nuevos métodos de segmentación.
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
! ")