CONICET | Buscador de Institutos y Recursos Humanos

Resumen. Muchos problemas del procesamiento de imágenes pueden reducirse a un problema de optimización con el objetivo de recuperar un conjunto de variables de las cuales se posee cierta información. La segmentación de imágenes es uno de tales problemas y posiblemente constituye uno de los procesos más estudiados dentro del procesamiento de imágenes y visión computacional, debido a que constituyen la etapa fundamental de diversas aplicaciones [1]. El problema de optimización de modelos deformables ha despertado un creciente interés en el campo de investigación y desarrollo en el área de segmentación de imágenes, debido a que proveen un framework poderoso y extensible para la reconstrucción de contornos o superficies de objetos [2, 3]. Mediante la aplicación de geometría diferencial se lleva a cabo la evolución de una curva o superficie paramétrica, que se deforma bajo la influencia de un sistema de fuerzas internas (que modelan la elasticidad de la superficie) y externas (que conducen la superficie hacia las características salientes de la imagen). Matemáticamente, un modelo deformable evoluciona de acuerdo a sus ecuaciones dinámicas y el objetivo es llevarlo en dirección al borde, buscando el mínimo de un funcional de energía dado. La deformación de un modelo deformable 2D típico puede ser caracterizado por una ecuación dinámica en funcion de una representación paramétrica de la posición del modelo en un tiempo t, y teniendo en cuenta la densidad de masa y de amortiguación del modelo. Posteriormente al modelo de snake propuesto originalmente [2], se han planteado numerosas extensiones y modificaciones. Una metodología más general que permite incorporar cambios topológicos es el modelo T-Snake [4]. En este caso, se considera un contexto de topología combinatoria a fin de obtener una formulación paramétrica con habilidades topológicas para el snake. De esta manera, se permite no sólo el agrupamiento o el particionamiento del snake, sino también la posibilidad de extender naturalmente sus elementos básicos (triangulación, reparametrización y función característica) para la segmentación de estructuras tridimensionales. Las principales ventajas de los modelos deformables son su habilidad para generar de manera directa superficies cerradas asociadas a las componentes de interés dentro de la imagen y la incorporación de restricciones que controlan la suavidad de las superficies, lo que provee robustez frente al ruido y bordes espurios, problemas típicos que condicionan los resultados de cualquier algoritmo de segmentación. Una deficiencia de estos modelos, sin embargo, es su alta dependencia con respecto a la inicialización de la superficie a partir de la cual se efectúa la evolución, ya que para delinear los límites de un objeto efectivamente se requiere ubicar la curva o superficie inicial lo más cerca posible del límite deseado. Este problema ha sido abordado en este trabajo, proponiendo un método de segmentación por optimización de un modelo deformable, basado en dos fases. En una primera etapa se aplica un algoritmo de segmentación basado en el crecimiento de regiones, el cual es capaz de obtener una muy buena aproximación inicial a los límites de las componentes deseadas. El algoritmo que implementa esta segmentación básica ya ha sido ampliamente probado en la segmentación de imágenes digitales 3D y se caracteriza por tratarse de un esquema simple, pero que a la vez resulta flexible y robusto [5]. Luego, esta segmentación inicial provee un contorno inicial sumamente conveniente para la aplicación de un modelo deformable, el cual se basa fundamentalmente en el método T-Snake. De esta manera, se logra una integración eficiente de ambos enfoques que permite la extracción de modelos de superficie que representan con alta precisión las áreas de interés en imágenes tridimensionales.T-Snake. De esta manera, se logra una integración eficiente de ambos enfoques que permite la extracción de modelos de superficie que representan con alta precisión las áreas de interés en imágenes tridimensionales.Muchos problemas del procesamiento de imágenes pueden reducirse a un problema de optimización con el objetivo de recuperar un conjunto de variables de las cuales se posee cierta información. La segmentación de imágenes es uno de tales problemas y posiblemente constituye uno de los procesos más estudiados dentro del