Universidad Autnoma de San Luis Potos

Doctorado Institucional en Ingeniera y Ciencia de Materiales

Instituto de Geologa



Estado del Arte en Segmentacin de Imgenes
Resumen




Gamaliel Moreno Chvez


Directores de tesis:
Dr. Damiano Sarocchi
Dr. Edgar Arce Santana


2012
San Luis Potos, SLP.
Contenido
Introduccin ........................................................................................................................................ 3
Mtodos de Segmentacin en el Estado del arte ............................................................................... 4
Tcnicas basadas en umbrales e histogramas ................................................................................ 4
Deteccin de bordes ....................................................................................................................... 8
Pre-procesamiento ...................................................................................................................... 8
Anlisis del patrn local .............................................................................................................. 9
Mtodos contextual y global ....................................................................................................... 9
Mtodos de multiresolucin ...................................................................................................... 10
Regiones de pixeles ....................................................................................................................... 11
Transformadas .............................................................................................................................. 13


















Introduccin
__________________________ ______________________
La segmentacin de imgenes es una tcnica que divide la imagen original en regiones nicas de
con caractersticas definidas. Existen diferentes tcnicas y metodologas de segmentacin, en las
ltimas dcadas, se ha combinado los mtodos clsicos con la inteligencia para prediccin, est
tcnica donde la segmentacin y la prediccin de imgenes es conocida como Ontologa[1].
La segmentacin es un pre-proceso el cual divide la imagen en regiones nicas. La segmentacin
matemticamente puede ser definida de la siguiente manera:
Si es una imagen, la segmentacin en regiones de ella puede se puede definir
como{

}. Los postulados bsicos son los siguientes

( ) donde = i=1,n
(b) es una regin relacionada, i=1,2,3,...,n
(c) P( )=Verdadera para i=1,2,3,...,n
(d) P( )=falsa para i j
donde P( ) es una prediccin l
i i j
i
i
i j
i
a n S I S S
S
S
S S
S
= C
=
ogica definida para puntos definidos de
i
S

Las tcnicas de segmentacin se pueden clasificar primeramente por el modelo de color o escala
grises, tambin llamado de intensidad. En el procesamiento digitalse opta por imgenes en color
porque provee ms informacin que en escala grises, el inconveniente es que exige mayores
capacidades de procesamiento[2]. Elespacio de color estndar y comnmente utilizado en las
tcnicas clsicas es el RGB, existen otros modelos llamados Hering(HSV, HSI, L*a*b y YIQ/YUV) [3],
en el estado del arte suelen combinarse diferentes espacios de color[2], incluso se emplean otros
modelos como:xyY que se basa en el modelo CIE y en el centro de la ley de gravedad de la mezcla
de color[4].
Existen diferentes mtodos la realizar la segmentacin de la imagen, los cuales podemos dividir en
las siguientes reas: tcnicas basadas en umbrales, basadas en histogramas, deteccin de bordes,
regiones (grupos de pixeles; morfologa y textura), las transformaciones (fourier, wavelet,
watershed, entre otras) y los mtodos matemticos (predicciones e inteligencia artificial) [1]. En la
figura 1 se muestra de manera esquemtica la clasificacin del procesamiento digital de imgenes.



Figura 1. Diagrama general para la segmentacin de imgenes con procesamiento digital.
Mtodos de Segmentacin en el Estado del arte
___________________________________________ _____
Tcnicas basadas en umbrales e histogramas
El clculo o asignacin de uno o varios umbrales es uno de los mtodos frecuentemente usado en
la segmentacin de imgenes.
En el trabajo [5],Anping realiza la segmentacin para imgenes mdicas. El algoritmo para el
clculo de los umbrales se basa en el gradiente de la imagen, se obtiene una funcin de velocidad
decreciente, que est relacionada con la amplitud del gradiente de la imagen en escala a grises, a
partir de esta funcin es que se fijan los umbrales los cuales estn basados en una seleccin
manual y cuyo rango est definido por la media y la varianza de la funcin, despus de obtener los
rangos de los umbrales hace una comparacin estadstica, de la regin y se decide en base a la
similitud si pertenece a la regin o no. En la figura 2 se muestra de manera grfica las curvas y los
umbrales y en la figura 3 una imagen que muestra el resultado de la segmentacin.



