4.

Estado del arte

4. Estado del arte !

!
!
Hoy en día, el análisis y el tratamiento de las imágenes lo encontramos la mayoría de las
veces integrado con aplicaciones de visualización. La segmentación de imágenes digitales en
color es una parte importante en muchas tareas de análisis y procesamiento digital. Actualmente
se generan un gran número de trabajos que presentan diferentes técnicas, modelos y algoritmos
para segmentar las imágenes en color.!
!
Ya que segmentación de imágenes se refiere a la partición de una imagen en regiones
diferentes que son homogéneas con respecto a algún rasgo de la imagen, la segmentación de
imágenes es, generalmente, la primera tarea en el proceso de análisis de cualquier imagen. Las
tareas que siguen a la segmentación, como pueden ser, extracción de rasgos o reconocimiento
de objetos, dependen fuertemente de cómo hallamos segmentado la imagen tras un paso de
preprocesamiento que facilitará la segmentación. Sin un buen algoritmo de segmentación, un
objeto nunca podría reconocerse. Por otro lado, sobresegmentar una imagen podría dividir un
objeto en muchas regiones diferentes, mientras que subsegmentar la imagen, podría unir objetos
diferentes en una misma región. Por tanto, el paso de segmentación será un factor determinante
en el éxito o fracaso del análisis. Dividiremos las técnicas en cuatro grupos:!
!
Grupo 1: Segmentación basada en el valor del píxel

Aquí se engloban las técnicas basadas en el histograma. Se trata de obtener el histograma

de una imagen, en el cual se localizan los puntos máximos y se estudian y analizan los
intervalos que rodean a éstos durante el proceso de segmentación. Dentro de este grupo se
consideran: la segmentación por agrupamiento de píxeles en un espacio de color, de acuerdo a
alguna característica, los algoritmos de agrupamiento difuso y la umbralización.

Grupo 2: Segmentación basada en regiones.

Dentro de este tipo de segmentación se encuentran los métodos de combinación y

división, y crecimiento de regiones.

! 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

etiquetando todos los píxeles a partir de estas semillas.

En cada paso se etiqueta únicamente un píxel y será aquel que tenga el color más
parecido al color medio de sus conjuntos adyacentes, es decir, se agregará al más similar de
ellos. Este proceso se repite hasta que todos los píxeles se asignan a alguna región. El método
funciona bien en imágenes ruidosas pero es muy sensible a cómo se inicialicen las semillas (el
tamaño y la posición de las semillas puede afectar al color medio inicial y con ello a las
iteraciones consecutivas) y en algunos casos da como resultado unos bordes muy irregulares.
Se conoce que estos métodos son muy sensibles dependiendo de las semillas iniciales que se
escojan junto con la forma estadística en la que los segmentos son computados. Justamente de
esto dependerá si dos regiones finalmente se unirán o permanecerán separadas.

!"#$%&'()*'+%,-".",/01'2,'%,#"1/,34'

Es muy común emplear este tipo de segmentación en imágenes biomédicas, de células,

tejidos musculares, vasos sanguíneos, etc. Esto es así, porque en este tipo de imágenes se tiene
un conocimiento previo del concepto o elemento que se quiere segmentar. De este modo, es
posible aplicar técnicas heurísticas que permitan determinar propiedades basadas en niveles
promedio de valores de luminancia, contraste, matiz, etc, que permitan obtener el conjunto de
regiones homogéneas que determinen la segmentación de la imagen.

! División y combinación ( Split & Merge)

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.

Grupo 3: Segmentación mediante detección de contornos.

La detección de contornos se realiza mediante búsqueda de discontinuidades en la

imagen, es decir, de píxeles en los cuales el nivel de gris varíe bruscamente respecto al de sus
vecinos. Las dos técnicas más conocidas de detección de puntos de contorno son la búsqueda de
puntos de elevado gradiente (utilizando la primera derivada) o de cruces por cero de la
laplaciana (segunda derivada) [9].

! Detección de contornos utilizando la primera derivada

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:

1. Aplicación de un umbral a la imagen de gradiente. De esta forma se seleccionan

únicamente los puntos de gradiente superior a un valor determinado. Aunque esta
técnica, al tratarse de una simple umbralización, es muy sencilla, tiene el inconveniente
de que no busca los máximos del gradiente, sino sólo los puntos de gradiente elevado.
Por lo tanto, se eliminarán contornos más débiles, que sin embargo pueden ser muy
importantes.

