Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 127 vistas

    Level Sets

    Cargado por

    Amanda Garcia
    El documento presenta un informe final sobre la segmentación de imágenes en escala de grises usando Level Sets. Describe los métodos de umbralización y Level Sets para la segmentación de imágenes, así como los pasos fundamentales del procesamiento de imágenes como la adquisición, preprocesado, segmentación, representación y reconocimiento/interpretación.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Level Sets

    Cargado por

    Amanda Garcia
    127 vistas9 páginas
    El documento presenta un informe final sobre la segmentación de imágenes en escala de grises usando Level Sets. Describe los métodos de umbralización y Level Sets para la segmentación de imágenes, así como los pasos fundamentales del procesamiento de imágenes como la adquisición, preprocesado, segmentación, representación y reconocimiento/interpretación.

    Descripción original:

    vcxv

    Título original

    LevelSets

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento presenta un informe final sobre la segmentación de imágenes en escala de grises usando Level Sets. Describe los métodos de umbralización y Level Sets para la segmentación de imágenes, así como los pasos fundamentales del procesamiento de imágenes como la adquisición, preprocesado, segmentación, representación y reconocimiento/interpretación.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    127 vistas9 páginas

    Level Sets

    Cargado por

    Amanda Garcia
    El documento presenta un informe final sobre la segmentación de imágenes en escala de grises usando Level Sets. Describe los métodos de umbralización y Level Sets para la segmentación de imágenes, así como los pasos fundamentales del procesamiento de imágenes como la adquisición, preprocesado, segmentación, representación y reconocimiento/interpretación.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 9

    Universidad Central

    Universidad Jorge Tadeo Lozano


    Programación y Análisis Numérico

    Informe final del proyecto


    Docente: Profesor Nicolás Avilán V. PhD.
    Estudiante: EFRAIN PATIÑO B.:
    Fecha: 30/11/2019
    Tı́tulo: Segmentación de imágenes en escala de grises usando Level Sets

    Abstract
    Es un resumen del trabajo que se presenta. El problema abordado y su contexto.
    Descripción de los métodos aprendidos e implementados.
    Resusltados obtenidos, análisis.
    El procesamiento, el análisis y la interpretación de imágenes es un campo de espe-
    cialización muy importante de la visión artificial, que hace posible que un ordenador
    procese imágenes o fotografı́as bidimensionales (aisladas o bien conectadas en secuencias
    dinámicas o temporales).

    1 Introducción
    1. Procesamiento de imágenes
    Generalmente la mayorı́a de los seres vivos dependen de algún sentido tal como el oı́do o el
    olfato para interactuar y sobrevivir en este mundo, en el caso de los humanos, el sentido de
    la vista es de vital importancia; por eso, el procesamiento de la imagen por una persona, le
    permite obtener una gran cantidad de información del ambiente que lo rodea, la cual le ayudará
    a desenvolverse con las tareas encomendadas. El tratamiento de la imagen se define “como todo
    intento enfocado al desarrollo de algoritmos que tratan de lograr que una máquina simule hasta
    cierto punto el proceso de visión biológico”.
    La visión y las imágenes han sido, son y serán la forma más inmediata de transmitir información
    o ideas. El procesamiento de imágenes tiene como objetivo mejorar el aspecto de las imágenes y
    hacer más evidentes en ellas ciertos detalles que se desean hacer notar. La imagen puede haber
    sido generada de muchas maneras, por ejemplo, por medio de una foto o electrónicamente, por
    medio de monitores de televisión. El procesamiento de las imágenes se puede en general hacer
    por medio de métodos ópticos, o bien por medio de métodos digitales.
    En resumen:

    2. Que se entiende por Procesamiento de imágenes


    El procesamiento de imágenes digitales es el conjunto de técnicas que se aplican a las imágenes
    digitales con el objetivo de mejorar la calidad o facilitar la búsqueda de información.
    El procesamiento de imágenes digitales, en términos generales, envuelve el reconocimiento de
    imágenes 2D, 3D y secuencias de imágenes, análisis, manipulación, transmisión y otras áreas
    relacionadas. Partes cubiertas por este área son: transformaciones de intensidad y filtros espa-
    ciales, procesamiento en el dominio de la frecuencia, restauración de imágenes, procesamiento
    del color, compresión de imágenes digitales, procesamiento morfológico, segmentación, repre-
    sentación y descripción, reconocimiento de formas y objetos, e interpretación.
    Para llevar a cabo este proceso, se necesita tener en cuenta unas etapas fundamentales que son
    las siguientes:
    Paso 1: Se necesita un sensor de imágenes y la posibilidad de digitalizar la señal producida
    por el sensor.

