Segmentacion de Imagenes Capilares Basado en

Colormap

JUAN CARLOS RIANO ROJAS.Departamento de Matematicas y Estadıstica.

Universidad Nacional de Colombia-Manizales.

CRISTIAN FELIPE OCAMPO BLANDON.Departamento de Ingenierıa Electrica, Electronica y Computacion.

Universidad Nacional de Colombia-Manizales.

FLAVIO AUGUSTO PRIETO ORTIZ.Departamento de Ingenierıa Mecatronica.

Universidad Nacional de Colombia-Bogota.

EDGAR NELSON SANCHEZ CAMPEROS.Cinvestav-IPN Mexico-Guadalajara.

Resumen—La segmentacion de imagenes en general escrucial en procesos de vision artificial para lograr re-conocimiento y una toma de decisiones efectivas. La seg-mentacion esta inmersa en aplicaciones industriales paraautomatizar procesos de clasificacion de rostros u objetos,soporte al diagnostico medico en la deteccion de tumorescancerıgenos de seno, deteccion de enfermedades vascularesdel tejido conectivo como lupus eritematoso, dermatomiositisy esclerodermias. En este trabajo se uso el colormap en lasegmentacion de imagenes capilares, caracterizadas por sercomplejas al contener elevados grados de ruido, opacidad ybaja iluminacion. El colormap es una herramienta simple ypotente para agrupar y clasificar efectivamente los coloresde la imagen, Empleando tecnicas de agrupamiento paraseparar colores relevantes, logrando solucionar las dificul-tades que poseen estas imagenes capilaroscopicas. La tecni-ca, fue evaluada sobre 40 imagenes capilares previamentesegmentadas manualmente por un experto arrojando undesempeno aproximado al 92 %. Ademas, se utilizaron 100imagenes a color no capilares obteniendo un desempenosimilar, mostrando que la segmentacion propuesta es generaly robusta, no limitada a un tipo de imagen en particular.

Palabras claves 1 Imagenes Capilares, Segmentacion de

Imagenes, colormap, Correccion de Contraste, Imagen

Indexada, Clusters.

1. INTRODUCCION

La segmentacion de imagenes en color es un proceso

esencial, crıtico y preliminar en una gran cantidad de

tareas basadas en vision tales como: reconocimiento

de objetos, seguimiento o rastreo visual, interaccion

computador - humano, vision basada en robotica [1].

Lo anterior es debido a que el color es una herramienta

visual efectiva y robusta para segmentar objetos,

diferenciandolos de otros. Como se reporto en [2], las

condiciones irregulares de iluminacion 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 camaras y la iluminacion. Sin embargo, se requieren

muchas variantes de iluminacion para poder hallar

alto desempeno, y en muchas aplicaciones, solo se

cuenta con pequena cantidad de imagenes contrastadas

con diferentes condiciones de iluminacion, como es el

caso de las imagenes capilaroscopicas de personas con

enfermedades vasculares [3], [4].

La segmentacion en el caso de aplicaciones medicas es

una etapa crucial; algunas aplicaciones que lo confirman

son: La segmentacion basada en contornos activos y

sus aplicaciones con imagenes medicas de resonancia

magnetica e imagenes tomograficas [5], [6], hasta meto-

dos relacionados con caracterısticas de color para detectar

y caracterizar lesiones de la piel [7], [8]. Un modelo muy

util para el estudio de imagenes es el colormap debido a

la reduccion de complejidad que presenta frente a otros

metodos previamente mencionados, para los cuales el

analisis es mas arduo. La estrategia del colormap ofrece

la ventaja de trabajar sobre la imagen sin alterar sus

caracterısticas de color, haciendo posible el aislamiento

del objeto de interes y conservando las caracterısticas

puras de la imagen en el espacio RGB [9], [10].

El documento se encuentra organizado de la siguiente

manera: En la seccion 2, se presenta el preproceso de las

imagenes capilaroscopicas, en la seccion 3 se describe la

segmentacion. En la seccion 4 se muestra la integracion

de los proceso de segmentacion, finalmente, las conclu-

siones se muestran en la seccion 5.

2. PREPROCESO

En la figura 1(a) se observo, como obtener inade-

cuadamente las imagenes dificulta el procesamiento de

la imagen porque o no hay informacion relevante o esta

informacion no es optima. Aunque no todas las imagenes

en este estudio fueron defectuosas, en la gran mayorıa

el comun 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

segmentacion. Por esta razon, se aplicaron tres pasos fun-

damentales en el preproceso para reducir este problema,

figura 1(b)).

