Pdi03
Upcoming SlideShare
Loading in...5
×
 

Pdi03

on

  • 1,295 views

Procesamiento Digital de Imágenes - 3ra Parte

Procesamiento Digital de Imágenes - 3ra Parte

Statistics

Views

Total Views
1,295
Views on SlideShare
1,295
Embed Views
0

Actions

Likes
0
Downloads
23
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Pdi03 Pdi03 Document Transcript

  • Procesamiento Digital de Imágenes 3 Profesor: Andrés Flores 1 Segmentación de Imágenes Una vez mejorada la imagen se procede a segmentar la imagen, lo cual permitirá que se pueda contar con tan sólo la porción que es de interés. La parte o porción de la imagen de interés puede ser p.ej: La región de un determinado color o nivel de luz Características del texto para un sistema OCR. Forma de las células hepáticas. Contornos de piezas 2 1
  • Aplicación de Visión por Computadora El reconocimiento estadístico de patrones tiene, según Castleman (1996), tres componentes: la segmentación de la imagen, la extracción de características y la clasificación. La segmentación de una imagen presenta una gran relevancia, puesto que de la calidad del resultado depende el desempeño de los otros dos pasos. 3 Segmentación de Imágenes Consiste en extraer de una imagen la información deseada. El objetivo es dividir la imagen en partes que tienen una fuerte correlación con objetos o áreas del mundo real. Se busca en la imagen aquellas características que definan al objeto que se desea encontrar. 4 2
  • Propiedades La segmentación se basa en tres propiedades: Similitud. Cada uno de los píxeles de un elemento u objeto tienen valores parecidos para alguna propiedad. Discontinuidad. Los objetos destacan del entorno y tienen por tanto bordes definidos. Conectividad. Los píxeles pertenecientes al mismo objeto tienen que ser contiguos, es decir deben estar agrupados. 5 Algoritmos Los diferentes algoritmos se pueden clasificar en: Detección de Contornos Detección de puntos Detección de líneas Detección de bordes Umbralización 6 3
  • Detección de Contornos Se reduce la imagen inicial al contorno de los objetos que contiene y esto se emplea para el reconocimiento de objetos o de características, empleando algoritmos de mayor complejidad. Se procede usando la convolución bidimensional escogiendo el kernel correspondiente 7 Detección de Puntos Se emplea tanto para la eliminación de ruido como para el análisis de partículas en escenas. En general se emplea un filtrado de máscara (kernel): 8 4
  • 9 Detección de Líneas Las siguientes máscaras logran que se responda fuertemente a líneas en distintas orientaciones: 10 5
  • 11 Detección de bordes Un borde es una frontera entre 2 propiedades diferentes de los niveles de gris. Normalmente se utilizan operadores similares a la derivada. La primera derivada es cero en todos los niveles excepto cuando hay transiciones de niveles de gris (donde comienzan y terminan). La magnitud de la primera derivada dice si el pixel está en lo oscuro (fondo) o claro (objeto). El signo de la segunda derivada es positivo en el borde oscuro y negativo en el claro. 12 6
  • Diversos kernels Operador Laplaciano Operador de Sobel Operador de Prewitt Operador de Marr-Hildreth 13 Operador de Sobel Aprovechan el hecho de que si se calculan las derivadas en dos direcciones y se combinan como la raíz cuadrada de la suma de cuadrados, se obtiene un resultado independiente de la orientación. 14 7
  • La forma general de las máscaras de Sobel para las direcciones verticales y horizontales es: 15 16 8
  • Umbralización (Thresholding) Se realiza para separar objetos contrastados respecto al fondo. Se asignan los valores superiores a un umbral al objeto y los valores abajo del umbral como fuera del objeto. Este manejo del umbral se puede hacer de manera global si el fondo está bien contrastado y todos los objetos tienen valores semejantes. 17 Algoritmo Sea f(x,y) una imagen. si f(x,y)<T entonces f(x,y)=a si no entonces f(x,y)=b. Donde T es el umbral (threshold), el cual debe determinarse. La imagen obtenida es por lo general una imagen binaria 18 9
  • Determinación del umbral Si la imagen tiene buen contraste el umbral puede establecerse en función del Histograma. Mínimo entre máximos Primer Modo Segundo Modo 19 f(x,y) g(x,y) 20 10
  • Umbral >100 Umbral >160 100<Umbral< 160 21 Selección Iterativa (Isodata) El histograma es inicialmente segmentado en dos partes utilizando un umbral inicial tal como la mitad del máximo valor del rango dinámico (128). A continuación se calcula la media de los valores asociados con cada una de las partes en que ha quedado segmentado el histograma m1, m2. Utilizando esos valores se calcula un nuevo valor umbral mediante el promedio Ridler, T.W. and S. Calvard, Picture thresholding using an iterative selection method. IEEE 22 Trans. on Systems, Man, and Cybernetics, 1978. SMC-8(8): p. 630-632. 11
  • Selección Iterativa (Isodata) El proceso se repite hasta que en dos pasos consecutivos el valor umbral calculado no cambia. Una ecuación genérica que calcula el umbral usando el histograma con este método sería: 23 Triangulo Se construye una línea entre el valor máximo del histograma (bmax) y el valor más bajo (bmin=(p=0)%). La distancia entre la línea y el histograma h(b) se calcula para todos los valores de b, desde b=bmin hasta b=bmax. El valor de luminosidad b0, donde la distancia entre h(b0) y la línea es máxima es el valor umbral elegido (b0). Esta técnica es muy efectiva cuando los pixels de los objetos producen un pico suave en el histograma. Zack, G.W., W.E. Rogers, and S.A. Latt, Automatic Measurement of Sister Chromatid Exchange Frequency. 1977. 25(7): p. 741-753. 24 12
  • Umbralización Adaptiva Cuando la imagen posee una iluminación no uniforme. Se divide la imagen en varias partes y se calculan varios umbrales. 25 26 13
  • Otros Algoritmos Método de Otsu Entropía 27 Ejemplos de Umbralización http://micro.magnet.fsu.edu/primer/java/digital imaging/processing/automaticthresholding/in dex.html 28 14