Texturas

Descripción y aplicaciones
Motivación

●
Segmentación de texturas.
●
Clasificación de texturas.
●
Síntesis de texturas.
●
Extracción de características.
●
Reconocimiento de patrones.
●
Reconocimiento de objetos.
●
…

Texturas: descripción y aplicaciones

¿Qué es una textura?

●
Uniformidad de intensidades en regiones
locales de una imagen.

Texturas: descripción y aplicaciones

¿Qué es una textura?

●
Sin embargo, a menudo los objetos no exhiben
regiones de intensidad uniforme.

Texturas: descripción y aplicaciones

¿Qué es una textura?

●
Contienen variaciones de las intensidades que
forman patrones repetidos.
●
Los patrones dependen de las superficie física:
– Aspereza.
– Filamentos orientados que tienen a menudo una
calidad táctil.
– Reflexión de la luz sobre el material.
– ...

Texturas: descripción y aplicaciones

¿Qué es una textura?

1. Es una región macroscópica estructurada de la imagen que presenta

propiedades locales constantes, lentamente variables o aproximadamente
periódicas.
2. Este orden local radica en la presencia repetida y no casual de partes
elementales que tienen dimensión similar.
3. Depende de la escala a la que se observa la imagen: la textura de un píxel
no está definida, hay que estudiar la vecindad de un grupo de píxeles.
Dependiendo del tamaño de vecindad elegido la textura puede ser
diferente.
4. Características: uniformidad, densidad, tosquedad, aspereza, regularidad,
linealidad, dirección, frecuencia, fase.

Texturas: descripción y aplicaciones

Análisis de texturas

●
Métodos Estadísticos:
– La distribución espacial de valores de gris es una
calidad que define la textura.
– Analizando la distribución espacial de los valores de
gris, se computan características locales de la
textura.
– Ejemplos:
➔
Media y varianza.
➔
Co-ocurrencia y diferencias de niveles de gris.

Texturas: descripción y aplicaciones

Análisis de texturas

●
Métodos Geométricos:
– Consideran la textura compuesta
por primitivas.
– Intentan describir las primitivas y
las reglas que gobiernan la
organización espacial.
– Pseudo código:
[Link] los bordes de las
primitivas.
[Link] estadísticas de las
primitivas.
[Link] primitivas distintas. Voronoi Tessellation

Texturas: descripción y aplicaciones

Análisis de texturas

●
Métodos basados en modelos:
– Se basan en la construcción de un modelo que
describe la textura.
– Se pueden utilizar para reconocer texturas o para
sintetizarlas.
– Markov.

Texturas: descripción y aplicaciones

Análisis de texturas

●
Métodos basados en tratamiento de señal:
– La imagen se trata como si fuera una señal.
– Se aplican filtros a la imagen extrayendo
características.
– Se suele trabajar en el dominio de la frecuencia
mediante la transformada de Fourier.

Texturas: descripción y aplicaciones

Aplicaciones

●
Generación de texturas para aplicaciones
gráficas en tiempo real:
– Texturas procedurales.
– Análisis de trayectorias.
– Análisis de resonancias magnéticas.
– Segmentación.
– Clasificación.

Texturas: descripción y aplicaciones

Texturas

Texturas procedurales
Texturas procedurales

●
Se generan a partir de algoritmos matemáticos.
●
No se almacena el mapa de bits sino el propio
algoritmo generador.
●
Ventajas:
– Son densas e infinitas.
– Ocupan muy poco espacio.
– Se pueden definir texturas en 3 dimensiones.
●
Desventajas:
– No se pueden dibujar, hay que inventar el algoritmo.
– Gastan recursos de cálculo.
Texturas procedurales
Texturas procedurales

●
Están compuestas por mapas.
●
Los mapas son texturas sencillas en blanco y
negro.
●
Cuando se fusionan distintos mapas se
producen texturas complejas (canal de brillo,
color, bump, reflexión...).

Texturas procedurales
Texturas procedurales

●
Mapas aleatorios:
– Utilizan funciones aleatorias.
– Son impredecibles a baja escala.
– Sin embargo siguen patrones regulares.

Texturas procedurales
Texturas procedurales

●
Mapas geométricos:
– Se repiten, no tienen componentes aleatorias.

Texturas procedurales
Genética ([Link])

Texturas procedurales
Texturas

Análisis de trayectorias
Análisis de trayectorias

●
Utilizar trayectorias como si fueran texturas:
– Extraer datos de interés.
– Caracterizar “comportamientos”.
– Clustering de trayectorias para obtener clases de comportamientos.

