SEGMENTACIÓN

1. Survey on Image Segmentation Techniques

Segmentación: La subdivisión de una imagen en sus objetos o regiones que

tienen similares características.
Este articulo solo se concentrara en segmentación basada en bloque que se
basan en varias características que se encuentran en la imagen. Esto podría
ser información de color que se utiliza para crear histogramas, o información
sobre los píxeles que indican bordes o límites o información de textura. Los
métodos de segmentación de imágenes basada en bloques se clasifican en
dos propiedades: discontinuidad y similitud en tres grupos:
 Métodos basados en regiones: basados en discontinuidades.
 Métodos basados en bordes o límites: basados en la similitud
 Técnicas híbridas
Métodos basados en regiones: divide la imagen completa en subregiones o
grupos, por ejemplo: todos los píxeles con el mismo nivel de gris en una región.
Clustering: K-mean: divide una imagen en K grupos o clusters agregando puntos,
p, al clúster donde la diferencia entre el punto y la media es la más pequeña
Agrupación difusa: algoritmo de segmentación de imágenes basado en formas

Técnicas de segmentación de umbral agrupadas en clases:

 Las técnicas locales se basan en las propiedades locales de los píxeles y
sus vecindarios.
 Las técnicas globales segmentan una imagen sobre la base de información
obtenida globalmente (por ejemplo, mediante el uso de imágenes
histograma propiedades de textura global).
 Las técnicas de división, fusión y crecimiento utilizan tanto nociones de
homogeneidad y proximidad geométrica para obtener buenos resultados de
segmentación
C-medias difusas: algoritmo de métodos y estrategias puede mejorar el umbral de
la imagen de la teledetección segmentación con menos tiempos de iteraciones y
buena estabilidad y robustez.
Técnica de umbral:
 Técnica media: utiliza el valor medio de los píxeles como valor umbral [8].
  P-Tile Technique: uno de los primeros métodos de umbral, utiliza
conocimientos sobre el tamaño del área del objeto, basado en el gris
histograma de nivel, asume que los objetos son más brillante que el fondo y
ocupa un porcentaje fijo, conocido como P%, del área de imagen.
Aplicaciones: Apto para todos los tamaños de objetos. Ventajas: Simple y con
buenas capacidades anti-ruido.
Desventajas: No es aplicable si la relación del área del objeto es desconocida o
varía [8].
 Técnica dependiente del histograma (HDT): Depende del éxito de la
estimación del valor umbral que separa las dos regiones homogéneas del
objeto y el fondo. Aplicaciones: para imágenes con grandes regiones
homogéneas y separadas [8].
 Técnica de maximización de bordes (EMT): depende del máximo
borde, técnicas de detección de borde, umbral para iniciar la segmentación y
el rendimiento del umbral automático ‡ se vuelve mucho mejor [5, 8, 15].
Aplicaciones: para imágenes con más de una región homogénea.
Ventajas: evita la fusión entre el objeto y el fondo [8].
 Técnica visual: Forma novedosa, como P-Tile. Desventajas: no activo
cuando, en general, las técnicas de umbral son adecuadas para
aplicaciones [3]. Causa de la imagen binaria [8] y la forma de
segmentación, computacionalmente económico y rápido [3] es el
más simple y ampliamente utilizado para la segmentación de imágenes [8]. Multi
nivel umbral para segmentar imágenes complejas [3].
2. Métodos basados en bordes o límites
Las técnicas de detección de bordes transforman imágenes en imágenes de
bordes utilizando los cambios de tonos grises en las imágenes. Los bordes son el
signo de la falta de continuidad y finalización. Los objetos constan de numerosas
partes de diferentes niveles de color [9]. Los bordes son cambios locales en la
intensidad de la imagen y Los bordes se encuentran en el límite entre dos
regiones [3, 5, 9]
Tipos de bordes [9]: Como se muestra en la Fig. 4. Borde escalonado, la
intensidad de la imagen cambia abruptamente de un valor en un lado de la
discontinuidad a un valor diferente en el lado opuesto. Bordes de línea, la
intensidad de la imagen cambia abruptamente de valor pero luego regresa al valor
inicial dentro de una distancia corta. Sin embargo, los bordes de Paso y Línea son
raros en imágenes reales porque rara vez existen discontinuidades nítidas en
señales reales. Bordes de rampa realidad de Step Edge. Realidad de los bordes
del techo de los bordes de línea [9].
Pasos para la detección de bordes: 1er filtrado: filtra la información innecesaria [1]
llamada ruido, que son variaciones aleatorias en los valores de intensidad,
mientras más filtrado de ruido da como resultado una pérdida de resistencia de los
bordes [9].
2da mejora:
Facilitar la detección de bordes determinando cambios de intensidad de vecindad
de puntos [9].
Tercera detección: determina los puntos de los bordes mientras que muchos no
son puntos de los bordes en una imagen tienen un valor distinto de cero para el
gradiente [9].
Tipos de discontinuidades
En el nivel de gris se encuentran Punto, Línea y Bordes. Las máscaras espaciales
se pueden utilizar para detectar todo tipo de discontinuidades [3, 5].

