ANLISIS DEL COMPORTAMIENTO DE DESCRIPTORES DE LA MATRIZ DE COOCURRENCIA EN LA EXTRACCIN DE CARACTERSTICAS DE TEXTURA EN IMGENES DIGITALES.

ALVARO JIMNEZ JARAMILLO

UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MANIZALES FACULTAD DE INGENIERA Y ARQUITECTURA INGENIERA ELECTRNICA MANIZALES 2002

ANLISIS DEL COMPORTAMIENTO DE DESCRIPTORES DE LA MATRIZ DE COOCURRENCIA EN LA EXTRACCIN DE CARACTERSTICAS DE TEXTURA EN IMGENES DIGITALES.

ALVARO JIMNEZ JARAMILLO

Trabajo Final para optar al ttulo de Ingeniero Electrnico

Director GUSTAVO ADOLFO OSORIO L. Ingeniero Electrnico

UNIVERSIDAD NACIONAL DE COLOMBIA SEDE MANIZALES FACULTAD DE INGENIERA Y ARQUITECTURA INGENIERA ELECTRNICA MANIZALES 2002

TABLA DE CONTENIDO

TABLA DE CONTENIDO Tabla de Figuras Indice de Tablas JUSTIFICACIN OBJETIVOS Objetivo General Objetivos Especficos INTRODUCCIN 1.ANLISIS DE TEXTURAS 1.1 Matriz de Coocurrencia 1.2 Construccin de la Matriz de Coocurrencia 1.3 Anlisis Multivariado de Discriminante de Fisher 2.ANLISIS DE DESCRIPTORES 2.1 Entropa 2.1.1 Cambio de Iluminacin. 2.1.2 Variacin de Tamao 2.1.3 Variacin de la Distancia 2.2 Uniformidad 2.2.1 Cambios de Iluminacin 2.2.2 Variacin en el Tamao 2.2.3 Variacin de la Distancia 2.3 Contraste 2.3.1 Cambios de Iluminacin 2.3.2 Variacin del Tamao 2.3.3 Variacin de la Distancia 2.4 Correlacin 2.4.1 Cambios de Iluminacin 2.4.2 Variacin de Tamao 2.4.3 Variacin de la Distancia iii

iii vi vii ix x x x 1 2 3 3 5 7 7 8 8 9 10 11 12 13 15 15 16 17 19 20 20 21

2.5 Momento de Diferencia de Orden k 2.5.1 Cambios de Iluminacin 2.5.2 Variacin de Tamao 2.5.3 Variacin de la Distancia 2.6 Momento Inverso de Diferencia de Orden k 2.6.1 Cambios de Iluminacin 2.6.2 Variacin de Tamao 2.6.3 Variacin de la Distancia 2.7 Mxima Probabilidad 2.7.1 Cambios de Iluminacin 2.7.2 Variacin de Tamao 2.7.3 Variacin de la Distancia 2.8 Homogeneidad Local 2.8.1 Cambios de Iluminacin 2.8.2 Variacin de Tamao 2.8.3 Variacin de la Distancia 2.9 Varianza 2.9.1 Cambios de Iluminacin 2.9.2 Variacin de Tamao 2.9.3 Variacin de la Distancia 2.10 Directividad 2.10.1 Cambios de Iluminacin 2.10.2 Variacin de Tamao 2.10.3 Variacin de la Distancia 2.11 Tendencia de Cluster 2.11.1 Cambios de Iluminacin 2.11.2 Variacin de Tamao 2.11.3 Variacin de la Distancia 3. SEGMENTACIN 4. CONCLUSIONES REFERENCIAS BIBLOGRFICAS

22 23 23 24 24 25 26 26 27 28 28 29 29 30 30 31 31 32 33 33 34 35 35 36 36 36 37 37 39 43 47

iv

ANEXO A Imgenes Utilizadas

1 1

Tabla de Figuras
Figura 1. Figura 2. recta. Figura 3. Grfica tridimensional de la matriz de coocurrencia .......................................... 4 a. Puntos en un espacio bidimensional. b. Clases mezcladas proyectadas en una c. Clases separadas proyectadas en una recta. ............................................ 6 Matrices de coocurrencia, izquierda imagen 104 a 90 plano verde, a la derecha

imagen 101 a 90 plano verde. ....................................................................................... 8 Figura 4. A la izquierda matriz de coocurrencia para imagen 1101. A la derecha matriz

de coocurrencia para la imagen 201, Ambas imgenes extradas a 135 y en plano Azul. Figura 5. 11 Matriz de coocurrencia izquierda imagen 301, derecha imagen 1101

orientacin 135 plano G.............................................................................................. 15 Figura 6. Figura 7. Figura 8. Matriz de coocurrencia izquierda imagen 401, derecha imagen blob .............. 20 Matriz de coocurrencia izquierda imagen 1101, derecha 201, 135 plano R... 23 Matrices de coocurrencia izquierda imagen 1101, derecha imagen 1301, 135,

plano R.......................................................................................................................... 25 Figura 9. Matriz de coocurrencia para imgenes izquierda 1101, derecha 1001, 135

plano G.......................................................................................................................... 27 Figura 10. Matriz de coocurrencia; izquierda imagen 901, derecha imagen 1101; 90

plano G 30 Figura 11. Matriz de coocurrencia; izquierda imagen 1001, derecha imagen 1201; 135

plano R 32 Figura 12. Matriz de coocurrencia imagen 301 izquierda 135, derecha imagen 45

plano R 35 Figura 13. Segmentacin obtenida mediante la matriz de coocurrencia de nivel de gris a

256 niveles. ................................................................................................................... 39 Figura 14. Figura 15. Figura 16. Segmentacin obtenida sin cuantizacin y con cuantizacin a 8 niveles ..... 40 Comparacin de la segmentacin con diferentes tamaos de Ventana ........ 42 Diferentes clases en el espacio de Fisher arriba para ventana de 10x10

pxeles, abajo ventana de 30 x 30 pxeles ..................................................................... 42

vi

Indice de Tablas

Tabla 1. Promedios de la entropa para cada una de las imgenes. ........................................ 8 Tabla 2. Variacin de la entropa con el cambio de resoluci n de tamao. ........................... 9 Tabla 3. Variacin de entropa con la variacin de la distancia en las imgenes 101, 1001, Cobblestone y Eyes. ...................................................................................................... 10 Tabla 4. Variacin del descriptor de uniformidad en tres diferentes condiciones............... 11 Tabla 5. Variacin de la uniformidad ante cambios en la iluminacin. .............................. 12 Tabla 6. Variacin de la uniformidad con respecto al cambio de tamao de la imagen ...... 13 Tabla 7. Variacin de la uniformidad con los cambios de distancia. Arriba imgenes a color, Abajo imgenes en nivel de gris......................................................................... 14 Tabla 8. Variacin del contraste ante cambios de iluminacin ............................................ 16 Tabla 9. Variacin del contraste ante reduccin del tamao de las imgenes...................... 17 Tabla 10. Influencia de la distancia en el contraste .............................................................. 18 Tabla 11. Influencia de la distancia para imgenes de nivel de gris..................................... 18 Tabla 12. Variacin de la correlacin ante cambios de iluminacin.................................... 20 Tabla 13. Variacin de la correlacin con el tamao de la imagen...................................... 21 Tabla 14. Variacin de la correlacin con respecto a la distancia ........................................ 22 Tabla 15. Variacin del momento de diferencia ante cambios de iluminacin................... 23 Tabla 16. Variacin del momento de diferencia con el tamao de la imagen...................... 24 Tabla 17. Variacin del momento de diferencia con respecto a la distancia........................ 24 Tabla 18. Variacin del momento inverso de diferencia ante cambios de iluminacin...... 26 Tabla 19. Variacin del momento inverso de diferencia con el tamao de la imagen......... 26 Tabla 20. Variacin del momento inverso de diferencia con respecto a la distancia ........... 27 Tabla 21. Variacin de la mxima probabilidad ante cambios de iluminacin................... 28 Tabla 22. Variacin de la mxima probabilidad con el tamao de la imagen...................... 28 Tabla 23. Variacin de la mxima probabilidad con respecto a la distancia........................ 29 Tabla 24. Variacin de la homogeneidad local ante cambios de iluminacin...................... 30 Tabla 25. Variacin de la homogeneidad local con el tamao de la imagen........................ 31 vii

Tabla 26. Variacin de la homogeneidad local con respecto a la distancia ......................... 31 Tabla 27. Variacin de la varianza ante cambios de iluminacin ........................................ 33 Tabla 28. Variacin de la varianza con el tamao de la imagen .......................................... 33 Tabla 29. Variacin de la varianza con respecto a la distancia ............................................ 34 Tabla 30. Variacin de la directividad ante cambios de iluminacin................................... 35 Tabla 31. Variacin de la directividad con el tamao de la imagen..................................... 36 Tabla 32. Variacin de la directividad con respecto a la distancia....................................... 36 Tabla 33. Variacin de la tendencia de Cluster ante cambios de iluminacin ..................... 37 Tabla 34. Variacin de la tendencia de Cluster con el tamao de la imagen ....................... 37 Tabla 35. Variacin de la tendencia de Cluster con respecto a la distancia ......................... 38 Tabla 36. Porcentajes de clasificacin por textura en la segmentacin de la figura 10. ...... 40 Tabla 37 . Comparacin del la precisin de la segmentacin a 256 y 8 niveles. ................. 41

viii

JUSTIFICACIN
En el proceso digital de imgenes, la textura es una de las caractersticas ms importantes en la etapa de caracterizacin y clasificacin de patrones. Se han estudiado diferentes tipos

de metodologas para extraer informacin de la textura de manera cuantitativa. De acuerdo con la naturaleza de la textura la informacin se encuentra contenida en las relaciones de puntos (o pxeles) vecinos. Surge como herramienta importante el histograma de segundo orden, tambin conocido como matriz de coocurrencia de nivel de gris. La ventaja que posee esta herramienta radica principalmente en su sencillez y en la amplia cantidad de informacin que es posible extraer de sta, a travs de los descriptores. La segmentacin de texturas tiene aplicaciones en control de calidad y reconocimiento de objetos.

ix

OBJETIVOS
Objetivo General
Analizar el comportamiento de los descriptores de la matriz de coocurrencia, dentro de un experimento cualitativo y cuantitativo, con el fin de determinar las propiedades y caractersticas de stos.

