-
Segmentación de Imágenes Capilares Basado en
Colormap
JUAN CARLOS RIAÑO ROJAS.Departamento de Matemáticas y
Estadı́stica.
Universidad Nacional de Colombia-Manizales.
CRISTIAN FELIPE OCAMPO BLANDÓN.Departamento de Ingenierı́a
Eléctrica, Electrónica y Computación.
Universidad Nacional de Colombia-Manizales.
FLAVIO AUGUSTO PRIETO ORTÍZ.Departamento de Ingenierı́a
Mecatrónica.
Universidad Nacional de Colombia-Bogotá.
EDGAR NELSON SÁNCHEZ CAMPEROS.Cinvestav-IPN
México-Guadalajara.
Resumen—La segmentación de imágenes en general escrucial en
procesos de visión artificial para lograr re-conocimiento y una
toma de decisiones efectivas. La seg-mentación esta inmersa en
aplicaciones industriales paraautomatizar procesos de
clasificación de rostros u objetos,soporte al diagnóstico médico
en la detección de tumorescancerı́genos de seno, detección de
enfermedades vascularesdel tejido conectivo como lupus eritematoso,
dermatomiositisy esclerodermias. En este trabajo se uso el colormap
en lasegmentación de imágenes capilares, caracterizadas por
sercomplejas al contener elevados grados de ruido, opacidad ybaja
iluminación. El colormap es una herramienta simple ypotente para
agrupar y clasificar efectivamente los coloresde la imagen,
Empleando técnicas de agrupamiento paraseparar colores relevantes,
logrando solucionar las dificul-tades que poseen estas imágenes
capilaroscopicas. La técni-ca, fue evaluada sobre 40 imágenes
capilares previamentesegmentadas manualmente por un experto
arrojando undesempeño aproximado al 92 %. Además, se utilizaron
100imágenes a color no capilares obteniendo un desempeñosimilar,
mostrando que la segmentación propuesta es generaly robusta, no
limitada a un tipo de imagen en particular.
Palabras claves 1 Imagenes Capilares, Segmentación de
Imágenes, colormap, Corrección de Contraste, Imagen
Indexada, Clusters.
1. INTRODUCCIÓN
La segmentación de imágenes en color es un proceso
esencial, crı́tico y preliminar en una gran cantidad de
tareas basadas en visión tales como: reconocimiento
de objetos, seguimiento o rastreo visual, interacción
computador - humano, visión basada en robótica [1].
Lo anterior es debido a que el color es una herramienta
visual efectiva y robusta para segmentar objetos,
diferenciándolos de otros. Como se reportó en [2], las
condiciones irregulares de iluminación hacen que la
imagen pierda cualidades. Para solucionar este problema,
se propone una forma de modelar el color en el espacio
HSI usando B-spline, ya que el color de los objetos
cambia de intensidad, producto de las variaciones de
las cámaras y la iluminación. Sin embargo, se requieren
muchas variantes de iluminación para poder hallar
alto desempeño, y en muchas aplicaciones, sólo se
cuenta con pequeña cantidad de imágenes contrastadas
con diferentes condiciones de iluminación, como es el
caso de las imágenes capilaroscópicas de personas con
enfermedades vasculares [3], [4].
La segmentación en el caso de aplicaciones médicas es
una etapa crucial; algunas aplicaciones que lo confirman
son: La segmentación basada en contornos activos y
sus aplicaciones con imágenes médicas de resonancia
magnética e imágenes tomográficas [5], [6], hasta méto-
dos relacionados con caracterı́sticas de color para detectar
y caracterizar lesiones de la piel [7], [8]. Un modelo muy
útil para el estudio de imágenes es el colormap debido a
la reducción de complejidad que presenta frente a otros
métodos previamente mencionados, para los cuales el
análisis es más arduo. La estrategia del colormap ofrece
la ventaja de trabajar sobre la imagen sin alterar sus
caracterı́sticas de color, haciendo posible el aislamiento
del objeto de interés y conservando las caracterı́sticas
puras de la imagen en el espacio RGB [9], [10].
