Segmentacin de Imagen

Introduccin

Segmentacin significa subdividir una

imagen en sus regiones u objetos
constituyentes
La segmentacin debe detenerse cuando
los objetos de inters en una aplicacin
han sido aislados.

Caractersticas Principales

Los algoritmos de segmentacin generalmente

se basan en una de dos propiedades bsicas de
los valores de intensidad

discontinuidad : particionar una imagen en base a los

cambios abruptos en la intensidad (tales como los
bordes)
similitud: particionar una imagen en regiones que son
similares de acuerdo a un conjunto de criterios
predefinidos.

Deteccin de Discontinuidades

Deteccin de los tres tipos bsicos de

discontinuidades de nivel de gris

puntos , lneas , bordes

La forma comn es correr una mscara a

travs de la imagen

Deteccin de Punto

un punto se detecta en la posicin en la que est

centrada la mscara si
|R| T
donde

T es un umbral no negativo
R es la suma de productos de los coeficientes con los
niveles de gris contenidos en la regin en la que se
superpone la mscara.

Deteccin de Punto

Notar que la mscara es la misma como la

mscara de la Operacin Laplaciano (en el
captulo 3)
La nicas diferencias que son consideradas
de inters son aquellas que son suficiente
mente grandes (como se determina por T)
para ser consideradas puntos aislados.
|R| T
6

Ejemplo
FIGURA 10.2

Mscara
para la
deteccin de
punto
(b) Imagen Rayos
X de una
aleta de
turbina con
porosidad
(c) Resultado de
la deteccin
de punto
(d) Resultado de
utilizar la
ecuacin
(10.1_2)

Deteccin de Lnea

La mascara horizontal resultar con mxima respuesta

cuando una lnea pasa a travs de la fila central de la
mscara con un fondo constante.
La idea similar se muestra con las otras mscaras.
nota: la direccin preferida de cada mscara es pesada
con un coeficiente mas grande (por ejemplo, 2) que las
otras direcciones posibles.
8

Deteccin de Lnea

Aplicando todas las mscaras sobre la imagen

Sean R1, R2, R3, R4 las respuestas de las
mscaras horizontal, +45 grados, vertical y -45
grados, respectivamente.
si, en un cierto punto en la imagen
|Ri| > |Rj|,
para todo ji, este punto se dice que est mas
asociado con una lnea en la direccin de la
mscara i.
9

Deteccin de Lnea

Alternativamente, si estamos interesados en

detectar todas las lneas en una imagen en una
direccin definida por una determinada mscara,
simplemente corremos la mscara a travs de la
imagen y umbralizamos el valor absoluto del
resultado.
Los puntos que superan el umbral son las
respuestas mas fuertes, lo que, para las lneas de
un pixel de espesor, corresponden mejor a la
direccin definida por la mscara.
10

Ejemplo
Figura 10.4
Ilustracin de direccin
de lnea
(a)

Mscara de
conexin
binaria

(b)

Valor absoluto
del resultado
despus de
procesar con un
detector de lnea
-45

(c)

Resultado de
umbralizar la
imagen (b)

11

Deteccin de Borde

Es la forma mas comn de detectar las

discontinuidades significativas de niveles de gris.
veremos las formas para implementar

derivada de primer-orden (operador Gradiente)

derivada de secondo-orden (operador Laplaciano)

Aqu, trataremos solamente sus propiedades para

la deteccin de bordes.
Ya hemos introducido ambas derivadas en el
captulo 3
12

Formulacin Basica

un borde es un conjunto de pixeles

conectados que estn ubicados sobre el
contorno entre dos regiones.
un borde es un concepto local mientras
un contorno de regin, debido a la forma
en que est definido, es una idea mas
global.
13

Bordes Ideal y Rampa

Modelo de un borde digital ideal

Modelo de un borde digital rampa

FIGURA 10.5

Perfil del nivel de gris de

una lnea horizontal a
travs de la imagen

Perfil del nivel de gris de

una lnea horizontal a
travs de la imagen

(a)

Modelo de una
imagen digital ideal.

