El crecimiento regional 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 la 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 agrupación de datos . A continuación se describe una discusión general del algoritmo de crecimiento de la región.
Segmentación basada en regiones
El objetivo principal de la segmentación es dividir una imagen en regiones. Algunos métodos de segmentación, como la creación de umbrales, logran este objetivo al buscar los límites entre regiones según las discontinuidades en la escala de grises o las propiedades del color . La segmentación basada en regiones es una técnica para determinar la región directamente. La formulación básica es: [1]
- es un predicado lógico definido sobre los puntos en conjunto y es el conjunto nulo.
(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 en tienen la misma escala de grises.
(e) indica que la región y son diferentes en el sentido de predicado .
Concepto básico de puntos semilla
El primer paso en el crecimiento de la 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 cierto rango de escala de grises, píxeles espaciados uniformemente en una cuadrícula, etc.). La región inicial comienza como la ubicación exacta de estas semillas.
A continuación, las regiones se cultivan desde estos puntos semilla hasta puntos adyacentes, según el criterio de pertenencia a una región. El criterio podría ser, por ejemplo, intensidad de píxeles, textura en escala de grises o color.
Dado que las regiones se cultivan sobre la base del criterio, la información de la imagen en sí es importante. Por ejemplo, si el criterio fuera un valor de umbral de intensidad de píxel, sería útil conocer el histograma de la imagen, ya que se podría utilizar para determinar un valor de umbral adecuado para el criterio de pertenencia a la región.
A continuación se muestra un ejemplo muy simple. Aquí usamos 4 vecindarios conectados para crecer desde los puntos de semilla. También podemos elegir vecindario de 8 conectados para nuestra relación de píxeles adyacentes. Y el criterio que hacemos aquí es el mismo valor de píxel. Es decir, seguimos examinando los píxeles adyacentes de los puntos semilla. Si tienen el mismo valor de intensidad que los puntos semilla, los clasificamos en puntos semilla. Es un proceso iterativo hasta que no hay cambios en dos etapas iterativas sucesivas. Por supuesto, podemos hacer otros criterios, pero el objetivo principal es clasificar la similitud de la imagen en regiones.
Algunas cuestiones importantes
![](http://wikiimg.tojsiabtv.com/wikipedia/commons/2/24/Regiongrowing_histogram1.jpg)
Entonces podemos concluir varias cuestiones importantes sobre el crecimiento de la región:
1. Es importante la selección adecuada de puntos semilla.
La selección de puntos semilla depende de los usuarios. Por ejemplo, en una imagen de un rayo en escala de grises, es posible que deseemos segmentar el rayo del fondo. Entonces, probablemente, podamos examinar el histograma y elegir los puntos semilla del rango más alto.
2.Más información de la imagen es mejor.
Obviamente, la conectividad o la información adyacente a los píxeles nos ayuda a determinar el umbral y los puntos semilla.
3. El valor, "umbral de área mínima".
Ningún resultado del método de crecimiento de región en región será menor que este umbral en la imagen segmentada.
4. El valor, "Valor umbral de similitud".
Si la diferencia del valor de los píxeles o el valor de la diferencia de la escala de grises promedio de un conjunto de píxeles es menor que el "Valor de umbral de similitud", las regiones se considerarán como una misma región.
Los criterios de similitudes o la llamada homogeneidad que elegimos también son importantes. Suele depender de la imagen original y del resultado de segmentación que queramos. [2]
Algunos criterios que se utilizan con frecuencia son la escala de grises (intensidad o variación media), el color y la textura o la forma.
Ejemplos de simulación
Aquí mostramos un ejemplo simple para el crecimiento de una región.
La figura 1 es la imagen original que es una imagen de un rayo en escala de grises. El valor de la escala de grises de esta imagen es de 0 a 255. La razón por la que aplicamos el crecimiento de la región en esta imagen es que queremos marcar la parte más intensa de la imagen con un rayo y también queremos que el resultado se conecte sin separarse. Por lo tanto, elegimos los puntos que tienen el valor de escala de grises más alto, que es 255, como los puntos semilla que se muestran en la Figura 2.
