En el procesamiento de imágenes , la visión por computadora y campos relacionados, un momento de imagen es un promedio ponderado particular ( momento ) de las intensidades de los píxeles de la imagen, o una función de dichos momentos, generalmente elegido para tener alguna propiedad o interpretación atractiva.
Los momentos de imagen son útiles para describir objetos después de la segmentación . Las propiedades simples de la imagen que se encuentran a través de los momentos de imagen incluyen el área (o intensidad total), su centroide e información sobre su orientación .
Momentos crudos
Para una función continua bidimensional f ( x , y ), el momento (a veces llamado "momento bruto") de orden ( p + q ) se define como
para p , q = 0,1,2,... Adaptando esto a una imagen escalar ( escala de grises ) con intensidades de píxeles I ( x , y ), los momentos de imagen sin procesar M ij se calculan mediante
En algunos casos, esto se puede calcular considerando la imagen como una función de densidad de probabilidad , es decir , dividiendo lo anterior por
Un teorema de unicidad [ 1 ] establece que si f ( x , y ) es continua a trozos y tiene valores distintos de cero solo en una parte finita del plano xy , existen momentos de todos los órdenes, y la secuencia de momentos ( M pq ) está determinada unívocamente por f ( x , y ). [ 2 ] Recíprocamente, ( M pq ) determina unívocamente f ( x , y ). En la práctica, la imagen se resume con funciones de algunos momentos de orden inferior.
Ejemplos
Las propiedades simples de la imagen derivadas a través de momentos brutos incluyen:
- Área (para imágenes binarias) o suma de niveles de gris (para imágenes en escala de grises):
- Centroide:
Momentos centrales
Los momentos centrales se definen como
dóndeyson los componentes del centroide .
Si ƒ ( x , y ) es una imagen digital, entonces la ecuación anterior se convierte en:
Los momentos centrales de orden hasta 3 son:
Se puede demostrar que:
Los momentos centrales son invariantes traslacionales .
Ejemplos
La información sobre la orientación de la imagen se puede obtener utilizando primero los momentos centrales de segundo orden para construir una matriz de covarianza .
La matriz de covarianza de la imagenahora es
Los autovectores de esta matriz corresponden a los ejes mayor y menor de la intensidad de la imagen, por lo que la orientación se puede extraer del ángulo del autovector asociado al autovalor más grande hacia el eje más cercano a dicho autovector. Se puede demostrar que este ángulo Θ viene dado por la siguiente fórmula:
La fórmula anterior es válida siempre que:
Se puede demostrar fácilmente que los valores propios de la matriz de covarianza son:
y son proporcionales al cuadrado de la longitud de los ejes del vector propio. La diferencia relativa en magnitud de los valores propios es, por lo tanto, una indicación de la excentricidad de la imagen, o cuán alargada está. La excentricidad es
invariantes de momento
Los momentos son bien conocidos por su aplicación en el análisis de imágenes, ya que pueden utilizarse para derivar invariantes con respecto a clases de transformación específicas.
El término momentos invariantes se usa con frecuencia de forma incorrecta en este contexto. Sin embargo, si bien los invariantes de momento son invariantes que se forman a partir de momentos, los únicos momentos que son invariantes en sí mismos son los momentos centrales.
Cabe destacar que los invariantes que se detallan a continuación son exactamente invariantes solo en el dominio continuo. En un dominio discreto, ni el escalado ni la rotación están bien definidos: una imagen discreta transformada de esta manera suele ser una aproximación, y la transformación no es reversible. Por lo tanto, estos invariantes son solo aproximadamente invariantes al describir una forma en una imagen discreta.
invariantes de traslación
Los momentos centrales μ i j de cualquier orden son, por construcción, invariantes con respecto a las traslaciones .
invariantes de escala
Los invariantes η i j con respecto a la traslación y la escala se pueden construir a partir de los momentos centrales dividiendo por un momento central de orden cero debidamente escalado:
donde i + j ≥ 2. Nótese que la invariancia traslacional se deduce directamente utilizando únicamente momentos centrales.
Invariantes de rotación
Como se muestra en el trabajo de Hu, [ 3 ] [ 4 ] se pueden construir invariantes con respecto a la traslación , la escala y la rotación :
Estos son bien conocidos como invariantes de momento de Hu .