Figura 2. Propagacin basada en segmentacin de umbral.

Figura 3. De izquierda a derecha; imagen original, imagen segmentada sin umbral e imagen
segmentado con el mtodo propuesto.
Como conclusin principal menciona que el mtodo de segmentacin por umbral controla el
coeficiente de difusin de la curva dentro del umbral seleccionado.
Shiping Shu en su trabajo [6] propone un mtodo de segmentacin por umbral, el cual es
estimado atreves de la informacin estadstica de los pixeles vecinos. Su algoritmo se basa en
hacer la integral de la funcin de distribucin del histograma evaluada desde el umbral hasta el
nivel de gris 255, en seguida ensancha el histograma obteniendo un nuevo valor con mayor
entropa. Si consideramos que existen dos regiones una de brillantes y la otra de oscuridad, se
puede obtener su funcin de densidad de probabilidad, donde la suma de las dos probabilidades
es uno, se emplean funciones de densidad Gaussiana, el clculo del umbral del pixel con respecto
de sus vecinos est dado por la siguiente ecuacin

donde z(i,j) es el nivel de gris del pixel (i,j) m y n son naturales y corresponden al tamao de la
ventana, si T
ij
es mayor a z(i,j) entonces el pixel corresponde al objeto sino al fondo. Para detectar
los bordes de la imagen se emplea la varianza calculada con la siguiente ecuacin

Sabemos que el valor del pixel es menor al umbral, ahora si la varianza de los pixeles vecinos es
mayor que el valor delta dado, este pixel se define como lmite o borde y se le asigna un 0 en caso
contrario se le asigna 255. En la figura 4 se muestra una comparacin de este mtodo con un filtro
canny.

Figura 4. Comparacin del filtro canny con el mtodo propuesto por ShipingShu.
Neikato realiz una investigacin [7] similar a Shiping, aplico la segmentacin para el
reconocimiento de caracteres en base a la distancia de bloques con desviacin y la distancia
Mahalanobis asimtrica, definida por la siguiente ecuacin

donded
AMD
es la distancia mahalanobis asimtrica, es la desviacin estndar de la funcin de
probabilidad, es la media de la funcin,

es un eigenvalor o eigenvector de la matriz de

covarianza y b es el lmite.
Li Ming-xi en su trabajo [8] empleo la segmentacin para imgenes con frutas, su algoritmo se
basa en fusin de imgenes, la primera es una imagen en colores de luz visible y la segunda esta
cercana al infrarrojo. Las imgenes de color son procesadas en RGB y las cercanas al infrarrojo es
similar a una escala en grises la cual contiene informacin de detalle espacial. La informacin que
se relaciona en las dos imgenes es conocida como imagen mutua y es calculada con la siguiente
ecuacin



donde H(A) yH(B) es la informacin promedio de las imgenes A y B, P
A
(a) y P
B
(b) es la funcin de
densidad de probabilidad, P
A,B
(a,b) es la unin de las funciones de probabilidad de las imgenes y
h(a,b) es la unin del histograma de la imagen A y B cuyo valor es la correlacin.
Despus se encuentra un umbral ptimo mediante la comparacin entre la imagen segmentada y
la imagen mutua MI. En la tabla 1 se muestra los resultados estadsticos de la relacin de los radios
y en la figura 5 se muestra uno de los resultados.
Tabla 1. Resultados estadsticos de los radio de la frutas con imagen visible y la fusin


Figura 5. Imagen segmentada con imagen de color y fusin.