    Figure 1: Adquisición de imágenes

    Paso 2: Mejorar la imagen de forma que aumenten las probabilidades de éxito en los procesos
    posteriores.

    Figure 2: Preprocesado

    Paso 3: Dividir la imagen en sus partes sustituyentes u objetos (segmentación).


    Figure 3: Segmentación

    Paso 4: Convertir los datos de los pı́xeles (de un contorno o una región), obtenidos tras la
    segmentación, en una forma adecuada para el procesamiento por computadora.

    Figure 4: Representación y descripción

    Paso 5: Reconocimiento: Asignar una etiqueta a un objeto basándose en la información


    proporcionada por los descriptores obtenidos en el apartado anterior. Interpretación: Asignar
    significado a un conjunto de objetos reconocidos.
    Figure 5: Reconocimiento e interpretación

    Paso 6: Comprensión: Reducción de la cantidad de datos necesarios para representar una


    imagen digital. Eliminación de datos redundantes.

    Figure 6: Comprensión

    3. Segmentación de imágenes.
    En la literatura matemática podemos encontrar varios documentos que hablan al respecto y
    en donde se puede resumir que la segmentación en el campo de la visión artificial es el proceso
    de dividir una imagen digital en varias partes (grupos de pı́xeles) u objetos. El objetivo de la
    segmentación es simplificar y/o cambiar la representación de una imagen en otra más significa-
    tiva y más fácil de analizar. La segmentación se usa tanto para localizar objetos como para
    encontrar los lı́mites de estos dentro de una imagen. Más precisamente, la segmentación de la
    imagen es el proceso de asignación de una etiqueta a cada pı́xel de la imagen de forma que
    los pı́xeles que compartan la misma etiqueta también tendrán ciertas caracterı́sticas visuales
    similares.
    El resultado de la segmentación de una imagen es un conjunto de segmentos que cubren en
    conjunto a toda la imagen, o un conjunto de las curvas de nivel extraı́das de la imagen (véase
    la detección de bordes). Cada uno de los pı́xeles de una región son similares en alguna car-
    acterı́stica, como el color, la intensidad o la textura. Podemos ver en ocasiones que regiones
    adyacentes son significativamente diferentes con respecto a la(s) misma(s) caracterı́stica(s).
    Los algoritmos de segmentación se basan en los siguientes principios:
    a) Discontinuidades del nivel de gris. Consisten en segmentar la imagen a partir de los cambios
    grandes en los niveles de gris entre los pı́xeles. Las técnicas que utilizan las discontinuidades
    como base son la detección de lı́neas, de bordes, de puntos aislados.
    b) Similitud de niveles de gris. Es lo contrario al método anterior, las divisiones de la imagen
    se hacen agrupando los pı́xeles que tienen unas caracterı́sticas similares. Algunas técnicas que
    usan esto son la umbralización, el crecimiento de regiones, etc

    A continuación veremos los métodos y técnicas de segmentación que existen.


    [1].

    2 Métodos
    Métodos y técnicas de segmentación que se pueden implementar :
    Entre las diferentes técnicas y métodos para hacer segmentación de imágenes tenemos:

    • Basada en regiones [2, 3].

    • Basadas en frontera [2, 3].

    • Mediante umbralización [2, 3].

    • Level Sets [2, 3].


