Documentos de Académico
Documentos de Profesional
Documentos de Cultura
= g
g p
(5)
=
g
n N
(6)
Las probabilidades del objeto y fondo de acuerdo a un umbral T, estn expresadas como
(ecuaciones 7 y 8)
) (g p
f
,
t g s s 0
(7)
) (g p
b
,
255 1 s s + g t
(8)
Definimos la funcin de probabilidad acumulada como se muestra en la ecuacin 9
=
=
t
g
g p t P
0
) ( ) (
(9)
Esta funcin de probabilidad puede ser considerada como una suma o unin de dos
funciones de probabilidad, una para zonas claras (foreground, ecuacin 10) y otra para
zonas oscuras (background, en ecuacin 11).
=
= =
t
g
f f
g p P t P
0
) ( ) (
(10)
+ =
= =
255
1
) ( ) (
t g
b b
g p P t P
(11)
Mecnica Computacional Vol XXX, pgs. 2785-2805 (2011) 2789
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
El primer trabajo de Pun, define las entropas del fondo y del objeto usando la entropa
de Shannon, paramtricamente dependiente del valor umbral T. (Ecuaciones 12 y 13)
) ( log . ) ( ) (
0
g p g p t H
f
t
g
f f
=
=
(12)
) ( log . ) ( ) (
255
1
g p g p t H
b
t g
b b
+ =
=
(13)
La suma de estas dos expresiones puede se denotada como H, indicada en las ecuaciones
14, 15 y 16
) ( ) ( t H t H H
b f
+ =
(14)
|
|
.
|
\
|
+
|
|
.
|
\
|
=
+ = =
) ( log . ) ( ) ( log . ) ( ) (
255
1 0
g p g p g p g p t H
b
t g
b f
t
g
f
(15)
O, tambin
=
=
255
0
)) ( log( ). (
g
g p g p H
(16)
El umbral ptimo ser, entonces, aquel que maximice esta entropa global (ecuacin 17).
{ } ) (
*
t H Max T =
(17)
En su segundo trabajo Pun interpreta la maximizacin de las entropas con la
maximizacin de una funcin F. (ecuacin 18)
{ } ( ) { } ( )
255 2 1 1 0
,..., , max log
log
1
,..., , max log
log
) (
p p p
P
H
H
p p p
P
H
H
t F
t t
b
f
t
f f
+ +
|
|
.
|
\
|
+ =
(18)
2.1.2 Mtodo de Kapur
Siguiendo las ideas de Pun, Kapur realiza modificaciones cambiando las probabilidades
de los elementos (ecuacin 19)
t
g
P
p
g p = ) (
g=0, 1, , 255 (19)
Por lo tanto las entropas del foreground y background quedan definidas como indican
las ecuaciones 20 y 21:
t
t
g t
f
P
g p
P
g p
t H
) (
log .
) (
) (
0
=
=
(20)
t t g t
b
P
g p
P
g p
t H
) (
log .
) (
) (
255
1
+ =
=
(21)
C. CATTANEO, L. LARCHER, A. RUGGERI, A. HERRERA, E. BIASONI 2790
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
El mximo de la funcin H ser el valor de umbral que optimiza la separacin entre
background y foreground (ecuacin 23)
) ( ) ( t H t H H
b f
+ =
(22)
{ } ) (
*
t H Max T =
(23)
2.1.3 Mtodo de Yen
Yen propone un nuevo anlisis de entropas basadas en entropas de correlacin, el
umbral ptimo ser el mximo de la entropa correlacionada
Las entropas foreground (ecuacin 24) y background (ecuacin 25)
|
|
.
|
\
|
|
|
.
|
\
|
=
=
t
g t
f
P
g p
t C
0
2
) (
ln ) (
(24)
|
|
.
|
\
|
|
|
.
