1
Extracción de Características para Recuperación de
Imágenes por Contenido
Juan Carlos Caicedo Rueda
Maestría en Ingeniería de Sistemas y Computación
Universidad Nacional de Colombia
email: jccaicedoru@unal.edu.co
Abstract— En las aplicaciones de recuperación de imágenes
por contenido, el primero de los problemas a resolver es cuáles
características de la imagen utilizar para representar los registros
y permitir al usuario consultar la base de datos de imágenes. En
este trabajo se presenta la formalización de nueve técnicas de
extracción de características basadas en histogramas para Recu-
peración de Imágenes por Contenido, realizando una descripción
de los métodos, algunas recomendaciones de implementación y
presentando algunos ejemplos.
I. I NTRODUCCIÓN
Para el proceso de recuperación de imágenes por contenido
es necesario procesar e identificar las caracterísitcas de cada
imagen a ser almacenada. Estas características deben propor-
cionar información acerca del contenido de la imagen y deben
permitir distinguir una imagen de las demás.
Cientos de características y técnicas han sido propuestas
para identificar el contenido de las imágenes, sin embargo
cada vez más trabajos coinciden en que no hay una única
caracterísitca que se comporte bien para todas las tareas de
recuperación, sino que por el contrario es necesario combinar
adecuadamente varias de ellas.
En este trabajo se presenta la formalización e
implementación de 9 técnicas de extracción de características
que han sido ampliamente utilizadas para representar el
contenido de las imágenes en aplicaciones de recuperación
por contenido. Ocho de las nueve características son
histogramas, dado que esta estructura de representación
proporciona más información que simples descriptores
escalares como se menciona en [?].
Durante el desarrollo e este trabajo se utilizaron dos imá-
genes de ejemplo que son Lenna y una imagen médica de
histología para observar los resultados de los algoritmos y
comparar teniendo en cuenta la diferencia de contenidos. Este
trabajo continúa de la siguiente manera: de las secciones II
hasta la VII se presentan la Versión escalada de la imagen,
histogramas de intensidad y color, partición binaria local,
histograma de sobel, características de tamura y el histograma
de características invariantes respectivamente. En la sección
VIII se comentan otro tipo de características y en la sección
IX se concluye el trabajo y se presentan algunos lineamientos
para el trabajo futuro.
Fig. 1. Versión escalada a 32x32 de Lenna y una imagen de histología
II. V ERSIÓN ESCALADA DE LA IMAGEN
Una de las primeras aproximaciones para la comparación
de las imágenes es evaluar directamente la matriz de píxeles
cuando ambas imágenes tienen la misma dimensión. Sin
embargo, no siempre se cuenta con esta condición y además
el cómputo es por lo general infactible dada la gran cantidad
de píxeles que tiene una imagen de dimensiones estándar.
Mientras las dimensiones de una imagen crecen linealmente,
el número de píxeles crece cuadráticamente en función del
área.
Uno de los propósitos de extraer características de una
imagen para las aplicaciones de recuperación por contenido,
es reducir la complejidad de la matriz de píxeles de la imagen
original, razón por la cual la versión escalada de las imágenes
o down scaled image ha sido propuesta y utilizada.
El propósito de escalar las imágenes es contar con una
muestra representativa de los píxeles originales. La versión
escalada de la imágen puede ser entendida como un arreglo
de intensidades que representa la señal original como puede
observarse en la figura 2, pasando a un problema de detección
de diferencias entre las señales. Algunas extensiones para
esta representación son aplicar filtros sobre la imagen antes
o después de escalarla para resaltar detalles de interés. Entre
los filtros más utilizados están Sobel y transformaciones
como PCA y coseno. En [?] utilizan esta representación para
clasificar imágenes médicas de acuerdo a los códigos IRMA
(Image Retrieval in Medical Applications)
Uno de los problemas en esta representación es resolver
cuáles píxeles de la imágen A corresponden con los de la
imagen B, porque aunque las versiones escaladas tienen las
mismas dimensiones, los valores de intensidad pueden estar

