Frontera optima

VISIÓN POR COMPUTADOR

TÉCNICAS DE SEGMENTACIÓN I

Dr. J. RAMIRO MARTINEZ DE DIOS
MASTER EN Automática, Robótica y Telemática

Técnicas de Segmentación

• Introducción
• Segmentación mediante umbralización
• Técnicas basadas en frontera
• Segmentación basada en regiones

Introducción
• Dividir una imagen en zonas o regiones con atributos
similares (intensidad, textura,movimiento)
• Esencial en cualquier esquema de análisis de imagen
– bajo nivel
– alto nivel
Adquisición
Preprocesamiento
Segmentación
Descripción de objetos
Reconocimiento de objetos
Interpretación

Introducción
• Clasificación general:
– Técnicas basadas en frontera
Objetivo: resaltar fronteras del objeto a segmentar
Ventajas: simplicidad una vez encontradas las fronteras
Desventajas:dificultades en encontrar fronteras (!=borde)
- requiere operadores paso alto de detección de bordes
(Laplaciana, Sobel) -> alto nivel de ruido
- requiere operadores sofisticados (Canny)
- requiere construcción de fronteras a partir de bordes.

Introducción
– Técnicas basadas en regiones
Objetivo: resaltar regiones de características similares
Ventajas: simples
Desventajas: encontrarcaracterística discriminante
(= = problema de clasificación)
Características: basados en nivel de gris, parámetros
estadísticos (textura, varianza), movimiento, etc...
Métodos:
- umbralización de niveles de gris
- crecimiento de regiones
- segmentación basada en movimiento

Introducción

• Problemas de la segmentación

– Robustez ante:
• cambios de iluminación
• ruido en las imágenes
•falta de estructuración en las imágenes

– Adaptación a aplicaciones específicas

Técnicas de Segmentación

• Introducción
• Segmentación mediante umbralización
• Técnicas basadas en frontera
• Segmentación basada en regiones

Segmentación mediante umbralización
• Objetivo: diferenciar objetos de distintos niveles de gris
• Utilidad: los objetos deseados presentan niveles deintensidad característicos y únicos en la imagen
• Idea:
– Si Im(x,y) < Th
– Si Im(x,y) >= Th

Objeto 0
Objeto 1

Im(x,y) una imagen, (x,y) coordenadas
Th es el umbral para diferenciar Objeto 0 y Objeto 1

Segmentación mediante umbralización
• Histograma de las imágenes: h(i)= n / NP
– n = nº de píxeles de intensidad i
– NP = nº de píxeles total de la imagen
• Hipótesis:
– imágenes deniveles de gris
– histograma bi-modal: dos poblaciones de píxeles: objeto de
interés (Objeto 1) y fondo (Objeto 0)
– intensidad de objeto > intensidad de fondo
h(i)

Th

Fondo

Objeto

i

Segmentación mediante umbralización

• Clasificación:
– Umbral global:

Th = f( Im(x,y) )

– Umbral local:

Thi = f( N(xi,yi), Im(x,y) )

– Umbral dinámico:

Thi = f( xi, yi, N(xi,yi),Im(x,y) )

N(xi,yi) una propiedad local en torno a la vecindad de (xi,yi)
(xi,yi) un punto de la imagen

Segmentación mediante umbralización
• Selección de umbral == Problema de clasificación
– Objetivo: Minimizar el número de píxeles mal clasificados
• Nfa = número de pixeles del fondo clasificados como del objeto
• Nnd = número de píxeles del objeto clasificados como del fondo

»Umbral perfecto: Nfa=0, Nnd=0
h(i)

Nnd

Nfa

Th

Objeto 0

Objeto 1

i

Segmentación mediante umbralización
• Técnicas globales: un solo valor para toda la imagen
• Diversos criterios de discriminación/separabilidad
estadísticos
• Método de umbral óptimo
– Supone fondo y objeto con funciones de densidad de probabilidad
conocidas

h(i) = Po x po(i) + P1 x p1(i)
Po y P1 sonlas probabilidades de fondo y objeto priori (Po + P1=1)
po(i) y p1(i) son las funciones de densidad de probabilidad del fondo y objeto
priori

– El umbral óptimo:

Po x po(Th) = P1 x p1(Th)

Segmentación mediante umbralización
• Sup. funciones de densidad de probabilidad gaussianas, i.e.

p 0 (i ) =

• Si σ 0 = σ1

1

σ 0 2π

(i-m0 )2
−

e

2σ 0 2

Th = (m0+m1)/2

•...