textura [modo de compatibilidade] - yandre/pdi/textura-grande.pdfآ  textura • textura أ©...

Download Textura [Modo de Compatibilidade] - yandre/PDI/textura-grande.pdfآ  Textura • Textura أ© um importante

Post on 10-Aug-2020

3 views

Category:

Documents

0 download

Embed Size (px)

TRANSCRIPT

  • Textura

    UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM

    CIÊNCIA DA COMPUTAÇÃO

    P ro

    f. Y an

    d re C

    o sta

    Prof. Yandre Costa

    P ro

    f. Y an

    d re C

    o sta -

    1

  • Textura

    • Textura é um importante atributo visual presente em imagens, mas que não tem definição formal;

    • A diversidade de texturas naturais e

    P ro

    f. Y an

    d re C

    o sta

    • A diversidade de texturas naturais e artificiais, torna impossível estabelecer uma definição universal para a mesma;

    P ro

    f. Y an

    d re C

    o sta -

    2

  • Textura

    • Padrão visual geralmente relacionado a distribuição de pixels em uma região e características do objeto da imagem;

    • Esse atributo geralmente contém

    P ro

    f. Y an

    d re C

    o sta

    • Esse atributo geralmente contém informações bastante ricas sobre o conteúdo da imagem e é muito útil em visão computacional;

    P ro

    f. Y an

    d re C

    o sta -

    3

  • Textura

    • Algumas texturas apresentam regularidade no que diz respeito a repetição de padrões, outras não:

    P ro

    f. Y an

    d re C

    o sta

    Mármore Papel Parede Medeira Areia

    P ro

    f. Y an

    d re C

    o sta -

    4

  • Textura

    • Texturas são descritas cotidianamente como finas, grossas, granuladas, lisas e etc.;

    • Tamura et al. propõem o uso de

    P ro

    f. Y an

    d re C

    o sta

    • Tamura et al. propõem o uso de características mais precisas para descrever textura:

    – Granularidade: tamanho das células

    presentes na textura, eventualmente referida

    como “espessura”;

    P ro

    f. Y an

    d re C

    o sta -

    5

  • Textura

    – Contraste: dado por variações de tons de cinza presentes na imagem;

    – Direcionalidade: direção predominante entre os elementos constituintes;

    – Delineamento (line-likeness): intensidade da

    P ro

    f. Y an

    d re C

    o sta

    – Delineamento (line-likeness): intensidade da presença de linhas;

    – Regularidade: regularidade com que primitivas se repetem;

    – Rugosidade: medida da sensação de “aspereza” transmitida pela textura;

    P ro

    f. Y an

    d re C

    o sta -

    6

  • Textura

    • Um descritor de textura pode se basear na distribuição e tons dos pixels diretamente, ou de primitivas componentes da textura;

    • Uma primitiva é um conjunto de pixels

    P ro

    f. Y an

    d re C

    o sta

    • Uma primitiva é um conjunto de pixels com alguma propriedade e tom ou localização;

    • O relacionamento espacial entre primitivas pode ser aleatório ou não;

    P ro

    f. Y an

    d re C

    o sta -

    7

  • Textura

    • Diferentes primitivas e relacionamentos espaciais entre elas:P

    ro f. Y

    an d

    re C o

    sta

    – a e b: mesma primitiva não produz necessariamente a mesma textura;

    – a e c: mesmo relacionamento espacial não produz necessariamente a mesma textura;

    a b c

    P ro

    f. Y an

    d re C

    o sta -

    8

  • Textura

    • Exemplos de textura:

    P ro

    f. Y an

    d re C

    o sta

    P ro

    f. Y an

    d re C

    o sta -

    9

  • Textura

    • Abordagens para descritores de textura:

    – Estatística;

    • Matriz de co-ocorrência (GLCM);

    – Estrutural;

    P ro

    f. Y an

    d re C

    o sta

    – Estrutural;

    • LBP;

    – Espectral;

    • Transformada de Gabor;

    P ro

    f. Y an

    d re C

    o sta -

    10

  • Textura

    • Abordagens estatísticas

    – Medidas estatísticas obtidas a partir da

    contagem de ocorrências de níveis de cinza

    nos pixels da imagem e da forma como se

    P ro

    f. Y an

    d re C

    o sta

    nos pixels da imagem e da forma como se

    relacionam no espaço;

    P ro

    f. Y an

    d re C

    o sta -

    11

  • Textura

    • Matriz de co-ocorrência de níveis de cinza (GLCM)

    – A mais tradicional abordagem estatística;

    – Introduzida por Haralick et al. em 1973;

    P ro

    f. Y an

    d re C

    o sta

    – Introduzida por Haralick et al. em 1973;

    A GLCM consiste em uma matriz de probabilidades (N× N*) de co-ocorrência de níveis de cinza dada uma

    distância d e uma orientação θ.