a.
b.
a. Lenna b. Histología
Fig. 2. Versiones escaldas como una señal unidimensional.
desfasados cuando la imagen tiene una apariencia equivalente,
convirtiendo el problema en uno de registro de imágenes.
III. H ISTOGRAMA DE INTENSIDAD Y DE COLOR
III-A. Definición
Los histogramas son utilizados para aproximar
distribuciones de probabilidad. Los histogramas pueden
ser representados de forma paramétrica cuando se tiene
algún conocimiento acerca de la distribución de los datos,
o utilizando bins en el caso contrario. En el primer caso la
distribución queda representada por un número controlado de
parámetros mientras que en el segundo caso se tiene un gran
número de bins para representar la distribución.
En [?] se describen de manera formal los métodos con-
vencionales para la construcción de histogramas, de la cual
se adoptó el enfoque no paramétrico para la estimación de la
función de densidad, el cual va de la siguiente manera:
El espacio χ de características es dividido en M regiones.
Estas regiones forman una grilla espaciada regularmente, en
forma de hipercubos del mismo tamaño llamados χ(m) , que
cumplen:
χ(m) ⊂ χ
teniendo
M
[ −1
χ(m) = χ
m=0
y también
0
χ(m) ∩ χm = φ, ∀m 6= m0
Para calcular la densidad en cada subregión de probabilidad
se cuentan los puntos que caen dentro del hipercubo, en
particular los histogramas de color son una partición del
espacio tridimensional de color.
2
a.
b.
a. Lenna b. Histología
Fig. 3. Histogramas en escala de gris.
III-B. Implementación
Cuando se tiene una imagen en escalas de grises, cada
uno de los píxeles tiene un valor entre 0 y 256. En este
caso el espacio de intensidades está claramente definido y
la construcción del histograma se reduce a contabilizar el
número de píxeles que tienen un determinado valor en escala
de gris, obteniendo un histograma con 256 posiciones. Para
las imágenes de ejemplo, primero se transformó a escala de
gris cada imagen y luego se calculó su respectivo histograma
como puede observarse en la figura 3. El histograma de
Lenna tiene una distribución más centrada mientras que la
imagen de histología tiende a los valores más brillanes por la
gran cantidad de regiones blancas.
El espacio RGB tiene más de 16 millones de colores en to-
tal. Un histograma de estas dimensiones es bastante complejo
de manejar y proporciona poca información, porque en muchos
casos esta magnitud es varias veces mayor que el número de
píxeles en la imagen. Por esta razón se prefiere definir una
partición del espacio diferente cambiando el tamaño del bin
o hipercubo. Como el espacio RGB es tridimensional, cada
una de sus dimensiones se divide en k partes de igual tamaño,
obteniendo un total de k 3 subcubos. En la figura 4 se puede
observar el histograma de color para las imágenes de ejemplo
utilizando un k = 8, lo que significa que el histograma tiene
un total de 8 × 8 × 8 = 512 posiciones. El histograma de color
presenta problemas de discontinuidad, porque un pequeño
cambio en la imagen genera un gran cambio en el histograma.

a.
b.
a. Lenna b. Histología
Fig. 4. Histogramas de color con subcubos de 8x8x8
a.
b.
a. Lenna b. Histología
Fig. 5. Histogramas de color con subcubos de 8x8x8
IV. PARTICIÓN BINARIA LOCAL (LBP)
La partición binaria local 1 es un descriptor de textura
en imágenes propuesto por Wang2 . Para cada pixel P en la
imagen se examina su 8-vecindad, es decir los 8 píxeles que
se encuentran a su alrededor. Por cada píxel en esa vecindad
debe determinarse si el valor de intensidad es mayor o menor
que el valor de intesidad del píxel P , en caso de ser mayor
se asigna 1 a esa posición de vecindad y de lo contrario
se asigna un 0. Con esos valores asignados se codifica una
cadena binaria por píxel, conteniendo en total 8 bits que
indican la distribución de las intensidades a su alrededor.
1 Local
Binary Partition LBP
2 L.Wang and D. C. He, Texture classification using texture spectrum,
Pattern Recognit. Lett. 13, 1990, 905 910.
3
Esta partición constituye un espacio con 28 = 256 posibles
valores, de manera que se puede calcular una distribución de
textura de forma similar a los histogramas en escalas de grises.
En la figura 5 se puede observar el histograma de partición
binaria local para las imágenes de Lenna y de Histología
Médica. En [?] este descriptor de textura fue utilizado entre
otras varias características que el usuario puede seleccionar
para realizar una consulta en un sistema de recuperación de
imágenes por contenido.
V. H ISTOGRAMA S OBEL
Para la detección de bordes en imágenes el operador de
Sobel es uno de los más famosos [?]. Su principio fundamental
es calcular la diferencia de intensidad en la vecindad de
cada píxel en las direcciones vertical y horizontal, lo cual se
interpreta como la derivada de la función en el punto. Con el
operador de Sobel puede obtenerse información de la magnitud
y la dirección del cambio en cada punto utilizando:
p
M (x, y) = M x(x, y)2 + M y(x, y)2
y  
−1 M y(x, y)
θ(x, y) = tan
M x(x, y)
En donde M es la magnitud del vector en la dirección del
eje y θ es la dirección. La función diferencial para x y para y
puede definirse de tamaño arbitrario utilizando los coeficientes
en el triángulo de pascal. Por ejemplo para realizar un análisis
en la 8-vecindad necesitamos un operador de tamaño 3x3 tanto
para x como para y, el cual se puede definir con las siguientes
matrices:
 