(b)

Modelo de un borde
en rampa. La
pendiente de la
rampa es
proporcional al
grado de
borroneado en el
borde

Debido
a la of
ptica,
because
optics,
muestreo, imperfeccin
sampling,
image
de la adquisicin
de la
acquisition
imagen

imperfection

14

Borde grueso

La pendiente de la rampa es inversamente proporcional

al grado de borroneado del borde.
Ya no tenemos un camino delgado (un pixel grueso).
En cambio, un punto de borde ahora es cualquier punto
contenido en la rampa, y un borde luego debe ser un
conjunto de estos puntos que estn conectados.
El espesor est determinado por la longitud de la
rampa.
La longitud est determinada por la pendiente, la que
est determinada por el grado de borroneado.
Los bordes borrosos tienden a ser gruesos y los bordes
agudos tienden ser delgados
15

Derivadas de primer y segundo

orden
FIGURA 10.6
(a)

Dos regiones
separadas por un
borde vertical.

(b)

Detalle de cerca del

borde, mostrando el
perfil de nivel de
gris, y las derivadas
primera y segunda
del perfil.

Perfil de nivel de gris

Derivada
Primera

Los signos de las derivadas

pueden invertirse para un
borde con transiciones desde
claro a oscuro

Derivada
Segunda

16

Derivadas Segundas

producen 2 valores para todos los bordes

en la imagen (una caracterstica
indeseable)
Una lnea recta imaginaria uniendo los
valores extremos positivo de la derivada
segunda cruzar por cero cerca del punto
medio del borde. (propiedad cruce por
cero)
cero
17

Cruce por cero

bastante til para localican los centros de

bordes gruesos
Trataremos esto nuevamenta mas
adelante

18

Imgenes con Ruido

Primer columna: imgenes y

perfiles de nivel de gris de un
borde rampa corrupto por
ruido Gaussiano de media 0 y
= 0.0, 0.1, 1.0 y 10.0,
respectivamente.
Segunda columna: imgenes
derivada primera y perfiles de
niveles de gris.
Tercera columna : imgenes
derivada segunda y perfiles
de niveles de gris.

19

Recordar

el ruido pequeo puede tener un impacto

importante sobre las dos derivadas usadas en la
deteccin de bordes en las imgenes
el suavizado (borroneado) de la imagen debe
ser una consideracin importante antes de
utilizar las derivadas en las aplicaciones donde
el ruido est probobablemente presente.

20

Punto de borde

para determinar un punto como un punto de

borde

la transicin en el nivel de gris asociado con el punto

tiene que se significativamente mayor que el fondo
en ese punto.
utilizar un umbral para determinar donde un valor es
significativo o no.
la derivada de primer orden en dos dimensiones debe
ser mayor que un umbral especificado.

21

Problema de segmentacin

para ensamblar segmentos de borde en

bordes mas largos.
veremos esto mas adelante.

22

Operador Gradiente

f
Gx x
f = = f
G y
y

Las derivadas primeras se implementan

utilizando la magnitud del gradiente.
gradiente

f = mag (f ) = [G + G ]
2
x

f 2 f 2
= +
x y

2
y

Aproximacin comn

la magnitud se hace no lineal

f G x + G y
23

Direccin del Gradiente

Sea (x,y) que representa el ngulo

direccin del vector f en (x,y)
(x,y) = tan-1(Gy/Gx)

La direccin de un borde en (x,y) es

perpendicular a la direccin del vector
gradiente en ese punto
24

Mscaras Gradiente

25

Bordes diagonales con mscaras

de Prewitt y Sobel
Las mscaras de
Sobel tienen una
significativa
superioridad en la
supresin de ruido lo
cual es una
caracterstica
importante cuando
se trata con
derivadas.
26

Ejemplo
FIGURA 10.10
(a)

Imagen original

(b)

componente
|Gx| del
gradiente en la
direccin x.

