La segmentazione delle immagini nell'ambito di applicazioni biologiche

In una prima fase dell’analisi abbiamo utilizzato una segmentazione basata sui colori mediante il K-means clustering, sfruttando come fattore discriminante per le foglie dell’Arabidopsis thaliana, la loro colorazione verde. Tale algoritmo ha prodotto risultati soddisfacenti per le immagini del data set nelle quali gli unici elementi di colore verde erano le foglie, mentre non ha prodotto il risultato sperato per le immagini in cui erano presenti altri elementi del medesimo colore delle foglie, i quali venivano estratti nello stesso cluster. Le figure 3.1 e 3.2 mostrano quanto appena evidenziato. Vista la necessità di individuare un algoritmo che garantisca risultati soddisfacenti per tutte le immagini del data set, abbiamo elaborato un procedimento in grado di rispondere a tale scopo mediante la combinazione di strumenti relativi al filtraggio delle immagini e di tecniche di segmentazione di cui abbiamo parlato nei capitoli precedenti e che viene schematizzato nella figura 3.3.

Dal momento che nel data set non sono presenti immagini monocromatiche, fra i vari spazi di colore ci siamo posti in quello RGB, così chiamato dal colore associato ai primari (red, green, blue). L’RGB è un modello additivo: unendo i tre colori con la loro massima intensità si ottiene il bianco (tutta la luce viene riflessa), mentre la combinazione delle coppie di colori genera il ciano, il magenta e il giallo. Fra la banda del rosso, del blu e del verde, prendiamo in considerazione quest’ultima, che costituirà la base di partenza per le successive operazioni.

Il passo seguente è stato quello di convertire l’immagine originale in scala di grigi per poi calcolarne il gradiente; si ricorda che il gradiente dell’immagine ne risalta i contorni e, proprio per questo motivo, il suo modulo viene considerato un’ottima superficie topografica per la successiva applicazione della watershed. Fra i vari operatori testati, quello che ha fornito i risultati migliori è stato Sobel, che, quindi, è l’operatore utilizzato nel nostro algoritmo. Abbiamo poi effettuato una saturazione del gradiente mediante l’introduzione di una soglia TH, fissata ad un valore pari a 40, ma, nonostante questa operazione, l’applicazione della watershed sulla superficie topografica così ottenuta non garantiva un risultato soddisfacente a causa dell’oversegmentation (figura 3.5).

Per superare il problema della sovrasegmentazione si ricorre alla segmentazione watershed marker-controlled: questa soluzione prevede una pre-elaborazione delle immagini che distingue oggetti in primo piano e aree di sfondo, evidenziandone i cosiddetti marcatori (ossia piccoli insiemi connessi di pixel). In particolare, si cercano i marcatori interni, dentro ciascun oggetto in primo piano, e i marcatori esterni nelle zone di sfondo, dove non compaiono oggetti. Per ottenere i marker, come descritto dal ramo destro dello schema di figura 3.3, abbiamo prima applicato l’algoritmo K-means, fissando il numero di cluster K pari a tre, e poi abbiamo sottoposto il cluster di interesse ad un filtraggio morfologico.

Nelle figure 3.6 (a) e (b), sono evidenziati con i colori rosso, verde e blu i tre cluster nella quale è stata suddivisa l’immagine di partenza e quello selezionato fra i tre: quest’ultimo è caratterizzato da un rumore sovrapposto che può essere eliminato mediante un’operazione morfologica di apertura e una successiva erosione con un elemento strutturale che assumiamo sia un disco con un raggio di lunghezza cinque millimetri. Si ricorda che, per mezzo dell’operazione di apertura, si rimuovono tutti gli elementi che hanno un’intensità maggiore del vicinato e che non sono sufficientemente ampi da poter contenere l’SE, ovvero si eliminano tutti gli oggetti più chiari e più piccoli dell’elemento strutturale; con l’erosione, invece, si cancellano le componenti connesse di dimensione più piccola dell’elemento strutturale e le estremità sottili. Il prodotto dell’elaborazione morfologica costituirà i nostri marker (figura 3.6 d).

L’ultimo passo del nostro algoritmo consiste nell’applicazione della watershed marker-controlled, dove la superficie topografica è ottenuta dalla sovrapposizione dei marker e del gradiente, e nella costruzione di un convertitore che effettui un’operazione di label merging. La segmentazione finale, che si ottiene mediante queste operazioni, viene mostrata in figura 3.7. E’ significativo notare come, con questa variante della segmentazione watershed, si riesca ad evitare l’oversegmentation: questo è dovuto al fatto che, mentre nella watershed con gradiente per ogni minimo viene generato un oggetto, causando una eccessiva segmentazione, in questo caso il processo di flooding (allagamento) parte solo da alcuni punti specifici, consentendo, in questo modo, di decidere in anticipo quanti oggetti produrrà la segmentazione.
[...]