Objetivos Especficos
1) Observar las variaciones de los descriptores en diferentes planos de color como los tradicionales RGB y YUV. 2) Analizar la influencia de parmetros como la distancia entre pxeles y la rotacin en la relacin en los descriptores. 3) Registrar el comportamiento de esta tcnica en diferentes tipos de texturas naturales o artificiales. 4) Optimizar el proceso de extraccin de la matriz de coocurrencia, tanto en resolucin espacial como en resolucin de colores y tiempo de proceso, en orden a adaptar esta tcnica a aplicaciones de tiempo real.

A Dios Alvaro, Dolly, Juan Diego Gracias por todo.

xi

AGRADECIMIENTOS

El Autor desea agradecer a todas las personas que colaboraron con esta investigacin:

De manera especial al director de este trabajo, Ingeniero Gustavo A. Osorio L. Por toda la ayuda y la paciencia, prestada en el desarrollo de la investigacin e implementacin de el experimento que aqu se ilustra.

Al grupo de Percepcin y Control Inteligente de la Universidad Nacional Sede Manizales por toda la colaboracin prestada.

A los jurados de este trabajo, Ph. D Flavio Prieto, Ing. Nubia Liliana Montes.

A los

Ingenieros. Oscar F. Gonzles, Juan David Aristizbal, Juan C. Montenegro y

compaeros Juan B. Gmez, Andrs Idrraga, David Echeverri ,Fabin Garca, Paulo Franco, Norma X. Gonzles, Cesar Bedoya, Jorge Ivn, Faiber, Claudia y a todos los amigos de la mancha.

A las familias Jimnez Losada, Jaramillo Ruiz y Restrepo Jaramillo.

xii

Resumen
En este trabajo, el lector encontrar un anlisis sobre los descriptores de la matriz de coocurrencia en la extraccin de caractersticas de texturas, mediante la evaluacin de parmetros tales como la distancia y la influencia de la iluminacin en el valor de tales descriptores. El anlisis se llevar a cabo en los planos de color rojo, verde y azul, y ser evaluado en imgenes digitales de textiles y de texturas varias. Posteriormente se encontrarn las observaciones realizadas al aplicar estos resultados a un experimento de

segmentacin automtica de texturas, con el fin de observar el comportamiento de procedimientos tales como la cuantizacin y la seleccin del tamao de la ventana.

Palabras Claves: Matriz de Coocurrencia, Texturas, Descriptores, Segmentacin, Imgenes Digitales.

xiii

INTRODUCCIN

En las ms recientes aplicaciones del tratamiento digital de imgenes se ha venido resaltando la gran importancia de la informacin suministrada por la textura. En imgenes de difcil control de las condiciones de adquisicin, entindase por stas una gran parte de imgenes con ruido, la baja calidad del sensor, el fondo, la incorrecta iluminacin, impide lograr una correcta caracterizacin por los mtodos tradicionales como la deteccin de bordes y la segmentacin de formas, en una gran variedad de aplicaciones es necesario obtener imgenes cuyas condiciones no pueden ser totalmente controladas, como por ejemplo imgenes de satlite, mdicas, de productos agrcolas etc. Es as como la textura entra a jugar un papel importante en las aplicaciones de caracterizacin, deteccin, segmentacin de imgenes de todo tipo.

Para extraer la informacin de la textura existen diversas tcnicas, en este trabajo se profundizar en una de ellas, como lo es la matriz de coocurrencia, debido a la gran posibilidad de extraer descriptores que pueden llegar a discriminar o clasificar las texturas en aplicaciones en las cuales otros mtodos no logran una separacin correcta. Posteriormente se llevar a cabo una revisin de algunos experimentos realizados en diferentes laboratorios utilizando este mtodo, para observar los resultados de la implementacin y realizar la comparacin con otros mtodos empleados en dichos experimentos.

1. ANLISIS DE TEXTURAS

Contenido En el procesamiento digital de imgenes es de gran utilidad para ciertas aplicaciones, observar la informacin contenida en la textura. Para llevar a cabo Figuras este objetivo es posible abordar el problema desde diferentes puntos de vista, todos
Tablas

dependiendo de una tcnica especfica para extraer de forma cuantitativa la informacin contenida en la textura de la imagen.

Para caracterizar las texturas existen bsicamente tres formas de procesar la imagen y extraer su informacin, son estos; descriptores en frecuencia,

descriptores estructurales y descriptores probabilsticos [1][2].

Los descriptores en frecuencia se basan principalmente en el anlisis del espectro de Fourier mediante la transformada del mismo nombre. Aunque en algunas aplicaciones han funcionado satisfactoriamente, su implementacin se ve

usualmente restringida por la poca informacin que se puede extraer cuando las texturas son heterogneas o de carcter aleatorio.

En cuanto a los descriptores estructurales, su desarrollo se basa en obtener patrones primitivos de la textura para generar una descripcin de cmo se agrupan stos para formar la textura en s.

Por

ltimo,

los

descriptores probabilsticos se apoyan principalmente en

estadsticos de segundo orden, como el histograma de segundo orden tambin conocido como matriz de coocurrencia[1][2][5]. Posteriormente se desarrolla este tema con mayor profundidad debido a la cantidad de informacin que es posible obtener de esta matriz. Ella cuenta con una amplia gama de descriptores para la caracterizacin de texturas, con la ventaja adicional de que puede ser aplicada a texturas de origen aleatorio[6][7] o que no respondan a un patrn o serie de patrones determinados. 2

1.1 Matriz de Coocurrencia

Para caracterizar la informacin contenida en la textura de una imagen, o en general la ocurrencia de cierto evento de una variable aleatoria [4], es posible
Contenido
Figuras

proceder a calcular sus momentos estadsticos de segundo orden, lo cual se conoce como extraer informacin de su matriz de coocurrencia.

Tablas

En trminos de anlisis automatizado de imgenes, este mtodo permite extraer una gran cantidad de informacin de textura de una fotografa, un mapa [7] o una imagen digitalizada en general. Por la variedad de descriptores que es posible obtener de esta matriz, se pueden caracterizar un conjunto de valores cuantificables para cada imagen analizada. Lo cual es importante para posteriormente alimentar un clasificador automtico, el cual podra separar un conjunto de imgenes en diferentes clases, para aplicaciones diversas tales como el control de calidad [8], la segmentacin de imgenes diagnsticas [9], e incluso la cartografa de una ciudad[7].

1.2 Construccin de la Matriz de Coocurrencia

Para el caso particular de procesamiento de imgenes, los parmetros a tener en cuenta para la construccin de la matriz de coocurrencia estn ligados a la disposicin de los pxeles en la imagen. Estos parmetros basados en la ubicacin espacial de los pxeles, las relaciones con su vecindario y el valor de su intensidad, son los que al final definen la construccin de la matriz as: Condicin: Es la regla que debe cumplir un determinado pxel para poder ser cuantificado con relacin a un vecino, usualmente esta condicin es tomada como la ubicacin el pxel de determinada intensidad que se encuentra en la direccin de el vecino. Direccin: Es la orientacin espacial en la cual se evala la condicin, como casos tpicos se utilizan direcciones como 0 grados, 45 grados, 90 grados y 135 grados [1][2][6][5]. 3

Distancia: Es el nmero de pxeles a los cuales se encuentran el par de pxeles evaluados en la condicin, como distancias tpicas se utilizan 1, 3 y 5 pxeles de distancia [5][6][7].
Contenido Para la construccin de la matriz de coocurrencia se sigue un procedimiento
Figuras

sencillo. Basado en la construccin de una matriz provisional que contiene la informacin del nmero de pares de pxeles que cumplen la condicin, ordenados

Tablas

de forma que el nmero de fila de cada elemento indica el nivel de gris del pxel en la direccin y la orientacin con relacin al nivel de gris del pxel indicado por el nmero de columna.

Sea la matriz provisional A, de k x k , donde k es el nmero de niveles de gris de la imagen, cuyo elemento a ij es el nmero de veces que un pxel con nivel de gris z i , se encuentra en la direccin de un pxel con nivel de gris z j . En la figura 1 se puede observar la grfica de una matriz de coocurrencia, las filas y columnas en el plano X y Y , en el plano Z la cantidad de puntos que cumplen con la condicin.

Figura 1.

Grfica tridimensional de la matriz de coocurrencia

Una vez obtenida esta matriz provisional, se procede a hallar el nmero de pares de pxeles que cumplen satisfactoriamente con la condicin, lo que equivale a sumar 4

todos los elementos de la matriz y dividiendo cada uno de ellos por el resultado de esta operacin, se obtiene la matriz de coocurrencia de nivel de gris en la direccin en la cual se tom.
Contenido 1.3 Anlisis Multivariado Discriminante de Fisher
Figuras

Con el objeto de lograr una adecuada discriminacin de las clases en un experimento de clasificacin es necesario obtener las caractersticas que son eficientes para la agrupacin. El objetivo del anlisis discriminante es buscar maximizar el ndice de Fisher [13][14]dado por:

Tablas

Fij =

mi m j

i2 + 2 j

,j >i

(1)

donde ij es el ndice de Fisher de las clases, mi y mj son las medias de las clases y i y j son las desviaciones estndar de cada clase.

Este ndice provee informacin de la capacidad discriminante de las caractersticas. Al realizar la evaluacin del ndice para todas las caractersticas, se obtiene un ndice de Fisher para cada caracterstica. Para el anlisis multivariado se pasa de un espacio n dimensional a un espacio C-1 dimensional donde C es nmero de clases presentes en una imagen. De este modo si se tiene una imagen con cuatro clases diferentes se pasa a proyectar a un espacio tridimensional, una combinacin de todas las caractersticas en las cuales se puede lograr una mayor separacin entre las clases.

Como se puede ver en la figura 2 el criterio de anlisis multivariado discriminante de Fisher maximiza la separacin de las clases y provee el espacio ms conveniente para clasificacin de acuerdo a la correlacin entre las muestras, as si se tiene un conjunto de dos clases, el objetivo es encontrar una lnea que permita lograr la mayor separacin entre las clases.

Contenido
Figuras

Tablas

Figura 2.

a. Puntos en un espacio bidimensional. b. Clases mezcladas proyectadas en una recta. c. Clases separadas proyectadas en una recta.

2.ANLISIS DE DESCRIPTORES
Contenido
Figuras

Para el anlisis de descriptores se realizaron pruebas en un conjunto de 103 imgenes de donde se extrajeron datos de sus 3 planos de color RGB, en las cuatro orientaciones promediados para generar datos invariantes a la rotacin.

