Hispanopedia Wiki
Articulo de referencia

Matriz de coocurrencia de escala

La matriz de coocurrencia de escala (SCM) es un método para la extracción de características de imágenes dentro del espacio de escalas después de la transformada wavelet , propu...

Hispanopedia WikiContenido en espanolLectura gratuita

La matriz de coocurrencia de escala (SCM) es un método para la extracción de características de imágenes dentro del espacio de escalas después de la transformada wavelet , propuesto por Wu Jun y Zhao Zhongming (Instituto de Aplicaciones de Teledetección, China ). En la práctica, primero realizamos una transformada wavelet discreta para una imagen en escala de grises y obtenemos subimágenes con diferentes escalas. Luego, construimos una serie de matrices concurrentes basadas en la escala, cada matriz describiendo la variación del nivel de gris entre dos escalas adyacentes. Finalmente, usamos funciones seleccionadas (como el enfoque estadístico de Harris) para calcular mediciones con SCM y realizar la extracción y clasificación de características. Una base del método es el hecho de que la forma en que la información de textura cambia de una escala a otra puede representar esa textura en cierta medida, por lo que puede usarse como criterio para la extracción de características. La matriz captura la relación de características entre diferentes escalas en lugar de las características dentro de un único espacio de escala, lo que puede representar mejor la propiedad de escala de la textura. Además, existen varios experimentos que muestran que puede obtener resultados más precisos para la clasificación de texturas que la clasificación de texturas tradicional. [ 1 ]

Fondo

La textura puede considerarse como una agrupación de similitud en una imagen. El análisis de textura tradicional se puede dividir en cuatro aspectos principales: extracción de características, discriminación de textura, clasificación de textura y forma a partir de la textura (para reconstruir la geometría de la superficie 3D a partir de la información de la textura). Para la extracción de características tradicional, los enfoques se suelen categorizar en estructurales, estadísticos, basados ​​en modelos y de transformación. [ 2 ] La transformación wavelet es un método popular en el análisis numérico y el análisis funcional, que captura información tanto de frecuencia como de ubicación. La matriz de coocurrencia de niveles de gris proporciona una base importante para la construcción de SCM. El SCM basado en la transformación de marco wavelet discreto utiliza tanto correlaciones como información de características, de modo que combina beneficios estructurales y estadísticos.

Marco de ondículas discretas (DWF)

Para realizar SCM, primero debemos usar la transformación de marcos de ondículas discretos (DWF) para obtener una serie de subimágenes. Los marcos de ondículas discretos son casi idénticos a la transformada de ondículas estándar, [ 3 ] excepto que se sobremuestrean los filtros en lugar de submuestrear la imagen. Dada una imagen, la DWF descompone su canal usando el mismo método que la transformada de ondículas, pero sin el proceso de submuestreo. Esto da como resultado cuatro imágenes filtradas con el mismo tamaño que la imagen de entrada. La descomposición continúa luego solo en los canales LL como en la transformada de ondículas, pero como la imagen no se submuestrea, el filtro debe sobremuestrearse insertando ceros entre sus coeficientes. El número de canales, y por lo tanto el número de características para DWF, viene dado por 3  ×  l  −  1. [ 4 ] El marco de ondículas discreto unidimensional descompone la imagen de esta manera:

di(k)=[[gramoi]Tincógnita],(i=1,…,norte){\displaystyle d_{i}(k)=[[g_{i}]^{T}x],\quad (i=1,\ldots ,N)}

Ejemplo

Si hay dos subimágenes X 1 y X 0 de la imagen principal X (en la práctica X  = X 0 ), X 1 = [1 1;1 2], X 2 = [1 1;1 4], la escala de grises es 4, por lo que podemos obtener k = 1, G = 4. X 1 (1,1), (1,2) y (2,1) son 1, mientras que X 0 (1,1), (1,2) y (2,1) son 1, por lo tanto Φ 1 (1,1) = 3; De manera similar, Φ 1 (2,4) = 1. El SCM es el siguiente:             

  • Tao Chen; Kai-Kuang Ma; Li-Hui Chen (1998). "Representaciones discretas de marcos wavelet de características de textura de color para consulta de imágenes". 1998 IEEE Second Workshop on Multimedia Signal Processing (Cat. No.98EX175) . IEEE . pp. 45–50 . doi : 10.1109/MMSP.1998.738911 . ISBN  0-7803-4919-9. S2CID 1833240 . 
  • Tutorial de MATLAB sobre matrices de coocurrencia
  • Matriz de coocurrencia

Referencias

  1. ↑ Wu, Jun; Zhao, Zhongming (marzo de 2001). "Matriz de coocurrencia de escala para el análisis de textura mediante la transformada wavelet" . Journal of Remote Sensing . 5 (2): 100.
  2. ↑ Duda, RO (1973-02-09). Pattern Classification and Scene Analysis . Wiley. ISBN 978-0471223610.
  3. ↑ Kevin, Lund; Curt, Burgess (junio de 1996). "Producción de espacios semánticos de alta dimensión a partir de la coocurrencia léxica". Behavior Research Methods . 28 (2): 203–208 .
  4. ↑ Mallat, SG (1989). "Una teoría para la descomposición de señales multirresolución: la representación wavelet" . IEEE Transactions on Pattern Analysis and Machine Intelligence . 11 (7): 674– 693. Bibcode : 1989ITPAM..11..674M . doi : 10.1109/34.192463 .