Segmentarea imaginilor prin

tehnici de clustering
1. Constantin Vertan, Tehnici fundamentale de prelucrarea i analiza imaginilor
2. Yu-Hsiang Wang, Tutorial: Image Segmentation

Tehnicile de clustering (sau de auto-organizare a datelor multidimensionale)

sunt metode algoritmice prin care se atribuie fiecrui vector de date din mulimea
considerat o etichet de apartenen la una din clasele ce rezult prin gruparea
vectorilor similari. Toi vectorii de date ce au valori asemntoare vor cpta o
aceeai etichet de apartenen, formnd un grup. Rezult astfel o partiionare
complet a setului de vectori de trsturi asociate pixelilor imaginii, ceea ce induce
partiionarea complet a suportului spaial al imaginii, i deci segmentarea acesteia.
Asemnarea cu procesul de segmentare orientat pe regiuni este evident.
Tipuri de metode de clustering:
- iterative;
- ierarhice.

1. Metode de clustering iterativ

Aceste metode distribuie obiectele (vectorii) ntr-un numr predefinit de clase,
repetnd testarea unor condiii pentru fiecare obiect al mulimii. n funcie de
ndeplinirea sau nu a respectivelor condiii, partiia existent la un moment dat este
declarat corespunztoare sau, n urma modificrii alocrii unor uniti, procedeul se reia.
Algoritmii iterativi fac mai multe treceri prin setul de obiecte partiionat, pn la
obinerea stabilitii (convergenei) valorii criteriului ce caracterizeaz calitatea partiiei.

Fig. a) imagine original; b) filtrat prin mediere local; c) reprezentarea pixelilor din imagine n
spaiul caracteristicilor (coordonate: nivel de gri, nivel de gri mediu din vecintate).

Segmentarea prin tehnici de clustering se face n general prin luarea n calcul i a

altor caracteristici de discriminare dect nivelul de gri al unui pixel. De exemplu, n
figura de mai sus exist pixeli de fond i pixeli obiect care au acelai nivel de gri. n cea
de-a treia imagine din figur se prezint cazul n care fiecare pixel al imaginii este
caracterizat de nivelul de gri i de nivelul de gri mediu din vecintate, spaiul
caracteristicilor fiind deci bidimensional. Se observ c n spaiul caracteristicilor apare o
separare clar a dou grupuri de pixeli, ce corespund grupului de interes (grupul de jos) i
respectiv fundalului (grupul de sus).
4

Notm cu uij coeficientul de apartenen al vectorului i la clasa j . n funcie de

modelul de clustering, uij pot fi definii pentru clustering-ul binar (net) sau
nuanat (fuzzy).

Basic ISODATA algorithm

k-means clustering is a method of vector quantization, originally from signal

processing, that is popular for cluster analysis in data mining. k-means clustering
aims to partition n observations into k clusters in which each observation belongs
to the cluster with the nearest mean, serving as a prototype of the cluster.

Fig. a) imagine original; b) imagine segmentat utiliznd histograma; c) segmentarea cu

un algoritm de clustering ISODATA; d) spaiul caracteristicilor (nivel de gri, nivel de gri mediu)

10

11

12

2. Segmentarea imaginilor prin tehnici de

clustering ierarhic

13

14

Exemplu:
Median Cut Color Quantization Algorithm

15

16

17

18

19

20

3. Abordri mixte n segmentare

The concept of the JSEG algorithm is to separate the segmentation process into
two portions, color quantization and spatial segmentation. The color quantization
quantizes colors in image into several representative classes that can differentiate
re-gions in the image. The process of quantization is implemented in the color
space without considering the spatial distribution of the colors. The corresponding
color class labels replace the original pixel values and then create a class-map of
the image. The CIE LUV color space is used for the color space in JSEG. In
second portion, spatial segmentation executes on the class-map instead of
regarding the corresponding pixel color similarity. The benefit of this separation is
that respectively analyzing the similarity of the colors and their distribution is more
tractable than complete them at the same time.

21

Sau
=
ST
=
SW

zi m

i =1

=
Si

=j 1

=j 1 z i C j

zi m j

ST - reprezint variana total a imaginii

SW - reprezint suma varianelor punctelor aparinnd aceleiai clase.