Tablas

2.1 Entropa
El descriptor de entropa es una medida de la aleatoriedad contenida en la matriz de coocurrencia. La obtencin de ste sta dada por la siguiente frmula: cij log cij
i j

(2)

donde cij es cada elemento de la matriz, e i y j varan desde 0 hasta n el nmero de niveles de gris.

Como se sabe de la teora de seales [4], la entropa provee una medida de la informacin contenida en una seal. Cada nmero contenido en la matriz de coocurrencia puede ser tratado como una probabilidad. A medida que todos los elementos de la matriz son similares, este descriptor aumenta su valor, siendo mximo en el caso que todos los elementos de la matriz fueran iguales [1].

En el caso real de una imagen digital de textura, la informacin se encuentra principalmente concentrada cerca a la diagonal principal de la matriz de coocurrencia. A medida que se tengan mayores probabilidades de ocurrencia, el valor de la entropa va descendiendo porque la textura es ms uniforme.

2.1.1 Cambio de Iluminacin. Con el fin de que el descriptor sea invariante a los cambios de orientacin en la imagen se obtiene su valor para cada uno de las cuatro posibles orientaciones; en diagonal hacia la izquierda o 135, vertical o 90, diagonal hacia la derecha o 45 y horizontal o 0.
Contenido
Figuras

Posteriormente se promedian los valores obtenidos para obtener los siguientes resultados que se ven en la tabla 1. En cuanto al los cambios de las matrices para los diferentes tipos de iluminacin en la figura 3, se observan cambios ligeros en las distribuciones de algunos puntos, pero en general se conserva la forma bsica del patrn de textura. Una caracterstica que se pudo observar, fue que con el cambio de la iluminacin es posible ver un desplazamiento del patrn en la matriz de coocurrencia, a travs de la diagonal principal.

Tablas

Figura 3. Matrices de coocurrencia, izquierda imagen 104 a 90 plano verde, a la derecha imagen 101 a 90 plano verde. Tabla 1. Promedios de la entropa para cada una de las imgenes. imagen 101 102 103 104 105 R 0.366411 0.371962 0.3709152 G B 0.369212 0.3852595 0.3333405 0.38304 0.3300835 0..3326 0.334498 0.390525 0.3338365 0.385593 0.365737 0.3814665

El cambio debido a la iluminacin en estas imgenes en particular, no afecta de manera significativa el comportamiento de la entropa, ya que las variaciones en los promedios estn en el orden de la milsima parte. 2.1.2 Variacin de Tamao Para observar los cambios en el comportamiento de la entropa cuando la imagen se reduce de tamao, es decir que se cambia su resolucin, se realiz el anlisis tomando una de las

imgenes de textiles crudo y reducindola a diferentes tamaos para observar el cambio en la entropa para cada una de las cuatro orientaciones. De la tabla 2 se puede observar que los promedios de la entropa para las imgenes, disminuyen a medida que se reduce el tamao de la imagen en manera proporcional pero no
Contenido es acorde con el porcentaje de disminucin de la imagen. Se puede observar que
Figuras

aproximadamente hasta en una imagen reducida el 70% la entropa no vara en ms del 90% en promedio de sus tres planos de color.
Tabla 2. Variacin de la entropa con el cambio de resolucin de tamao.
Tamao R G B % Cambio

Tablas

100 % 90 % 80 % 60 % 50 % 30 % 10 %

0.3692 0.3603 0.3433 0.299 0.271 0.1962 0.0655

0.3852 0.3759 0.3593 0.317 0.288 0.2173 0.0851

0.3333 0.33004 0.31324 0.2702 0.24335 0.1663 0.04922

-o98.06% 93.41% 81.44% 73.72% 53.14% 18.2%

2.1.3 Variacin de la Distancia En la extraccin de la matriz de coocurrencia es posible variar la distancia de evaluacin de los pxeles. Para observar la variacin del descriptor de entropa, con respecto a los cambios en la distancia de los pxeles, se evaluaron diferentes imgenes a distancias de uno, dos, tres, y cinco pxeles. De la tabla 3 se resalta la variacin de la entropa con respecto a la distancia es baja y conserva una relacin. En las imgenes de tejidos crudos como la 101 y la 1001 se observa una ligera disminucin en el valor de la entropa, a medida que se va aumentando la distancia en pxeles. Pero se conserva la diferenciacin de los valores de las dos imgenes. Como la entropa mide la aleatoriedad de la textura y estas dos imgenes proceden de un caso similar, el valor de la entropa no vara mucho de una imagen a la otra. Con el objetivo de analizar el comportamiento de la entropa, tanto para imgenes con alta y baja medida, se analizaron los casos de las imgenes Cobblestone y Eyes (ver anexo A) con medidas de entropa alta y baja respectivamente. Para el caso de imgenes con mayor entropa el cambio notado es menos significativo que para imgenes con bajo valor en cuyo caso la influencia de la distancia es ms notoria. 9

Tabla 3. Variacin de entropa con la variacin de la distancia en las imgenes 101, 1001, Cobblestone y Eyes . Distancia 1 pixel 2 pixels 3 pixels 5 pixels 1 pixel 2 pixels 3 pixels 5 pixels 1 pixel 2 pixels 3 pixels 5 pixels 1 pixel 2 pixels 3 pixels 5 pixels Imagen 101 R 0.3692 0.3467 0.3376 0.3345 0.3246 0.3047 0.3045 0.3045 0.7917 0.7785 0.7783 0.7745 0.1480 0.1068 0.0875 0.0703 G 0.3852 0.3625 0.3550 0.3536 0.3369 0.3186 0.3187 0.3207 0.8044 0.7912 0.7912 0.7876 0.2076 0.1641 0.1436 0.1242 B 0.3333 0.3179 0.3021 0.2933 0.3080 0.2945 0.2915 0.2924 0.8170 0.8054 0.8054 0.8028 0.2678 0.2281 0.2112 0.1962

Contenido
Figuras

Imagen 1001

Tablas

Cobblestone Eyes

2.2 Uniformidad
El descriptor de uniformidad de una textura extrado de la matriz de coocurrencia est dado por la ecuacin siguiente:
2 U = cij i j

(3)

De la ecuacin (3) se puede inferir que cuando todos los valores de cij son semejantes, entindase una mayor dispersin en la diagonal principal de la matriz, el valor de la uniformidad ser menor, por el contrario si ocurre que en la diagonal principal se dan mayores picos de intensidad el descriptor se maximizar [1]. La propiedad de uniformidad da una idea de la suavidad de la textura, y esto se refleja en la ubicacin de sus probabilidades en la matriz de coocurrencia. De modo que si una mayor cantidad de pxeles de colores iguales cumplen con la condicin de ocurrencia, ser posible observar un pico de 10

intensidad en la diagonal principal de la matriz, como se observa en la figura 4 y por consiguiente la dispersin y distanciamiento de otros puntos de la diagonal principal ser menor. Si esto ocurre el descriptor de uniformidad aumentar como se ve en la tabla 4.
Tabla 4. Variacin del descriptor de uniformidad en tres diferentes condiciones.

Contenido
Figuras

Imagen 1101 1102 1103 201 202 203

R 569.624634 582.378357 524.159851 24.623055 28.370117 24.530222

G 671.610474 685.948669 650.134155 27.394022 31.461536 27.220238

B 317.287170 310.254608 292.573212 21.033331 24.359253 21.232979

Tablas

Figura 4. A la izquierda matriz de coocurrencia para imagen 1101. A la derecha matriz de coocurrencia para la imagen 201, Ambas imgenes extradas a 135 y en plano Azul.

2.2.1 Cambios de Iluminacin Ante las variaciones de iluminacin las imgenes fueron analizadas en las cuatro posibles direcciones y los resultados de la uniformidad fueron promediados para generar una invariacin de los resultados ante rotaciones.

Como se puede observar en la tabla 5, la variacin del descriptor de uniformidad ante cambios de iluminacin es de influencia considerable. Tambin es de destacar que el valor de la uniformidad se conserva discriminante para estas texturas. En general en el experimento llevado a cabo se conservan los valores entre un rango de algunas unidades afectando en baja medida la separacin entre las texturas diferentes.

11

Tabla 5. Variacin de la uniformidad ante cambios en la iluminacin. Imagen 101 102 R 153.149673 147.772446 145.579010 158.859375 158.014862 78.809952 75.544525 75.248878 65.899872 75.101624 G 189.103455 183.240631 178.708237 201.878204 191.690887 93.985245 92.748589 91.430130 80.076965 91.790543 B 101.073166 97.317123 99.227325 103.720757 103.536224 64.259422 62.775017 61.997070 55.582706 61.266609

Contenido
Figuras

103 104 105 1001 1002 1003 1004 1005

Tablas

2.2.2 Variacin en el Tamao En el anlisis de la influencia de la variacin en el tamao de la imagen con relacin a la uniformidad de la textura se tomaron imgenes de dos tipos de texturas, se redujeron a diferentes tamaos y se obtuvieron los siguientes resultados.

Como se puede observar en la tabla 6 para estas dos texturas en particular el porcentaje de variacin del valor de la uniformidad con respecto al tamao de la imagen es alto, pues con slo analizar la imagen al 90% ya su uniformidad ha variado aproximadamente a un 78%. Es interesante el hecho de que para este procedimiento tampoco se pierde la discriminacin entre las texturas puesto que ambas disminuyen en porcentajes similares.

12

Tabla 6. Variacin de la uniformidad con respecto al cambio de tamao de la imagen

Tamao R G B % Cambio

100 %

153.1496 119.5145 90.61330 45.46712 29.51987 10.33760 2.472566 78.80995 60.80963 45.62633 23.13697 15.93453 6.867712 2.276939

189.1034 147.6438 111.8498 56.48545 36.64341 13.69941 3.812030 93.98524 72.7966 54.96176 28.43289 19.97856 9.034190 3.474676

101.0731 79.77796 61.31198 31.97710 21.89810 7.349511 2.372885 64.25942 50.73333 39.19062 21.43262 15.35213 7.082749 3.226597

-o78.03% 59.16% 29.68% 19.27% 0.675% 0.16% -o77.16% 57.89% 29.35% 20.21% 0.87% 0.28%

Contenido
Imagen 101

90 % 80 % 60 % 50 % 30 % 10 % 100 % 90 % Imagen 1001 80 % 60 % 50 % 30 % 10 %

Figuras

Tablas

2.2.3 Variacin de la Distancia Las pruebas realizadas en imgenes de textiles y en imgenes de texturas en nivel de gris, para observar la influencia de la distancia en el descriptor de uniformidad a distancias de 1, 2, 3 y 5 pxeles, arrojaron los siguientes resultados.