    De estos métodos o técnica vamos a explicar la Umbralización y Level Sets,
    Método de Umbralización :
    Los métodos del valor umbral son un grupo de algoritmos cuya finalidad es segmentar
    gráficos rasterizados, es decir separar los objetos de una imagen que nos interesen del
    resto. Con la ayuda de los métodos de valor umbral en las situaciones más sencillas se
    puede decidir qué pı́xeles conforman los objetos que buscamos y qué pı́xeles son sólo el
    entorno de estos objetos.
    Este método es especialmente útil para separar el texto de un documento del fondo de
    la imagen (papel amarillento, con manchas y arruguitas por ejemplo) y ası́ poder llevar
    a cabo el reconocimiento óptico de texto (OCR) con más garantı́as de obtener el texto
    correcto. Esto es especialmente útil si queremos digitalizar libros antiguos, en los que el
    contraste entre el texto (que ya ha perdido parte de sus pigmentos) y el papel (oscurecido
    y manoseado) no es demasiado elevado.
    Como con todos los métodos de segmentación se trata de asignar cada pı́xel a un cierto
    grupo, llamado comúnmente ”segmento”. La imagen que se debe segmentar, como
    cualquier gráfico rasterizado, está compuesta por valores numéricos (uno o más valores
    de color para cada pı́xel). La pertenencia de un pı́xel a un cierto segmento se decide
    mediante la comparación de su nivel de gris (u otro valor unidimensional) con un cierto
    valor umbral. El nivel de gris de un pı́xel equivale a su nivel de luminosidad; el resto de
    la información sobre el color no se tiene en cuenta. Dado que esta comparación de valores
    se realiza individualmente para cada pı́xel, al método del valor umbral se le considera un
    método de segmentación orientado a pı́xeles.
    Los métodos de valor umbral pertenecen a los métodos más antiguos de tratamiento
    de imágenes digitales. El famoso método de Otsu, fue publicado en el año 1979 por
    Nobuyuki Otsu. No obstante existen publicaciones aún más antiguas sobre este tema.
    Los métodos de valor umbral son especialmente sencillos lo cual permite implementarlos
    rápidamente y obtener resultados con relativamente poco esfuerzo lo cual ha contribuido
    a su aceptación. No obstante la calidad de la segmentación suele ser peor que con otros
    métodos más sofisticados y más costosos.
    La umbralización es una técnica de segmentación ampliamente utilizada en las aplica-
    ciones industriales. Se emplea cuando hay una clara diferencia entre los objetos a extraer
    respecto del fondo de la escena. Los principios que rigen son la similitud entre los pı́xeles
    pertenecientes a un objeto y sus diferencias respecto al resto. Por tanto, la escena debe
    caracterizarse por un fondo uniforme y por objetos parecidos.
    Al aplicar un umbral, T, la imagen en escala de grises, f(x,y), quedará binarizada; etique-
    tando con ‘1’ los pı́xeles correspondientes al objeto y con ‘0’ aquellos que son del fondo.
    Por ejemplo, si los objetos son claros respecto del fondo, se aplicará:

    Figure 7: Objetos claros vs fondo oscuro

    En el caso contario, la asignación serı́a al revés:

    Figure 8: Objetos oscuro vs fondo blanco

    El umbral puede depender de f(x,y), de alguna propiedad local del pı́xel, p(x,y), y hasta
    de su propia posición:

    Figure 9: Según posición

    Si el umbral sólo depende de f(x,y) se dice que es un umbral global; en el caso de que
    además dependa de p(x,y), por ejemplo, el valor medio de los pı́xeles vecinos, el umbral
    es denominado local; y si depende también de la posición (x,y)del pı́xel, se denominará
    dinámico.
    La mayorı́a de las técnicas de umbralización se basan en estadı́sticas sobre el histograma
    unidimensional (el que vimos hasta ahora) de una imagen. También se utiliza la matriz
    de coocurrencia de una imagen. Para localizar los umbrales se pueden usar procedimien-
    tos paramétricos y no paramétricos. En los paramétricos, la distribución de los niveles
    de gris de una clase de objeto lleva a encontrar los umbrales. En los procedimientos no
    paramétricos, los umbrales se obtienen de forma óptima de acuerdo a algún criterio. En
    particular, el método de Otsu, elige el umbral óptimo maximizando la varianza entre
    clases (between-class variance) mediante una búsqueda exhaustiva.
    Si bien hay diferentes métodos para hallar un umbral, la mayorı́a de ellos no dan buenos
    resultados cuando se trabaja con imágenes del mundo real debido a la presencia de ruido,
    histogramas planos o una iluminación inadecuada. Por el contrario, el método de Otsu
    fue uno de los mejores métodos de selección de umbral para imágenes del mundo real.
    Sin embargo, como anticipamos, este método usa una búsqueda exhaustiva para evaluar
    el criterio para maximizar la varianza entre clases.
    A medida que el número de clases de una imagen aumenta, el método de Otsu necesita
    mucho más tiempo para seleccionar un umbral multinivel adecuado. Para determinar el
    umbral de una imagen eficientemente, vamos a proponer una varianza entre clases modi-
    ficada para el método de Otsu.
    Esta modificación del método disminuirá considerablemente el tiempo de cálculo. La
    importancia del método de Otsu radica en que es automático, es decir, no necesita super-
    visión humana ni información previa de la imagen antes de su procesamiento.

    • Este método se puede implementar con el siguiente algoritmo ası́:

    2.1 Descripción de los programas adjuntos


    • Describe el funcinoamiento de cada programa adjunto.

    • Indica la información de entrada para la ejecución de cada programa (Información, parámetros,


    etc).

    • Describe el tipo de resultados que da como resultado cada programa adjunto.

    3 Resultados
    Presenta los resultados obtenidos con los programas realizados y su respectivo análisis.

    4 Conclusiones
    Conclusiones finales del trabajo.
    Comenta otros proyectos que se podrı́an realizar con las metodologı́as aprendidas.

    References
    [1] Author, Title, J. Abbrev. vol (year) pg.
    Figure 10: Algoritmo

    [2] Author, Title, arxiv:1234.5678.


    [3] Author, Title, Publisher (year).

    También podría gustarte