Análisis de trayectorias
Análisis de trayectorias

●
Calcular las componentes en X y en Y del
gradiente.
●
Se hallan los contornos horizontales y los
verticales (ejemplo de la cebra).

Análisis de trayectorias
Análisis de trayectorias
●
Haciendo un análisis estadístico de las direcciones tomadas por el sujeto
(calculando el ángulo del gradiente).
●
Calculando el histograma de los ángulos del gradiente se obtiene una forma
cuantitativa de comparación de trayectorias.

Análisis de trayectorias
Texturas

Aplicaciones del análisis de texturas en MRI

(Imágenes de Resonancia Magnética)
Texturas

●
Relación espacial de los niveles de gris en la
imagen:
– Regular: patrón definido.
– Aleatoria: estructuras visuales no organizadas.

Texturas para imagen de MRI

Métodos de análisis de texturas

●
Estadísticos de primer orden:
– Basados en el histograma de los niveles de gris:
media, desviación típica, varianza,...
– Por definición no sirven.
●
Estadísticos de segundo orden:
– Matriz de co-ocurrencia: estima la probabilidad de
que dos píxeles a una distancia d tengan el mismo
valor. A partir de ella se calculan ciertos estadísticos
como la entropía.

Texturas para imagen de MRI

Métodos de análisis de texturas

●
Bancos de Filtros de Gabor:
– Cada filtro de Gabor es un filtro pasabanda elíptico y
orientado.
– Definen un muestreo del espacio frecuencial.
– Generan un vector de características de textura para
cada píxel.
– Se pueden definir métodos de reconocimiento
estadístico de patrones sobre estas características.

Texturas para imagen de MRI

Métodos de análisis de texturas

●
Métodos basados en correlación:
– Dado un patrón definido estudiar los picos de la
correlación entre la imagen y el patrón.
– Sensible a la escala, rotación, ocultaciones parciales.

Texturas para imagen de MRI

Características de las imágenes RM

●
Constante a trozos, facilita la
segmentación.
●
Problema artefactos:
– Iluminación.
– Volumen parcial.
– Movimiento.
– ...

Texturas para imagen de MRI

Características de las imágenes RM

●
La resolución espacial (volumen) depende del
resonador:
– Bajas resoluciones (1 tesla) --> la texturas no son
distinguibles.
– Altas resoluciones (3 teslas) --> se pueden observar
texturas.

Texturas para imagen de MRI

Texturas y MRI

●
Descriptores encontrados en la literatura:
– Matrices de co-ocurrencia.
– Transformada discreta del coseno.
– Filtros de Gabor.
– Local Hölder exponent.

Texturas para imagen de MRI

Aplicaciones en MRI

●
En RM cerebral:
– Extracción de estructuras anatómicas.
– Cuantificación de los cambios macroscópicos a
causa del envejecimiento.
– Visualización.
– Caracterización para la discriminación de tejidos.
●
En otros:
– Deformación de tejidos blandos.

Texturas para imagen de MRI

Caso de estudio

• Volumetric Texture Description and

Discriminant Feature Selection for MRI, C-C.
Reyes-Aldasoro and A. Bhalerao. In Proc.
Information Processing In Medical Imaging
(IPMI), LNCS, 2003, July, 2003. Springer.
• Wilson-Spann sub-band filtering approach.

Texturas para imagen de MRI

Caso de estudio

●
Filtro gaussiano limitado a banda: F i=N i ,  i 
(a) Dominio frecuencial.
(b) Dominio espacial.

Texturas para imagen de MRI

Caso de estudio

●
Teselación 2D y 3D SOP (Second Orientation
Pyramid):
(a) 2D orden 1.
(b) 2D orden 2.
(c) 2D orden 3.
(d) 3D orden 1.
Texturas para imagen de MRI
Caso de estudio

●
Ejemplo de imágenes usadas en los experimentos:
(a) Imagen 2D sintética.
(b) Imagen Brodatz con 16 texturas.
(c) MRI 3D de una rodilla humana formada por 512x512x87
voxels con dimensiones 0.25x0.25x1.4mm.
Texturas para imagen de MRI
Caso de estudio

