Algoritmos

Algoritmos gy Kristel-oauila I Ocopa,nR I I, 20 IE 5 pagcs ALEJANDRO PALADINES GRUPO#5061 Algoritmo de Segmentacion: Por Crecimiento de Regiones Este método, intenta agrupar pixeles o sub regiones basado en un criterio de similitud predefinido que corresponde al predicado lógico p. Este tipo de algoritmos necesita que el usuario seleccione un conjunto de puntos semilla en la imagen. Entre los principales criterios tomados en cuenta tenemos: la similaridad en la intensidad de los pixeles y la varianza. ors to View nut*ge Método del conjunto Es una técnica numé ventaja del método d ces y formas.

La ue se puede realizar álculos numéricos que involucran curvas y superficies sobre una cuadrícula cartesiana fija sin tener que parametrizar estos objetos (esto se llama el enfoque euleriano). Una manera muy simple pero poderosa para comprender el método del conjunto de nivel es estudiar la ilustración adjunta antes de proceder a una definición más técnica, la que entonces se hace más comprensible. La figura de la derecha ilustra varias ideas importantes sobre el método del conjunto de nivel. Los métodos de conjunto de nivel suelen clasificarse en m etodos de banda estrecha (narrow band) o de campo disperso (sparse field). tener los k centros iniciales y formar clusters asociando todos los objetos de X a los centros más cercanos, después se recalculan los centros. Si esos centros no difieren de los centros antenores, entonces el algoritmo termina; caso contrario, se repite el proceso de asociación con los nuevos centros hasta que no haya variación en los centros, o se cumpla algún otro criterio de parada como poco número de reasignaciones de los objetos. El algoritmo básico es: Escoger K centros de clusters, ya sea de forma aleatoria o basándose en algún método heurístico.

Asignar a cada píxel de la imagen el clúster que minimiza la ananza entre el pixel y el centro del cluster. Recalcular los centros de los clusters haciendo la media de todos los pixeles del cluster. Repetir los pasos 2 y 3 hasta que se consigue la convergencia (por ejemplo, los pixeles no cambian de clusters). Segmentación multi- escala Las segmentaciones de la imagen se calculan en múltiples escalas y a veces se propaga de gran escala a pequeña escala. Los cnterios de segmentación pueden ser arbitrariamente complejos y se pueden tener en cuenta tanto criterios globales como locales.

IJn requisito común es que cada región debe estar conectada en algún sentido. Algoritmos de segmentación multiescala SWA (Segmentation by Weighted Aggregation) han demostrado en los últimos años proporcionar buenos resultados en diferentes ámbitos, por lo que en este proyecto se ha desarrollado e implementado un método de segmentación multiescala basado en la estructura de los algontmos SWA que trata de RI_IFS segmentación multiescala basado en la estructura de los algoritmos SWA que trata de ofrecer buenos resultados ante el uso de imágenes de manos tomadas por dispositivos móviles.

Método del valor Umbral (Umbralización) Son un grupo de algoritmos cuya finalidad es segmentargráficos asterizados, es decir separar los objetos de una imagen que nos interesen del resto. Con la ayuda de los métodos de valor umbral en las situaciones más sencillas se puede decldir qué píxeles conforman los objetos que buscamos y qué píxeles son sólo el entorno de estos objetos.

Este método es especialmente útil para separar el texto de un documento del fondo de la imagen (papel amarillento, con manchas y arruguitas por ejemplo) y así poder llevar a cabo el reconocimiento óptico de texto (OCR) con más garantías de obtener el texto correcto. Normalmente los métodos del valor umbral «binarizan» la imagen e partida, es decir se construyen dos segmentos: el fondo de la imagen y los objetos buscados. La asignación de un pixel a uno de los dos segmentos (O y 1 ) se consigue comparando su nivel de gris g con un cierto valor umbral preestablecido t (en inglés threshold).

La imagen final es muy sencilla de calcular ya que para cada pixel sólo hay que realizar una comparación numérica. La regla de cálculo correspondiente es: Si establecemos varios valores umbral se puede modificar el método de forma que tengamos más de dos segmentos. Para n segmentos se establecen (n-l) valores umbral ti: Con el método local del valor umbral se divide la imagen original en regiones y se estable 31_1fS umbral ti: en regiones y se establece un valor umbral para cada una de ellas.

Es decir en cada región de la imagen Ri se establece un valor umbral ti, sin que esto afecte a la calidad de la segmentación de las otras regiones. El cálculo para cada pixel (x,y) es: En comparación con el método global, el método local es menos sensible a las variaciones de luminosidad, pero en las fronteras entre las regiones elegidas pueden aparecer desniveles visibles. Dependiendo del número de regiones los cálculos pueden ser emaslado largos para que un humano pueda escoger el valor umbral adecuado para cada una. En este caso es necesario utilizar algún método automático para fijar los valores umbral.

Más adelante se describirá uno de los más conocidos. Una extensión del método local es el método del valor umbral dinámico, en el que se define para cada pixel una zona vecina N a la que se asigna un valor umbral adecuado t(N). En este caso es imprescindible disponer de un método para calcular el valor umbral adecuado de manera automática. El método de cálculo para cada pixel (x,y) es: La imagen de partida ha sido segmentada con el método del alor umbral: a modo de ejemplo se han tomado cuatro valores umbral diferentes y se ha generado el resultado correspondiente.

En la imagen que resulta cada píxel pertenece a uno de los dos segmentos: o al fondo (blanco=0) o al objeto (negro=l). La umbralización es uno de los más Importantes métodos de segmentación. El objetivo es convertir una imagen en esc 406 S de los más importantes métodos de segmentación. El objetivo es convertir una Imagen en escala de grises a una nueva con sólo dos niveles, de manera que los objetos queden separados del fondo. Detección de bordes en imágenes en escala de grises: Canny Es el detector de bordes más potente que existe actualmente.

Los pasos principales del algoritmo son: 1 . Se realiza una convolución con un filtro gaussiano. De esta forma la imagen se suaviza (eliminación de ruidos). 2. Se calcula el gradiente de la imagen suavizada, para determinar los pixeles donde se produce máxima variación (mayor módulo del vector gradiente). Segmentación de imágenes Detección de discontinuidades Bordes También se determina la dirección del vector gradiente. 3. La matriz M correspondiente al módulo del gradiente de la función gaussiana tendrá valores grandes donde la variación de a intensidad sea grande.

Se eliminan (igualan a cero) aquellos píxeles que no son máximos locales en la dirección del gradiente (que es perpendicular al borde). 4. Se realiza un proceso de doble umbralización para determinar los píxeles del borde: se marcan los píxeles con valor por encima de un umbral TI; se marcan aquellos pixeles conectados a los primeros cuyo valor esté por encima de un segundo umbral T 2 Un ejemplo de aplicación de este método es el siguiente: El filtro Gaussiano se ha realizado para 0=4 y una máscara de tamaño 25×25. Los umbrales considerados han sido TI -0. 1 y T2=O. 04 SÜFS