1 0 -1
Mx =  2 0 -2 
1 0 -1
y
 
1 2 1
My =  0 0 0 
-1 -2 -1
Para calcular las diferencias entre las vecindades, primero
se multiplica cada vecino por el coeficiente de la matriz,
luego se efectúa la suma algebráica entre filas y columnas y
después se aplica la definición de magnitud dada. Este valor
se asigna al píxel que se analiza en cada momento obteniendo
como resultado una imagen con los bordes de los objetos
resaltados como lo muestra la figura 6. Nótose que en las
regiones homogeneas la magnitud del cambio es nula y por
lo tanto se obtiene un píxel de color negro.
En este caso la imagen resultante contiene en cada píxel el
valor de la magnitud de cambio, de manera que construir un
histograma con base en estos datos nos proporciona informa-
ción sobre la distribución de los cambios en la imagen. Este
histograma se calcula de forma similar a la presentada en la
sección 2, y en la figura 7 se puede observar el histograma
de Sobel para las imágenes de ejemplo. Note la diferencia
con los histogramas calculados previamente. Este histograma
es utilizado en [?] junto con la partición binaria local y otras
características.
 4

a.

a.

b.
a. Lenna b. Histología

Fig. 7. Histogramas de Sobel

b.
a. Lenna b. Histología 2. Para cada punto (x, y) se calcula la diferencia entre las
vecindades que no se sobrelapan a lados opuestos del
Fig. 6. Resultado del operador de Sobel punto en las direcciones horizontal y vertical.
Dkh (x, y) = |Ak x + 2k−1 , y − Ak x − 2k−1 , y |

VI. C ARACTERÍSTICAS DE TAMURA

y
Las características de Tamura son en total 6, y sus au-
Dkv (x, y) = |Ak x, y + 2k−1 − Ak x, y − 2k−1 |



tores encontraron que hay tres de ellas que correlacionan
fuertemente con la percepción humana: coarseness, contraste 3. Para cada punto (x, y) seleccionar el valor con la difer-
y direccionalidad, como se describen en esta sección. En encia más grande:
su trabajo original 3 Tamura et. al. presenta la forma de
S(x, y) = M axd=h,v Ekd (x, y) , k = {1..,5}

calcular las 6 características para obtener un valor escalar por
cada imagen procesada. En [?] realizan algunas adaptaciones
a la formulación para tener la posibilidad de calcular las Este valor se asigna a cada píxel obteniendo el coarseness
característica por píxel, definición que fue utiliza en este local de la imagen, lo cual permite calcular una distribución de
trabajo. coarseness en la imagen, es decir, un histograma coarseness
que permita medir los tamaños de las texturas. La figura 8
muestra el resultado de calcular el coarseness en las imágenes
VI-A. Tamura Coarseness
de ejemplo y la figura 9 muestra los histogramas correspon-
El coarseness 4 proporciona información acerca del tamaño dientes.
de las texturas en la imagen. Cuando las texturas tienen un
micro-patrón y un macro-patrón el procedimiento de Tamura
VI-B. Contraste de Tamura
considera el patrón más grande, y la forma de hacerlo es apli-
cando operadores de distinto tamaño de la siguiente manera: El contraste está influenciado por los niveles de grises, la
Sea I una imagen; I(x, y) el valor del píxel en la posición polarización en los niveles de blanco y negro, definición de los
(x, y). bordes y período de repetición de los patrones. Este se calcula
1. Para cada píxel (x, y) se calcula el promedio sobre una utilizando la media y la varianza de los valores de intensidad
vecindad definida que debe ser de un tamaño potencia en una vecindad dada de la siguiente manera:
de dos, por ejemplo 2 × 2, 4 × 4, ..., 32 × 32: σ µ4
Fcon = z con α4z =
2 2 k k α4 σ4
1 XX
I x − 2k−1 + i, y − 2k−1 + j


