Resumen acerca de un software que segmente imágenes igual similar a matlab

1. PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR SEDE
IBARRA
FERNANDO PINTADO
PROCESAMIENTO DE IMAGENES
COMO CONSISTE EL PROCESO DE SEGMENTACION EN OTRA HERRAMIENTA QUE NO SEA
MATLAB.
El análisis de imágenes comprende todos los métodos y técnicas que se utilizan para extraer
información de una imagen. El primer paso para ello lo constituye la segmentación de imágenes
que se ocupa de descomponer una imagen en sus partes constituyentes, es decir, los objetos de
interés y el fondo, basándose en ciertas características locales que nos permiten distinguir un
objeto del fondo y objetos entre si. La mayoría de las imágenes están constituidas por regiones o
zonas que tienen características homogéneas (nivel de gris, textura, momentos, etc.).
Generalmente estas regiones corresponden a objetos de la imagen. La segmentación de una
imagen consiste en la división o partición de la imagen en varias zonas o regiones homogéneas y
disjuntas a partir de su contorno, su conectividad, o en términos de un conjunto de características
de los píxeles de la imagen que permitan discriminar unas regiones de otras. Los tonos de gris, la
textura, los momentos, la magnitud del gradiente, la dirección de los bordes, las modas de los
tonos de gris en ventanas 3x3, 7x7 y 15x15, etc., son características a utilizar para la segmentación.
Distinguiremos entre segmentación completa, cuando las regiones disjuntas corresponden
directamente a objetos de la imagen y segmentación parcial, cuando las regiones no se
corresponden directamente con objetos de la imagen. Para conseguir la segmentación completa
se necesita un nivel superior de conocimiento que utiliza un conocimiento específico del dominio
de la escena. Este conocimiento de nivel superior puede ser, por ejemplo, que los objetos de la
imagen corresponden a caracteres numéricos o letras de un alfabeto.
Demostración del algoritmo estándar.
La detección de bordes es un campo bien desarrollado por sí mismo en el procesamiento de
imágenes. Los límites de regiones y los bordes están estrechamente relacionados, ya que a
menudo hay un fuerte ajuste en la intensidad en los límites de las regiones. Las técnicas de
detección de bordes pueden ser usadas como otra técnica de segmentación más. Los bordes
identificados por la detección de bordes en ocasiones están desconectados. Para segmentar un
objeto a partir de una imagen, sin embargo, es necesario que los bordes formen figuras cerradas.

2. Métodos de crecimiento de regiones
El primer método de crecimiento de regiones fue el método de crecimiento de regiones a
partir de semillas. Este método toma un conjunto de semillas como entrada junto con la imagen.
Las semillas marcan cada uno de los objetos que tienen que ser segmentados. Las regiones crecen
iterativamente mediante la comparación de todos los píxeles vecinos no asignados a ninguna
región. La diferencia entre el valor de la intensidad de un pixel y el de la media de
la región, δ, se utiliza como una medida de similitud. Cada pixel se asigna a la región
con la que su diferencia con la media es menor, de esta forma todos los pixeles se asignan a sus
respectivas regiones. Este proceso continúa hasta que todos los pixeles tienen asignada una
región. El método de crecimiento de regiones por semillas requiere semillas como entrada
adicional. Los resultados de la segmentación dependen de la elección de las semillas. El ruido en la
imagen puede hacer que las semillas queden mal colocadas. El método de crecimiento de regiones
sin semillas es un algoritmo modificado que no requiere semillas explícitas. Comienza con una
única región A1 - el píxel elegido aquí no influyen significativamente en la segmentación final. En
cada iteración se considera los píxeles vecinos de la misma manera que con el algoritmo anterior.
Se diferencia del algoritmo el método de crecimiento de regiones a
partir de semillas en que si el mínimo δ es menor que un umbral predefinido T entonces se
agrega a la región respectiva Aj. Si no, entonces el píxel se considera significativamente diferente
de todas las actuales regiones Ai y se crea una nueva región An + 1 con ese píxel. Una variante de
esta técnica, propuesta por Haralick y Shapiro (1985), se basa en la intensidad de píxel. La media y
la dispersión de una región y la intensidad del píxel candidato se utiliza para calcular un test
estadístico. Si la prueba estadística es suficientemente pequeña, el píxel se añade a la región, y la
media de la región y de dispersión se vuelven a calcular. De lo contrario, el píxel es rechazado, y se
utiliza para formar una nueva región.
Método del conjunto de nivel
La propagación de curvas es una técnica popular en el análisis de imágenes para la extracción de
objetos, seguimiento de objetos, la reconstrucción en 3D, etc. La idea central de este enfoque
consiste en desarrollar una curva hacia el menor potencial de una función de coste que en su
definición refleja la tarea a la que está dirigida e impone ciertas limitaciones de suavidad. Las
técnicas de Lagrange se basan en la parametrización del contorno de acuerdo
con alguna estrategia de muestreo y luego desarrollar cada elemento de acuerdo a la imagen y sus
condiciones internas. Si bien esta técnica puede ser muy eficiente, también sufre varias
limitaciones, como decidir sobre la estrategia de muestreo, la estimación de las propiedades
geométricas internas de la curva, el cambio de su topología, abordar los problemas de
dimensiones superiores, etc. En cada caso, una ecuación en derivadas parciales llamada la
ecuación del conjunto de nivel es resuelto por diferencia finita. El método del conjunto de

3. nivel fue propuesto inicialmente para realizar un seguimiento de interfaces móviles por Osher y
Sethian en 1988 y se ha diseminado a través de varios dominios de imágenes a finales de los
noventa. Se puede utilizar para hacer frente de manera eficiente al problema de la propagación de
la curva/superficie/etc. de una manera implícita. La idea central consiste en representar la
evolución del contorno usando una función con signo, donde su nivel cero corresponde al
contorno actual. Entonces, de acuerdo a la ecuación de movimiento de las curvas de nivel, se
puede obtener fácilmente un flujo similar de la superficie implícita que cuando se aplica al nivel de
cero reflejará la propagación del contorno. El método del conjunto de nivel tiene numerosas
ventajas: es implícito, no tiene parámetros, ofrece una manera directa para estimar las
propiedades geométricas de la estructura que evoluciona, puede cambiar la topología y es
intrínseco. Además, pueden utilizarse para definir un marco de optimización como el propuesto
por Zhao, Merriman y Osher en 1996. Por lo tanto, se puede concluir que es un marco muy
conveniente para hacer frente a numerosas aplicaciones de visión artificial y análisis de imágenes
médicas. Además, la investigación en varias estructuras
de datos para representar los conjuntos de nivel ha dado lugar a implementaciones muy
eficientes de este método.
Métodos de particionamiento gráfico[editar]
Los métodos de particionamiento gráfico se pueden usar con eficacia en la segmentación de
imágenes. En estos métodos, la imagen se modela como un grafo ponderado no dirigido. Por
lo general, un pixel o un grupo de pixeles se asocian con los nodos y los pesos de las aristas
definen la similitud entre los píxeles vecinos. El gráfico (imagen) se divide de acuerdo a un criterio
de diseño para modelar "bien" los clusters. Cada una de las particiones de nodos (pixeles) da como
salida de estos algoritmos los objetos segmentados que hubiese en la imagen. Algunos algoritmos
populares de esta categoría son cortes normalizados, camino aleatorio, el mínimo corte,
particionamiento isoperimétrico y árboles de expansión mínima.