Región en crecimiento

Método de segmentación de imágenes basado en regiones

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 iniciales.

Este enfoque de segmentación examina los píxeles vecinos de los puntos 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 agrupación de datos . A continuación se describe una discusión general del algoritmo de crecimiento de regiones.

Segmentación basada en regiones

El objetivo principal de la segmentación es dividir una imagen en regiones. Algunos métodos de segmentación, como el establecimiento de umbrales, logran este objetivo buscando los límites entre regiones basándose en discontinuidades en la escala de grises o las propiedades de color . La segmentación basada en regiones es una técnica para determinar la región directamente. La formulación básica es: ^[1]

${\displaystyle (a){\text{ }}\bigcup _{i=1}^{n}{R_{i}=R.}}$

${\displaystyle (b){\text{ }}R_{i}{\text{ is a connected region}},{\text{ i}}={\text{1}},{\text{ 2}},{\text{ }}...,{\text{n}}}$

${\displaystyle (c){\text{ }}R_{i}\bigcap R_{j}=\varnothing ,i\neq j}$

${\displaystyle (d){\text{ }}P(R_{i})=\mathrm {TRUE} {\text{ for }}i=1,2,...,n.}$

${\displaystyle (e){\text{ }}P(R_{i}\bigcup R_{j})=\mathrm {FALSE} {\text{ for any adjacent region }}R_{i}{\text{ and }}R_{j}.}$

${\displaystyle P(R_{i})}$es un predicado lógico definido sobre los puntos del conjunto y es el conjunto nulo. ${\displaystyle R_{i}}$ ${\displaystyle \varnothing }$

(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 ser disjuntas.

(d) se ocupa de las propiedades que deben satisfacer los píxeles en una región segmentada. Por ejemplo, si todos los píxeles tienen la misma escala de grises. ${\displaystyle P(R_{i})={\text{TRUE}}}$ ${\displaystyle R_{i}}$

(e) indica esa región y son diferentes en el sentido del predicado . ${\displaystyle R_{i}}$ ${\displaystyle R_{j}}$ ${\displaystyle P}$

Concepto básico de puntos semilla.

El primer paso en el crecimiento de una región es seleccionar un conjunto de puntos semilla. La selección del punto inicial se basa en algún criterio del usuario (por ejemplo, píxeles en un determinado rango de escala de grises, píxeles espaciados uniformemente en una cuadrícula, etc.). La región inicial comienza como la ubicación exacta de estas semillas.

Luego, las regiones crecen desde estos puntos iniciales hasta puntos adyacentes según un criterio de pertenencia a una 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 crecen según el 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 pueden utilizar 4 vecindarios conectados para crecer desde los puntos semilla. Una alternativa para la relación adyacente de píxeles es la vecindad de 8 conectados . Los píxeles adyacentes a los puntos semilla se examinan y clasifican en puntos semilla si tienen el mismo valor de intensidad. Es un proceso iterativo hasta que no hay cambios en dos etapas iterativas sucesivas. Se pueden elegir otros criterios; el objetivo principal es clasificar la similitud de la imagen en regiones.

Objetivos de segmentación

El objetivo principal de la segmentación es dividir una imagen en regiones distintas y semánticamente significativas. Secciones anteriores de este discurso han explorado varias metodologías, como la detección de límites y el establecimiento de umbrales, para lograr este objetivo. Sin embargo, el crecimiento de regiones presenta un enfoque alternativo, que se centra en identificar y expandir regiones directamente a partir de puntos semilla designados, ofreciendo así una perspectiva matizada en el campo de la segmentación de imágenes.

Técnica de crecimiento regional

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 semilla ubicados estratégicamente dentro de la imagen. Estas semillas sirven como génesis para la expansión de la región, a medida que los píxeles vecinos que satisfacen criterios de similitud específicos (como intensidad o rangos de color) se asimilan progresivamente en la región en crecimiento, delineando así límites cohesivos.

Selección del punto semilla

La selección de puntos de semilla apropiados es un aspecto crítico del crecimiento de la región, lo que influye significativamente en la eficacia y precisión del proceso de segmentación. Los puntos semilla se pueden elegir en función del conocimiento previo del dominio o calcularse dinámicamente mediante el análisis de las propiedades de los píxeles. En escenarios donde falta información previa, las propiedades se calculan para cada píxel, con grupos de valores indicativos de posibles puntos semilla. Los píxeles próximos a estos centroides del grupo a menudo se consideran adecuados como puntos semilla.

Criterios de similitud

La selección y definición de criterios de similitud son fundamentales para guiar el proceso de crecimiento de la región. La elección de los criterios depende del dominio del problema específico y de las características de los datos de imagen bajo consideración. Por ejemplo, en aplicaciones como el análisis de imágenes satelitales del uso de la tierra, el color puede servir como un determinante fundamental para la delimitación de regiones, mientras que en imágenes monocromáticas, la intensidad y las propiedades espaciales adquieren mayor importancia.

