Tabla 7: Ejemplo matriz CaractE

8 RESULTADOS EXPERIMENTALES 8.1 MATRICES DE CARACTERÍSTICAS Con el fin de dar una idea más precisa de cómo se conforman las matrices de características usadas en el reconocimiento de patrones y qué valores toman dichas características, se muestran a continuación una serie de matrices ejemplo con los resultados obtenidos en la simulación. Cabe recordar que las matrices caracte, caracth y caractco se crean en la función Texturas con los vectores de observación obtenidos para las 2000 imágenes muestra y son estas matrices las que se pasan como entrada a la función Clasifpatron. 8.1.1 Matriz caracte En primer lugar se muestran los vectores con los descriptores de energía de algunas imágenes muestra: la primera y la última imagen muestra de los grupos 1, 2 y 20. Estos vectores están compuestos por la energía de las 12 sub-imágenes Wavelet obtenidas al transformar la imagen muestra correspondiente. Grupo 1 2 20 Vector observ. 1 100 101 200 1901 2000 1 H1 0,00484 0,00143 0,00342 0,00226 0,00336 0,00013 2 H2 0,06892 0,01822 0,05391 0,03429 0,04771 0,00043 3 H3 0,51847 0,15152 0,48516 0,27744 0,19663 0,00085 4 H4 1,28314 2,53185 1,53347 1,24208 0,95854 0,00138 5 V1 0,00138 0,00128 0,00290 0,00196 0,00858 0,00014 6 V2 0,00963 0,00932 0,04517 0,03039 0,14281 0,00040 7 V3 0,04904 0,05998 0,35268 0,27329 1,23580 0,00084 8 V4 0,23653 0,48075 1,47310 1,79657 1,35763 0,00277 9 D1 0,00033 0,00022 0,00032 0,00026 0,00179 0,00006 10 D2 0,00447 0,00236 0,01122 0,00674 0,04253 0,00026 11 D3 0,03276 0,01460 0,14442 0,09277 1,09515 0,00070 12 D4 0,16271 0,13584 1,02391 0,71444 1,22335 0,00091 Tabla 7: Ejemplo matriz CaractE Se observa que la energía normalizada de las sub-imágenes Wavelet del primer nivel de descomposición, H1, V1 y D1, es menor ya que corresponde a las altas frecuencias en las que el espectro de una imagen tiende a cero. Sin embargo, la energía de las imágenes del último nivel de descomposición es mayor, H4, V4 y D4, ya que en las bajas frecuencias es donde se acumula la energía de las imágenes. 8.1.2 Matriz caracth Esta matriz contiene los dos parámetros que definen el modelo del histograma correspondiente a cada una de las 12 sub-imágenes Wavelet. La siguiente tabla muestra los vectores de observación con estos parámetros para algunas imágenes muestra: la primera y la última imagen muestra de los grupos 1, 2 y 20. Se observa que la varianza, dada por el parámetro α, es mayor para las sub-imágenes del nivel superior, H4, V4 y D4, que para las del primer nivel, H1, V1 y D1. La varianza es una medida del la anchura del histograma, y por tanto, da una idea de su dispersión. De los resultados obtenidos se concluye que las sub-imágenes con los detalles más finos (obtenidas en el primer nivel, correspondiente a las frecuencias más altas) son más homogéneas, mientras que las sub-imágenes de detalles más gruesos muestran un mayor contraste y por tanto se aprecian mejor. Esta conclusión se puede apreciar en el ejemplo de la figura 36. Extracción de características de textura basada en la transformada Wavelet discreta 52