El documento se encuentra organizado de la siguiente
manera: En la sección 2, se presenta el preproceso de las
imágenes capilaroscópicas, en la sección 3 se describe la
segmentación. En la sección 4 se muestra la integración
de los proceso de segmentación, finalmente, las conclu-
siones se muestran en la sección 5.
2. PREPROCESO
En la figura 1(a) se observó, como obtener inade-
cuadamente las imágenes dificulta el procesamiento de
la imagen porque o no hay información relevante ó esta
información no es optima. Aunque no todas las imágenes
en este estudio fueron defectuosas, en la gran mayorı́a
el común denominador fue la falta de contraste entre la
zona capilar y su fondo, lo que origina que en etapas
-
posteriores se obtengan zonas ruidosas en el proceso de
segmentación. Por esta razón, se aplicaron tres pasos fun-
damentales en el preproceso para reducir este problema,
figura 1(b)).
(a) Imagen errada (b) Imagen ideal
Figura 1. Imágenes capilares.
1. Suavizado de la imagen, eliminando altas frecuen-
cias empleando un filtro mediana.
2. Realce del contraste local: En [11] los autores
proponen un operador de realce, fue generalizado
de la siguiente forma para imágenes procesadas:
Un canal de la imagen RGB, I(x, y) con intervalode intensidades
[Imin, Imax] se transformarona la matriz de intensidades U(x, y)
con intervalo[Umin, Umax] (figura 2).
T (I(x, y)) = U(x, y), en donde se debe cumplir,si I(x, y) ≤ a,
entonces
U(x, y) = (b−Umin)(I(x,y)−Imin)r
(a−Imin)r + Umin.
si I(x, y) ≥ a, entonces
U(x, y) = − (Umax−b)(I(x,y)−Imax)r
(a−Imax)r + Umax.
(1)
Figura 2. Operador para el realce de contraste
Tomando a = mediana(I) y b = media(U) porser valores de
tendencia central. En la figura 3, se
aprecia el realce aplicado.
(a) imagen original.
(b) imagen realzada.
Figura 3. Imagen original Vs Imagen realzada
3. Aplicando WPCA (weighted principal component
analysis) tomado de la literatura [12] para conocer
los canales mas contrastados, de los siguientes
espacios de color empleados en MatLab: RGB,
HSV, YIQ, YCbCr, LAB, XYZ, UVL, CMYK. Se
concluye que los canales más contrastados fueron:
a) El canal M de CMY, figura 4(b).
b) El canal a de Lab, figura 4(c).
c) El canal Cr de YCbCr, figura 4(d).
(a) Imagen original.
(b) Canal M del espacio CMY.
(c) Canal a del espacio Lab.
(d) Canal Cr del espacio YCbCr.
Figura 4. Canales relevantes que aumentan el contraste de las
imágenes.
3. SEGMENTACIÓN
3-A. Segmentación empleando el Laplaciano
Se calculó el Laplaciano con un factor nuevo, para los
canales más contrastados:
L(x, y) =∂2I(x, y)
∂x2+
∂2I(x, y)
∂y2−
1
4
∂2I(x, y)
∂x∂y−
1
4
∂2I(x, y)
∂y∂x.
(2)
En el proceso de segmentación, se combinaron los
siguientes pasos:
1. Aplicar Laplaciano a M , a y Cr, figura 5(a), figura
5(b) y figura 5(c).
2. Eliminación de ruido, figura 5(c).
3. Definir las semillas de zonas relevantes y realizar el
crecimiento de región, adjuntando pı́xeles vecinos,
sı́ son de intensidades homogéneas.
La segmentación fue evaluada usando 20 imágenes
capilares con aumentos 6X y 8X, segmentadas manual-
mente por dermatólogos, siendo obtenidas de personas
que padecen Lupus eritematoso. Los resultados se presen-
tan en el Cuadro I. Se puede notar que las imágenes con
aumento 8X tienen un porcentaje de verdadera aceptación
y falso rechazo alto, lo que tiene como consecuencia que
la zona de crecimiento sea más pequeña que la región
segmentada manualmente.
