¿Qué es la segmentación basada en agrupamiento?
La segmentación basada en agrupamiento reúne píxeles o regiones según sus similitudes de color, intensidad, textura o características aprendidas. Cada grupo resultante se trata como una región candidata de la imagen, no como un objeto semántico conocido.
Cómo funciona la segmentación basada en agrupamiento
Cada píxel se representa mediante un vector de características que puede incluir valores de canal, mediciones de textura, coordenadas espaciales o una representación vectorial aprendida. Un algoritmo como k-means asigna después los vectores similares a grupos, a veces seguido de una depuración de componentes conexos o de límites. Las etiquetas de los grupos describen similitud estadística, no la identidad de los objetos, por lo que una clase puede ocupar varias áreas desconectadas. Esta suele ser una etapa no supervisada previa a la medición, el enmascaramiento o el uso de un modelo semántico.
Datos clave
- K-means requiere elegir una cantidad de grupos y tiende a favorecer grupos aproximadamente compactos en el espacio de características; la inicialización puede cambiar la partición final a menos que se controlen las semillas y los ajustes.
- Añadir las coordenadas de los píxeles al vector de características favorece regiones espacialmente coherentes, pero su escala respecto a las características de color determina si predominan los píxeles cercanos o los visualmente similares.
- Agrupar valores RGB sin procesar puede separar cambios de iluminación en lugar de materiales; los espacios perceptuales o de luminancia y crominancia pueden dar más sentido a la métrica de distancia seleccionada.
Cuándo importa la segmentación basada en agrupamiento
Aplícala para separar el fondo, descubrir regiones o realizar un preprocesamiento cuando no haya datos de entrenamiento etiquetados. Los resultados dependen de la elección de características y de la cantidad de grupos, y los objetos visualmente similares pueden fusionarse.