A(x, y) = 2k en donde
2 i=1 j=1
X Y
1 XX 4
3 H. Tamura, S. Mori, T. Yamawaki. Textural Features Corresponding to
µ4 = (I(x, y) − µ)
XY x=1 y=1
Visual Perception. IEEE Transaction on Systems, Man, and Cybernetcs, Vol.
SMC-8, No. 6, pp. 460 472, June 1978.
4 No hay una traducción precisa para este término. Se sugiere entenderlo es el cuarto momento alrededor de la media µ, σ 2 es la
como rugosidad varianza de los valores de grises en la vecindad, y z ha
 5

a.
a.

b.
b. a. Lenna b. Histología
a. Lenna b. Histología
Fig. 10. Cálculo local del contraste de Tamura
Fig. 8. Cálculo local del coarseness de Tamura

sido configurado experimentalmente como 41 . En la figura

10 se observa el resultado de calcular el contraste en las
imágenes de ejemplo, utilizando para cada píxel una vecindad
de 13 × 13, en donde se evalúa la función de contraste. Al
igual que se procedió con los valores coarseness, se construye
un histograma de constrastes que puede ser observado en la
figura 11.

VI-C. Direccionalidad de Tamura

No la orientación como tal sino la presencia de dirección en
la imagen es interesante. Para calcular la direccionalidad, las
derivadas horizontal y vertical son calculadas al convolucionar
la imagen I utilizando los siguientes operadores de 3 × 3:
a.  
-1 0 1
∆H =  -1 0 1 
-1 0 1
y
 
-1 -1 -1
∆V =  0 0 0 
1 1 1
Luego, para cada posición (x, y) se calcula el ángulo de
orientación utilizando:
π ∆V (x, y)
θ= + tan−1
2 ∆H (x, y)
b.
a. Lenna b. Histología En la figura 12 puede observarse la orientación local en
las imágenes de ejemplo, y en la figura 13 se observa el
Fig. 9. Histogramas Coarseness histograma orientación utilizando la información calculada.
 6

a.
a.

b.
b. a. Lenna b. Histología
a. Lenna b. Histología
Fig. 13. Histogramas de Orientación local
Fig. 11. Histogramas de Contraste

Con la definición de las características de Tamura presen-

tadas anteriormente, se obtienen tres medidas de textura por
píxel en la imagen, con los cuales puede construirse una
imagen RGB que no contiene información de los colores sino
de las texturas, para construir un histograma de Tamura.

VII. H ISTOGRAMA DE C ARACTERÍSTICAS I NVARIANTES

En esta oportunidad, se desean modelar características que
sean invariantes a una serie de transformaciones dadas. Los
objetos en una escena pueden estar expuestas a complejas
transformaciones cuando se proyectan en el plano de una
a. imagen, las cuales pueden aproximarse utilizando transfor-
maciones que sean matemáticamente tratables. En [?] se
proponen y describen los métodos formales para calcular éstas
características invariantes y la forma en la que puede calcularse
una distribución de características invariantes. A continuación
se hace una reseña de los puntos más importantes para el
desarrollo de esta técnica.
Sea p = (x, y), x, y ∈ < las coordenadas de un patrón I(p)
en la imagen. Este patrón puede estar formado por un conjunto
de puntos, una región o una imagen y puede aplicarsele
cualquier transformación de la forma p0 = Ap + t, en donde
b. A es una matriz de rotación y t es un vector de traslación.
a. Lenna b. Histología Estas transformaciones pueden ser expresadas como:
A = I traslaciones con L = 2 parámetros: (t0 , t1 )
Fig. 12. Orientación local con la direccionalidad de Tamura AT A = I transformaciones congruentes de rotación y
traslación con L = 3 parámetros: (t0 , t1 , φ)
 7

