Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Para el proceso de recuperación de imágenes por contenido II. V ERSIÓN ESCALADA DE LA IMAGEN
es necesario procesar e identificar las caracterísitcas de cada
imagen a ser almacenada. Estas características deben propor- Una de las primeras aproximaciones para la comparación
cionar información acerca del contenido de la imagen y deben de las imágenes es evaluar directamente la matriz de píxeles
permitir distinguir una imagen de las demás. cuando ambas imágenes tienen la misma dimensión. Sin
Cientos de características y técnicas han sido propuestas embargo, no siempre se cuenta con esta condición y además
para identificar el contenido de las imágenes, sin embargo el cómputo es por lo general infactible dada la gran cantidad
cada vez más trabajos coinciden en que no hay una única de píxeles que tiene una imagen de dimensiones estándar.
caracterísitca que se comporte bien para todas las tareas de Mientras las dimensiones de una imagen crecen linealmente,
recuperación, sino que por el contrario es necesario combinar el número de píxeles crece cuadráticamente en función del
adecuadamente varias de ellas. área.
En este trabajo se presenta la formalización e Uno de los propósitos de extraer características de una
implementación de 9 técnicas de extracción de características imagen para las aplicaciones de recuperación por contenido,
que han sido ampliamente utilizadas para representar el es reducir la complejidad de la matriz de píxeles de la imagen
contenido de las imágenes en aplicaciones de recuperación original, razón por la cual la versión escalada de las imágenes
por contenido. Ocho de las nueve características son o down scaled image ha sido propuesta y utilizada.
histogramas, dado que esta estructura de representación El propósito de escalar las imágenes es contar con una
proporciona más información que simples descriptores muestra representativa de los píxeles originales. La versión
escalares como se menciona en [?]. escalada de la imágen puede ser entendida como un arreglo
de intensidades que representa la señal original como puede
Durante el desarrollo e este trabajo se utilizaron dos imá- observarse en la figura 2, pasando a un problema de detección
genes de ejemplo que son Lenna y una imagen médica de de diferencias entre las señales. Algunas extensiones para
histología para observar los resultados de los algoritmos y esta representación son aplicar filtros sobre la imagen antes
comparar teniendo en cuenta la diferencia de contenidos. Este o después de escalarla para resaltar detalles de interés. Entre
trabajo continúa de la siguiente manera: de las secciones II los filtros más utilizados están Sobel y transformaciones
hasta la VII se presentan la Versión escalada de la imagen, como PCA y coseno. En [?] utilizan esta representación para
histogramas de intensidad y color, partición binaria local, clasificar imágenes médicas de acuerdo a los códigos IRMA
histograma de sobel, características de tamura y el histograma (Image Retrieval in Medical Applications)
de características invariantes respectivamente. En la sección Uno de los problemas en esta representación es resolver
VIII se comentan otro tipo de características y en la sección cuáles píxeles de la imágen A corresponden con los de la
IX se concluye el trabajo y se presentan algunos lineamientos imagen B, porque aunque las versiones escaladas tienen las
para el trabajo futuro. mismas dimensiones, los valores de intensidad pueden estar
2
a.
a.
b.
a. Lenna b. Histología
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
b.
operador de Sobel puede obtenerse información de la magnitud
a. Lenna b. Histología
y la dirección del cambio en cada punto utilizando:
p
Fig. 4. Histogramas de color con subcubos de 8x8x8 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
a. 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
b.
-1 -2 -1
a. Lenna b. Histología Para calcular las diferencias entre las vecindades, primero
Fig. 5. Histogramas de color con subcubos de 8x8x8
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
IV. PARTICIÓN BINARIA LOCAL (LBP) se asigna al píxel que se analiza en cada momento obteniendo
como resultado una imagen con los bordes de los objetos
La partición binaria local 1 es un descriptor de textura resaltados como lo muestra la figura 6. Nótose que en las
en imágenes propuesto por Wang2 . Para cada pixel P en la regiones homogeneas la magnitud del cambio es nula y por
imagen se examina su 8-vecindad, es decir los 8 píxeles que lo tanto se obtiene un píxel de color negro.
se encuentran a su alrededor. Por cada píxel en esa vecindad
debe determinarse si el valor de intensidad es mayor o menor En este caso la imagen resultante contiene en cada píxel el
que el valor de intesidad del píxel P , en caso de ser mayor valor de la magnitud de cambio, de manera que construir un
se asigna 1 a esa posición de vecindad y de lo contrario histograma con base en estos datos nos proporciona informa-
se asigna un 0. Con esos valores asignados se codifica una ción sobre la distribución de los cambios en la imagen. Este
cadena binaria por píxel, conteniendo en total 8 bits que histograma se calcula de forma similar a la presentada en la
indican la distribución de las intensidades a su alrededor. sección 2, y en la figura 7 se puede observar el histograma
de Sobel para las imágenes de ejemplo. Note la diferencia
1 Local con los histogramas calculados previamente. Este histograma
Binary Partition LBP
2 L.Wang and D. C. He, Texture classification using texture spectrum, es utilizado en [?] junto con la partición binaria local y otras
Pattern Recognit. Lett. 13, 1990, 905 910. características.
4
a.
a.
b.
a. Lenna b. Histología
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 |
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
a.
a.
b.
b. a. Lenna b. Histología
a. Lenna b. Histología
Fig. 13. Histogramas de Orientación local
Fig. 11. Histogramas de Contraste