=
J

ST SW
S
= T 1
SW
SW

Valoarea lui J se refer la gradul de distribuie a claselor de culoare. O distribuie

uniform a claselor de culoare corespunde unei valori mici al lui J . Un exemplu
22

de astfel de clase este prezentat n Fig. 4a, pentru care J = 0 . Dac imaginea
conine mai multe regiuni colorate omogen, i clasele de culoare sunt separate
unele de altele, valoarea corespunztoare lui J este mare (cazul din Fig. 4c unde
J = 1.720 ). Exist i alte cazuri, ca cel din Fig. 4b, care semnific o distribuie mai
omogen dect cazul din Fig. 4a.
Obs. - J este mare pentru clase bine separate spaial
- J este mic pentru clase ntreptrunse (modele, texturi, )

Dup definirea operatorului J , n algoritmul JSEG se lucreaz cu dou

tipuri de valori: media J i valoarea local a lui J . Media este utilizat drept
criteriu de estimare a performanei segmentrii. Se definete astfel:
J =

1
N

M k Jk
k

Unde J k este valoarea lui J pentru regiunea k , M k este numrul de pixeli din
regiunea k , N este numrul total de pixeli.
23

Obs. Pentru un numr fixat de regiuni, cea mai bun segmentare are cea mai mic
valoare pentru J . O valoare mic pentru J nseamn c fiecare regiune
segmentat conine cteva etichete de clas de culoare uniform distribuite. n fig. 5
sunt date dou exemple de hri de clase segmentate.

Operarea cu valori locale ale lui J se bazeaz pe ferestre locale. Dimensiunea

ferestrei locale determin dimensiunea regiunilor imaginii care pot fi detectate.
Ferestre mici se utilizeaz pentru localizarea intensitii/culorii muchiilor, n timp
ce ferestre mari sunt utilizate n detectarea limitelor texturilor. Suplimentar, valori
locale mari pentru J nseamn c este mai probabil ca pixelul corespunztor este
aproape de o regiune. n algoritmul JSEG, se folosesc scale multiple pentru a
segmenta o imagine (rezoluii diferite ale imaginii). Fereastra de baz cea mai mic
este de 9 9 , fr coluri ca n figura 6(a). Scale mai mari se obin prin dublarea
dimensiunii scalei anterioare (de fapt urmtoarea fereastr este 17 17 , vezi mai
jos). n figura 6(b) este prezentat fereastra la scala 2, unde rata de eantionare este
1 din 2 pixeli de-a lungul direciilor x i y. Utilizatorul determin numrul de scale
pentru o imagine, care afecteaz nivelul de detaliu.

24

Algoritmul JSEG
Corespunztor caracteristicilor valorilor lui J , o metod modificat de cretere a
regiunilor poate fi aplicat la segmentarea unei imagini. Algoritmul ncepe
segmentarea la scara cea mai mare. Apoi se repet acelai proces pe noile regiuni
segmentate la urmtoarea scal mai mic. Dup segmentarea final la cea mai mic
scal, urmeaz operaia de unificare a regiunilor (vezi diagrama JSEG).

25

26

27

Fig. Diagrama prilor algoritmului JSEG

The algorithm starts the segmentation at the largest scale. Then it repeats the same
process on the newly segmented regions at the next lower scale. After finishing the
final segmentation at the smallest scale, the region merging operation follows
region growing to derive the final segmentation result. The flow-chart of the steps
in JSEG is presented in the above Fig.
Before operating seed growing (valley seed area), we must determine the initial
seed areas. These areas correspond to minima of local J values.

28

29

Obs. Algoritmul JSEG se poate aplica i pe imagini cu nivele de gri, unde valorile
intensitii sunt cuantizate ca i n cazul culorilor. Totui, rezultatele aplicrii
algoritmului nu sunt la fel de bune deoarece numai intensitatea nu este la fel de bun
discriminant ca i culoarea (figura de mai sus i figura 9).

30

31

Observatie: J{o,#} = 0.11

32

33

34

35

36

37

38

Considernd o netezire de tip mediere central ponderat cu coeficientul c > 0 i

operaiile de derivare descrise de mtile:
( 1 0 1) - pe orizontal
1

0
1

- pe vertical,

Obinem mtile echivalente de filtrare (* - produs de convoluie):

1

Wx = c 1
1

Wy
=

(1

1 0 1

1 = c 0 c - netezire vertical, derivare orizontal

1 0 1

1

1 =
0
1

1 c 1

0 0 0 - netezire orizontal, derivare vertical

1 c 1

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54