See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/263654885

Autómatas celulares para la segmentación y clasificación de imágenes

multiespectrales

Conference Paper · November 2013

DOI: 10.13140/2.1.5134.3687

CITATIONS READS

0 278

2 authors:

Antonio Rueda-Toicen Wuilian Torres

Central University of Venezuela 45 PUBLICATIONS   45 CITATIONS   
19 PUBLICATIONS   44 CITATIONS   
SEE PROFILE
SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Mathematical Modelling of Tumor Growth and Its Parametrization Through Medical Images View project

Computability and Causality View project

All content following this page was uploaded by Antonio Rueda-Toicen on 05 July 2014.

The user has requested enhancement of the downloaded file.

 V Jornadas Nacionales de Geomática 2013. Caracas - Venezuela

AUTÓMATAS CELULARES PARA LA SEGMENTACIÓN Y CLASIFICACIÓN

DE IMÁGENES MULTIESPECTRALES
ANTONIO RUEDA TOICEN1, WUILIAN TORRES2
1
Universidad Central de Venezuela. Escuela de Computación, Centro de Computación Gráfica. e-mail:
antonio.rueda.toicen@gmail.com
2
Fundación Instituto Ingeniería, Centro de Procesamiento Digital de Imágenes. e-mail: wtorres@fii.gob.ve
Área Temática: Temas Transversales a la Geomática

RESUMEN

Se presenta el uso de reglas de evolución de autómatas celulares deterministas para tareas de segmentación
de imágenes multiespectrales. Con configuraciones iniciales apropiadas, estas reglas de evolución exhiben
alta sensibilidad y alta especificidad en tareas de segmentación que consideren N clases de etiquetas posibles.
Estas reglas de evolución pueden aplicarse, tanto de manera supervisada como no supervisada, en una
variedad de tareas de segmentación de imágenes propias de la percepción remota.

Palabras clave: AUTÓMATA CELULAR, PROCESAMIENTO DE IMÁGENES, SEGMENTACIÓN,

CLASIFICACIÓN, PERCEPCIÓN REMOTA

CELLULAR AUTOMATA FOR MULTISPECTRAL IMAGE SEGMENTATION

AND CLASSIFICATION
ABSTRACT

The usage of deterministic cellular automata evolution rules for the segmentation of multispectral images is
presented. With appropriate initial configurations, these evolution rules exhibit high sensitivity and high
specificity in pixel-wise classification with N classes, and can be applied in a supervised or unsupervised
manner in a variety of image segmentation tasks, common in remote sensing.

Keywords: CELLULAR AUTOMATA, IMAGE PROCESSING, SEGMENTATION, CLASSIFICATION,

REMOTE SENSING

INTRODUCCIÓN también pueden considerarse variaciones probabilísticas

Un autómata celular es un modelo dinámico discreto
representado en un arreglo regular de celdas. Cada una
de estas celdas se encuentra en un estado, entre un
número finito de estados posibles, en un paso de
evolución t. El arreglo de celdas puede tener cualquier
número de dimensiones. Por cada celda del autómata, se
define un conjunto de celdas adyacentes llamado
vecindad. Un estado inicial para el autómata es
seleccionado asignando un valor escalar o una tupla de
valores para cada celda. Se actualiza el estado del
autómata generando una nueva generación de celdas en
cada paso de evolución t, de acuerdo a alguna regla fija
de evolución. Esta regla de evolución es una función
matemática que es evaluada en cada celda y determina
su nuevo estado en términos de su estado actual y los
estados de sus celdas vecinas. Típicamente, la regla de
evolución se aplica simultáneamente en todo el arreglo
de celdas y es invariable a lo largo del tiempo, aunque
a las reglas y existen además los autómatas celulares
asíncronos, con secciones de independencia temporal.
(Wolfram 2004)
Los autómatas celulares fueron primero estudiados
por John von Neumann en 1947, cuando desarrollaba
modelos de máquinas capaces de duplicarse a sí mismas
a través de una sucesión de pasos discretos. Los
primeros autómatas de Von Neumann fueron modelados
en dos dimensiones, con reglas complejas derivadas de
la interpretación finita de ecuaciones diferenciales. En la
década de 1960, Stanislaw Ulam, antiguo colaborador de
von Neumann, implementó simulaciones basadas en
autómatas celulares y observó que el uso de reglas
simples de evolución es capaz de producir
comportamientos complejos. Este fenómeno es conocido
en las ciencias físicas como emergencia: la aparición de
comportamientos complejos a partir de la interacción de
agentes con comportamiento individual simple. Ulam
destacó la relevancia de este comportamiento en los
 V Jornadas Nacionales de Geomática 2013. Caracas - Venezuela

