Billedtekstur - Image texture

Eksempel på kunstig tekstur.

Eksempel på naturlig tekstur.

En billedtekstur er et sæt metrics beregnet i billedbehandling designet til at kvantificere den opfattede tekstur af et billede. Billedtekstur giver os oplysninger om det rumlige arrangement af farve eller intensiteter i et billede eller valgt område af et billede.

Billedteksturer kan kunstigt skabes eller findes i naturlige scener fanget i et billede. Billedteksturer er en måde, der kan bruges til at hjælpe med segmentering eller klassificering af billeder . For mere præcis segmentering er de mest nyttige funktioner rumlig frekvens og et gennemsnitligt gråt niveau. For at analysere en billedtekstur i computergrafik er der to måder at gribe problemet an på: Structured Approach og Statistical Approach.

Struktureret tilgang

En struktureret tilgang ser en billedtekstur som et sæt primitive tekster i et regelmæssigt eller gentaget mønster. Dette fungerer godt, når man analyserer kunstige teksturer.

For at opnå en struktureret beskrivelse indsamles en karakterisering af texels rumlige forhold ved hjælp af Voronoi tessellation af texlerne.

Statistisk tilgang

En statistisk tilgang ser en billedtekstur som et kvantitativt mål for arrangementet af intensiteter i en region. Generelt er denne fremgangsmåde lettere at beregne og er mere udbredt, da naturlige teksturer er lavet af mønstre af uregelmæssige underelementer.

Kantregistrering

Anvendelsen af kantdetektering er at bestemme antallet af kantpixel i et bestemt område, hjælper med at bestemme en egenskab ved teksturkompleksitet. Efter kanter er fundet kanternes retning også påføres som karakteristik for tekstur og kan være nyttig til bestemmelse af mønstre i teksturen. Disse retninger kan repræsenteres som et gennemsnit eller i et histogram.

Overvej et område med N pixels. den gradientbaserede kantdetektor påføres dette område ved at producere to output for hver pixel p: gradientstørrelsen Mag (p) og gradientretningen Dir (p). Edgeness pr. Arealenhed kan defineres ved for nogle tærskel T. ${\ displaystyle F_ {edgeness} = {\ frac {| \ {p | Mag (p)> T \} |} {N}}}$

At inkludere orientering med edgeness histogrammer for både gradientstørrelse og gradientretning kan bruges. H _mag (R) betegner det normaliserede histogram for gradientstørrelser i område R, og H _dir (R) angiver det normaliserede histogram for gradientorienteringer af område R. Begge er normaliseret i henhold til størrelsen N _R Så er en kvantitativ teksturbeskrivelse af regionen R. ${\ displaystyle F_ {mag, dir} = (H_ {mag} (R), H_ {dir} (R))}$

Co-forekomst Matricer

Den co-forekomst matrix fanger numeriske funktioner i en tekstur ved hjælp rumlige relationer lignende grå toner. Numeriske funktioner beregnet ud fra co-forekomstmatrixen kan bruges til at repræsentere, sammenligne og klassificere teksturer. Følgende er en delmængde af standardfunktioner, der stammer fra en normaliseret co-forekomstmatrix:

${\ displaystyle {\ begin {align} Angular {\ text {}} 2. {\ text {}} Moment & = \ sum _ {i} \ sum _ {j} p [i, j]^{2} \\ Kontrast & = \ sum _ {i = 1}^{Ng} \ sum _ {j = 1}^{Ng} n^{2} p [i, j] {\ text {, hvor}} | ij | = n \ \ Korrelation & = {\ frac {\ sum _ {i = 1}^{Ng} \ sum _ {j = 1}^{Ng} (ij) p [i, j]-\ mu _ {x} \ mu _ {y}} {\ sigma _ {x} \ sigma _ {y}}} \\ Entropy & =-\ sum _ {i} \ sum _ {j} p [i, j] ln (p [i, j] ) \\\ end {align}}}$

hvor er th-posten i en gråtonet rumlig afhængighedsmatrix, og Ng er antallet af forskellige grå-niveauer i det kvantiserede billede. ${\ displaystyle p [i, j]}$${\ displaystyle [i, j]}$