Consideración de conectividad

Garantizar la conectividad es un aspecto fundamental del crecimiento de la región, esencial para generar resultados de segmentación significativos. Descuidar las consideraciones de conectividad puede conducir a la formación de regiones espurias, socavando así la integridad y utilidad del proceso de segmentación. Los mecanismos de conectividad facilitan la agregación coherente de píxeles en regiones significativas, mejorando así la interpretabilidad y aplicabilidad de los resultados de la segmentación.

Regla de parada

Establecer una regla de detención sólida es imperativo para controlar la terminación 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, parámetros adicionales 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, fomentando así la generación de resultados de segmentación precisos y significativos.

Algoritmo de crecimiento regional

Un algoritmo básico de crecimiento de regiones basado en 8 conectividades se puede resumir de la siguiente manera:

• Encuentre todos los componentes conectados en la matriz semilla S(x, y) y erosione cada componente conectado a un píxel, etiquetando todos esos píxeles como 1. Todos los demás píxeles en S están etiquetados como 0.
• Forme una imagen fo tal que, en un par de coordenadas (x, y), fo(x, y) = 1 si la imagen de entrada satisface el predicado Q dado en esas coordenadas; de lo contrario, fo(x, y) = 0.
• Sea g una imagen formada añadiendo a cada punto semilla en S todos los puntos con valor 1 en fo que están conectados en 8 a ese punto semilla.
• Etiquete cada componente conectado en g con una etiqueta de región diferente (por ejemplo, 1, 2, 3, ...). Esta es la imagen segmentada obtenida por región en crecimiento.

Asuntos importantes

Selección adecuada de puntos de siembra.

La selección de 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. Entonces, probablemente, podamos examinar el histograma y elegir los puntos iniciales del rango más alto del mismo.

Más información de la imagen es mejor.

Obviamente, la conectividad o la información de píxeles adyacentes nos resulta útil para determinar el umbral y los puntos iniciales.

Umbral de área mínima

Ninguna región en el resultado del método de crecimiento de regiones será menor que este umbral en la imagen segmentada.

Valor umbral de similitud

Si la diferencia del valor de píxel o la diferencia del valor de la escala de grises promedio de un conjunto de píxeles es menor que el “valor umbral de similitud”, las regiones se considerarán una misma región.

También son importantes los criterios de similitud o la llamada homogeneidad que elijamos. Suele depender de la imagen original y del resultado de la segmentación que queramos. ^[2]

Algunos criterios que se utilizan a menudo son la escala de grises (intensidad o variación promedio), el color y la textura o forma.

Ventajas y desventajas

Ventajas

• Puede separar correctamente las regiones que tienen las mismas propiedades que definimos.
• Puede proporcionar imágenes originales que tengan bordes claros con buenos resultados de segmentación.
• Concepto simple: solo necesitamos una pequeña cantidad de puntos semilla para representar la propiedad que queremos y luego hacer crecer la región.
• Se pueden determinar los puntos semilla y los criterios que queremos realizar.
• Puede elegir varios criterios al mismo tiempo.
• Teórico muy eficiente debido a que visita cada píxel en un tiempo limitado.

Desventajas

• A menos que a la imagen se le haya aplicado una función de umbral, puede existir una ruta continua de puntos relacionados con el color, que conecta dos puntos cualesquiera en la imagen.
• El acceso a la memoria prácticamente aleatorio ralentiza el algoritmo, por lo que podría ser necesaria una adaptación

Ver también

• k -significa agrupamiento
• Cuenca (procesamiento de imágenes)

Notas

1. Amigo, Nikhil R; Pal, Sankar K (1993). "Una revisión sobre técnicas de segmentación de imágenes". Reconocimiento de patrones . 26 (9): 1277–1278. Código Bib : 1993PatRe..26.1277P. doi :10.1016/0031-3203(93)90135-J.
2. Adoui, Mohammed El; Drisis, Stylianos; Benjelloun, Mohammed (21 de julio de 2017). Análisis de la heterogeneidad del tumor de mama para predecir la respuesta a la quimioterapia mediante el registro de imágenes de RM 3D . ACM. págs. 56–63. doi :10.1145/3128128.3128137. ISBN 9781450352819. S2CID  24873901.

Referencias

• Jian-Jiun Ding, Clase de " Análisis de tiempo-frecuencia y transformada Wavelet ", Departamento de Ingeniería Eléctrica, Universidad Nacional de Taiwán (NTU), Taipei, Taiwán, 2007.
• Jian-Jiun Ding, Clase de " Procesamiento avanzado de señales digitales ", Departamento de Ingeniería Eléctrica, Universidad Nacional de Taiwán (NTU), Taipei, Taiwán, 2008.
• WK Pratt, Procesamiento de imágenes digitales, cuarta edición , John Wiley & Sons, Inc., Los Altos, California, 2007
• M. Petrou y P. Bosdogianni, Fundamentos del procesamiento de imágenes , Wiley, Reino Unido, 2004.
• RC González y RE Woods, Procesamiento de imágenes digitales, segunda edición , Prentice Hall, Nueva Jersey, 2002.