Segmentación de imagen por estimación map-ml

Segmentación de Imagen por Estimación MAP-ML
Abstract
La segmentación de imagen juega un importante rol en la visión computacional y en el análisis de imágenes. En este articulo, la segmentación de imagen es formulada como un problema de etiquetado implementado bajo un framework de maximización probabilística. Para estimar la configuración de etiqueta, un esquema iterativo de optimización sepropone para así realizar la estimación Máximo a posteriori (MAP) y la Probabilidad Máxima, Máximum Likehood (PM en español, ML en ingles). El problema de estimación MAP se encuentra modelado con los campos aleatorios de Markov (CAM en español, MRFs en ingles) y un algoritmo de corte de grafo se utilizan para encontrar la solución a la estimación MAP. La estimación ML se logra al calcular lascaracterísticas de una región en un modelo Gaussiano. Nuestro algoritmo puede automáticamente segmentar una imagen en regiones con texturas relevantes o colores sin la necesidad de saber el número de regiones por adelantado. Sus resultados pueden encontrar bordes correctamente y estos son consistentes con la percepción humana. Al comparar seis algoritmos del estado del arte extensos estudios handemostrado que nuestro algoritmo se desempeña de mejor manera.
Términos de Índice: Cortes de grafos, segmentación de imagen, Campos Aleatorios de Markov, máximo a posteriori, probabilidad máxima.
Introducción
El problema de la segmentación de imágenes y agrupación visual ha recibido mucha atención desde los años tempranos de la investigación en visión computacional. Se sabe que la agrupaciónvisual, juega un importante rol en la percepción visual humana. Muchos problemas de visión computacional, como visión estereoscópica, estimación de movimiento, recuperación de imagen y reconocimiento de objetos, puede ser resuelta con resultados confiables usando segmentación. Por ejemplo, los resultados de visión estereoscópica basados en segmentación son más estables que aquellos basados enresultados fundamentados en pixeles. A pesar de que el problema de segmentación de imagen ha sido estudiado por más de 3 décadas, grandes retos siguen existiendo en esta investigación.
Trabajos Relacionados
Los algoritmos de segmentación de imagen existentes pueden ser clasificados en dos grupos: Métodos basados en contornos y en regiones. Las basadas en contornos intentan encontrar los límitesde los objetos en una imagen, mientras las basadas en regiones intentan dividir la imagen en regiones conectadas.
La idea principal de los métodos basados en contornos es comenzar con una forma limitante la cual es representada en la forma de una curva spline (ver definición), la cual se modifica iterativamente por medio de operaciones de encogimiento y expansión para minimizar la función deenergía. Estos enfoques son modelos físicos que se deforman bajo las leyes de la mecánica newtoniana, particularmente, por la teoría de la elasticidad expresada por las dinámicas de LaGrange. Muchos algoritmos basados en contornos han sido desarrollados durante las dos últimas décadas. Un problema existente en estos algoritmos es que ellos se quedan atrapados con facilidad en la mínima local (buscardefinición). Adicionalmente, necesitan que sus curvas iniciales sean configuradas manualmente con relación a los objetos de interés.
Los enfoques basados en regiones tratan de clasificar una imagen en múltiples regiones consistentes o clases. La umbralización es el método más simple de segmentación pero su desempeño deja mucho que desear. La segmentación por líneas divisorias (o por Cuencas,investigar) es uno de los enfoques de uso común mas. La transformada de Cuenca es usada usualmente para segmentar objetos en contacto. Esta encuentra valles de intensidad en una imagen si la imagen es vista como una superficie con montañas (regiones de alta intensidad) y valles (regiones de baja intensidad). Para manejar el problema sobre-segmentado se realizan operaciones morfológicas en la...