La estadística de escena es una disciplina dentro del campo de la percepción . Se ocupa de las regularidades estadísticas relacionadas con las escenas . Se basa en la premisa de que un sistema perceptivo está diseñado para interpretar escenas .
Los sistemas de percepción biológica han evolucionado en respuesta a las propiedades físicas de los entornos naturales. [1] Por lo tanto, las escenas naturales reciben mucha atención. [2]
Imagen [3] generada a partir de una base de datos de hojas segmentadas que registra simultáneamente imágenes naturales (información de la escena) con las ubicaciones exactas de los límites de las hojas (información sobre el entorno físico). Una base de datos de este tipo se puede utilizar para estudiar estadísticas entre dominios.
Geisler (2008) [4] distingue entre cuatro tipos de dominios: (1) entornos físicos, (2) imágenes/escenas, (3) respuestas neuronales y (4) comportamiento.
Dentro del dominio de imágenes/escenas, se pueden estudiar las características de la información relacionadas con la redundancia y la codificación eficiente.
Las estadísticas entre dominios determinan cómo un sistema autónomo debe hacer inferencias sobre su entorno, procesar información y controlar su comportamiento. Para estudiar estas estadísticas, es necesario muestrear o registrar información en múltiples dominios simultáneamente.
Aplicaciones
Predicción de la calidad de imagen y vídeo.
Una de las aplicaciones más exitosas de los modelos estadísticos de escenas naturales ha sido la predicción perceptiva de la calidad de imágenes y videos. Por ejemplo, el algoritmo Visual Information Fidelity (VIF), que se utiliza para medir el grado de distorsión de imágenes y vídeos, lo utilizan ampliamente las comunidades de procesamiento de imágenes y vídeos para evaluar la calidad de la percepción, a menudo después del procesamiento, como la compresión, que puede degradar la apariencia de una señal visual. La premisa es que las estadísticas de la escena cambian mediante distorsión y que el sistema visual es sensible a los cambios en las estadísticas de la escena. VIF se utiliza mucho en la industria de la televisión en streaming. Otros modelos populares de calidad de imagen que utilizan estadísticas de escenas naturales incluyen BRISQUE, [5] y NIQE [6], los cuales no tienen referencia, ya que no requieren ninguna imagen de referencia para medir la calidad.
Referencias
^ Geisler, WS y Diehl, RL (2003). Un enfoque bayesiano de la evolución de los sistemas cognitivos y perceptivos. Ciencia cognitiva, 27, 379-402.
^ Simoncelli, EP y BA Olshausen (2001). Estadísticas de imágenes naturales y representación neuronal. Revisión anual de neurociencia 24: 1193-1216.
^ Geisler, WS, Perry, JS e Ing, AD (2008) Análisis de sistemas naturales. En: B. Rogowitz y T. Pappas (Eds.), Visión humana e imágenes electrónicas. Actas SPIE, Vol 6806, 68060M
^ Geisler, WS (2008) Percepción visual y propiedades estadísticas de escenas naturales. Revista anual de psicología, 59, 167-192.
^ A Mittal, AK Moorthy y AC Bovik, “Evaluación de la calidad de la imagen sin referencia en el dominio espacial”, IEEE Transactions on Image Processing, 21 (12), 4695-4708, 2012
^ A Mittal, R Soundararajan y AC Bovik, “Un analizador de calidad de imagen 'completamente ciego'”, IEEE Signal Processing Letters 20 (3), 209-212, 2013.
Bibliografía
Campo, DJ (1987). Relaciones entre las estadísticas de imágenes naturales y las propiedades de respuesta de las células corticales. Revista de la Sociedad Óptica de América A 4, 2379–2394.
Ruderman, DL y Bialek, W. (1994). Estadísticas de Imágenes Naturales – Escalamiento en el Bosque. Cartas de revisión física, 73(6), 814–817.
Brady, N. y Field, DJ (2000). Contraste local en imágenes naturales: normalización y eficiencia de codificación. Percepción, 29, 1041-1055.
Frazor, RA, Geisler, WS (2006) Luminancia local y contraste en imágenes naturales. Investigación de la visión, 46, 1585–1598.
Mante et al. (2005) Independencia de luminancia y contraste en escenas naturales y en el sistema visual temprano. Neurociencia de la naturaleza, 8 (12) 1690–1697.
Bell, AJ y Sejnowski, TJ (1997). Los "componentes independientes" de las escenas naturales son los filtros de borde. Investigación de la visión, 37, 3327–3338.
Olshausen, BA y Field, DJ (1997). Codificación escasa con un conjunto de bases demasiado completo: ¿una estrategia de V1? Investigación de la visión, 37(23), 3311–3325.
