Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AC S para La Segmentacion y Clasificacion deImgenesMultiespectrales MARCADO PDF
AC S para La Segmentacion y Clasificacion deImgenesMultiespectrales MARCADO PDF
net/publication/263654885
CITATIONS READS
0 278
2 authors:
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
All content following this page was uploaded by Antonio Rueda-Toicen on 05 July 2014.
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.
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.
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
Figura 4a (t=0)
Figura 3a Figura 3b
Figura 4b (t=30)
Figura 3c Figura 3d
Figura 4e
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
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
VALIDACIÓN DE CALIDAD DE
SEGMENTACIÓN
CONCLUSIONES
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