By Claudia Mazo

1. Descriptores de Textura
Claudia Ximena Mazo, Ing.
claudia.mazo@correounivalle.edu.co

2. Slide 2
¿Qué es Textura?

3. Slide 3
¿Qué es Textura?
 Lo que constituye una región macroscópica. Su
estructura es simplemente atribuirse a los
patrones repetitivos en los que elementos o
primitivas se disponen según una regla de
colocación
 Una región en una imagen tiene una textura
constante si un conjunto de estadísticas locales
u otras propiedades locales de la función de
imagen son constantes, que varían lentamente, o
aproximadamente periódica

4. Slide 4
¿Qué es un Descriptor de Textura?
 Conjunto de métricas calculadas en el
procesamiento de imágenes diseñado para
cuantificar la textura percibida
 Disposición espacial de las intensidades de color
o en una imagen o región seleccionada de una
imagen

5. Slide 5
¿Qué es un Descriptor de Textura?
 Uniformidad de la intensidad en las regiones
locales de la imagen
 Las imágenes de los objetos reales a menudo no
presentan regiones de intensidades uniformes

6. Slide 6
Uso de los Descriptor de Textura
 Clasificar: Basándose en las propiedades de
textura, se puede identificar una variedad de
materiales

7. Slide 7
Uso de los Descriptor de Textura
 Segmentar: encontrar los límites de las texturas.
El objetivo de la segmentación de textura es
obtener el mapa límite que separa las regiones
de diferente textura en una imagen

8. Slide 8
Uso de los Descriptor de Textura

9. Slide 9
Uso de los Descriptor de Textura

10. Slide 10
Áreas de Aplicación Descriptor de Textura
 Análisis de Imágenes Médicas

11. Slide 11
Áreas de Aplicación Descriptor de Textura
 Tratamiento de documentos

12. Slide 12
Áreas de Aplicación Descriptor de Textura
 Reconocimiento de caracteres

13. Slide 13
Métodos Relacionados a Local
Binary Pattern

14. Slide 14
Local Binary Pattern (LBP)
Medida de la textura invariante en escala de grises,
compara el valor de un píxel actual para cada
valor en sus cuatro u ocho vecinos:
gc valor del pixel del centro
gp valor del pixel adjacente al pixel central
s es una operación de umbral

15. Slide 15
Local Binary Pattern (LBP)
 Medidas
 Loglikelihood
 Euclidean Distance

16. Slide 16
Matriz de Co-Ocurrencia
Distribución de co-ocurrencia de intensidad en un
determinado desplazamiento

17. Slide 17
Matriz de Co-Ocurrencia

18. Slide 18
Matriz de Co-Ocurrencia
 Medidas relacionadas al contraste:
 Contraste
• El peso incrementa exponencialmente
como incrementa i, j
• Con una medida alta se dice que la
imagen tiene un contraste alto

19. Slide 19
Matriz de Co-Ocurrencia
 Disimilitud
• Igual que contraste pero los pesos no
incrementan exponencialmente
• Incremento de peso lineal

20. Slide 20
Matriz de Co-Ocurrencia
 Homogeneidad
• Inversa al contraste
• El peso decrece exponencialmente como
incrementa i, j
• A menor contraste mayor homogeneidad

21. Slide 21
Matriz de Co-Ocurrencia
 Medidas relacionadas con el orden:
 Segundo momento angular (ASM):
• Entre mas ordenada la imagen mas alta la
medida
 Energía:

22. Slide 22
Matriz de Co-Ocurrencia
 Máxima Probabilidad:
 Entropía:
• Asumir: 0 * ln 0 = 0, ln 0 es indefinido
• Opuesto a la energía, máximo valor
cuando todos los elementos son iguales.

23. Slide 23
Matriz de Co-Ocurrencia
 Medidas utilizando estadísticas descriptivas:
 GLCM media:
 GLCM varianza:
 Desviación estándar:

24. Slide 24
Matriz de Co-Ocurrencia
 GLCM correlación:
• Dependencia lineal de los niveles de
grises de cada píxel con sus vecinos

25. Slide 25
Spectrum Textura (TS)
 Método estadístico
 Vecindad de 3 x 3 píxeles, que representan un
conjunto de pequeñas unidades esenciales
conocido como unidades de textura (TU)
 38 = 6,561 posible descripciones de la textura
locales

26. Slide 26
Spectrum Textura (TS)

27. Slide 27
Spectrum Textura (TS)
 Medidas:
 Énfasis momentos inversos a corto plazo
 Momentos énfasis largo plazo
 Falta de uniformidad en niveles de gris:
 Ejecutar longitud de no uniformidad:

28. Slide 28
MPEG-7

29. Slide 29
MPEG-7 Métodos
 Textura homogénea (HTD)
 Histograma de Borde (EHD)
 Navegación de Textura (TBD)
 Medida

30. Slide 30
Otros Metodos

31. Slide 31
Haralick
 Describe 14 medidas estadísticas de
distribución, calculadas a partir de la matriz de
co-ocurrencia
 Medidas
 Segundo momento angular:

32. Slide 32
Haralick
 Contraste:
 Correlación:
 Varianza:

33. Slide 33
Haralick
 Momento diferencia inversa:
 Suma de promedio:
• x, y coordenadas px+y(i) es la probabilidad
de co-ocurrencia

34. Slide 34
Haralick
 Suma de varianza:
• f42 = Suma de entropía
 Suma de entropía:
 Entropía:

35. Slide 35
Haralick
 Diferencia de varianza:
 Diferencia de entropía:
 Medida de correlación 1:
• f43= entropía

36. Slide 36
Haralick
 Medida de correlación 2:
 Máximo coeficiente de correlación:
• HX y HY son las entropías de px y py

37. Slide 37
Haralick

38. Slide 38
SIFT
 Invariante a:
• escala
• rotación
• iluminación
• punto de vista
• Medidas
 Se realiza en 6 etapas:

39. Slide 39
SIFT - Espacios de Escala (1)
 Gaussian Blur:

40. Slide 40
SIFT - Laplaciano de Gauss (2)

41. Slide 41
SIFT - Laplaciano de Gauss (2)

42. Slide 42
SIFT – Encontrar puntos clave (3)
 Localizar Max/Min en imagen DoG:
• X está marcado como un "punto clave" si es
mayor o menor que los 26 vecinos

43. Slide 43
SIFT – Encontrar puntos clave (3)

44. Slide 44
SIFT – Eliminar Bordes y Regiones de Bajo
Contraste (4)
 Detector de esquinas de Harris

45. Slide 45
SIFT – Asignación de Punto Clave de
Orientación (5)

46. Slide 46
SIFT – Asignación de Punto Clave de
Orientación (5)

47. Slide 47
SIFT – Generar SIFT (6)

48. Slide 48
SIFT – Generar SIFT (6)
 Función de ponderación gaussiana

49. Slide 49
SIFT – Ejemplo
 Objetos a buscar

50. Slide 50
SIFT – Ejemplo

51. Slide 51