En la tabla 7 se puede observar como la distancia afecta al descriptor de uniformidad. En general se aprecia que al aumentar la distancia de los pxeles se disminuye el valor de la uniformidad. En el caso de las imgenes de niveles de gris se observa que la disminucin del valor en algunos casos compromete la distincin de las texturas, esto se debe a que los valores de la uniformidad para estas texturas especficamente es muy similar.

13

Tabla 7. Variacin de la uniformidad con los cambios de distancia. Arriba imgenes a color, Abajo imgenes en nivel de gris. Distancia R 153.1496 113.89511 99.886177 94.766685 78.80995 58.894150 59.715931 60.194195 G 189.1034 139.29269 124.64108 120.55549 93.98524 71.035805 72.302788 74.403946 B 101.0731 80.40969 64.99108 57.32279 64.25942 52.51428 51.109528 52.032860

Contenido
Figuras

1 pixel 2 pixels 3 pixels 5 pixels 1 pixel 2 pixels 3 pixels 5 pixels

Imagen 101

Tablas
Imagen 1001

Brick 1 pixel 2 pixels 3 pixels 5 pixels 7.370590 4.308894 3.627607 3.141045 Leave 1 pixel 2 pixels 3 pixels 5 pixels 4.723958 4.110467 3.988798 3.804147

Fabric 6.848785 5.522742 5.187737 4.687726 B32 3.715838 2.818728 2.613711 2.502024

B11 4.499656 3.405238 3.120765 2.942623 B46 3.277778 2.631075 2.458839 2.413132

14

2.3 Contraste
El contraste de una textura proporciona informacin acerca de las variaciones bruscas de color en la imagen. La extraccin de este descriptor est dada por la siguiente expresin matemtica.
Contenido
Figuras

C = i j cij
2 i j

(4)

Tablas

Como se puede observar en (4) el valor del contraste aumentar, si existen ms elementos de la matriz de coocurrencia alejados de la diagonal principal. Como se observa tambin, el efecto de las componentes de la diagonal principal es totalmente despreciado. Puesto que ste se debe a los puntos cuyos pxeles son de colores iguales y como se busca una informacin acerca del contraste de la textura estos elementos no representan relevancia [1].

De este modo, en una textura de caractersticas suaves y uniformes su contraste ser bajo, mientras que si presenta un aspecto rugoso o irregular su contraste presentar un alto valor. Como se puede apreciar en la figura 5 el valor de contraste correspondiente para el plano G de la imagen 301 es mayor; 420.174, mientras que para la imagen 1101 es de 234.088. Esto se debe a que la imagen de mayor contraste posee una mayor dispersin de la diagonal principal y sus picos son de menor intensidad.

Figura 5.

Matriz de coocurrencia izquierda imagen 301, derecha imagen 1101 orientacin 135 plano G

2.3.1 Cambios de Iluminacin El contraste de una textura ante cambios de iluminacin de la imagen se comporta de manera similar a los descriptores anteriores. 15

De la tabla 8 se puede observar la gran capacidad discriminante de este descriptor para algunas texturas. Es de anotar que en general las variaciones cuando el valor del contraste es ms bajo, son menores que cuando se poseen altos valores.
Tabla 8. Variacin del contraste ante cambios de iluminacin

Contenido
Figuras

Imagen

G 176.257385 176.641037 174.702637 175.240067 176.328796 1135.870239 990.903931 1096.115356 1124.711182 1092.672974

B 214.844467 217.901398 232.248993 214.816742 218.374313 1304.244507 1126.413574 1238.992432 1272.659912 1245.229858

1101 168.505569 1102 167.797714 1103 170.536270 1104 169.027740 1105 168.396881 201 1141.479858 202 985.678833 203 1092.594849 204 1125.221924 205 1093.175537

Tablas

2.3.2 Variacin del Tamao En la variacin del tamao de las imgenes, se puede observar que al disminuir el tamao de la imagen su contraste aumenta, debido a que en esencia se disminuyen los picos de intensidad de la matriz de coocurrencia.

En la tabla 9 se puede observar como a medida que se va disminuyendo el tamao de la imagen se aumenta el valor del contraste. Tambin se observa que la capacidad discriminante del contraste se pierde a medida que se pierde la resolucin, ya que de tener una buena separacin al 90% el valor de diferentes imgenes se iguala al 10% de reduccin.

16

Tabla 9. Variacin del contraste ante reduccin del tamao de las imgenes
Tamao R G B % Cambio

100 % 90 % 80 % 60 % 50 % 30 % 10 % 100 % 90 % Imagen 1001 80 % 60 % 50 % 30 % 10 % Imagen 101

239.3347 265.1154 297.3976 393.8651 466.1200 714.3712 1755.127 451.6335 515.3654 590.5911 785.8460 901.3836 1085.095 1796.093

242.2639 268.6723 302.2683 401.2154 476.6932 722.2549 1795.990 460.3585 526.3016 603.8054 806.4912 928.5376 1130.566 1945.029

323.1329 348.3132 379.4337 475.3492 538.1092 918.7118 2170.903 545.4093 605.9302 677.0672 861.640 965.2588 1220.578 2032.655

-o10% 24% 64% 94% 198% 633% -o14,11% 30,76% 74% 99,58% 140,26% 297,68%

Contenido
Figuras

Tablas

2.3.3 Variacin de la Distancia Las pruebas realizadas sobre el comportamiento del contraste a diferentes distancias de la matriz de coocurrencia, tanto en imgenes a color como de nivel de gris arrojaron los siguientes resultados.

Al aumentar la distancia de los pxeles se vara la resolucin a la cual se sta analizando la textura. Como se puede derivar de las tablas 10 y 11, el contraste aumenta al aumentar la distancia de la matriz de coocurrencia. Para las imgenes de nivel de gris se observa que el contraste es muy similar en todos los casos. En las imgenes de los textiles se advierte que la capacidad discriminante de esta caracterstica se conserva al variar la distancia.

17

Tabla 10. Influencia de la distancia en el contraste Distancia 1 pixel 2 pixels 3 pixels 5 pixels 1 pixel 2 pixels 3 pixels 5 pixels Imagen 101 R 239.33477 247.80542 297.94372 315.85720 451.63351 705.03015 707.90051 836.13195 G 242.263901 253.175598 292.817993 296.253845 460.358582 723.866699 724.792358 850.262390 B 323.132935 325.181305 470.912994 602.206665 545.409363 772.585571 820.686951 964.690796

Contenido
Figuras

Imagen 1001

Tablas

Tabla 11. Influencia de la distancia para imgenes de nivel de gris. Brick 1 pixel 2 pixels 3 pixels 5 pixels 1547.2235 2716.9375 3568.3400 4428.4658 Leave 1 pixel 2 pixels 3 pixels 5 pixels 2474.2333 5732.7026 7399.7324 8326.9277 Fabric 1247.8106 2252.9323 2726.6503 3135.5490 B32 2328.7224 5150.1806 6704.7949 7806.5888 B11 1256.6625 2724.8913 3709.4348 4773.3203 B46 2042.5715 4799.0654 6987.9291 8711.6699

18

2.4 Correlacin
La correlacin de la textura es una medida de la probabilidad que mide la relacin entre las diferentes intensidades de los colores. Matemticamente la correlacin, para la matriz de coocurrencia est definida de la siguiente manera [2].
Contenido

Crr =
Figuras

1 i j

(i )( j )c
i j i j

(5)

ij

Tablas

donde, i = ic ij j = jcij i = (i i )cij i j j = j j cij

i j i j

(6) (7)

(8) (9)

Debido al carcter estadstico que posee este descriptor, su valor est ligado al valor de sus medidas estadsticas. El concepto de media y varianza se aplica al histograma de segundo orden, y la combinacin de la media en i y en j, es referida a la diagonal principal de la matriz de coocurrencia. En general la media tiene que ver sobre la parte de la diagonal donde se acumulan la mayor cantidad de elementos de la matriz, as como la varianza provee una idea de la dispersin de los elementos alrededor de la media. El descriptor de correlacin se ver aumentado cuando la distancia de los elementos a la media sea mayor, esto se puede observar como una elongacin a lo largo de la diagonal principal de la matriz de coocurrencia. De un modo similar la correlacin aumenta cuando la varianza es baja, es decir que los elementos de la matriz no se encuentran muy alejados de la diagonal principal.

Como se puede observar en la figura 6 la imagen de la derecha produce una correlacin mayor que la de la izquierda. La imagen blob en el plano G produce una correlacin de 0.8859, la imagen 401 en el plano G una correlacin 0.6540.

19

Contenido
Figura 6. Matriz de coocurrencia izquierda imagen 401, derecha imagen blob

Figuras

Tablas

2.4.1 Cambios de Iluminacin Como se puede apreciar en la tabla 12, las variaciones en la correlacin son pequeas para el promedio de los descriptores en las cuatro direcciones y en general este descriptor no presenta grandes variaciones en las imgenes de textiles lo cual lo hace una caracterstica poco discriminante.
Tabla 12. Variacin de la correlacin ante cambios de iluminacin Imagen 1101 1102 1103 1104 1105 201 202 203 204 205 R 0.894176 0.893792 0.899123 0.896027 0.899248 0.797608 0.801363 0.803581 0.804280 0.803426 G 0.851786 0.849789 0.868037 0.856635 0.861336 0.789099 0.788313 0.793509 0.794396 0.793797 B 0.869600 0.867576 0.859683 0.869793 0.865785 0.808784 0.810315 0.813118 0.811732 0.812141

2.4.2 Variacin de Tamao Al cambiar el tamao de la imagen original se producen variaciones en la correlacin disminuyendo sta a medida que se comprime la imagen, Los resultados particulares de dos imgenes son presentados a continuacin.