2.1. Métodos de detección de bordes

Mediciones de gradiente espacial 2-D en una imagen [3, 5, 9] de la siguiente
manera [9]: 2.1.1. Detección de Roberts: El operador cruzado realiza un simple;
Rápido de calcular, los valores de los píxeles de salida del punto en cada uno son
la magnitud del gradiente espacial del punto de entrada como se muestra en la
Fig.5.
2.1.2. Detección Prewitt§: Estime la magnitud y orientación de un borde usando
las vecindades de 3x3 para ocho direcciones que se calculan y luego se
selecciona la máscara de convolución más grande como la Fig. 6.
2.1.3. Detección de Sobel: Un núcleo, 3x3, es el otro girado 90o
como en la figura 7.
La Fig. 8 muestra la comparación de las detecciones de bordes para la imagen de
ejemplo.
2.2. Enfoques del Soft Computer de detección de bordes
2.2.1. Enfoque basado en lógica difusa
Los píxeles se dividen en conjuntos difusos, es decir, cada píxel puede pertenecer
parcialmente a muchos conjuntos y regiones de la imagen, como se muestra en la
Fig. 9 [3, 5, 9, 13]. La figura 10 muestra las reglas difusas para la detección de
bordes y la vecindad de un píxel central de la imagen.
2.2.2. Enfoque de algoritmo genético
Deriva de la teoría de la evolución, consta de tres operaciones principales:
selección, cruce y mutación. GA utilizado en el reconocimiento de patrones
aplicaciones. Se consideraron las funciones de aptitud de GA difusas [9].
2.2.3. Enfoque de red neuronal
Las diferencias importantes entre las redes neuronales y otras técnicas de
inteligencia artificial son sus habilidades para aprender y generalizar. La red
"aprende" ajustando la interconexión, los pesos, entre capas, y generaliza la salida
relevante para un conjunto de datos de entrada. Las redes neuronales artificiales
(ANN) se aplican para el reconocimiento de patrones. Autoorganización de
Kohonen ** Feature Map (SOFM) † † network es una herramienta para la
agrupación en clústeres. La red neuronal consta de tres capas: capa de entrada,
capa oculta y capa de salida, como se muestra en la Fig. 11.
Una neurona tiene un normalizado entre [0-1] como entrada y salida. Cada capa
tiene (I x J), tamaño de imagen y neuronas. Cada neurona está conectada a la
neurona respectiva en la capa anterior con su vecindad de orden d como se
muestra en
2. Automatic Breast Ultrasound Image Segmentation :
La segmentación de imágenes también puede verse como un problema de
clasificación, es decir, clasificar píxeles o superpíxeles en diferentes categorías
En cuestión a la detección del cancer de mama, el problema es que existe
mucho ruido en las imágenes y es un problema a la hora de segmentar, por
ello se utilizan diferentes filtros.
Se compara las técnicas basadas en el borde con respecto a las técnicas
basadas en la región, Los que son basados en el borde tienen como objetivo
atraer la evolución de la curva al límite del objeto mediante la definición de la
fuerza o velocidad de deformación mediante el gradiente de imagen, y los
modelos dependen del gradiente de la imagen para detener la deformación de
la curva. Los que están basados en regiones, modelan las características de la
región para guiar la deformación de la curva y pueden lograr un mejor
rendimiento que los modelos basados en bordes; especialmente, si las
imágenes tienen mucho ruido y un límite de objeto débil.
4.3 DM basados en el borde frente a los basados en la región
Los DM proporcionan un marco de segmentación de imágenes flexible que
puede incorporar características de imagen de bajo nivel y diversos
conocimientos previos, como el borde, las estadísticas de la región local, la
forma y la distribución de la intensidad. Los DM se pueden clasificar en
basados en bordes [38, 41, 42, 44, 48] y basados en regiones [47, 49, 66]
según la información para construir la fuerza externa en los PDM o la función
de velocidad en los GDM. Los DM basados en bordes tienen como objetivo
atraer la curva evolutiva al límite del objeto definiendo la fuerza de deformación
