Publication:

Estudio de representaciones granulares para segmentación de imagen

La tecnología es algo que está en auge en estos últimos años y que está teniendo un desarrollo que incluso da hasta miedo. Esto se debe a diversos factores que se juntan en el mismo intervalo de tiempo, como por ejemplo el uso de grandes cantidades de datos. Un concepto que no puede faltar si hablamos de la tecnología de la actualidad es la inteligencia artificial. La inteligencia artificial se divide en distintas ramas, pero dentro de todas estas se encuentra una que nos interesa especialmente, la visión artificial. La visión artificial se centra en el procesado de imágenes para distintos ámbitos de nuestra vida, ayudando así por ejemplo con la detección de objetos. Esta es capaz de detectar objetos mediante el ensayo y el error, donde el objetivo final es que nos de como resultado el objeto en cuestión mejor o por lo menos parecido a como lo haría un humano. Para ello, se introduce la idea del color. Necesitamos que nuestra maquina hable el mismo idioma que los humanos para poder comunicarnos, por lo cual no nos sirve que para una región aparentemente de un solo color este nos diga que hay quince colores distintos. Aquí entra el concepto de granularidad. La granularidad aplicada al mundo de la imagen se refiere al nivel de detalle que queremos, así pues si una imagen tiene una granularidad alta tiene un mayor número de detalles y traducido al color, tendrá un mayor número de colores. El trabajo realizado se centra en estos puntos, en usar un numero de colores parecido al que usaría un humano para describir la misma imagen. El proceso es sencillo, primero creamos dentro de la propia imagen regiones que tienen características similares, para esto hacemos uso de los superpixeles, más concretamente de los denominados SLIC. Una vez tenemos esas regiones definidas, sustituimos todos los píxeles por un único color, haciendo alusión a que regiones con características parecidas pueden ser definidas únicamente con un color y así acercarnos más a la visión humana. Por último segmentamos esta imagen haciendo un proceso similar, vamos juntando las regiones que tienen características de color más similares hasta quedarnos con un numero de colores optimo, más parecido a el número de colores que podría usar un humano para describir la imagen.

Technology has been booming in recent years, with a pace of development that can even be somewhat intimidating. This is due to various factors converging at the same time, such as the use of large amounts of data. One concept that cannot be overlooked when talking about current technology is artificial intelligence. Artificial intelligence is divided into various branches, but among these, one that particularly interests us is computer vision. Computer vision focuses on image processing for different aspects of our lives, such as object detection. It is capable of detecting objects through trial and error, where the final goal is to produce a result that is as accurate as possible, or at least similar to what a human would achieve. To achieve this, the concept of color is introduced. We need our machine to speak the same language as humans to communicate effectively, so it is not useful if a seemingly single-colored region is interpreted as having fifteen different colors. This is where the concept of granularity comes into play. Granularity in the context of images refers to the level of detail we want; thus, an image with high granularity has more details and, translated to color, will have more colors. The work carried out focuses on these points, using a number of colors similar to what a human would use to describe the same image. The process is simple: first, we create regions within the image that have similar characteristics using superpixels, specifically the SLIC method. Once these regions are defined, we replace all the pixels with a single color, indicating that regions with similar characteristics can be represented by one color, thereby bringing us closer to human vision. Finally, we segment this image using a similar process, combining regions with similar color characteristics until we achieve an optimal number of colors, closer to the number of colors a human might use to describe the image.