Segmentazione di un'immagine
Introduzione
La segmentazione di un'immagine è il processo di suddividere un'immagine in regioni o segmenti significativi che rappresentano oggetti o parti dell'immagine con caratteristiche simili. In altre parole, la segmentazione di un'immagine cerca di separare i diversi oggetti presenti nell'immagine dallo sfondo circostante.
La segmentazione può essere effettuata in diversi modi, tra cui:
- la segmentazione basata su soglia;
- la segmentazione basata su contorni;
- la segmentazione basata su regioni;
- la segmentazione basata su clustering.
La segmentazione è un'importante operazione preliminare in molte applicazioni di elaborazione delle immagini, come la rilevazione di oggetti, il riconoscimento di volti, la segmentazione del tessuto in immagini mediche e l'analisi delle immagini satellitari.
Segmentazione basata su soglia
La segmentazione basata su soglia (o thresholding in inglese) è uno dei metodi più semplici e comuni per segmentare un'immagine. Questo metodo utilizza una soglia per separare i pixel dell'immagine in due classi, una classe che corrisponde agli oggetti (o alle regioni) dell'immagine e l'altra classe che corrisponde allo sfondo.
La soglia viene definita come un valore numerico che viene confrontato con il valore di intensità di ogni pixel dell'immagine. Se il valore di intensità del pixel supera la soglia, il pixel viene assegnato alla classe degli oggetti; altrimenti viene assegnato alla classe dello sfondo.
Esistono diverse tecniche di segmentazione basata su soglia, tra cui la soglia fissa, la soglia adattativa e la soglia multilivello. La soglia fissa utilizza una soglia costante per tutta l'immagine, mentre la soglia adattativa utilizza una soglia che varia in base alle caratteristiche locali dell'immagine. La soglia multilivello suddivide l'immagine in più classi, invece di solo oggetti e sfondo.
La segmentazione basata su soglia può essere utile in molte applicazioni, come la rilevazione di contorni, la binarizzazione di immagini, la segmentazione di testo in documenti e la separazione di oggetti in immagini biomediche. Tuttavia, questo metodo ha alcune limitazioni, poiché può essere influenzato da fattori come il rumore dell'immagine e la variazione della luminosità.
Segmentazione basata su contorni
La segmentazione basata su contorni (o edge-based segmentation in inglese) è una tecnica di segmentazione delle immagini che utilizza i contorni dell'oggetto per separare l'oggetto dallo sfondo.
I contorni dell'oggetto sono linee o bordi che rappresentano i confini tra l'oggetto e lo sfondo dell'immagine. Questi contorni possono essere individuati attraverso l'uso di tecniche di edge detection, come il filtro di Sobel o il filtro di Canny.
Una volta individuati i contorni dell'oggetto, questi vengono utilizzati per creare una maschera binaria che separa l'oggetto dallo sfondo. Questa maschera binaria viene creata assegnando il valore 1 ai pixel interni ai contorni dell'oggetto e il valore 0 ai pixel esterni ai contorni.
La segmentazione basata su contorni può essere utile quando l'obiettivo è segmentare oggetti con contorni ben definiti e contrastanti rispetto allo sfondo. Tuttavia, questa tecnica può avere difficoltà a segmentare oggetti con contorni sfumati o sfondi complessi.
In generale, la segmentazione basata su contorni può essere utilizzata in molte applicazioni di elaborazione delle immagini, come il riconoscimento di forme, la segmentazione di oggetti in immagini biomediche e l'analisi di immagini satellitari.
Segmentazione basata su regioni
La segmentazione basata su regioni (o region-based segmentation in inglese) è una tecnica di segmentazione delle immagini che suddivide l'immagine in regioni omogenee basate sulle proprietà delle regioni stesse, come il colore, la texture o la forma.
Questa tecnica di segmentazione si basa sul principio che gli oggetti in un'immagine hanno proprietà simili all'interno di una regione e che le proprietà variano tra le diverse regioni. Per suddividere l'immagine in regioni omogenee, vengono utilizzati algoritmi di clustering o tecniche di classificazione, come il K-means o il support vector machine.
Una volta suddivisa l'immagine in regioni omogenee, queste possono essere utilizzate per identificare gli oggetti dell'immagine e separarli dallo sfondo. La segmentazione basata su regioni può essere utilizzata per segmentare oggetti con forme complesse e sfondi eterogenei.
Tuttavia, questa tecnica di segmentazione può richiedere un'elaborazione computazionale elevata e può essere influenzata dalla scelta delle feature utilizzate per definire la similarità tra le regioni. Inoltre, è possibile che le regioni non corrispondano esattamente agli oggetti desiderati, poiché l'algoritmo di clustering o di classificazione non è in grado di identificare oggetti multipli all'interno della stessa regione.
La segmentazione basata su regioni è utilizzata in molte applicazioni di elaborazione delle immagini, come la segmentazione di tessuti in immagini mediche, la segmentazione di oggetti in immagini satellitari e la segmentazione di oggetti in immagini di sorveglianza.
Segmentazione basata su clustering
La segmentazione basata sul clustering è una tecnica di segmentazione delle immagini che utilizza algoritmi di clustering per suddividere l'immagine in regioni omogenee basate sulle proprietà dei pixel dell'immagine stessa.
La differenza principale tra la segmentazione basata su regioni e quella basata sul clustering è che la prima si concentra sulla suddivisione dell'immagine in regioni omogenee, mentre la seconda si concentra sulla suddivisione dell'immagine in gruppi di pixel omogenei.
Gli algoritmi di clustering suddividono i pixel dell'immagine in gruppi omogenei sulla base delle loro proprietà, come il colore, la texture o la forma. I gruppi omogenei corrispondono alle regioni dell'immagine e rappresentano oggetti o parti dell'immagine.
Uno dei più comuni algoritmi di clustering utilizzati per la segmentazione delle immagini è il K-means clustering. Questo algoritmo suddivide l'immagine in K gruppi di pixel in modo che i pixel all'interno di ogni gruppo siano simili tra loro e i pixel in gruppi diversi siano dissimili tra loro.
Una volta suddivisa l'immagine in gruppi di pixel omogenei, questi possono essere utilizzati per separare gli oggetti dell'immagine dallo sfondo e identificare gli oggetti desiderati.
La segmentazione basata sul clustering può essere utilizzata in molte applicazioni di elaborazione delle immagini, come la segmentazione di oggetti in immagini biomediche, la segmentazione di tessuti in immagini mediche, la segmentazione di oggetti in immagini satellitari e la segmentazione di oggetti in immagini di sorveglianza.
Tuttavia, questa tecnica di segmentazione può essere influenzata dalla scelta delle feature utilizzate per definire la similarità tra i pixel, dalla scelta del numero di gruppi K e dalla presenza di rumore nell'immagine. Inoltre, è possibile che le regioni ottenute dal clustering non corrispondano esattamente agli oggetti desiderati, poiché l'algoritmo di clustering non è in grado di identificare oggetti multipli all'interno della stessa regione.