Текстура изображения
— Текстура изображения это мелкомасштабная структура, воспринимаемая на изображении, основанная на пространственном расположении цвета или интенсивности. [1] Его можно оценить количественно с помощью набора показателей, рассчитанных при обработке изображений . Метрики текстуры изображения дают нам информацию обо всем изображении или выбранных областях. [1]
Текстуры изображения могут быть созданы искусственно или найдены в естественных сценах, запечатленных на изображении. Текстуры изображений — это один из способов, который можно использовать для сегментации или классификации изображений . Для более точной сегментации наиболее полезными функциями являются пространственная частота и средний уровень серого. [2] Для анализа текстуры изображения в компьютерной графике существует два подхода: структурированный подход и статистический подход.
подход Структурированный
Структурированный подход рассматривает текстуру изображения как набор примитивных текселей в некотором регулярном или повторяющемся шаблоне. Это хорошо работает при анализе искусственных текстур.
Чтобы получить структурированное описание, характеристика пространственных отношений текселей собирается с использованием мозаики Вороного текселей.
подход Статистический
Статистический подход рассматривает текстуру изображения как количественную меру расположения интенсивностей в регионе. В целом этот подход легче вычислить и он более широко используется, поскольку естественные текстуры состоят из шаблонов нерегулярных подэлементов.
Обнаружение края [ править ]
Использование обнаружения краев заключается в определении количества краевых пикселей в указанной области, что помогает определить характеристику сложности текстуры. После того, как края найдены, направление краев также можно использовать в качестве характеристики текстуры и может быть полезно при определении закономерностей в текстуре. Эти направления могут быть представлены в виде среднего значения или в виде гистограммы.
Рассмотрим область с N пикселями. детектор границ на основе градиента применяется к этой области, создавая два выходных сигнала для каждого пикселя p: величину градиента Mag(p) и направление градиента Dir(p). Края на единицу площади можно определить по формуле для некоторого порога Т.
Чтобы включить ориентацию в гистограммы краев, можно использовать как величину градиента, так и направление градиента. H mag (R) обозначает нормализованную гистограмму величин градиента региона R, а H dir (R) обозначает нормализованную гистограмму ориентаций градиента региона R. Оба нормализованы в соответствии с размером N R Тогда представляет собой количественное текстурное описание региона R.
Матрицы совпадений [ править ]
Матрица совпадений фиксирует числовые характеристики текстуры, используя пространственные отношения схожих серых тонов. [3] Числовые характеристики, вычисленные на основе матрицы совпадений, можно использовать для представления, сравнения и классификации текстур. Ниже приводится подмножество стандартных функций, полученных из нормализованной матрицы совместного появления:
![{\displaystyle {\begin{aligned}Angular{\text{ }}2nd{\text{ }}Moment&=\sum _{i}\sum _{j}p[i,j]^{2}\\Contrast& =\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}n^{2}p[i,j]{\text{, где }}|ij|=n\ \Correlation&={\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]ln(p[i,j] )\\\end{выровнено}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/487c3d101782cd9665b46e1580f34f93bb337584)
где это запись в матрице пространственной зависимости серых тонов, а Ng — количество различных уровней серого в квантованном изображении.
![{\displaystyle p[i,j]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/c90907be4c00e74d0c9d55a7f391d61aeb443655)
![{\displaystyle [я,j]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/fff46b0cabba9dd4a48696b0d6f85eb38192a021)
Одним из отрицательных аспектов матрицы совпадений является то, что извлеченные признаки не обязательно соответствуют зрительному восприятию. Его используют в стоматологии для объективной оценки поражений [DOI: 10.1155/2020/8831161], эффективности лечения [DOI: 10.3390/ma13163614; DOI: 10.11607/jomi.5686; DOI: 10.3390/ma13173854; DOI: 10.3390/ma13132935] и реконструкция кости во время заживления [DOI: 10.5114/aoms.2013.33557; DOI: 10.1259/dmfr/22185098; Идентификатор: 2-s2.0-81455161223; DOI: 10.3390/ma13163649].