(a) Imagen errada (b) Imagen ideal

Figura 1. Imagenes 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 imagenes procesadas:

Un canal de la imagen RGB, I(x, y) con intervalo

de intensidades [Imin, Imax] se transformaron

a 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) por

ser 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 mas 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 imagenes.

3. SEGMENTACION

3-A. Segmentacion empleando el Laplaciano

Se calculo el Laplaciano con un factor nuevo, para los

canales mas 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 segmentacion, se combinaron los

siguientes pasos:

1. Aplicar Laplaciano a M , a y Cr, figura 5(a), figura

5(b) y figura 5(c).

2. Eliminacion de ruido, figura 5(c).

3. Definir las semillas de zonas relevantes y realizar el

crecimiento de region, adjuntando pıxeles vecinos,

sı son de intensidades homogeneas.

La segmentacion fue evaluada usando 20 imagenes

capilares con aumentos 6X y 8X, segmentadas manual-

mente por dermatologos, siendo obtenidas de personas

que padecen Lupus eritematoso. Los resultados se presen-

tan en el Cuadro I. Se puede notar que las imagenes con

aumento 8X tienen un porcentaje de verdadera aceptacion

y falso rechazo alto, lo que tiene como consecuencia que

la zona de crecimiento sea mas pequena que la region

segmentada manualmente.

(a) Eliminacion de ruido delLaplaciano en el canal M.

(b) Eliminacion de ruido delLaplaciano en el canal a.

(c) Eliminacion de ruido delLaplaciano en el canal Cr.

(d) Imagen segmentada.

Figura 5. Segmentacion de imagenes capilares.

Cuadro IEFICIENCIA DE LA SEGMENTACION MANUAL DE IMAGENES

CAPILARES DE PERSONAS CON LUPUS ERITEMATOSO.

Magni- Verdadera aceptacion Verdadero rechazo Falsa aceptacion Falso rechazo

ficacion %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 evaluacion de la segmentacion

de imagenes capilares de personas con Lupus eritem-

atoso. Se observa que al realizar la segmentacion de las

imagenes con magnificacion 6X, estas presentan mayor

porcentaje de verdadera aceptacion al aplicar crecimiento

de regiones. Por lo cual se considera la tecnica de

crecimiento de regiones como segmentador adecuado.

Cuadro IIEFICIENCIA DEL SEGMENTADOR EN IMAGENES CAPILARES DE

PERSONAS CON LUPUS ERITEMATOSO.

Magni- Verdadera aceptacion Verdadero rechazo Falsa aceptacion Falso rechazo

ficacion %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 metodos,

partiendo de la imagen construida con los canales mas

relevantes:

Transformacion del espacio de color

Ajuste de Intensidades

Ecualizacion

(a) Imagen resaltada con transformacion deespacio de color y su colormap.

(b) Imagen resaltada por Ajuste y su col-ormap.

(c) Imagen resaltada por Ecualizacion y sucolormap.

Figura 6. Imagenes Resaltadas

3-B. Segmentacion 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 interes. Para ello, se describe

a continuacion el metodo propuesto en este artıculo.

3-B1. Descripcion del Metodo 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

estimacion de los colores presentes, dado que si dicho

paso es igual a uno Stp = 1, se tendrıa un colormap

tan grande como el producto de las dimensiones de la

imagen, siendo ineficiente en terminos computacionales.

Para la estimacion de los colores relevantes se debe tener

en cuenta, que la zona a segmentar esta contrastada y que

al efectuar la estimacion 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 debilmente algunos capilares, en otras

zonas estos son casi invisibles, el realce de contraste es

necesario.

3-B2. Proceso de Segmentacion: Luego de realizar

la correccion de contraste, la zona de interes presenta

colores mas puros resaltando los capilares y para nuestro

caso simplificando la tarea.

Despues de extraer el colormap, se obtiene una repre-

sentacion casi exacta de la imagen original asociando cada

intensidad de pıxel con el color mas similar del colormap,

es decir, se establece un arreglo que relacione cada pıxel

de la imagen original RGB con un ındice 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 metodos conglomerados que definen las

agrupaciones especıficas de cada color.

Finalmente, luego de ordenar los colores por grupos,

es necesario reducir aquellos que no pertenezcan al

objeto de interes y sustituirlos por otro dejando solo

tonos que definan el capilar, es decir los colores magenta

y azul para la imagen 8(a). A continuacion se muestran

las imagenes indexadas, figuras 8(a), 8(b) y 8(c), de las

imagenes 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 segmentacion basada en colormap a todas

las imagenes previamente contrastadas y eliminando en

cada una de ellas los colores que no corresponden al

capilar, sustituyendolos por color blanco para generar el

fondo de la imagen, se obtiene la figura 9.

