Segmentation, classification and modelization of textures by means of multiresolution decomposition techniques
El análisis de texturas es un área de estudio interesante con suficiente peso específico dentro de los diferentes campos que componen la visión por ordenador. En este trabajo hemos desarrollado métodos específicos para resolver aspectos importantes de dicha área. El primer acercamiento al tema viene...
| Author: | |
|---|---|
| Format: | doctoral thesis |
| Publication Date: | 2002 |
| Country: | España |
| Institution: | Universitat Autònoma de Barcelona |
| Repository: | Dipòsit Digital de Documents de la UAB |
| Language: | English |
| OAI Identifier: | oai:ddd.uab.cat:36777 |
| Online Access: | https://ddd.uab.cat/record/36777 |
| Access Level: | Open access |
| Keyword: | Materials Tren d'ones (matemàtica) Representació visual en tres dimensions, Sistemes de |
| Summary: | El análisis de texturas es un área de estudio interesante con suficiente peso específico dentro de los diferentes campos que componen la visión por ordenador. En este trabajo hemos desarrollado métodos específicos para resolver aspectos importantes de dicha área. El primer acercamiento al tema viene de la mano de un problema de segmentación de un tipo de texturas muy concreto como son las imágenes microscópicas de láminas de mármol. Este primer tipo de imágenes se componen de un conjunto de granos cuyas formas y tamaños sirven a los especialistas para identificar, catalogar y determinar el origen de dichas muestras. Identificar y analizar los granos que componen tales imágenes de manera individual necesita de una etapa de segmentación. En esencia, esto implica la localización de las fronteras representadas en este caso por valles que separan zonas planas asociadas a los granos. De los diferentes métodos estudiados para la detección de dichos valles y para el caso concreto de imágenes petrográficas son los basados en técnicas de morfología matemática los que han dado mejores resultados. Además, la segmentación requiere un filtrado previo para el que se han estudiado nuevamente un conjunto de posibilidades entre las que cabe destacar los algoritmos multirresolución basados en wavelets. El segundo problema que hemos atacado en este trabajo es la clasificación de imágenes de textura. En él también hemos utilizado técnicas multirresolución como base para su resolución. A diferencia de otros enfoques de carácter global que encontramos extensamente en la literatura sobre texturas, nos hemos centrado en problemas donde las diferencias visuales entre las clases de dichas texturas son muy pequeñas. Y puesto que no hemos establecido restricciones fuertes en este análisis, las estrategias desarrolladas son aplicables a un extenso espectro de texturas, como pueden ser las baldosas cerámicas, las imágenes microscópicas de pigmentos de efecto, etc. El enfoque que hemos seguido para la clasificación de texturas implica la consecución de una serie de pasos. Hemos centrado nuestra atención en aquellos pasos asociados con las primeras etapas del proceso requeridas para identificar las características importantes que definen la textura, mientras que la clasificación final de las muestras ha sido realizada mediante métodos de clasificación generales. Para abordar estos primeros pasos dentro del análisis hemos desarrollado una estrategia mediante la cual las características de una imagen se ajustan a un modelo que previamente hemos definido, uno de entre varios modelos que están ordenados por complejidad. Estos modelos están asociados a algoritmos específicos y sus parámetros así como a los cálculos que de ellos se derivan. Eligiendo el modelo adecuado, por tanto, evitamos realizar cálculos que no nos aportan información útil para la clasificación. En un tercer enfoque hemos querido llegar a una descripción de textura que nos permita de forma sencilla su clasificación y su síntesis. Para conseguir este objetivo hemos adoptado por un modelo probabilístico. Dicha descripción de la textura nos permitirá la clasificación a través de la comparación directa de modelos, y también podremos, a partir del modelo probabilístico, sintetizar nuevas imágenes. Para finalizar, comentar que en las dos líneas de trabajo que hemos expuesto, la segmentación y la clasificación de texturas, hemos llegado a soluciones prácticas que han sido evaluadas sobre problemas reales con éxito y además las metodologías propuestas permiten una fácil extensión o adaptación a nuevos casos. Como líneas futuras asociadas a estos temas trataremos por un lado de adaptar la segmentación a imágenes que poco o nada tienen que ver con las texturas, en las que se perseguirá la detección de sujetos y objetos dentro de escenas, como apuntamos más adelante en esta misma memoria. Por otro lado, y relacionado con la clasificación, abordaremos un problema todavía sin solución como es el de la ingeniería inversa en pigmentos de efecto, en otras palabras la determinación de los constituyentes en pinturas metalizadas, y en el que utilizaremos los estudios aquí presentados como base para llegar a una posible solución. |
|---|