ZhongQu en su investigacin [9], tom imgenes de palmas de la mano y utiliza el mtodo de Otsu
para segmentar la palma, despus utiliza la distancia euclidiana para obtener regiones de inters
automticamente.

Dianyuan Han[10] segmento rboles en el espacio de color HSI, basndose en el mtodo de OTSU
en dos dimensiones, en la figura 6 se muestra una imagen comparado con OTSU en una
dimensin

Figura 6. Imagenprueba. Segmentacin de rboles.

Deteccin de bordes

Los algoritmos en el estado del arte son modelos computacionales basados en el sistema visual
humano. La deteccin de bordes y de contornos se puede clasificar en el mtodo local, global y
contextual y de multiresolucin[11]. La deteccin de contornos se convierte en una tarea
complicada debido a factores prcticos, una pobre relacin seal a ruido o presencias de texturas
en la imagen, esto exige conocimiento a priori para poder realizar la segmentacin
adecuadamente. En la actualidad los algoritmos de deteccin de contornos son sistemas hbridos,
que emplean diferentes tcnicas.

Pre-procesamiento
El pre-procesamiento consiste en mejorar la imagen para facilitar la deteccin de contornos. En la
tabla 1 se muestran las mejores tcnicas conocidasde pre-procesamiento, clasificadas en lineales y
no lineales, filtrado adaptivo lineal, en la tabla 2 mnima funcionalidad (promedios) ydifusin no
lineal (variaciones y ecuaciones diferenciales parciales).


Tipo Mejora de la imagen Mtodo
filtrado adaptivo lineal
Reducir textura y ruido Filtro pasa bajas lineal
Suavizado adaptivo. Realce de
altas frecuencias (bordes y
esquinas).
Filtrado bilateral, filtro de
criterio y valor, filtrado de orden
de rango (ROF) tambin
conocido como estadstica de
orden vectorial (VOS)
mnima funcionalidad y
difusin no lineal
Suavizado de la imagen, es
robusto a valores atpicos,
Regularizacin Tikohonov
Anlisis del patrn
local
Mtodos estadsticos
Congruencia de fase
Energa local
Anlisis en 2D
Operadores
Diferenciales
Operadores continuos
Operadores discretos
VOS y detectores de
bordes morfolgicos
Combinacin de
caractersticas locales
aplicables a secciones contantes
de la imagen.
Descomposicin en imagen
filtrada, textura y ruido.
Funcin Mumford-Shah
Realza los bordes, pero no
elimina la mayora de las
texturas o ruido.
Funcin de minimizacin por
difusin no lineal
.

Anlisis del patrn local
Este mtodo se basa en obtener la similitud o aproximacin de una regin patrn en la imagen. En
la figura 7 se muestra el esquema de los algoritmos de patrn local.






















Mtodos contextual y global
Los algoritmos de los mtodos contextual y global se pueden dividir en tres, los llamados de
contorno marcado, grupo de pixeles en contornos y contornos activos.

El contorno marcado se basa en estudios neurofisiolgicos y psicofsico del sistema visual humano,
ya que existe una estimulacin que detecta primeramente la intensidad de un borde local despus
se inhibe o se suaviza dependiendo del contexto en el que est el borde. Los mtodos
sobresalientes son; supresin del contexto, facilitacin o tensor voting y relaxation labeling.

La Agrupacin de pxeles en los contornos de acuerdo a los principios de la Gestalt de
aproximacin, continuidad, acercamiento y simetra. En la figura 8 se muestra ejemplos de los
principios de agrupacin de pxeles.

Figura 8. Agrupacin de acuerdo a las leyes Gestalt: buena continuidad (izquierda) y cercana
(derecha).
Los contornos activos, son conocidos en la literatura como modelos deformables o de vbora. El
procesamiento consiste en crear una curva C, dibujada manualmente alrededor del objeto y se
minimiza la energa E hasta llegar adaptarse la curva a la forma del objeto. En la figura 9 se
muestra un ejemplo de la segmentacin por contornos activos.

