Análisis de imágenes digitales

Transcripción

1 Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en color

2 INTRODUCCIÓN La segmentación de imágenes a color se puede realizar mediante técnicas de clasificación supervisada. Para clasificar un píxel se necesita: (a) información a priori sobre los colores que se desean detectar (clases) y (b) características cromáticas apropiadas para separar los píxeles en una clase u otra. Existen diversas dificultades para la detección automática de color, ya que existen variaciones en las tonalidades del color que se desea detectar originadas por la iluminación ambiental y el sensor de la cámara. Es posible extraer información suficiente a partir de modelos probabilísticos para realizar la detección de color. Luz flourecente Imagen a la sombra Luz incandescente Luz de sol 2

3 INTRODUCCIÓN Recordemos que existen dos propiedades de la luz representadas por los espacios de color: 1. Luminancia: medida de la cantidad de fotones capturados por el sensor de la cámara, i.e., energía de la fuente luminosa. 2. Crominancia: información sobre la composición espectral de la luz reflejada por los objetos. La transformación entre espacios de color puede resaltar características específicas de una característica particular del color y, por tanto, mejorar la detección de color x = [ x 1, x 2, x 3 ] Cada píxel está definido por un vector con la información de luminancia y crominancia 3

4 INTRODUCCIÓN Espacio de color aditivo: RGB y RGB normalizado Espacios de color comúnmente usados en la detección de color Espacio de color perceptual: HSV Espacio de color ortogonal: YCbCr y CIE L*a*b* Para construir un modelo probabilístico robusto a las variaciones de iluminación se suele remover la información de luminancia y únicamente utilizar los canales cromáticos, e.g., RGB YCbCr CbCr. RGB YCbCr 4 CbCr

5 Para determinar la probabilidad de que un píxel pertenezca a un color específico se utiliza la probabilidad condicional basada en un clasificador Bayesiano: P ( c x) = P ( x c )P ( c) P x donde P(c) es la probabilidad a priori de un color deseado c, P(c x) es la probabilidad a posteriori del color c dado el valor de un píxel x; P(x) es la probabilidad marginal de x; y P(x c) es la probabilidad condicional de la clase de x dado c. Asumiendo que las probabilidades de cada color son equiprobables, la regla de decisión Bayesiana indica que un píxel arbitrario x es asignado a un color ci si: 5 ( ) P ( x c ) i > P ( x c j ), i j

6 MODELO PROBABILÍSTICO Se requiere información a priori del color que se desea detectar en un espacio color específico, de modo que una muestra del color está definida por el vector x = [x1,x2,x3], donde cada elemento indica el valor de una componente cromática. Por ejemplo, considerando el espacio CbCr (sin canal Y), un píxel de color se representa como x = [xcb,xcr], de modo que la probabilidad de que xcb y xcr ocurran simultáneamente se describe mediante su distribución conjunta. Supóngase que se quieren detectar cuatro colores mapeados al espacio CbCr, se debe conocer a priori su función de densidad de probabilidad (PDF) conjunta: x = [x Cb,x Cr ] 6 Probabilidad RGB Cb Cr

7 Para modelar la distribución de cada color, la función Gaussiana es comúnmente utilizada, la cual se define como: P ( x c i ) = 1 (2π ) l 2 Σ exp i 2 (x µ i ) T Σ 1 i (x µ i ), i = 1,2,,k donde µi es el vector de medias del color c i, Σ i es la matriz de covarianza de tamaño l l (l es el número de componente cromáticas), Σ i denota el determinante de Σ i, y Σ i 1 indica inversa de Σ i. P ( x c i ) Cb Cb Cr Cb Cr 7 Cr

8 Algoritmo general para la detección de color: Muestras del color RGB deseado Conversión a un espacio de color ortogonal Eliminar componente de luminancia Calcular µ y Σ Genera el modelo de color (entrenamiento) Clasificación de cada píxel de la imagen Imagen en RGB Conversión a un espacio de color ortogonal Eliminar componente de luminancia Evaluar modelo probabilístico Imagen segmentada Umbralado 8

9 Imagen a color Probabilidad en espacio CbCr Umbralado y etiquetado Imagen segmentada con pseudocolor 9

10 Segmentación usando diferentes espacios de color: RGB HSV HS L*a*b* a*b* YCbCr CbCr 10

11 Una aplicación común es la detección de piel humana, lo cual puede ser un primer paso en un método para detectar e identificar el rostro de una persona. Cada píxel de la imagen es clasificado como piel o no-piel a partir de la información de la componente de crominancia de píxeles de entrenamiento de color piel en un espacio de color definido. 1. Imagen de entrada 2. Imagen de probabilidad 3. Umbralado y eliminación de regiones 4. Template matching 5. Detección de rostros 11

12 Muestras de color piel Distribución conjunta de las componentes de crominancia CbCr HS RB Caucásico Todas las razas Asiático Caucásico Africano Asiático Modelo probabilístico f P(x c) Africano Cb Cb Cr Cr 12

13 Imagen de entrada Modelo probabilístico Cb Cr Imagen de probabilidad Piel detectada 13