¿Qué es la umbralización en el procesamiento de imágenes?

Para ver una explicación visual de los conceptos tratados en este artículo, mira el vídeo que aparece a continuación.

Los seres humanos vemos las imágenes como representaciones coherentes y llenas de significado, mientras que los ordenadores las perciben como cuadrículas de píxeles diminutos, los componentes más pequeños de una imagen digital. En un proceso denominado procesamiento de imágenes, estos píxeles se pueden ajustar o analizar para mejorar la imagen y extraer información útil.

Una técnica habitual de procesamiento de imágenes, junto con métodos como la detección de bordes, es la umbralización de imágenes. Este método convierte imágenes en escala de grises, donde cada píxel representa un tono de gris, en imágenes en blanco y negro al comparar cada píxel con un valor establecido. Así se separan claramente las regiones importantes del fondo.

La umbralización se suele utilizar en la segmentación de imágenes, una técnica que divide una imagen en regiones significativas para facilitar su análisis. Normalmente, es uno de los primeros pasos para ayudar a las máquinas a interpretar datos visuales. En este artículo, veremos qué es la umbralización, cómo funciona y dónde se aplica en situaciones reales.

Terminología básica de la umbralización de imágenes#

Antes de profundizar en el funcionamiento de la umbralización, veamos más de cerca sus conceptos básicos y cómo se utiliza en el procesamiento de imágenes.

Umbralización binaria de imágenes#

Supongamos que estás trabajando con una imagen y quieres separar los objetos del fondo. Una forma de hacerlo es mediante la umbralización. Esta simplifica la imagen para que cada píxel sea completamente negro o completamente blanco. El resultado es una imagen binaria, en la que cada píxel tiene un valor de 0 (negro) o 255 (blanco). Este paso suele ser útil en el procesamiento de imágenes, porque hace que los elementos importantes destaquen con claridad.

Fig. 1. Una imagen en escala de grises y su resultado binario tras la umbralización. (Fuente: blog.devops.dev)

Histograma#

Del mismo modo, si quieres entender cómo se distribuyen los valores de brillo en una imagen, un histograma puede ayudarte. Es un gráfico que muestra la frecuencia de cada intensidad de píxel, desde el negro (0) hasta el blanco (255).

Al observar el histograma, puedes ver si la imagen es oscura, clara o tiene un tono intermedio. Así es más fácil elegir un buen valor umbral para convertir la imagen en blanco y negro, ya que puedes detectar patrones y niveles de contraste de un vistazo.

Primer plano y fondo#

Una vez umbralizada, la imagen se divide en dos partes: el primer plano y el fondo. El primer plano, que suele mostrarse en blanco, resalta los elementos importantes, como texto, formas u objetos que quieras detectar. El fondo, representado en negro, es todo lo demás. Esta separación ayuda a las máquinas a centrarse en lo que importa de la imagen.

Segmentación#

Como hemos mencionado antes, la segmentación divide una imagen en regiones significativas según características como el brillo o la textura. La umbralización es una forma sencilla de hacerlo y suele ser uno de los primeros pasos de un flujo de trabajo de visión artificial.

La visión artificial es una rama de la IA que permite a las máquinas procesar e interpretar datos visuales, de forma similar a los seres humanos. Si se aplica la umbralización al principio del proceso, los sistemas de visión artificial pueden separar los objetos del fondo, lo que facilita que etapas posteriores, como la detección o el reconocimiento, funcionen con precisión.

Umbralización global#

Ahora que entendemos mejor qué es la umbralización, veamos cómo aplicar umbrales a una imagen y cuáles son los distintos tipos de umbralización en el procesamiento de imágenes.

Por ejemplo, la umbralización global es una de las formas más sencillas de crear una imagen binaria. Aplica un único valor de intensidad a toda la imagen. Los píxeles más brillantes que ese umbral se vuelven blancos, mientras que los más oscuros se vuelven negros. Esto ayuda a separar el objeto del fondo.

Funciona mejor cuando la imagen tiene una iluminación uniforme y un contraste marcado. Sin embargo, con una iluminación irregular o en zonas de bajo contraste, un único umbral puede pasar por alto detalles o difuminar los bordes.

Para abordar este problema se utilizan métodos como la umbralización de Otsu. En lugar de establecer un valor manualmente, el método de umbralización de Otsu analiza el histograma de la imagen y elige el umbral que mejor separa las intensidades de los píxeles entre el primer plano y el fondo.

Fig. 2. Una imagen de Saturno antes y después de aplicar la umbralización de Otsu. (Fuente)

Umbralización local (adaptativa)#

A diferencia de la umbralización global, la umbralización adaptativa o local calcula el valor umbral por separado para distintas partes de la imagen. Esto la hace más eficaz con imágenes de iluminación irregular, como documentos escaneados con sombras o superficies texturizadas.

Funciona dividiendo la imagen en regiones pequeñas y calculando un umbral local para cada bloque, lo que ayuda a mantener el contraste entre el primer plano y el fondo. Este método se utiliza ampliamente en tareas como el reconocimiento de texto, la imagen médica y la inspección de superficies, en las que la iluminación varía a lo largo de la imagen.

Algunos métodos habituales de umbralización adaptativa en el procesamiento de imágenes son la umbralización adaptativa por media y la umbralización adaptativa gaussiana. En la umbralización adaptativa por media, la intensidad media de los píxeles de un entorno local se utiliza como umbral para el píxel central. Por su parte, la umbralización adaptativa gaussiana emplea una media ponderada con una ventana gaussiana, que da más importancia a los píxeles cercanos al centro.

Aplicaciones reales de la umbralización en el procesamiento de imágenes#

A continuación, veamos dónde se utiliza la umbralización de imágenes en aplicaciones reales.