|
\
|
=
+ =
255
1
2
) (
ln ) (
t g t
b
P
g p
t C
(25)
La cantidad total de correlacin
) ( ) ( t C t C TC
b f
+ =
(26)
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
+ = =
255
1
2
0
2
) (
ln
) (
ln ) (
t g t
t
g t
P
g p
P
g p
t TC
(27)
Para obtener la mxima correlacin contribuida por el foreground y background, TC
debe ser maximizado como se indica en la ecuacin 28
{ } ) (
*
t TC Max T =
(28)
2.2 Mtodos de Clusterizacion
2.2.1 Mtodo de Kittler e Illingworth: Error mnimo
Al igual que Pun y Kapur se considera al histograma como una estimacin de una
funcin de densidad de probabilidad p(g), que es una mezcla de dos distribuciones
correspondientes al foreground y background. Se supone, adems, que estas distribuciones
(foreground y background) tienen una distribucin normal con media y desviacin estndar.
Las funciones de densidad de probabilidad
2
2
2
) (
2
1
) (
f
f
t
f
f
e t p
= (29)
2
2
2
) (
2
1
) (
b
b
t
b
b
e t p
=
(30)
Mecnica Computacional Vol XXX, pgs. 2785-2805 (2011) 2791
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
La funcin densidad de probabilidad del histograma (ecuacin 31)
) ( ). ( ) ( ). ( ) ( t p t P t p t P t p
b b f f
+ =
(31)
El error mnimo se alcanza cuando seleccionamos como umbral al valor para el cual
) ( ). ( ) ( ). ( t p t P t p t P
b b f f
=
(32)
Aplicando logaritmo en ambos miembros, resolviendo las ecuaciones y sustituyendo los
valores de
b
2
f
2
b
, , ,
f
con valores
estimados (ecuaciones 33, 34, 35 y 36)
) (
) (
) (
1
T P
g p
g t
f
t
g
f
=
=
(33)
) (
) (
) (
255
1
b
T P
g p
g t
b t g
+ =
=
(34)
=
=
t
g
f
f g p g t
1
2 2
) ( . ) ( ) (
(35)
+ =
=
255
1
2 2
) ( . ) (
t g
b
b g p g
(36)
Se define una funcin criterio (ecuacin 37), la cual se busca un valor mnimo (ecuacin
38)
( ) ( ) ). ( log . ) ( log ) ( 2 ). ( log . ) ( log ) ( 2 1 ) ( t P P t P t P t P t t P t J
b b f f b b f f
+ + + =
(37)
{ } ) (
*
t J Min T =
(38)
3 TIPOS DE APLICACIN
Global en gris: Los mtodos se emplearn en imgenes convertidas en escalas de grises
a travs el comando rgb2gray de MatLab.
Global en Capas de Colores: Los algoritmos de cada mtodo se emplearn en las capas
de color (Rojo, Verde y Azul)
4 RESULTADOS
Para ambos mtodos se trabaj primeramente en la bsqueda de un umbral global, o sea,
considerando todos los pxeles de la imagen. La imagen utilizada estaba en escala de grises,
y la transformacin de RGB a escala de grises se realiz simplemente aplicando la funcin
rgb2gray de MatLab. Obtenemos el histograma para las 256 intensidades usando la funcin
imhist de MatLab.
A continuacin, se muestran las imgenes resultantes luego de aplicar el mtodo de
umbral global segn los diferentes autores.
C. CATTANEO, L. LARCHER, A. RUGGERI, A. HERRERA, E. BIASONI 2792
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Figura 3. Imagen en RGB Figura 4. Imagen en Gris
Figura 5. Umbral global por el mtodo de Yen a
partir de imagen en escala de grises
Figura 6. Umbral global por el mtodo de Pun a partir
de imagen en escala de grises
Figura 7. Curva de Entropas de Yen
Mecnica Computacional Vol XXX, pgs. 2785-2805 (2011) 2793
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Figura 8. Curva de Pun
Figura 9. Umbral global por el mtodo de Kapur a
partir de imagen en escala de grises
Figura 10. Umbral global por el mtodo de Kittler a
partir de imagen en escala de grises
C. CATTANEO, L. LARCHER, A. RUGGERI, A. HERRERA, E. BIASONI 2794
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Figura 11. Curva de Entropas de Kapur
Figura 12. Funcin de Kittler
Mtodo Umbral global (grises)
Yen 21
Pun 74
Kapur 132
Kittler 20
Tabla 1.
