Análisis de imágenes digitales

Transcripción

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

2 INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades en una imagen y se puede definir como: 1. La estructura física característica de un objeto de acuerdo a su tamaño, forma, arreglo y proporciones de sus partes constituyentes. 2. Las variaciones pequeñas y repetitivas de los datos en escalas menores a las escalas de interés. En el ejemplo, las imágenes poseen la misma distribución de intensidades (50% blanco y 50% negro) aunque sus texturas son diferentes. 2

3 INTRODUCCIÓN El análisis de texturas se puede aplicar en dos tareas de análisis de imágenes: 1. Segmentación: identificar automáticamente las regiones de textura similares en una imagen. 2. Reconocimiento: clasificar una región de textura entre un conjunto de clases de texturas conocidas. Existen tres aproximaciones para el análisis de texturas: 1. Estructural: conjunto de texturas primitivas (patrones básicos) con una relación regular o repetitiva. 2. Estadístico: medida cuantitativa del arreglo de intensidades en una imagen con lo cual se generan vectores de patrones. 3. Modelado: técnicas que construyen modelos para texturas específicas (e.g., simulación del speckle ultrasónico). 3

4 INTRODUCCIÓN Análisis estadístico Análisis estructural con texturas primitivas R1 R5 R2 R4 R3 Matrices de coocurrencia Modelado de speckle ultrasónico 4

5 INTRODUCCIÓN La segmentación de texturas se puede realizar mediante las siguientes técnicas: Segmentación de texturas Imágenes binarias Imágenes escala de gris Patrones regulares Modelos booleanos Morfología matemática Funciones de Gabor Fractales Campos aleatorios de Markov Morfología matemática Wavelets Etc. 5

6 FUNCIONES DE GABOR Malik y Perona (1989) * propusieron un algoritmo de segmentación de texturas no supervisado basado en filtros de Gabor, el cual consta de 4 pasos básicos: 1. Descomposición multi-canal: se aplica un banco de filtros de Gabor a la imagen de entrada para realzar las diferentes texturas que se sintonicen algún filtro en particular. 2. Suavizado: se aplica un banco de filtros de Gaussianos a los canales de textura para homogeneizar regiones de textura similares. 3. Selección de características: no todos los filtros producen realce texturas, de modo que se seleccionan aquellas respuestas con mayor información de textura para reducir el espacio de características. 4. Agrupamiento: se aplica una técnica de clustering (e.g., k-means) al espacio de características reducido, de modo que se agrupen aquellos puntos que sean similares. * Perona and Malik, Preattentive texture discrimination with early vision mechanisms, J. Opt. Soc. Am. A, vol. 7, no. 5,

7 FUNCIONES DE GABOR PASO 1: DESCOMPOSICIÓN MULTI-CANAL Recordemos que en el dominio de la frecuencia, la función de Gabor está definida como la suma de dos funciones Gaussianas desplazadas a partir del origen, con frecuencia radial (u k y u k ) y orientación (θ, en el rango [0, π]) específicas, y se expresa como: H (u,v) = exp 1 2 (û u k ) 2 σ u 2 + ˆv 2 σ v 2 + exp 1 2 (û + u k ) 2 σ u 2 + ˆv 2 σ v 2 donde û = u cos(θ) + v sin(θ) y ˆv = v cos(θ) u sin(θ), 1 σ u = y σ v = 2πσ x 1 con σ x = σ y = 1 2πσ y 2u k ln2 2 2 b +1 2 b 1 donde b es el ancho de banda del filtro y la frecuencia radial (u k ) se calcula como: 1 2, 2 2, 4 2,, log 2 ( N c 4) 2 ciclos / ancho - imagen donde Nc es el ancho de la imagen. 7

8 FUNCIONES DE GABOR PASO 1: DESCOMPOSICIÓN MULTI-CANAL Imagen de entrada 0º Descomposición multicanal F F 1 135º Banco de ﬁltros con θ=45º 45º 8 90º

9 FUNCIONES DE GABOR PASO 2: SUAVIZADO Una vez que se hace la descomposición multi-canal, se realiza un suavizado Gaussiano a cada canal de textura, de modo que las regiones de textura parecidas sean más homogéneas. Las varianzas del banco de filtros Gaussianos dependen de las frecuencias radiales (u k ) del banco de filtros de Gabor, de modo que a medida que un filtro de Gabor se aleja del centro del espectro el suavizado es mayor. En el dominio de la frecuencia, el filtro Gaussiano está definido como: H (u,v) = exp u 2 + v 2 2σ 2 donde la desviación estándar se calcula como: σ = κ N c donde κ es una constante que controla el ancho del filtro. 9 u k

10 FUNCIONES DE GABOR PASO 2: SUAVIZADO Tomando como ejemplo las imágenes filtradas a 0º y κ = 1: Imágenes de Gabor Transformada de Fourier F F F F F F F Banco de filtros Gaussianos Transformada inversa de Fourier F 1 F 1 F 1 F 1 F 1 F 1 F 1 Imágenes suavizadas 10

11 FUNCIONES DE GABOR PASO 3: SELECCIÓN DE CARACTERÍSTICAS Para reducir el costo computacional del proceso de agrupamiento, se debe seleccionar un subconjunto de filtros que mejor aproxime las variaciones de textura. Entonces, sea s(x,y) la suma de todos los canales de textura y sea ŝ(x,y) la suma de un subconjunto de canales de textura, la suma de cuadrados del error (SSE) entre ambas imágenes puede medirse como: SSE = x,y [ ŝ(x,y) s(x,y) ] 2 La tasa de variación de texturas en s(x,y) dado ŝ(x,y) puede medir con el coeficiente de determinación: R = 1 SSE ST x,y donde ST = s(x,y) 2 11