o la velocidad mediante el gradiente de imagen
[42-44], y los modelos dependen del gradiente de la imagen para detener la
deformación de la curva. Los DM basados en región modelan las
características de la región para guiar la deformación de la curva y pueden
lograr un mejor rendimiento que los modelos basados en bordes
especialmente, si las imágenes tienen mucho ruido y un límite de objeto débil
6.1 Umbralización
La creación de umbrales es el enfoque de segmentación más intuitivo, simple y
rápido, y goza de la popularidad en la segmentación de imágenes de BUS.
Agrupa los píxeles de la imagen directamente en regiones utilizando un único
umbral (dos clases) o varios umbrales (varias clases) según las características
de los píxeles (por ejemplo, intensidad, color, media local, desviación estándar,
etc.) Sea este el umbral que segmenta los píxeles de la imagen en dos clases.
Cuando th es una constante en toda la imagen, el método se denomina
umbralización global; si cambia las características locales, el método es
referido como umbral adaptativo / local. El umbral global es rápido y funciona
bien cuando las distribuciones de intensidad de los objetos y el fondo son lo
suficientemente distintas; sin embargo, si el contraste del fondo del objeto es
bajo, la imagen es ruidosa y / o la iluminación varía en la imagen, el umbral
global no puede lograr un buen rendimiento. Sin embargo, el umbral global se
utiliza a menudo como un paso de pre segmentación en la segmentación de
imágenes de BUS. Hay tres enfoques principales para seleccionar el umbral
global. El primer enfoque consiste en elegir un valor empírico como umbral
para todo el conjunto de datos [109-111]; el segundo enfoque es seleccionar el
umbral para cada imagen basándose en reglas relacionadas con el dominio
[112, 113]; y el tercero es generar el umbral automáticamente basándose en la
teoría de la decisión estadística [22, 114, 115]
3. A survey of graph theoretical approaches to image segmentation
Segmentación: Se refiere a dividir una imagen en varios subconjuntos de tal
manera que cada subconjunto corresponde a una parte significativa de la
imagen. Dentro de la teoría de grafos, se divide en grafos, y asimismo los
grafos en subgrafos donde cada subgrafo o subgrupos tienes características
similares.
Existen Métodos de detección temprana de bordes como el detector de bordes
Robert, el detector de bordes Sobel y los detectores de bordes canny que se
basan en los cambios abruptos en intensidad o color de la imagen. Debido a
las características distinguibles de los objetos y el fondo, una gran cantidad de
umbrales
Se han propuesto métodos basados en separar los objetos del fondo. En las
ecuaciones diferenciales parciales, la segmentación de una imagen dada se
calcula evolucionando curvas paramétricas en el continuo espacio tal que una
energía funcional se minimiza para un deseable segmentación.
La división y fusión de regiones es otra categoría de métodos de
segmentación, donde la segmentación es realizado de manera iterativa hasta
que se apliquen algunos criterios de uniformidad.
Este artículo proporciona una revisión sistemática de la teoría de gráficos
técnicas y las distingue agrupándolas ampliamente en cinco categorías.
 4. A Survey: Image Segmentation Techniques
La segmentación de imágenes se utiliza para diferenciar diferentes objetos en
la imagen, ya que nuestra imagen se divide en primer plano y fondo, mientras
que el primer plano de la imagen es relacionados con la región de interés, y el
fondo es el resto de la imagen. Por lo tanto, la segmentación de imágenes
separará estos dos partes una de la otra.
En las técnicas siguientes, se habla de las novedades que existen o
aportaciones de cada una de ellas
A. Segmentación de imágenes basada en bordes
B. Fuzzy Theory Based Image Segmentation
C. Partial Differential Equation (PDE) Based Image Segmentation
D. Artificial Neural Network (ANN) Based Image Segmentation
E. Threshold Based Image Segmentation
F. Region Based Image Segmentation

