Adaptación del operador LBP para clasificación invariante a la escala de texturas visuales

1. Adaptación del operador LBP para clasificación invariantea la escala de texturas visuales Rocío A. Lizárraga Morales Raúl E. Sánchez Yáñez Universidad de Guanajuato, FIMEE rocio_lizarraga@laviria.org

2. Contenido • Introducción • Presentación del problema y antecedentes • Metodología propuesta • Detección del tamaño del texel • Adaptación del operador LBP • Pruebas y Resultados • Conclusiones Rocio A. Lizárraga Morales

3. Análisis de Textura Análisis Estructural Análisis Estadístico Introducción El análisis de textura es una de las ramas de investigación más importantes del campo de la visión por computadora, esto es debido a que la textura es una de las propiedades visuales fundamentales en todos los objetos que nos rodean y es factor importante para su reconocimiento o clasificación. Es deseable para un sistema de análisis de textura que éste sea capaz de tratar con cualquier situación [13], dígase diferentes escalas espaciales, escala de grises, orientación y rotación. Rocio A. Lizárraga Morales

4. Presentación del problema:Escala Espacial ANTECEDENTES Como antecedentes de investigaciones que tratan el problema se encuentra el presentado por Mäempää[8] donde propone diversas extensiones al operador LBP para tratar con la invarianza a la escala y a la rotación, a su vez se encuentra el presentado por Kurmishev[7] donde trata el problema de la escala para la Representación por Cúmulos Coordinados. Rocio A. Lizárraga Morales

5. Metodología propuesta En el presente trabajo se propone hacer un pre-análisis de la textura para determinar el tamaño del texel (texture element), este dato nos puede proporcionar una referencia de la escala para así poder generar un operador que cambie de tamaño en función del texel, el objetivo es crear un sistema de clasificación de texturas invariante a la escala basado en el operador LBP. Extracción del tamaño del texel Adecuación del operador LBP Extracción del descriptor de textura Textura analizada Rocio A. Lizárraga Morales

6. Extracción del tamaño del texel La entropía es el grado de desorden y caos que existe en la naturaleza. es la medida de incertidumbre asociada con una variable aleatoria, también es considerada como la cantidad de ruido o desorden de los datos en un sistema. En general cuando la incertidumbre disminuye la entropía disminuye. En [3] se presenta un procedimiento para la detección del tamaño del texel utilizando las entropías generalizadas de Rényi. Texel=40 Texel=32 Texel=64 Rocio A. Lizárraga Morales

7. 5 4 3 1 1 1 1 2 4 1 2 4 4 3 1 1 0 128 8 128 0 * = 2 0 3 0 0 1 64 32 16 0 0 16 LBP= 1+2+4+16+128 =151 Adaptación del operador LBP El operador de análisis de textura LBP (Local Binary Pattern) está definido como una medida invariante a la escala de grises, derivado de una definición general de la textura en una vecindad local. La propuesta original [12] comienza umbralizando una vecindad de P(P>1) pixeles espaciados en un radio R(R>0) utilizando como umbral el valor del pixel del centro, esto genera una vecindad binarizada y por lo tanto, un patrón que es interpretado como un número binario B. Si las coordenadas del centro son (0,0), las coordenadas de los pixeles vecinos están dadas por: Rocio A. Lizárraga Morales

8. Obtención del descriptor de textura La presencia del patrón local B, se registra en un histograma de ocurrencias H. Al normalizarse este histograma se obtiene una distribución de probabilidad de los patrones binarios locales presentes en la imagen. Donde T es el número total de patrones. Al variar los valores de P y R es posible obtener operadores de diferentes tamaños. Rocio A. Lizárraga Morales

9. Texel=64 Rocio A. Lizárraga Morales

10. Pruebas y Resultados Texel=32 Texel=64 Rocio A. Lizárraga Morales

11. Etapa de Aprendizaje Texturas prototipo Extracción de descriptor de textura Base de conocimiento … … Texturas de prueba Etapa de Pruebas Resultado de clasificación Extracción de descriptor de textura Criterio de semejanza … Clasificación supervisada Criterio de semejanza Cosine-Amplitud test Rocio A. Lizárraga Morales

12. Imágenes de prueba para clasificación. En la fila superior: Mosaico1, Mosaico2, Mosaico3. En la fila inferior: Mosaico4, D20, D101. Rocio A. Lizárraga Morales

13. Pruebas y Resultados Matriz de confusión para pruebas de clasificación con el método propuesto. Rocio A. Lizárraga Morales

14. Conclusiones Se ha presentado un método para el análisis de textura basado en el operador LBP y en la extracción del tamaño del texel que es invariante a la escala. El método consiste en variar el tamaño del operador y adaptarlo a la textura que se está analizando con el fin de hacer el análisis automático y no perder información predominante de la imagen en caso de ser analizada con un operador no adecuado para esa escala. Se presentaron pruebas de clasificación supervisada para imágenes de textura a diferentes escalas, dando como resultado un desempeño del 100%. Para la validez científica es necesario extender las pruebas. Rocio A. Lizárraga Morales

15. Referencias [1] N. Ahuja and S. Todorovic. Extracting texels in 2.1D natural textures. 11th. IEEE ICCV, 2007. [2] P. Brodatz. Textures: A photographic album for artists and designers. Dover, New York. 1966. [3] S. Grigorescu and N. Petkov. Texture analysis using Rényi's generalized entropies. ICIP, 2003. [4] G. Gomez, J.L. Marroquín and L.E. Sucar. Probabilistic Estimation of local scale. ICPR, 2000. [5] R. Haralick. Statistical and structural approaches to texture. Proceedings on the IEEE, 1979. [6] B. Julesz. Textons, the elements of texture perception and their interactions. Nature. 290:91-97,1981. [7] E. V. Kurmishev, M. Poterasu and J. T. Guillen-Bonilla. Image scale determination for optimal texture classification using coordinated clusters representation. Applied Optics. 46(9):1467-1476, 2007. [8] T. Mäempää. The local binary pattern approach to texture analysis - extensions and applications. PhD thesis, 2003. Acta Univ Oulu C 187, Oulu, Finland. [9] T. Ojala, T. Mäenpää, M. Pietikäinen, J. Viertola, J. Kyllönen and S. Huovinen. Outex- new framework for empirical evaluation of texture analysis algorithms. ICPR'02. Volume 1, 2002 [10] T. Ojala, M. Pietikäinen and T. Mäenpää. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. PAMI. 24(7):971-987, 2002. [11] H.-Y. Shum. In search of textons. Proceedings of the Shape Modeling International '03. pp. 1, 2003. [12] M. P. T. Ojala and D. Harwood. A comparative study of texture measures with classification based on feature distributions. Pattern Recognition. 29(1):51-59, 1999. [13] F. Tomita and S. Tsuji. Computer Analysis of Visual Textures. Kluwer Academic Publishers, 1990. [14] M. Unser. Sum and difference histograms for texture classification. IEEE Trans. PAMI. 8(1):118-125, 1986. [15] S.C. Zhu, C.E. Guo, Y. Wang and Z. Xu. What are textons?. IJCV, 62(1-2):121-143, 2005. Rocio A. Lizárraga Morales