Законы Текстура Энергетические меры
Другой подход — использовать локальные маски для обнаружения различных типов текстурных особенностей. Законы [4] первоначально использовал четыре вектора, представляющие элементы текстуры, для создания шестнадцати 2D-масок из внешних произведений пар векторов. Четыре вектора и соответствующие характеристики были следующими:
L5 = [ +1 +4 6 +4 +1 ] (Level) E5 = [ -1 -2 0 +2 +1 ] (Edge) S5 = [ -1 0 2 0 -1 ] (Spot) R5 = [ +1 -4 6 -4 +1 ] (Ripple)
К этим четырем иногда добавляют пятую: [5]
W5 = [ -1 +2 0 -2 +1 ] (Wave)
Из 4 векторов Лоуза 16 «энергетических карт» 5x5 затем фильтруются до 9, чтобы удалить определенные симметричные пары. Например, L5E5 измеряет содержимое вертикальной границы, а E5L5 измеряет содержимое горизонтальной границы. Среднее значение этих двух показателей и есть «острота» контента. В результате Лоус использует следующие 9 карт: [6]
L5E5/E5L5 L5R5/R5L5 E5S5/S5E5 S5S5 R5R5 L5S5/S5L5 E5E5 E5R5/R5E5 S5R5/R5S5
Запуск каждой из этих девяти карт поверх изображения для создания нового изображения значения источника ([2,2]) приводит к получению 9 «энергетических карт» или, концептуально, изображения, в котором каждый пиксель связан с вектором из 9 атрибутов текстуры. .
мощности Автокорреляция спектр и
Функцию автокорреляции изображения можно использовать для обнаружения повторяющихся узоров текстур.
Сегментация текстур [ править ]
Использование текстуры изображения можно использовать в качестве описания регионов на сегменты. Существует два основных типа сегментации на основе текстуры изображения: по регионам и по границам. Хотя текстура изображения не является идеальным показателем сегментации, она используется вместе с другими показателями, такими как цвет, что помогает решить проблему сегментации изображения.
На основе региона [ править ]
Пытается сгруппировать или кластеризовать пиксели на основе свойств текстуры.
Граничный подход [ править ]
Пытается сгруппировать или кластеризовать пиксели на основе границ между пикселями, которые соответствуют различным свойствам текстуры.
См. также [ править ]
Дальнейшее чтение [ править ]
Подробное описание анализа текстуры на биомедицинских изображениях можно найти у Depeursinge et al. (2017). [7] Текстурный анализ используется для изучения рентгенологических изображений в челюстно-лицевой хирургии [DOI: 10.3390/ma13132935; DOI: 10.3390/ma13163649] и пародонтологии [DOI: 10.3390/ma13163614; DOI: 10.17219/acem/104524].
Ссылки [ править ]
- ^ Jump up to: Перейти обратно: а б Линда Г. Шапиро и Джордж К. Стокман, Компьютерное зрение , Аппер-Сэддл-Ривер: Прентис-Холл, 2001 г.
- ^ Трамбицкий К.В.; Андинг К.; Полте Г.А.; Гартен Д.; Мусалимов В.М. (2015). «Сегментация областей вне фокуса 2D-изображений поверхности с использованием текстурных особенностей» . Научно-технический журнал информационных технологий, механики и оптики . 15 (5): 796–802. дои : 10.17586/2226-1494-2015-15-5-796-802 .
- ^ Роберт М. Харалик, К. Шанмугам и Итхак Динштейн, « Текстурные особенности для классификации изображений », Транзакции IEEE в системах, человеке и кибернетике, 1973, SMC-3 (6): 610–621
- ^ К. Лоуз « Сегментация текстурированных изображений », доктор философии. Диссертация, Университет Южной Калифорнии, январь 1980 г.
- ^ А. Мейер-Базе, «Распознавание образов для медицинской визуализации», Academic Press, 2004.
- ^ CSE576: Компьютерное зрение: глава 7 (PDF) . Университет Вашингтона. 2000. стр. 9–10.
- ^ Деперсинж, А.; Аль-Кади, Омар С.; Митчелл, Дж. Росс (1 октября 2017 г.). Биомедицинский текстурный анализ: основы, инструменты и проблемы . Эльзевир. ISBN 9780128121337 .