Memoria:

Anuncio
Memoria:
Introducción
El presente proyecto de fin de carrera se ha desarrollado para la segmentación de regiones de
imágenes de ámbito general, aunque su aplicación esencial es la de segmentación de imágenes
desde satélite, permitiendo la detección de nubes.
“Explicar que es segmentación de imágenes”
La segmentación de imágenes es un paso esencial en el análisis de imágenes de alto nivel. Permite
la cuantificación y visualización de los objetos de interés, y su calidad, depende de la metodología
de extracción de la información para la mejor comprensión de los fenómenos en estudio y la
posterior interpretación de la escena observada. Nuestra finalidad, la detección de nubes a partir
de las imágenes proporcionadas.
La segmentación de imágenes consiste en obtener un conjunto de regiones las cuales no se
solapan y están bien diferenciadas entre sí, dónde sus fronteras están bien delimitadas. Dónde
dichas regiones abarcan todo el espacio de la imagen. Una vez realizada la segmentación pueden
observarse cambios relevantes, los cuales si son buenos proporcionarán una buena clasificación de
los objetos que comprenden la imagen y por tanto, unos resultados bastante fiables
No existe un único método de segmentación de imágenes, por lo que uno de los objetivos es
desarrollar diferentes algoritmos de segmentación, utilizando para ello filtros “stack”, los cuales
poseen un buen rendimiento para imágenes con ruido, preservando los bordes y detalles. Y
terminan cuando satisface la tarea del observador.
“Explicar de dónde sacamos las imágenes y cómo son”
“Explicar de posibilidades de uso de los resultados”
Los resultados obtenidos en este proyecto pueden ser aplicados a diferentes ámbitos entre ellos
….
El objetivo principal de este proyecto no consistió únicamente en la segmentación de las imágenes
sino en la utilización de imágenes con formato propio de la universidad y el uso de la herramienta
ImageJ.
1º ImageJ
ImageJ es un programa de procesamiento de imágenes de Java el cuál es de dominio público
(software libre…). Permite la visualización, edición, análisis, procesamiento, archivar e imprimir
imágenes de 8, 16 y 32 bits. Así mismo, permite la lectura de diferentes formatos, incluyendo
entre ellos TIFF, GIF, JPEG, BMP, DICOM, FITS y RAW.
Para ello el ImageJ se apoya en el uso de "stacks", es decir, una serie de imágenes que comparten
una única ventana. Cabe destacar el hecho de que es multithreaded, de modo que permite que se
puedan realizar operaciones de lectura de archivos de imagen en paralelo con otras operaciones.
Permite el cálculo del valor de un píxel determinado y el de estadísticas definidas por el usuario,
así mismo, puede medir distancias y ángulos, crear histogramas de densidad. También se apoya en
estándar de funciones de procesamiento de imagen, tales como la manipulación del contraste,
nitidez, suavizado, borde de detección y filtrado de mediana.
Es interesante mencionar que el programa soporta cualquier número de ventanas (imágenes) de
manera simultánea, limitado solamente por la memoria disponible. Dispone de calibración de la
densidad o escala de grises.
1º Adaptación del formato de las Imágenes al ImageJ
Esta primera parte, fue sin duda una de las más relevantes a la hora de realizar el proyecto, ya que
hasta el momento, no se disponía de ningún programa, aplicación ó herramienta que permitiese la
apertura y guardado de imágenes con formato LCT.
Dado que ImageJ fue diseñado con una arquitectura abierta, se pudo realizar la conversión de las
imágenes que tenían formato propio. Para ello, hubo que modificar el código fuente de distintos
archivos para que detectasen este nuevo formato LCT.
Por lo que es un factor a destacar y relevante que la partir de ahora pueda permitirse trabajar,
analizar y usarse este formato. Así, cómo volver a almacenar dicha información.
Explicar cómo es el formato LCT (Lo de los canales y todo eso como eran.. dios dónde tendremos el
papelito de los COJONES que estaba apuntado xD)
La peculiaridad que se incluye en este formato que anteriormente no incluía el ImageJ es la
apertura de imágenes comprimidas. Así mismo, no sólo se modificó el hecho de que abriese este
nuevo formato, si no que se abriese ya en el número de bits indicado (8,16 ó 32).
2º Implementación de Algoritmos
Cómo ImageJ proporciona extensibilidad a través de plugins de Java. Se pudo realizar la
implementación de los diferentes plugins personalizando la adquisición obtenida. La creación de
dichos plugins permitió añadir al ImageJ nuevas funcionalidades necesarias para llevar a cabo el
tratamiento de imágenes. Concretamente, se desarrollaron diferentes técnicas para la
segmentación de imángenes de satélites de manera que permitirán lograr este cometido.

MeanShift Filter
Esta técnica no paramétrica llamada Mean-Shift es usada para el análisis de un espacio de
características con densidades complejas multimodales. La utilización de esta técnica se basa en la
aplicación recursiva del método para encontrar el punto estacionario más cercano de la función de
densidad, ayudando así a encontrar las modas de la misma. Como casos de aplicación se presentan
dos tareas de Visión de bajo nivel que son: el filtrado de imágenes preservando bordes y la
segmentación, y por otro lado una tarea de Visión de Mediano Nivel que es el Tracking de Objetos
no rígidos en tiempo real. En los dos primeros ejemplos un parámetro único debe de ser
proporcionado por el usuario y puede trabajarse con imágenes o secuencias de imágenes tanto en
color como en escala de grises. El método que se analiza a continuación puede ser utilizado en
condiciones en donde la cámara se esta moviendo y en la que una técnica de eliminación del fondo
inmóvil no seria suficiente. En lo que respecta a tracking, el módulo central del cálculo, que
encuentra la posición mas probable del objetivo en el cuadro actual, se basa en las iteraciones del
método de mean-shift. La similitud entre el modelo objetivo y los objetivos candidatos es
expresado por una métrica derivada del coeficiente de Bhattacharyya. Se muestran ejemplos en los
cuales se ve el amplio desempeño del método y la robustez a oclusiones, "desórdenes" y
escalamientos del objetivo.



Adaptativo
Adaptativo Normalizado
MeanShift Extraño (esto aun stamos en fase de..)
Bibliografía
[1] Dorin Comaniciu and Peter Meer, Mean Shift: A Robust Approach Toward Feature Space
Analysis.
Descargar