9.-Segmentació

1. 9.-Segmentació Mètodes basats en amplitud Mètodes basats en regions Combinació de tècniques

2. Mètodes basats en amplitud Aquests mètodes es basen en la binarització dels nivells d’intensitat de la imatge. Veurem: • El llindar simple. • El llindar multinivell. • Les projeccions. La binarització ja ho haviem vist i consisteix en aplicar la següent funció:

3. Problema : com escollir k ? Imatge original k massa petit k massa gran k òptim Otsu

4. Mètode d’Otsu El mètode d’Otsu dona el nivell de llindar òptim en histogrames bimodals. Otsu Histograma de l’exemple d’abans Es basa en el càlcul de la pobabilitat dels nivells d’intensitat. Una vegada fet el càlcul de probabilitats, es recorre l’histograma per buscar el nivell d’intensitat amb variança més gran entre les dues classes presents a l’histograma.

5. Llindar multinivell L’idea del llindar multinivell és que les “muntanyes” presents a l’histograma, corresponen a objectes diferents. Llavors, per agafar cadascun dels objectes apliquem, per exemple, el doble umbral: Per exemple, la combinació que heu vist d’etiquetatge i doble llindar que heu vist a les pràctiques.

6. Projeccions N, número de columnes • Horitzontal N, número de files • Vertical Exemple:

7. Mètodes basats en regions Aquests mètodes es basen en la unió de regions de la imatge que tenen valors “semblants” d’intensitat. • Region Growing La idea és molt simple: pixels veins amb valor d’intensitat semblant s’agrupen per formar les regions segmentades. Es basa en una serie de regles heurístiques per decidir la “semblança”. Es basa en una representació en quad-tree. Es fa una partició de la imatge en quadrats, i s’ajunten o es divideixen els quadrats depenent dels seus valors d’intensitat. Normalment el tamany inicial del quadrats és un tamany intermig. • Split and Merge

8. Split and Merge : Exemple

9. Segmentació basada en el creixement de regions(region-growing) Idea: Els criteris d’agrupament de pixels es basa en els valors del pixels veïns. Els pixles s’organitzen en conjunts connectats d’acord amb un criteri de semblança.

10. Aplicació: Descripció de l’aparença de les persones.

11. Hierarchical data structures quadtree pyramid

12. Quadtree decomposition Block means examining 128-by-128 blocks

13. Quadtree decomposition Block means examining 64-by-64 blocks

14. Quadtree decomposition Block means examining 32-by-32 blocks

15. Quadtree decomposition Block means examining 16-by-16 blocks

16. Quadtree decomposition Block means examining 8-by-8 blocks

17. Quadtree decomposition Block means examining 4-by-4 blocks

18. Quadtree decomposition Block means examining 2-by-2 blocks number of pixels 128x128 = 16,384, number of blocks = 1,054

19. Segmentació basada en l’agrupament (clustering) Considerant que el color ve donat sempre en espais de tres dimensions es suposa que els punts de les regions de la imatge d’un color homogeni formaran un agrupament a l’espai de color. G R B

20. Mètode K-means Imatge RGB, que aporta el conjunt de punts tridimensionals sobre els que s’aplicarà l’agrupament. Nombre de colors en els que es vol segmentar la imatge. Centre d’inèrcia de la classe i en el instant t. Distància euclídea entre dos punts x i y. Inicialització: Inicialitzar els centres d’inèrcia del instant 0 amb punts aleatoris de la imatge o punts seleccionats si es pot.

21. Mètode K-means • Algorisme: • Inicialització • Repetir • Per a (cada classe ) fer • Calcular els nous centres d’inèrcia. • Fper • Fins que (les classes no canviïn en una iteració)

22. Exemples:

23. K-means clustering Clusters (10 iterations): - background - cold lesions - phantom body - hot lesions

24. Qüestions: • Problemes que presenta el k-means per a la segmentació: • El bon funcionament de l’algorisme depèn dels colors que volem segmentar. • El cost computacional està directament relacionat amb el nombre de colors que volem separar. • El resultat depèn molt d’una bona inicialització dels valors promig dels colors. • Quin és l’espai més adient per aplicar aquest mètode?

25. Other examples

26. Millores al mètode k-means: (Gevers-96) • Determinació del número de clusters, això és, el nombre de clusters que representen l’estructura de les dades de la imatge. El més important és definir una bona mesura que valori la bondat de la separació. • Decorrelació dels eixos de representació del color, això pot ser l’aplicació d’una transformada de Karhunen-Loeve per tenir una rotació dels eixos de color que permetin una millor separació dels clusters.

27. Selecció de les linies de separació entre objectes Una opció és detectar els creuaments per zero del laplacià. Problema: el laplacià és massa sensible al soroll Selecció dels màxim del gradient més importants a partir de escollir un valor de tall del gradient k Necessitem una etapa d’aprimament per que els contorns tinguin amplada 1 pixel

28. Exemple

29. Linies de Cresta Un altre opció es buscar les linies de cresta de la imatge gradient Les linies de cresta és una noció propia de geografia: Punts de la geografia on no podem saber quina direcció pendria una gota d’aigua si estigues plogent

30. Exemples: Linies de Cresta (II) Segmentació de objectes binaris a partir de la inversa de la funció distància i la aplicació de l’algorisme de detecció de linies de crestes.