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
○
[email protected], ◊[email protected]
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.
Descargar

Segmentación de imágenes naturales usando

Estrategia de marketing de una superficie comercial

Estrategia de marketing de una superficie comercial

MarcasCriterios socioeconómicosNivel de ingresosClase socialMercadeoMercadotecniaPlantasSegmentacion de MercadoEdadSexo

Mercados de consumo

Mercados de consumo

MicroeconomíaCriteriosSegmentacion de MercadoDistinción clientes

Examen de Proyecto Empresarial 1. Define: − Cuota de mercado − Mercado meta

Examen de Proyecto Empresarial 1. Define: − Cuota de mercado − Mercado meta

EmpresasMercadoEmpresarioEstudio de mercadoNegociosAgentes económicos

Segmentación de mercado en la industria hospitalaria

Segmentación de mercado en la industria hospitalaria

CorrientesBeneficios y necesidadesPsicografíaMarketingDemografíaPublicidad y Promoción Internacional

Planeación de Publicidad

Planeación de Publicidad

PlanificaciónMercadoProductoPosicionamientoCompetenciaMercadotecnia metaMarketingConceptoSegmentacion de Mercado

PRESENTACIÓN DE UN PLAN DE MARKETING ANÁLISIS EXTERNO Producto: pasta de dientes

PRESENTACIÓN DE UN PLAN DE MARKETING ANÁLISIS EXTERNO Producto: pasta de dientes

Procesos creativosMercadoImagenEstrategiasMercadeoMetacogniciónMercadotecniaDAFO (Debilidades, Amenazas, Fortalezas, Oportunidades)Análisis: interno y externoConsumidoresGestión empresarial