Segmentación de Imágenes Parte 2

Transcripción

1 Segmentación de Imágenes Parte 2 Visión Artificial Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas

2 Parcial - respuestas

3 Descripción del Color Tres atributos: - Brillo o luminosidad: oscuro vs claro, blanco vs negro. - Saturación: intenso vs pálido. - Matiz: rojo, naranja, amarillo, verde, azul, morado. gures/2013/08/05/subtleties-of-color-part-1-of-6/

4 Transformaciones 2D Rotación: rotación de 45 alrededor de (20,5). y x

5 Transformaciones 2D Escala: escala usando factores (2/3, 6/5). 42 y x

6 Transformaciones 2D Reflexión relativa al origen de coordenadas: (x, y) x ' = x (x ', y ' ) y ' = y P ' =F xy P [][ y ][ ] x x' y ' = y x

7 Transformaciones 2D Inclinación en dirección x: (x, y) (x ', y ' ) x ' = x+ sh x y y y'=y x P ' =H x P [][ 1 x' y' = ][ ] sh x 0 x 1 0 y y x

8 Transformaciones 2D Inclinación en la dirección x con respecto a y otras líneas (x, y) (x ', y ' ) x ' = x+ sh x ( y y ref ) y'=y x y x

9 Cámaras y Lentes Modelo de cámara estenopeica (pinhole): - Extrínsecos: ubicación de la cámara en 3D. - Intrínsecos: centro óptico y distancia focal de la cámara. matriz de cámara P= K [ R t ] extrínsecos (rotación, traslación) intrínsecos (matriz) Zhang, Z. "A Flexible New Technique for Camera Calibration." IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 22, No. 11, 2000, pp

10 Filtrado Filtro pasa-bajos en el dominio de la frecuencia: eliminar altas frecuencias en el espectro. Transformada de Fourier Transformada inversa

11 Umbralización y Binarización Binarización con múltiples umbrales: Etiquetar (o recolorear) los objetos comparando su valor de intensidad con varios valores de referencia (umbrales). { 1 g (x, y)= 0 si I ( x, y)>t 1 y I ( x, y)<t 2 si I (x, y) T 1 y I ( x, y) T 2 }

12 Morfología Matemática Combinación de operaciones morfológicas permite extraer diferentes características: - Gradiente morfológico: extracción de los bordes de la imagen. Diferencia entre la dilatación y la erosión de la imagen con el mismo elemento estructural.

13 Transformaciones 2D = =

14 Transformaciones 2D Imagen original Imagen transformada

15 Filtrado H1: realce o pasa-altos, H2: promedio o pasabajos, H3: relieve o diferencia centrada.

16 Filtrado Imagen con kernel 1 Imagen con kernel 2

17 Filtrado Imagen con kernel 1 Imagen con kernel 2

18 Segmentación Parte 2

19 Métodos de segmentación Basados en umbrales. Basados en bordes. Basados en regiones.

20 Métodos de segmentación Basados en regiones: Regiones en la imagen pueden identificarse analizando vecindarios con intensidades similares. También pueden usarse los bordes como criterios que restringen la región. Otra información, como texturas, puede utilizarse para definir las regiones de interés.

21 Métodos de segmentación Basados en bordes: - diferencias entre pixeles (intensidades). - de afuera hacia adentro. - bordes no necesariamente cerrados. Basados en regiones: - similaridades entre pixeles (intensidades). - de adentro hacia afuera. - bordes cerrados.

22 Métodos de segmentación Segmentación de bordes:

23 Métodos de segmentación Segmentación de regiones:

24 Idea: Agrupar y marcar aquellos pixeles que corresponden a un objeto. Principios: - Similaridad: diferencias, varianzas de las intensidades. - Proximidad espacial: distancia, compacidad.

25 Propiedades a cumplir: - Completitud: cada pixel pertenece a una región. - Conectividad: los pixeles de una región deben estar conectados de alguna manera. - Separabilidad: regiones deben ser disyuntas. - Satisfacibilidad: los pixeles de una región deben satisfacer una propiedad común (homogeneidad). - Segmentabilidad: regiones diferentes satisfacen propiedades diferentes.

26 Crecimiento de regiones: A partir de pixeles semilla seleccionados, pixeles vecinos van siendo agregados a la región si cumplen un criterio de homogeneidad o propiedades similares. Nivel de gris. Textura. Color. Forma.

27 Crecimiento de regiones:

28 Crecimiento de regiones:

29 Crecimiento de regiones: Las semillas pueden escogerse manual o automáticamente. Criterio de homogeneidad (medida de similaridad) es clave para obtener una buena segmentación.