autómatas celulares para el estudio de las ciencias función δ calcula el estado de una celda en un paso de
naturales, señalando la variedad de procesos que operan evolución t +1, en base a los estados de la vecindad de
en base a unidades elementales con estados dependientes celdas en el paso de evolución t. Los 2 sistemas de
de los estados de otros elementos que se encuentren en vecindad N más comúnmente usados son la Vecindad
su vecindad. (von Neumann 1966) Von Neumann (Figura 1) y la Vecindad Moore (Figura
Stephen Wolfram popularizó el estudio de los 2).
autómatas celulares como elementos para el modelado
de sistemas complejos a partir de la década de 1980, a
través del journal Complex Systems, son famosas sus
observaciones postulando que “cualquier sistema que
satisfaga ecuaciones diferenciales puede ser aproximado
como un autómata celular introduciendo diferencias
finitas y variables discretas.” (Wolfram 1983) Un
compendio de las investigaciones de Wolfram, acerca de
los autómatas celulares llamado “A New Kind of
Science” fue publicado en el año 2002. (Wolfram 2002)
En el 2004, Matthew Cooke, investigador de Figura 1.Vecindad Von-Neumann (“Vecindad 4”)
WolframResearch, publicó una demostración de una
conjetura original de Wolfram acerca de la capacidad de
un autómata celular unidimensional para funcionar como
máquina de cómputo universal, haciendo a este autómata
programable y capaz de calcular cualquier función
computable. (Cook 2004)
Los autómatas celulares han sido utilizados para
modelar una amplia gama de sistemas dinámicos en
diversos dominios de aplicaciones. En tareas de
procesamiento de imágenes, han sido usados para realzar
bordes y eliminar ruido (Hernández et al. 1996),
(Popoviciet al. 2000), así como para segmentar
imágenes. (Vezhnevets et al. 2005), (Kauffmann et al. Figura 2. Vecindad Moore (“Vecindad 8”)
2009), (Kim et al. 2010).
El presente trabajo continúa la línea de investigación Para tareas de segmentación de imágenes, el autómata
en autómatas celulares deterministas para segmentación tiene tantas celdas como píxeles tenga la imagen. El
de imágenes iniciada por el trabajo de Vezhnevets et al. estado de cada celda p del autómata es una tupla (lp, θp,
(Vezhnevets et al. 2005) y continuada por Kim et al. Cp), donde lp representa la etiqueta de la celda; θp
(Kim et al. 2010). Las capacidades de paralelismo representa la fuerza que posee esta etiqueta en la celda y
inherentes a los autómatas celulares dedicados al Cp representa un vector de características propias de cada
procesamiento de imágenes han sido exploradas desde el píxel, como su intensidad en nivel de gris, su vector
trabajo de Hernández et al. (Hernández et al. 96). En este RGB, o una combinación de niveles digitales.
documento se explica brevemente por qué estas (Vezhnevets et al. 2005), (Kim et al. 2010), (Rueda
características resultan particularmente relevantes y 2013).
explotables en el procesamiento de imágenes para tareas Para lograr segmentar la imagen, debe haber al menos
de percepción remota en computadores contemporáneos 2 celdas con etiquetas l distintas y fuerzas θ asignadas
y futuros. antes que el autómata empiece su evolución. Estas celdas
iniciales con etiqueta y fuerza asignadas reciben el
nombre de semillas y la calidad de la segmentación
ESTADOS Y VECINDAD EN AUTÓMATAS
obtenida depende del criterio usado para seleccionarlas.
CELULARES DETERMINISTAS
Las semillas pueden ser seleccionadas tanto de forma
manual (Vezhnevets et al. 2005), (Kim et al. 2010),
Formalmente, un autómata celular determinista está como automática (Torres y Rueda, 2013).
conformado por un conjunto de celdas, a las que se La Figuras 3a-3d muestran una segmentación usando
asocia una tripleta A = (S, N, δ), donde S es un conjunto semillas seleccionadas manualmente (Fig3b) sobre una
de estados no vacío que puede ser asignado a cada celda; foto color, con la intención de dividirla en foreground
N es el sistema de vecindad que afecta a todas las celdas (puntos de interés, en azul) y background (fondo, en
y δ: Sn → S es la regla de transición usada para generar rojo). La Figura 3c muestra el estado de las etiquetas del
una nueva generación de celdas en cada paso t. La autómata al terminar su evolución. El resultado de
 V Jornadas Nacionales de Geomática 2013. Caracas - Venezuela