Después de determinar los puntos semilla, tenemos que determinar el rango de umbral. Tenga siempre en cuenta que el objetivo es marcar la luz más fuerte en la imagen. La tercera cifra es el resultado de crecimiento de la región al elegir el umbral entre 225 y el valor de los puntos semilla (que es 255). Por lo tanto, solo marcamos los puntos cuyos valores de escala de grises están por encima de 225.
Si ampliamos el rango del umbral, obtendremos un resultado con un área más grande de la región del rayo que se muestra en la Figura 4 y la Figura 5.
Podemos observar la diferencia entre las dos últimas cifras que tienen diferentes valores de umbral. El crecimiento regional nos brinda la capacidad de separar la parte que queremos conectar.
Como podemos ver en la Figura 3 a la Figura 5, los resultados segmentados en este ejemplo están conectados orientados a la semilla. Eso significa que el resultado creció a partir de los mismos puntos de semilla que son las mismas regiones. Y los puntos no crecerán sin estar conectados con los puntos semilla.
Por lo tanto, todavía hay muchos puntos en la imagen original que tienen valores de escala de grises por encima de 155 que no están marcados en la Figura 5.
Esta característica asegura la fiabilidad de la segmentación y proporciona la capacidad de resistir el ruido. Para este ejemplo, esta característica nos impide marcar la parte que no es un rayo en la imagen porque el rayo siempre está conectado como una parte.
Las ventajas y desventajas del crecimiento regional
Concluimos brevemente las ventajas y desventajas del crecimiento regional.
Ventajas de los métodos de cultivo de la región:
- Puede separar correctamente las regiones que tienen las mismas propiedades que definimos.
- puede proporcionar las imágenes originales que tienen bordes claros con buenos resultados de segmentación.
- concepto simple: solo necesitamos una pequeña cantidad de puntos semilla para representar la propiedad que queremos, luego cultivar la región.
- puede determinar los puntos semilla y los criterios que queremos hacer.
- puede elegir varios criterios al mismo tiempo.
- teóricamente muy eficiente debido a que visita cada píxel por un límite de tiempo limitado.
Desventajas:
- método local sin una visión global del problema.
- sensible al ruido.
- A menos que se haya aplicado una función de umbral a la imagen, puede existir una ruta continua de puntos relacionados con el color, que conecta dos puntos cualesquiera en la imagen.
- El acceso a memoria prácticamente aleatorio ralentiza el algoritmo, por lo que podría ser necesaria una adaptación
Ver también
Notas
- ↑ Pal, Nikhil R; Pal, Sankar K (1993). "Una revisión sobre técnicas de segmentación de imágenes". Reconocimiento de patrones . 26 (9): 1277–1278. doi : 10.1016 / 0031-3203 (93) 90135-J .
- ^ Adoui, Mohammed El; Drisis, Stylianos; Benjelloun, Mohammed (21 de julio de 2017). Analizar la heterogeneidad del tumor de mama para predecir la respuesta a la quimioterapia mediante el registro de imágenes de RM en 3D . ACM. págs. 56–63. doi : 10.1145 / 3128128.3128137 . ISBN 9781450352819.
Referencias
- Jian-Jiun Ding, la clase de " Análisis de frecuencia de tiempo y transformación de ondas ", Departamento de Ingeniería Eléctrica, Universidad Nacional de Taiwán (NTU), Taipei, Taiwán, 2007.
- Jian-Jiun Ding, la clase de " Procesamiento de señales digitales avanzadas ", Departamento de Ingeniería Eléctrica, Universidad Nacional de Taiwán (NTU), Taipei, Taiwán, 2008.
- WK Pratt, 4.a edición de procesamiento de imágenes digitales , John Wiley & Sons, Inc., Los Altos, California, 2007
- M. Petrou y P. Bosdogianni, Image Processing the Fundamentals , Wiley, Reino Unido, 2004.
- RC Gonzalez y RE Woods, Digital Image Processing 2nd Edition , Prentice Hall, Nueva Jersey, 2002.