Grupo 1 2 20 Vector observ. 1 100 101 200 1901 2000 1 Alfa H1 0,10386 0,05541 0,08428 0,06554 0,07011 0,01702 2 Alfa H2 0,39395 0,20320 0,34217 0,26877 0,27757 0,03118 3 Alfa H3 1,05851 0,59670 1,03737 0,79621 0,62786 0,04484 4 Alfa H4 1,75131 2,50785 1,92069 1,70981 1,47238 0,05743 5 Alfa V1 0,05131 0,04731 0,07795 0,06326 0,11044 0,01722 6 Alfa V2 0,13845 0,12872 0,31478 0,25539 0,47774 0,03003 7 Alfa V3 0,31398 0,31733 0,89555 0,79675 1,49649 0,04436 8 Alfa V4 0,71587 0,93415 1,83923 2,06637 1,74700 0,07891 9 Alfa D1 0,02704 0,02165 0,02704 0,02439 0,05029 0,01128 10 Alfa D2 0,10045 0,07334 0,15835 0,12088 0,26269 0,02423 11 Alfa D3 0,26516 0,18365 0,57665 0,46613 1,36733 0,04026 12 Alfa D4 0,60571 0,53483 1,57333 1,31065 1,61546 0,04663 13 Beta H1 2,91460 3,08398 3,21152 3,64009 5,45469 3,20611 14 Beta H2 2,87400 2,85011 3,01437 3,14075 4,63720 2,90912 15 Beta H3 3,03429 2,72130 2,93100 2,81997 3,36336 2,73415 16 Beta H4 2,66403 2,54244 2,64303 2,71576 2,85754 0,01702 17 Beta V1 3,61292 4,11907 3,16456 3,28521 5,70234 0,03118 18 Beta V2 3,40000 4,00319 2,97514 3,06251 4,71304 0,04484 19 Beta V3 3,35085 4,36630 2,83741 2,76133 3,89105 0,05743 20 Beta V4 3,02396 3,88157 2,80199 2,68298 2,88005 0,01722 21 Beta D1 2,99734 3,10216 2,91598 2,91952 5,80514 0,03003 22 Beta D2 2,87178 2,84319 2,90402 3,02227 4,60425 0,04436 23 Beta D3 3,06257 2,78247 2,79265 2,73253 4,25580 0,07891 24 Beta D4 2,86887 3,14266 2,62713 2,64479 3,08759 0,01128 Tabla 8: Ejemplo matriz CaractH Nivel1 Nivel 2 Nivel 3 Nivel 4 Figura 36: Contraste de las imágenes de detalles dado por α 8.1.3 Matriz caractco La matriz caractco contiene los vectores de co-ocurrencia con los 8 descriptores de la matriz de coocurrencia de las 12 sub-imágenes de detalles Wavelet organizados según se muestra en la siguiente tabla. Las dos últimas columnas muestran el resultado dado por Matlab, sin sesgar. Se observa que ofrece una enorme precisión lo que permite comparar los valores tan similares que presentan los vectores de características. Luego se analizarán los resultados para los distintos descriptores. Extracción de características de textura basada en la transformada Wavelet discreta 53

