Apuntes 29 - Octubre - 2019

Apuntes 28 - Octubre - 2019

Apuntes 22 - Octubre - 2019

Apuntes 17 - Octubre - 2019

Apuntes 16 - Octubre - 2019

Apuntes 15 - Octubre - 2019

Segmentación

La segmentación en el campo de la visión artificial es el proceso de dividir una imagen digital en varias partes (grupos de píxeles) u objetos. El objetivo de la segmentación es simplificar y/o cambiar la representación de una imagen en otra más significativa y más fácil de analizar. La segmentación se usa tanto para localizar objetos como para encontrar los límites de estos dentro de una imagen. Más precisamente, la segmentación de la imagen es el proceso de asignación de una etiqueta a cada píxel de la imagen de forma que los píxeles que compartan la misma etiqueta también tendrán ciertas características 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 extraídas de la imagen (véase la detección de bordes). Cada uno de los píxeles de una región son similares en alguna característica, como el color, la intensidad o la textura. Regiones adyacentes son significativamente diferentes con respecto a la(s) misma(s) característica(s).

Apuntes 08 - Octubre - 2019

Transformaciones

Métodos basados en los pixeles

En esta subsectión analizaremos aquellas transformaciones simples que con base en un solo pixel permiten obtener mejoras en la visualización de la imagen.

• Imágenes de negativos

Dadas las especiales características no-lineales del sistema visual humano a veces es interesante calcular la imagen invertida de una imagen dada ya que aspectos que resultaban dificiles de percibir pueden estar mas claros en la imagen invertida. La expresión que calcula la inversa de una imagen de niveles de grises es la siguiente:

Casos típicos de imágenes de negativos son las radiografías. La figura djunta muestra la grafica de g(x,y)

• Mejora del contraste

Diversos factores pueden influir en la ausencia de contraste en una imagen, los m 'as relevantes pueden ser ausencia de iluminación, sensores con un rango de valores de iluminación bajo o cualquier otro factor equivalente. La idea subyace en este tipo de transformación es modificar los valores de los pixeles de manera que se produzca un aumento en el rango dinámico de valores de los valores de niveles de gris de la imagen. Esto quiere decir que en términos generales debemos de elegir dos valores de nivel de gris uno por la parte alta de los blancos , y otro por la parte baja de los negros , de manera que que los pixeles con valor igual o superior a  se transformen en más blancos y aquellos con valor igual o inferior a  se transformen en más obscuros, es decir

si  entonces , y si , ,

y los pixeles con valores entre  y  se transformen de acuerdo a una transformación lineal a los valores entre  y . Ya que  es más grande que  y  es más pequeño que , es evidente que hemos aumentado el rango dinámico de los valores centrales del histograma. Una forma de expresar matematicamente esta transformación es

la figura adjunta

muestra el resultado de este tipo de transformación sobre una imagen.

• Compresión del rango dinámico

Existen detectores cuyo rango dinámico excede con creces las posibilidades de representación de las pantallas de ordenador. Ejemplos de estos casos son por ejemplo los sensores usados en aplicaciones astronómicas cuyo rango dinámico puede ser del orden los miles (1000 - 30000) o en aplicaciones de tipo médico donde la película de las radiografías y angiografías tienen un rango dinámico de más de 1000 niveles de grís distintos. En estos casos es necesario comprimir el rango dinámico de los valores de nivel de gris con objeto de poder representar las imágenes en la tecnolgía actual que salvo contadas excepciones tan solo puede representar 256 niveles de gris.

La transformación más adecuada para estos casos es usar una función monótona que permite comprimir los valores, ejemplos de estas transformaciones pueden ser la raiz cuadrada o el logarítimica sobre los niveles de gris.

Una expresión matemática genérica de esta transformación para el caso de rangos muy grandes es

siendo c una constante de escala. Este mismo de transformación ya se encontro cuando estudiamos la represenatción del espectro de Fourier.

La figura adjunta

muestra un ejemplo curva de este tipo de transformación.

Realce de rangos de intensidad

A veces estamos interesados en resaltar determinados rangos de niveles de gris a costa de ocultar en resto de valores en la imagen. Este interés puede venir de resaltar una característica de la imagen que conocemos esta asociada a un rango concreto de niveles de gris. la figura adjunta

muestra una gráfica de este tipo de transformaciones. Puede observarse como existe un realce de la región deseada a través de un aumento de su nivel intensidad.

Apuntes 07 - Octubre - 2019