12 FUNCIONES DE GABOR PASO 3: SELECCIÓN DE CARACTERÍSTICAS El subconjunto de canales de textura se obtiene mediante el siguiente algoritmo incremental: 1. Al inicio, el subconjunto de canales de textura que representará a ŝ(x,y) está vacío, entonces, se selecciona el canal de textura que más aproxime a s(x,y), es decir, aquel con el mayor valor de R, y se retira dicho canal del conjunto original. 2. Seleccionar un canal de textura a partir del conjunto original que sumado, ŝ(x,y), con todos los canales de textura existentes en el subconjunto aproxime mejor a s(x,y) y retirar dicho canal del conjunto original. 3. Repetir el paso 2 hasta que R

13 FUNCIONES DE GABOR PASO 3: SELECCIÓN DE CARACTERÍSTICAS Primero Canales de textura seleccionados s(x,y) s (x,y) 13 Último

14 FUNCIONES DE GABOR PASO 4: AGRUPAMIENTO El último paso consiste en el agrupamiento de los píxeles en un número k de grupos predefinidos que representen las diferentes texturas que se desean detectar en la imagen. Antes de realizar el agrupamiento, se debe preparar el espacio de atributos mediante los siguientes procesos: 1. Transformar cada canal de textura a un vector columna, el cual representará un atributo de un espacio d-dimensional de características te tamaño MN d, donde M y N son el ancho y el alto de la imagen y d el número canales de textura. 2. Agregar las coordenadas espaciales (x,y) de los píxeles como dos atributos adicionales que proveen información de conectividad espacial en el proceso de agrupamiento. 14 Canales de textura Espacio de atributos

15 FUNCIONES DE GABOR PASO 4: AGRUPAMIENTO 3. Normalizar en el rango [ 1,1] cada atributo del espacio de características mediante la función sigmoidal: x = 1 exp( α ) 1+ exp( α ) con α = x µ i σ i donde x es un punto perteneciente el i-ésimo atributo, µi y σi son la media y desviación estándar del i-ésimo atributo. El proceso de agrupamiento se puede realizar con el algoritmo k-means, el cual consta de cuatro pasos básicos: 1. Inicializar los centroides de los k-grupos aleatoriamente. 2. Asignar cada muestra al centroide más cercano (e.g., distancia Euclideana). 3. Calcular los nuevos centroides (medias) de los k-grupos. 4. Ir al paso 2 hasta que los centroides no cambien más de posición. 15

16 FUNCIONES DE GABOR PASO 4: AGRUPAMIENTO La salida del algoritmo k-means es un vector de etiquetas, que indica la pertenencia de cada píxel a una región de textura. Espacio de atributos Etiquetas k = 4 Imagen segmentada k-means 16

17 FUNCIONES DE GABOR Imagen original b κ Segmentación verdadera Para todos θ=45º

18 FUNCIONES DE GABOR Imagen original b θ 15º 30º 45º 90º Segmentación verdadera Para todos κ=2

19 FUNCIONES DE GABOR Segmentación de imágenes reales. Imagen segmentada Imagen original K=4 K=4 K=2 K=2 Para todos b=3, κ=2, θ=15 19

20 MORFOLOGÍA MATEMÁTICA Los operadores morfológicos de apertura y cerradura pueden ser utilizados para el análisis estructural de regiones que presentan texturas primitivas. Por ejemplo, las siguientes dos imágenes ruidosas contienen círculos oscuros de tamaños diferentes sobre un fondo claro, de modo que se desea encontrar el borde que separe ambas regiones. 20

21 MORFOLOGÍA MATEMÁTICA Procedimiento utilizando operadores morfológicos: Imagen original Apertura disco 30 píxeles Cerradura disco 60 píxeles 21 Gradiente morfológico Imagen segmentada

22 MORFOLOGÍA MATEMÁTICA La granulometría estudia la distribución de las partículas con diferentes tamaños dentro de la imagen. El análisis granulométrico puede ser realizado a través de los operadores de apertura y cerradura. La idea básica es realizar operaciones de apertura o cerradura sobre una muestra de textura individual, aumentado gradualmente el tamaño del elemento estructurante (EE). Para cada escala del EE, todos los valores de intensidad de la imagen resultante se suman para obtener su respectivo valor de granulometría. Aperturas, EE Cerraduras, EE Muestras 22

23 MORFOLOGÍA MATEMÁTICA Pasos para el entrenamiento y clasificación de texturas utilizando análisis granulométrico: 1. Seleccionar el operador morfológico (apertura o cerradura) y la forma del EE. 2. Calcular la curva granulométrica para cada muestra de textura de tamaño N N, variando el tamaño del EE desde un valor mínimo hasta un valor máximo. 3. Determinar el tamaño del EE donde todas las curvas granulométricas convergen. En ese punto, obtener los respectivos valores de granulometría para cada muestra de textura, los cuales serán utilizados como referencia, y asignarles una etiqueta diferente a cada una. 4. Aplicar el operador morfológico seleccionado a una imagen de prueba utilizando el EE con la forma seleccionada en el paso 1 cuyo tamaño fue obtenido en el paso Desplazar una ventana de tamaño N N sobre cada píxel de la imagen resultante y calcular el valor de granulometría de dentro de la ventana (i.e., sumar todos los valores de intensidad). 6. Calcular la diferencia absoluta entre el valor granulométrico del píxel y cada valor referencia de granulometría. Entonces, el píxel será asignado (o clasificado) con la etiqueta de la muestra de textura que presentó la menor diferencia de granulometría. 23

24 MORFOLOGÍA MATEMÁTICA Curvas granulométricas por cerradura con EE cuadrado Muestras de textura Convergencia (valores referencia) Imagen de prueba Diferencias absolutas Imagen segmentada 24