Upload
mollie-rhodes
View
44
Download
8
Embed Size (px)
DESCRIPTION
Adaptación del operador LBP para clasificación invariante a la escala de texturas visuales. Rocío A. Lizárraga Morales Raúl E. Sánchez Yáñez Universidad de Guanajuato, FIMEE [email protected]. Contenido. Introducción Presentación del problema y antecedentes - PowerPoint PPT Presentation
Citation preview
Adaptación del operador Adaptación del operador LBP para clasificación LBP para clasificación
invarianteinvariantea la escala de texturas a la escala de texturas
visualesvisuales
Rocío A. Lizárraga Morales Rocío A. Lizárraga Morales
Raúl E. Sánchez Yáñez Raúl E. Sánchez Yáñez
Universidad de Guanajuato, FIMEEUniversidad de Guanajuato, FIMEE
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 22
ContenidoContenido
IntroducciónIntroducción Presentación del problema y Presentación del problema y
antecedentesantecedentes Metodología propuestaMetodología propuesta Detección del tamaño del texelDetección del tamaño del texel Adaptación del operador LBPAdaptación del operador LBP Pruebas y ResultadosPruebas y Resultados ConclusionesConclusiones
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 33
IntroducciónIntroducciónEl análisis de textura es una de las ramas de investigación más importantes del campo de la visión por computadora, esto es debido a que la textura es una de las propiedades visuales fundamentales en todos los objetos que nos rodean y es factor importante para su reconocimiento o clasificación.
Análisis de Textura
Análisis Estadístico
Análisis Estructural
Es deseable para un sistema de análisis de textura que éste sea capaz de tratar con cualquier situación [13], dígase diferentes escalas espaciales, escala de grises, orientación y rotación.
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 44
Presentación del problema:Presentación del problema:Escala EspacialEscala Espacial
ANTECEDENTESComo antecedentes de investigaciones que tratan el problema se encuentra el presentado por Mäempää[8] donde propone diversas extensiones al operador LBP para tratar con la invarianza a la escala y a la rotación, a su vez se encuentra el presentado por Kurmishev[7] donde trata el problema de la escala para la Representación por Cúmulos Coordinados.
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 55
Metodología propuestaMetodología propuesta
Extracción del tamaño del texel
Adecuación del operador LBP
Extracción del descriptor de textura
Textura analizada
En el presente trabajo se propone hacer un pre-análisis de la textura para determinar el tamaño del texel (texture element), este dato nos puede proporcionar una referencia de la escala para así poder generar un operador que cambie de tamaño en función del texel, el objetivo es crear un sistema de clasificación de texturas invariante a la escala basado en el operador LBP.
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 66
Extracción del tamaño del Extracción del tamaño del texeltexel
La entropía es el grado de desorden y caos que existe en la naturaleza. es la medida de incertidumbre asociada con una variable aleatoria, también es considerada como la cantidad de ruido o desorden de los datos en un sistema.En general cuando la incertidumbre disminuye la entropía disminuye. En [3] se presenta un procedimiento para la detección del tamaño del texel utilizando las entropías generalizadas de Rényi.
Texel=64 Texel=32 Texel=40
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 77
Adaptación del operador Adaptación del operador LBPLBP
El operador de análisis de textura LBP (Local Binary Pattern) está definido como una medida invariante a la escala de grises, derivado de una definición general de la textura en una vecindad local. La propuesta original [12] comienza umbralizando una vecindad de P(P>1) pixeles espaciados en un radio R(R>0) utilizando como umbral el valor del pixel del centro, esto genera una vecindad binarizada y por lo tanto, un patrón que es interpretado como un número binario B. Si las coordenadas del centro son (0,0), las coordenadas de los pixeles vecinos están dadas por:
330022
113344
334455
161632326464
88128128
442211
16160000
00128128
442211
110000
0011
111111
* =
LBP= 1+2+4+16+128 =151
))/2(),/2(( PpRCosPpRSin
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 88
Obtención del descriptor de Obtención del descriptor de texturatexturaLa presencia del patrón local B, se registra en un histograma de
ocurrencias H. Al normalizarse este histograma se obtiene una distribución de probabilidad de los patrones binarios locales presentes en la imagen.
