S2-ING12

SEGMENTACIÓN DE IMÁGENES NATURALES
USANDO EL ESPACIO DE COLOR CIELab
Lilia S. López-Conejo, Raúl E. Sánchez-Yánez
Universidad de Guanajuato FIMEE
Departamento de Ingeniería en Comunicaciones y Electrónica
Tampico 912, Colonia Bellavista, Salamanca, Guanajuato, México
E-mail: {loclilia,sanchezy}@laviria.org
RESUMEN
Se evalúa la utilización de componentes del espacio de color CIELab para la segmentación de imágenes de
ambientes no estructurados, como los observados en paisajes naturales. Al inicio, se introduce al tema con una
discusión acerca del espacio CIELab y su objetivo de emular la tolerancia en la percepción del color por los
humanos, incluyendo variaciones en el color observado y el manejo de regiones con sombras. A continuación,
se describe la discretización de las componentes CIELab en algunos colores de referencia de acuerdo al
sistema Pantone y su etiquetamiento, para luego dar lugar al método de agrupamiento en que se basa la
segmentación. Se presenta el preprocesamiento y el análisis de las imágenes desde un punto de vista sistémico
indicando su posible aplicación en sistemas de visión en tiempo real. Finalmente, se muestran imágenes de
escenas reales y los resultados al segmentarlas, discutiendo los problemas particulares atacados.
1. INTRODUCCIÓN
El análisis de imágenes básicamente incluye técnicas para la extracción de características, la clasificación y la
segmentación, incluyendo el reconocimiento de formas, el análisis de bordes y de color, la concordancia de
escenas y el análisis de textura. La segmentación es un proceso fundamental en el procesamiento y análisis de
imágenes, y tiene su origen en la forma como los humanos percibimos el medio ambiente, agrupando las
regiones de una manera subconsciente a través de ciertas propiedades.
El color es un elemento importante para la clasificación de componentes en una escena y puede ser usado en
el procesamiento temprano de información visual, particularmente con propósitos de segmentación y de
clasificación, debido a que la mayoría de las superficies naturales presentan una forma, un color y una textura,
como sus características más destacadas [1, 2].
Para la segmentación visual en máquinas la unidad mínima significativa es el pixel, y con conjuntos de
pixeles se forman las regiones y las imágenes, sucesivamente. La segmentación realizada en nuestro trabajo
consiste precisamente en la agrupación de pixeles con la misma característica de color, esto es, con una
tonalidad semejante de color.
Se requiere del manejo de cierta incertidumbre en tareas de segmentación de imágenes en ambientes naturales
[3,4], debido a que las escenas son modificadas dinámicamente debido a cambios en la pose y a las
condiciones de iluminación. Lo anterior nos obliga a buscar espacios de color más adecuados que el común
RGB para tratar con este tipo de incertidumbre. El cambio en la iluminación y la constancia cromática son
aspectos fundamentales en los algoritmos de clasificación de objetos.
El espacio de color CIELab [5] parece ser una buena opción para tareas de segmentación como las
mencionadas [6,7]. En este trabajo se explora su utilidad práctica. Posteriormente, una imagen segmentada se
introduciría a un clasificador o a un sistema de entendimiento de escena, en donde la clasificación de la
imagen consiste en el mapeo de diferentes regiones o segmentos en uno de diversos objetos, cada uno
identificado con una etiqueta.
2. EL ESPACIO DE COLOR CIELAB
El color percibido por el ojo humano representa la luz que reflejan los objetos o la luz que no es absorbida por
ellos, cada color tiene una longitud de onda específica. Sin embargo, la longitud de onda puede ser de una luz
infrarroja, visible, ultravioleta o blanca, el rango de la longitud de onda de luz visible está de los 380 nm a los
780 nm. La retina humana tiene tres celdas cónicas fotorreceptoras de luz. El espacio de color CIELab
pretende emular la forma en la que los humanos percibimos el color, localizándose los colores en este espacio
de manera más intuitiva.
De manera común, las escenas captadas por cámaras se descomponen en valores de color rojo, verde y azul,
teniéndose para cada píxel de la imagen tres coordenadas R, G y B.
El espacio de color CIELab está basado en los colores primarios imaginarios XYZ, por lo tanto del espacio
RGB que tenemos al recibir la imagen, debemos pasarla al espacio XYZ. Para ello se emplea la transformación
siguiente:
 X   0.6070
Y    0.2990
  
 Z   0.0000
0.1734
0.5864
0.0661
0.200   R 
0.1146 G 
1.1175  B 
[1]
Obteniendo X, Y y Z con la matriz de transformación [1], podemos pasar al espacio CIELab con las
ecuaciones de transformación [2].
L  116* (Y / Yn)1 / 3  16
L  903.3 * (Y / Yn)
para (Y / Yn)  0.008856
en otro caso
[2]
a  500* [ f ( X / Xn)  f (Y / Yn)]
b  200* [ f (Y / Yn)  f (Z / Zn)]
en donde Xn, Yn y Zn son los valores triestímulo tomando como referencia el color blanco definidos como:
Xn  1
Yn  0.98072
Zn  1.18225
[3]
obteniéndose de esta manera los valores L, a y b.
