Caracterización de Imágenes

Transcripción

1 de Imágenes Visión Artificial Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas

2 Caracterizar: "determinar los atributos peculiares de alguien o de algo, de modo que claramente se distinga de los demás" RAE. Caracterizar una imagen: Construir, calcular y/o extraer un conjunto de valores (características) informativos y no redundantes acerca del contenido de la imagen.

3 Característica: Pieza de información medible y relevante sobre lo observado. - Estructuras específicas: puntos, bordes. - Formas: curvas, líneas, bordes. - Movimiento: cambios en secuencias de imágenes. - Textura: propiedades en un vecindario. - Color, intensidad.

4 Característica: En una imagen, dependiendo de la información que se quiere extraer o medir, una característica puede ser: - un único valor por imagen. - valores por regiones. - valores individuales por pixeles (una nueva imagen).

5 Característica: Bordes Promedio regiones Promedio imagen , 178, 17, 76,

6 Característica: Dependiendo de su naturaleza, puede representarse de formas diferentes: - valor booleano - probabilidad - histograma -...

7 Vector de características: En algunos casos, una sola característica no es suficiente. Dos o más valores pueden extraerse para cada pixel de la imagen, los cuales se concatenan en un vector de características. El conjunto de todos estos posibles vectores constituye el espacio de características.

8 Vector de características: [17,17,55,] [,55,55,1]

9 Espacio de características: borde 1 55 R

10 Detección de esquinas con filtro mediana: Aplicar un filtro mediana sobre la imagen, y luego calcular la diferencia entre la imagen original y la filtrada. La información obtenida puede verse como medidas locales de esquinas detectadas.

11 Filtrado Filtro mediana: el valor del pixel corresponde a la mediana (valor central ordenado) de los vecinos. 43, 6, 67, 67, 69, 78, 85, 94, 145 ordenados! I(u,v) =

12 Detección de esquinas con filtro mediana: imagen original filtro mediana 7x7 diferencia

13 Detección de esquinas con filtro mediana: imagen original filtro mediana 7x7 diferencia

14 Detección de movimiento por diferencia de imágenes: Asumiendo una cámara fija y condiciones constantes de iluminación, la diferencia de imágenes puede revelar movimiento. La diferencia puede tener un rango de tolerancia, para poder reducir ruido u otros artefactos.

15 Detección de movimiento por diferencia de imágenes:

16 Detección de movimiento por diferencia de imágenes:

17 Detección de movimiento por diferencia de imágenes:

18 Detección de movimiento por diferencia de imágenes:

19 Detección de movimiento por diferencia de imágenes:

20 Texturas En visión artificial, definida como la variación característica (y uniforme) en intensidad de una región, que permite reconocerla, describirla y delinearla. Texels: texture elements Elementos de textura similares replicados en una región.

21 Texturas:

22 Texeles: - Diferentes tamaños y grados de uniformidad. - Diferentes orientaciones. - Espaciados a distancias diferentes en direcciones diferentes. - Contraste de diferentes magnitudes y variaciones. - Visibilidad del fondo entre texeles. - Relación entre regularidad y aleatoriedad.

23 Matrices de coocurrencia en escala de grises: Basa en estudios de la estadística de la distribución de intensidades de los pixeles. Considera la relación espacial entre pares de pixeles. Para texturas finas, hay mayor repetición de configuraciones de intensidades, mientras que para texturas gruesas esta variación es menor.

24 Matrices de coocurrencia en escala de grises: La ocurrencia de una configuración de intensidad puede describirse con una matriz de frecuencias relativas: dirección (en grados) Pϕ, d (a, b) distancia (en pixeles) niveles de intensidad

25 Matrices de coocurrencia en escala de grises: La ocurrencia de una configuración de intensidad puede describirse con una matriz de frecuencias relativas: { [(k,l),(m,n)] D : P, d (a, b)= k m=, l n =d, I (k, l)=a, I (m, n)=b }

26 Matrices de coocurrencia en escala de grises: La ocurrencia de una configuración de intensidad puede describirse con una matriz de frecuencias relativas: { [(k, l),( m, n)] D: (k m=d,l n=d ) P135,d (a, b)= (k m= d,l n= d), I (k,l)=a, I (m, n)=b }

27 Matrices de coocurrencia en escala de grises: [ ] 4 P,1 (a, b)= [ ] P135,1 (a,b)=

28 Matrices de coocurrencia en escala de grises: [ ] 4 P,1 (a, b)= [ ] P135,1 (a,b)=

29 Matrices de coocurrencia en escala de grises: Permiten representar, comparar y clasificar texturas, usando algunas medidas: - Energía: ocurrencia de pares repetidos (más homogénea, más energía). P ϕ,d (a, b) a,b