En cuanto a los cambios producidos en la correlacin, en la tabla 13 se puede observar que este descriptor no se ve tan afectado con las variaciones de tamao en la imagen como los

20

otros, pero experimenta cambios irregulares y no lineales lo que hace este descriptor poco confiable con imgenes disminuidas de tamao.
Tabla 13. Variacin de la correlacin con el tamao de la imagen
Tamao R G B % Cambio

Contenido
Figuras
Imagen 101

100 % 90 % 80 % 60 % 50 % 30 % 10 % 100 % 90 % Imagen 1001 80 % 60 % 50 % 30 % 10 %

0.889461 0.881446 0.871597 0.846876 0.831058 0.800169 0.778855 0.800698 0.787237 0.771545 0.735527 0.715752 0.737864 0.788420

0.862709 0.853759 0.843333 0.814888 0.798780 0.779873 0.778844 0.768850 0.757746 0.744869 0.715346 0.699189 0.718628 0.756431

0.873323 0.868662 0.862346 0.844838 0.836703 0.779166 0.747749 0.768553 0.758338 0.745572 0.716524 0.701449 0.705867 0.737087

-o98.31% 96.35% 91.86% 89.39% 92.15% 98.46% -o98.31% 96.35% 91.86% 89.39% 92.15% 98.46%

Tablas

2.4.3 Variacin de la Distancia De la tabla 14 se puede observar que a medida que la distancia de los pxeles aumenta el valor de la correlacin disminuye. Se observa que cuando el valor original de la correlacin es bajo, como en el caso de la imagen B46, la variacin es menor que en el caso de cuando la imagen posee una correlacin ms alta.

21

Tabla 14. Variacin de la correlacin con respecto a la distancia Brick 1 pixel 0.826370 0.752432 0.728946 0.711223 Leave 1 pixel 2 pixels 3 pixels 5 pixels 0.845988 0.758022 0.744184 0.738334 Fabric 0.828992 0.744193 0.707737 0.663674 B32 0.847649 0.760498 0.730495 0.718392 B11 0.856102 0.762469 0.722015 0.682807 B46 0.669083 0.639327 0.631476 0.626094

Contenido
Figuras

2 pixels 3 pixels 5 pixels

Tablas

2.5 Momento de Diferencia de Orden k

El momento de diferencia de orden k es un descriptor que provee informacin dependiendo del parmetro k. La expresin matemtica que describe el comportamiento de este descriptor es la siguiente [1]. Dif = i j cij
k i j

(10)

De la ecuacin (10), la tendencia general de este descriptor es aumentar de valor cuando los elementos de la matriz de coocurrencia se encuentran alejados de la diagonal principal, cuando el parmetro k es igual a 2 este descriptor se convierte en el contraste. El momento de diferencia de primer orden provee informacin sobre la dispersin de la textura.

En la figura 7 se muestran las matrices de coocurrencia para las imgenes 1101 y 201 tomadas a 135 en el plano R. Para la imagen 1101, el momento de diferencia de primer orden es de 4.9195, mientras que para la imagen 201 es de 25.527. Los resultados obtenidos para esta y otras pruebas realizadas clarifican el funcionamiento de este descriptor. Se nota que cuando la matriz de coocurrencia es dispersa y con pocos picos de intensidad, la correlacin de la textura es ms alta que cuando el patrn es compacto.

22

Contenido
Figuras
Figura 7. Matriz de coocurrencia izquierda imagen 1101, derecha 201, 135 plano R

Tablas

2.5.1 Cambios de Iluminacin De la tabla 15, se concluye que las variaciones en el momento de diferencia de primer orden teniendo en cuenta los cambios de iluminacin para las imgenes de textiles, no presentan dramticas desviaciones y se mantienen, en general, en un rango del orden de una o dos dcimas.
Tabla 15. Variacin del momento de diferencia ante cambios de iluminacin Imagen R G 4.001283 3.948148 3.906804 3.997033 4.106317 16.543280 16.930401 16.615097 16.823526 16.571760 B 6.358621 6.458783 7.130180 6.368720 6.593501 17.799103 18.147961 17.843794 18.077404 17.762665

1101 4.062995 1102 4.023764 1103 4.234878 1104 4.118372 1105 4.194403 1201 16.646776 1202 17.024431 1203 16.705643 1204 16.911623 1205 16.675274

2.5.2 Variacin de Tamao El comportamiento del momento de diferencia de primer orden es el aumentar a medida que se comprime el tamao de la imagen. En la tabla 16 se puede observar que a partir de la imagen reducida al 80% este descriptor se estabiliza.

23

Tabla 16. Variacin del momento de diferencia con el tamao de la imagen

Tamao R G B % Cambio

100 %

7.921431 8.320519 16.64520 19.66170 21.34776 21.79421 21.84460

7.665681 8.069570 16.49266 19.56281 21.29103 21.70586 21.76112

10.45763 10.76231 18.08850 20.58933 21.90815 23.23849 23.96010

-o5.03% 21.01% 24.82% 26.94% 27.51% 27.57%

Contenido
Imagen 101

90 % 80 % 60 % 50 % 30 % 10 %

Figuras

Tablas

2.5.3 Variacin de la Distancia Aunque la tendencia de este descriptor es aumentar conforme se aumentan las distancias de los pxeles, en la tabla 17 se puede ver que la variacin es proporcional en la mayora de los casos, puesto que sin tener en cuenta si el descriptor presenta un alto o un bajo valor, la influencia de la distancia es similar.
Tabla 17. Variacin del momento de diferencia con respecto a la distancia Brick 1 pixel 2 pixels 3 pixels 5 pixels 35.002872 55.210808 64.754181 71.038528 Fabric 33.820564 54.023842 67.190697 76.984261 Leave 27.701212 36.772961 41.588104 46.476418 B46 25.061382 38.739452 46.435066 54.363926

2.6 Momento Inverso de Diferencia de Orden k

Por el contrario del descriptor anterior y como su nombre lo indica, este momento refleja la definicin y agrupacin de los elementos de la matriz de coocurrencia [1].

Matemticamente se obtiene mediante la expresin: Inv =

i j

cij i j

,i j k

(11)

En la ecuacin (11) se ve que tanto en este descriptor como en el momento de diferencia y en el contraste, a influencia de la diagonal principal es despreciada. El valor del momento l inverso aumenta cuando la distancia de los elementos de la matriz a la diagonal principal es 24

baja. As que proporciona informacin sobre que tan compacta est la distribucin de la matriz de coocurrencia, lo que en ltimas da una idea de que la textura posee una variacin suave de colores.
Contenido Es de anotar que en la figura 8 se ve claramente que la imagen 1101 posee un valor mayor
Figuras

de momento inverso de diferencia; 0.3663, mientras que la imagen 1301 al estar mas dispersa obtiene un valor mas bajo; 0.1140. Esta medida puede ser tomada como una

Tablas

descripcin de la irregularidad de la textura.

Figura 8. Matrices de coocurrencia izquierda imagen 1101, derecha imagen 1301, 135, plano R

2.6.1 Cambios de Iluminacin De la tabla 18, las variaciones en el momento inverso de diferencia de primer orden, se puede advertir que esta caracterstica posee una buena capacidad discriminante. Ante cambios de iluminacin se comporta bien puesto que su valor se altera en orden de centsimas.

25

Tabla 18. Variacin del momento inverso de diferencia ante cambios de iluminacin Imagen R G 0.144214 0.141522 0.145712 0.143610 0.145485 0.106000 0.111525 0.104719 0.104099 0.105283 B 0.134911 0.133095 0.136024 0.133893 0.136078 0.100191 0.106190 0.100181 0.099133 0.100691

1201 0.143060

Contenido
Figuras

1202 0.140700 1203 0.144535 1204 0.142452 1205 0.144033 201 0.105376 202 0.111375 203 0.104534 204 0.103672 205 0.105260

Tablas

2.6.2 Variacin de Tamao El momento inverso de diferencia de primer orden se comporta de manera inversa al descriptor anterior, a medida que el tamao de la imagen disminuye el valor de este

disminuye tambin. En la tabla 19, la cada del valor del momento inverso se produce de una manera irregular, se puede observar que para la imagen reducida al 30% presenta un cambio mayor que para la imagen al 50%. Esto denota la prdida de la fiabilidad de esta caracterstica cuando la imagen se reduce.
Tabla 19. Variacin del momento inverso de diferencia con el tamao de la imagen
Tamao R G B % Cambio

100 % 90 % 80 % 60 % 50 % 30 % 10 % Imagen 101

0.263906 0.257798 0.150838 0.131410 0.119562 0.126790 0.150089

0.272423 0.265716 0.153126 0.132412 0.119647 0.126913 0.150025

0.220274 0.217063 0.138191 0.124984 0.116740 0.118393 0.132956

-o97.68% 57.15% 49.79% 45.30% 48.04% 56.87%

2.6.3 Variacin de la Distancia Al variar la distancia de la matriz de coocurrencia, en la tabla 20 se puede notar que el momento inverso de primer orden disminuye el valor a medida que la distancia aumenta. 26

En las imgenes de nivel de gris se observa que este descriptor en particular presenta valores muy similares para diferentes tipos de textura, por lo que la capacidad discriminante de este descriptor no es muy buena.
Tabla 20. Variacin del momento inverso de diferencia con respecto a la distancia

Contenido
Figuras
1 pixel 2 pixels 3 pixels 5 pixels

Brick 0.091191 0.060305 0.050872 0.045394

Fabric 0.086658 0.058798 0.047137 0.040009

Leave 0.107031 0.088324 0.083507 0.078266

B46 0.114415 0.081146 0.068076 0.057567

Tablas

2.7 Mxima Probabilidad

El descriptor de mxima probabilidad suministra informacin sobre la respuesta ms fuerte de un par de pxeles en la matriz de coocurrencia. La descripcin matemtica de este descriptor es la siguiente [1]. mp = max cij
ij

( )

(12)

El valor de este descriptor ser mayor cuando en la matriz de coocurrencia se observe un pico de intensidad, el mayor de estos elementos dar el valor mximo de probabilidad. Este descriptor es til para percibir la mayor ocurrencia o la predominacin de un color en la textura.

En la figura 9 se puede apreciar las matrices de coocurrencia para las imgenes 1101 y 1001, se nota un pico mas fuerte en la del lado izquierdo, lo cual se refleja en el valor de su mxima probabilidad; 0.003935, mientras que en la de la derecha la mxima probabilidad da apenas de 0.0005717.

Figura 9. Matriz de coocurrencia para imgenes izquierda 1101, derecha 1001, 135 plano G

27

2.7.1 Cambios de Iluminacin De la tabla 21, se puede notar que la variacin de la mxima probabilidad cuando hay cambios en la iluminacin es bajo y este descriptor presenta una buena posibilidad para discriminar texturas. Aunque solo se muestran dos texturas, la variacin de este descriptor
Contenido
Figuras

para diferentes clases de texturas es de buena utilidad.

