Tekstur (bildebehandling)

I bildebehandling , teksturanalyse består i å beregne en rekke målinger for å definere en struktur oppfattes på et bilde. Teksturanalyse returnerer informasjon om det romlige arrangementet av farger eller intensiteter i hele eller deler av dette bildet.

Teksturdataene til et bilde kan opprettes kunstig (kunstige teksturer) eller resultatet av analysen av bilder filmet fra virkelige scener eller gjenstander (naturlige teksturer). Teksturanalyse (eller karakterisering) spiller en viktig rolle i bildesegmentering eller i klassifiseringen. Elementene som gir mest presisjon i segmenteringen er de romlige frekvensene og gjennomsnittet av grånivået.

Det er to mulige tilnærminger for å analysere en tekstur: den strukturerte tilnærmingen og den statistiske tilnærmingen.

Den strukturerte tilnærmingen

Denne tilnærmingen ser teksturer som en serie tekster gjentas jevnt over et utvalg. Denne tilnærmingen er spesielt effektiv i analyser av kunstige teksturer.

For å få en mer strukturert beskrivelse, defineres en karakterisering av den romlige organisasjonen av texlene ved hjelp av Voronoi-diagrammet på dem.

Den statistiske tilnærmingen

Den statistiske tilnærmingen definerer tekstur som et kvantitativt mål på oppstillingen av intensitet i en region. Generelt er denne tilnærmingen enkel å beregne og brukes ofte for å kunne behandle naturlige teksturer, samt for å produsere uregelmessige underelementprøver.

Kantdeteksjon

Bruk av kantdeteksjon til å bestemme antall piksler som beskriver kantene i en bestemt region, bestemmer kompleksitetskarakteristikken til en tekstur. Når konturene er oppnådd, kan retningen deres også påføres som en annen egenskap derav og kan være nyttig for bestemmelse av prøven i teksturen. Disse instruksjonene presenteres enten i gjennomsnitt eller i et histogram.

Tenk på et område med N-piksler. Den gradientbaserte kantdetektoren blir deretter brukt til dette området for å gi to resultater for hver piksel p: størrelsen Mag (p) og retningen Dir (p). Konturområdet ( Edgeness ) per enhetsareal defineres da av:

${\ displaystyle F_ {edgeness} = {\ frac {| \ {p | Mag (p)> T \} |} {N}}}$

T representerer terskelen.

For å inkludere orienteringen med konturen kan man bruke histogrammer på størrelse og retning. La H mag (R) som representerer histogrammet normaliserte størrelsen på regionen R, og la H dir representerer det normaliserte histogrammet for orienteringer i regionen R. Begge er standardiserte, i samsvar med størrelsen NR .

Så har vi den kvantitative beskrivelsen av strukturen i R-regionen:

F_{magdir}=(H_{mag}(R),H_{dir}(R))

Co-forekomst matrise

Den Samtidig forekomst matrise fanger opp de digitale elementer av teksturen ved hjelp av de romlige forhold med lignende nyanser av grått. Disse digitale dataene som er beregnet av disse samforekomstmatriser kan brukes til å representere, sammenligne og klassifisere teksturer. Følgende er en delmengde av standardfunksjoner som kan avledes fra en normalisert matris for co-forekomst:

${\ displaystyle {\ begin {align} Angular {\ text {}} 2. {\ text {}} Moment & = \ sum _ {i} \ sum _ {j} p [i, j] ^ {2} \\ Kontrast & = \ sum _ {n = 0} ^ {Ng-1} n ^ {2} \ venstre \ {\ sum _ {i = 1} ^ {Ng} \ sum _ {j = 1} ^ {Ng} p [i, j] \ høyre \} {\ text {, hvor}} | ij | = n \\ Korrelasjon & = {\ frac {\ sum _ {i = 1} ^ {Ng} \ sum _ {j = 1} ^ {Ng} (ij) p [i, j] - \ mu _ {x} \ mu _ {y}} {\ sigma _ {x} \ sigma _ {y}}} \\ Entropy & = - \ sum _ {i} \ sum _ {j} p [i, j] logg (p [i, j]) \\\ slutt {justert}}}$

Hvor er den første oppføringen i et matrisegrått rom, og Ng er antall forskjellige grå nivåer i det kvantiserte bildet. ${\ displaystyle p [i, j]}$ $[i, j]$

Det negative aspektet av denne samforekomstmatrisen er at karakteristikkene som dermed ekstraheres ikke nødvendigvis tilsvarer visuell oppfatning.

Energimåling av lovteksturer

En annen tilnærming for å generere egenskapene til disse teksturene er å bruke masker (eller kjerner) for å oppdage de forskjellige typer teksturer. I 1980 brukte K. Laws fire vektorer som representerer teksturfunksjoner for å lage seksten 2D-masker. En femte vektor som karakteriserer bølgene blir noen ganger lagt til. De resulterende størrelsesviklingsmasker, av matrise 5, brukes til å beregne energien til en tekstur som er representert etter eliminering av duplikater av symmetri, av ni elementære vektorer for hver piksel. Denne masken er generert fra følgende vektorer:

L5 = [ +1 +4 6 +4 +1 ] (Niveau) E5 = [ -1 -2 0 +2 +1 ] (Contour) S5 = [ -1 0 2 0 -1 ] (Point) W5 = [ -1 +2 0 -2 +1 ] (Vague) R5 = [ +1 -4 6 -4 +1 ] (Ride)

Autokorrelasjon og spektral kraft

Den automatiske korrelasjonsfunksjonen til et bilde kan brukes til å oppdage gjentatte eksempler på teksturer.

Tekstur segmentering

Et strukturert bilde kan brukes til å beskrive regioner i segmenter. Det er to typer teksturbaserte bildesegmenteringer: regionbasert og kantbasert. Disse metodene alene er imidlertid ikke perfekte for optimal segmentering, men de bør brukes med andre egenskaper som farge, form og størrelse. Det er derfor et enkelt pluss å optimalisere og løse bildesegmentering.

Region

Forsøk på å gruppere piksler basert på teksturegenskaper.

Grense

Forsøk på å gruppere piksler basert på bildeskisse blant piksler som kommer fra forskjellige teksturegenskaper.

Se også

Ekstern lenke

Peter Howarth, Stefan Rüger, "Evaluation of texture features for content-based image retrieval", Proceedings of the International Conference on Image and Video Retrieval, Springer-Verlag, 2004
Christian Germain, “ Orientert bilde- og teksturanalyse anvendt på materialkarakterisering og fjernmåling. » , På archives-ouvertes.fr , University of Sciences and Technologies - Bordeaux I - Bildebehandling,2007.

Referanser

(fr) Denne artikkelen er delvis eller helt hentet fra Wikipedia-artikkelen på engelsk med tittelen " Image texture " ( se listen over forfattere ) .

Linda G. Shapiro og George C. Stockman, Computer Vision , Upper Saddle River: Prentice-Hall, 2001
(in) Trambitskiy KV Anding K. Polte GA, D. Garten, Musalimov VM, " Områdesegmentering utenfor fokus for 2D-bildeområde ved bruk av teksturfunksjoner. ” , Scientific and Technical Journal of Information Technologies, Mechanics and Optics , vol. 15, n o 5,2015, s. 796–802 ( les online )
Robert M. Haralick, K. Shanmugam og Its'hak Dinstein, "Textural Features for Image Classification", IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC-3 (6): 610–621
K. Laws, Textured Image Segmentation , Ph.D. Dissertation, University of Southern California, januar 1980