segmentación obtenido a partir de estas semillas es

mostrado como una máscara. La Figura 3d muestra la
aplicación de esta máscara para segmentar la foto
original, marcando el background en gris.

Figura 4a (t=0)

Figura 3a Figura 3b

Figura 4b (t=30)

Figura 3c Figura 3d

Las Figuras 4a-4e muestran el proceso de evolución Figura 4c (t=50)

de las celdas en el autómata, a través de t pasos, para el
mismo caso de segmentación. Se usan distintas semillas
a las presentadas en la Figura 3b, demostrando la
robustez del método al arrojar un resultado de
segmentación de alta calidad de forma consistente. La
sensibilidad de la segmentación obtenida en la Figura 3d
es 0.9903 y su especificidad de 0.995. La sensibilidad de
la segmentación obtenida en la Figura 4e es 0.98 y su
especificidad de 0.99. Esta cercanía en las métricas de
calidad de segmentación demuestra la robustez del Figura 4d (t=90)
método al utilizar semillas apropiadas.

Figura 4e
 V Jornadas Nacionales de Geomática 2013. Caracas - Venezuela

Las Figuras 5a-5b muestran semillas seleccionadas de

forma automática por un algoritmo de selección no
supervisada de semillas (Torres y Rueda 2013) en una
tarea de segmentación con semillas correspondientes a
45 clases distintas de firmas espectrales. La Figura 5c
muestra el resultado final de segmentación. Es
importante destacar que la segmentación es realizada a
nivel de píxel y sólo toma en cuenta información de
nivel espectral, no considera o asume información de
forma, tamaño, o patrón topológico alguno.

Figura 5b – Semillas generadas automáticamente,

correspondientes a 45 clases de firmas espectrales
(Torres y Rueda 2013)

Figura 5a - Imagen de entrada, terrenos en Turén,

Estado Portuguesa. Imagen multiespectral, capturada por
el satélite Miranda, aquí en las bandas 1, 2 y 3.

Figura 5c – Segmentación correspondiente a 45 clases

de firmas espectrales, realizada con las cuatro bandas
capturadas por el sensor remoto.
 V Jornadas Nacionales de Geomática 2013. Caracas - Venezuela

REGLAS DE EVOLUCIÓN
A = true
El trabajo de Vezhnevets (Vezhnevets et al. 2005)
while (A)
propuso la siguiente regla de evolución para un autómata
celular determinista de segmentación de imágenes: A = false
// para cada celda
// para cada celda
for p  P
for p  P
// Copiar estado previo
// Copiar estado previo

l pt 1  l pt ; l pt 1  l pt ;

 pt 1   pt ;  pt 1   pt ;
// los vecinos atacan a la celda actual
// los vecinos atacan a la celda actual
for q  N ( p)
for q  N ( p)
   
if g (|| C p  Cq ||) 2  qt   pt if g (|| C p  Cq ||) 2   qt   pt 1

l pt 1 lqt l tp1 lqt

   
 t 1
 g (|| C p  Cq ||) 2  qt  pt 1  g (|| C p  Cq ||) 2  qt
p

end if A = true
end for end if
end for end for
end for
Algoritmo 1- Regla 1 “GrowCut” end while