En este artículo, discutimos y evaluamos las principales técnicas de segmentación

de imágenes utilizadas para el análisis de imágenes. Se encuentra que no existe
un método perfecto para la segmentación de imágenes porque el resultado de la
segmentación de imágenes depende de muchos factores, es decir, el color del
píxel, la textura, la intensidad, la similitud de las imágenes, el contenido de la
imagen y el dominio del problema. Por lo tanto, no es posible considerar un solo
método para todo tipo de imágenes ni todos los métodos pueden funcionar bien
para un tipo particular de imagen. Por lo tanto, es bueno usar una solución híbrida
que consta de múltiples métodos para el problema de segmentación de imágenes.
5. Multi-Atlas Segmentation of Biomedical Images: A Survey
Este artículo presenta una encuesta de publicaciones MAS Algoritmos y estudios que
han aplicado estos métodos a diversos problemas biomédicos.
La segmentación es uno de los problemas fundamentales en análisis biomédico de
imágenes y se refiere al proceso de etiquetado de píxeles o vóxeles de imágenes con
elementos biológicamente significativos, como estructuras anatómicas y tipos de
tejido.
Los algoritmos de segmentación automáticos o semiautomáticos pueden abordar
estos desafíos, acelerando el proceso, reduciendo el costo y ofreciendo confiabilidad,
repetibilidad y escalabilidad.
Algunos algoritmos de segmentación, como los que asignan vóxeles a tipos de tejido
(Kapur et al., 1996), pueden no requerir la disponibilidad de datos de entrenamiento en
forma de imágenes delineadas manualmente (comúnmente llamadas “atlas”)
6. Survey of automated multiple sclerosis lesion segmentation techniques on
magnetic resonance imaging

