Algoritmi e tecniche di Segmentazione delle immagini

Le misure di discontinuità più evidenti in un immagine sono i bordi degli oggetti, i lati della figure, dove il colore solitamente cambia per il passaggio da un oggetto ad un altro. Il metodo basato sul rilevamento delle discontinuità è noto in letteratura con il nome di edge detection.

Con questo approccio ci si pone l’obiettivo di trovare i contorni delle regioni che costituiscono la segmentazione dell’immagine. Se l’immagine è monocromatica un edge viene definito come una discontinuità nel livello di grigio, e quindi è rilevato dove sono presenti differenze significative di luminosità.

Nelle immagini a colori, invece, le informazioni per la misurazione dei bordi sono molto più compatte: per esempio, si può ricavare un edge tra due zone con stessa luminosità ma tinta differente. Nelle immagini a colori un edge viene quindi definito come una interruzione locale calcolata nello spazio colore tridimensionale.
È possibile pensare all’edge detection su immagini a colori in tre modi diversi:

1) Suddividere l’immagine a colori in tre immagini monocromatiche (una per ogni componente), applicare su ciascuna, separatamente, un algoritmo specifico per l’edge detection per immagini bidimensionali, combinare i risultati. Lo svantaggio è che si perde l’informazione sulla correlazione tra le tre componenti

2) Per mezzo di una misura di similarità valida nello spazio di colore, rilevare le discontinuità tra le distanze per determinare gli edge. Si applicano quindi le misure definite nel paragrafo 7.2.3

3) Considerare l’immagine come un campo vettoriale bidimensionale; con questo approccio il valore dell’immagine in una locazione data è un vettore in R3. Quindi si definisce una misura del gradiente che sia significativa nel campo vettoriale, e si calcola la derivata seconda. I punti in cui la derivata seconda è nulla (zero-crossing) sono gli edge.

L’edge detection non genera una vera segmentazione dell’immagine ma fornisce informazioni utili sui bordi tra le regioni, e a partire da questi bordi si possono generare le regioni che segmentano l’immagine.
Il problema principale dell’edge detection è che nella maggior parte dei casi non riesce a determinare tutti i bordi, a renderli di dimensione unitaria (1 pixel) e soprattutto difficilmente si riesce a generare un bordo chiuso. Per lo più sono edge aperti, dovuti alla presenza di rumore o di illuminazione non uniforme, e quindi il fluire “dell’acqua” per il riempimento delle regioni non porta ai risultati attesi. Per eliminare il problema della interruzione dei contorni, sono richiesti algoritmi ad hoc che ricostruiscono in modo completo i contorni di ciascuna regione omogenea.

La segmentazione dell’immagine basata sull’estrazione dei contorni prevede i seguenti passi:

1) Estrazione dei bordi (edge-detection)
2) Inseguimento dei contorni partendo dai risultati del passo precedente ed utilizzando le informazioni nelle vicinanze di ciascun bordo (edge following)
3) Connettività dei pixel
4) Collegamento dei contorni interrotti (edge-linking)
5) Approssimazione dei bordi (curve fitting), Trasformata di Hough, etc
6) Riempimento delle regioni delimitate dai contorni (region filling)