Figura 9. Determinacin de contornos por modelos deformables. De izquierda a derecha, curva
inicial dibujada manualmente, resultado de n=4, 8, 12, 16 iteraciones del mtodo.
Mtodos de multiresolucin
El anlisis multiresolucin est relacionado directamente con el tamao del vecindario
considerado para detectar las caractersticas locales, su importancia en la deteccin de contornos
radicar en la deteccin de borde con diferentes niveles de desenfoque (imgenes naturales o
reales). El procesamiento puede ser lineal y no lineal y el algoritmo de deteccin de contorno
puede ser clasificado por el grado de enfoque y localizacin del foco.

Escala-espacio. Un rea matemtica para el anlisis multiresolucin es la teora de ondculas. Para
el caso lineal, la imagen se convoluciona con versiones escaladas de una funcin llamada ondcula
madre, dando un objeto con caractersticas 3-D. Una de las mejores ondculas madres es la funcin
Gaussiana por sus variadas propiedades matemticas.

Escala-espacio lineal no-gaussiana. Se basa en la ecuacin de difusin lineal

, donde
es el factor de escala, para obtener una funcin la gaussiana =1 y para Poisson =1/2. Las
ondculas presentan un patrn ms complejo de regiones de excitacin e inhibicin.

Escala-espacio no lineal. La reduccin de ruido con los mtodos multiresolucin, se paga con la
perdida de definicin de los bordes. Debido a que este problema no puede ser solucionado de
forma lineal se han desarrollado mtodos escala-espacio no lineales, como: invariante-afn,
morfolgicas, variacional, teora Lee, entre otros.

Enfoque del borde (EB). En el procesamiento una va comn es combinar las ventajas del enfoque
para detectar bordes gruesos (burdos) y finos (detalles). Se ha demostrado que el EB puede ser
usado para medir el contraste y el grado de difusin del contorno. Sus principales desventajas son:
que los bordes desaparecen rpidamente cuando estn muy cerca uno del otro, el mtodo
computacional no es atractivo para seales en 2D por la complejidad topolgica y el resultado de
EB depende de dos parmetros el enfoque mnimo y mximo.

Parmetros de escala adaptivos. El fundamento de est mtodo est en la interseccin de dos
superficies, una es trazada por las curvas de los bordes detectados a diferentes escalas y la
segunda es la posicin del enfoque elegido. En la figura 9 y 10 se muestran algunas imgenes
segmentadas con diferentes filtros (enfoque).

Figura 9. Deteccin multiresolucin de contornos. De izquierda a derecha: imagen original, salida
de detector de contornos Canny para =1, para =4 y resultado del anlisis multiresolucin
combinando las ventajas de ambos filtros.

Regiones de pixeles
Jung Tang en su investigacin [12], emplea Regional Growing, que se basa en la coleccin de
pixeles con propiedades similares, primeramente se selecciona un pixel semilla como punto
inicial por cada segmentacin a realizar, despus se unen los pixeles con propiedades similares al
dominio del pixel semilla y se continua comparando los pixeles, en aplicaciones prcticas deben
considerarse tres cosas: (1) elegir un grupo de pixeles que representen correctamente la regin
requerida, (2) fijar la frmula que contenga pixeles adyacentes a la regin y (3) reglas y
condiciones para detener el proceso.

La relacin entre los pixeles y la regin semilla fue descrita por Metmert y Jackway, la relacin
de primer orden ocurre cuando el pixel tiene la misma diferencia en relacin con su pixeles
vecinos, la segunda dependencia se presenta cuando un pixel tiene la misma.