7. Segmentation of Images by Color Features: A Survey

La segmentación de imágenes se define como la unión de conjuntos que contienen las
coordenadas de píxeles con una característica específica.
Es decir, la segmentación consiste en agrupar los píxeles según características
específicas del objeto a reconocer; como textura, forma, color, entre otros [172]. La
segmentación de imágenes por características de color se ha abordado o estudiado
recientemente. Los algoritmos para la segmentación de imágenes en color se han
desarrollado porque las características de color pueden proporcionar datos relevantes
sobre los objetos dentro de la imagen
Para el procesamiento del color, es importante seleccionar una representación
matemática adecuada del color, de modo que todas las características del color se
puedan procesar de forma independiente; básicamente, las características más
importantes del color son la intensidad y la cromaticidad [49]. Hay diferentes espacios
de color para representar el color; la selección de un espacio de color depende de sus
características, la forma en que se contempla el procesamiento del color y la
naturaleza del método empleado para el procesamiento del color. Por ejemplo, el
espacio de color RGB es adecuado para la visualización de imágenes o de colores,
por ejemplo, se emplea ampliamente para sistemas de televisión y adquisición de
imágenes; pero no para el procesamiento del color, porque la intensidad no está
desacoplada de la cromaticidad, en otras palabras, hay una alta correlación entre los
componentes R, G y B.
Se han propuesto muchas técnicas de segmentación del color de la imagen; ellos se
pueden clasificar en los siguientes métodos: detección de bordes, umbral, umbral de
histograma, región, agrupación de características y métodos basados en redes
neuronales.
Detección de bordes
Se han utilizado detectores de bordes para encontrar discontinuidades de brillo en
imágenes. Un borde es un límite entre dos píxeles con valores de brillo
significativamente diferentes. Esta variación generalmente ocurre porque un borde
generalmente representa un límite físico entre dos objetos que tienen diferentes
intensidades. Una segmentación exitosa basada en bordes se debe a tres pasos
clave: Detectar bordes, eliminar bordes irrelevantes y conectar o agrupar
Las principales desventajas de la segmentación basada en bordes son que la técnica
es más sensible al ruido que otras técnicas y el rendimiento de estas técnicas no es
apropiado para imágenes en las que los bordes están mal definidos o hay muchos
bordes.
Algoritmos genéticos
Redes neuronales

Umbral
La mayoría de las técnicas de segmentación de imágenes que se encuentran en la
literatura son para imágenes binarias o grises; sin embargo, existen muy pocas
técnicas de umbral de segmentación en imágenes en color. En esta subsección
mostramos las técnicas básicas de umbral: umbral global, umbral adaptativo, método
Otsu y las investigaciones más importantes en este campo.
 Umbral global
El umbral de intensidad es la idea más básica en la segmentación; esta técnica
se puede considerar como una forma extrema de cuantificación del nivel de
gris.
El umbral crea una imagen binaria b (x, y) a partir de una imagen I (x, y) de
acuerdo con un criterio simple

(poner las formulas)

donde δ es el umbral. Esta técnica se define como umbral global.

El umbral global es una técnica de segmentación rápida con bajo costo
computacional. En el caso de la segmentación de color, la regla de umbral se
convierte en:

(poner las formulas)

 Umbral adaptativo
Una preocupación importante en la técnica del umbral global es establecer el
umbral a un adecuadamente nivel. Por lo general, estos niveles se eligen
manualmente mediante ensayo y error. Sin embargo, muchas tareas de
procesamiento de imágenes requieren una automatización completa y, a
menudo, existe la necesidad de algún criterio para seleccionar un umbral
 automáticamente. Sonka [152] da detalles de un método adaptativo para el
umbral automático.

 Método de otsu

8. Survey of denoising and segmentation techniques for MRI images of prostate for
improving diagnostic tools in medical applications

La segmentación divide las imágenes en varios segmentos y extrae el deseado sobre el

que se realiza el análisis posterior con precisión. Esta sección describe tres enfoques de
segmentación, es decir basado en contornos y formas, basado en aprendizaje profundo e
híbrido.

9. Evolution of Image Segmentation using Deep Convolutional Neural Network: A

Survey

la segmentación de imágenes es una forma de segregar una imagen digital en múltiples

regiones de acuerdo con las diferentes propiedades de los píxeles.
Básicamente, la segmentación de imágenes puede ser de dos tipos: segmentación
semántica y segmentación de instancias. La versión combinada de estas dos tareas
básicas se conoce como segmentación panóptica.
Las redes neuronales convolucionales (CNN) han influido enormemente en el campo de la
segmentación y nos han proporcionado varios modelos exitosos hasta la fecha. En este
estudio, vamos a echar un vistazo a la evolución del trabajo semántico y de segmentación
de instancias basado en CNN.
segmentación semántica:
La segmentación semántica describe el proceso de asociar cada píxel de una imagen con
una etiqueta de clase.