Grupo 1 20 Vector observ. 1 100 1901 2000 1 Contraste H1 150,939 161,777 116,7835352891156 7,47149392164273 2 Contraste H2 1413,24 1131,84 883,5285690665157 14,983045359347432 3 Contraste H3 3443,95 2440,58 1947,7370441232097 14,40151899880323 4 Contraste H4 2358,27 2850,96 3123,176086348892 10,661920902620302 5 Contraste V1 61,2079 69,0541 323,1269329491056 8,208835270219199 6 Contraste V2 251,427 255,514 2701,4942267416272 14,550081490929703 7 Contraste V3 498,331 533,494 4405,151226694389 14,739756550768456 8 Contraste V4 807,656 888,907 1685,9589612465409 14,185236363063733 9 Contraste D1 16,4479 20,9332 93,34896325428316 2,636709892290249 10 Contraste D2 171,704 215,197 1393,4479629235975 10,699984449798436 11 Contraste D3 584,011 660,626 5196,178929673724 15,673278454900485 12 Contraste D4 1166,91 1208,84 3224,5515715545525 11,550123811098516 13 H1 0,06595 0,06736 0,116166095237839 0,161846859014386 14 H2 0,11098 0,10372 0,143844542700382 0,145534063077431 15 H3 0,16897 0,15696 0,148072018917383 0,169006862533412 16 H4 0,18907 0,25365 0,217072758124758 0,195032877975455 17 V1 0,07975 0,07622 0,110377594585523 0,168701900672138 18 V2 0,10264 0,10501 0,138074203790915 0,148330320744938 19 V3 0,15147 0,14891 0,188459998886065 0,182849082575989 20 V4 0,20450 0,18359 0,250166723854568 0,224135057261007 21 D1 0,10774 0,10593 0,144963799758973 0,234611232759542 22 D2 0,09534 0,09545 0,108415936934409 0,132842967168688 23 D3 0,13789 0,14146 0,160925427115856 0,152518148307334 24 D4 0,20260 0,18120 0,20911306132014 0,184585891861972 25 Entropía H1 6,94262 6,86469 5,623736095388962 3,849796852940967 26 Entropía H2 7,91529 7,92483 6,736904263965037 4,876897264097598 27 Entropía H3 7,31094 7,59678 7,566345877650782 5,261809144048022 28 Entropía H4 6,52339 4,91223 6,234561873427189 5,332606241009866 29 Entropía V1 5,72376 5,88173 5,88174321443588 3,815274391701115 30 Entropía V2 7,03693 7,04281 6,902562557516332 4,803904946548149 31 Entropía V3 7,35640 7,46502 6,199714513510639 5,162283650867208 32 Entropía V4 7,09836 7,19311 5,444067206549359 5,424420461963358 33 Entropía D1 4,71970 4,87201 4,843004614394432 3,073229721459531 34 Entropía D2 6,65455 6,75328 6,822123805073632 4,564556863087688 35 Entropía D3 7,32418 7,37344 6,49637219697645 5,237412342763547 36 Entropía D4 7,04004 7,32949 6,085287860055183 5,223290052229579 37 Homogeneidad H1 0,29996 0,30157 0,438900602170811 0,548172571932737 38 Homogeneidad H2 0,35048 0,34069 0,437288569397941 0,508808857575311 39 Homogeneidad H3 0,46576 0,44223 0,423513799978783 0,538128738760169 40 Homogeneidad H4 0,55420 0,68563 0,564559028045674 0,584241742724191 41 Homogeneidad V1 0,35804 0,34521 0,423760973165019 0,554959505793422 42 Homogeneidad V2 0,36351 0,36754 0,431009037169805 0,514591635035427 43 Homogeneidad V3 0,42031 0,41380 0,54938228272765 0,55546969315194 44 Homogeneidad V4 0,48647 0,47174 0,643925183155121 0,591767759673607 45 Homogeneidad D1 0,44225 0,43000 0,504897116464079 0,640087211672033 46 Homogeneidad D2 0,35519 0,34927 0,387541307108075 0,494412745147081 47 Homogeneidad D3 0,40004 0,39948 0,504235294453356 0,506914063295319 48 Homogeneidad D4 0,47509 0,45307 0,575069617727529 0,561132266648954 Extracción de características de textura basada en la transformada Wavelet discreta 54