AT A = kI transformaciones similares de traslación,

rotación y escalamiento con L = 4 parámetros:
(t0 , t1 , φ, k)
Esas funciones de transformación pueden ser expresadas
como una función paramétrica g(λ), con λ como el vector
de parámetros y L = dim(λ) como los grados de libertad
en la formulación paramétrica. El movimiento euclidiano, por
ejemplo, puede ser descrito utilizando los 3 parámetros de
traslación horizontal, traslación vertical y rotación. Dada esta
definición, pueden modelarse diversos métodos para obtener
a.
características que sean invariantes a la función paramétrica
de transformación. Algunos de ellos son:
Normalización: por cada objeto que pueda ser identifica-
do en las imágenes se debe encontrar un miembro repre-
sentativo para la clase, y definir contornos normalizados
a la traslación, rotación y escalamiento. Este enfoque
es bastante sensible al ruido y carece de certeza en la
localización espacial.
Métodos diferenciales: Las características invariantes se-
leccionadas F no deben cambiar a pequeñas transfor-
maciones infinitesimales que sean efectuadas. De esta b.
manera tenemos que a. Lenna b. Histología
δF (g(λ)I)
|λ=0 = 0 Fig. 14. Características Invariantes
δλi
es decir, al aplicar la transformación g, sobre la imagen I
y extraer las características F esperamos que los cambios interpreta como la traslación en t0 , t1 y un análisis de
efectuados sobre cada uno de los parámetros λi no rotación sobre dos círculos, uno de radio 8 y otro de radio 16,
produzcan cambios significativos o que sean iguales a sobre los cuales se calcula el soporte de transformación local.
cero. En la práctica este enfoque es un poco complejo y El resultado de estas características invariantes puede ser
se vuelve difícil de resolver. observado en la figura 14 y los histogramas correspondientes
Metodo por integración: Se definen funciones arbitrarias en la figura 15.
o funciones kernel que deben ser evaluadas en un grupo
de órbitas, o en otras palabras, la clase de equivalencia de A diferencia de los métodos presentados anteriormente que
un patrón x forma una órbita en el espacio de patrones. se enfocaban en correlacionar las propiedades visuales de la
Esto puede describirse utilizando las integrales de Haar: imagen con las características extraídas, este método se enfoca
1
Z en advertir las posibles transformaciones que una objeto puede
F (I) = f (gI)dg tener cuando se capturen de él diferentes imágenes. En la
|G| G
práctica, parece ser una distribución de características capaz
donde G es el espacio de todas las posibles transfor- de identificar imágenes similares con la menor taza de error.
maciones. Para el caso discreto esto puede interpretarse
como el promedio de las transformaciones en un grupo VIII. OTRAS
definido:
1 X Existen muchas otras características desde sencillos
F (I) = f (gI) estadísticos para regiones de interés hasta técnicas de
|G|
G
segmentación, transformaciones y filtros. A continuación se
esto es, definir un grupo de transformaciones G, apli- mencionan brevemente algunas de ellas y las referencias en
carlas sucesivamente sobre la imagen y en cada paso, donde pueden encontrarse con mayor detalle.
calcular las funciones kernel para finalizar promediando
los resultados. El software para procesamiento de imágenes ImageJ [?] es
En la práctica, el método por integración es mucho capaz de calcular varias medidas estadísticas sobre una imagen
más eficiente y fácil de implementar para varios tipos o sobre regiones de interés definidas. Esta información es útil
de transformaciones, y para construir una distribución cuando las imágenes no tienen las mismas dimensiones, pero
de características invariantes, no se calcula el promedio no tienen correlación con propiedades visuales reales. Las más
sobre todas las dimensiones del vector λ sino se define un representativas son
espacio en algunas de ellas para aplicar el procedimiento de Área: número de píxeles en la región
histogramización. Este método fue implementado utilizando Media: valor promedio de intensidad en los pixeles de la
como función kernel I(8, 0)I(0, 16) que formalmente se región