procesamiento de imágenes y visión computacional, debido a que constituyen la etapa fundamental de diversas aplicaciones [1]. El problema de optimización de modelos deformables ha despertado un creciente interés en el campo de investigación y desarrollo en el área de segmentación de imágenes, debido a que proveen un framework poderoso y extensible para la reconstrucción de contornos o superficies de objetos [2, 3]. Mediante la aplicación de geometría diferencial se lleva a cabo la evolución de una curva o superficie paramétrica, que se deforma bajo la influencia de un sistema de fuerzas internas (que modelan la elasticidad de la superficie) y externas (que conducen la superficie hacia las características salientes de la imagen). Matemáticamente, un modelo deformable evoluciona de acuerdo a sus ecuaciones dinámicas y el objetivo es llevarlo en dirección al borde, buscando el mínimo de un funcional de energía dado. La deformación de un modelo deformable 2D típico puede ser caracterizado por una ecuación dinámica en funcion de una representación paramétrica de la posición del modelo en un tiempo t, y teniendo en cuenta la densidad de masa y de amortiguación del modelo. Posteriormente al modelo de snake propuesto originalmente [2], se han planteado numerosas extensiones y modificaciones. Una metodología más general que permite incorporar cambios topológicos es el modelo T-Snake [4]. En este caso, se considera un contexto de topología combinatoria a fin de obtener una formulación paramétrica con habilidades topológicas para el snake. De esta manera, se permite no sólo el agrupamiento o el particionamiento del snake, sino también la posibilidad de extender naturalmente sus elementos básicos (triangulación, reparametrización y función característica) para la segmentación de estructuras tridimensionales. Las principales ventajas de los modelos deformables son su habilidad para generar de manera directa superficies cerradas asociadas a las componentes de interés dentro de la imagen y la incorporación de restricciones que controlan la suavidad de las superficies, lo que provee robustez frente al ruido y bordes espurios, problemas típicos que condicionan los resultados de cualquier algoritmo de segmentación. Una deficiencia de estos modelos, sin embargo, es su alta dependencia con respecto a la inicialización de la superficie a partir de la cual se efectúa la evolución, ya que para delinear los límites de un objeto efectivamente se requiere ubicar la curva o superficie inicial lo más cerca posible del límite deseado. Este problema ha sido abordado en este trabajo, proponiendo un método de segmentación por optimización de un modelo deformable, basado en dos fases. En una primera etapa se aplica un algoritmo de segmentación basado en el crecimiento de regiones, el cual es capaz de obtener una muy buena aproximación inicial a los límites de las componentes deseadas. El algoritmo que implementa esta segmentación básica ya ha sido ampliamente probado en la segmentación de imágenes digitales 3D y se caracteriza por tratarse de un esquema simple, pero que a la vez resulta flexible y robusto [5]. Luego, esta segmentación inicial provee un contorno inicial sumamente conveniente para la aplicación de un modelo deformable, el cual se basa fundamentalmente en el método T-Snake. De esta manera, se logra una integración eficiente de ambos enfoques que permite la extracción de modelos de superficie que representan con alta precisión las áreas de interés en imágenes tridimensionales.T-Snake. De esta manera, se logra una integración eficiente de ambos enfoques que permite la extracción de modelos de superficie que representan con alta precisión las áreas de interés en imágenes tridimensionales. la densidad de masa y de amortiguación del modelo. Posteriormente al modelo de snake propuesto originalmente [2], se han planteado numerosas extensiones y modificaciones. Una metodología más general que permite incorporar cambios topológicos es el modelo T-Snake [4]. En este caso, se considera un contexto de topología combinatoria a fin de obtener una formulación paramétrica con habilidades topológicas para el snake. De esta manera, se permite no sólo el agrupamiento o el particionamiento del snake, sino también la posibilidad de extender naturalmente sus elementos básicos (triangulación, reparametrización y función característica) para la segmentación de estructuras tridimensionales. Las