7. Imágenes resultado

Transcripción

1 7. Imágenes resultado A continuación presentamos las imágenes resultado de la aplicación de nuestro algoritmo de segmentación. En cada secuencia de imágenes, se presenta en primer lugar la imagen sin segmentar y a continuación, las imágenes resultado de la aplicación de nuestro algoritmo. Seguidamente se presenta una tabla donde se señala los umbrales utilizados durante el proceso, tanto para la elección de las semillas iniciales (Umbral1) como para la fusión (Umbral2) que serán los dos determinantes en la eficiencia de la segmentación. También se indica el submuestreo realizado a la imagen para que su procesamiento tenga un menor coste computacional. En todos los casos que hay submuestreo se ha utilizado 1:2 lo que quiere decir que se ha tomado uno de cada dos píxeles de la imagen. Por último se muestra el resultado de la cuantificación objetiva de la calidad. En la mayoría de las ocasiones, los umbrales propuestos en nuestra guía (Umbral1=0.05, Umbral2=0.01) [1] serán los que mejor resultado den. En cambio en otras ocasiones, variando un poco los umbrales obtendremos mejores resultados. ImagenA ImagenA1 ImagenB ImagenB1 ImagenC ImagenC1 25

2 7. imágenes resultado Imagen D Imagen D1 Imagen E Imagen E1 Imagen F Imagen G Imagen F1 Imagen G1 Imagen H Imagen G2 Imagen H1 26

3 ImagenI ImagenI1 ImagenJ ImagenJ1 ImagenK ImagenK1 ImagenL ImagenL1 ImagenM 27 ImagenM1

4 ImagenN ImagenN1 ImagenN2 ImagenN3 ImagenÑ ImagenÑ1 A continuación haremos un estudio más detallado de los umbrales sobre la foto O. En la página 32 se puede observar la variación de los umbrales para cada una de las imágenes resultado. Desde O1 hasta O12 mantenemos el Umbral2 en su valor estándar variando el Umbral1 y desde O13 a O22 mantenemos fijo el Umbral1 en su valor estándar variando el Umbral2. 28

5 ImagenO ImagenO1 ImagenO2 ImagenO3 ImagenO4 ImagenO5 ImagenO6 ImagenO7 ImagenO8 ImagenO9 ImagenO10 ImagenO11 ImagenO12 ImagenO13 ImagenO14 29

6 ImagenO15 ImagenO16 ImagenO17 ImagenO18 ImagenO19 ImagenO20 ImagenO21 ImagenO22 Ahora comentaremos los resultados experimentales con un mayor detalle. En cada una de las fotos procesadas se detallan los umbrales usados tanto para la selección de semillas iniciales (que será determinante para el resultado de la segmentación) detallado como Umbral1, así como para el proceso de merging, detallado como Umbral2. Las imágenes resultado que se muestran son las que han dado un mejor resultado variando en la medida de lo posible los umbrales comentados. Dado que el tiempo que emplea Matlab en procesar una imagen es muy elevado, el número de pruebas y variaciones no ha podido ser muy amplio. Como solución, algunas de las imágenes más grandes han tenido que ser submuestreadas para quedarnos con uno de cada dos píxeles de la imagen. En el caso de que haya muestreo, lo hemos detallado para cada imagen. Los valores estándares para los umbrales y que se nos proponen en [1] son 0.05 y 0.1 para Umbral1 y Umbral2 respectivamente. Como podemos observar en la lista de imágenes, la 30

7 mayoría de ellos conservan estos valores pues claramente ofrecen el mejor resultado de segmentación como es el caso de la sandía, las fresas, el pez Nemo o las letras. En cambio, en otras imágenes como la rosa, las bolas de billar o el perro, al utilizar los umbrales estándares el resultado de la segmentación fundía regiones o no las identificaba para dar como resultado una segmentación donde zonas claramente diferenciadas de la imagen no se detectaban. El mayor tiempo de procesamiento, lo hemos empleado en el caso del aguacate, donde se hace un estudio de variación de los dos umbrales manteniendo uno siempre en su valor estándar. En primer lugar empezamos variando el Umbral1 manteniendo el Umbral2 en su valor estándar 0.1. Como podemos observar, empezamos utilizando 0.02 de Umbral1, lo que quiere decir que las condiciones a cumplir en el Paso 2 del desarrollo del algoritmo, son mucho más exigentes para poder clasificar un píxel como semilla, por tanto, el número de regiones será menor en el resultado final. A medida que aumentamos este umbral, se van diferenciando más regiones hasta llegar al umbral estándar donde encontramos el mejor resultado visualmente (véase la última imagen sin muestrear). A partir de aquí, seguimos aumentando el Umbral1 por encima de su valor estándar y por tanto seleccionando como semilla un número mayor de píxeles. Intuitivamente podríamos pensar que al aumentar el número de semillas aumentará el número de regiones de forma notable, en cambio, si observamos los resultados, cada vez encontramos un número menor de regiones lo que se debe a dos posibles razones: en primer lugar, los píxeles contiguos clasificados como semilla componen una región inicial; si muchos de los pixeles cumplen esta condición, la región será mayor; por otro lado y como segunda razón, si tenemos muchas regiones pequeñas y muy parecidas, el proceso de fusión las unirá poco a poco hasta obtener un resultado subsegmentado. A continuación, hemos estudiado, manteniendo el Umbral1 en su valor estándar, cómo afecta a la segmentación variar el Umbral2 (hace referencia a la distancia Euclídea entre regiones). Intuitivamente, cuanto mayor sea este umbral, mayor es la diferencia permisible para fusionar dos regiones en una; Partiendo de un valor inferior al Umbral2, vemos que el resultado no cambia notablemente hasta que nos acercamos al Umbral2 estándar (0.1); una vez que superamos este umbral, el proceso de fusión hace más efecto y son más las regiones que se fusionan. Con objeto de evaluar de forma cuantitativa la calidad de los resultados obtenidos, recurrimos a la función de evaluación (10) propuesta por Liu y Yang en [2]. Los criterios en los que se basa la función son tres: 1. Las regiones han de ser uniformes y homogéneas. 2. Los interiores de las regiones deben de ser simples, sin muchos agujeros pequeños. 31

8 3. Las regiones adyacentes deben presentar valores significativamente diferentes. La ecuación (10) está compuesta por 3 términos. El primero de ellos es una normalización que tiene en cuenta el tamaño de la imagen; El segundo, R, penaliza la segmentación que se componga de muchas regiones; el último término, la suma, penaliza la segmentación que haya tenido como resultado regiones no homogéneas. Como el valor del parámetro de error de color e i es significativamente mayor para regiones grandes que para pequeñas, se escala con el factor A i. A continuación presentamos la tabla con los resultados de evaluar la función de cuantificación (10) sobre las imágenes segmentadas: 32

9 A menor valor de la función F, el resultado cuantitativo de la segmentación será mejor. Podemos comprobar entonces, que no siempre el resultado visual, coincide con el cuantitativo; Claramente, la segmentación del aguacate en O22 parece mejor que todos los anteriores, sin embargo el mejor resultado cuantitativo lo ofrece O19 (Umbral1=0.05 y Umbral2=0.2). En cambio, en las imágenes de la cara (Imágenes O) los umbrales estándar dan el valor de F menor y el resultado visual es claramente el mejor. 33