Facultatea Automatica si Calculatoare

Universitatea Tehnica “Gheorghe Asachi” din Iaşi,

Romania

Prelucrarea imaginilor
curs – an III CTI

prof. dr. ing. Vasile Manta

conf. dr. ing. Simona Caraiman
Prelucrarea imaginilor

Capitolul 3. Segmentare

Region Growing

PI – curs 10
Segmentarea imaginilor

PI – curs 10
Segmentare pe baza de regiuni
Regiune
Un grup de pixeli conectati
cu proprietati similare

Contururi inchise

Calculul regiunilor – pe baza

de similaritate

Regiunile corespund
obiectelor sau unor parti
din obiecte

Proximitate spatiala +
PI – curs 10 similaritate
Region growing
Formarea unei regiuni:

 Se porneste de la un pixel samanta (x, y, I(x, y)) -

seed

 Se adauga recursiv pixelii adiacenti care satisfac

un criteriu de similaritate cu pixelii continuti deja
in regiune

PI – curs 10
Region growing
Adiacenta:
 vecinatate 4 sau 8 conectata

Criterii de similaritate:
 Diferenta de intensitate (in valoare absoluta) intre
pixelii candidati si samanta
 Diferenta de intensitate intre pixelul candidat si
intensitatea medie a regiunii
 Diferenta maxima de intensitate in regiune
 Diferenta intre deviatia standard a intensitatii intr-
o vecinatate a pixelului candidat si cea din
vecinatatea pixelului samanta
PI – curs 10
Region growing
1. Alegerea pixelului samanta
2. Adaugarea in regiune a pixelilor vecini daca
respecta criteriul de similaritate
3. Se repeta pasul 2 pentru fiecare pixel adaugat;
Terminare cand nu mai poat fi adaugat niciun
pixel

vecin – seed <= Threshold = 3

Region growing - exemple
Segmentare muschi/os in scanari CT

PI – curs 10
Region growing - exemple
Segmentare muschi/os in scanari CT

PI – curs 10
Region growing - exemple
Segmentare muschi/os in scanari CT

PI – curs 10
Region growing - exemple
Segmentare muschi/os in scanari CT

PI – curs 10
Region growing - implementare

PI – curs 10
Region growing - exemple
Metoda este sensibila la parametri:

d = 40 d = 41

PI – curs 10
Region growing - exemple
Metoda este sensibila la parametri:

Imagine 64x64 86 regiuni 4-conectate

PI – curs 10
Region growing - exemple
Metoda este sensibila la parametri:

Imagine 64x64 10 regiuni 8-conectate

PI – curs 10
Region growing - exemple
Metoda este sensibila la parametri:

regiuni 4-conectate regiuni 8-conectate

PI – curs 10
Region growing - limitari
Segmentarea trebuie sa satisfaca o serie de
criterii:
1. Fiecare pixel trebuie sa fie asignat unei
regiuni

2. Fiecare pixel trebuie sa apartina unei singure

regiuni

3. Fiecare regiune trebuie sa fie un set de pixeli

conectati

4. Fiecare regiune trebuie sa fie uniforma

PI – curs 10
Region growing - limitari
Segmentarea trebuie sa satisfaca o serie de
criterii:
1. Fiecare pixel Numarul
trebuie saseedfie
de pixeli poateasignat unei
fi insuficient pentru
a crea regiuni pentru fiecare pixel
regiuni

2. Fiecare pixel trebuie sa apartina unei singure

regiuni

Regiunile crescute din seminte vecine vor fi

3. Fiecare regiune considerate
trebuiedistincte,
sa fiechiarundacaset
suntde pixeli
definiti intr-
conectati o zona potential uniforma in imagine

4. Fiecare regiune trebuie sa fie uniforma

PI – curs 10
Segmentarea imaginilor

PI – curs 10
Segmentare prin divizare si unificare
Region splitting and merging
Splitting
1. Se porneste cu o regiune care initial este
constituita din toata imaginea
2. Regiunea este subdivizata recursiv cat timp
nu este satisfacuta o conditie de omogenitate

Merging
3. Unirea regiunilor adiacente uniforme pentru a
evita suprasegmentarea

PI – curs 10
Segmentare prin divizare si unificare
Region splitting and merging
Quadtree pentru splitting

Relatia de adiacenta intre

regiunile ce formeaza zona
neagra cea mai mare

PI – curs 10
Segmentare prin divizare si unificare
Region splitting and merging

PI – curs 10
Segmentare prin clusterizare
Clusterizare:
Organizarea unui set de date in clase astfel incat
sa se obtina
 Similaritate mare in interiorul clasei
 Varianta mare intre clase

Gruparea instantelor similare

PI – curs 10
Segmentare prin clusterizare
Clusterizare:
Organizarea unui set de date in clase astfel incat
sa se obtina
 Similaritate mare in interiorul clasei
 Varianta mare intre clase

Gruparea instantelor similare

PI – curs 10
Segmentare prin clusterizare
Similaritate:
 Distanta Euclidiana (patratica) mica

Rezultatele clusterizarii depind de masura de

similaritate utilizata

PI – curs 10
Segmentare prin clusterizare
Similaritate:
 Distanta Euclidiana (patratica) mica

Rezultatele clusterizarii depind de masura de

similaritate utilizata

PI – curs 10
Segmentare prin clusterizare
Similaritate:
 Distanta Euclidiana (patratica) mica

Rezultatele clusterizarii depind de masura de

similaritate utilizata

PI – curs 10
Segmentare prin clusterizare
Segmentare
Impartirea imaginii in regiuni perceptual similare

PI – curs 10
Segmentare prin clusterizare – K-Means
Algorim iterativ de clusterizare
Initializare:
 Se aleg in mod aleator K centroizi

Iterativ:
 Se asigneaza punctele unui cluster conform
celei mai mici distante fata de un centroid
 Se actualizeaza centroizii – media punctelor din
cluster

Terminare:
- Cand clusterele nu se
PI – mai
curs 10 modifica
Segmentare prin clusterizare – K-Means

PI – curs 10
Segmentare prin clusterizare – K-Means

PI – curs 10
Segmentare prin clusterizare – K-Means

PI – curs 10
Segmentare prin clusterizare – K-Means

PI – curs 10
Segmentare prin clusterizare – K-Means

PI – curs 10
Segmentare prin clusterizare – K-Means

PI – curs 10
Segmentare prin clusterizare – K-Means

PI – curs 10
Segmentare prin clusterizare – K-Means

K=5

PI – curs 10