-
(a) Eliminación de ruido delLaplaciano en el canal M.
(b) Eliminación de ruido delLaplaciano en el canal a.
(c) Eliminación de ruido delLaplaciano en el canal Cr.
(d) Imagen segmentada.
Figura 5. Segmentación de imágenes capilares.
Cuadro IEFICIENCIA DE LA SEGMENTACIÓN MANUAL DE IMÁGENES
CAPILARES DE PERSONAS CON LUPUS ERITEMATOSO.
Magni- Verdadera aceptación Verdadero rechazo Falsa aceptación
Falso rechazo
ficación %Umbral %Sin %Umbral %Sin %Umbral %Sin %Umbral
%Sin
umbral umbral umbral umbral
6X 88,99 78,96 98,74 99,28 1,26 0,72 11,01 21,04
8X 91,61 82,09 98,65 99,37 1,35 0,63 8,39 17,91
El Cuadro II presenta la evaluación de la segmentación
de imágenes capilares de personas con Lupus eritem-
atoso. Se observa que al realizar la segmentación de las
imágenes con magnificación 6X, estas presentan mayor
porcentaje de verdadera aceptación al aplicar crecimiento
de regiones. Por lo cual se considera la técnica de
crecimiento de regiones como segmentador adecuado.
Cuadro IIEFICIENCIA DEL SEGMENTADOR EN IMÁGENES CAPILARES
DE
PERSONAS CON LUPUS ERITEMATOSO.
Magni- Verdadera aceptación Verdadero rechazo Falsa aceptación
Falso rechazo
ficación %Umbral %Sin %Umbral %Sin %Umbral %Sin %Umbral
%Sin
umbral umbral umbral umbral
6X 92,26 88,55 93,26 94,95 6,74 5,05 7,74 11,45
8X 89,38 86,92 95,85 96,82 4,15 3,18 10,62 13,08
3-A1. Tipos de Realce Aplicados: Como alterna-
tiva de contraste se aplicaron los siguientes métodos,
partiendo de la imagen construida con los canales más
relevantes:
Transformación del espacio de color
Ajuste de Intensidades
Ecualización
(a) Imagen resaltada con transformación deespacio de color y su
colormap.
(b) Imagen resaltada por Ajuste y su col-ormap.
(c) Imagen resaltada por Ecualización y sucolormap.
Figura 6. Imagenes Resaltadas
3-B. Segmentación por Color
Teniendo en cuenta que toda la gama de colores que
presenta una imagen RGB corresponde al colormap, es
adecuado aplicar el concepto a una imagen con suficiente
contraste sobre el objeto de interés. Para ello, se
describe
a continuación el método propuesto en este artı́culo.
3-B1. Descripción del Método por Colormap: El
colormap es una matriz CN×3, donde las filas representan
la magnitud de cada color existente en la imagen RGB
y N es la cantidad de colores estimados. Para extraer el
colormap es necesario recorrer la imagen con un valor
de paso adecuado y discretizar la imagen para lograr la
estimación de los colores presentes, dado que si dicho
paso es igual a uno Stp = 1, se tendrı́a un colormaptan grande
como el producto de las dimensiones de la
imagen, siendo ineficiente en términos computacionales.
Para la estimación de los colores relevantes se debe tener
en cuenta, que la zona a segmentar esta contrastada y que
al efectuar la estimación de los colores, gran parte de los
puntos discretizados pertenezcan a la zona a segmentar.
Figura 7. Imagen original indexada.
Aunque la imagen original, figura 4(a), posee zonas
donde se aprecian débilmente algunos capilares, en otras
zonas estos son casi invisibles, el realce de contraste es
necesario.
-
3-B2. Proceso de Segmentación: Luego de realizar
la corrección de contraste, la zona de interés presenta
colores mas puros resaltando los capilares y para nuestro
caso simplificando la tarea.