2. Operador de Canny. Es una de las técnicas más utilizadas en detección de contornos y se

basa en la idea de la búsqueda de los máximos del gradiente. En primer lugar, se realiza
un filtrado de la imagen original mediante la aplicación de un filtro gaussiano, con lo
cual se consigue minimizar el efecto del ruido sobre el proceso de detección. A
continuación, comienza la fase de detección de máximos de gradiente. En el caso
unidimensional, basta con realizar una búsqueda de los máximos absolutos, pues en ese
caso sería imposible detectar contornos enteros, que corresponden a crestas y no a picos
aislados. La búsqueda de los máximos ha de realizarse por lo tanto en la dirección
perpendicular al contorno, que no es más que la propia dirección del gradiente. La
técnica consiste en realizar la detección de los máximos del gradiente en la dirección

! "$
 4.Estado del arte

del gradiente. El cálculo de dicha dirección es instantáneo si disponemos de los valores

de las derivadas parciales. Una vez calculados dichos máximos, se realiza una búsqueda
de los puntos que realmente pertenecen a los contornos, para lo cual se aplican dos
umbrales, uno alto y otro bajo. Los puntos máximos que superen el umbral alto se
etiquetan directamente como contornos. Los puntos que superen el umbral bajo serán
etiquetados como contornos a condición de que alguno de sus vecinos esté etiquetado
como contorno.

! Detección de contornos utilizando la segunda derivada.

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.

Para conseguir una verdadera segmentación, es necesario emplear técnicas de unión de

contornos que unan entre sí los trozos de curva citados y eliminen los puntos aislados, inútiles
para la segmentación. Las técnicas de unión de contornos se dividen en dos grupos, de
procesamiento local y por otro lado, de procesamiento global.

! "%
 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.

2. Procesamiento global: transformada de Hough.

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]

Grupo 4: Segmentación basada en la física.

El objetivo de estos métodos es segmentar imágenes de acuerdo al contorno real de

objetos evitando ser arrastrados por sombras y sobresaltos en la imagen. Se trata de un objetivo
muy difícil, ya que las medidas provenientes de una sola superficie puede variar mucho debido
a interreflexiones, sombras, ruidos, iluminaciones no uniformes o superficies texturadas.!

La segmentación basada en modelos físicos permite segmentar mediante el estudio del

proceso de reflexión de la luz y formación de la imagen. Atendiendo a los algoritmos, las bases
de estos procesos suelen ser muy similares a los otros métodos de segmentación, sólo que
difieren de ellos por el hecho de que usan explícitamente los modelos de reflexión en superficies
para segmentar las imágenes.!

!
!
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

la imagen se usa como entrada para el algoritmo de “agrupaciones de colonias de hormigas”

donde cada región se trata como una hormiga para agilizar el proceso de crecimiento de
regiones. Este nuevo método conserva las ventajas de los algoritmos de crecimiento de regiones
y de la agrupación de hormigas, lo que efectivamente mejora la velocidad de la segmentación y
la integridad de las regiones. En [16], los resultados experimentales confirman que el uso
combinado de los algoritmos da mejores resultados que al uso del de colonia de hormigas sólo.!
En [17] se combinan los métodos de crecimiento de regiones y un método de
umbralización gaussiano donde también se comprueba que la adición del método de crecimiento
permite un mejor y más amplio reconocimiento de objetos en una imagen en color.!
!
Herramienta de evaluación!
!
Una buena herramienta de evaluación es imprescindible para el desarrollo de cualquier
algoritmo. Durante las últimas décadas se han desarrollado muchos algoritmos de
segmentación, sin embargo, los resultados de estos métodos de segmentación son únicamente
evaluados visualmente o cuantitativamente [2]. Esto es bastante sorprendente teniendo en
cuenta la necesidad de una herramienta de evaluación objetiva a la hora tanto de implementar
nuevos métodos como de comparar los ya existentes. La práctica actual en el ámbito de la
segmentación de regiones justifica nuevos avances proporcionando un conjunto de resultados
cualitativos, es decir, presentado ejemplos seleccionados de dichas segmentaciones. Aunque el
propio método puede ser suficiente para ilustrar los efectos del procesado de bajo nivel, por
ejemplo la detección de bordes, por lo general no proporcionará una demostración satisfactoria
en los métodos de segmentación. Otra alternativa es una evaluación subjetiva “ad-hoc” con un
determinado grupo representativo de espectadores. Idealmente debería reducirse al mínimo la
subjetividad frente a las condiciones estrictas de evaluación. En [18] se presentan una serie de
experimentos subjetivos que pueden considerarse la base para una mejor comprensión de la
percepción humana de la segmentación. Sin embargo, la segmentación es rara vez el objetivo
final en cualquier aplicación, sino más bien un paso hacia la comprensión de la escena. Por todo
esto, la principal dificultad en la evaluación de la segmentación radica en establecer un criterio
adecuado para una aplicación determinada. Por tanto, debería ser posible realizar una
evaluación objetiva del algoritmo de particionamiento, midiendo el rendimiento global del
sistema en el que se integra pero, desafortunadamente, en muchos casos, este enfoque se vuelve
a menudo poco práctico debido a la complejidad de los algoritmos. Generalmente, el
rendimiento del sistema depende de las combinaciones de parámetros del sistema y del propio
algoritmo de segmentación. Esto hace que sea muy difícil garantizar unas condiciones óptimas
de evaluación. !

! "(
 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.
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!

! ")