Este documento describe varios métodos para segmentar imágenes digitales, incluyendo detección de contornos, umbralización y algoritmos adaptativos. Explica cómo la segmentación es un paso clave en el reconocimiento de patrones y cómo divide una imagen en partes relacionadas con objetos del mundo real. También proporciona detalles sobre kernels comunes y cómo determinar umbrales para separar objetos del fondo.

1. Procesamiento Digital
de Imágenes 3
Profesor: Andrés Flores
1
Segmentación de Imágenes
Una vez mejorada la imagen se procede a
segmentar la imagen, lo cual permitirá que se
pueda contar con tan sólo la porción que es
de interés.
La parte o porción de la imagen de interés
puede ser p.ej:
La región de un determinado color o nivel de luz
Características del texto para un sistema OCR.
Forma de las células hepáticas.
Contornos de piezas
2
1

2. Aplicación de Visión por
Computadora
El reconocimiento estadístico de patrones
tiene, según Castleman (1996), tres
componentes:
la segmentación de la imagen,
la extracción de características y
la clasificación.
La segmentación de una imagen presenta
una gran relevancia, puesto que de la calidad
del resultado depende el desempeño de los
otros dos pasos.
3
Segmentación de Imágenes
Consiste en extraer de una imagen la
información deseada.
El objetivo es dividir la imagen en partes que
tienen una fuerte correlación con objetos o
áreas del mundo real.
Se busca en la imagen aquellas
características que definan al objeto que se
desea encontrar.
4
2

3. Propiedades
La segmentación se basa en tres
propiedades:
Similitud. Cada uno de los píxeles de un
elemento u objeto tienen valores parecidos para
alguna propiedad.
Discontinuidad. Los objetos destacan del entorno
y tienen por tanto bordes definidos.
Conectividad. Los píxeles pertenecientes al
mismo objeto tienen que ser contiguos, es decir
deben estar agrupados.
5
Algoritmos
Los diferentes algoritmos se pueden
clasificar en:
Detección de Contornos
Detección de puntos
Detección de líneas
Detección de bordes
Umbralización
6
3

4. Detección de Contornos
Se reduce la imagen inicial al contorno de los
objetos que contiene y esto se emplea para
el reconocimiento de objetos o de
características, empleando algoritmos de
mayor complejidad.
Se procede usando la convolución
bidimensional escogiendo el kernel
correspondiente
7
Detección de Puntos
Se emplea tanto para la eliminación de ruido
como para el análisis de partículas en
escenas. En general se emplea un filtrado de
máscara (kernel):
8
4

5. 9
Detección de Líneas
Las siguientes máscaras logran que se
responda fuertemente a líneas en distintas
orientaciones:
10
5

6. 11
Detección de bordes
Un borde es una frontera entre 2 propiedades
diferentes de los niveles de gris.
Normalmente se utilizan operadores similares a la
derivada.
La primera derivada es cero en todos los niveles
excepto cuando hay transiciones de niveles de gris
(donde comienzan y terminan).
La magnitud de la primera derivada dice si el pixel
está en lo oscuro (fondo) o claro (objeto). El signo
de la segunda derivada es positivo en el borde
oscuro y negativo en el claro.
12
6

7. Diversos kernels
Operador Laplaciano
Operador de Sobel
Operador de Prewitt
Operador de Marr-Hildreth
13
Operador de Sobel
Aprovechan el hecho de que si se calculan
las derivadas en dos direcciones y se
combinan como la raíz cuadrada de la suma
de cuadrados, se obtiene un resultado
independiente de la orientación.
14
7

8. La forma general de las máscaras de Sobel
para las direcciones verticales y horizontales
es:
15
16
8

9. Umbralización (Thresholding)
Se realiza para separar objetos contrastados
respecto al fondo.
Se asignan los valores superiores a un
umbral al objeto y los valores abajo del
umbral como fuera del objeto.
Este manejo del umbral se puede hacer de
manera global si el fondo está bien
contrastado y todos los objetos tienen
valores semejantes.
17
Algoritmo
Sea f(x,y) una imagen.
si f(x,y)<T entonces f(x,y)=a
si no entonces f(x,y)=b.
Donde T es el umbral (threshold), el cual
debe determinarse.
La imagen obtenida es por lo general una
imagen binaria
18
9

10. Determinación del umbral
Si la imagen tiene buen contraste el umbral
puede establecerse en función del
Histograma.
Mínimo entre máximos
Primer
Modo
Segundo
Modo
19
f(x,y)
g(x,y) 20
10

11. Umbral >100 Umbral >160 100<Umbral< 160
21
Selección Iterativa (Isodata)
El histograma es inicialmente segmentado en
dos partes utilizando un umbral inicial tal
como la mitad del máximo valor del rango
dinámico (128).
A continuación se calcula la media de los
valores asociados con cada una de las
partes en que ha quedado segmentado el
histograma m1, m2.
Utilizando esos valores se calcula un nuevo
valor umbral mediante el promedio
Ridler, T.W. and S. Calvard, Picture thresholding using an iterative selection method. IEEE 22
Trans. on Systems, Man, and Cybernetics, 1978. SMC-8(8): p. 630-632.
11

12. Selección Iterativa (Isodata)
El proceso se repite hasta que en dos pasos
consecutivos el valor umbral calculado no
cambia.
Una ecuación genérica que calcula el umbral
usando el histograma con este método sería:
23
Triangulo
Se construye una línea entre el
valor máximo del histograma
(bmax) y el valor más bajo
(bmin=(p=0)%). La distancia entre
la línea y el histograma h(b) se
calcula para todos los valores de
b, desde b=bmin hasta b=bmax.
El valor de luminosidad b0, donde
la distancia entre h(b0) y la línea
es máxima es el valor umbral
elegido (b0). Esta técnica es muy
efectiva cuando los pixels de los
objetos producen un pico suave en
el histograma.
Zack, G.W., W.E. Rogers, and S.A. Latt, Automatic Measurement of Sister Chromatid
Exchange Frequency. 1977. 25(7): p. 741-753. 24
12

13. Umbralización Adaptiva
Cuando la imagen posee una iluminación no
uniforme.
Se divide la imagen en varias partes y se
calculan varios umbrales.
25
26
13

14. Otros Algoritmos
Método de Otsu
Entropía
27
Ejemplos de Umbralización
http://micro.magnet.fsu.edu/primer/java/digital
imaging/processing/automaticthresholding/in
dex.html
28
14