Segmentación (processament d'imàgens)

Archiu:Polarlicht 2 kmeans 16 large.png

Segmentación (processament d'imàgens)

La segmentación és un dels problemes generals del camp de la visió artificial i consistix en dividir una image digital en vàries regions (grups de píxelés) denominades segments. Més concretament, la segmentación és un procés de classificació per píxel que assigna una categoria a cada píxel de l'image analisada. Este problema general es dividix en problemes especialisats, donant lloc per eixemple a:

• segmentación per color
• segmentación per textures
• superpíxel
• segmentación semàntica

Cada problema especialisat li otorga un significat propi a les categories que s'usen en la classificació dels píxels. Un dels casos més elementals de segmentación és l'umbralización, un tipo particular de segmentación per color en sol dos categories: clar i obscur. Cada píxel es classifica com a clar o obscur comparant la seua intensitat en una intensitat de referència donada denominada llindar. Per un atre costat, un dels casos més sofisticats és la segmentación semàntica que classifica objectes diversos. Mask R-CNN és un segmentador semàntic que classifica 90 categories del dataset COCO, reconeixent persones, vehículs, vegetació, carrer, vereda, edificis, i demés elements típics en escenes urbanes.

L'objectiu de la segmentación és localisar regions en significat. La segmentación s'usa tant per a localisar objectes com per a trobar les seues vores dins d'una image. El resultat de la segmentación d'una image és un conjunt de segments que cobrixen tota l'image sense superpondre's. Es pot representar com una image d'etiquetes (una etiqueta per a cada píxel) o com un conjunt de contorns.

Elements i procés de segmentación

Cada algoritme de segmentación discrimina una determinada cantitat de classes o categories, i a cada categoria li assigna una etiqueta o identificador, un valor sancer que l'algoritme usa per a expressar eixa categoria. La mínima classificació possible és la que discrimina dos categories; és un cas freqüent i li la denomina segmentación binaria.

Tots els algoritmes de segmentación operen sobre una image, típicament a color o en blanc i negre, i generen una atra image, artificial, del mateix tamany que l'analisada, en la que cada píxel expressa una etiqueta. Les regions formades per píxels veïns en la mateixa etiqueta es denomina segment. Els segments es poden interpretar com a peces d'un rompecabezas: no se superponen i entre tots cobrixen l'image completa.

L'image resultant d'una segmentación està preparada per a ser consumida computacionalment, pero no per a ser visualisada. Per a presentar a un usuari el resultat d'una segmentación és necessària una etapa de visualisació que assigna colors fàcilment discernibles a cada etiqueta.

Alternativament, en lloc d'usar una image d'etiquetes, el resultat d'una segmentación es poden representar per mig de contorns, llínees tancades de formes arbitràries que senyalen les vores dels segments.

Glossari

La segmentación d'imàgens utilisa gerga de visió artificial i d'aprenentage automàtic, que es resumix a continuació:

• etiqueta: número entero que identifica una categoria
• segmente: grup de píxels conectats (veïns) en una mateixa categoria
• segmentación: procés que produïx una image d'etiquetes, assignant una etiqueta per a cada píxel de l'image original

Taxonomia

Els diversos métodos de segmentación es classifiquen de vàries maneres.

• Segmentación binaria
  • la que distinguix solament dos categories
  • les que no són binarias es denominen segmentación múltiple
• Segmentación assistida o semiautomàtica
  • algoritmes que requerixen anotacions prèvies, senyalant regions a analisar o a distinguir
  • una persona sol fer anotacions marcant zones sobre l'image
  • en alguns casos és possible automatisar estes anotacions fent us d'atres algoritmes de visió artificial
• Segmentación semàntica
  • distinguix categories d'alt nivell significante, usualment objectes
• Segmentación instanciada
  • distinguix individus de la mateixa categoria
• Segmentación panóptica
  • combinació de la segmentación semàntica i instanciada, reconeixent individus de vàries categories
• Segmentación basada en models d'aprenentage profunt (deep learning)

Archiu:Image processing post otsus algorithm.jpg

Segmentación binaria per umbralización, en llindar automàtic

Segmentación binaria

Els segmentadores binarios són els que tenen solament dos categories, usualment denominades front i fondo. El seu us principal és el d'extraure un segment en l'objecte buscat.

La umbralización és la segmentación més bàsica i simple, és un eixemple de segmentación binaria. Opera sobre cada píxel de manera independent classificant-los per la seua intensitat comparada en un llindar donat: si és més clar correspon al front, si no, al fondo.

Archiu:Fig-14-Result-comparisons.jpg

3 métodos de segmentación assistida. Els métodos d'esquerra i dreta requerixen que l'usuari indique en vert alguns dels píxels inclosos en l'objecte a segmentar, i en blau alguns dels píxels que no es deuen incloure. El método del mig requerix indicar en un requadro roig l'objecte a segmentar.

Segmentación assistida o semiautomàtica

Estos métodos requerixen que l'usuari aporte indicacions sobre la regió de l'image a segmentar. Els majors exponents d'este tipo de segmentación són l'algoritme Watershed, el concepte de la qual es remonta a 1979, i GrabCut, de 2004.

Watershed

Requerix que se li assignen etiquetes a alguns píxels, als que es denominen llavors; l'algoritme amplia paulatinament la regió a partir d'elles buscant les vores entre segments. Si el resultat no és l'esperat, l'usuari deu aumentar la cantitat de marques especialment en la zona que es deu canviar.

GrabCut

És un algoritme més modern pero anterior a les rets convolucionales. És un segmentador binario que intenta capturar l'objecte dominant en l'image. Requerix que l'usuari recuadre l'objecte: la zona fòra del requadro es pren com a llavor del segment de fondo.

Métodos interactius

Livewire és una tècnica interactiva que traça la vora del segment a partir de punts indicats per l'usuari.

Simple iterative object extraction és una tècnica àmpliament adoptada i més alvançada que l'anterior, de 2006 i de còdic obert.

Segmentación basada en aprenentage profunt

L'introducció de les rets convolucionales (CNN, convolutional neural networks) en la visió artificial va ser una gran fita en 2012, que va obrir un camp d'investigació intensiva en resultats sorprenents. La ràpida evolució de les CNN va aplegar al camp de la segmentación donant un bot qualitatiu en 2015 de la mà de FCN, SegNet i ResNet, marcant un abans i un despuix: pràcticament tots els algoritmes de segmentación posteriors a 2015 estan basats en CNN i resolen problemes complexos i d'alt nivell com la segmentación semàntica, instanciada i panóptica deixant obsolets als seus predecessors. Per este motiu els anteriors a 2015 són calificats com "clàssics", i solament varen sobreviure a l'obsolescència els dedicats a segmentaciones de baix nivell, com la umbralización o la segmentación per color i algunes notables excepcions com GrabCut i Watershed.

• Segmentación semàntica distinguint 4 categories: ninot de peluig, rosa, got i fondo.
  Segmentación semàntica distinguint 4 categories: ninot de peluig, rosa, got i fondo.

l'estat de l'art en 2018 va estar donat pel model Mask R-CNN, segmentador semàntic i instanciado entrenat sobre el dataset COCO, que distinguix 90 categories d'objectes comuns.