Detección y segmentación de objetos
Transcripción
Detección y segmentación de objetos
Segmentación Umbral Óptimo Detección y segmentación de objetos Hugo Franco, PhD 24 de abril de 2013 Hugo Franco, PhD Detección y segmentación de objetos Segmentación Segmentación Umbral Óptimo ¾Qué es segmentación? Objetivo El objetivo de la segmentación de una imagen es el agrupamiento de ciertos píxeles de la imagen en regiones correspondientes a objetos contenidos dentro de la escena capturada por la imagen La segmentación de regiones en una imagen digital es útil para: Reconocimiento de objetos, estimación de oclusión, sistemas de visión estereoscópica, compresión de imágenes, búsqueda de objetos o características en bases de datos de imágenes, robótica, automatización industrial, etc. Hugo Franco, PhD Detección y segmentación de objetos Segmentación Umbral Óptimo Clasicaciones de los métodos de segmentación Diferentes formas, no excluyentes, de clasicar los métodos de segmentación Basados en regiones vs. Basados en contornos Los métodos basados en regiones buscan zonas que pertenecen, en su supercie, a un objeto por tener características comunes y adyacencia unos con otros. Los métodos basados en contornos buscan la curva digital que delimita (envuelve) a un objeto, a partir de técnicas de detección de bordes, Basados en objetos vs. Basados en supercies Los métodos basados en objetos usan descripciones geométricas y la conguración jerárquica entre zonas de la imagen que, en conjunto, reproducen las características del objeto buscando. Los métodos basados en supercies, a diferencia de los anteriores, agrupan solo los píxeles de zonas con características homogéneas De arriba a abajo vs. de abajo a arriba Hugo Franco, PhD Detección y segmentación de objetos Segmentación Umbral Óptimo Ejemplo de Segmentación basada en contornos Se detectan los bordes (según ltros) en la imagen y se usa esta información para denir (y corregir) los bordes que envuelven los objetos detectados. Hugo Franco, PhD Detección y segmentación de objetos Segmentación Umbral Óptimo Ejemplo de segmentación semántica basada en texturas Se usan varias técnicas de detección de patrones para reconocer diferentes regiones asociadas a conceptos Hugo Franco, PhD Detección y segmentación de objetos Segmentación Umbral Óptimo Segmentaciones de arriba hacia abajo (top-down) Son técnicas para la detección de objetos o regiones que parten de un conocimiento general de la escena representada por la imagen para identicar las diferentes porciones que corresponden a los objetos Dentro de las técnicas de segmentación top-down se encuentran Métodos basados en representaciones a priori (modelos): Métodos basados en modelos morfológicos/geométricos Métodos basados en representaciones jerárquicas (modelos articulados con transformaciones geométricas) Métodos basados en representaciones de redes semánticas Los métodos supervisados o semi-automáticos Elección de patrones según búsqueda Asesoría de especialistas Hugo Franco, PhD Detección y segmentación de objetos Segmentación Umbral Óptimo Ejemplo Imagen original: Segmentación basada en un modelo morfológico con agrupación entre regiones heterogéneas entre sí (homogéneas al interior) Hugo Franco, PhD Detección y segmentación de objetos Segmentación Umbral Óptimo Segmentaciones de abajo hacia arriba (bottom-up) En este tipo de métodos, se usa la información de intensidad a bajo nivel (píxel a píxel) para determinar, según criterios de similaridad o conguración espacial, la pertenencia de cada píxel a la región detectada (segmentada) Dentro de las técnicas de segmentación bottom-up se encuentran Métodos basados en Homogeneidad de Intensidad Métodos