Umbralización de imágenes para binarizar documentos y OCR#

A menudo se escanean libros antiguos y cartas manuscritas para conservarlos o convertirlos en texto digital mediante el reconocimiento óptico de caracteres (OCR), una tecnología que lee caracteres impresos o manuscritos. Antes de extraer el texto, normalmente hay que limpiar o preprocesar el documento. Las imágenes escaneadas suelen presentar sombras, tinta desvaída o iluminación irregular, lo que puede dificultar el reconocimiento de caracteres.

Para mejorar la claridad, se utiliza la umbralización para convertir imágenes en escala de grises a formato binario y ayudar a separar el texto del fondo. Las zonas más oscuras, como las letras, se vuelven negras, mientras que el fondo más claro se vuelve blanco, lo que facilita mucho la lectura del texto a los sistemas OCR.

Fig. 3. Ejemplo de un documento histórico y su imagen umbralizada. (Fuente)

Uso de la umbralización en el procesamiento de imágenes médicas#

Del mismo modo, en imagen médica se suele utilizar la umbralización para aislar estructuras concretas en las exploraciones, como huesos o pulmones en radiografías. Al convertir imágenes en escala de grises a formato binario, resulta más fácil separar las regiones de interés del tejido circundante y preparar la imagen para análisis posteriores. En casos más complejos, se puede aplicar una umbralización multinivel para dividir la imagen en varias regiones diferenciadas, lo que permite identificar simultáneamente distintos tipos de tejido o estructuras.

Fig. 4. Uso de métodos de umbralización multinivel en radiografías de tórax. (Fuente: sciencedirect.com)

Ventajas e inconvenientes de la umbralización en el procesamiento de imágenes#

Estas son algunas de las principales ventajas de utilizar la umbralización en el procesamiento de imágenes:

• Consume pocos recursos: La umbralización funciona bien en dispositivos de baja potencia y no necesita acceso a la nube ni hardware de gama alta, por lo que es adecuada para sistemas integrados y entornos sin conexión.
• Fácil de interpretar: Su lógica sencilla hace que los resultados de la umbralización sean fáciles de entender y depurar, algo fundamental en ámbitos como la atención sanitaria o el procesamiento de documentos, donde la transparencia es importante.
• Pruebas rápidas: La umbralización permite a los equipos explorar rápidamente ideas de segmentación en proyectos en fase inicial antes de pasar a modelos más complejos.

Aunque la umbralización de imágenes resulta útil en muchas situaciones, también tiene ciertas limitaciones. Estos son algunos de los retos que debes tener en cuenta:

• Poca adaptabilidad: La umbralización sigue reglas fijas y no se adapta a nuevas condiciones de iluminación ni a variaciones en los datos sin ajustes manuales.
• Sensible al ruido: Pequeños cambios de brillo causados por sombras o reflejos pueden alterar los resultados, sobre todo al trabajar con imágenes detalladas o texturizadas.
• Estática y basada en reglas: A diferencia de los modelos de IA, la umbralización no aprende de los datos ni mejora con el tiempo. Solo funciona en las condiciones concretas para las que se diseñó.

Más allá de la umbralización: cuándo recurrir a la visión artificial#

La umbralización funciona bien para tareas de segmentación sencillas en entornos controlados. Sin embargo, a menudo tiene dificultades para procesar imágenes complejas con varios objetos o ruido de fondo. Como se basa en reglas fijas, carece de la flexibilidad necesaria para la mayoría de las aplicaciones reales.

Para superar estas limitaciones, muchos sistemas modernos utilizan ahora la visión artificial. A diferencia de la umbralización, los modelos de IA visual se entrenan para detectar patrones y características complejos, por lo que son mucho más precisos y adaptables.

Por ejemplo, los modelos de visión artificial como Ultralytics YOLO11 pueden detectar objetos y segmentar imágenes en tiempo real. Esto los hace idóneos para tareas como detectar señales de tráfico en vehículos autónomos o identificar problemas en los cultivos.

En concreto, Ultralytics YOLO11 admite una variedad de tareas de visión artificial, como la segmentación de instancias, que segmenta por separado cada objeto de una imagen. También puede realizar otras tareas basadas en visión, como la estimación de pose (determinar la posición o postura de un objeto) y el seguimiento de objetos (seguir un objeto a medida que se desplaza por los fotogramas de un vídeo).

Fig. 5. YOLO11 facilita la detección y segmentación de objetos. (Fuente)

Aunque la umbralización funciona bien para tareas sencillas o para probar ideas iniciales, la visión artificial suele ser más adecuada para aplicaciones que requieren velocidad, precisión y flexibilidad.

Conclusiones clave#

La umbralización es una herramienta útil para el procesamiento de imágenes porque permite separar rápida y fácilmente los objetos del fondo. Funciona bien con documentos escaneados, imágenes médicas y la comprobación de defectos en productos en fábricas.

Sin embargo, a medida que las imágenes y los vídeos se vuelven más complejos, los métodos básicos de procesamiento de imágenes, como la umbralización, pueden tener dificultades. Aquí es donde entran en juego los modelos avanzados de visión artificial. Modelos como Ultralytics YOLO11 pueden comprender y realizar más tareas, detectar muchos objetos a la vez y funcionar en tiempo real, por lo que resultan útiles en numerosos casos de uso.

¿Quieres saber más sobre IA? Echa un vistazo a nuestra comunidad y a nuestro repositorio de GitHub. Explora nuestras páginas de soluciones para descubrir la IA en robótica y la visión artificial en la agricultura. Descubre nuestras opciones de licencia y empieza hoy mismo a crear con visión artificial.