Publicación:

A methodology for image segmentation using superpixels and depth information

Resumen

Los algoritmos clásicos de segmentación de imágenes explotan la detección de similaridades y discontinuidades en diferentes patrones visuales con el fin de detectar y diferenciar regiones de interés en una imagen. Sin embargo, debido a la alta variabilidad e incertidumbre de los datos presentes en las mismas, se hace difícil producir resultados acertados. En este sentido, la segmentación basada solo en color a menudo no es suficiente para un gran porcentaje de imágenes naturales. Interesantemente, en los últimos años, la disponibilidad de cámaras RGB-D (color más profundidad) de bajo costo (p.ej., la Kinect de Microsoft) ha abierto nuevas posibilidades de investigación. Este trabajo presenta una metodología que permite la integración de la información de profundidad al problema de la segmentación. Específicamente, la imagen de color es sobre-segmentada en una determinada cantidad de superpixeles que luego son procesados en un enfoque de fusión de regiones tomando en cuenta la profundidad. Para este propósito, una nube de puntos 3D se genera a partir de los datos de profundidad a fin de detectar características relevantes en el espacio 3D: planos y contornos. Éstas son luego traducidas en segmentaciones incompletas que sirven de soporte al proceso de fusión de regiones. La salida es una segmentación final a partir de los superpixeles. Los experimentos fueron conducidos sobre la base de datos de imágenes NYU-Depth V2. Los resultados obtenidos reportan mejoras considerables con respecto a la segmentación clásica basada en color según medidas de desempeño comunes en el estado del arte.