Segmentación de instancias:
A diferencia de la segmentación semántica, la segmentación de instancias enmascara
cada instancia de un objeto contenido en una imagen de forma independiente.
Segmentación panóptica:
es la combinación de semántica segmentación y segmentación de instancias. En esta
tarea, necesitamos asociar todos los píxeles de la imagen con una etiqueta semántica
para la clasificación y también identificar las instancias de una clase en particular. El
resultado de una segmentación panóptica es un modelo que contendrá dos canales: uno
para la etiqueta del píxel (segmentación semántica) y otro para predecir cada instancia de
píxel (segmentación de instancias).
La segmentación de imágenes es un trabajo desafiante ya que necesita características
espaciales variantes para preservar el contexto de un píxel para el etiquetado semántico.
La segmentación semántica categoriza cada píxel con una etiqueta semántica, mientras
que la segmentación de instancias segmenta instancias individuales de objetos contenido
en una imagen.
La segmentación es el procedimiento de asignación de un valor a cada píxel que conforma
una imagen, formando grupos de pixeles con el mismo valor. En otras palabras, la
segmentación es una clasificación multiclase donde cada clase tiene características o
propiedades específicas de la imagen a examinar.
El procesamiento digital de imágenes comprende varios métodos y técnicas que
son utilizadas para extraer información de una imagen. El primer paso lo
constituye la segmentación de imágenes que permite descomponer una imagen
en sus partes constituyentes, es decir, los objetos que son de interés y el fondo.
Para ello se basa en ciertas características locales que permiten distinguir un
objeto de otro, simplificando la representación de una imagen.
La segmentación se basa en los siguientes principios:
 Similitud: Cada uno de los pixeles de un elemento tiene valores parecidos
con respecto a alguna propiedad determinada.
 Discontinuidad: Los objetos y mas concretamente las regiones que los
diferencian destacan del entorno y tienen por tanto unos bordes definidos.
 Conectividad: los pixeles pertenecientes al mismo objeto o región tienen
que ser contiguos, es decir, tienden a agruparse constituyendo regiones
homogéneas.
La segmentación se puede representar de dos maneras: segmentación semántica y
segmentación de instancias.
Donde la segmentación semántica va a clasificar varios objetos en un mismo grupo, esta
es la aplicación de la definición principal de segmentación. Mientras que la segmentación
de instancias va a clasificar como diferentes objetos a varios grupos con las mismas
características,

Segmentación semántica segmentación por instancias

La segmentación panóptica es la unión de la segmentación semántica y la segmentación de

instancias.
El resultado de una segmentación panóptica es un nuevo modelo que tendrá las
peculiaridades de los dos modelos anteriores, la etiqueta del píxel (segmentación
semántica) y la predicción para cada instancia de píxel (segmentación de instancias).
A lo largo de las últimas décadas se han desarrollado diversas técnicas de
segmentación, en el cuadro siguiente se describen las técnicas de segmentación
más elementales.

Basados en bordes o limites

Basados en encontrar la orilla de dos regiones.
Detección de bordes:
El borde en una imagen es una considerable diferencia de intensidad entre dos pixeles,
una variación significativa en la similitud del valor de estos pixeles. Por lo tanto, las
técnicas de detección de bordes encuentran discontinuidades de color o cambios abruptos
de brillo en ciertas regiones de la imagen.
Una segmentación exitosa basada en bordes se debe a tres pasos clave: Detectar
bordes, eliminar bordes irrelevantes y conectar o agrupar [artículo del doctor farid]
Las desventajas de estas técnicas de segmentación son:

 Técnica sensible al ruido.

  La técnica no es apropiada si el borde de la imagen está mal definido. El rendimiento no
es óptimo.
 Existen errores considerables en la segmentación, si existen muchos bordes en la imagen.