Mecnica Computacional Vol XXX, pgs. 2785-2805 (2011) 2795
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Figura 13. Imagen en RGB
Figura 14. Imagen en gris
Figura 15. Umbral global por el mtodo de Yen a
partir de imagen en escala de grises
Figura 16. Umbral global por el mtodo de Pun a
partir de imagen en escala de grises
Figura 17. Curva de Entropas correlacionada de Yen
Figura 18. Funcin de Pun
C. CATTANEO, L. LARCHER, A. RUGGERI, A. HERRERA, E. BIASONI 2796
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Figura 19. Umbral global por el mtodo de Kapur a
partir de imagen en escala de grises
Figura 20. Umbral global por el mtodo de Kittler a
partir de imagen en escala de grises
Figura 21. Curva de Entropas de Kapur
Figura 22. Funcin de Kittler
Mtodo
Umbral global
(grises)
Yen 40
Pun 62
Kapur 108
Kittler 2
Tabla 2
Mecnica Computacional Vol XXX, pgs. 2785-2805 (2011) 2797
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Figura 23. Leopardo
Figura 24. Imagen en escala de grises
Figura 25. Umbral global por el mtodo de Yen a
partir de imagen en escala de grises
Figura 26. Umbral global por el mtodo de Pun a
partir de imagen en escala de grises
Figura 27. Curva de Entropas correlacionadas de Yen
C. CATTANEO, L. LARCHER, A. RUGGERI, A. HERRERA, E. BIASONI 2798
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Figura 28. Funcin entropa de Pun
Figura 29. Umbral global por el mtodo de Kapur a
partir de imagen en escala de grises
Figura 30. Umbral global por el mtodo de Kittler a
partir de imagen en escala de grises
Mecnica Computacional Vol XXX, pgs. 2785-2805 (2011) 2799
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Figura 31. Entropas
Figura 32. Funcin de Kittler
C. CATTANEO, L. LARCHER, A. RUGGERI, A. HERRERA, E. BIASONI 2800
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Mtodo Umbral global (grises)
Yen 111
Pun 26
Kapur 117
Kittler 117
Tabla 3
Como segunda medida, se trabaj con umbrales globales, pero esta vez, aplicados a cada
capa de color, con lo cual se observ una marcada diferencia entre los umbralizados de las
distintas capas, optimizndose una de las capas dependiendo de la composicin de colores
de cada imagen en particular
Figura 33. Umbralizado global Mtodo de Yen
Rojo
Figura 34. Umbralizado global Mtodo de Pun Rojo
Figura 35. Umbralizado global Mtodo de Yen
Verde
Figura 36. Umbralizado global Mtodo de Pun
Verde
Mecnica Computacional Vol XXX, pgs. 2785-2805 (2011) 2801
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Figura 37. Umbralizado global Mtodo de Yen
Azul
Figura 38. Umbralizado global Mtodo de Pun Azul
Figura 39. Curvas de Entropas por capas Yen
Figura 40. Curvas de Entropas por capas Pun
Figura 41. Umbralizado global Mtodo de Kapur Rojo
Figura 42. Umbralizado global Mtodo de Kittler Rojo
C. CATTANEO, L. LARCHER, A. RUGGERI, A. HERRERA, E. BIASONI 2802
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Figura 43. Umbralizado global Mtodo de Kapur Verde
Figura 44. Umbralizado global Mtodo de Kittler Verde
Figura 45. Umbralizado global Mtodo de Kapur Azul
Figura 46. Umbralizado global Mtodo de Kittler Azul
Figura 47. Curvas de Entropas por capas Kapur
Figura 48. Curva de funciones Kittler por capas
Mecnica Computacional Vol XXX, pgs. 2785-2805 (2011) 2803
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Umbrales globales
Mtodo Rojo Verde Azul
Yen 114 109 100
Pun 45 48 40
Kapur 120 116 115
Kittler 118 110 94
Tabla 4
5 CONCLUSIONES
En imgenes con pocos detalles como la figura 3 todos los mtodos se comportan de
manera similar en el umbralizado global en escala de grises, quizs con alguna preferencia
en los mtodos de Yen y Kittler (figura 5 y figura 10) ya que en ellos hay una mejor
separacin de los objetos del fondo y los valores de umbral son cercanos entre ellos.