El autor combina el mtodo Regional Growingcon Watershed, que es un algoritmo iterativo de
umbral adaptivo basado en la magnitud del gradiente (como un mapa topogrfico de una imagen),
genera objetos separados. En la figura 10 se muestra el esquema propuesto por Jung Tang, nota:
la conversin de espacio de color es de RGB a HSI.


Figure 10. Diagrama de flujo del algoritmo

Otra aplicacin de segmentacin empleando Watershad se presenta en el trabajo [13], cuya
aportacin principal es que utiliza un suavizado de la imagen superposicin de escala simple
implementado Retinex, definida por la siguiente expresin

| | ( , ) log ( , ) log ( , )* ( , ) R x y I x y F x y I x y =
( ) ( )
( ) 2 2 1
1 1 1
1 1
( ) log log log(2 ) log ( ) ( )
2 2 2
N K K
t T
ij j ij k ik j i j j i j
i j k
D
E y y y x x
| |
o o t

= = =
| |
O = E E
`
|
\ . )

2 2 2
( )/
( , )
x y
F x y Ke
o +
=
donde R(x,y) es la resultante, I(x,y) la imagen, F(x,y) es la funcin Gaussiana de los pixeles vecinos
normalizada con K y es la desviacin estndar (=LMAX/6, LMAX rango del pixel en niveles de
gris)y *es el operador de convolucin. Despus de filtrar la imagen aplica la segmentacin basada
en la transformacin Watershed. En la figura 11 se muestra el resultado de la segmentacin de la
imagen.

Figura 11. (a) Imagen de entrada y (b) resultado del algoritmo.
Thanh Minh Nguyen, en su investigacin [14], desarrollo un modelo de conjuncin Gaussiana
basado en la distribucin Dirichlet (Dirichlet Gaussian misture model), este modelo asume a priori
que las probabilidades tienen una distribucin Dirichlet. El modelo propuesto por Thanh Minh
Nguyen tiene menos parmetros en comparacin a otros modelos que emplean distribucin
Dirichlet y esta definida por una funcin de probabilidad-log (ecuacin 10) que tiene una forma
simple. El algoritmo inicialmente realiza un filtrado espacial, campos aleatorios de Markov, que
suaviza la imagen, despus se propone el mtodo iterativo del gradiente para obtener los
parmetros y minimizar el error de la funcin de la distribucin (ecuacin 11).
2
2 1
1
( ) log ( )
N k
j
i j K
i j i
k
k
L p x
o
o
= =
=



O = O
`


)

Ec.(10)

Ec.(11)
En la figura 12 se muestran la comparacin de tres mtodos de segmentacin de imgenes reales
y el desarrollado en esta investigacin


Figura 12. Resultados de la segmentacin a algunas imgenes reales, Primer rengln es la imagen
original, segundo rengln mtodo de GraphCuts, el tercer rengln corresponde a MNCuts y el
cuarto rengln es la segmentacin con el mtodo propuesto.

P.A.V de Miranda en su trabajo [15] combina la estimacin arc-weight sinrgico con mtodos de
segmentacin desarrollados. El algoritmo consiste en marcar regiones de los objetos, el arc-
weights son estimadas de los atributos de la imagen y los objetos seleccionados, las cuales son
empleadas para mejorar la segmentacin con algn mtodo.
Transformadas
La transformada de Fourier y sus derivadas, la transformada Watershed y transformada Wavelet
son ampliamente usadas en segmentacin de imgenes.
Fourier
Andrzej Zadorozny aplico la segmentacin de imgenes para realizar granulometra en imgenes
llamadas de sal y arena, su algoritmo se basa en la Transformada de Fourier y la descomposicin
escala-espacio[16]. Inicialmente realiza la Transformada de Fourier para descomponer la imagen
de dos; generalmente los objetos de gran tamao responden a frecuencias bajas y los finos a
frecuencias altas. Obtiene la Transformada de Fourier en 2D, usando los componentes reales e
imaginarios obtiene el espectro de potencia de Fourier y lo traslada de 2D a 1D, el espectro es
trasladado de frecuencia a longitud de onda con el propsito de realizar la granulometra. Despus
de tener el espectro en longitud de onda se obtiene la distribucin acumulativa de longitud de
onda. La segunda tcnica es la descomposicin escala-espacio, que segmenta la imagen en
contenidos de diferentes escalas, reduciendo la resolucin de la imagen mediante la convolucin
de un filtro unidimensional Gaussiano (filtro cuadrado normalizado), primeramente a las columnas
y despus a los renglones. Para obtener la diferencia entre las escalas se emplea el operador
Kullback (divergencia) definida por la siguiente ecuacin.


donde Q y P son las imgenes normalizadas de escala consecutivas a ser comparadas pixel a pixel,
iterando x.

El problema fundamental de este algoritmo es que no pudo realizar con exactitud la granulometra
de las partculas finas.

Waterdshed

Marina E. Plissiti, aplico la segmentacin para abstraccin de ncleos en clulas, combinando la
forma, textura e intensidad, empleando la Transformada Watershed en el procesamiento[17]. De
manera general su algoritmo consiste en seleccionar una marca de cada imagen del ncleo,
despus se realiza un preproceso: ecualizacin del histograma en todos los componentes de color
y se obtiene un umbral global por Otsu para cada componente de color y se extrae una mscara
binaria y se detectan reas con un operador OR entre la imagen y al mscara, finalmente las reas
menores al rea seleccionada son removidas, esto se realiza con la finalidad de eliminar objetos
pequeos. Para la estimacin de los centriodes del rea seleccionada, se obtiene la transformada
h-mnima, de la cual obtiene una mscara, que es empleada para una reconstruccin morfolgica
y obtener una imagen con formacin homognea mnima, enseguida de detectar las regiones
mnimas se aplica la supresin mxima global y la derivada para estimar los bordes de los valles de
intensidad, con el objetivo de obtener los bordes lo ms cercanamente posible, se obtiene calcula
el gradiente morfolgico de color (vector tridimensional) y finalmente se aplica la Transformada
watershed para segmentar el objeto de inters. En la figura 13 se muestra parte del proceso de
segmentacin.

Wavelet

La Transformada Wavelet se utiliza frecuentemente para la deteccin de bordes se ha probado
que tiene buena respuesta en objetos de distintas escalas y con estructuras irregulares, en [18] se
aplico la Transformada Wavelet para pasar al dominio contourlet, en el cual obtuvieron una mejor
respuesta a la deteccin de bordes en comparacin a la Transformada Wavelet simple. Abdulkadir
Sengur, en su investigacin [19] combino la lgica neutrosofica y la transformada Wavelet para la
segmentacin totalmente automtica para imgenes naturales, tomando en consideracin el color
y la textura. La teora neutrosofica dice que para cada evento existe un grado de verdad, uno de
falsedad y un de indeterminacin y que pueden ser considerados uno independiente del otro, la
transformada Wavelet para descomponer la imagen y procesar en multiresolucin. La primera
operacin es la cambiar el modelo de color RGB a escala de grises para las texturas y a L*u*v
Primeramente, despus se le aplica la transformada wavelet a la imagen en escala de grises, de las
subbandas resultantes son tomadas en cuenta solamente la de detalles verticales y horizontales
que tiene la mayora de la informacin de la textura, enseguida se calcula la media de los
coeficientes de las subimgenes para estimar la energa, definida como el cuadrado de los
coeficientes. Cada pixel de cada canal L, u y v de la imagen y la componente energtica calculada
es transformada al dominio neutrosofica, determinando para cada componente el grado de
verdad, segmentando automticamente en base a este grado de verdad y dos parmetros y .
En la figura 13 se muestra el diagrama de flujo del algoritmo y en la figura 14 se muestran la
comparacin del mtodo con las tcnicas propuesto con uno de los resultados de la segmentacin.


