Textura de la imagen

La detección de bordes permite determinar el número de píxeles de borde en una región específica, lo que ayuda a identificar la complejidad de la textura. Una vez detectados los bordes, su dirección también puede utilizarse como característica de la textura y ser útil para determinar patrones. Estas direcciones pueden representarse como un promedio o en un histograma .

Consideremos una región con N píxeles. El detector de bordes basado en gradiente se aplica a esta región produciendo dos salidas para cada píxel p: la magnitud del gradiente Mag(p) ​​y la dirección del gradiente Dir(p). La presencia de bordes por unidad de área se puede definir mediante${\displaystyle F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}}$para algún umbral T.

Para incluir la orientación con histogramas de borde , se pueden usar tanto la magnitud del gradiente como la dirección del gradiente. H _mag (R) denota el histograma normalizado de las magnitudes del gradiente de la región R, y H _dir (R) denota el histograma normalizado de las orientaciones del gradiente de la región R. Ambos se normalizan según el tamaño N _R Entonces${\displaystyle F_{mag,dir}=(H_{mag}(R),H_{dir}(R))}$es una descripción cuantitativa de la textura de la región R.

La matriz de coocurrencia captura características numéricas de una textura utilizando relaciones espaciales de tonos de gris similares. ^{[ 3 ]} Las características numéricas calculadas a partir de la matriz de coocurrencia se pueden usar para representar, comparar y clasificar texturas. A continuación se presenta un subconjunto de características estándar que se pueden derivar de una matriz de coocurrencia normalizada:

${\displaystyle {\begin{aligned}Angular{\text{ }}2do{\text{ }}Momento&=\sum _{i}\sum _{j}p[i,j]^{2}\\Contrast&=\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}n^{2}p[i,j]{\text{, donde }}|ij|=n\\Correlación&={\frac {\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}(ij)p[i,j]-\mu _{x}\mu _{y}}{\sigma _{x}\sigma _{y}}}\\Entropía&=-\sum _{i}\sum _{j}p[i,j]ln(p[i,j])\\\end{alineado}}}$

dónde${\displaystyle p[i,j]}$es el${\displaystyle [i,j]}$es la entrada n en una matriz de dependencia espacial de tonos de gris, y Ng es el número de niveles de gris distintos en la imagen cuantificada.

Un aspecto negativo de la matriz de coocurrencia es que las características extraídas no necesariamente corresponden a la percepción visual . Se utiliza en odontología para la evaluación objetiva de lesiones [DOI: 10.1155/2020/8831161], eficacia del tratamiento [DOI: 10.3390/ma13163614; DOI: 10.11607/jomi.5686; DOI: 10.3390/ma13173854; DOI: 10.3390/ma13132935] y reconstrucción ósea durante la curación [DOI: 10.5114/aoms.2013.33557; DOI: 10.1259/dmfr/22185098; ​​EID: 2-s2.0-81455161223; DOI: 10.3390/ma13163649].

Otro enfoque consiste en utilizar máscaras locales para detectar diversos tipos de características de textura. Laws ^{[ 4 ]} utilizó originalmente cuatro vectores que representaban características de textura para crear dieciséis máscaras 2D a partir de los productos exteriores de los pares de vectores. Los cuatro vectores y las características relevantes fueron los siguientes:

L5 = [ +1 +4 6 +4 +1 ] (Nivel) E5 = [ -1 -2 0 +2 +1 ] (Arista) S5 = [ -1 0 2 0 -1 ] (Punto) R5 = [ +1 -4 6 -4 +1 ] (Ondulación) 

A estos 4, a veces se añade un quinto: ^{[ 5 ]}

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

A partir de los 4 vectores de Laws, se filtran 16 "mapas de energía" de 5x5 hasta obtener 9, con el fin de eliminar ciertos pares simétricos. Por ejemplo, L5E5 mide el contenido de los bordes verticales y E5L5 mide el contenido de los bordes horizontales. El promedio de estas dos medidas es la "arista" del contenido. Los 9 mapas resultantes utilizados por Laws son los siguientes: ^{[ 6 ]}

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

Al aplicar cada uno de estos nueve mapas sobre una imagen para crear una nueva imagen con el valor del origen ([2,2]), se obtienen 9 "mapas de energía" o, conceptualmente, una imagen con cada píxel asociado a un vector de 9 atributos de textura.

La función de autocorrelación de una imagen puede utilizarse para detectar patrones repetitivos de texturas.

Intenta agrupar o agrupar píxeles en función de sus propiedades de textura.

Intenta agrupar o agrupar píxeles basándose en los bordes entre píxeles que provienen de diferentes propiedades de textura.