Segmentación de imágenes naturales usando colores de referencia en el espacio CIELab Geovanni Hernandez-Gomez○, Raul E. Sanchez-Yanez◊ Universidad de Guanajuato FIMEE , Salamanca, Gto., México ○ geovanni@laviria.org, ◊sanchezy@salamanca.ugto.mx Resumen. Se presenta un sistema de segmentación de imágenes naturales usando color. Esta propiedad se analiza usando el espacio de color CIELab y una base de colores del catálogo Pantone, utilizándose éstos como referencia. La utilización de modelo CIELab permite la agrupación de regiones con cierto nivel de variaciones en la tonalidad de un color, reduciendo así parcialmente el problema de sobresegmentación. 1. INTRODUCCIÓN Una de las tareas de mayor importancia en el procesamiento de imágenes es la segmentación [2, 5, 6]. Debido a que un objeto puede ser caracterizado por sus propiedades de color, textura y forma, podemos usar al color como elemento discriminante entre clases para realizar una segmentación de escenas naturales intuitivamente razonable [1, 3, 4]. En las imágenes de escenas naturales se observa una gran cantidad de colores; sin embargo, ligeras variaciones de color entre pixeles en ciertas vecindades debiera ser despreciable para un sistema de segmentación, agrupando y etiquetando los pixeles en estas regiones como semejantes. A fin de tratar con este tipo de casos es que se ha implementado este método de segmentación por color, el cual utiliza colores de referencia para representar los elementos presentes en la imagen. A continuación, se describe la aproximación seguida para la segmentación por color y, posteriormente, se presentan los resultados obtenidos sobre una serie de imágenes de la base de datos Berkeley. 2. DESCRIPCIÓN DEL SISTEMA Para la segmentación, primeramente se definen una serie de colores de referencia, en los cuales se pretende cubrir una variedad de los colores que se pueden presentar en la naturaleza. Estos colores sirven como color predominante o característico de una región, esto es, las diferentes tonalidades de un color, podrán ser representadas por un solo color de referencia. Para realizar la clasificación de los colores, utilizamos el espacio de color CIELab, evaluando cualitativamente su capacidad de emular la manera en la que los seres humanos percibimos los colores. La obtención de las componentes L, a, y b se realiza trasformando los elementos del espacio RGB al XYZ usando la Ecuación 1 y en seguida, de éste al espacio CIELab con las Ecuaciones 2, 3 y 4, usando los valores de triestímulo indicados en las Ecuaciones 5. [] [ X Y Z = 0,6070 0,2990 0,0000 ][ ] 0,1734 0,2000 0,5864 0,1146 0,0661 0,1175 1 116* Y 3 16 Y n L Y 903,3 * Y n para R G B (1) Y 0,008856; Yn (2) otro caso. X a 500* f X n Y f Yn Y b 500* f Yn Z f Z n (3) (4) X n 1, Yn 0,98072, Zn 1,118225 (5) Una vez obtenidos los valores en el espacio CIELab, se busca un color de la base de referencia Pantone (Sistema de control de color para las artes gráficas) que se encuentra en la Tabla 1, el cual tenga la mayor similitud con el color de la imagen real, a través de una búsqueda de distancia mínima Euclidiana, esto es, se obtienen las distancias que existen entre el color real y cada uno de los colores de referencia. A partir de estas distancias, se elige aquel color cuya magnitud sea la menor de todo el conjunto de distancias. Tabla 1.Colores Pantone y su referencia en RGB. Color de Referencia Rojo Negro Gris oscuro Gris Blanco Azul oscuro Azul cielo Azul más claro Café claro Café Café oscuro grisáceo Beige Amarillo oscuro Verde pasto Verde bandera Verde (hierba) Pantone 711 4332x 431 420 4800 662 284 2707 437 4642X 1485 473 613 361 364 5763 RGB 209,45,51 10,12,17 102,109,12 209,204,191 234,234,232 12,25,117 117,170,219 191,209,229 140,112,107 112,66,20 102,89,76 244,196,160 175,160,12 30,181,58 58,119,40 119,124,79 3. PRUEBAS Y RESULTADOS Para la realización de las pruebas, se utilizaron algunas imágenes de la base de datos de Berkeley, en las cuales se muestran escenas naturales con diferentes elementos. En la Figura 1 se puede observar la segmentación por color utilizando como pseudocolor los colores de referencia de la Tabla 1 determinando de esta manera una clasificación del elemento real. Se puede observar que los resultados son adecuados dentro de las secciones en donde las variaciones de color son pequeñas, como lo son el cielo y el pasto, en donde se agrupan las diferentes tonalidades de un color en una sola clase, pero en las secciones en donde la variación de color es más grande, se presenta una sobresegmentación. Estas regiones se pueden interpretar como regiones en donde existe textura, la cual tiene que ser tratada por otros mecanismos adecuados para esta propiedad. Existen situaciones en las que la agrupación de las regiones no es adecuada, como se puede apreciar en las zonas que representan el cielo en la Figura 1, debido a la selección de colores de referencia. Una posible solución a esta situación es la reducción en el número de estos colores. Figura. 1. Segmentación de imágenes de la colección Berkeley. CONCLUSIONES La utilización del modelo CIELab y una base de referencia para la agrupación de las diferentes tonalidades de un color presenta resultados adecuados, reduciendo en una proporción el problema de sobresegmentación e indicando a la vez, regiones en las cuales se presentan regiones con propiedades que podemos catalogar como textura. Al usar el modelo de color CIELab, la segmentación obtenida es intuitivamente acorde a la manera en la que los seres humanos percibimos las regiones, de acuerdo a su color. Debido a la existencia de factores como la luminosidad, secciones de los objetos pueden cambiar su color al grado de que al ser segmentados, se obtengan diferentes segmentos. Los objetos pueden estar formados por elementos de distinto color los cuales, pueden llegar a formar la representación de la textura del objeto. REFERENCIAS [1] Michael M. Chang, Ibrahim M. Sezan, and Murat A. Tekalp. “Adaptive bayesian segmentation of color images”. Journal of Electronic Imaging, 3(4):404-414, 1994. [2] Yining Deng, B. S. Manjunath, Charles S. Kenney, Michael S. Moore, and Hyundoo Shin. “An effcient color representation for image retrieval”. IEEE Transactions on Image Processing, 10(1):140-147, 2001. [3] Xu Jie and Shi Peng-fei. “Natural color image segmentation”. ICIP (1), pages 973-976, 2003. [4] Fatih Kurugollu, Bülent Sankur, and A. Emre Harmancl. “Color image segmentation using histogram multithresholding and fusion”. Image Vision Comput., 19(13):915-928, 2001. [5] Aleksandra Mojsilovic, Jelena Kovacevic, Jianying Hu, Robert J. Safranek, and S. Kicha Ganapathy. “Matching and retrieval based on the vocabulary and grammar of color patterns”. IEEE Trans. Image Processing, 9(1):38-54, 2000. [6] Y. J. Zhang. “A survey on evaluation methods for image segmentation”. Pattern Recognition, 29(8):13351346, 1996.