LABORATORIO NO 2. SEGMENTACIÓN DE IMÁGENES POR NIVELES DE GRISES Y ETIQUETADO DE IMÁGENES BINARIAS
FACULTAD DE CIENCIAS BÁSICAS E INGENIERÍA VISIÓN ARTIFICIAL OCTUBRE 11 DE 2009
INTRODUCCIÓN El problema general de la segmentación de imágenes consiste en localizar los diferentes objetos que están presentes en una imagen. En un sistema de visión artificial genérico, la fase de segmentación se encuadra entre las fases de preprocesamiento , en la que las imágenes son sometidas a diferentes operaciones de filtrado que ayuden a mejorar la calidad de la imagen o a destacar los objetos que posteriormente queremos segmentar, y la de identificación o reconocimiento de los objetos , que es en la fase en la que se reconocen y etiquetan los distintos objetos de la imagen. La técnica utilizada en este laboratorio de visión artificial es la segmentación de una imagen por niveles de grises, consiste en la división de la imagen en regiones con características similares. Cada una de las regiones de interés (que comparten ciertas propiedades) se denomina objeto. El resultado obtenido de la segmentación es la separación de objetos objetos que hay dentro de la imagen.
MARCO TEORICO La segmentación de una imagen implica la detección, mediante procedimientos de etiquetado deterministas o estocásticos, de los contornos o regiones de la imagen, basándose en la información de intensidad o/y la información i nformación espacial. Existen diferentes métodos de segmentación que pueden utilizarse y cada tipo o familia normalmente se asocia a un tipo de problema a resolver. En este caso aplicamos métodos de segmentación con los que se obtienen muy buenos resultados. Antes de segmentar es preciso definir qué objetos interesa determinar, tras la segmentación es posible realizar operaciones de filtrado (a nivel de objetos), así como determinar características que permitan clasificar los objetos. Una buena segmentación es difícil de evaluar. Fundamentalmente, lo que se busca es que diferentes objetos tengan valores claramente diferentes de la(s) característica(s) discriminante(s).
SEGMENTACIÓN BASADA EN CARACTERÍSTICAS
SEGMENTACIÓN POR NIVELES DE GRIS Utiliza como característica solamente la luminancia de cada píxel. Útil si distintos objetos se corresponden con niveles de gris diferentes. El nivel de gris determina alguna propiedad física en una imágen específica de una aplicación (Rayos X, RMN, bandas en satélite, etc) Técnicas de operaciones puntuales (ej: doble umbralización) Técnicas de clasificación basada en amplitud ->imagen binaria
Matlab utiliza esta función para realizar reali zar este tipo de segmentación Matlab: J=roicolor(I,low, high); ‘J’ es una imagen binaria
En el caso ideal en que el objeto posea un rango estrecho de niveles de gris frente a un fondo uniforme, podemos establecer un nivel de gris intermedio (umbral) para separar objeto y fondo.Para separar por umbral, es útil recurrir al histograma.
Umbralización:
Método automático para separar objeto del fondo: Otsu Cálculo del histograma de gris Cálculo iterativo de media y varianza Hipótesis de umbral U divide el histograma en dos partes y se calcula media y varianza para cada parte iterativamente cambiando U. MATLAB utiliza la siguiente función para realizar la umbralizacion de una imagen: Matlab: level= graythresh(I); %utilizael método de OtsuBW=im2bw(I,level) OtsuBW=im2bw(I,level) La determinación del umbral óptimo para una imagen dada es un factor crítico de la segmentación.
ETIQUETADO DE UNA IMAGEN BINARIA
La Etiqueta: Es el número que identifica a cada píxel, indicando a qué objeto pertenece. Suponiendo dos niveles: Nivel 1 (primer plano) Nivel 0 (fondo) El etiquetado consiste en identificar grupos conexos de píxeles de primer plano, asignándole a cada uno de ellos una etiqueta et iqueta diferente. Matlab: L=bwlabel(I,N); L=bwlabel(I,N); N= 4 ó 8 El algoritmo de etiquetación recibe como entrada correspondiente a los objetos a identificar cada uno de los píxeles de la imagen, en donde cada etiqueta identifica el objeto al cual dicho pixel pertenece.
Fig. 1. Proceso de etiquetación, eti quetación, entradas y salidas del algoritmo Podemos observar un diagrama que representa imagen binarizada donde el valor de PIXEL_NO_ACTIVO. La salida es una matriz de etiquetas que identifica pixel. La entrada será una imagen binaria con múltiples regiones y la salida una imagen etiquetada (se representará en una imagen de nivel de gris procurando que los valores estén lo suficientemente separados para una correcta visualización).
LABORATORIO NO 2. SEGMENTACIÓN DE IMÁGENES POR NIVELES DE GRISES Y ETIQUETADO DE IMÁGENES BINARIAS
Objetivos:
Realizar etiquetado y segmentación de imágenes utilizando funciones de MATLAB. Comprender el proceso de segmentación y etiquetado de una imagen binaria para separar objetos individualmente del fondo.