(c)

Componente
|Gy| en la
direccin y.

(d)

Gradiente de
laimagen,
|Gx|+|Gy|

27

Ejemplo
FIGURA 10.11
La misma secuencia
de la figura 10.10,
pero con la imagen
original suavizada
con un filtro
promedio 5x5

28

Ejemplo
FIGURA 10.12
Deteccin de borde
diagonal.
(a)

Resultado
utilizando la
mscara de la
figura 10.9.

(b)

Resultado
utilizando la
mscara de la
figura
10.9(d). La
entrada en
ambos casos
fue la figura
10.11(a)

29

Laplaciano
Operador Laplaciano

(operador lineal)

f ( x, y ) f ( x, y )
+
f =
2
2
x
y
2

2 f = [ f ( x + 1, y ) + f ( x 1, y )
+ f ( x, y + 1) + f ( x, y 1) 4 f ( x, y )]
FIGURA 10.13
Mscara Laplaciano
utilizado para
implementar las
ecuaciones (10.1-14)
y (10.1-15),
respectivamente

30

Laplaciana de Gaussiana

Laplaciana combinada con suavizado como

una forma de encontrar los bordes por
medio del cruce por cero.

h(r ) = e

donde r2 = x2+y2, y
Es la desviacin estndar

r2
2

r
h(r ) =
e
4

r2

2 2
31

Trmino central positivo rodeado por una regin negativa

adyacente (una funcin de distancia)
Regin exterior cero

Sombrero Mejicano

FIGURA 10.14
Laplacioana de una
Gaussiana
(LoG).
(a)

Grfico 3-D.

(b)

Imagen (negro
es negativo, gris
es plano cero, y
blanco es
positivo).

(c)

Seccin de corte
mostrando el
cruce por cero.

(d)

Mscara
aproximacin
5x5 de la forma
(a)

los coeficiente deben sumar cero

32

Operacin Lineal

la derivada segunda es una operacin

lineal
por lo tanto, 2f es lo mismo que
convolucionar la imagen con primero con
una funcin de suavizado Gaussiana y
luego calcular el Laplaciano del resultado

33

Ejemplo
a). Imagen original
b). Gradiente de
Sobel
c). Funcin de
suavizado espacial
Gaussiana
d). Mscara
Laplaciana
e). LoG
f). LoG umbralizado
g). Cruce por cero
34

Cruce por cero & LoG

obtener el cruce por cero desde la

imagen LoG
se umbraliza la imagen LoG definiendo
todos sus valores positivos como blanco y
todos los valores como negro.
el cruce por cero ocurre entre los valores
positivos y negativos de la imagen LoG
umbralizada.
35

Cruce por cero vs. Gradiente

Atractivo

Inconvenientes

El cruce por cero produce bordes mas delgados

Reduccin de ruido
El cruce por cero crea lazos cerrados. (efecto
spaguetti)
Clculo sofisticado.

El Gradiente se usa con mas frecuencia.

36

Unin de Borde y Deteccin de

Contorno

Los algoritmos de deteccin de borde son

seguidos por procedimientos de unin
para ensamblar pixeles de borde en
bordes significativos.
Propuestas bsicas

Procesamiento local
Procesamiento global por medio de la
Transformada de Hough
37

Procesamiento Local

analizar las caractersticas de los pixeles

en una pequea vecindad (por ejemplo,
3x3, 5x5) alrededor de todos los pxeles
(x,y) en una imagen.
todos los puntos que son similares de
acuerdo a un conjunto de criterios
predefinidos se unen, formando un borde
de pixeles que compartes esos criterios.
38

Criterios
La magnitud de la respuesta del
operador gradiete usado para producir
cada pixel

1.