Figura 13. En (a) la imagen original, (b) deteccin y marcado de los ncleos, (c) imagen
correspondiente al gradiente morfolgico de color y (d) las segmentacin Watershed.


Figura 13. Diagrama de flujo del algoritmo se segmentacin en base al color y textura.


Figura 14. Resultados de la segmentacin, (a) mtodo propuesto, (b) mtodo Ground-truth, (c)
algoritmo MSF-HDS y (d) Waveseg.

Ming Hong Pi en su investigacin [20] utilizo la transformada Wavelet para hacer la granulometra
de partculas finas en imgenes de tipo oil-sand. Primeramente realiza un filtrado a la imagen
normalizada mediante la Transformada Wavelet, obteniendo los coeficientes de la subimagen
HH2, se calcula el histograma absoluto de los coeficientes de la sub-banda y su histograma
acumulativo, con ello se puede estimar dos parmetros que estn directamente relacionados con
la masa y la forma, finalmente para realizar la granulometra se calcula la distancia euclidiana para
espacio. En la figura 15 se muestra la imagen, su transformada, el histograma y el ajuste de curva.

Figura 15. Ajuste Weibull para los coeficientes de las sub-bandas.

Inteligencia Artificial
Se ha utilizado la inteligencia artificial como parte o totalidad del proceso de segmentacin. En
[21] se realiz la segmentacin basada en la comparacin de las propiedades de regiones locales
(anlisis del vecindario de pixeles), este modelo tiene un parmetro que evala las caractersticas
texturales de la regin, para su aproximacin se dise un red neuronal artificial. Mohamad Awad
en [22] desarroll un algoritmo para organizacin automtica de mapas empleando algoritmo
gentico hibrido primero para detectar las caractersticas principales de la imagen y despus
agrupar segmentos homogneos de la imagen. Xuejie Zhang en su trabajo de investigacin [2]
filtro la imagen para promediar los pixeles, despus utiliz un vector con 5 variables (R,G,B, S y V)
para representar cada pixel, enseguida se etiquetaron regiones en base a la diferencia de color
utilizando una red neuronal artificial de entrenamiento rpido, para finalmente agrupar las
regiones en base a las etiquetas, en la figura 16 se muestra un ejemplo de la segmentacin
mediante este algoritmo.


Figura 16. Segmentacin por color utilizando un red neuronal artificial.