    * N é o número de intensidades de cinza utilizadas na representação da imagem.

    P ro

    f. Y an

    d re C

    o sta -

    12

  • Textura

    • Possíveis orientações

    para θ:

    • Exemplo

    – Considere a seguinte matriz de pixels:

    P ro

    f. Y an

    d re C

    o sta

    P ro

    f. Y an

    d re C

    o sta -

    13

  • Textura

    • Exemplo

    – Considere a seguinte matriz de pixels:

    • Considerando a distância d=1 e a orientação θ=0º

    P ro

    f. Y an

    d re C

    o sta • Exercício:

    • Encontre a GLCM para o exemplo anterior considerando θ = 45º, 90º e 135º

    P ro

    f. Y an

    d re C

    o sta -

    14

  • Textura

    – A partir das probabilidades encontradas na

    GLCM, medidas estatísticas são extraídas da

    mesma. As mais comuns são:

    P ro

    f. Y an

    d re C

    o sta

    P ro

    f. Y an

    d re C

    o sta -

    15

  • Textura

    • Local Binary Pattern (LBP)

    – Abordagem estrutural para descrição de

    textura apresentada por Ojala et al. em 2002;

    – Premissa: padrões binários locais à região de

    P ro

    f. Y an

    d re C

    o sta

    – Premissa: padrões binários locais à região de

    vizinhança de um pixel são propriedades

    fundamentais da textura de uma imagem;

    P ro

    f. Y an

    d re C

    o sta -

    16

  • Textura

    • O método leva em conta para cada pixel C, P vizinhos equidistantes considerando-se uma distância R;

    P ro

    f. Y an

    d re C

    o sta

    uma distância R;

    P ro

    f. Y an

    d re C

    o sta -

    17

  • Textura

    • A característica de textura T é preservada na seguinte distribuição:

    ))(),...,(( 10 CPC ggsggsT −−≈ −

    P ro

    f. Y an

    d re C

    o sta

    na qual

    com i=[0,P]

      

  • Textura

    • O LBP para o pixel C pode ser obtido através da

    multiplicação dos elementos binários por um

    coeficiente binomial. Associando-se um peso

    binomial 2P a cada s(gP - gC), as diferenças

    presentes na vizinhança são transformadas em

    P ro

    f. Y an

    d re C

    o sta

    presentes na vizinhança são transformadas em

    um único código LBP, um valor 0≤C'≤2P.

    P ro

    f. Y an

    d re C

    o sta -

    19

  • Textura

    • Os autores introduziram o conceito de

    uniformidade do padrão LBP;

    • Ele diz respeito ao número de transições entre

    0’s e 1’s presentes no padrão encontrado;

    P ro

    f. Y an

    d re C

    o sta

    0’s e 1’s presentes no padrão encontrado;

    • Um LBP é uniforme se o número de transições é

    menor ou igual a 2;

    uniforme não uniforme

    P ro

    f. Y an

    d re C

    o sta -

    20

  • Textura

    • Uma variedade de LBP bastante utilizada é o LBP8,2, onde são tomados 8 vizinhos à uma distância 2;

    • Para esta variedade, existem 58 padrões uniformes;

    P ro

    f. Y an

    d re C

    o sta

    uniformes;

    • A textura associada à imagem, é descrita por um histograma dos padrões LBP encontrados;

    • Todas as ocorrências de padrões não uniformes são contadas em uma coluna adicional do histograma;

    • Desta forma, são encontradas 59 características para descrever a textura de uma imagem com LBP8,2.

    P ro

    f. Y an

    d re C

    o sta -

    21

  • Bibliografia

    • A.K. Jain e F. Farrokhnia. Unsupervised texture segmentation using Gabor Filters. Pattern recognition, 24(12):1167-1186, 1991.

    • H. Tamura, S. Mori, e T. Yamawaki. Textural Features Corresponding to Visual Perception. IEEE Trans. Systems, Man, and Cybernetics, 8(6):460-473, 1978.

    P ro

    f. Y an

    d re C

    o sta

    Systems, Man, and Cybernetics, 8(6):460-473, 1978. • M. Sonka, V. Hlavac, e R. Boyle. Image Processing,

    Analysis, and Machine Vision. PWS Publishing, 1999. • R.M. Haralick, K. Shanmugam, e I.H. Dinstein. Textural

    features for image classification