¿Qué es la segmentación de imágenes?
La segmentación es el proceso de dividir una imagen en un conjunto de regiones significativas para su posterior análisis
Uno de los problemas más antiguos y más ampliamente estudiados en visión por computadora
Propiedades de las regiones para facilitar la segmentación de imágenes
- Las regiones deben ser uniformes / homogéneas en ciertas características
- El interior de las regiones debe ser simple y sin agujeros ni partes faltantes
- Las regiones adyacentes deben tener valores significativamente diferentes en cuanto a las características en las que individualmente son uniformes
- Los límites de cada región deben ser suaves y espacialmente precisos
Diferentes niveles de identificación y segmentación de regiones
Enfoques de segmentación
- Basado en regiones
- Basado en contornos
- Basado en coincidencia de plantillas
- Basado en división y fusión
- Basado en optimización global
Problemas y desafíos
- Hasta ahora no existe un único método de segmentación que funcione bien para todos los problemas
- El conocimiento específico del dominio de la aplicación suele ser esencial para el desarrollo de métodos exitosos de visión por computadora para la segmentación
- Incluso dentro de un mismo dominio de aplicación, las imágenes pueden variar ampliamente
Umbralización
Problemático si las regiones tienen distribuciones de intensidad superpuestas
Agrupamiento K-Means
Puede funcionar si el número de grupos se conoce a priori
Problemático si el número de grupos no se conoce a priori
Clasificación basada en características
Segmentación mediante extracción de características por parches con ventana deslizante y posterior clasificación… requiere muchos ejemplos para el entrenamiento
División y fusión de regiones
Enfoque computacional básico
- Dividir recursivamente toda la imagen en partes según las estadísticas de la región
- Fusionar recursivamente las regiones de forma jerárquica
- Combinar división y fusión secuencialmente
División y fusión de regiones
- La técnica más simple posible
– Aplicar umbralización y luego calcular los componentes conectados
– Rara vez es suficiente debido a la iluminación y a las variaciones estadísticas dentro de los objetos
Algoritmo de componentes conectados
- Primera pasada
N4
N8
– Verificar cada píxel (de arriba a la izquierda a abajo a la derecha)
– Si es un píxel de objeto, verificar sus vecinos (𝑁𝑁 4 o 𝑁𝑁 8 )
– Si ningún vecino tiene etiqueta, asignar una nueva etiqueta
– Si los vecinos tienen etiquetas, asignar la menor
– Registrar las equivalencias de etiquetas durante la asignación
Conjuntos de equivalencia {1,2,6} {3,4,5}
- Segunda pasada
– Verificar cada píxel (de arriba a la izquierda a abajo a la derecha)
– Reemplazar cada etiqueta por su equivalente más pequeño
– Todos los píxeles de fondo toman por defecto la etiqueta cero
División de regiones
- Agrupamiento en el espacio de medición
– Suponer que las regiones homogéneas en la imagen aparecen como grupos en el espacio de medición (ejemplo simple: el histograma)
– Optimizar las métricas de similitud intrarregional y disimilitud interregional
– El agrupamiento se puede lograr encontrando los valles en el espacio y declarando los intervalos entre ellos como los grupos
– La segmentación consiste en mapear los grupos de regreso al dominio de la imagen
– Los componentes conectados de las etiquetas de los grupos constituyen los segmentos
Fusión por crecimiento de regiones
– Definir una medida de similitud
– Comenzar desde un píxel semilla para la región
– Agregar píxeles vecinos a la región si son similares
– Repetir el paso anterior hasta que no queden más píxeles similares
Segmentación por cuencas hidrográficas (Watershed)
Basado en la analogía de la inmersión de una superficie topográfica
Algoritmo de inundación de Meyer
1) Elegir un conjunto de marcadores para iniciar la inundación. Estos podrían ser, por ejemplo, todos los mínimos locales. Asignar a cada uno una etiqueta diferente.
2) Colocar los píxeles vecinos de cada marcador en una cola de prioridad. Un píxel con un valor de gris más similar tiene mayor prioridad.
3) Extraer de la cola el píxel con el nivel de prioridad más alto. Si los vecinos del píxel extraído que ya han sido etiquetados tienen todos la misma etiqueta, asignar al píxel esa misma etiqueta. Colocar en la cola todos los vecinos no etiquetados que nunca hayan estado en ella.
4) Repetir el paso 3 hasta que la cola esté vacía.
Los píxeles no etiquetados resultantes son las líneas divisorias de cuencas
Regiones extremas máximamente estables
- Conceptos básicos de las regiones extremas máximamente estables (MSER)
– Componentes conectados caracterizados por una intensidad casi uniforme rodeados por un fondo contrastante
– Construidos a través de un proceso de probar múltiples umbrales y analizar la forma de los componentes conectados
– Las regiones seleccionadas son componentes conectados cuya forma permanece prácticamente sin cambios a lo largo de un amplio conjunto de umbrales.