basados en rangos de intensidad (p.ej. modelos del histograma) Métodos basados en correspondencia de color (con o sin transformaciones de espacio de color) Métodos basados en Homogeneidad de Textura Métodos basados en plantillas Métodos basados en descriptores frecuenciales (Wavelets, Gabor, Tranformada del Coseno Discreto) Métodos basados en Homogeneidad Geométrica Hugo Franco, PhD Detección y segmentación de objetos Segmentación Umbral Óptimo Ejemplo de segmentación por intensidades Izquierda: imagen original. Derecha, resultado de la segmentación usando un algoritmo de conectividad de regiones delimitado por un rango de ±10 niveles de gris entre 255 Hugo Franco, PhD Detección y segmentación de objetos Umbral Óptimo Segmentación Umbral Óptimo Detección de Umbrales para segmentación de objetos Imagen digital y su histograma Resultado de la unión de las segmentaciones [0-100] y [150-220] Hugo Franco, PhD Detección y segmentación de objetos Segmentación Umbral Óptimo Umbral Óptimo - Implementación Simple 1 2 Se elige un valor inicial para el umbral u (aleatoriamente o mediante alguna otra técnica sencilla) Recorriendo la imagen I por las y columnas, cada píxel I(m, n), la imagen se divide (segmenta) en dos regiones 1 2 3 Se calcula el promedio de cada región (segmento) . 1 2 4 r0 = {I(m, n) : I(m, n) > u} (píxeles del objeto) r1 = {I(m, n) : I(m, n) ≤ u} (píxeles del fondo) r̄0 = r̄1 = 1 #r0 1 #r1 P I(m, n) PIm,n ∈r0 Im,n ∈r1 I(m, n) Un nuevo umbral se calcula, como el promedio del valor medio de las dos regiones: u= 5 r̄0 + r̄1 2 Si el valor de u converge (diferencia pequeña entre el valor actual y el calculado en la iteración anterior), terminar, sino, ir al paso 2 Hugo Franco, PhD Detección y segmentación de objetos Segmentación Umbral Óptimo Método de Otsu I Caracterización de clases Sea 0 ≤ i < 2d un nivel de intensidad; la probabilidad de que i ocurra en una imagen es fi M ×N donde fi es la frecuencia de ocurrencia de i en el conjunto de todos los píxeles de la imagen (M × N ). En la umbralización se consideran dos clases separadas por el valor de umbral u, C0 = [0, u] y C1 = [u + 1, 2d − 1]. La distribución de probabilidad para cada clase es p1 pu p0 C0 (u) : , ,··· , ω0 (u) ω0 (u) ω0 (u) p d pu+1 pu+2 C1 (u) : , , · · · , 2 −1 ω1 (u) ω1 (u) ω1 (u) pi = donde los pesos ω0 y ω1 son las probabilidades de que la intensidad de un píxel esté en la clase 0 o 1 cuando están separadas en u, así: ω0 (u) = u X pi i=0 Hugo Franco, PhD ω1 (u) = d 2X −1 pi i=u+1 Detección y segmentación de objetos Segmentación Umbral Óptimo Método de Otsu II La idea central es encontrar el valor óptimo de u que separe de la manera más precisa posible el objeto de interés del fondo de la imagen. Para ello, sabiendo que ω0 + ω1 = 1, se emplean las medias de cada clase cuando están separadas por u: µ0 (u) = u X i × pi ω 0 (u) i=0 µ1 (u) = d 2X −1 i=u+1 i × pi ω1 (u) y la media global de intensidades de la imagen µI = ω0 µ0 + ω1 µ1 para estimar la varianza entre clases 2 σB (u) = ω0 (u) (µ0 (u) − µI ) 2 + ω1 (u) (µ1 (u) − µI ) 2 de manera que se pueda encontrar (p.ej. por fuerza bruta) el umbral óptimo u∗ que maximiza la variación entre clases; esto es: 2 u∗ = máx{σB (u)} u Hugo Franco, PhD Detección y segmentación de objetos Segmentación Umbral Óptimo Problemas de los métodos de umbral Variaciones locales de la luminosidad promedio de la imagen invalidan la segmentación por umbral según histograma (global) Izquierda: imagen original. Centro: Histograma de la Imagen. Derecha, resultado de la segmentación por umbral óptimo ¾Qué característica del histograma reeja la imposibilidad de segmentación por umbral? Hugo Franco, PhD Detección y segmentación de objetos