Mean Shift Filtering

Esta función aplica mean shift filtering a imágenes RGB para suavizar regiones de color manteniendo los bordes. Es útil para reducir ruido, segmentación por color y preparar imágenes para análisis de contornos o blobs.

📥 Entradas

ImageRGB Imagen RGB de entrada que se procesará.

(aquí el conector es un socket de entrada)

📤 Salidas

ImageRGB Imagen RGB filtrada (mismo tipo que la entrada).

(aquí el conector es un socket de salida)

🕹️ Controles

Spatial Radius Slider que controla el vecindario espacial usado para el filtrado (más pequeño = se preservan detalles finos). Rango: 1 — 3

Color Window Radius Slider que controla la ventana de similitud de color (más grande = mayor suavizado de color). Rango: 20 — 100

Maximum Level Radius Slider que ajusta el número de niveles de pirámide usados internamente (más alto = suavizado más agresivo, pero más lento). Rango: 1 — 5

⚙️ Mecanismo de ejecución

Cuando este bloque recibe una imagen a través de la entrada ImageRGB, aplica mean shift filtering usando los valores establecidos en los tres sliders y envía la imagen procesada a la salida ImageRGB. Los cambios en cualquiera de los sliders se aplican en la siguiente evaluación, por lo que puedes ajustar los parámetros de forma interactiva mientras previsualizas los resultados.

✨ Características

• Suaviza regiones de color manteniendo los bordes de los objetos nítidos.

• Reduce ruido y detalles de textura pequeños, facilitando la segmentación y la detección de formas.

• Ajuste de parámetros en tiempo real mediante sliders para experimentar rápidamente.

📝 Recomendaciones de uso

1. Introduce una imagen RGB en la entrada ImageRGB.

2. Ajusta Spatial Radius para controlar cuánto suavizado espacial local se aplica.

3. Aumenta Color Window Radius para fusionar colores similares en regiones más homogéneas.

4. Usa Maximum Level Radius con moderación — valores altos incrementan el tiempo de procesamiento.

5. Inspecciona el resultado desde la salida ImageRGB en un bloque de vista previa o en el visor de imágenes.

💡 Tips y trucos

• Si tu imagen de origen es muy grande y el procesamiento es lento, añade Image Resizer antes de este bloque para reducir dimensiones y acelerar el procesamiento.

• Para entradas ruidosas, considera un ligero Blur antes del mean shift para eliminar ruido del sensor sin perder bordes importantes.

• Después del mean shift, usa Find Contour o Blob Detector para extraer formas de objetos limpias desde las regiones de color suavizadas.

• Para enfocar el procesamiento en un área específica, recorta primero con Image ROI Select y alimenta la imagen recortada a este bloque.

• Usa HSV Filter o Color Quantizer and Clustering tras el mean shift para refinar la segmentación basada en color.

• Previsualiza resultados con Show Image y guarda fotogramas interesantes con Image Logger o Image Write.

(las pistas anteriores hacen referencia a bloques de función complementarios disponibles en el sistema)

🛠️ Resolución de problemas

• Rendimiento lento: reduce Color Window Radius o Maximum Level Radius, o disminuye el tamaño de la imagen con Image Resizer.

• Detalles sobre-suavizados: reduce Color Window Radius y/o Spatial Radius para preservar características finas.

• Segmentación desigual debido a cambios de iluminación: prueba combinar con HSV Filter o ajusta la iluminación (configuración de captura) antes del procesamiento.

• Colores inesperados o artefactos: visualiza pasos intermedios con Show Image para comprobar las entradas y considera usar Blur o denoising aguas arriba.