Algoritmos genéticos:

Redes neuronales:
Las redes neuronales artificiales (ANN) son un modelo donde simulan el comportamiento
de las redes neuronales biológicas que existen en el cerebro del ser humano, su objetivo es
el de resolver problemas mediante el flujo de información y el ajuste de valores que
suceden en los enlaces de estas neuronas.
La red neuronal artificial está constituida de tres capas: capa de entrada, capa(s) oculta(s)
y capa de salida.
Una de las ventajas de este modelo, es el alto grado de paralelismo que permite reducir el
tiempo computacional de solución de un problema. Este modelo aprende y corrige su error
mediante una técnica llamada propagación hacia atrás.
Basados en regiones.
Basados en encontrar regiones o subregiones donde existe una constante en esa parte de la
imagen.
K-means
K-means es un método de agrupamiento, que tiene como objetivo la partición de
un conjunto de n elementos en k grupos en el que cada elemento pertenece al
grupo más cercano a la media calculada. Es generalmente un método utilizado en
minería de datos para calcular la distribución de un conjunto de elementos que se
tenga, en base a las distancias de cada elemento al número de centroides que se
tengan.
El algoritmo que se utilizara está basado en los pasos aquí mostrados.
 Se eligen k-puntos como centroides, de los que existan en nuestra imagen
para comenzar a agrupar los datos que se tienen.
 Se calcula la distancia de todos los elementos, con respecto al número de
centroides que se tenga, generalmente esta distancia es calculada
haciendo uso de distancias euclidianas y agregando el punto al centroide
con la distancia más corta.
 Una vez obtenido el grupo de puntos por cada centroide, se calcula la
media por cada punto y se obtiene la posición del nuevo centroide.
 Este proceso se realiza hasta que no existan cambios en los centros.
Región:
En estos métodos, los píxeles se agrupan en regiones más grandes según su similitud de
acuerdo con criterios de similitud predefinidos y considerando las relaciones espaciales de
adyacencia entre píxeles. Ejemplos simples de criterios de similitud podrían ser [151 y el
del doctor farid]:
1. La diferencia de intensidad absoluta entre un píxel candidato y el píxel inicial debe
estar dentro de un rango especificado;
2. La diferencia de intensidad absoluta entre un píxel candidato y la intensidad media
de funcionamiento de la región de cultivo debe estar dentro de un rango
especificado;
3. La diferencia entre la desviación estándar en intensidad sobre una vecindad local
específica del píxel candidato y la de una vecindad local del píxel candidato debe (o
no debe) exceder un cierto umbral, este es un criterio básico de rugosidad /
suavidad.
Umbral: (se tienen 3 subsecciones de esta sección)
Umbralización global
Se define como umbralización o tresholding a una técnica de segmentación rápida
de coste computacional bajo. La obtención del umbral está considerado bajo
diversos criterios, ya que puede ser manejado por el mismo usuario, donde se
establece un punto de umbralizacion o se obtiene de forma automática. Para
obtener el umbral de manera automática es posible hacerlo de dos formas,
encontrando el umbral con la suma del pixel con la intensidad más alta con el pixel
de intensidad más baja y dividirlo entre dos, como se muestra en la ecuación 1. El
otro modo es mediante la normalización del histograma de una imagen I de
tamaño MxN , esta técnica es sencilla porque al obtener el histograma
normalizado, que como bien se sabe es la sumatoria de las probabilidades de
existencia de cada pixel, no considera información espacial sino solamente la
distribución de grises en la imagen, la ecuación 2 muestra cómo obtener el
histograma normalizado.
Umbral de histogramas:
Agrupación de características:

Con el análisis de las principales técnicas de segmentación y su respectiva clasificación,

entendemos que no hay una técnica perfecta para la segmentación de imágenes, cada
imagen es individual y cuenta con sus propias características. Por esta razón no se puede
generalizar un solo método, en la mayoría de los casos, el resultado de una buena
segmentación será la combinación de varias técnicas. Teniendo en cuenta lo anterior, los
algoritmos de segmentación automática pueden dar mejores resultados reduciendo el costo
y acelerando el proceso.