Experimentos

Segmentación interactiva de imágenes

GrabCut

Se aplicó el método de segmentación interactiva GrabCut a las 21 imágenes seleccionadas, usando la función grabcut descrita en la sección Métodos. La Figura 1 muestra dos ejemplos de la selección del rectángulo que que incluye el objeto a segmentar (ROI).

La Figura 2 muestra los resultados obtenidos en tres imágenes diferentes, se presenta la imagen original, la máscara y la imagen segmentada. Para la primera imagen, la segmentación muestra una alta precisión, logrando separar la pala del fondo conservando los detalles en los bordes de la pala; la segunda imagen también muestra buenos resultados, aunque se observa una ligera pérdida de detalles en el borde superior derecho. Para la tercera imagen, la segmentación con GrabCut no presenta resultados satisfactorios como en las dos anteriores, posiblemente debido a la complejidad del fondo.

Figura 2: Resultados obtenidos con GrabCut

Random Walker

Se aplicó el método de segmentación interactiva Random Walker a las 21 imágenes seleccionadas, usando la función random_walker descrita en la sección Métodos. La Figura 3 muestra dos ejemplos de la selección de semillas (rojo para objeto y azul para fondo) que guían el algoritmo en el proceso de segmentación.

La Figura Figura 4 muestra los resultados obtenidos para las mismas imágenes presentadas anteriormente. Para la primera y segunda, la segmentación realizada con Random Walker logra separar la pala del fondo con gran exactitud, similar a los resultados obtenidos con GrabCut. Para la tercera imagen, la segmentación con Random Walker muestra una mejora respecto a GrabCut, especialmente en las áreas donde el fondo es más complejo. El algoritmo logró mantener los bordes de la pala definidos y se observó una segmentación más precisa en comparación con el método anterior.

Figura 4: Resultados obtenidos con Random Walker

Comparación de resultados

Cálculo de índices

Mediante la función calcular_indices descrita en la sección Métodos se calculó el Índice de Jaccard, Índice de Dice y ARE para las 21 imágenes segmentadas con los métodos interactivos, en relación a la segmentación de referencia. Los resultados se muestran en las Figura 5, Figura 6 y Figura 7.

Figura 5: Índice de Jaccard para las imágenes segmentadas

Figura 6: Índice de Dice para las imágenes segmentadas

Figura 7: Error de Rand adaptado para las imágenes segmentadas

Análisis visual

Con el objetivo de analizar visualmente el resultado de los métodos de segmentación implementados, se presentan las segmentaciones con los mejores y los peores resultados basados en los índices de Jaccard y Dice.

La Figura 8 muestra la segmentación obtenida con GrabCut que obtuvo el mayor valor de los Índices de Jaccard (0.993717) y Dice (0.996849), y se compara con la segmentación de referencia. Se puede ver cómo las áreas segmentadas se superponen a la imagen base, lo que sugiere una alta precisión en la segmentación.

Figura 8: Segmentación con GrabCut con mayor valor de Índices de Jaccard y Dice

La Figura 9 muestra la segmentación obtenida con GrabCut que obtuvo el menor valor de los Índices de Jaccard (0.298832) y Dice (0.460155), uno de los dos casos críticos que se pueden observar en las gráficas anteriores (ver Figura 5). Los bajos valores sugieren dificultades del método para segmentar correctamente la imagen, posiblemente debido a la complejidad del fondo.

Figura 9: Segmentación con Grabcut con menor valor de Índices de Jaccard y Dice

La Figura 10 muestra la segmentación obtenida con Random Walker que obtuvo el mayor valor de los índices de Jaccard (0.996142) y Dice (0.998067), donde se observa una segmentación precisa y bien definida, con alta similitud con la máscara de referencia. La Figura 11 muestra la segmentación que obtuvo el menor valor de los índices de Jaccard (0.927945) y Dice (0.962626). A pesar de ser la segmentación con los menores valores, sigue siendo aceptable, con una buena definición de bordes, incluso en un caso con fondo complejo en el que GrabCut no tuvo buen desempeño.

Figura 10: Segmentación con Random Walker con con mayor valor de Índices de Jaccard y Dice

Figura 11: Segmentación con Random Walker con menor valor de Índices de Jaccard y Dice

La Figura 12 muestra un caso crítico de segmentación de una imagen con fondo complejo. Se observa que Random Walker proporciona una segmentación más precisa y definida, mientras que GrabCut muestra una segmentación menos precisa, con algunas partes de la pala no correctamente segmentadas y muchas regiones de fondo.

Figura 12: Caso crítico: segmentación con Random Walker vs. GrabCut

Comparación de índices y estadísticas

La Tabla 1 muestra las estadísticas descriptivas (mínimo, máximo, media y desviación estándar) de los índices Jaccard, Dice y el Error Adaptado de Rand (ARE) para ambos métodos de segmentación, GrabCut y Random Walker.

	Jaccard (GC)	Dice (GC)	ARE (GC)	Jaccard (RW)	Dice (RW)	ARE (RW)
min	0.298832	0.460155	0.006192	0.927945	0.962626	0.000285
max	0.993717	0.996849	0.064978	0.996142	0.998067	0.040760
mean	0.910435	0.938410	0.031156	0.965568	0.982367	0.012571
std	0.196281	0.150400	0.019122	0.021441	0.011156	0.012255

Tabla 1: Estadísticas descriptivas de los Índices

Figura 13: Comparación de Distribución de Índices de Segmentación para GrabCut y Random Walker

La Figura 13 muestra la distribución de los índices de segmentación Jaccard, Dice y el Error Adaptado de Rand para los métodos de segmentación GrabCut y Random Walker, las barras negras en cada gráfico indican la media y la desviación estándar.

Se observa que el Índice de Jaccard para GrabCut presenta una mayor variabilidad en comparación con Random Walker, y el valor de la media es ligeramente menor, como se refleja en la Tabla 1. La desviación estándar del Índice de Jaccard para GrabCut es mayor que para Random Walker, resultado esperado luego de observar la Figura 5 que presenta dos imágenes con valores muy bajos para la segmentación GrabCut.

La concentración de valores de Índice de Jaccard en torno a 1 para el método Random Walker, sugiere una alta similitud entre las máscaras segmentadas y las máscaras de referencia (ground truth), indicando una segmentación más precisa y consistente para todas las imágenes.

Similar a los resultados del índice de Jaccard, el índice de Dice muestra una mayor variabilidad en los resultados de GrabCut comparado con Random Walker, y un menor valor medio.

Si se analiza el ARE para ambos métodos, se observa que el valor medio es bajo (ver Tabla 1), lo que indica un buen resultado en la segmentación, pero nuevamente se observa que el error de GrabCut presenta una mayor variabilidad comparado con Random Walker, que presenta una distribución más estrecha y menor error en promedio¹.

Los resultados sugieren que Random Walker proporciona segmentaciones que son, en promedio, más similares a las máscaras de referencia en comparación con GrabCut. Esto puede adjudicarse a que Random Walker tiene una mayor capacidad para manejar bordes y ruido, lo que se traduce en una mayor precisión en la segmentación, reflejada en la alta concentración de valores del Índice de Jaccard y Dice cerca de 1 y una menor variabilidad en los resultados.

El Error Adaptado de Rand (ARE) mide la cantidad de discordancia entre las segmentaciones y, por lo tanto, un valor más bajo indica una segmentación más precisa. ↩