REALIZACIÓN DE LA PRÁCTICA DE LABORATORIO Segmentación y etiquetado para imagen de un solo color: 1. Se elaboro una imagen .bmp para realizar la práctica de segmentación a través de MATLAB. 2. A través de una función f unción creada en MATLAB se extrajo individualmente el cuadro de composición y la imagen deseada. 3. En la ventana de comandos de MATLAB se ingresó los siguiente: >> I=imread(‘1.bmp');%se cargo la imagen a utilizar% >> figure,imshow(I);
Imagen A. imagen original a segmentar. >> Y=rgb2gray(I); % se transformo la imagen de RGB a escala de grises% >> figure,imshow(Y);
>> impixelinfo %muestra la información información de los píxeles coordenadas coordenadas x e y del pixel y su valor%
Imagen B. imagen aplicándole escala de grises. >>Bw=im2bw(Y,75/255);%binarizacion >>Bw=im2bw(Y,75/255);%binarizac ion de la imagen% >> figure,imshow(Bw); >> impixelinfo
Imagen C. imagen después de la binarizacion
L=bwlabel(Bw,8);%se etiquetan las figures, asi no todas qeudan con el mismo valor de pixel% >> figure,imshow(L) >> impixelinfo; >> rect=roicolor(L,1,1); % extrae el circulo% >> figure,imshow(rect)
Imagen D. imagen del rectángulo triangulo=roicolor(L,2,2); % extrae el triangulo % >> figure,imshow(triangulo fi gure,imshow(triangulo))
Imagen E. imagen del triangulo
circulo=roicolor(L,3,3); % extrae el rectángulo % figure,imshow(circulo)
Imagen F. imagen del circulo figura=recorrer(cir,1); Hace el llamado a la funcion recorrer tomando como parametros la imaginen segmentada y como el objeto toma valores de 1 y el fondo es cero port al motive es que el Segundo parametro es el numero 1.
Imagen G. imagen del circulo
>> figura=recorrer(rec,1);
Imagen H. imagen del rectángulo
>> figura=recorrer(triangulo,1);
Imagen I. imagen del triangulo NOTA: adjunto en “imagen 1 comandos de MATLAB.doc “podrá copiar los comandos dentro de la ventana de MATLAB para ver los resultados obtenidos en este laboratorio. Segmentación y etiquetado para imagen de varios colores: 1. Se elaboro una imagen .bmp para realizar la práctica de segmentación a través de MATLAB. f unción creada en MATLAB se extrajo individualmente el 2. A través de una función cuadro de composición y la imagen deseada. 3. En la ventana de comandos de MATLAB se ingresó los siguiente:
>> I=imread('2.bmp');%se cargo la imagen a utilizar% >> figure,imshow(I);
Y=rgb2gray(I); % se transformo la imagen de RGB a escala de grises% figure,imshow(Y); impixelinfo %muestra la información de de los píxeles coordenadas coordenadas x e y del pixel ysu valor%
>> cir=roicolor( Y,76,76); >> figure,imshow(cir);
>> rect=roicolor( Y,150,150); >> figure,imshow(rect);
>> tria=roicolor( Y,179,179); >> figure,imshow(tria);
>> figura=recorrer(cir,1);
>> figura=recorrer(rect,1); >> figura=recorrer(tria,1); NOTA: adjunto en “imagen 2 comandos de MATLAB .doc “podrá copiar los comandos dentro de la ventana de MATLAB para ver los resultados obtenidos en este laboratorio.
Función creada en MATLAB para recortar la imagen y sustraer el elemento deseado: function J=recorrer(ime,opc) [f c]=size(ime); der=c; izq=1; sup=f; inf=1; for y=1:f; for x=1:c; if ime(y,x)==opc
if der>x der=x; end if izqy sup=y; end if inf
%se recorre la imagen en busca de %cada pixel que este más arriba, %el más abajo, el mas a la %izquierda y el mas a la %derecha.del objeto...... %
end end %se crea un na imagen o matriz con las dimensiones del objeto obtenidas anteriormente anteriormente.... .... xx=inf-sup; yy=der-izq; J=zeros(yy,xx); x1=1; y1=1; for y=sup:inf for x=der:izq J(y1,x1)=ime(y,x); %se recore solo el objeto contenido en la imagen y se pasa a la imagen nueva.. quedando contenido solo el objeto deseado.. x1=x1+1; end x1=1; y1=y1+1; end figure,imshow(J); %se mustra la imagen resultado... end
CONCLUSIONES Si analizamos los resultados obtenidos se puede mencionar que el algoritmo de segmentación basado en etiquetación de píxeles propuesto resulta muy efectivo en condiciones en las cuales sabemos que los objetos a segmentar no están juntos en la escena. El algoritmo propuesto se basa en el hecho de que los objetos a identificar en la imagen no están juntos tal y como sucede en los dos primeros experimentos que hemos realizado. En el tercer experimento podemos observar claramente la deficiencia de nuestro algoritmo.
WEBGRAFIA http://www.microbotica.es/h1/doku.php?id=vision:segmentacion http://cmm.ensmp.fr/~angulo/publicat/AnguloSerra_CyS_05.pdf http://www.gts.tsc.uvigo.es/pi/Analisis%20de%20imagenes.pdf http://translate.google.com.co/translate?hl=es&sl=en&u=http://www.math works.com/access/helpdesk/help/toolbox works.com/access/h elpdesk/help/toolbox/images/impixelinfo.html&ei=X /images/impixelinfo.html&ei=Xf3 f3 RStbUNNyutgedxKz6Aw&sa=X&oi=translate&res RStbUNNyutgedx Kz6Aw&sa=X&oi=translate&resnum=1&ct=result&ved= num=1&ct=result&ved= 0CAwQ7gEwAA&prev=/search%3Fq%3Dimpix 0CAwQ7gEwAA&prev =/search%3Fq%3Dimpixelinfo%2Bmatlab%26hl% elinfo%2Bmatlab%26hl% 3Des%26rlz%3D1C1GGLS_esCO338CO338 5. http://blog.espol.edu.ec/gluzardo/files/2009/04/merge_labeling.pdf 1. 2. 3. 4.
