Segmentation of color images by chromaticity features using self-organizing maps

Segmentación de imágenes de color por características cromáticas empleando mapas auto-organizados

Usualmente, la segmentación de imágenes de color se realiza empleando métodos de agrupamiento y el espacio RGB para representar los colores. El problema con los métodos de agrupamiento es que se requiere conocer previamente la cantidad de grupos, o colores, en la imagen; además de que el espacio RGB es sensible a la intensidad de colores. Los humanos podemos identificar diferentes secciones de una escena solo por la cromaticidad de los colores, ya que representa la característica que nos permite diferenciarlos entre sí. En este artículo se propone emular la percepción humana del color al entrenar un mapa auto-organizado (MAO) con muestras de cromaticidad de diferentes colores. La imagen a procesar es transformada al espacio HSV porque en tal espacio la cromaticidad es separada de la intensidad, mientras que en el espacio RGB no es posible. Nuestra propuesta no requiere conocer previamente la cantidad de colores que hay en una escena, y la iluminación no uniforme no afecta significativamente la segmentación de la imagen. Presentamos resultados experimentales utilizando algunas imágenes de la base de segmentación de Berkeley empleando MAOs de diferentes tamaños, las cuales son segmentadas exitosamente empleando únicamente características de cromaticidad.

Introducción

La segmentación de imágenes es un tema ampliamente estudiado para extraer y reconocer objetos en una escena, en función de características específicas como la textura, el color o la forma. La segmentación de imágenes en color se ha aplicado en diferentes áreas como el análisis de alimentos (Gökmen y Sügüt, 2007; López, Cobos y Aguilera, 2011), geología (Lepistö, Kuntuu y Visa, 2005), medicina (Ghoneim, 2011; Harrabi y Braiek, 2012).

Los trabajos anteriores han empleado varias técnicas (Aghbarii y Haj, 2006; Carel et al., 2013; Liu et al., 2012; Mignotte, 2010; Mignotte, 2014; Rashedi y Nezamabadi-pour, 2013); pero, la mayoría de ellos emplean métodos basados en clústeres, particularmente Fuzzy C-Means (FCM) (Guo y Sengur, 2013; Huang et al,   2011; Kim, 2014; Mujica-Vargas, Gallegos-Funes y Rosales-Silva, 2013; Nadernejad y Sharifzadeh, 2013; Wang y Dong, 2012). Al emplear métodos basados en clústeres, se crean grupos de colores con características similares.