Para evaluar el desempeno de las estrategias propuestas

se emplearon 21 imagenes capilares segmentadas man-

(a)

(b)

(c)

Figura 9. Imagenes Segmentadas.

ualmente por un experto. Se pudo observar el Cuadro

3-B2 que a pesar de no alcanzar el 100 %, el desempeno

podrıa mejorarse usando estrategias presentadas en [13],

siempre y cuando se tenga una gran cantidad de imagenes

de los mismos individuos bajo varias condiciones de ilu-

minacion y tipos de sensores equivalentes. En el Cuadro

3-B2 se observa que la estrategia por colormap presento el

mejor desempeno. Pero tambien genero una cantidad

considerable de falsos positivos.

Cuadro IIIDESEMPENO DE LAS ESTRATEGIAS DE SEGMENTACION.

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. Segmentacion por Clusters

Se realizo un analisis de conglomerados sobre las inten-

sidades de gris, indicando que el numero de clases mıni-

mo requerido para el agrupamiento de estas imagenes fue

k = 5 conglomerados. Para extraer el grupo perteneciente

a los capilares es necesario medir su intensidad y obtener

el agrupamiento con la intensidad mas baja, figura 10.

4. INTEGRACION DE LOS TRES PROCESOS DE

SEGMENTACION

Con el objeto de confirmar la zona capilar y reducir

las debilidades presentes, se integraron los metodos de

segmentacion de la siguiente forma, partiendo de la

imagen mejorada, figura 11.

1. Aplicar segmentacion empleando Laplaciano, luego

calcular los centros de gravedad de posibles zonas

capilares, figura 11(b).

(a) 2do Canal de la imagen

mejorada.

(b) Imagen segmentada porClusters.

Figura 10. Segmentacion de imagenes capilares usando Kmeans.

2. Aplicar segmentacion 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 mas frecuente, figura 11(d).

4. Aplicar segmentacion por colormap empleando co-

mo referencia a segmentar los colores anteriormente

obtenidos.

5. Sı la segmentacion alcanzada en el paso anterior

esta por debajo de un porcentaje del area, esta es

la segmentacion final. De lo contrario, que tome la

imagen segmentada por cluster como segmentacion

final.

(a) Imagen Original.

(b) Segmentacion medianteLaplaciano.

(c) Segmentacion medianteKmeans.

(d) Segmentacion Final.

Figura 11. Segmentacion integrada.

5. CONCLUSIONES

1. Aunque el bajo contraste se involucro frecuente-

mente en la zona capilar, las diferentes estrategias

de contraste usadas mejoraron las imagenes, permi-

tiendo la utilidad de multiples imagenes erronea-

mente adquiridas y alcanzando una segmentacion

optima.

2. Emplear metodos de reduccion ponderado para es-

coger los canales mas contrastados, fue una her-

ramienta util por la reduccion para extraer los

canales relevantes.

3. La eficiencia del metodo propuesto depende de la

adecuada ubicacion de la semilla, de lo contrario

genera ruido. Por esta razon se realizo la integracion

de varios segmentadores buscando reducir el riesgo

o evitando ubicar malas semillas. Como proceso

anexo se construyo un modulo semiautomatico que

permite al especialista ubicar las semillas.

4. El colormap resulta ser una herramienta simple, y

versatil para segmentar imagenes 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 imagenes en coloren condiciones de iluminacion no controladas.

[3] F. Jaramillo, J. Brieva, A. Sanchez, Capilaroscopıa. Observacionesen 65 pacientes con desordenes del tejido conectivo, Acta Med.Col. 13 (1988) 129-138.

[4] Rafael Arango Velez, Felipe Jaramillo Ayerve, Juan Carlos RianoRojas, Flavio Augusto Prieto Ortiz, caracterizacion de Patrones delTejido Ungueal en Personas sin Enfermedad Evidente medianteTecnicas 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, Segmentacion de Imagenes en color utilizandohistogramas Bi variables en espacios de colores polares Lumi-nancia, saturacion, matiz. Computacion y sistemas, Vol. 8, No 4,(2005).

[8] W.J. Torres, R.J. Bello, Procesamiento de imagenes a color uti-lizando morfologıa matematica.

[9] R. Rodrıguez, P.J. Castillo,V, Guerra, A. Suarez, E. Izquierdo, Dostecnicas robustas para la segmentacion de imagenes biomedicas.Computacion y sistemas, Vol. 9, No 4, (2006).

[10] J.J Baez R, M.L. Guerrero, J. Conde, A Padilla, G.U. Serrano,Segmentacion de imagenes de Color. Revista mexicana de fısica50,(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 Sanchez, Fernando Martınez , German 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. Calibracion de Imagenes en Coloren condiciones de ilumincacion no controladas.