●
Características para una lámina de la imagen RM de la rodilla
humana.
●
El fondo aparece bien representado en las imágenes 2 y 3, el
hueso en las 4,5,11 y 12; y el tejido en las 9, 13 y 14.
Texturas para imagen de MRI
Caso de estudio

Texturas para imagen de MRI

Caso de estudio

●
Clasificación supervisada de una RMI de una rodilla humana
en tejido, hueso, fondo y regiones musculares usando un
filtro de multiresolución sub-banda con una teselación SOP,
tomando las 9 características de textura más discriminantes.
Texturas para imagen de MRI
Conclusiones

●
Problema de artefactos en MRI-> solapamiento
de las intensidades de las clases de tejido.
●
La segmentación no es trivial.
●
Búsqueda de alternativas o utilización de más
métodos que la mejoren.
●
Segmentación de texturas en MRI
relativamente nueva, aunque los resultados en
cartílagos, músculos, etc... son prometedores.

Texturas para imagen de MRI

Texturas

Filtros de Gabor
Objetivos

●
Obtener información relevante (y
discriminante) de la imagen.
●
Segmentar la imagen en regiones relevantes.
●
Algoritmos basados en regiones con
características homogéneas (color, textura, ...).

Filtros de Gabor
Características y alternativas

●
Pros:
– Buena respuesta -> buena segmentación.
– Inspiración biológica.
●
Contras:
– Alto coste computacional.
– Complejo matemáticamente.
●
Alternativas:
– Wavelets.
– Momentos de Fourier.

Filtros de Gabor
Decsripción

●
Sinusoidal compleja envuelta en una función
gaussiana.

Filtros de Gabor
Descripción

●
Fórmula (orientación, longitud de onda, fase):

2 2 2
− x' g y ' 
2s 2 x'
g x , y=e cos 2p  


x '=xcosysen  s =0.56 
y'=−senycos g=0.5

Filtros de Gabor
Uso

●
Convolución (espacial) o producto (frecuencial):

X =

X =

Filtros de Gabor
Simple cells

●
Respuesta normalizada resultante de aplicar un
filtro Gabor a una imagen.
●
Dominio frecuencial (pasa banda).
●
Dominio espacial (localización).
●
Similitudes biológicas con los campos
receptivos de las neuronas corticales.

Filtros de Gabor
Sistema

Imagen
segmentada

Clasificador
+ = (K­Means)

Simple cell
Post­procesamiento

Filtros de Gabor
Post­procesamientos

●
Simple cell: respuesta en bruto.
●
Post-procesamiento: refinar la respuesta.
●
Más utilizados:
– Energía de Gabor (Gabor Energy).
– Momentos Complejos (Complex Moments).
– Células ¿de rejilla? (Grating cells).

Filtros de Gabor
Gabor energy

●
Combina las respuestas de los filtros Gabor
simétricos (Fase = -PI/2) y antisimétricos (Fase
= 0).

2 2
e  x , y = r =0  x , yr =− / 2  x , y

Filtros de Gabor
Complex moments

●
Los momentos complejos del espectro de poder
local indican la presencia o ausencia de
orientaciones de textura dominantes.
●
m+n indica el orden:
– Orden par: respuesta máxima.
– Orden impar: respuesta nula.
m n
C m , n  x , y =∬ uiv u−iv p u , v  x , y dudv
1 1 p
 u , v  x , y = p ,   x , y
u=  cos  v=  sin 
Filtros de Gabor
Grating cells

●
Modelo computacional de los tipos de neuronas
V1 y V2 encontradas en el cortex cerebral de
los simios.
●
Responden cuando en el campo visual hay al
menos tres barras con la longitud de onda y
orientación adecuadas.
●
La respuesta aumenta con el número de barras
y se satura sobre 10 barras.

Filtros de Gabor
Grating cells

●
Fase 1: calcular las respuestas a un patrón de
tres barras en una orientación y longitud de
onda concretas (subunidades).
●
Fase 2: aumentar la respuesta acorde con el
número de barras.

Filtros de Gabor
Comparativa

Filtros de Gabor
Comparativa

Filtros de Gabor
Comparativa

Filtros de Gabor
Recursos

●
“Comparison of texture features based
on Gabor Filters” Simona Grigorescu,
Nicolai Petkov and Peter Kruizinga.
●
[Link]

Filtros de Gabor
Texturas

Flavio Banterla
Maite García
Miguel A. Veganzones

Grupo Inteligencia Computacional

Fac. Informática San Sebastián

Preguntas