RESULTADOS
En esta sección se presentan los resultados de la aplicación de los algoritmos diseñados y su contraste con los estándares. Se comenta la performance de los procedimientos y se discute acerca de su eficacia.
Evaluación cualitativa
En la imagen se muestran los resultados de las segmentaciones para tres días de la maduración. Para cada día de maduración se presenta a la izquierda el resultado de segmentación, y a la derecha los ojos detectados en las imágenes originales.
De arriba hacia abajo se presentan los resultados del estándar, Hough circular, algoritmo de bordes, blobs con watershed y máximos con multisnakes. En el caso de estos dos últimos, los ojos detectados se indican aproximando las regiones segmentadas con elipses.
Los resultados tras observar la imagen se comentarán por algoritmo estudiado. En todos los casos, los algoritmos o bien no detectan todos los ojos, o bien dan falsos positivos e incluso sub o sobre dimensionan el área de los ojos. Sin embargo, los resultados son prometedores, sobretodo cuando los ojos adquieren un número y tamaño que los hace distinguibles.
Detección de círculos de Hough (segunda fila)
En la columna de la izquierda (día 10) falla en detectar el ojo que se ha formado. En el día 20 detecta la mayoría de los ojos y de forma correcta aunque al día 30 da mayor número de falsas detecciones y sobre-estimaciones. Esto puede deberse a la desviación de la forma esférica y a la superposición de ojos.
Binarización y detección de bordes (tercera fila)
Aproxima bien los ojos que sobreviven a la binarización, aunque no detecta aquellos que se mezclan con los bordes de la horma.
Detección de blobs y watershed (cuarta fila)
Como consecuencia de que sus puntos semillas son los centroides de objetos con forma de gota, la cantidad de ojos detectados resulta bastante menor que en los otros casos. Sin embargo, los ojos detectados por este método tienen valores más altos en los verdaderos positivos. Un aumento de los puntos semillas puede ayudar a detectar más ojos pero también causa una sobre-segmentación de la imagen. Esto implica que se deben agregar otros algoritmos para filtrar los falsos positivos.
Detección de máximos y multisnake (quinrta fila)
Respecto a los resultados de la quinta fila de la imagen, se observa en las columnas de segmentación que existen sobreestimaciones del área de los ojos. Esto es consecuencia de bordes poco definidos. Se observa la existencia de varios falsos positivos, consecuencia del uso de máximos locales como puntos semilla. Si no se logra filtrar los máximos locales que no se hallan dentro de la zona de interés, el algoritmo obtiene mayor número de falsos positivos o bien le lleva mayor tiempo cada iteración.
Evaluación cuantitativa
Además de la evaluación cualitativa de los resultados de segmentación, se efectuó una evaluación numérica de los mismos. Para ello, se escogieron como parámetros relevantes a evaluar el tiempo de ejecución del algoritmo, el número de ojos detectado, el área total de ojos respecto al área de la horma, la diferencia porcentual entre el área de ojos del método y del estándar respecto al estándar, el número de ojos que fueron ubicados correctamente, y una puntuación dada por la ecuación mostrada debajo.
La ecuación que determina los puntajes (P) pondera las diferencias entre los estándares y las segmentaciones, considerando número de ojos, posición y área, y asignándole a cada ítem un peso de 0.4, 0.4 y 0.2 respectivamente. La escala va desde 0 a 100, correspondiendo un mayor puntaje a mayor similitud de la segmentación con el estándar. pojos, pubi, y parea son los pesos asignados al número de ojos detectado (NO), ubicación acertada (UA) y área total estimada (A), siendo los subíndices met correspondiente a los algoritmos, y est al estándar.
La tabla de la izquierda resume los resultados obtenidos para tres de las imágenes del conjunto de estudio, junto al resultado del estándar para cada imagen. En la tabla se aprecia que cuando las imágenes tienen pocos agujeros, la detección es mala para los cuatro algoritmos ensayados. En cambio, a medida que aumenta el número de agujeros, se ve una mejora en la detección de los ojos, con el consiguiente aumento en los puntajes de los algoritmos.
Si se comparan los resultados de los algoritmos más sencillos (Hough y detección de bordes), detección de bordes fue más eficiente en cuanto a la detección correcta de los ojos. Por otra parte, los algoritmos sencillos tuvieron puntuaciones similares o mejores a la de los algoritmos más complejos (Watershed y Multisnakes). Sin embargo, los algoritmos más complejos fueron más precisos a la hora de estimar el área total de los agujeros detectados. Cabe mencionar que en el sistema de puntuación ideado no se incluyó el tiempo de cómputo, factor que juega en contra en los algoritmos más complejos, los cuales son más demandantes.