Tabla 21. Variacin de la mxima probabilidad ante cambios de iluminacin Imagen R G 0.006496 0.006870 0.005976 0.005855 0.005425 0.002079 0.002085 0.002085 0.002085 0.002085 B 0.002866 0.002881 0.002809 0.003196 0.003023 0.001950 0.001914 0.001972 0.001935 0.002012

Tablas

1101 0.005508 1102 0.005673 1103 0.006016 1104 0.006618 1105 0.005887 1201 0.001253 1202 0.001253 1203 0.001245 1204 0.001320 1205 0.001235

2.7.2 Variacin de Tamao Cuando las imgenes se reducen de tamao en la tabla 22 se observa un aumento en la mxima probabilidad, debido a que al reducir la resolucin, la ocurrencia de los pxeles es mucho ms frecuente. Como una anotacin importante este descriptor no vara regularmente lo que indica una prdida de informacin.
Tabla 22. Variacin de la mxima probabilidad con el tamao de la imagen
Tamao R G B % Cambio

100 % 90 % 80 % 60 % 50 % 30 % 10 % Imagen 101

0.001474 0.001570 0.001518 0.001979 0.002354 0.004081 0.011563

0.002090 0.002320 0.002607 0.003477 0.004173 0.006963 0.020998

0.001477 0.001642 0.002534 0.003374 0.004075 0.006743 0.020494

-o6.5% 2.9% 13.7% 59.70% 27,6% 78.44%

28

2.7.3 Variacin de la Distancia De la tabla 23, la variacin aparente de la mxima probabilidad con la distancia es baja, a medida que se aumenta la distancia se observa que la mxima probabilidad tiene una tendencia a estabilizarse.
Contenido
Figuras
1 pixel Tabla 23. Variacin de la mxima probabilidad con respecto a la distancia Brick 0.003570 0.003060 0.003015 0.003003 Fabric 0.003552 0.003186 0.003030 0.003026 Leave 0.003427 0.003314 0.003327 0.003303 B46 0.003886 0.003435 0.003176 0.003044

Tablas

2 pixels 3 pixels 5 pixels

2.8 Homogeneidad Local

El descriptor de homogeneidad local proporciona informacin sobre la regularidad local de la textura [12]. La descripcin matemtica de este descriptor esta dada por la siguiente ecuacin. HL =
i j

1 + (i j )

cij

(13)

De la ecuacin (13) se puede deducir que este descriptor aumentar cuando la distancia i-j sea mnima. Lo cual indica que mientras los elementos de la matriz de coocurrencia estn ms prximos a la diagonal principal mayor ser el valor de la homogeneidad local. La principal diferencia con el descriptor de momento inverso, es que para la homogeneidad local se tiene en cuenta el aporte de los elementos en la diagonal principal, que como se sabe poseen altos valores.

As como se puede observar en la figura 10, la matriz de coocurrencia para la imagen 901 posee elementos ms alejados de la diagonal principal, lo cual causa que su homogeneidad local sea ms baja; 0.0878. Mientras que para la imagen 1101 la matriz de coocurrencia presenta una concentracin de sus elementos y unos picos de intensidad ms elevados por lo tanto, su homogeneidad local es mucho ms elevada; 0.2440.

29

Contenido
Figuras

Tablas

Figura 10. Matriz de coocurrencia; izquierda imagen 901, derecha imagen 1101; 90 plano G

2.8.1 Cambios de Iluminacin La homogeneidad es una caracterstica que presenta variaciones ligeras en cuanto a los cambios de iluminacin. En la tabla 24 se puede apreciar que el cambio es bajo, en el orden de milsimas para las diferentes imgenes.
Tabla 24. Variacin de la homogeneidad local ante cambios de iluminacin Imagen R G 0.041921 0.044717 0.041047 0.040794 0.041342 0.077535 0.082076 0.082139 0.083623 0.077184 B 0.039153 0.042325 0.038929 0.038626 0.039277 0.062024 0.063734 0.064416 0.065212 0.060717

201 0.041586 202 0.044510 203 0.040803 204 0.040448 205 0.041214 401 0.073690 402 0.076957 403 0.077977 404 0.078996 405 0.073173

2.8.2 Variacin de Tamao Cuando las imgenes se someten a variaciones en su tamao la homogeneidad local disminuye su valor, en la tabla 25 se mantiene ms o menos lineal hasta alcanzar el 50% del tamao, donde se comienza a notar una variacin desordenada, lo que denota prdida de informacin.

30

Tabla 25. Variacin de la homogeneidad local con el tamao de la imagen

Tamao R G B

100 % 90 % 80 % 60 % 50 % 30 % 10 % Imagen 101

0.145197 0.140844 0.066690 0.056414 0.049629 0.056260 0.078599

0.151598 0.146566 0.068649 0.057191 0.050190 0.056697 0.080990

0.113183 0.110868 0.059320 0.052787 0.048668 0.051898 0.068688

Contenido
Figuras

Tablas

2.8.3 Variacin de la Distancia Para la variacin de la homogeneidad local con respecto a la distancia de los valores en la matriz de coocurrencia se obtuvieron los resultados presentados en la tabla 26
Tabla 26. Variacin de la homogeneidad local con respecto a la distancia Brick 1 pixel 2 pixels 3 pixels 5 pixels 0.041869 0.025367 0.020276 0.017558 Fabric 0.037980 0.023742 0.018347 0.015729 Leave 0.049474 0.038148 0.036587 0.033770 B46 0.053666 0.035765 0.028377 0.023313

De este experimento realizado en texturas de nivel de gris, se puede apreciar que al aumento en la distancia de los pxeles de la ocurrencia, el valor de la homogeneidad local disminuye.

2.9 Varianza
La propiedad de la varianza es otra propiedad estadstica de la textura. Para la matriz de coocurrencia se define la varianza de la siguiente manera: V = (i ) cij
2 i j

(14)

La varianza indica la dispersin que tiene un conjunto de muestras con respecto a un valor medio, mientras los valores estn ms alejados de ste, mayor ser la varianza. En el caso de la matriz de coocurrencia, los valores medios en x y en y sitan la media de la matriz en algn punto de la diagonal principal y la varianza como la dispersin de la muestras con 31

respecto a esta media. De este modo el descriptor de varianza tendr un mayor valor para aquellas texturas en las cuales la matriz de coocurrencia sea de forma alargada o dispersa con respecto del mximo pico en la diagonal principal [10].
Contenido
Figuras

De la figura 11 se puede percibir que aunque la forma del patrn de la matriz de coocurrencia es muy similar, las intensidades de la imagen 1001 son mayores y la dispersin es menor, por lo tanto el valor de la varianza ser menor; 496.80. Mientras que

Tablas

la imagen 1201 se nota una dispersin ms fuerte, lo cual eleva el valor del descriptor de varianza; 728.87.

Figura 11.

Matriz de coocurrencia; izquierda imagen 1001, derecha imagen 1201; 135 plano R

2.9.1 Cambios de Iluminacin En las imgenes analizadas, la varianza se comporta de manera similar a los otros descriptores con relacin a las variaciones de iluminacin. En la tabla 27 aunque las variaciones con respecto de este descriptor son ms elevadas, la capacidad discriminante de esta caracterstica no se pierde.

32

Tabla 27. Variacin de la varianza ante cambios de iluminacin Imagen R G 184.579300 181.215790 192.441040 181.609924 188.505890 645.300659 666.362549 660.348877 665.501709 638.999634 B 327.588226 327.628967 327.731812 309.673401 312.189514 833.573120 846.992615 863.430054 867.778625 816.818298

1101 230.715912

Contenido
Figuras

1102 226.092880 1103 239.579727 1104 226.820862 1105 235.453461 1201 750.987305 1202 777.003235 1203 770.847168 1204 772.459900 1205 745.198486

Tablas

2.9.2 Variacin de Tamao La varianza reacciona ante los cambios de tamao en la imagen, con fuertes variaciones a medida que vara el tamao, pasando de ligeros cambios para una imagen al 90% a variaciones de casi la mitad para una imagen al 30%, ( ver la tabla 28), pero no se puede garantizar que se pierda la capacidad discriminante.
Tabla 28. Variacin de la varianza con el tamao de la imagen
Tamao R G B % Cambio

100 % 90 % 80 % 60 % 50 % 30 % 10 % Imagen 101

442.866821 448.510193 535.013794 555.446655 568.770874 634.080139 965.408325

334.742737 340.796417 449.086761 473.786957 490.165039 567.301514 950.231689

607.296753 613.082520 597.433960 621.475891 636.364075 714.659668 1083.07824

-o0.13% 20.8% 25.4% 28.4% 43.2% 180%

2.9.3 Variacin de la Distancia Para las imgenes de nivel de gris se encontr que la varianza no presenta variaciones fuertes debido a los cambios en la distancia en la matriz de coocurrencia. Este descriptor conserva su capacidad discriminante.

33

En la tabla 29 se observan las variaciones de la varianza con respecto a la distancia, aunque se observan variaciones de ordenes grandes, debido a la magnitud de este descriptor se permite conservar la capacidad discriminante.
Tabla 29. Variacin de la varianza con respecto a la distancia

Contenido
Figuras
1 pixel 2 pixels 3 pixels 5 pixels

Brick 4030.314941 4030.906006 4031.696533 4033.290283

Fabric 4048.903809 4048.872559 4050.279053 4049.468262

Leave 2500.985107 2506.923340 2513.398926 2526.468994

B46 2740.188232 2743.076416 2745.180420 2746.921387

Tablas

2.10 Directividad
El descriptor de Directividad extrae informacin sobre patrones de direccin en la textura. Definido matemticamente con la expresin [2]. Dir = cii
i

(15)

Tambin conocido como descriptor de probabilidad de diferencia de nivel de gris. Este descriptor posee la particularidad que slo analiza la diagonal principal de la matriz de coocurrencia. Debido a que slo los elementos de colores iguales descansan sobre la diagonal principal, este descriptor da una idea de patrones que se dirigen a lo largo de una direccin, ya sea horizontal, vertical o diagonal. El valor de Directividad aumentar si en la matriz de coocurrencia se notan picos de intensidad o una forma elongada del patrn de esta.

De la figura 12 se nota la variacin en el patrn de la matriz de coocurrencia dado que esta textura posee lneas diagonales a 135, se observa que en esta direccin el patrn es mucho ms definido y tiene mayores picos de intensidad, lo cual se refleja en el valor de la directividad; 0.0269, mientras que a 45 es menor; 0.0102.