30 Matrices de coocurrencia en escala de grises: Permiten representar, comparar y clasificar texturas, usando algunas medidas: - Entropía: medida de desorden (mayor entropía, menos predecible la textura). Pϕ, d (a, b)log Pϕ, d (a,b) a, b

31 Matrices de coocurrencia en escala de grises: Permiten representar, comparar y clasificar texturas, usando algunas medidas: - Máxima probabilidad: frecuencia máxima. max Pϕ, d (a, b) a, b

32 Matrices de coocurrencia en escala de grises: Permiten representar, comparar y clasificar texturas, usando algunas medidas: - Contraste: medida de variaciones locales en la intensidad. a b Pϕ,d (a, b) a,b

33 Matrices de coocurrencia en escala de grises: Permiten representar, comparar y clasificar texturas, usando algunas medidas: - Homogeneidad: medida de regularidad. a, b; a b Pϕ, d (a, b) a b

34 Matrices de coocurrencia en escala de grises: Permiten representar, comparar y clasificar texturas, usando algunas medidas: - Correlación: medida de linealidad o direccionalidad. [(ab) Pϕ, d ( a, b)] μ x μ y a, b σxσ y

35 Matrices de coocurrencia en escala de grises:

36 Matrices de coocurrencia en escala de grises:

37 Medidas de distancia: Una vez extraídas las características de la imagen, esta información puede utilizarse para segmentar regiones similares, o para clasificarlas. Una forma de hacerlo es encontrando las distancias a regiones conocidas, de forma que el más cercano puede dar un estimado del tipo de región.

38 Medidas de distancia: Distancia Euclidiana: diferencia entre las M características de dos muestras diferentes (s y k). d E= M ( s i ki ) i=1

39 Medidas de distancia: Distancia Manhattan (o rectilínea): suma de las diferencias en cada característica entre dos muestras diferentes (s y k). M d M = s i ki i=1

40 Medidas de distancia: Distancia Euclidiana vs Manhattan: M. Nixon & A. Aguado. Feature Extraction & Image Processing for Computer Vision, third edition. Academic Press, 1.

41 Medidas de distancia: Teniendo en cuenta la distribución de los datos: Distancia Mahalanobis entre dos conjuntos diferentes de muestras (ps y pk): d MAH (s, k)= ( p s p k ) P ( ps pk ) T 1 matriz de covarianzas vector diferencia entre conjuntos

42 Medidas de distancia: Teniendo en cuenta la distribución de los datos: Distancia Mahalanobis entre dos conjuntos diferentes de muestras (ps y pk): P= P p +P p s k 1 T P p = ( p s μ s ) ( p s μ s) M s

43 Medidas de distancia: Teniendo en cuenta la distribución de los datos: Distancia Mahalanobis entre una muestra y un conjunto de muestras (s y pk): d MAH = (s μ k ) P (s μ k ) T matriz de covarianzas del conjunto 1 vector diferencia entre la muestra y la media del conjunto

44 Distancia Mahalanobis: M. Nixon & A. Aguado. Feature Extraction & Image Processing for Computer Vision, third edition. Academic Press, 1.

45 Distancia Mahalanobis: M. Nixon & A. Aguado. Feature Extraction & Image Processing for Computer Vision, third edition. Academic Press, 1.

46 Ejercicios

47 Ejercicios ITK Descargar el código e imágenes de: sartif/docs/texturefeatures-itk.zip Compilar y probar los programas con las imágenes adjuntas. Se pueden encontrar texturas similares con la información dada por los programas? Seleccione dos de las características calculadas, y utilícelas para ubicar cada textura en el plano cartesiano. Hay grupos?

48 Para finalizar... Iluminación Transformaciones Modelo de cámara Representación Filtrado Histogramas Binarización Morfología matemática Segmentación

49 Referencias R.C. González, R.E. Woods. Digital Image Processing, 3rd edition. Pearson Prentice Hall, 8. E.R. Davies. Computer & Machine Vision: theory, algorithms, practicalities, fourth edition. Academic Press, 1. M. Nixon & A. Aguado. Feature Extraction & Image Processing for Computer Vision, third edition. Academic Press, 1. M. Sonka, V. Hlavac, R. Boyle. Image Processing, Analysis, and Machine Vision, fourth edition. Cengage Learning, 15.