Aquí, q es el índice que representa a la celda vecina de la Algoritmo 2 – Regla 2 “GrowCut Corregido”
celda p, siendo p la celda evaluada. En esta regla, g es Autómata celular que determina evolución a partir de
una función monótona decreciente acotada a [0,1] y mejores vencedores y garantiza convergencia. (Rueda
representada por 2013)
x
g ( x)  1   . El criterio de parada en el Algoritmo 2 está
max || C ||2 representado por la variable A, que se inicializa a falso
en cada paso t de la evolución del autómata, antes de
Con una apropiada selección de las semillas, la regla empezar la evaluación de celdas, esta variable toma el
GrowCut produce buenas segmentaciones a pesar que valor verdadero si al menos una celda cambia de estado
posee un error en la condición durante el paso t.
 
g (|| C p  Cq ||) 2  q   p que afecta numerosos
t t Un criterio de parada distinto consiste en detener la
evolución del autómata cuando todas las celdas han
casos de borde. Esta condición hace que la celda p tome
recibido una etiqueta. Este criterio puede producir
la etiqueta de la última celda vecina q que logre
segmentaciones iguales a las descritas en el Algoritmo 2,
vencerla. La condición debe cambiarse a
  pero esto no está garantizado y depende del
g (|| C p  Cq ||) 2   qt   pt 1 para que la celda p tome posicionamiento de las semillas. Este criterio resulta útil
la etiqueta de la celda más fuerte que logre vencerla, sin para detener el algoritmo rápidamente y su diferencia
importar el orden en que fue evaluada como vencedora. con la evolución completa, descrita en el Algoritmo 2,
Una omisión de la regla GrowCut es que no especifica tiende a ser marginal. Un tercer criterio de parada, es
un criterio de parada en la evolución de las celdas. Una detener la evolución del autómata una vez que todas las
regla de evolución de autómata celular, que corrige el celdas han recibido una etiqueta y el número de celdas
error de evaluación e incluye un criterio de que permanecen sin cambio entre los pasos de evolución
convergencia, se presenta como el Algoritmo 2. está por encima de un umbral deseado (digamos, si 95%
o 99% de las celdas permanecen sin cambio entre dos
pasos de evolución). Estas condiciones de parada,
 V Jornadas Nacionales de Geomática 2013. Caracas - Venezuela

distintas a la que aparece en el Algoritmo 2, son

heurísticas útiles para reducir el tiempo de cómputo.
Otras reglas de evolución para autómatas celulares
dedicados a tareas de segmentación de imágenes se
formulan usando información estadística y/o criterios
distintos para calcular fuerza de ataque entre celdas
vecinas (Kim et al. 2010), (Rueda 2013). Un listado de
distintas reglas de evolución y sus efectos en la
segmentación se encuentra en Segmentación de Tumores
Cerebrales en Imagenología de Resonancia Magnética
Multicanal con Autómatas Celulares Paralelizados en
GPU (Rueda 2013).
Mientras más cercana sea a 1 la sensibilidad de un
algoritmo segmentador, mayor será su capacidad de
identificar correctamente a los píxeles que
auténticamente pertenezcan a una clase. Mientras más
cercana a 1 sea la especificidad del algoritmo
segmentador, menor tendencia tendrá a asignar
erróneamente las etiquetas disponibles.