principales ventajas de los modelos deformables son su habilidad para generar de manera directa superficies cerradas asociadas a las componentes de interés dentro de la imagen y la incorporación de restricciones que controlan la suavidad de las superficies, lo que provee robustez frente al ruido y bordes espurios, problemas típicos que condicionan los resultados de cualquier algoritmo de segmentación. Una deficiencia de estos modelos, sin embargo, es su alta dependencia con respecto a la inicialización de la superficie a partir de la cual se efectúa la evolución, ya que para delinear los límites de un objeto efectivamente se requiere ubicar la curva o superficie inicial lo más cerca posible del límite deseado. Este problema ha sido abordado en este trabajo, proponiendo un método de segmentación por optimización de un modelo deformable, basado en dos fases. En una primera etapa se aplica un algoritmo de segmentación basado en el crecimiento de regiones, el cual es capaz de obtener una muy buena aproximación inicial a los límites de las componentes deseadas. El algoritmo que implementa esta segmentación básica ya ha sido ampliamente probado en la segmentación de imágenes digitales 3D y se caracteriza por tratarse de un esquema simple, pero que a la vez resulta flexible y robusto [5]. Luego, esta segmentación inicial provee un contorno inicial sumamente conveniente para la aplicación de un modelo deformable, el cual se basa fundamentalmente en el método T-Snake. De esta manera, se logra una integración eficiente de ambos enfoques que permite la extracción de modelos de superficie que representan con alta precisión las áreas de interés en imágenes tridimensionales.T-Snake. De esta manera, se logra una integración eficiente de ambos enfoques que permite la extracción de modelos de superficie que representan con alta precisión las áreas de interés en imágenes tridimensionales.snake propuesto originalmente [2], se han planteado numerosas extensiones y modificaciones. Una metodología más general que permite incorporar cambios topológicos es el modelo T-Snake [4]. En este caso, se considera un contexto de topología combinatoria a fin de obtener una formulación paramétrica con habilidades topológicas para el snake. De esta manera, se permite no sólo el agrupamiento o el particionamiento del snake, sino también la posibilidad de extender naturalmente sus elementos básicos (triangulación, reparametrización y función característica) para la segmentación de estructuras tridimensionales. Las principales ventajas de los modelos deformables son su habilidad para generar de manera directa superficies cerradas asociadas a las componentes de interés dentro de la imagen y la incorporación de restricciones que controlan la suavidad de las superficies, lo que provee robustez frente al ruido y bordes espurios, problemas típicos que condicionan los resultados de cualquier algoritmo de segmentación. Una deficiencia de estos modelos, sin embargo, es su alta dependencia con respecto a la inicialización de la superficie a partir de la cual se efectúa la evolución, ya que para delinear los límites de un objeto efectivamente se requiere ubicar la curva o superficie inicial lo más cerca posible del límite deseado. Este problema ha sido abordado en este trabajo, proponiendo un método de segmentación por optimización de un modelo deformable, basado en dos fases. En una primera etapa se aplica un algoritmo de segmentación basado en el crecimiento de regiones, el cual es capaz de obtener una muy buena aproximación inicial a los límites de las componentes deseadas. El algoritmo que implementa esta segmentación básica ya ha sido ampliamente probado en la segmentación de imágenes digitales 3D y se caracteriza por tratarse de un esquema simple, pero que a la vez resulta flexible y robusto [5]. Luego, esta segmentación inicial provee un contorno inicial sumamente conveniente para la aplicación de un modelo deformable, el cual se basa fundamentalmente en el método T-Snake. De esta manera, se logra una integración eficiente de ambos enfoques que permite la extracción de modelos de superficie que representan con alta precisión las áreas de interés en imágenes tridimensionales.T-Snake. De esta manera, se logra una integración eficiente de ambos enfoques que permite la extracción de modelos de superficie que representan con alta precisión las áreas de interés en imágenes tridimensionales.

enviar mensaje