Et negativt aspekt af co-forekomstmatrixen er, at de ekstraherede funktioner ikke nødvendigvis svarer til visuel opfattelse. Det bruges i tandlægen til objektiv evaluering af læsioner [DOI: 10.1155/2020/8831161], behandlingseffekt [DOI: 10.3390/ma13163614; DOI: 10.11607/jomi.5686; DOI: 10.3390/ma13173854; DOI: 10.3390/ma13132935] og knoglerekonstruktion under heling [DOI: 10.5114/aoms.2013.33557; DOI: 10.1259/dmfr/22185098; EID: 2-s2.0-81455161223; DOI: 10.3390/ma13163649].

Love Tekstur Energimål

En anden tilgang er at bruge lokale masker til at registrere forskellige typer teksturfunktioner. Lovene brugte oprindeligt fire vektorer, der repræsenterer teksturegenskaber, til at oprette seksten 2D -masker af de ydre produkter af vektorparrene. De fire vektorer og relevante funktioner var som følger:

 L5  =  [ +1  +4  6  +4  +1 ]  (Level)
 E5  =  [ -1  -2  0  +2  +1 ]  (Edge)
 S5  =  [ -1   0  2   0  -1 ]  (Spot)
 R5  =  [ +1  -4  6  -4  +1 ]  (Ripple)

Til disse 4 tilføjes undertiden en femtedel:

 W5  =  [ -1  +2  0  -2  +1 ]  (Wave)

Fra Laws '4 vektorer filtreres derefter 16 5x5 "energikort" ned til 9 for at fjerne visse symmetriske par. For eksempel måler L5E5 lodret kantindhold og E5L5 måler vandret kantindhold. Gennemsnittet af disse to mål er indholdets "kant". De resulterende 9 kort, der bruges af love, er som følger:

L5E5/E5L5
L5R5/R5L5
E5S5/S5E5
S5S5
R5R5
L5S5/S5L5
E5E5
E5R5/R5E5
S5R5/R5S5

Hvis du kører hvert af disse ni kort over et billede for at skabe et nyt billede af værdien af ​​oprindelsen ([2,2]), resulterer det i 9 "energikort" eller konceptuelt et billede med hver pixel, der er knyttet til en vektor med 9 teksturattributter .

Autokorrelation og Power Spectrum

Autokorrelationsfunktionen i et billede kan bruges til at detektere gentagne mønstre af teksturer.

Tekstur segmentering

Brugen af ​​billedtekstur kan bruges som en beskrivelse af regioner i segmenter. Der er to hovedtyper af segmentering baseret på billedtekstur, regionbaseret og grænsebaseret. Selvom billedtekstur ikke er et perfekt mål for segmentering, bruges det sammen med andre mål, såsom farve, der hjælper med at løse segmentering i billede.

Regionbaseret

Forsøg på at gruppere eller klynge pixels baseret på teksturegenskaber.

Grænsebaseret

Forsøg på at gruppere eller klynge pixels baseret på kanter mellem pixels, der kommer fra forskellige teksturegenskaber.

Se også

• Texel (grafik)
• Gabor filter

Yderligere læsning

Peter Howarth, Stefan Rüger, "Evaluering af teksturfunktioner til indholdsbaseret billedhentning", Proceedings of the International Conference on Image and Video Retrieval, Springer-Verlag, 2004

En detaljeret beskrivelse af teksturanalyse i biomedicinske billeder findes i Depeursinge et al. (2017). Teksturanalyse bruges til at undersøge radiologiske billeder ved oral kirurgi [DOI: 10.3390/ma13132935; DOI: 10.3390/ma13163649] og periodontologi [DOI: 10.3390/ma13163614; DOI: 10.17219/acem/104524].

Referencer