Desarrollo de modelos para la segmentación difusa de imágenes en color

Resumen

La segmentación de imágenes consiste en extraer las diferentes regiones existentes en una imagen dada, Por regiones se entiende conjuntos de píxeles semejantes y conectados. La mayor parte de las técnicas precisas propuestas hasta ahora, no tienen en cuenta la imprecisión que puede existir en dichas regiones, debido a brillos, transparencias, contornos borrosos y degradados de color o de luz. Las técnicas difusas si abordan este problema, aunque utilizan una misma medida para obtener todas las regiones de la imagen, sin tener en cuenta las particularidades de cada una. En esta tesis se ha propuesto una metodología para representar y adaptarse de forma individual a la imprecisión en cada región de la imagen. Para ello se ha definido una medida de semejanza difusa entre píxeles de la imagen y medidas de conectividad basadas en al agregación de semejanzas, junto con un algoritmo para calcular la región difusa correspondiente a una región de la imagen. El estudio de diferentes funciones de agregación para el cálculo de la conectividad (en concreto, las T-normas), proporciona distintas medidas que permiten adaptarse de forma individual a la imprecisión propia de cada región. Para realizar esta adaptación de forma automática, se ha propuesto una técnica de estimación de la imprecisión en la región y se ha relacionado este valor de imprecisión con la medida que se ha de utilizar para dicha región, estableciendo una relación funcional con el parámetro de la T-norma de Weber. Aplicando esta metodología sobre un conjunto de semillas representativas de las regiones de interés, se puede obtener una segmentación difusa de la imagen. Determinar el conjunto inicial de semillas no es un problema trivial, por lo que se ha propuesto un algoritmo que parte de una sobre-siembra en la imagen y selecciona un conjunto de semillas representativas de las regiones en ella. Para realizar esta selección se ha definido una medida de bondad de las semillas. Po