La textura de una imagen es la estructura a pequeña escala que se percibe en una imagen, basada en la disposición espacial del color o las intensidades. [1] Se puede cuantificar mediante un conjunto de métricas calculadas en el procesamiento de imágenes . Las métricas de textura de imagen nos brindan información sobre toda la imagen o regiones seleccionadas. [1]
Las texturas de imágenes se pueden crear artificialmente o se pueden encontrar en escenas naturales capturadas en una imagen. Las texturas de imágenes son una forma de ayudar en la segmentación o clasificación de imágenes . Para una segmentación más precisa, las características más útiles son la frecuencia espacial y un nivel de gris promedio. [2] Para analizar una textura de imagen en gráficos de computadora, hay dos formas de abordar el problema: enfoque estructurado y enfoque estadístico.
Un enfoque estructurado considera la textura de una imagen como un conjunto de texeles primitivos en un patrón regular o repetido. Esto funciona bien cuando se analizan texturas artificiales.
Para obtener una descripción estructurada, se recopila una caracterización de la relación espacial de los texels utilizando la teselación de Voronoi de los texels.
Un enfoque estadístico considera la textura de una imagen como una medida cuantitativa de la disposición de las intensidades en una región. En general, este enfoque es más fácil de calcular y se utiliza más ampliamente, ya que las texturas naturales están formadas por patrones de subelementos irregulares.
El uso de la detección de bordes consiste en determinar la cantidad de píxeles de los bordes en una región específica, lo que ayuda a determinar una característica de la complejidad de la textura. Una vez que se han encontrado los bordes, la dirección de los mismos también se puede aplicar como una característica de la textura y puede ser útil para determinar patrones en la textura. Estas direcciones se pueden representar como un promedio o en un histograma.
Considere una región con N píxeles. El detector de bordes basado en gradientes se aplica a esta región produciendo dos salidas para cada píxel p: la magnitud del gradiente Mag(p) y la dirección del gradiente Dir(p). El borde por unidad de área se puede definir para un umbral T.
Para incluir la orientación con histogramas de aristas, se pueden utilizar tanto la magnitud del gradiente como la dirección del gradiente. H mag (R) denota el histograma normalizado de las magnitudes del gradiente de la región R, y H dir (R) denota el histograma normalizado de las orientaciones del gradiente de la región R. Ambos están normalizados de acuerdo con el tamaño N R. A continuación, se presenta una descripción cuantitativa de la textura de la región R.
La matriz de coocurrencia captura características numéricas de una textura utilizando relaciones espaciales de tonos de gris similares. [3] Las características numéricas calculadas a partir de la matriz de coocurrencia se pueden utilizar para representar, comparar y clasificar texturas. A continuación, se incluye un subconjunto de características estándar que se pueden derivar de una matriz de coocurrencia normalizada:
donde es la entrada th en una matriz de dependencia espacial de tonos de gris, y Ng es el número de niveles de gris distintos en la imagen cuantificada.
Un aspecto negativo de la matriz de coocurrencia es que las características extraídas no necesariamente corresponden a la percepción visual. Se utiliza en odontología para la evaluación objetiva de lesiones [DOI: 10.1155/2020/8831161], eficacia del tratamiento [DOI: 10.3390/ma13163614; DOI: 10.11607/jomi.5686; DOI: 10.3390/ma13173854; DOI: 10.3390/ma13132935] y reconstrucción ósea durante la cicatrización [DOI: 10.5114/aoms.2013.33557; DOI: 10.1259/dmfr/22185098; EID: 2-s2.0-81455161223; [Documento: 10.3390/ma13163649].
Otro enfoque consiste en utilizar máscaras locales para detectar distintos tipos de características de textura. Laws [4] utilizó originalmente cuatro vectores que representan características de textura para crear dieciséis máscaras 2D a partir de los productos externos de los pares de vectores. Los cuatro vectores y las características relevantes eran los siguientes:
L5 = [ +1 +4 6 +4 +1 ] (Nivel) E5 = [ -1 -2 0 +2 +1 ] (Borde) S5 = [ -1 0 2 0 -1 ] (Puntual) R5 = [ +1 -4 6 -4 +1 ] (Ondulación)
A estos cuatro se añade a veces un quinto: [5]
W5 = [ -1 +2 0 -2 +1 ] (Onda)
A partir de los 4 vectores de Laws, se filtran 16 "mapas de energía" de 5x5 hasta obtener 9 para eliminar ciertos pares simétricos. Por ejemplo, L5E5 mide el contenido de los bordes verticales y E5L5 mide el contenido de los bordes horizontales. El promedio de estas dos medidas es el "borde" del contenido. Los 9 mapas resultantes utilizados por Laws son los siguientes: [6]
L5E5/E5L5L5R5/R5L5E5S5/S5E5S5S5R5R5L5S5/S5L5E5E5E5R5/R5E5S5R5/R5S5
Al ejecutar cada uno de estos nueve mapas sobre una imagen para crear una nueva imagen del valor del origen ([2,2]), se obtienen 9 "mapas de energía" o, conceptualmente, una imagen con cada píxel asociado a un vector de 9 atributos de textura.
La función de autocorrelación de una imagen se puede utilizar para detectar patrones repetitivos de texturas.
El uso de la textura de la imagen se puede utilizar como descripción de regiones en segmentos. Existen dos tipos principales de segmentación según la textura de la imagen: la basada en regiones y la basada en límites. Aunque la textura de la imagen no es una medida perfecta para la segmentación, se utiliza junto con otras medidas, como el color, que ayudan a resolver la segmentación en imágenes.
Intenta agrupar o agrupar píxeles según las propiedades de textura.
Intenta agrupar o agrupar píxeles en función de los bordes entre píxeles que provienen de diferentes propiedades de textura.
Peter Howarth, Stefan Rüger, "Evaluación de las características de textura para la recuperación de imágenes basada en contenido", Actas de la Conferencia internacional sobre recuperación de imágenes y vídeos, Springer-Verlag, 2004
Se puede encontrar una descripción detallada del análisis de textura en imágenes biomédicas en Depeursinge et al. (2017). [7] El análisis de textura se utiliza para examinar imágenes radiológicas en cirugía oral [DOI: 10.3390/ma13132935; DOI: 10.3390/ma13163649] y periodontología [DOI: 10.3390/ma13163614; DOI: 10.17219/acem/104524].
![{\displaystyle {\begin{aligned}Angular{\text{ }}2do{\text{ }}Momento&=\sum _{i}\sum _{j}p[i,j]^{2}\\Contraste&=\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}n^{2}p[i,j]{\text{, donde }}|ij|=n\\Correlación&={\frac {\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}(ij)p[i,j]-\mu _{x}\mu _{y}}{\sigma _{x}\sigma _{y}}}\\Entropía&=-\sum _{i}\sum _{j}p[i,j]ln(p[i,j])\\\end{aligned}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/487c3d101782cd9665b46e1580f34f93bb337584)
![{\displaystyle p[i,j]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/c90907be4c00e74d0c9d55a7f391d61aeb443655)
![{\estilo de visualización [i,j]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/fff46b0cabba9dd4a48696b0d6f85eb38192a021)