Grupo 1 20 Vector observ. 1 100 1901 2000 49 Prob. Máx. H1 0,23377 0,23836 0,319747574955908 0,356970623897707 50 Prob. Máx. H2 0,32707 0,31531 0,373630991748551 0,362587396069539 51 Prob. Máx. H3 0,40685 0,39311 0,381544863315697 0,403530683106576 52 Prob. Máx. H4 0,41455 0,44403 0,453201766817838 0,43808559303351 53 Prob. Máx. V1 0,25435 0,24980 0,308243378369866 0,367681563366087 54 Prob. Máx. V2 0,31374 0,31780 0,364815602166793 0,365786997669438 55 Prob. Máx. V3 0,38767 0,38463 0,417240449420509 0,421100442491812 56 Prob. Máx. V4 0,45153 0,42721 0,473777242378433 0,47116618638196 57 Prob. Máx. D1 0,28555 0,28773 0,346935822940287 0,441586356764928 58 Prob. Máx. D2 0,30152 0,30245 0,315114992756362 0,340234473418997 59 Prob. Máx. D3 0,36929 0,37428 0,385295611300076 0,381221064814815 60 Prob. Máx. D4 0,44939 0,42477 0,43708664021164 0,424825601536911 61 Tonalidad H1 3645,76 3373,90 14470,194073169609 42,93927517829423 62 Tonalidad H2 446709,56 182743,47 723272,879780184 321,26518644445326 63 Tonalidad H3 4573684,02 4325273,76 3461651,07183024 913,2570784299382 64 Tonalidad H4 4430715,73 4151017,28 6146471,886947781 1826,098314196472 65 Tonalidad V1 2182,83 2279,06 46867,09899054157 53,010071836444084 66 Tonalidad V2 65787,48 52073,93 3140925,941298932 325,38159616157833 67 Tonalidad V3 798394,91 693653,08 7707542,222075115 1102,0654122782341 68 Tonalidad V4 3513852,13 4089504,27 7689675,255103955 8653,219633016637 69 Tonalidad D1 142,776 196,13 3562,9588353696927 8,288540245852404 70 Tonalidad D2 9192,21 10464,92 322406,09027523437 74,05092031055221 71 Tonalidad D3 361481,22 285800,70 7152078,008283518 613,7416487173841 72 Tonalidad D4 2669327,90 3369493,49 6805143,446375444 870,7760086646274 73 Importancia H1 203779,65 192267,05 1978365,7325326905 586,3679644620707 74 Importancia H2 107497224,81 32659118,72 205484985,64834708 7912,969378259293 75 Importancia H3 1938739344,60 1793890515,84 1313176461,0062785 26237,686076245693 76 Importancia H4 2703568241,23 3262874139,23 2804011356,937053 60856,10000297211 77 Importancia V1 159556,21 196288,86 5480035,754403469 734,2523960290443 78 Importancia V2 13762880,52 9137688,35 1139618736,270649 7559,10256161844 79 Importancia V3 286456111,56 222578806,77 3309531446,3381615 34805,964553337246 80 Importancia V4 1324501202,35 1647807626,06 3544247036,329388 499389,9828892419 81 Importancia D1 2845,48 4144,70 162080,0982212371 55,432672235284 82 Importancia D2 884715,01 826172,50 58172743,723589405 1089,7278426699993 83 Importancia D3 100717416,81 69547170,83 3034150704,1017637 17225,13989491759 84 Importancia D4 978324498,42 1300368549,40 3152651864,070777 24277,586110939726 85 Correlación H1-0,08283-0,07776-0,108960314627315-0,042911472694602 86 Correlación H2-0,27361-0,23423-0,278326194554652-0,063789124122469 87 Correlación H3-0,44210-0,44051-0,385144631427555-0,148476066071699 88 Correlación H4-0,51800-0,53690-0,48356069737001-0,26013669651327 89 Correlación V1-0,04808-0,05059-0,160995921282417-0,043186467239836 90 Correlación V2-0,12384-0,13194-0,319333418329497-0,061419643257768 91 Correlación V3-0,29083-0,29460-0,365332992940963-0,157498287830129 92 Correlación V4-0,49534-0,44659-0,549726864216467-0,311656565117415 93 Correlación D1-0,04560-0,04719-0,098716123719084-0,057304475694653 94 Correlación D2-0,06812-0,07691-0,216750102740946-0,014991721425491 95 Correlación D3-0,24452-0,25332-0,334561710829055-0,096138275864447 96 Correlación D4-0,44080-0,44501-0,471167861229697-0,180260460538537 Tabla 9: Ejemplo matriz CaractCO Extracción de características de textura basada en la transformada Wavelet discreta 55

