Región en crecimiento

El crecimiento de regiones es un método sencillo 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 semilla iniciales .

Este método de segmentación examina los píxeles vecinos de los puntos semilla iniciales y determina si deben añadirse a la región. El proceso se repite de forma iterativa, al igual que en los algoritmos generales de agrupamiento de datos . A continuación se describe el algoritmo de crecimiento de regiones.

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

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

${\displaystyle (b){\text{ }}R_{i}{\text{ es una región conexa}},{\text{ i}}={\text{1}},{\text{ 2}},{\text{ }}...,{\text{n}}}$

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

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

${\displaystyle (e){\text{ }}P(R_{i}\bigcup R_{j})=\mathrm {FALSE} {\text{ para cualquier región adyacente }}R_{i}{\text{ y }}R_{j}.}$

${\displaystyle P(R_{i})}$es un predicado lógico definido sobre los puntos en el conjunto${\displaystyle R_{i}}$y${\displaystyle \varnothing }$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) trata de las propiedades que deben satisfacer los píxeles en una región segmentada. Por ejemplo,${\displaystyle P(R_{i})={\text{VERDADERO}}}$si todos los píxeles en${\displaystyle R_{i}}$tienen la misma escala de grises.

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

El primer paso en el crecimiento de regiones consiste en seleccionar un conjunto de puntos semilla. La selección de estos puntos se basa en algún criterio definido por el usuario (por ejemplo, píxeles dentro de un rango de escala de grises específico, píxeles espaciados uniformemente en una cuadrícula, etc.). La región inicial comienza con la ubicación exacta de estos puntos semilla.

A partir de estos puntos semilla, las regiones se expanden hacia puntos adyacentes según un criterio de pertenencia a la región. Este criterio podría ser, por ejemplo, la intensidad del píxel, la textura en escala de grises o el color.

Dado que las regiones se definen en función del criterio, la información de la imagen en sí misma es importante. Por ejemplo, si el criterio fuera un valor umbral de intensidad de píxeles, el conocimiento del histograma de la imagen sería útil, ya que podría utilizarse para determinar un valor umbral adecuado para el criterio de pertenencia a la región.

Se puede utilizar un vecindario de 4 conexiones para crecer a partir de los puntos semilla. Una alternativa para la relación de adyacencia de píxeles es el vecindario de 8 conexiones . Los píxeles adyacentes a los puntos semilla se examinan y se clasifican como puntos 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 texto se han explorado diversas metodologías, como la detección de límites y el umbralizado, para lograr este objetivo. Sin embargo, el crecimiento de regiones presenta un enfoque alternativo, centrado en la identificación y expansión directa de regiones a partir de puntos semilla designados, ofreciendo así 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, basándose en criterios predefinidos. Este proceso iterativo comienza con puntos semilla estratégicamente ubicados dentro de la imagen. Estos puntos semilla sirven como origen para la expansión de la región, ya que los píxeles vecinos que cumplen con criterios de similitud específicos —como la intensidad o los rangos de color— se asimilan progresivamente a la región en crecimiento, delimitando así límites coherentes.

La selección de puntos semilla adecuados es un aspecto crítico del crecimiento de regiones, ya que influye significativamente en la eficacia y precisión del proceso de segmentación. Los puntos semilla pueden elegirse en función del conocimiento previo del dominio o calcularse dinámicamente analizando las propiedades de los píxeles. En escenarios donde no se dispone de información previa, se calculan las propiedades de cada píxel, y los grupos de valores indican posibles puntos semilla. Los píxeles próximos a los centroides de estos grupos suelen considerarse adecuados como puntos semilla.

La selección y definición de criterios de similitud son fundamentales para guiar el proceso de crecimiento de regiones. La elección de criterios depende del ámbito específico del problema y de las características de los datos de imagen considerados. Por ejemplo, en aplicaciones como el análisis de imágenes satelitales de uso del suelo, el color puede ser un factor determinante para la delimitación de regiones, mientras que en imágenes monocromáticas, 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. Ignorar las consideraciones de conectividad puede dar lugar a la formación de regiones espurias, lo que compromete la integridad y la utilidad del proceso de segmentación. Los mecanismos de conectividad facilitan la agregación coherente de píxeles en regiones significativas, mejorando así la interpretabilidad y la aplicabilidad de los resultados de la segmentación.

Establecer una regla de parada sólida es fundamental para controlar la finalización del proceso de crecimiento de regiones. Si bien criterios locales como la intensidad, la textura y el color desempeñan un papel crucial en la detención del crecimiento de regiones, parámetros adicionales como el tamaño, la similitud con los píxeles ya crecidos y la forma de la región contribuyen a refinar los resultados de la segmentación. Estas reglas de parada garantizan que el crecimiento de regiones cese una vez que los criterios predefinidos para su inclusión en una región ya no se cumplen, lo que fomenta la generación de resultados de segmentación precisos y significativos.

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

• Encuentra todos los componentes conectados en el arreglo semilla S(x, y) y erosiona cada componente conectado a un píxel, etiquetando todos esos píxeles como 1. Todos los demás píxeles en S se etiquetan como 0.
• Formar 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 al agregar a cada punto semilla en S todos los puntos con valor 1 en fo que están conectados de forma 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 mediante crecimiento de regiones.

• Agrupamiento k -medias
• Cuenca hidrográfica (procesamiento de imágenes)

• Jian-Jiun Ding, Curso de " Análisis tiempo-frecuencia y transformada wavelet ", Departamento de Ingeniería Eléctrica, Universidad Nacional de Taiwán (NTU), Taipéi, Taiwán, 2007.
• Jian-Jiun Ding, Curso de " Procesamiento Avanzado de Señales Digitales ", Departamento de Ingeniería Eléctrica, Universidad Nacional de Taiwán (NTU), Taipéi, Taiwán, 2008.
• WK Pratt, Procesamiento de imágenes digitales, 4.ª edición , John Wiley & Sons, Inc., Los Altos, California, 2007
• M. Petrou y P. Bosdogianni, Procesamiento de imágenes: los fundamentos , Wiley, Reino Unido, 2004.
• RC Gonzalez y RE Woods, Procesamiento de imágenes digitales, 2.ª edición , Prentice Hall, Nueva Jersey, 2002.