un pixel con coordenadas (x0,y0) en una

vecindad predefinida de (x,y) es similar en
magnitud al pixel en (x,y) si

|f(x,y) - f (x0,y0) | E
39

Criterios
la direccin del vector gradiente

2.

un pixel de borde con coordenadas (x0,y0)

en una vecindad predefinida de (x,y) es
similar en ngulo al pixel en (x,y) si

|(x,y) - (x0,y0) | < A

40

Criterios

Un punto en una vecindad predefinida de (x,y)

se une al pixel en (x,y) si ambos criterios de
magnitud y direccin son satisfechos.
satisfechos
el proceso es repetido en todas las posiciones
en la imagen
debe llevarse un registro
simplemente asignando un nivel de gris
diferente a cada conjunto de pixeles de borde
unidos.
41

Ejemplo

Encontrar rectngulos cuyos tamaos

sean posibles candidatos para la
placa de patente

FIGURA 10.16
(a)

Imagen de
entrada.

(b)

Componente Gy
del gradiente.

(c)

Componente Gx
del gradiente.

(d)

Resultado de
unir los bordes

usar de operadores de Sobel

horizontal y vertical

eliminar segmentos cortos

aislados

condiciones de unin:

valor gradiente > 25

direccin gradiente difiere < 15

42

Transformada de Hough (Lnea)

FIGURA 10.17

Plano xy
yi =axi + b

(a)

Plano xy.

(b)

Espacio de
parmetros

Plano ab o espacio de parmetros

b = - axi + yi

todos los puntos (xi ,yi) contenidos en la misma lnea deben tener lneas en
el espacio de parmetros que se interceptan en (a,b)
43

Celdas acumuladores

(amax, amin) y (bmax, bmin) son los

rangos esperados de valors de
pendiente ordenada al origen.
todas son inicializados a cero
si una eleccin de ap resulta en
una bq luego hacemos
A(p,q) = A(p,q)+1
Al final del procedimiento, el
valor Q en A(i,j) corresponde
a Q pointos en el plano xy que
estn ubicados sobre la lnea
y = aix+bj

b = - axi + yi
44

plano
FIGURA 10.19

Plano

(a)

Representacin
normal de una
lnea.

(b)

Subdivisin del
plano en
celdas

x cos + y sin =
= 90 medido con respectoal eje x

el problema de usar la ecuacin y = ax + b es que el valor de a es

infinito para una lnea vertical.
Para evitar este problema, usar la ecuacin x cos + y sin =
para represenar una lnea.
una lnea vertical tiene = 90 con igual a la intercepciy y
positiva o = -90 con igual a la intercepcin y negativa.

45

FIGURA 10.20
Ilustracin de la
transformada de
Hough

rangedeof
rango

= 2D

donde D es la distancia
entre las esquinas en la
imagen

46

Transformada de Hough
generalizada

puede utilizarse para cualquier funcin de

la forma
g(v,c) = 0
v es un vector de coordenadas
c es un vector de coeficientes

47

Transformada de Hough
(Circulos)

ecuacin:

(x-c1)2 + (y-c2)2 = c32

tres parmetros (c1, c2, c3)
celdas en forma de cubo
acumuladores de la forma A(i, j, k)
incrementar c1 and c2 , rersolver para el c3 que
satisface laq ecuacin
Uctualizar el acumulador correspondiente a la
celda asociada con la terna (c1, c2, c3)
48

Unin de Bordes basado en la

Transformada de Hough
1.

2.
3.

4.

Calcular el gradiente de una imagen y

umbralizarlo para obtener una imagen binaria.
Especificar las subdivisiones en el plano .
Examinar las cuentas de las celdas
acumuladoras para las concentraciones mas
grandes de pixeles.
Examinar la relacin (principalmente por
continuidad) entre los pxeles en esas celdas.
49

Continuidad

Basado en el clculo de la distancia entre

pixeles desconectados identificados durante el
pasaje del conjunto de pixeles
correspondientes a una celda acumuladora
determinada.
una separacin en cualquier punto es
significativa si la distancia entre ese punto y su
vecino mas prximo excede un cierto umbral.