El primer descriptor es el contraste en el que se vuelve a poner de manifisto lo expresado por el parámetro α del histograma: las sub-imágenes de detalles gruesos (H4, V4 y D4) tienen mayor contraste que las de los detalles finos (H1, V1, y D1). La energía también confirman los resultados obtenidos en el apartado 8.1.1: la energía es menor a mayor frecuencia (sub-imágenes H1, V1 y D1) La entropía mide la aleatoriedad de la imagen, alcanzando su máximo cuando todos los elementos de la matriz de coocurrencia son iguales. Observando los resultados se concluye que la entropía no depende de si las sub-imágenes son de alta o baja frecuencia. Las sub-imágenes de baja frecuencia (H4, V4 y D4) son más homogéneas ya que los detalles son mayores y por tanto la imagen varía poco de unos píxeles a otros. Al contrario ocurre con las sub-imágenes de alta frecuencia (H1, V1 y D1) en la que los píxeles varían mucho de uno a otro y muestran los detalles finos. El siguiente descriptor indica la probabilidad máxima de que un píxel co-suceda con cualquier otro. Cuanto mayor sea indica que hay menos probabilidad de que se produzcan otras relaciones entre píxeles, y esto ocurre para sub-imágenes de detalles gruesos. Tanto la tonalidad como la importancia aumentan conforme disminuye la frecuencia, son menores para imágenes de detalles finos. Las imágenes con los detalles más gruesos están más correladas ya que al deplazarlas siguen siendo bastante similares porque son imágenes relativamente homogéneas. Sin embargo las de detalles finos varían al desplazarse porque hay muchos detalles pequeños y no coinciden. 8.2 MATRICES DE ÍNDICES Y CLASIFICACIÓN Para seguir ilustrando en el proceso de reconocimiento de texturas, se toma la matriz de energía caracte como ejemplo. Ésta será la que se le pase como entrada a la función Clasifpatron, la cual lo primero que obtiene es la matriz que almacena los índices de las características ordenados según importancia a la hora de clasificar patrones, mediante la instrucción rankfeatures. La siguiente tabla muestra el resultado: Grupo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Mayor 7 5 9 5 1 10 9 9 8 10 4 9 12 9 2 12 9 3 4 4 importancia 8 9 1 1 10 1 1 10 4 9 3 10 3 10 10 11 10 4 3 1 6 1 10 2 9 2 10 11 12 5 2 1 4 5 11 7 5 2 2 3 5 6 2 6 2 5 2 6 3 6 1 5 7 6 3 6 1 9 12 9 11 10 5 12 11 6 5 2 7 1 12 2 11 2 1 5 6 12 8 2 12 2 11 9 3 11 6 12 2 2 11 6 8 11 9 8 2 1 7 11 10 3 6 8 5 9 11 5 1 11 10 11 2 1 12 10 7 11 11 5 9 7 3 10 12 7 3 3 11 7 9 8 10 3 5 4 11 5 6 8 2 4 7 11 6 4 7 1 5 3 6 3 6 7 6 3 3 7 1 12 3 11 8 3 8 3 12 7 10 12 5 7 9 12 8 2 12 10 5 6 Menor 1 12 4 7 4 8 8 4 6 8 7 4 1 4 7 9 8 6 10 7 importancia 4 8 12 4 7 12 4 8 9 4 8 12 5 8 4 1 4 8 9 10 Tabla 10: Índices de las características de energía ordenados según su significancia para cada tipo de textura Las características a las que corresponden estos índices vienen indicadas en la primera columna de la tabla 7 con la matriz caracte. Extracción de características de textura basada en la transformada Wavelet discreta 56

Posteriormente se clasifica siguiendo el método del vecino más cercano (k-nearest neighbor) mediante un algoritmo leave-one-out, como se ha explicado en apartados anteriores. Además, el reconocimiento de patrones se ha hecho tomando, al principio, sólo la característica más significativa (indicada por el índice de la primera fila de la tabla 10, para cada grupo). Luego tomando las dos características más importantes, las tres primeras,, y así sucesivamente hasta tener en cuenta para la clasificación todas las características de energía (en este ejemplo) en el orden dado por las columnas de la tabla 10 para cada grupo. Hay que tener presente que el grupo es conocido a priori. Las clases asignadas a cada vector de observación se almacenan en la matriz class, donde cada fila se corresponde con el número de características utilizadas en la clasificación, NOF, y las columnas se corresponden con los vectores identificados. Grupo NOF 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 1 8 16 16 16 1 20 16 1 18 1 14 1 1 14 1 1 14 16 1 1 2 1 1 16 16 16 1 1 16 19 1 19 1 8 1 1 19 1 12 1 1 3 1 1 19 19 1 1 1 19 1 1 1 19 1 1 1 1 19 8 1 1 4 1 1 19 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 6 1 1 1 1 1 1 1 1 1 1 1 1 1 1 16 1 1 1 1 1 7 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 8 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 9 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 10 1 1 1 1 16 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 12 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Tabla 11: Clases asignadas a 20 vectores de observación del grupo 1 en función de NOF La tabla 11 expone las clases asignadas a los primeros 20 vectores de observación tras la clasificación, en función del número de características consideradas, NOF, según se ha explicado más arriba. En realidad hay hasta 2000 vectores de características pero esta pequeña selección de una idea bastante precisa de cómo, a partir de un cierto número de características consideradas, la clase asignada se ajusta al grupo real al que pertenecen estos vectores de observación (grupo 1): 8.3 TASA DE ACIERTOS La instrucción classperf compara el vector clase, que almacena el resultado de clasificar los 2000 vectores de observación utilizando un número determinado de características (fila de la matriz class, tabla 11), con el vector grupo que contiene el tipo al que pertenece realmente cada vector de observación. A partir del resultado devuelto por classperf se puede conseguir la tasa de error o la tasa. Las siguientes tablas muestran las tasas en el reconocimiento utilizando los tres tipos de características calculados de las sub-imágenes de detalles, en función del número de dichas características usadas en la comparación. También se muestra el porcentaje correcto cuando se unen las características de histograma y co-ocurrencia. NOF 1 2 3 4 5 6 7 8 9 10 11 12 0,2935 0,465 0,5705 0,666 0,7305 0,769 0,783 0,799 0,8205 0,8225 0,8305 0,8345 Tabla 12: Tasa s al clasificar con NOF características de Extracción de características de textura basada en la transformada Wavelet discreta 57

