Una textura de imagen es la estructura a pequeña escala percibida en una imagen, basada en la disposición espacial de colores o intensidades. [1] Puede cuantificarse mediante un conjunto de métricas calculadas en el procesamiento de imágenes . Las métricas de textura de la imagen nos brindan información sobre toda la imagen o regiones seleccionadas. [1]
Las texturas de las imágenes pueden crearse artificialmente o encontrarse en escenas naturales capturadas en una imagen. Las texturas de imágenes son una forma que se puede utilizar para 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 la textura de una imagen en gráficos por computadora, hay dos formas de abordar el tema: enfoque estructurado y enfoque estadístico.
Un enfoque estructurado ve la textura de una imagen como un conjunto de texturas primitivas en algún patrón regular o repetido. Esto funciona bien al analizar 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 ve 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 es para determinar la cantidad de píxeles de borde en una región específica, lo que ayuda a determinar una característica de complejidad de la textura. Una vez que se han encontrado los bordes, la dirección de los bordes 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 gradiente 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 mediante algún umbral T.
Para incluir orientación con histogramas de aristas, se pueden utilizar tanto la magnitud como la dirección del gradiente. H mag (R) denota el histograma normalizado de las magnitudes de gradiente de la región R, y H dir (R) denota el histograma normalizado de las orientaciones de gradiente de la región R. Ambos están normalizados según el tamaño N R Entonces es 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. Los siguientes son un subconjunto de características estándar derivables de una matriz de coocurrencia normalizada:
donde es la enésima entrada en una matriz de dependencia espacial de tonos de grises y Ng es el número de niveles de grises 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 curación [DOI: 10.5114/aoms.2013.33557; DOI: 10.1259/dmfr/22185098; IDE: 2-s2.0-81455161223; DOI: 10.3390/ma13163649].
Otro enfoque consiste en utilizar máscaras locales para detectar varios tipos de características de textura. Laws [4] utilizó originalmente cuatro vectores que representaban características de textura para crear dieciséis máscaras 2D a partir de los productos externos de los pares de vectores. Los cuatro vectores y características relevantes fueron 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 4, a veces se les añade 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 9 para eliminar ciertos pares simétricos. Por ejemplo, L5E5 mide el contenido del borde vertical y E5L5 mide el contenido del borde horizontal. El promedio de estas dos medidas es el "nerviosismo" del contenido. Los 9 mapas resultantes utilizados por Laws son los siguientes: [6]
L5E5/E5L5L5R5/R5L5E5S5/T5E5T5S5R5R5L5S5/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 con 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. Hay dos tipos principales de segmentación basados en la textura de la imagen, basada en regiones y 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 de la imagen.
Intenta agrupar o agrupar píxeles según las propiedades de la textura.
Intenta agrupar o agrupar píxeles basándose en bordes entre píxeles que provienen de diferentes propiedades de textura.
Peter Howarth, Stefan Rüger, "Evaluación de 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 periodoncia [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}\\Contrast& =\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{alineado}}}](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)
![{\displaystyle [i,j]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/fff46b0cabba9dd4a48696b0d6f85eb38192a021)