50

FIGURA 10.21
(a)

Imagen
infrarroja

(b)

Imagen
gradiente
umbralizada

(c)

Transformada
de Hough.

(d)

Pixeles unidos

Criterio de unin:
1). los pixeles pertenecen a uno de las tres celdas

acumuladoras conmayor cuenta

2). las separaciones no fueron mayores que 5 pixels

51

Umbralizacin
Imagen con un
fondo oscuro y
un objeto claro

Imagen con un
fondo oscuro y dos
objetos claros

FIGURA 10.26: Histogramas de niveles de gris que pueden ser particionados por (a) un simple
umbral, y (b) mltiples umbrales

52

Umbralizacin multinivel

un punto (x,y) pertenece

a una clase objeto si T1 < f(x,y) T2

a otra clase objeto si f(x,y) > T2
al fondo si f(x,y) T1

T depende de

solamente f(x,y) : solamente valores de nivel de gris

> Umbralizacion global
ambos f(x,y) y p(x,y) : sobre los valores de gris y su
vecindad > Umbralizacin local
53

Facil uso de umbralizacin global

Objecto y fondo estn separados

El rol de la Iluminacin
f(x,y) = i(x,y) r(x,y)

FIGURA 10.27

a). funcin reflectancia

generada con computadora

b). Histograma de la funcin
reflectancia
c). Funcin iluminacin
generada con computadora
(pobre)
d). Producto de a). y c).
e). histograma de la imagen
producto

Dificil de segmentar

54

Compensacin de la Iluminacin

compensar la no uniformidad proyectando

un patrn de iluminacin sobre una
superficie reflectiva blanca, constante.
por lo tanto,
g(x,y) = ki(x,y)
donde k es una constante que depende de
la superficie e i(x,y) es el patrn de
iluminacin
55

Compensacin de la Iluminacin

para cualquier imagen f(x,y) = i(x,y) r(x,y)

obtenida con la misma funcin iluminacin
simplemente se divide f(x,y) por g(x,y)
da una funcin normalizada h(x,y)
h(x,y) = f(x,y)/g(x,y) = r(x,y)/k
por lo tanto, podemos utilizar un simple
umbral T/k para segmentar h(x,y)
56

Umbralizacin Global Bsica

FIGURA 10.28
(a)

Imagen original

(b)

Histograma de la
imagen

(c)

Resultado de la
umbralizacin
global con T valor
medio entre los
niveles de gris
mximo y mnimo

usa T valor medio

entre los niveles de
gris mximo y
mnimo
genera imagen binaria
57

Umbralizacin Global Bsica

1.
2.

3.
4.
5.
6.

basada en la inspeccin vsual del histograma

Seleccionar una estima inicial para T.
Segmentar la imagen usando T. Esto producir dos
grupos de pixeles: G1 consistente de todos los pixeles
con niveles de gris > T y G2 consistente de pixeles con
valores de niveles de gris T
Calcular los valores de niveles de gris promedio 1 y
2 para los pixeles en las regiones G1 y G2
Calcular el nuevo valor de umbral
T = 0.5 (1 + 2)
Repetir los pasos 2 hasta 4 hasta que la diferencia en
T en iteraciones sucesivas sea mas pequea que un
parmetro predefinido To.
58

Ejemplo: Mtodo Heuristico

FIGURA 10.29
(a)

Imagen
original

(b)