)(1
BHT
BPLBP
Donde T es el número total de patrones.
Al variar los valores de P y R es posible obtener operadores de diferentes tamaños.
7,8LBP 12,8LBP 17,8LBP
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 99
Texel=64
32,8LBP
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 1010
Pruebas y ResultadosPruebas y Resultados
Texel=64
Texel=3232,8LBP
32,8LBP
16,8LBP
32,8LBP
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 1111
…
Texturas de prueba
Etapa de Aprendizaje
Etapa de Pruebas
Extracción de
descriptor de textura
Base de
conocimiento
…
Texturas prototipo
Criterio de
semejanza
Resultado de clasificación
…
Extracción de
descriptor de textura
Criterio de semejanza
Cosine-Amplitud test
m
kk
m
kk
m
kkk
YX
YX
YX
r
1
2
1
2
1,
Clasificación supervisadaClasificación supervisada
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 1212
Imágenes de prueba para clasificación. En la fila superior: Mosaico1, Mosaico2, Mosaico3. En la fila inferior: Mosaico4, D20, D101.
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 1313
Pruebas y ResultadosPruebas y Resultados
Matriz de confusión para pruebas de clasificación con el método propuesto.
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 1414
ConclusionesConclusiones
Se ha presentado un método para el análisis de textura basado en el operador LBP y en la extracción del tamaño del texel que es invariante a la escala. El método consiste en variar el tamaño del operador y adaptarlo a la textura que se está analizando con el fin de hacer el análisis automático y no perder información predominante de la imagen en caso de ser analizada con un operador no adecuado para esa escala. Se presentaron pruebas de clasificación supervisada para imágenes de textura a diferentes escalas, dando como resultado un desempeño del 100%. Para la validez científica es necesario extender las pruebas.
Rocio A. Lizárraga MoralesRocio A. Lizárraga Morales 1515
ReferenciasReferencias[1] N. Ahuja and S. Todorovic. Extracting texels in 2.1D natural textures. 11th. IEEE ICCV, 2007.[2] P. Brodatz. Textures: A photographic album for artists and designers. Dover, New York. 1966.[3] S. Grigorescu and N. Petkov. Texture analysis using Rényi's generalized entropies. ICIP, 2003.[4] G. Gomez, J.L. Marroquín and L.E. Sucar. Probabilistic Estimation of local scale. ICPR, 2000. [5] R. Haralick. Statistical and structural approaches to texture. Proceedings on the IEEE, 1979.[6] B. Julesz. Textons, the elements of texture perception and their interactions. Nature. 290:91-97,1981.[7] E. V. Kurmishev, M. Poterasu and J. T. Guillen-Bonilla. Image scale determination for optimal texture classification using coordinated clusters representation. Applied Optics. 46(9):1467-1476, 2007.[8] T. Mäempää. The local binary pattern approach to texture analysis - extensions and applications. PhD thesis, 2003. Acta Univ Oulu C 187, Oulu, Finland. [9] T. Ojala, T. Mäenpää, M. Pietikäinen, J. Viertola, J. Kyllönen and S. Huovinen. Outex- new framework for empirical evaluation of texture analysis algorithms. ICPR'02. Volume 1, 2002[10] T. Ojala, M. Pietikäinen and T. Mäenpää. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. PAMI. 24(7):971-987, 2002.[11] H.-Y. Shum. In search of textons. Proceedings of the Shape Modeling International '03. pp. 1, 2003.[12] M. P. T. Ojala and D. Harwood. A comparative study of texture measures with classification based on feature distributions. Pattern Recognition. 29(1):51-59, 1999.[13] F. Tomita and S. Tsuji. Computer Analysis of Visual Textures. Kluwer Academic Publishers, 1990.[14] M. Unser. Sum and difference histograms for texture classification. IEEE Trans. PAMI. 8(1):118-125, 1986.[15] S.C. Zhu, C.E. Guo, Y. Wang and Z. Xu. What are textons?. IJCV, 62(1-2):121-143, 2005.