30 Crecimiento de regiones: medida de similaridad: - Comparar pixeles individuales: sensible al ruido. - Comparar características del vecindario de los pixeles: Promedio de los vecinos. Desviación estándar de los vecinos. Contraste: diferencia entre valor máximo y valor mínimo menor a un valor fijado. Entropía: medida de la cantidad de información.

31 Crecimiento de regiones: Criterio de homogeneidad define dónde puede estar el borde (límite de crecimiento).

32 Crecimiento de regiones:

33 Crecimiento de regiones: Forma del vecindario: 4-vecinos 8-vecinos

34 Crecimiento de regiones:

35 Crecimiento de regiones:

36 Crecimiento de regiones:

37 Crecimiento de regiones:

38 Crecimiento de regiones:

39 Crecimiento de regiones:

40 Crecimiento de regiones:

41 Crecimiento de regiones:

42 Crecimiento de regiones:

43 Crecimiento de regiones: Criterio de homogeneidad: diferencia entre la intensidad del vecino y el promedio de la región.

44 Crecimiento de regiones: en 3D.

45 Crecimiento de regiones: Ventajas: Rápido, conceptualmente simple. Desventajas: Método local, no hay una visión global del problema. Sensible al ruido. Dependiente de las semillas y el criterio de homogeneidad.

46 Combinación de regiones: Caso extremo del crecimiento de regiones: asumir cada pixel en la imagen como una semilla. Para prevenir una cantidad excesiva de regiones diferentes, éstas se pueden combinar si cumplen con un criterio de homogeneidad. El resultado converge cuando no pueden combinarse más regiones.

47 Algoritmo de dividir y combinar: Para no iniciar con una excesiva cantidad de regiones de tamaño mínimo, se puede utilizar una estrategia de subdivisión. Separar la imagen en regiones de acuerdo a una medida de similaridad. Luego combinar regiones de acuerdo a una medida de similaridad (la misma u otra).

48 Algoritmo de dividir y combinar:

49 Algoritmo de dividir y combinar:

50 Algoritmo de dividir y combinar: dervisningsmateriale/inf f03-segmentation.pdf

51 Algoritmo de dividir y combinar:

52 Algoritmo de dividir y combinar: Quadtree! 8x x4 2x pixel

53 Watersheds: Una imagen puede verse como una superficie 3D, en donde la altura de cada punto de la superficie corresponde a la intensidad del pixel.

54 Watersheds: Sobre la superficie, pueden identificarse: - Puntos que pertenecen a un mínimo local. - Puntos que pertenecen al watershed (cuenca) de ese mínimo. - Puntos que pertenecen a líneas divisorias (líneas de cresta), desde donde hay la posibilidad de caer en varios mínimos.

55 Watersheds: Objetivo: encontrar las líneas de cresta. Cómo? A partir de los mínimos locales, la imagen empieza a inundarse con agua de manera uniforme. Cuando el agua en cuencas vecinas esté a punto de mezclarse, una presa o empalizada se construye para evitarlo. Los bordes de las empalizadas corresponden a las líneas de cresta.

56 Watersheds:

57 Watersheds:

58 Watersheds:

59 Watersheds: Algoritmo: Iniciar con los pixeles de menor intensidad. Para cada nivel de intensidad k: Para cada grupo de pixeles de intensidad k: * Si son adyacentes sólo a una región, añadirlos. * Si son adyacentes a más de una región, marcarlos como borde. * Si no, iniciar una nueva región.

60 Watersheds: Pueden ser usados en: - La imagen original. - La imagen con bordes realzados. - La transformada de distancia de la imagen. - El gradiente de la imagen.

61 Watersheds:

62 Watersheds:

63 Contornos activos (snakes): Curva deformable a partir de una formulación de minimización de energía. Restricciones y fuerzas externas empujan la curva hacia los contornos en la imagen, mientras que fuerzas internas resisten la deformación.

64 Contornos activos (snakes):

65 Contornos activos (snakes):

66 Formas activas (active shape models):

67 Modelos deformables (activos):

68 Graph cuts:

69 Referencias R.C. González, R.E. Woods. Digital Image Processing, 3rd edition. Pearson Prentice Hall, I. Bankman. Handbook of Medical Image Processing and Analysis, second edition. Academic Press, M. Nixon & A. Aguado. Feature Extraction & Image Processing for Computer Vision, third edition. Academic Press, /undervisningsmateriale/INF f03segmentation.pdf

70 Referencias OPIES/MORSE/region.pdf