Después de extraer el colormap, se obtiene una repre-
sentación casi exacta de la imagen original asociando cada
intensidad de pı́xel con el color más similar del colormap,
es decir, se establece un arreglo que relacione cada pı́xel
de la imagen original RGB con un ı́ndice del colormap, la
imagen resultante se denomina imagen indexada, figura
7.
Siendo esto posible, surge el problema de reordenar los
colores presentes en el colormap, este reordenamiento se
hace posible de dos formas:
Condicionando el intervalo de existencia para cada
color y extrayendo los diferentes colores.
Mediante métodos conglomerados que definen las
agrupaciones especı́ficas de cada color.
Finalmente, luego de ordenar los colores por grupos,
es necesario reducir aquellos que no pertenezcan al
objeto de interés y sustituirlos por otro dejando solo
tonos que definan el capilar, es decir los colores magenta
y azul para la imagen 8(a). A continuación se muestran
las imágenes indexadas, figuras 8(a), 8(b) y 8(c), de las
imágenes previamente contrastadas con su respectivo
colormap reorganizado.
(a) Imagen indexada a partir de la Resaltaday su colormap.
(b) Imagen indexada a partir de la Ajustada ysu colormap.
(c) Imagen Indexada a partir de la Ecualizaday su colormap.
Figura 8. Imagenes Indexadas.
Aplicando segmentación basada en colormap a todas
las imágenes previamente contrastadas y eliminando en
cada una de ellas los colores que no corresponden al
capilar, sustituyéndolos por color blanco para generar el
fondo de la imagen, se obtiene la figura 9.
Para evaluar el desempeño de las estrategias propuestas
se emplearon 21 imágenes capilares segmentadas man-
(a)
(b)
(c)
Figura 9. Imágenes Segmentadas.
ualmente por un experto. Se pudo observar el Cuadro
3-B2 que a pesar de no alcanzar el 100 %, el desempeño
podrı́a mejorarse usando estrategias presentadas en [13],
siempre y cuando se tenga una gran cantidad de imágenes
de los mismos individuos bajo varias condiciones de ilu-
minación y tipos de sensores equivalentes. En el Cuadro
3-B2 se observa que la estrategia por colormap presentó el
mejor desempeño. Pero también genero una cantidad
considerable de falsos positivos.
Cuadro IIIDESEMPEÑO DE LAS ESTRATEGIAS DE SEGMENTACIÓN.
Estrategia % Verdaderos % Falsos % FalsosPositivos Negativos
Positivos
colormap 91.7 8 124
Pseudocolor 89.37 10.2 74.8
Laplaciano 79.9 20 93.9
3-C. Segmentación por Clusters
Se realizó un análisis de conglomerados sobre las inten-
sidades de gris, indicando que el número de clases mı́ni-
mo requerido para el agrupamiento de estas imágenes fue
k = 5 conglomerados. Para extraer el grupo pertenecientea los
capilares es necesario medir su intensidad y obtener
el agrupamiento con la intensidad mas baja, figura 10.
4. INTEGRACIÓN DE LOS TRES PROCESOS DE
SEGMENTACIÓN
Con el objeto de confirmar la zona capilar y reducir
las debilidades presentes, se integraron los métodos de
segmentación de la siguiente forma, partiendo de la
imagen mejorada, figura 11.
1. Aplicar segmentación empleando Laplaciano, luego
calcular los centros de gravedad de posibles zonas
capilares, figura 11(b).
-
(a) 2do Canal de la imagenmejorada.
(b) Imagen segmentada porClusters.
Figura 10. Segmentación de imágenes capilares usando
Kmeans.
2. Aplicar segmentación por Kmeans, luego calcular
los centros de gravedad de posibles zonas capilares,
figura 11(c).
3. De los conjuntos previamente hallados definir los
centros de gravedad comunes, luego buscar el color
correspondiente a cada centro de gravedad, deter-
minar cual es el color más frecuente, figura 11(d).
4. Aplicar segmentación por colormap empleando co-
mo referencia a segmentar los colores anteriormente
obtenidos.
5. Sı́ la segmentación alcanzada en el paso anterior
esta por debajo de un porcentaje del área, esta es
la segmentación final. De lo contrario, que tome la
imagen segmentada por cluster como segmentación
final.
