Documentos de Académico
Documentos de Profesional
Documentos de Cultura
, 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.