34

Contenido
Figuras

Tablas

Figura 12.

Matriz de coocurrencia imagen 301 izquierda 135, derecha imagen 45 plano R

2.10.1 Cambios de Iluminacin La directividad de la textura vara en baja medida con respecto a las variaciones de iluminacin en la textura. Se puede ver en la tabla 30 que los cambios en l directividad no a afectan la capacidad discriminante de este descriptor.
Tabla 30. Variacin de la directividad ante cambios de iluminacin R 0.126921 0.128883 0.123045 0.125354 0.122272 0.025596 0.026719 0.026959 0.027633 0.025313 G 0.128256 0.130449 0.130685 0.127618 0.125047 0.027182 0.028554 0.028825 0.029214 0.026901 B 0.088555 0.087528 0.083339 0.088273 0.085544 0.021586 0.022208 0.022344 0.022718 0.021047

Imagen
1101 1102 1103 1104 1105 401 402 403 404 405

2.10.2 Variacin de Tamao Cuando se reduce el tamao de la imagen la directividad disminuye, pero despus del reducir la imagen a ms de la mitad la confiabilidad de esta medida se ve afectada. En la tabla 31, se observa que la directividad despus de reducir la imagen en un 50% se comporta irregular lo que denota prdida de informacin.

35

Tabla 31. Variacin de la directividad con el tamao de la imagen

Tamao R G B

100 % 90 % 80 % 60 % 50 % 30 % 10 % Imagen 1001

0.025662 0.024781 0.023425 0.020284 0.017958 0.021431 0.034697

0.026670 0.025734 0.024366 0.020681 0.018562 0.021991 0.037238

0.021981 0.021472 0.020990 0.019150 0.018055 0.020225 0.031364

Contenido
Figuras

Tablas

2.10.3 Variacin de la Distancia En la tabla 32 se puede ver que los cambios en la directividad cuando se vara la distancia en la matriz de coocurrencia, son ligeros y aunque se presenta una disminucin en el valor de este descriptor, se conserva su capacidad para diferenciar las diferentes texturas.
Tabla 32. Variacin de la directividad con respecto a la distancia Brick 1 pixel 2 pixels 3 pixels 5 pixels 0.021772 0.016523 0.016312 0.014959 Fabric 0.035604 0.025974 0.024082 0.020804 Leave 0.027313 0.016664 0.014086 0.011431 B46 0.017042 0.010943 0.008708 0.007919

2.11 Tendencia de Cluster

Matemticamente la tendencia de Cluster de la matriz de coocurrencia est dada por [12].

(i + j 2) k cij i j

(16)

Se puede inferir que este descriptor aumentar su valor a medida que la media de los valores estn ms cercanos al valor mnimo. Esta caracterstica tiene la tendencia a oscilar entre valores positivos y negativos, puesto que la influencia de la media no siempre se equipara con el valor de los elementos alejados de esta. 2.11.1 Cambios de Iluminacin Este descriptor no reacciona de una manera similar a los otros descriptores y presenta oscilaciones en los valores obtenidos. Aunque su valor numrico es muy bajo, presenta un

36

comportamiento errtico variando de valores positivos a negativos con cambios en la iluminacin, lo que se puede ver claramente en la tabla 33.
Tabla 33. Variacin de la tendencia de Cluster ante cambios de iluminacin Imagen R 0.000053 -0.000048 0.000047 0.000027 -0.000024 0.000925 0.000568 -0.000046 -0.000204 0.000113 G 0.000104 0.000087 -0.000026 0.000012 0.000080 0.002342 -0.000670 -0.000070 -0.000587 0.000316 B 0.000065 0.000111 -0.000012 0.000039 0.000028 0.002116 0.001844 -0.000379 0.001460 -0.000399

Contenido
Figuras

1101 1102 1103 1104 1105 201 202 203 204 205

Tablas

2.11.2 Variacin de Tamao En la tabla 34, se puede observar el comportamiento de este descriptor cuando se vara el tamao de la imagen tambin es errtico y no presenta una caracterstica comn subiendo y bajando sin ningn patrn definido.
Tabla 34. Variacin de la tendencia de Cluster con el tamao de la imagen
Tamao R G B

100 % 90 % 80 % 60 % 50 % 30 % 10 % Imagen 101

0.000135 0.000075 0.000080 0.000154 0.000035 0.000043 0.000037

0.000072 0.000024 0.000241 -0.000012 0.000023 -0.000136 0.000049

0.000117 0.000445 0.000127 0.000267 0.000020 -0.000076 -0.000421

2.11.3 Variacin de la Distancia Como en los experimentos anteriores al variar la distancia de la matriz de coocurrencia se obtiene un comportamiento particular de este descriptor, su valor oscila entre valores positivos y negativos.

37

De la tabla 35 se puede observar que la variacin de la tendencia de cluster cuando se aumenta la distancia de la matriz de coocurrencia vara entre valores negativos y positivos. Esto posiblemente se debe a que las medidas estadsticas que afectan este descriptor cambian.
Contenido
Figuras
Tabla 35. Variacin de la tendencia de Cluster con respecto a la distancia Brick 1 pixel 2 pixels 3 pixels 5 pixels -0.000570 -0.000870 0.001123 -0.001557 Fabric 0.001951 -0.000247 -0.001327 0.002494 Leave -0.005307 -0.000799 -0.003431 0.003898 B46 0.001958 0.000242 -0.001527 0.002925

Tablas

38

3. SEGMENTACIN

Contenido
Figuras

Para la segmentacin se realizaron pruebas sobre imgenes de cuatro tipos de texturas, con el fin de observar la capacidad discriminante de los descriptores de la matriz de coocurrencia. Se compuso una serie de imgenes con cuatro tipos de textura de un tamao de 200 x 200 pxeles, cada textura con un tamao de 100 x 100 pxeles, y se procedi a deslizar una ventana de 20 x 20 pxeles a travs de toda la imagen. A cada ventana se le extraen un total de 44 momentos, producto de extraer los 11 momentos en las cuatro direcciones para la matriz de coocurrencia de nivel de gris. Posteriormente se anlisis multivariado de Fisher [13][14] para pasar a un espacio de tres dimensiones. Cuando se trabajaron las imgenes con el rango total de 256 niveles de gris se obtuvieron resultados positivos para imgenes en las cuales las texturas tenan caractersticas discriminantes, los resultados se observan en la figura 13. realiza el

Tablas

Imagen Original (collage1)

Imagen de Nivel de Gris

Resultado Segmentacin

Imagen Original (collage7)

Imagen de Nivel de Gris

Resultado Segmentacin

Figura 13.

Segmentacin obtenida mediante la matriz de coocurrencia de nivel de gris a 256 niveles.

39

El porcentaje total de clasificacin acertada para la imagen collage1 fue de un 96.8% con un error de 3.19%. Para la imagen collage 7 la precisin fue del 92.92% con un error de 7.07%. En cuanto a la clasificacin por cada textura los resultados se pueden observar en la tabla 36. Las texturas estn numeradas de arriba abajo y de izquierda a derecha.
Contenido
Figuras
Tabla 36. Porcentajes de clasificacin por textura en la segmentacin de la figura 10. Textura Correcta Clasificacin Textura 1 Collage1 Textura 2 Textura 3 Textura 4 Textura 1 Collage7 Textura 2 Textura 3 Textura 4 96.06% 95.54% 96.01% 99.61% 100% 90.97% 86.55% 94.18% 3.93% 4.45% 3.98% 0.38% 16.25% 11.50% 0.49% 0.02% 3.66% 0% 0.28% 8.81% 0% 9.02% 13.44% 5.81% Falsa Aceptacin Falso Rechazo

Tablas

Tambin se realizaron pruebas aplicando cuantizacin a 2, 3, 4, 8, 16 niveles de gris donde se encontr que en ciertos casos la segmentacin es mejorada al cuantizar a 8 niveles [15].

Imagen a 256 niveles de gris

Imagen a 8 niveles de gris

Imagen Original

Segmentacin a 256 niveles

Segmentacin a 8 niveles

Figura 14. Segmentacin obtenida sin cuantizacin y con cuantizacin a 8 niveles

40

Para la textura de la figura 14 se puede observar que el proceso de clasificacin con 256 niveles da resultados pobres con una clasificacin correcta de un 73.12% y un error del 26.87%. Mientras que al cuantizar a 8 niveles se mejora la clasificacin a 86.68% y el error se disminuye al 13.31%. En la tabla 37 se ven los porcentajes de clasificacin.
Contenido
Figuras
Tabla 37 . Comparacin del la precisin de la segmentacin a 256 y 8 niveles.

Cuantizacin Textura Textura 1 256 niveles Textura 2 Textura 3 Textura 4 Textura 1 8 niveles Textura 2 Textura 3 Textura 4

Correcta Clasificacin 61.13% 81.90% 83.62% 65.83% 99.48% 89.12% 87.58% 70.54%

Falsa Aceptacin 38.68% 0.24% 27.53% 31.90% 49.82% 10.87% 0.88% 2.43%

Falso Rechazo 47.81% 18.09% 16.37% 34.16% 0.51% 0.12% 12.41% 29.45%

Tablas

Para cuantizacin en otros niveles se presenta prdida de informacin, por lo que los resultados no son mejores que cuando se cuantiza a 8 niveles. Con el fin de observar el comportamiento del clasificador con diferentes tamaos de ventana se eligieron ventanas de 10 x 10, 20 x 20 y 30 x 30 pxeles, con imgenes de nivel de gris cuantizadas a 8 niveles.

En la figura 15 se ve que Los resultados obtenidos muestran que si la ventana es pequea los bordes de las texturas son bien clasificados pero se producen mayores errores en la clasificacin mientras que si se toma una ventana ms grande se clasifican correctamente las texturas pero en los bordes se produce un gran error de clasificacin los mejores resultados fueron obtenidos con una ventana de 20 x 20 pxeles.

41

Contenido
Figuras

Tablas

Imagen Original cuantizada a 8 niveles

Segmentacin con ventana de 10 x 10 pxeles

Segmentacin con ventana de 20 x 20 pxeles

Segmentacin con ventana de 30 x 30 pxeles

Figura 15. Comparacin de la segmentacin con diferentes tamaos de Ventana

De la figura 16, el error producido en esta clasificacin est dado por que al tomar una ventana ms pequea se generan puntos diferentes de la misma clase, que se confunden con otras clases

Figura 16. Diferentes clases en el espacio de Fisher arriba para ventana de 10x10 pxeles, abajo ventana de 30 x 30 pxeles

42

4. CONCLUSIONES
La gran cantidad de informacin de la textura que es posible obtener de la matriz de
Contenido
Figuras

coocurrencia, as tambin como la sencillez del algoritmo permite que esta herramienta sea til en el campo de la visin artificial, el reconocimiento y clasificacin de patrones.