Sigman, M., Cecchi, GA, Gilbert, CD y Magnasco, MO (2001). Sobre un círculo común: Escenarios naturales y reglas Gestalt. PNAS, 98(4), 1935-1940.
Hoyer, PO y Hyvärinen, A. Una red de codificación dispersa multicapa aprende la codificación de contornos a partir de imágenes naturales, Vis. Res., vol. 42, núm. 12, págs. 1593-1605, 2002.
Geisler, WS, Perry, JS, Super, BJ y Gallogly, DP (2001). La coocurrencia de bordes en imágenes naturales predice el rendimiento de la agrupación de contornos. Investigación de la visión, 41, 711–724.
Élder JH, Goldberg RM. (2002) Estadísticas ecológicas para las leyes Gestalt de organización perceptiva de contornos. J. Vis. 2:324–53.
Krinov, E. (1947). Propiedades de reflectancia espectral de formaciones naturales (Traducción técnica No. TT-439). Ottawa: Consejo Nacional de Investigación de Canadá.
Ruderman, DL, Cronin, TW y Chiao, C. (1998). Estadísticas de respuestas de los conos a imágenes naturales: implicaciones para la codificación visual. Revista de la Sociedad Óptica de América A, 15, 2036–2045.
Stockman, A., MacLeod, DIA y Johnson, NE (1993). Sensibilidades espectrales de los conos humanos. J Opt Soc Am A Opt Image Sci Vis, 10, 1396–1402.
Lee TW, Wachtler, T, Sejnowski, TJ. (2002) La oponencia del color es una representación eficiente de las propiedades espectrales en escenas naturales. Investigación de la visión 42:2095–2103.
Bien, I., MacLeod, DIA y Boynton, GM (2003). Segmentación de superficies basada en estadísticas de luminancia y color de escenas naturales. Revista de la Sociedad Óptica de América a-Optics Image Science and Vision, 20(7), 1283–1291.
Lewis A, Zhaoping L. (2006) ¿La sensibilidad de los conos está determinada por las estadísticas del color natural? Revista de visión. 6:285–302.
Lovell PG et al. (2005) Estabilidad de las señales de color opuesto bajo cambios de iluminante en escenas naturales. J. Optar. Soc. Soy. A las 22:10.
Endler, JA 1993. El color de la luz en los bosques y sus implicaciones. Monografías ecológicas 63:1–27.
Wachtler T, Lee TW, Sejnowski TJ (2001) Estructura cromática de escenas naturales. J. Optar. Soc. Soy. A 18(1):65–77.
Long F, Yang Z, Purves D. Las estadísticas espectrales en escenas naturales predicen el tono, la saturación y el brillo. PNAS 103(15):6013–6018.
Van Hateren, JH y Ruderman, DL (1998). El análisis de componentes independientes de secuencias de imágenes naturales produce filtros espacio-temporales similares a las células simples de la corteza visual primaria. Actas de la Royal Society of London B, 265, 2315–2320.
Potetz, B. y Lee, TS (2003). Correlaciones estadísticas entre imágenes bidimensionales y estructuras tridimensionales en escenas naturales. Revista de la Sociedad Óptica de América a-Optics Image Science and Vision, 20(7), 1292–1303.
Howe, CQ y Purves, D. (2002). Las estadísticas de las imágenes de rango pueden explicar la percepción anómala de la longitud. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 99(20), 13184–13188. Howe, CQ y Purves, D. (2005a). La geometría de la escena natural predice la percepción de ángulos y la orientación de las líneas. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 102(4), 1228–1233.
Howe, CQ y Purves, D. (2004). Contraste y asimilación de tamaños explicados por las estadísticas de la geometría de la escena natural. Revista de neurociencia cognitiva, 16 (1), 90-102.
Howe, CQ y Purves, D. (2005b). La ilusión de Muller-Lyer explicada por las estadísticas de las relaciones imagen-fuente. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 102(4), 1234–1239.
Howe, CQ, Yang, ZY y Purves, D. (2005). La ilusión de Poggendorff explicada por la geometría de la escena natural. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 102(21), 7707–7712.
Kalkan, S. Woergoetter, F. & Krueger, N., Análisis estadístico de la estructura 3D local en imágenes 2D, Conferencia IEEE sobre visión por computadora y reconocimiento de patrones (CVPR) 2006.
Kalkan, S. Woergoetter, F. & Krueger, N., Análisis estadístico de primer y segundo orden de estructuras 3D y 2D, Red: Computación en sistemas neuronales, 18 (2), págs. 129-160, 2007.