[1] S. Raut, M. Raghuvanshi, R. Dharaskar, and A. Raut, "Image Segmentation -A State-Of-Art
Survey for Prediction," in Advanced Computer Control, 2009. ICACC '09. International
Conference on, 2009, pp. 420-424.
[2] Z. Xuejie and A. L. P. Tay, "Fast Learning Artificial Neural Network (FLANN) Based Color
Image Segmentation in R-G-B-S-V Cluster Space," in Neural Networks, 2007. IJCNN 2007.
International Joint Conference on, 2007, pp. 563-568.
[3] J. A. Vega Uribe and M. A. reyes Figueroa, "Transformaciones lineales y no lineales para
espacios de color en procesamiento digital de imgenes.," Revista Internacional de
Mtodos Nmericos para Clculo y Diseo en Ingeniera., vol. 22, pp. 223-240, 2006.
[4] L. Lucchese and S. K. Mitra, "Filtering color images in the xyY color space," in Image
Processing, 2000. Proceedings. 2000 International Conference on, 2000, pp. 500-503 vol.3.
[5] X. Anping, W. Lijuan, F. Sha, and Q. Yunxia, "Threshold-Based Level Set Method of Image
Segmentation," in Intelligent Networks and Intelligent Systems (ICINIS), 2010 3rd
International Conference on, 2010, pp. 703-706.
[6] Z. Shiping, X. Xi, Z. Qingrong, and K. Belloulata, "An Image Segmentation Algorithm in
Image Processing Based on Threshold Segmentation," in Signal-Image Technologies and
Internet-Based System, 2007. SITIS '07. Third International IEEE Conference on, 2007, pp.
673-678.
[7] N. Kato, M. Suzuki, S. Omachi, H. Aso, and Y. Nemoto, "A handwritten character
recognition system using directional element feature and asymmetric Mahalanobis
distance," Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 21, pp.
258-262, 1999.
[8] M.-x. Li and J. Chen, "A method of image segmentation based on mutual information and
threshold iteration of multi-spectral image fusion," in World Automation Congress (WAC),
2010, 2010, pp. 385-389.
[9] Q. Zhong and W. Zheng-yong, "Research on preprocessing of palmprint image based on
adaptive threshold and Euclidian distance," in Natural Computation (ICNC), 2010 Sixth
International Conference on, 2010, pp. 4238-4242.
[10] H. Dianyuan and H. Xinyuan, "A Tree Image Segmentation Method Based on 2-D OTSU in
HSI Color Space," in Wireless Communications Networking and Mobile Computing
(WiCOM), 2010 6th International Conference on, 2010, pp. 1-4.
[11] G. Papari and N. Petkov, "Edge and line oriented contour detection: State of the art,"
Image and Vision Computing, vol. 29, pp. 79-103, 2011.
[12] T. Jun, "A color image segmentation algorithm based on region growing," in Computer
Engineering and Technology (ICCET), 2010 2nd International Conference on, 2010, pp. V6-
634-V6-637.
[13] I. Ivasenko and R. Vorobel, "Subgrain edge detection on images of steel 2,25Cr-1Mo using
watershed method," in Modern Problems of Radio Engineering Telecommunications and
Computer Science (TCSET), 2012 International Conference on, 2012, pp. 424-424.
[14] T. M. Nguyen and Q. M. J. Wu, "Dirichlet Gaussian mixture model: Application to image
segmentation," Image and Vision Computing, vol. 29, pp. 818-828, 2011.
[15] P. A. V. de Miranda, A. X. Falco, and J. K. Udupa, "Synergistic arc-weight estimation for
interactive image segmentation using graphs," Computer Vision and Image Understanding,
vol. 114, pp. 85-99, 2010.
[16] Andrzej Zadorozny, H. Zhang, and M. Jagersand, "Granulometry Using Image
Transformation Techniques," in 15TH INTERNATIONAL CONFERENCE ON VISION
INTERFACE, 2002.
[17] M. E. Plissiti, C. Nikou, and A. Charchanti, "Combining shape, texture and intensity features
for cell nuclei extraction in Pap smear images," Pattern Recognition Letters, vol. 32, pp.
838-853, 2011.
[18] M. Shun-feng, Z. Geng-feng, J. Long-xu, H. Shuang-li, and Z. Ran-feng, "Directional
multiscale edge detection using the contourlet transform," in Advanced Computer Control
(ICACC), 2010 2nd International Conference on, 2010, pp. 58-62.
[19] A. Sengur and Y. Guo, "Color texture image segmentation based on neutrosophic set and
wavelet transformation," Computer Vision and Image Understanding, vol. 115, pp. 1134-
1144, 2011.
[20] P. Ming Hong and Z. Hong, "Measurement of fine particle size with wavelet signature," in
Image Processing, 2005. ICIP 2005. IEEE International Conference on, 2005, pp. III-165-8.
[21] L. SiWei and X. He, "Textured image segmentation using autoregressive model and
artificial neural network," in Systems, Man and Cybernetics, 1993. 'Systems Engineering in
the Service of Humans', Conference Proceedings., International Conference on, 1993, pp.
624-629 vol.2.
[22] M. Awad, K. Chehdi, and A. Nasri, "Multicomponent Image Segmentation Using a Genetic
Algorithm and Artificial Neural Network," Geoscience and Remote Sensing Letters, IEEE,
vol. 4, pp. 571-575, 2007.