Tablas

En cuanto a las condiciones de la iluminacin, en particular en este experimento no se observ una gran variacin para diferentes iluminaciones. Pero sera necesario obtener un conjunto de imgenes donde fuese claramente identificable la fuente de luz. Es de destacar que la iluminacin puede producir un desplazamiento de la forma general del patrn de textura en la matriz de coocurrencia, a lo largo de la diagonal principal, lo cual se debe a que el cambio de iluminacin vara las intensidades de los pxeles de la imagen.

La entropa permite realizar una medida de la heterogeneidad de la textura, a medida que esta aumenta se puede inferir que la textura es ms aleatoria y menos uniforme. Cuando se disminuye la resolucin espacial de la imagen se pierde algn contenido de su textura. Pero ya que se puede relacionar linealmente el comportamiento de la entropa con el tamao de la imagen, y que la medida no vara en la misma proporcin con la imagen, sera interesante analizar si es posible obtener informacin fiable de la entropa para efectos de clasificacin, tomando imgenes reducidas de su tamao original.

El valor del descriptor de la uniformidad es altamente dependiente del plano de color. Ya que en algunas imgenes la informacin est principalmente en uno o dos planos de color, el valor de la uniformidad para el otro resulta ser evidentemente alto y podra en dado caso conducir a confusiones en la clasificacin. As que se debe analizar cuidadosamente el plano de color en donde se posea la mayor cantidad de informacin, si es que se quiere lograr una adecuada clasificacin mediante el uso del descriptor de uniformidad. Esto depende de la aplicacin y de los resultados que se quieran obtener. Cuando se presentan cambios en la iluminacin, la uniformidad de la textura vara ligeramente en respuesta a estos cambios. Aunque la capacidad discriminante de la uniformidad permanece ante 43

cambios de iluminacin, es posible que en aplicaciones en las cuales las texturas sean de caractersticas muy similares, este descriptor pueda prestarse para confusiones. La variacin del tamao de una imagen origina prdida de la informacin de la textura. En el caso particular de la uniformidad se observa que la prdida es considerable, por lo tanto no sera
Contenido aconsejable utilizar este descriptor si se van a emplear imgenes reducidas o de tamaos
Figuras

muy pequeos, a menos que la informacin suministrada por stas sea suficiente para clasificar correctamente las texturas. Al variar la distancia se observa que el valor de la

Tablas

uniformidad disminuye. Esto se debe a que en la matriz de coocurrencia se disminuyen los picos y se alejan los valores de la diagonal principal. En cada aplicacin se debe analizar cual es la distancia ms adecuada para caracterizar la textura. Utilizando una distancia ms pequea si la textura es ms fina y una mayor si la textura es menos detallada.

El contraste de una textura es un buen parmetro en cuanto a clasificacin, puesto que da una buena capacidad discriminante. Pero todo depende de la aplicacin y de las necesidades particulares de la misma. Las texturas que presentan mayor uniformidad presentan menor contraste puesto que las variaciones de colores son mucho ms suaves, en c ontraparte las texturas ms rugosas y bruscas presentan un mayor contraste.

La correlacin presenta informacin sobre las propiedades de probabilidad de la textura relacionando su valor con parmetros estadsticos. Para una gran cantidad de texturas analizadas en este experimento se observ que este descriptor presenta valores similares, lo que disminuye su capacidad discriminante. Aunque los cambios ante variaciones de iluminacin, tamao y distancia son bajos, el principal inconveniente de este descriptor es la falta de una diferenciacin clara entre sus valores.

El momento de diferencia de orden es un descriptor que provee informacin de la dispersin de los puntos en la matriz de coocurrencia. Este descriptor presenta variaciones ligeras en cuanto a cambios en la iluminacin, el tamao de la imagen y la distancia de los pxeles, en general posee buena capacidad discriminante. Para efectos de clasificacin se debe analizar bien el tipo de textura para elegir los descriptores adecuados, pues no t dos o trabajan bien en las mismas condiciones.

44

El momento inverso de diferencia indica la concentracin de los elementos en la matriz de coocurrencia. Para las diferentes texturas analizadas se not que este descriptor posee una buena capacidad de discriminar diferentes texturas. El cambio ante iluminacin es bajo, pero este descriptor pierde confiabilidad cuando las imgenes se reducen.
Contenido
Figuras

El descriptor de mxima probabilidad indica la predominancia de un color en una textura. Este descriptor posee tambin buena capacidad discriminante y presenta variaciones

Tablas

ligeras ante cambios en la iluminacin, el tamao y la distancia.

La homogeneidad local presenta informacin sobre la suavidad de la textura y tiene en cuenta la informacin aportada por los elementos cercanos a la diagonal principal. Este

descriptor presenta variaciones ligeras ante cambio de iluminacin, aumento de la distancia, y posee buena capacidad discriminante, pero cuando se trata de reduccin del tamao de las imgenes este descriptor tiene prdida de la confiabilidad.

La varianza es un descriptor que presenta propiedades estadsticas de la textura, posee muy buena capacidad discriminante, y aunque los cambios respecto a variaciones de iluminacin, tamao y distancia son relativamente altos, no se ve afectada la propiedad de diferenciacin entre clases diferentes de textura.

La directividad provee informacin exclusivamente de la diagonal principal de la matriz de coocurrencia, slo la informacin de los colores iguales. Este descriptor posee una buena capacidad discriminante, que no se ve afectada por cambios de iluminacin, tamao y distancia.

La tendencia de cluster es un descriptor que tiene que ver con las caractersticas estadsticas, pero en el experimento realizado se encontr que os valores producidos por l ste son fcilmente afectados por cambios de iluminacin, tamao y distancia.

En la parte de la segmentacin es til emplear la informacin de todos los descriptores. Esto se logra mediante el uso del anlisis multivariado de discriminante de Fisher. Aunque

45

los resultados fueron buenos en algunas imgenes, en otras no son tan ptimos debido a que las texturas no son lo suficientemente diferentes entre s.

La parte de segmentacin de las imgenes es pesada, necesitando demasiado tiempo para

Contenido procesar imgenes relativamente pequeas, aunque los algoritmos de extraccin de
Figuras

caractersticas estn optimizados, mediante libreras dinmicas, La parte de segmentacin se realiza en MATLAB lo cual demora mucho el proceso.

Tablas

La seleccin del tamao de la ventana es crtico en el proceso de segmentacin. Debido a que ventanas muy grandes causan problemas en las fronteras de las texturas, mientras que si se toma una ventana muy pequea, se corre el riesgo de agrupar un mayor nmero de clases de los que en realidad son.

Debido a la gran cantidad de datos de este experimento, puesto que para la parte de anlisis de descriptores se procesaron ms de 100 imgenes, se promediaron los datos de los descriptores de las cuatro direcciones, con el fin de garantizar una invarianza ante la rotacin.

La matriz de coocurrencia presenta una cantidad considerable de informacin cuantificable de la textura en una imagen, para acceder a sta por medio de los descriptores de manera que sea productiva para la aplicacin en la que se desee utilizar, es necesario realizar un anlisis delicado de la aplicacin para obtener los mejores resultados, pero en general con sta tcnica se logran buenos resultados en cuanto a clasificacin y segmentacin. Al hacer uso de toda la informacin extrada por los descriptores para el experimento de segmentacin, se pudo comprobar que los resultados se vuelven ms precisos al obtener mayor cantidad de informacin.

46

REFERENCIAS BIBLOGRFICAS
Contenido
Figuras

Tablas

[1] Gonzlez R. Woods R. Tratamiento Digital de Imgenes Ed. Adison Wesley Das de Santos. [2] Cocquerez J.P, Philipp S. Analyse DImages Filtrage et Segmentation, Ed. Masson. [3] Castleman K.R Digital Image Processing Ed. Prentice Hall. [4] Hwie P. Hsu. Analog and Digital Communications. McGraw Hill. [5] Orjuela S. Anlisis del comportamiento de descriptores de la matriz de coocurrencia de niveles de R, G, B, H, S, I en textiles. Trabajo de Grado (Ingeniero Electrnico) Universidad Nacional de Colombia Sede Manizales. [6] Pican N. Texture Analysis for Seabed Classification: Co-occurrence Matrices vs. Self Organized Maps. Ocean systems laboratory, Edinburgh UK. [7] Pineda N. Textura Y Urbanismo En La Ciudad De Rosario.

http://meteor.upc.es/rosario/textura.html. [8] Harel N. A Texture Based Approach to Defect Analysis of Grapefruits. Georgia Institute of Technology 1997. [9] Hayit M. Texture Segmentation in MR Images. http://www.eng.tau.ac.il/~hayit/553.5547/project2/main.html . [10] Cheung-Wai J. Texture Features For Land Cover Change Detection At 250m Resolution. Laboratory for Global Remote Sensing Studies, Department of Geography,

University of Maryland, 2000. [11] Palm C. Color Texture Analysis of Moving Vocal Cords Using Approaches from Statistics and Signal Theory. Institute of Medical Informatics Aachen University of Technology (RWTH), Aachen, Germany. [12] Klette R., Gimel G. COMPSCTI. 375 FT. Citr Tamaki. [13] Duda R., Hart P., Stork D. Pattern Classification. Wiley-Interscience Publication.

47

[14] Sossa Y. Caracterizacin de clulas del epitelio escamoso del crvix. Trabajo de Grado (Ingeniero Electrnico), Universidad Nacional de Colombia Sede Manizales, Manizales, Colombia, 2001. [15] Rushing J., Heggere R., Hinke T., Graves S. Using Association Rules as Texture Features. IEEE transactions on pattern analysis and machine intelligence, vol. 23 No. 8 August 2001.

48

ANEXO A
Imgenes Utilizadas
Estos son algunos ejemplos de las imgenes utilizadas en este experimento.

101

1001

201

301

401

501

601

701

801

901

1101

1201

1301

1401

1501

Blob

Cobblestone

Eyes

Forest

Fabric0000

Fabric0009

Fabric0014

Fabirc0017

Food0005

Collage1

Collage3

Collage5

Collage7

Collage8

Collage9

Collage10

Collage11