Resultado de
la
segmentacin
con el umbral
estimado por
iteracin

nota: el valle claaro

del histograma y la
efectividad de la
segmentacin entre
objeto y fondo

T0 = 0
3 iteraciones con resultado T = 125

59

Umbralizacin Adaptativa
Bsica

subdivide la imagen original en pequeas

reas.
utiliza un umbral diferente para
segmentar cada una de las subimgenes.
dado que el umbral usado para cada pixel
depende de la ubicacin del pixel en
trminos de subimgenes, este tipo de
umbralizacin es adaptativa.
60

Ejemplo : Umbralizacin
Adaptativa
FIGURA 10.31
(a)

Imagen original

(b)

Resultado de la
umbralizacin
global

(c)

Imagen
subdividida en
subimgenes
individuales

(d)

Resultado de la
umbralizacin
adaptativa

61

Subdivisin posterior
a). Subimgenes segmentadas
incorrectamente y correctamente del
ejemplo previoe
b)-c). histogramas correspondientes
d). subdivisin posterior de la
subimgen segmentada
incorrectamente.
e). histograma de la subimagen
superior
f). resultado de la segmentacin
adaptativa de d).

62

Umbralizacin Global Optima y

Adaptativa
FIGURA 10.32
Funciones
densidad de
probabilidades
de nivel de gris
de las dos
regiones de una
imagen

p ( z ) = P1 p1 ( z ) + P2 p2 ( z )
P1 + P2 = 1

63

Probabilidad de clasificacin
erronea
T

E1 (T ) =

p
(
z
)
dz
2

E2 (T ) =

p
(
z
)
dz
1

E (T ) = P2 E1 (T ) + P1 E2 (T )
64

Error mnimo
Diferenciando E(T) con respecto a T (usando la regla
de Leibniz) e igualando el resultado a 0

dE (T ) d ( P2 E1 (T ) + P1 E2 (T ))
=
=0
dT
dT si P = P luego el umbral
1

ptimo est donde las curva

p1(z) y p2(z) se interceptan

Encontrar T que hace

P1 p1 (T ) = P2 p2 (T )

65

Densidad Gaussiana
Ejemplo: usar PDF = densidad Gaussiana : p1(z) y p2(z)

p( z ) = P1 p1 ( z ) + P2 p2 ( z )
P1
=
e
2 1

( z 1 ) 2
2 12

P2
+
e
2 2

( z 2 )2
2 22

donde
1 y 12 son la media y variancia de la densidad Gaussiaa de
un objeto
2 y 22 son la media y variancia de la densidad Gaussiana
del otro objeto
66

Ecuacin cuadrica
AT + BT + C = 0
2

donde
where

A =
2
1

2
2

B = 2( 1 2 )
2
2

2
1

C = + 2 2 ln( 2 P1 / 1 P2 )
2
1

T=

2
2

1 + 2
2

2
2

2
1

2
1

2
2

P2
+
ln
1 2 P1

si P1 = P2 o = 0
luego el umbral
ptimo es el
promedio de las
medias

67

Ejemplo
FIGURA 10.33
Un
angiocardiograma
antes y despus del
preprocesamiento
(Chow y Kaneko)

68

Histograma del ejemplo

FIGURA 10.34
Histogramas (puntos
negros) de (a) regin A.
y (b) regin B en la Fig.
10.33(b). (Chow y
Kaneko)

69

Ejemplo:
Contorno superpuesto
FIGURA 10.35
Angiocardiograma
mostrando los contornos
superpuestos. (Chow y
Kaneko)

70

Contorno Caracterstico por

Histograma Mejorado y
Umbralizacin Local
objeto claro sobre fondo oscuro

s ( x , y ) = +

if f < T
if f T and f 0
2

if f T and f < 0
2

Lprocesamiento local debido al gradiente de cada rea pequea

()(-,+)(0 or +)(+,-)()
todos los pixeles que no son borde se rotulan 0
todos los pixeles que estn sobre el lado oscuro del borde se
rotulan +
todos los pixeles que estn sobre el lado claro del borde se rotulan
71

Ejemplo
FIGURA 10.36
Imagen de una firma
escrita a mano
codificada utilizando
la ecuacin (10.3-16)

