• Save
Descriptores de Textura
Upcoming SlideShare
Loading in...5
×
 
  • 1,006 views

By Claudia Mazo

By Claudia Mazo

Statistics

Views

Total Views
1,006
Views on SlideShare
1,006
Embed Views
0

Actions

Likes
0
Downloads
0
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Descriptores de Textura Descriptores de Textura Presentation Transcript

  • Descriptores de TexturaClaudia Ximena Mazo, Ing.claudia.mazo@correounivalle.edu.co
  • Slide 2¿Qué es Textura?
  • Slide 3¿Qué es Textura? Lo que constituye una región macroscópica. Suestructura es simplemente atribuirse a lospatrones repetitivos en los que elementos oprimitivas se disponen según una regla decolocación Una región en una imagen tiene una texturaconstante si un conjunto de estadísticas localesu otras propiedades locales de la función deimagen son constantes, que varían lentamente, oaproximadamente periódica
  • Slide 4¿Qué es un Descriptor de Textura? Conjunto de métricas calculadas en elprocesamiento de imágenes diseñado paracuantificar la textura percibida Disposición espacial de las intensidades de coloro en una imagen o región seleccionada de unaimagen
  • Slide 5¿Qué es un Descriptor de Textura? Uniformidad de la intensidad en las regioneslocales de la imagen Las imágenes de los objetos reales a menudo nopresentan regiones de intensidades uniformes
  • Slide 6Uso de los Descriptor de Textura Clasificar: Basándose en las propiedades detextura, se puede identificar una variedad demateriales
  • Slide 7Uso de los Descriptor de Textura Segmentar: encontrar los límites de las texturas.El objetivo de la segmentación de textura esobtener el mapa límite que separa las regionesde diferente textura en una imagen
  • Slide 8Uso de los Descriptor de Textura
  • Slide 9Uso de los Descriptor de Textura
  • Slide 10Áreas de Aplicación Descriptor de Textura Análisis de Imágenes Médicas
  • Slide 11Áreas de Aplicación Descriptor de Textura Tratamiento de documentos
  • Slide 12Áreas de Aplicación Descriptor de Textura Reconocimiento de caracteres
  • Slide 13Métodos Relacionados a LocalBinary Pattern
  • Slide 14Local Binary Pattern (LBP)Medida de la textura invariante en escala de grises,compara el valor de un píxel actual para cadavalor en sus cuatro u ocho vecinos:gc valor del pixel del centrogp valor del pixel adjacente al pixel centrals es una operación de umbral
  • Slide 15Local Binary Pattern (LBP) Medidas Loglikelihood Euclidean Distance
  • Slide 16Matriz de Co-OcurrenciaDistribución de co-ocurrencia de intensidad en undeterminado desplazamiento
  • Slide 17Matriz de Co-Ocurrencia
  • Slide 18Matriz de Co-Ocurrencia Medidas relacionadas al contraste: Contraste• El peso incrementa exponencialmentecomo incrementa i, j• Con una medida alta se dice que laimagen tiene un contraste alto
  • Slide 19Matriz de Co-Ocurrencia Disimilitud• Igual que contraste pero los pesos noincrementan exponencialmente• Incremento de peso lineal
  • Slide 20Matriz de Co-Ocurrencia Homogeneidad• Inversa al contraste• El peso decrece exponencialmente comoincrementa i, j• A menor contraste mayor homogeneidad
  • Slide 21Matriz de Co-Ocurrencia Medidas relacionadas con el orden: Segundo momento angular (ASM):• Entre mas ordenada la imagen mas alta lamedida Energía:
  • Slide 22Matriz de Co-Ocurrencia Máxima Probabilidad: Entropía:• Asumir: 0 * ln 0 = 0, ln 0 es indefinido• Opuesto a la energía, máximo valorcuando todos los elementos son iguales.
  • Slide 23Matriz de Co-Ocurrencia Medidas utilizando estadísticas descriptivas: GLCM media: GLCM varianza: Desviación estándar:
  • Slide 24Matriz de Co-Ocurrencia GLCM correlación:• Dependencia lineal de los niveles degrises de cada píxel con sus vecinos
  • Slide 25Spectrum Textura (TS) Método estadístico Vecindad de 3 x 3 píxeles, que representan unconjunto de pequeñas unidades esencialesconocido como unidades de textura (TU) 38 = 6,561 posible descripciones de la texturalocales
  • Slide 26Spectrum Textura (TS)
  • Slide 27Spectrum Textura (TS) Medidas: Énfasis momentos inversos a corto plazo Momentos énfasis largo plazo Falta de uniformidad en niveles de gris: Ejecutar longitud de no uniformidad:
  • Slide 28MPEG-7
  • Slide 29MPEG-7 Métodos Textura homogénea (HTD) Histograma de Borde (EHD) Navegación de Textura (TBD) Medida
  • Slide 30Otros Metodos
  • Slide 31Haralick Describe 14 medidas estadísticas dedistribución, calculadas a partir de la matriz deco-ocurrencia Medidas Segundo momento angular:
  • Slide 32Haralick Contraste: Correlación: Varianza:
  • Slide 33Haralick Momento diferencia inversa: Suma de promedio:• x, y coordenadas px+y(i) es la probabilidadde co-ocurrencia
  • Slide 34Haralick Suma de varianza:• f42 = Suma de entropía Suma de entropía: Entropía:
  • Slide 35Haralick Diferencia de varianza: Diferencia de entropía: Medida de correlación 1:• f43= entropía
  • Slide 36Haralick Medida de correlación 2: Máximo coeficiente de correlación:• HX y HY son las entropías de px y py
  • Slide 37Haralick
  • Slide 38SIFT Invariante a:• escala• rotación• iluminación• punto de vista• Medidas Se realiza en 6 etapas:
  • Slide 39SIFT - Espacios de Escala (1) Gaussian Blur:
  • Slide 40SIFT - Laplaciano de Gauss (2)
  • Slide 41SIFT - Laplaciano de Gauss (2)
  • Slide 42SIFT – Encontrar puntos clave (3) Localizar Max/Min en imagen DoG:• X está marcado como un "punto clave" si esmayor o menor que los 26 vecinos
  • Slide 43SIFT – Encontrar puntos clave (3)
  • Slide 44SIFT – Eliminar Bordes y Regiones de BajoContraste (4) Detector de esquinas de Harris
  • Slide 45SIFT – Asignación de Punto Clave deOrientación (5)
  • Slide 46SIFT – Asignación de Punto Clave deOrientación (5)
  • Slide 47SIFT – Generar SIFT (6)
  • Slide 48SIFT – Generar SIFT (6) Función de ponderación gaussiana
  • Slide 49SIFT – Ejemplo Objetos a buscar
  • Slide 50SIFT – Ejemplo
  • Slide 51