a.
b.
a. Lenna b. Histología
Fig. 15. Características Invariantes
Desviación estándar: variación de las intensidades
Mínimo: valor del pixel con la mínima intensidad
Máximo: valor del pixel con máxima intensidad
Centro de masa: (x,y): suma ponderada por las intensi-
dades de las coordenadas de cada pixel
Alto y ancho: aunque la región no sea rectangular, puede
calcularse su bounding box
Skew y Kurtosis
En [?] los autores utilizan las siguientes características para
representar cada imagen:
Coeficientes Wavelet: La image se reescala a 32x32.
Luego se realiza una descomposición utilizando la
wavelet haar obteniendo un conjunto de coeficientes que
son utilizados para representar la imagen.
Flesh: Utilizan un operador de detección de piel prop-
uesto en [?] para detectar gente desnuda.
Versiones Grid: para algunas una de las descritas en
secciones anteriores, se propone dividir la imagen en 4
partes iguales, y calcular las características en la baldosa
inferior izquierda. Otra alternativa es dividir la imagen
original en 3 piezas iguales horizontalmente, obteniendo
características para cada pieza.
En [?] hay una amplia revisión de las características para
recuperación de imágenes, algunas de ellas mencionadas ante-
riormente. En particular las características de Gabor proporcio-
nan información espacial y espectral simultáneamente como se
menciona a continuación:
8
Características Gabor: El filtro Gabor extrae informa-
ción acerca de las texturas calculando información espa-
cial y frecuencial simultáneamente utilizando la Trans-
formada de Fourier por Ventanas (WFT). Al aplicar esta
transformada, la señal original (imagen) es multiplicada
por una función de ventaneo, siendo necesario encontrar
un tamaño adecuado de la ventana para obtener informa-
ción espectral útil, y al utilizar como función de ventaneo
el filtro Gabor, se obtiene un tamaño de ventana óptimo.
Con estos principios se construye una transformación
Gabor como una función que depende de f y ϕ en una
región dada. Cada imagen en RGB se lleva al espacio
HSV en donde es representada por 2 imágenes. A cada
imagen se le aplica un conjunto de 25 transformaciones
Gabor obteniendo un total de 50 matrices por imagen,
es decir 50 coeficientes gabor por pixel. Esto significa
que es necesario mantener los coeficientes sólo para un
número representativo de píxeles, la cual es una tarea
adicional a la cual se le pueden aplicar varios enfoques.
En [?] se utiliza un vector de 6k posiciones para representar
una imagen, donde k es un parámetro dado. La idea general
es obtener información aproximada de las principales regiones
en la imagen. El procedimiento para calcularlo es el siguiente:
Una imagen es segmentada en k regiones utilizando el
modelo de Campos Aleatorios de Markov para clasificar
los pixeles en k clases. Este modelo es utilizado como
un modelo de análisis de texturas.
Para cada una de las regiones se calcula el centroide
(x, y), el tamaño (cantidad de píxeles), la dispersión, la
media y la varianza.
El vector se construye reuniendo los 6 atributos de cada
región en un solo arreglo.
Similar al anterior, pero con técnicas más sofisticadas,
Blobworld [?] encuentra las principales regiones en la imagen
utilizando Expectation Maximization. Para calcularlo utiliza
algunos descriptores de textura que permiten identificar los
cambios entre regiones.
IX. C ONCLUSIONES Y T RABAJO F UTURO
Hay una amplia gama de características que pueden ser
extraídas de una imagen para obtener información acerca de
su contenido como se describió en este trabajo. Las técnicas
y algoritmos presentados aquí fueron implementadas en un
módulo de extracción de características desarrollado con
ImageJ [?] como base para manipular las imágenes y con
JFreeChar para visualizar los histogramas. Cada una de las
características se especializa en extraer información de la
imagen permitiendo cuantificar propiedades específicas en
las imágenes. En [?] se propone utilizar un conjunto de
características dependientes del tema de consulta, porque
al evaluar los trabajos anteriores encontraron que no hay
una sola característica que se comporte bien en todas las
aplicaciones. Igualmente en [?] se propone trabajar con
un grupo de características ponderadas para calcular la
similaridad de las imágenes.
 9

Actualmente las aplicaciones de recuperación de imágenes

por contenido deben orientarse de acuerdo al conjunto
específico de imágenes con el que se cuente, incluyendo
información del dominio de aplicación en los procesos de
extracción de características. Las características descritas
en este trabajo permiten caracterizar las imágenes por su
apariencia visual, pero debe trabajarse fuertemente en un
análisis semántico y estructural de las imágenes para obtener
características con significado natural, es decir un conjunto
de características estructuradas que reflejen de forma natural
lo que un ser humano puede observar en la imagen.

El módulo de extracción de características desarrollado

permite extender los algoritmos de extracción y las estructuras
de representación para las imágenes, trabajar con lotes de
imágenes para almacenar sus características en una base de
datos ó procesar un conjunto reducido para visualizar la
información en pantalla. Se espera refinar el comportamiento
de este módulo con otros algoritmos manteniendo un diseño
extendible y mantenible. Actualmente se está desarrollando un
módulo de similaridad y recuperación que permita comparar
los contenidos de las imágenes, con el cual se completará un
framework para experimentación de recuperación de imágenes
por contenido, que permita evaluar la sensibilidad, precisión
y robustez tanto de las características extraídas como de las
medidas de similaridad. A futuro, también se trabajará en
técnicas de indexamiento para acceder a la información de
las imágenes con tiempos de respuesta óptimos.