72

Histograma del Gradiente

FIGURA 10.38
Histograma de
pixeles con
gradientes
mayores que 5

Seleccionar T en el punto medio del valle

73

Resultado de aplicar T
FIGURA 10.37
(a)

Imagen original

(b)

Imagen segmentada
por umbralizacin local

74

Segmentacin Basada en
Regiones

Formulacin
Basica
n
(a ) Ri = R
i =1

regin conectada
(b) Ri es
is una
a connected
region, i = 1, 2 , ..., n
todo
i y j,j, i j
(c) Ri R j = para
for all
i and
parai i == 1, 2 , ..., n
(d ) P(Ri ) = TRUE for

(e) P(Ri R j ) = FALSE for

parai i j
P(Ri) es un predicado lgico apropiado definido sobre todos los puntos del conjunto R
ej. P(Ri) = TRUE si todos los pixeles en Ri tienen el mismo nivel de gris

75

Agrupamiento de Regiones

comenzar con un conjunto de puntos

semilla
agrupar agregando a cada semilla aquellos
vecinos que tienen propiedades similares
tales como rangos especificados de
niveles de gris

76

Selecciona todos los puntos semilla con nivel de gris 255

Agrupamiento de Regiones
criterios:

FIGURA 10.40
(a)

1. el valor absoluto de
(b)
las diferencias de
niveles de gris entre (c)
cualquier pixel y la
(d)
semilla debe ser
menor que 65
2. el pixel debe estar 8conectado al menos a
un pixel en esa regin
(si se une a mas de
una regin, las
regiones etn unidas)

Imagen
mostrando una
soldadura
defectuosa.
Puntos
semilla.
Resultado del
agrupamiento
de regiones.
Contornos de
las soldaduras
defectuosas
segmentadas

77

Histograma de la fig 10.40 a)

FIGURA 10.41
Histograma de la Fig.
10.40 (a)

Usado para encontrar

el criterio de la
diferencia de niveles
de gris entre cada
pixel y las semillas

78

Divisin y unin de regiones

FIGURA 10.42
(a)

Imagen
particionada

(b)

Arbol
cuaternario
correspondiente

Arbol Cuaternario
1.

Dividir en cuatro cuadrentes disjuntos cualquier regin Ri para la que

P(Ri) = FALSO
2. Unir cualquier par de regiones Rj y Rk para las que
P(Ri Rk ) = VERDADERO
3. Detener cuando no es posible realizar mas divisiones ni uniones.
79

Ejemplo
FIGURA 10.43
(a)

Imagen original

(b)

(b) Resultado
del
procedimiento
de divisin y
unin.

(c)

Resultado de
umbralizar (a)

P(Ri) = VERDAD si al menos el 80% de los pixeles en Ri

tienen la propiedad |zj-mi| 2i,
donde
zj es el nivel de gris del pixel j-esimo en Ri
mi es el nivel de gris promedio de esa regin
i es la desviacin estndar de los niveles de gris en Ri
80

Uso del movimiento en

segmentacin

FIGURA 10.49 Imgenes Diferencialees Acumuladas (ADI) de un objeto rectangular movindose en direccin
sudeste. (a) ADI Absoluto. (b) ADI positivo. (c ) ADI negativo

81

Construccin de una imagen de

referencia

FIGURA 10.50 Construccin de una imagen de referencia. (a) y (b) Dos cuadros en una
secuencia. (c ) automvil movindose hacia el este sustrado de (a) y el fondo restaurado
desde el rea correspondiente en (b). (Jain y Jain)

82

Umbralizacin basada en varias

variables (umbralizacin multiespectral)

FIGURA 10.39 (a) Imagen color original mostrando un cuadro monocromo. (b) Segmentacin de pixeles
con colores prximos a los tonos de la cara. (c ) Segmentacin de las componentes rojas

83