Textura (processamento de imagem)

No processamento de imagens , a análise de textura consiste em calcular uma série de medidas para definir uma textura percebida em uma imagem. A análise de textura retorna informações sobre o arranjo espacial de cores ou intensidades em toda ou parte da imagem.

Os dados de textura de uma imagem podem ser criados artificialmente (texturas artificiais) ou resultar da análise de imagens filmadas a partir de cenas ou objetos reais (texturas naturais). A análise (ou caracterização) de textura desempenha um papel importante na segmentação da imagem ou na sua classificação. Os elementos que fornecem maior precisão na segmentação são as frequências espaciais e a média do nível de cinza.

Existem duas abordagens possíveis para analisar uma textura: a abordagem estruturada e a abordagem estatística.

A abordagem estruturada

Essa abordagem vê as texturas como uma série de texels repetidos uniformemente em uma amostra. Essa abordagem é particularmente eficaz em análises de texturas artificiais.

Para ter uma descrição mais estruturada, uma caracterização da organização espacial dos texels é definida a partir do diagrama de Voronoi sobre eles.

A abordagem estatística

A abordagem estatística define textura como uma medida quantitativa do arranjo de intensidade em uma região. Em geral, esta abordagem é fácil de calcular e é frequentemente usada para processar texturas naturais, bem como para produzir amostras de subelementos irregulares.

Detecção de borda

Usar a detecção de bordas para determinar o número de pixels que descrevem essas bordas em uma região específica determina a complexidade característica de uma textura. Uma vez obtidos os contornos, sua direção também pode ser aplicada como outra característica dos mesmos e pode ser útil para a determinação da amostra na textura. Essas direções são apresentadas em uma média ou em um histograma.

Considere uma região com N pixels. O detector de bordas baseado em gradiente é então aplicado a essa região para produzir dois resultados para cada pixel p: a magnitude Mag (p) e a direção Dir (p). A área de contorno ( Edgeness ) por unidade de área é então definida por:

${\ displaystyle F_ {edgeness} = {\ frac {| \ {p | Mag (p)> T \} |} {N}}}$

T representando o limite.

Para incluir a orientação com o contorno, pode-se usar histogramas de magnitude e direção. Seja H mag (R) representa o histograma normalizado magnitude da região R, e seja H dir representando o histograma normalizado de orientações da região R. Ambos são padronizados, de acordo com o tamanho N R .

Então temos a descrição quantitativa da textura da região R:

F_{magdir}=(H_{mag}(R),H_{dir}(R))

Matriz de coocorrência

A matriz de co-ocorrência captura os elementos digitais da textura usando as relações espaciais de tons de cinza semelhantes. Esses dados digitais calculados por essas matrizes de coocorrência podem ser usados para representar, comparar e classificar texturas. O seguinte é um subconjunto de características padrão deriváveis de uma matriz de coocorrência normalizada:

${\ displaystyle {\ begin {alinhados} Angular {\ text {}} 2º {\ text {}} Momento & = \ sum _ {i} \ sum _ {j} p [i, j] ^ {2} \\ Contraste & = \ sum _ {n = 0} ^ {Ng-1} n ^ {2} \ left \ {\ sum _ {i = 1} ^ {Ng} \ sum _ {j = 1} ^ {Ng} p [i, j] \ right \} {\ text {, onde}} | ij | = n \\ Correlação & = {\ frac {\ sum _ {i = 1} ^ {Ng} \ sum _ {j = 1} ^ {Ng} (ij) p [i, j] - \ mu _ {x} \ mu _ {y}} {\ sigma _ {x} \ sigma _ {y}}} \\ Entropia & = - \ sum _ {i} \ sum _ {j} p [i, j] log (p [i, j]) \\\ end {alinhado}}}$

Onde é a enésima entrada em um espaço cinza da matriz, e Ng é o número de níveis de cinza distintos na imagem quantizada. ${\ displaystyle p [i, j]}$ $[eu j]$

O aspecto negativo desta matriz de coocorrência é que as características assim extraídas não correspondem necessariamente à percepção visual.

Medição de energia das texturas das Leis

Outra abordagem para gerar as características dessas texturas é usar máscaras (ou kernels) para detectar os diferentes tipos de texturas. Em 1980, K. Laws usou 4 vetores que representam recursos de textura para criar dezesseis máscaras 2D. Às vezes, é adicionado um quinto vetor que caracteriza as ondas. As máscaras de convolução de tamanho resultantes, da matriz 5, são utilizadas para calcular a energia de uma textura que é representada após eliminação de duplicatas de simetria, por nove vetores elementares para cada pixel. Esta máscara é gerada a partir dos seguintes vetores:

L5 = [ +1 +4 6 +4 +1 ] (Niveau) E5 = [ -1 -2 0 +2 +1 ] (Contour) S5 = [ -1 0 2 0 -1 ] (Point) W5 = [ -1 +2 0 -2 +1 ] (Vague) R5 = [ +1 -4 6 -4 +1 ] (Ride)

Correlação automática e potência espectral

O recurso de autocorrelação de uma imagem pode ser usado para detectar amostras repetidas de texturas.

Segmentação de textura

Uma imagem texturizada pode ser usada para descrever regiões em segmentos. Existem dois tipos de segmentação de imagem baseada em textura: baseada em região e baseada em borda. No entanto, esses métodos por si só ainda não são perfeitos para uma segmentação ideal e devem ser usados com outras características, como cor, formato e tamanho. Portanto, é uma vantagem simples otimizar e resolver a segmentação de imagens.

Região

Tenta agrupar pixels com base nas propriedades da textura.

Fronteira

Tenta agrupar pixels com base em contornos de imagem entre pixels provenientes de diferentes propriedades de textura.

Veja também

Link externo

Peter Howarth, Stefan Rüger, "Evaluation of texture features for content-based image retrieval", Proceedings of the International Conference on Image and Video Retrieval, Springer-Verlag, 2004
Christian Germain, “ Imagem orientada e análise de textura aplicada à caracterização de materiais e sensoriamento remoto. » , On archives-ouvertes.fr , Universidade de Ciências e Tecnologias - Bordéus I - Tratamento de imagens,2007.

Referências

(fr) Este artigo foi retirado parcial ou totalmente do artigo da Wikipedia em inglês intitulado " Image texture " ( veja a lista de autores ) .

Linda G. Shapiro e George C. Stockman, Computer Vision , Upper Saddle River: Prentice-Hall, 2001
(in) Trambitskiy KV Anding K. Polte GA, D. Garten, Musalimov VM, " Segmentação da área fora de foco da área da imagem 2D com o uso de recursos de textura. ” , Revista Científica e Técnica de Tecnologias da Informação, Mecânica e Óptica , vol. 15, n o 5,2015, p. 796-802 ( leia online )
Robert M. Haralick, K. Shanmugam e Its'hak Dinstein, "Textural Features for Image Classification", IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC-3 (6): 610-621
K. Laws, Textured Image Segmentation , Ph.D. Dissertation, University of Southern California, janeiro de 1980