En imgenes con un nivel medio de detalles como la figura 13 los mtodos basados de
Yen, Kapur y Pun definen umbralizaciones similares, a diferencia de Kittler que umbraliza
en forma correcta pero muestra zonas difusas o borrosas.
En la tercera imagen figura 23 que corresponde a una imagen con mucho detalle,
observamos que Kittler, Yen y Kapur se comportan de manera equivalente definiendo
umbrales cercanos y umbralizando la imagen de forma optima remarcando detalles finos.
Pun calcula un umbral bastante chico en comparacin con los otros mtodos y muestra una
umbralizacin que tiene al blanco donde se desdibuja la figura del leopardo (figura 26).
Para las tres imgenes analizadas, los resultados de la aplicacin de mtodos en cada
capa de color rojo, verde y azul se presentan en forma similar. Sin embargo, las
umbralizaciones realizadas en escala de grises tienen una mejor definicin que por capas.
Dados los diferentes anlisis en distintas imgenes a escala de grises y por capas de
colores podemos concluir que tanto los mtodos de Yen y Kittler parecen sobresalir o se
adaptan a cualquier tipo de umbralizado de imagenes, siendo mucho ms seguro el
algoritmo de Yen, ya que brinda umbralizaciones parejas en todos los casos analizados.
REFERENCIAS
H. Azhar, T. Widjanarko. Comparison of Two Binary Image Thresholding Methods Final
Project Paper EECE 6235 Random Signal Analysis Fall 2002 EECE Department,
University of Memphis, Memphis, TN 38152
C. Cattaneo, L. Larcher, A. Ruggeri, A C. Herrera, E. Biasoni, M. Escauelas.
Segmentacin de imgenes digitales mediante umbralizado adaptativo en imgenes de
color. Mecnica Computacional XXIX, 6177-6193, 2010
J . N. Kapur, P. K. Sahoo, and A. K. Wong, A new method for greylevel picture
thresholding using the entropy of the histogram, Comput.Vis. Graph. Image Process.,
vol. 29, pp. 273285, 1985.
J . Kittler, J . Illingwortj. Minimum error thresholding. Pattern recognition 19(1). 41-47,
1986.
N. Nacereddine, L. Hamami, M. Tridi, and N. Oucief. Non-Parametric Histogram Based
Thresholding Methods for Weld Defect Detection in Radiography. World Academy of
Science, Engineering and Technology 9, 2005
C. CATTANEO, L. LARCHER, A. RUGGERI, A. HERRERA, E. BIASONI 2804
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
T. Pun, A new method for gray-level picture threshold using theentropy of the
histogram, Signal Process. 2(3), 223237 ,1980.
T. Pun, Entropic thresholding: A new approach, Comput. Graph.Image Process. 16,
210239 ,1981.
M. Sezgin, B. Sankur. Survey over image thresholding techniques and quantitative
performance evaluation. Journal of Electronic Imaging 13(1), 146165, 2004.
J . Yen, F. Chang, and S. Chang. A New Criterion for Automatic Multilevel Thresholding.
IEEE Transactions on Image Processing,. 4(3), 1995
Mecnica Computacional Vol XXX, pgs. 2785-2805 (2011) 2805
Copyright 2011 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar