Ir al contenido

Documat


Resumen de Segmentation, classification and modelization of textures by means of multiresolution decomposition techniques

Felipe Lumbreras Ruiz Árbol académico

  • español

    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.

  • English

    An interesting problem in computer vision is the analysis of texture images. In this work, we have developed specific methods to solve important aspects of this problem. The first approach involves segmentation of a specific type of textures, i.e. those of microscopy images of thin marble sections. These images comprise a pattern of grains whose sizes and shapes help specialists to identify the origin and quality of marble samples. To identify and analyze individual grains in these images represents a problem of image segmentation. In essence, this involves identifying boundary lines represented by valleys which separate flat areas corresponding to grains. Of several methods tested, we found those based on mathematical morphology particularly successful for segmentation of petrographical images. This involves a pre-filtering step for which again several approaches have been explored, including multiresolution algorithms based on wavelets.

    In the second approach we have also used multiresolution analyses to address the problem of classifying texture images. In contrast to more global approaches found in the literature, we have explored situations where visual differences between textures are rather subtle. Since we have tried to impose relatively few restrictions on these analyses, we have developed strategies that are applicable to a wide range of related texture images, such as images of ceramic tiles, microscopic images of effect pigments, etc.

    The approach we have used for the classification of texture images involves several technical steps. We have focused our attention in the initial low-level analyses required to identify the general features of the image, whereas the final classification of samples has been performed using generic classification methods. To address the early steps of image analysis, we have developed a strategy whereby the general features of the image fit one of several pre-defined models with increasing levels of complexity. These models are associated to specific algorithms, parameters and calculations for the analysis of the image, thus avoiding calculations that do not provide useful information.

    Finally, in a third approach we want to arrive to a description of textures in such a way that it should be able to classify and synthesize textures. To reach this goal we adopt a probabilistic model of the texture. This description of the texture allows us to compare textures through comparison of probabilistic models, and also use those probabilities to generate new similar images.

    In conclusion, we have developed strategies of segmentation and classification of textures that provide solutions to practical problems and are potentially applicable with minor modifications to a wide range of situations. Future research will explore (i) the possibility of adapting segmentation to the analysis of images that do not necessarily involve textures, e.g. localization of subjects in scenes, and (ii) classification of effect pigment images to help identify their components.


Fundación Dialnet

Mi Documat