VALIDACIÓN DE CALIDAD DE
SEGMENTACIÓN

Para validar la calidad de la segmentación producida

por el algoritmo, se utilizan imágenes sintéticas en las
que se tiene conocimiento de una verdad fundamental
que indica en todo píxel si la etiqueta de pertenencia de
clase al completar la segmentación corresponde a su
verdadera etiqueta. Estas imágenes sintéticas se pueden
manipular para incluir ruido y/o los artefactos propios de
las imágenes satelitales. La Figura 6a muestra una
imagen sintética utilizada para pruebas. La verdad
fundamental es utilizada para determinar, píxel a píxel,
la correspondencia de la etiqueta asignada con un
verdadero positivo, un verdadero negativo, un falso
positivo o un falso negativo. Esta correspondencia se Figura 6a – Mapa de Voronoi, con celdas
caracteriza de la siguiente manera: correspondientes a 4 clases. En cada celda se fija una
única semilla de segmentación, marcada en azul.
- Un verdadero positivo (vp) es un píxel que es
etiquetado en la segmentación como
perteneciente a la misma clase que pertenece en
la verdad fundamental.
- Un verdadero negativo (vn) es un píxel que es
etiquetado en la segmentación como no
perteneciente a una clase a la que no pertenece
en la verdad fundamental.
- Un falso positivo (fp) es un píxel que es
etiquetado en la segmentación como
perteneciente a una clase a la que no pertenece
en la verdad fundamental.
- Un falso negativo (fn) es un píxel que es
etiquetado en la segmentación como no
perteneciente a una clase a la que pertenece en
la verdad fundamental.

El número total de píxeles correspondientes a estos

conjuntos es usado para calcular métricas de sensibilidad
y especificidad, como se señala en las ecuaciones a
continuación.
Figura 6b – Segmentación obtenida aplicando el
Algoritmo 2, sensibilidad = 1, especificidad = 0.9961
Como aparece en el ejemplo de la Figura 6b, el
algoritmo presentado exhibe alta sensibilidad y alta
especificidad en imágenes en las que se hace un

posicionamiento apropiado de las semillas de
segmentación. Este posicionamiento puede hacerse
manualmente, como se hizo en las imágenes que
aparecen en las Figuras 3, 4 y 6 o de forma no
supervisada, como aparece en la Figura 5.
GENERACIÓN SIMULTÁNEA DE MAPAS DE
FUERZA Y FRONTERAS
Una ventaja del método basado en autómatas celulares
deterministas es que, al generar las clasificaciones a
nivel de píxel para N clases, se generan simultáneamente
N mapas de fuerza. Estos mapas de fuerza indican el
nivel calculado de pertenencia de cada celda de la
imagen a su etiqueta asignada l. Resulta de particular
interés en los mapas de fuerza resaltar aquellas regiones
con menor nivel de fuerza al terminar la evolución del
autómata, ya que estas regiones corresponden
naturalmente a las fronteras entre elementos de distintas
clases.
Figura 7 – Fronteras. En este caso, el autómata
evolucionó para generar clasificaciones a nivel de píxel
para 45 clases de terreno. Aquí las celdas con menor
probabilidad de ser los terrenos clasificados se
convierten en fronteras. Las celdas marcadas en rojo son
aquellas con fuerza final inferior a 0.9 para la etiqueta de
terreno asignado.
V Jornadas Nacionales de Geomática 2013. Caracas - Venezuela
VENTAJAS DE IMPLEMENTACIÓN Y
CAPACIDADES DE PARALELISMO DE LOS
AUTÓMATAS CELULARES
A diferencia de otros métodos de segmentación de
imágenes multietiqueta, como Random Walker (Grady et
al. 2004) o aquellos basados en cortes de grafos (Rother
et al. 2004), en los autómatas celulares deterministas, el
uso de más de 2 clases de segmentación no incrementa el
tiempo de cómputo necesario para obtener el resultado.
Una ventaja importante del paralelismo inherente a los
autómatas, es que en ellos la evolución de cada celda
puede ser modelada como un hilo de cómputo
independiente. Las arquitecturas modernas de
procesadores, con múltiples núcleos, son capaces de
manejar varios millones de hilos independientes de
cómputo. Entre estas arquitecturas cabe destacar las
GPUs, graphical processing units, debido a su bajo
costo y extremadamente altas prestaciones de cómputo
paralelo. Este paralelismo resulta relevante en el manejo
de imágenes multiespectrales, típicamente constituidas
por información de varios millones de píxeles.
Un estudio detallado de la implementación de reglas
de evolución de autómatas celulares deterministas en
GPUsy un análisis comparativo contra otros métodos,se
presenta en Segmentación de Tumores Cerebrales en
Imagenología de Resonancia Magnética Multicanal con
Autómatas Celulares Paralelizados en GPU(Rueda
2013).
CONCLUSIONES
Los autómatas celulares deterministas son presentados
como una herramienta de alta relevancia para realizar
segmentaciones y clasificaciones a nivel de píxel, para N
clases, en imágenes multiespectrales, tanto de manera
supervisada como no supervisada. Adicionalmente, debe
considerarse la capacidad del método para generar
simultáneamente mapas de fuerza que permiten
visualizar las fronteras entre clases como una virtud
añadida para la producción de información cartográfica.
Las capacidades de paralelismo, inherentes a los
autómatas, son ampliamente explotables en las
arquitecturas modernas de cómputo, factor de
importancia creciente en el futuro inmediato.
REFERENCIAS
COOK, M. (2004) Universality in elementary cellular
automata, Complex Systems, vol 15(1), pp. 1-40
GRADY, L.; FUNKA-LEA, G. (2004) Multi-label image
segmentation for medical applications based on
graph-theoretic electrical potentials. ECCV
Workshops CVAMIA and MMBIA, pp. 230-245
 V Jornadas Nacionales de Geomática 2013. Caracas - Venezuela

HERNÁNDEZ G.; HERRMANN H. (1996) Cellular WOLFRAM S. (1983) Statistical mechanics of cellular
automata for elementary image processing. automata. Reviews of Modern Physics, The
Graphical Models and Image Processing, Vol 58, Institute for Advanced Study, Princeton, vol. 55,
No. 1, Enero, pp. 82-89 issue 3, pp. 7 - 63

KAUFFMANN, C; PICHE, N. (2009) Seeded ND medical WOLFRAM S. (2002) A new kind of science, Wolfram
image segmentation by cellular automaton on GPU. Media. pp. 1060-1080
International Journal of Computer Assisted
Radiology and Surgery, vol. 5, Issue 3, pp. 251-262

KIM, E.; SHEN, T; HUANG, X. (2010) A parallel cellular

automata with label priors for interactive brain
tumor segmentation. IEEE 23rd International
Symposium on Computer-Based Medical Systems
Conference Publications, pp. 232-237

MOGA, A.; GABBOUJ, M. (1996) A parallel marker based

watershed transformation. International Conference
on Image Processing ICIP96, No. II, pp. 137-140

POPOVICI, A.; POPOVICI, D. (2000) Cellular automata in

image processing. Publications of the University of
West Timisoara, Rumania, No. XV, pp. 120 - 131

RUEDA TOICEN, A. (2013) Segmentación de tumores

cerebrales en imagenología de resonancia
magnética multicanal con autómatas celulares
paralelizados en GPU. Trabajo Especial de Grado,
Universidad Central de Venezuela, Escuela de
Computación, pp. 60 - 102

ROTHER, C.; KOLMOGOROV, V.; BLAKE, A. (2004)

Grabcut – interactive foreground extraction using
iterated graph cuts. ACM SIGGRAPH 2004
Conference Proceedings, pp. 309-314

TORRES, W.; RUEDA TOICEN A. (2013) Segmentación no

supervisada de imágenes multiespectrales
utilizando autómatas celulares. V Jornadas
Nacionales de Geomática, Caracas, Venezuela

VEZHNEVETS, V.; KONOUCHINE, V. (2005) GrowCut –

interactive multi-label n-d image segmentation by
cellular automata. Proceedings of Graphicon, pp.
150–156

VON NEUMANN, J. (1966) Theory of self-reproducing

automata. University of Illinois Press, pp. 20 – 24

View publication stats