NOF 1 2 3 4 5 6 7 8 9 10 11 12 0,31 0,4955 0,6235 0,6945 0,727 0,749 0,8035 0,816 0,843 0,85 0,863 0,879 NOF 13 14 15 16 17 18 19 20 21 22 23 24 0,887 0,8865 0,8945 0,8935 0,896 0,8975 0,8995 0,9 0,9 0,9005 0,8985 0,894 Tabla 13: Tasa s al clasificar con NOF características de NOF 1 2 3 4 5 6 7 8 9 10 11 12 0,366 0,524 0,632 0,682 0,717 0,797 0,8175 0,837 0,847 0,8545 0,8635 0,859 NOF 13 14 15 16 17 18 19 20 21 22 23 24 0,8645 0,869 0,869 0,868 0,8765 0,874 0,892 0,8885 0,893 0,89 0,8895 0,8955 NOF 25 26 27 28 29 30 31 32 33 34 35 36 0,894 0,8975 0,8975 0,8955 0,905 0,906 0,909 0,9085 0,907 0,907 0,9055 0,907 NOF 37 38 39 40 41 42 43 44 45 46 47 48 0,9085 0,913 0,9155 0,9125 0,9125 0,9135 0,911 0,9135 0,9135 0,912 0,911 0,913 NOF 49 50 51 52 53 54 55 56 57 58 59 60 0,9105 0,914 0,915 0,916 0,916 0,9155 0,916 0,9165 0,9155 0,9155 0,915 0,917 NOF 61 62 63 64 65 66 67 68 69 70 71 72 0,9195 0,9215 0,9225 0,9205 0,9195 0,917 0,9225 0,922 0,9255 0,9255 0,9245 0,924 NOF 73 74 75 76 77 78 79 80 81 82 83 84 0,9225 0,922 0,922 0,922 0,921 0,9225 0,9215 0,922 0,9225 0,921 0,923 0,924 NOF 85 86 87 88 89 90 91 92 93 94 95 96 0,923 0,9215 0,92 0,919 0,9215 0,921 0,9215 0,9215 0,9205 0,9215 0,92 0,921 Tabla 14: Tasa s al clasificar con NOF características de NOF 1 2 3 4 5 6 7 8 9 10 11 12 0,3815 0,5455 0,617 0,691 0,7375 0,778 0,8085 0,8285 0,8455 0,8535 0,859 0,8575 NOF 13 14 15 16 17 18 19 20 21 22 23 24 0,8735 0,8695 0,879 0,8785 0,8835 0,8775 0,888 0,892 0,8885 0,898 0,8995 0,897 NOF 25 26 27 28 29 30 31 32 33 34 35 36 0,8985 0,903 0,903 0,9 0,9025 0,904 0,9105 0,9095 0,9055 0,9085 0,9065 0,9025 Extracción de características de textura basada en la transformada Wavelet discreta 58

NOF 37 38 39 40 41 42 43 44 45 46 47 48 0,905 0,9125 0,9155 0,9205 0,9185 0,92 0,919 0,915 0,9135 0,9165 0,9155 0,9185 NOF 49 50 51 52 53 54 55 56 57 58 59 60 0,920 0,9185 0,917 0,9225 0,924 0,9245 0,9235 0,9225 0,920 0,9225 0,9235 0,9245 NOF 61 62 63 64 65 66 67 68 69 70 71 72 0,925 0,9265 0,922 0,926 0,9215 0,9205 0,922 0,922 0,921 0,917 0,9175 0,9155 NOF 73 74 75 76 77 78 79 80 81 82 83 84 0,918 0,918 0,92 0,9205 0,92 0,921 0,925 0,926 0,926 0,9225 0,9225 0,9245 NOF 85 86 87 88 89 90 91 92 93 94 95 96 0,922 0,9235 0,9255 0,926 0,922 0,919 0,921 0,922 0,9235 0,9235 0,925 0,9255 NOF 97 98 99 100 101 102 103 104 105 106 107 108 0,9255 0,928 0,924 0,922 0,9225 0,9215 0,9245 0,9245 0,9245 0,9235 0,9215 0,923 NOF 109 110 111 112 113 114 115 116 117 118 119 120 0,9215 0,922 0,921 0,9225 0,9235 0,9255 0,927 0,926 0,9255 0,925 0,9245 0,9255 Tabla 15: Tasa s al clasificar con NOF características de y Coocurrencia Estos datos se muestran de forma gráfica en la siguiente figura, donde aparece el porcentaje de aciertos en función del número de características (NOF) usadas para obtener el vecino más cercano, para cada tipo de vector de observación: Extracción de características de textura basada en la transformada Wavelet discreta 59