(a) Imagen Original.
(b) Segmentación medianteLaplaciano.
(c) Segmentación medianteKmeans.
(d) Segmentacion Final.
Figura 11. Segmentación integrada.
5. CONCLUSIONES
1. Aunque el bajo contraste se involucro frecuente-
mente en la zona capilar, las diferentes estrategias
de contraste usadas mejoraron las imágenes, permi-
tiendo la utilidad de múltiples imágenes errónea-
mente adquiridas y alcanzando una segmentación
óptima.
2. Emplear métodos de reducción ponderado para es-
coger los canales más contrastados, fue una her-
ramienta útil por la reducción para extraer los
canales relevantes.
3. La eficiencia del método propuesto depende de la
adecuada ubicación de la semilla, de lo contrario
genera ruido. Por esta razón se realizó la integración
de varios segmentadores buscando reducir el riesgo
o evitando ubicar malas semillas. Como proceso
anexo se construyó un modulo semiautomático que
permite al especialista ubicar las semillas.
4. El colormap resulta ser una herramienta simple, y
versátil para segmentar imágenes a color.
REFERENCIAS
[1] H.D. Cheng, X.H. Jiang, Y. Sun and J. Wang, Color
imagesegmentation: advances and prospects, Pattern recognition
34(2001) 2259-2281.
[2] C. Serrano, B. Acha, I. Fondon. Calibracion de imágenes en
coloren condiciones de iluminacion no controladas.
[3] F. Jaramillo, J. Brieva, A. Sánchez, Capilaroscopı́a.
Observacionesen 65 pacientes con desórdenes del tejido conectivo,
Acta Med.Col. 13 (1988) 129-138.
[4] Rafael Arango Vélez, Felipe Jaramillo Ayerve, Juan Carlos
RiañoRojas, Flavio Augusto Prieto Ortiz, caracterización de
Patrones delTejido Ungueal en Personas sin Enfermedad Evidente
medianteTécnicas de Inteligencia Artificial. Prueba Piloto,
Biosalud, 6(2007) 85-95.
[5] M. Wei, Y. Zhou and M. Wan, A fast snake model based on
non-linear diffusion for medical images segmentation,
ComputerizedMedical imaging and Graphics, 28 109-117 (2003).
[6] E. Claridge, S. Cotton, P. Hall and M. Moncrieff, From
colourto tissue histology: Physics-based interpretation of images
ofpigmented skin lesions, 7 4 489-502 December (2003).
[7] J. Angulo, J. Serra, Segmentación de Imágenes en color
utilizandohistogramas Bi variables en espacios de colores polares
Lumi-nancia, saturación, matiz. Computación y sistemas, Vol. 8,
No 4,(2005).
[8] W.J. Torres, R.J. Bello, Procesamiento de imágenes a color
uti-lizando morfologı́a matemática.
[9] R. Rodrı́guez, P.J. Castillo,V, Guerra, A. Suarez, E.
Izquierdo, Dostécnicas robustas para la segmentación de imágenes
biomédicas.Computación y sistemas, Vol. 9, No 4, (2006).
[10] J.J Baez R, M.L. Guerrero, J. Conde, A Padilla, G.U.
Serrano,Segmentación de imágenes de Color. Revista mexicana de
fı́sica50,(2004)
[11] Thomas Walter, Jean-Claude Klein, Automatic Detection of
Mi-croaneurysms in Color Fundus Images of the Human Retina byMeans
of the Bounding Box Closing, Medical data Analysis(springer 2002
Berlin) pp. 210-220.
[12] Luis Sánchez, Fernando Martı́nez , Germán Castellanos and
Au-gusto Salazar, Feature Extraction of Weighted Data for
ImplicitVariable Selection, Computer Analysis of Images and
Patterns,(springer 2007 Berlin) pp. 840-847.
[13] C. Serrano, B. Acha, I. Fondon. Calibración de Imágenes
en Coloren condiciones de ilumincación no controladas.
