El crecimiento de regiones es un método simple de segmentación de imágenes basado en regiones . También se clasifica como un método de segmentación de imágenes basado en píxeles, ya que implica la selección de puntos de semilla iniciales.
Este enfoque de segmentación examina los píxeles vecinos de los puntos de semilla iniciales y determina si los píxeles vecinos deben agregarse a la región. El proceso se repite de la misma manera que los algoritmos generales de agrupamiento de datos . A continuación se describe un análisis general del algoritmo de crecimiento de regiones.
El objetivo principal de la segmentación es dividir una imagen en regiones. Algunos métodos de segmentación, como el umbral, logran este objetivo buscando los límites entre las regiones basándose en discontinuidades en la escala de grises o en las propiedades del color . La segmentación basada en regiones es una técnica para determinar la región directamente. La formulación básica es: [1]
(a) significa que la segmentación debe ser completa; es decir, cada píxel debe estar en una región.
(b) requiere que los puntos de una región estén conectados en algún sentido predefinido.
(c) indica que las regiones deben estar disjuntas.
(d) trata de las propiedades que deben cumplir los píxeles de una región segmentada. Por ejemplo, si todos los píxeles tienen la misma escala de grises.
(e) indica que la región y son diferentes en el sentido del predicado .
El primer paso para crear una región es seleccionar un conjunto de puntos de semilla. La selección de puntos de semilla se basa en algún criterio del usuario (por ejemplo, píxeles en un rango de escala de grises determinado, píxeles espaciados uniformemente en una cuadrícula, etc.). La región inicial comienza como la ubicación exacta de estas semillas.
Las regiones se van ampliando a partir de estos puntos de origen hasta puntos adyacentes según un criterio de pertenencia a la región. El criterio podría ser, por ejemplo, la intensidad de los píxeles, la textura en escala de grises o el color.
Dado que las regiones se desarrollan en función del criterio, la información de la imagen en sí es importante. Por ejemplo, si el criterio fuera un valor umbral de intensidad de píxeles, sería útil conocer el histograma de la imagen, ya que se podría utilizar para determinar un valor umbral adecuado para el criterio de pertenencia a la región.
Se puede utilizar un vecindario conectado en 4 direcciones para crecer a partir de los puntos de semilla. Una alternativa para la relación de píxeles adyacentes es el vecindario conectado en 8 direcciones . Los píxeles adyacentes a los puntos de semilla se examinan y se clasifican en los puntos de semilla si tienen el mismo valor de intensidad. Es un proceso iterativo hasta que no haya cambios en dos etapas iterativas sucesivas. Se pueden elegir otros criterios; el objetivo principal es clasificar la similitud de la imagen en regiones.
El objetivo principal de la segmentación es dividir una imagen en regiones distintas y semánticamente significativas. En secciones anteriores de este artículo se han explorado diversas metodologías, como la detección de límites y la determinación de umbrales, para lograr este objetivo. Sin embargo, el crecimiento de regiones presenta un enfoque alternativo, que se centra en la identificación y expansión directa de regiones a partir de puntos de semilla designados, lo que ofrece una perspectiva matizada en el campo de la segmentación de imágenes.
El crecimiento de regiones representa una técnica algorítmica sofisticada que se utiliza para agrupar píxeles o subregiones en regiones más grandes y coherentes según criterios predefinidos. Este proceso iterativo comienza con puntos de semillas ubicados estratégicamente dentro de la imagen. Estas semillas sirven como génesis para la expansión de regiones, a medida que los píxeles vecinos que satisfacen criterios de similitud específicos (como la intensidad o los rangos de color) se asimilan progresivamente en la región de crecimiento, delineando así límites cohesivos.
La selección de puntos de semilla adecuados es un aspecto crítico del crecimiento de la región, que influye significativamente en la eficacia y precisión del proceso de segmentación. Los puntos de semilla se pueden elegir en función del conocimiento previo del dominio o se pueden calcular de forma dinámica mediante el análisis de las propiedades de los píxeles. En los casos en los que no se dispone de información previa, se calculan las propiedades de cada píxel, con grupos de valores que indican posibles puntos de semilla. Los píxeles próximos a estos centroides de grupo suelen considerarse adecuados como puntos de semilla.
La selección y definición de criterios de similitud son fundamentales para orientar el proceso de creación de regiones. La elección de los criterios depende del dominio específico del problema y de las características de los datos de imagen que se consideren. Por ejemplo, en aplicaciones como el análisis de imágenes satelitales sobre el uso de la tierra, el color puede servir como un determinante fundamental para la delimitación de regiones, mientras que en imágenes monocromas, la intensidad y las propiedades espaciales adquieren mayor importancia.
Garantizar la conectividad es un aspecto fundamental del crecimiento de regiones, esencial para generar resultados de segmentación significativos. Si no se tienen en cuenta las consideraciones de conectividad, se puede generar regiones espurias, lo que socava la integridad y la utilidad del proceso de segmentación. Los mecanismos de conectividad facilitan la agregación coherente de píxeles en regiones significativas, lo que mejora la interpretabilidad y la aplicabilidad de los resultados de la segmentación.
Establecer una regla de detención sólida es fundamental para controlar la finalización del proceso de crecimiento de la región. Si bien los criterios locales, como la intensidad, la textura y el color, desempeñan un papel fundamental a la hora de detener el crecimiento de la región, otros parámetros, como el tamaño, la similitud con los píxeles crecidos y la forma de la región, contribuyen a refinar los resultados de la segmentación. Estas reglas de detención garantizan que el crecimiento de la región cese una vez que ya no se cumplan los criterios predefinidos para la inclusión en una región, lo que fomenta la generación de resultados de segmentación precisos y significativos.
Un algoritmo básico de crecimiento de regiones basado en conectividad 8 se puede resumir de la siguiente manera:
La selección de los puntos de semilla depende de los usuarios. Por ejemplo, en una imagen de un rayo en escala de grises, es posible que queramos segmentar el rayo del fondo. Luego, probablemente, podamos examinar el histograma y elegir los puntos de semilla del rango más alto del mismo.
Obviamente, la información de conectividad o píxeles adyacentes nos resulta útil para determinar los puntos umbral y semilla.
Ninguna región en el resultado del método de crecimiento de regiones será más pequeña que este umbral en la imagen segmentada.
Si la diferencia de valores de píxeles o la diferencia de valores de la escala de grises promedio de un conjunto de píxeles es menor que el “valor del umbral de similitud”, las regiones se considerarán como una misma región.
También son importantes los criterios de similitud o homogeneidad que elijamos, que suelen depender de la imagen original y del resultado de segmentación que queramos. [2]
Algunos criterios que se utilizan a menudo son la escala de grises (intensidad o variación media), el color y la textura o forma.