L corresponde al valor de la luminancia y tiene valores en un rango de 0 a 100, del color negro al blanco. Por
otra parte, a y b son los valores cromáticos. a va de -137.692 hasta 96.187 y denota intensidad del color del
rojo al verde. La componente b va tienen el rango de valores desde -99.215 hasta 115.653; este rango
corresponde al color azul (para valores negativos) y al amarillo (para valores positivos).
3. SEGMENTACIÓN BASADA EN COLOR
El sistema de color Pantone es un sistema de comunicación de color en máquinas visuales [8]. Este sistema
cuenta con una serie de libros con miles de colores precisos impresos. Es usado por artistas e impresos
comerciales, para escoger, especificar e igualar colores muy precisos. El sistema original Pantone incluye 504
colores, sin embargo se expandió a 1,012 colores. Para los cuatro colores (CMYK) de impresión, el sistema
Pantone especifica más de 3,000 colores. En la Figura 1 se muestran como ejemplo algunos colores de
referencia Pantone y sus componentes RGB correspondientes.
Es de suma importancia contar con un sistema de referencia de color como éste, que en este trabajo se utiliza
para la caracterización de colores prototipo de clase.
Figura 1. Ejemplo de la utilización de colores de referencia Pantone.
En una etapa de aprendizaje, tomando como referencia ciertos colores de interés en el sistema PANTONE,
obtenemos su valor preciso en el espacio RGB, y con las ecuaciones de la Sección 2 se calculan las
componentes colorimétricas en el espacio CIELab. Así se determina la ubicación de colores que se consideran
como los colores prototipo en los cuales se segmentará nuestra imagen.
Posteriormente, dada una imagen de prueba, para cada píxel se convierten las componentes RGB al espacio
CIELab, únicamente tomando las coordenadas a y b de este espacio de color. Se hace un cálculo de distancia
Euclediana con cada uno de los colores prototipo definidos anteriormente y se asigna el pixel a la clase cuya
distancia sea mínima.
4. RESULTADOS EXPERIMENTALES
Experimentos preliminares en la segmentación de ambientes naturales empleando la aproximación descrita se
presentan en las figuras 2 y 3. En (a) tenemos imágenes de ambientes naturales, mientras que en (b), se
muestran las imágenes segmentadas empleando en pseudolor la referencia Pantone. Obsérvese la agrupación
de tonalidades en áreas uniformes y cierta tolerancia a la existencia de sombras. Cabe aclarar que estas
imágenes se utilizan sin preprocesamiento, presentando inclusive saturación de blancos y un alto contenido de
componente azul, además del ruido inherente al ser capturadas en movimiento.
(a)
(b)
Figura 2. Imagen natural de prueba en (a) y su correspondiente segmentación en (b).
(a)
(b)
Figura 3. Imagen de un ambiente semiestructurado en (a). En (b) se presenta su imagen segmentada.
5. CONCLUSIONES
La utilización del espacio de color CIELab para la segmentación de imágenes naturales basada en color es
promisoria.
La segmentación resultante es acorde con la percepción humana de los colores y con el agrupamiento en
regiones que de ello se deriva.
El empleo de colores de referencia como el sistema Pantone permite eliminar ambigüedades al definir las
clases.
Una segmentación como la realizada no únicamente es útil como segmentación multinivel, sino que
finalmente se tiene una etiqueta asociada a cada píxel o región, lo que habilita su aplicación posterior en
sistemas de clasificación o de entendimiento de escenas.
BIBLIOGRAFÍA
1. T. Mäenpää, M. Pietikäinen, “Classification with color and texture: jointly or separately?”, Pattern
Recognition, Vol. 37, pp. 1629-1640, 2004.
2. V.V. Vasudevan, B.S.Manjunath, J.-R. Ohm, A. Yamada, “Color and texture descriptors”, IEEE
Transactions On Circuits and Systems for Video Technology, Vol. 11, No. 6, June 2001, 2001.
3. S.S. Wong, W.K. Leow, “Color segmentation and figure ground segregation of natural images”,
Proc. 2000 IEEE Int. Conf. Image Procssing, Vol. 2, pp. 120-123, 2000.
4. M. Zhang, L.O. Hall, D.B. Goldgof, “A generic knowledge guided image segmentation and labeling
system using fuzzy clustering algorithms”, IEEE Trans. On Systems, Man and Cybernetics B:
Cybernetics, Vol. 32, No. 5, pp. 571-582, 2002.
5. G. Hoffman, “CIELab color space”, USA, 2004.
6. G. Paschos “Perceptually uniform color spaces for color texture analysis: An empirical evaluation”,
IEEE Tran. Image Processing, Vol. 10, No. 6, 2001.
7. X. Jie, S. Peng-fei, “Natural color image segmentation”, Proc. 2003 Int. Conf. Image Processing,
Vol. 1, pp. 973-976, 2003.
8. Sistema Pantone. URL: http://www.reeddesign.co.uk/pantone2rgb/100.html