Figura 37: de la clasificación Los primero que se aprecia es que la tasa se mantiene a partir de un número determinado de características consideradas de los vectores de observación. En cuanto a las características que mejor definen la textura, las características de histograma más co-ocurrencia son las que mejor resultado dan. También se consiguen excelentes resultados con las características de co-ocurrencia y ligeramente menores para características de histograma. La energía sin embargo da resultados bastante más discretos, aunque tiene a favor su sencillez. Todo el proceso de reconocimiento de patrones de textura se ha realizado para un conjunto de 20 imágenes correspondientes a los 20 tipos diferentes de textura patrón y los resultados obtenidos son los mostrados hasta ahora. Para comprobar que los resultados son correctos se ha aplicado de nuevo todo el proceso a un segundo conjunto de 20 imágenes patrón pertenecientes a los distintos grupos de textura. Su resultado se muestra en la figura 37 donde se observa que los resultados son similares: Extracción de características de textura basada en la transformada Wavelet discreta 60

Figura 38: de la clasificación de otro conjunto de imágenes patrón Todos estos métodos de identificación de texturas (,, y + ) clasifican las imágenes de texturas en su grupo correcto en un porcentaje bastante elevado, que varía según el método elegido. Sin embargo, existe cierto porcentaje de error, que supone que las imágenes a veces se clasifican en grupos erróneos. Los próximos cuadros indican los grupos a los que se asocian de forma errónea las imágenes de un determinado tipo de textura. Esto sólo ocurre para un porcentaje mínimo clasificación errónea: 16.55% para energía, 9.95% para histograma, 7.45% para co-ocurrencia y 7.35% para histograma+co-ocurrencia. Se observa que, aunque a veces las texturas se clasifican mal, los grupos a los que se asignan en esos casos se parecen mucho a su grupo real. + 16. Pared ladrillo 11. Madera 11. Madera 2. Arena 20. Trazo suave 1. AGUA + 4. Bolitas _ 2. ARENA Extracción de características de textura basada en la transformada Wavelet discreta 61

+ 5. Burbujas 4. Bolitas 4. Bolitas 4. Bolitas 9. Granos café 9. Granos café 9. Granos café 9. Granos café 3. ARROZ 18. Rocas 17. Piel JAPONÉS + 2. Arena 13. Mimbre 9. Granos café 4. BOLITAS + 3. Arroz japonés 9. Granos café 3. Arroz japonés 15. Papel mano 5. BURBUJAS + 3. Arroz japonés 17. Piel 6. CORCHO 7. CUARZO 2. Arena + Extracción de características de textura basada en la transformada Wavelet discreta 62

8. FLOR SECA 19. Tela encaje 20. Trazo suave 19. Tela encaje 20. Trazo suave + 4. Bolitas 4. Burbujas + 13. Mimbre 9. GRANOS 13. Mimbre CAFÉ 10. GUIJARROS 2. Arena 4. Bolitas 2. Arena 2. Arena + 2. Arena + 11. MADERA 12. MÁRMOL + Extracción de características de textura basada en la transformada Wavelet discreta 63

+ 13. MIMBRE 14. NUBE + + 15. PAPEL MANO + 16. PARED LADRILLO + 6. Corcho 17. PIEL Extracción de características de textura basada en la transformada Wavelet discreta 64

+ 4. Bolitas 19. Tela encaje 5. Burbujas 5. Burbujas 19. Tela encaje 18. ROCAS + 19. TELA 18. Rocas 18. Rocas ENCAJE 3. Arroz japonés 11. Madera 3. Arroz japonés + 20. TRAZO 19. Tela encaje 19. Tela encaje SUAVE Extracción de características de textura basada en la transformada Wavelet discreta 65