La primera, I 1 , es análoga al momento de inercia alrededor del centroide de la imagen, donde las intensidades de los píxeles son análogas a la densidad física. Las seis primeras, I 1 ... I 6 , son simétricas respecto a la reflexión, es decir, no cambian si la imagen se convierte en una imagen especular. La última, I 7 , es antisimétrica respecto a la reflexión (cambia de signo al reflejarse), lo que le permite distinguir imágenes especulares de imágenes que, de otro modo, serían idénticas.
J. Flusser propuso una teoría general sobre la derivación de conjuntos completos e independientes de invariantes de momento de rotación. [ 5 ] Demostró que el conjunto tradicional de invariantes de momento de Hu no es ni independiente ni completo. I 3 no es muy útil ya que depende de los demás (). En el conjunto original de Hu falta un invariante de momento independiente de tercer orden:
Al igual que I 7 , I 8 también es antisimétrico de reflexión.
Más tarde, J. Flusser y T. Suk [ 6 ] especializaron la teoría para el caso de formas N-rotacionalmente simétricas.
Aplicaciones
Zhang et al. aplicaron invariantes de momento de Hu para resolver el problema de detección patológica del cerebro (PBD). [ 7 ] Doerr y Florence utilizaron información de la orientación del objeto relacionada con los momentos centrales de segundo orden para extraer eficazmente secciones transversales de objetos invariantes a la traslación y la rotación a partir de datos de imágenes de tomografía de micro-rayos X. [ 8 ]
DA Hoeltzel y Wei-Hua Chieng utilizaron el invariante de momento de Hu para realizar un análisis en un mecanismo de cuatro barras parametrizado dimensionalmente, lo que produjo 15 grupos distintos de curvas de acoplamiento (patrones) de un total de 356 curvas de acoplamiento generadas. [ 9 ]
Enlaces externos
- Análisis de imágenes binarias , Universidad de Edimburgo
- Momentos estadísticos , Universidad de Edimburgo
- Momentos variantes , página de Percepción Artificial y Visión por Computadora (código fuente en Matlab y Python)
- Vídeo de presentación de Hu Moments en YouTube
- Implementación básica de esta página, Jupyter y Python.
Referencias
- ↑ Hu, Ming-Kuei (1962). "Reconocimiento de patrones visuales mediante invariantes de momento". IRE Transactions on Information Theory . 8 (2): 179– 187. doi : 10.1109/TIT.1962.1057692 . ISSN 2168-2712 .
- ↑ González, Rafael C.; Woods, Richard E. (2001). Procesamiento de imágenes digitales . Prentice Hall. pág. 672. ISBN 0-201-18075-8.
- ↑ MK Hu, "Reconocimiento de patrones visuales mediante invariantes de momento", IRE Trans. Info. Theory, vol. IT-8, pp.179 – 187, 1962
- ↑ http://docs.opencv.org/modules/imgproc/doc/structural_analysis_and_shape_descriptors.html?highlight=cvmatchshapes#humoments Método OpenCV de Hu Moments
- ↑ J. Flusser: " Sobre la independencia de los invariantes del momento de rotación ", Pattern Recognition, vol. 33, pp. 1405 – 1410, 2000.
- ↑ J. Flusser y T. Suk, " Invariantes del momento de rotación para el reconocimiento de objetos simétricos ", IEEE Trans. Image Proc., vol. 15, pp. 3784 – 3790, 2006.
- ↑ Zhang, Y. (2015). "Detección patológica del cerebro basada en la entropía wavelet y los invariantes del momento de Hu" . Bio-Medical Materials and Engineering . 26 : 1283–1290 . doi : 10.3233/BME-151426 . PMID 26405888 .
- ↑ Doerr, Frederik; Florence, Alastair (2020). "Una metodología de análisis de imágenes micro-XRT y aprendizaje automático para la caracterización de formulaciones de cápsulas multiparticuladas" . International Journal of Pharmaceutics: X. 2 100041. doi : 10.1016 /j.ijpx.2020.100041 . PMC 6997304. PMID 32025658 .
- ↑ Hoeltzel, DA; Chieng, Wei-Hua (1990). "Síntesis de coincidencia de patrones como un enfoque automatizado para el diseño de mecanismos" . Journal of Mechanical Design . 112 (2): 190-199. doi : 10.1115/1.2912592 .
- visión por computadora
- Imágenes digitales
- Procesamiento de imágenes
- Momento (física)