Hispanopedia Wiki
Articulo de referencia

Estadísticas de la escena

La estadística de escenas es una disciplina dentro del campo de la percepción . Se ocupa de las regularidades estadísticas relacionadas con las escenas . Se basa en la premisa d...

Hispanopedia WikiContenido en espanolLectura gratuita

La estadística de escenas es una disciplina dentro del campo de la percepción . Se ocupa de las regularidades estadísticas relacionadas con las escenas . Se basa en la premisa de que un sistema perceptivo está diseñado para interpretar escenas .

Los sistemas perceptivos biológicos han evolucionado en respuesta a las propiedades físicas de los entornos naturales. [ 1 ] Por lo tanto, las escenas naturales reciben mucha atención. [ 2 ]

Las estadísticas de escenas naturales son útiles para definir el comportamiento de un observador ideal en una tarea natural, normalmente mediante la incorporación de la teoría de detección de señales , la teoría de la información o la teoría de la estimación .

Dentro del dominio frente a entre dominios

Imagen [ 3 ] generada a partir de una base de datos de hojas segmentadas que registra simultáneamente imágenes naturales (información de la escena) con la ubicación exacta de los límites de las hojas (información sobre el entorno físico). Dicha base de datos puede utilizarse para estudiar estadísticas entre diferentes dominios.

Geisler (2008) [ 4 ] distingue entre cuatro tipos de dominios: (1) Entornos físicos (2) Imágenes/Escenas (3) Respuestas neuronales y (4) Comportamiento.

En el ámbito de las imágenes/escenas se pueden estudiar las características de la información relacionadas con la redundancia y la codificación eficiente.

Las estadísticas interdominio determinan cómo un sistema autónomo debe inferir información sobre su entorno, procesarla y controlar su comportamiento. Para estudiar estas estadísticas, es necesario muestrear o registrar información en múltiples dominios simultáneamente.

Aplicaciones

Predicción de la calidad de imagen y vídeo

Una de las aplicaciones más exitosas de los modelos de estadísticas de escenas naturales ha sido la predicción de la calidad perceptual de imágenes y vídeos. Por ejemplo, el algoritmo Visual Information Fidelity (VIF), que se utiliza para medir el grado de distorsión de imágenes y vídeos, es ampliamente utilizado por las comunidades de procesamiento de imágenes y vídeo para evaluar la calidad perceptual. Esto suele ocurrir después del procesamiento, como la compresión, que puede degradar la apariencia de una señal visual. La premisa es que las estadísticas de la escena se modifican por la distorsión y que el sistema visual es sensible a estos cambios. VIF se utiliza ampliamente en la industria de la televisión en streaming. Otros modelos populares de calidad de imagen que utilizan estadísticas de escenas naturales incluyen BRISQUE [ 5 ] y NIQE [ 6 ] , ambos sin referencia, ya que no requieren ninguna imagen de referencia para medir la calidad.

Referencias

  1. ↑ Geisler, WS, & Diehl, RL (2003). Un enfoque bayesiano para la evolución de los sistemas perceptivos y cognitivos . Cognitive Science, 27, 379-402.
  2. ↑ Simoncelli, EP y BA Olshausen (2001). Estadísticas de imágenes naturales y representación neuronal. Annual Review of Neuroscience 24: 1193-1216.
  3. ↑ Geisler, WS, Perry, JS e Ing, AD (2008) Análisis de sistemas naturales. En: B. Rogowitz y T. Pappas (Eds.), Visión humana e imágenes electrónicas. Actas de la SPIE, vol. 6806, 68060M
  4. ↑ Geisler, WS (2008) Percepción visual y propiedades estadísticas de escenas naturales. Annual Review of Psychology, 59, 167–192.
  5. ↑ A Mittal, AK Moorthy y AC Bovik, “Evaluación de la calidad de imagen sin referencia en el dominio espacial”, IEEE Transactions on Image Processing, 21 (12), 4695-4708, 2012
  6. ↑ A Mittal, R Soundararajan y AC Bovik, “Un analizador de calidad de imagen 'completamente ciego'”, IEEE Signal Processing Letters 20 (3), 209-212, 2013.

Bibliografía

  • Field, DJ (1987). Relaciones entre las estadísticas de imágenes naturales y las propiedades de respuesta de las células corticales . Journal of the Optical Society of America A 4, 2379–2394.
  • Ruderman, DL, & Bialek, W. (1994). Estadísticas de imágenes naturales: escalamiento en los bosques. Physical Review Letters, 73(6), 814–817.
  • Brady, N., & Field, DJ (2000). Contraste local en imágenes naturales: normalización y eficiencia de codificación. Perception, 29, 1041–1055.
  • Frazor, RA, Geisler, WS (2006) Luminancia local y contraste en imágenes naturales. Vision Research, 46, 1585–1598.
  • Mante et al. (2005) Independencia de la luminancia y el contraste en escenas naturales y en el sistema visual temprano. Nature Neuroscience, 8 (12) 1690–1697.
  • Bell, AJ y Sejnowski, TJ (1997). Los "componentes independientes" de las escenas naturales son filtros de borde. Vision Research, 37, 3327–3338.
  • Olshausen, BA, & Field, DJ (1997). Codificación dispersa con un conjunto de base sobrecompleto: ¿Una estrategia de V1? Vision Research, 37(23), 3311–3325.
  • Sigman, M., Cecchi, GA, Gilbert, CD, & Magnasco, MO (2001). En un círculo común: Escenas naturales y reglas de la Gestalt. PNAS, 98(4), 1935–1940.
  • Hoyer, PO y Hyvärinen, A. Una red de codificación dispersa multicapa aprende la codificación de contornos a partir de imágenes naturales, Vis. Res., vol. 42, n.º 12, págs. 1593–1605, 2002.
  • Geisler, WS, Perry, JS, Super, BJ y Gallogly, DP (2001). La coocurrencia de bordes en imágenes naturales predice el rendimiento de la agrupación de contornos. Vision Research, 41, 711–724.
  • Elder JH, Goldberg RM. (2002) Estadísticas ecológicas para las leyes de la Gestalt de la organización perceptiva de los contornos. J. Vis. 2:324–53.
  • Krinov, E. (1947). Propiedades de reflectancia espectral de formaciones naturales (Traducción técnica n.° TT-439). Ottawa: Consejo Nacional de Investigación de Canadá.
  • Ruderman, DL, Cronin, TW y Chiao, C. (1998). Estadísticas de las respuestas de los conos a imágenes naturales: implicaciones para la codificación visual. Journal of the Optical Society of America A, 15, 2036–2045.
  • Stockman, A., MacLeod, DIA y Johnson, NE (1993). Sensibilidades espectrales de los conos humanos. J Opt Soc Am A Opt Image Sci Vis, 10, 1396–1402.
  • Lee TW, Wachtler, T, Sejnowski, TJ. (2002) La oposición de color es una representación eficiente de las propiedades espectrales en escenas naturales. Vision Research 42:2095–2103.
  • Fine, I., MacLeod, DIA y Boynton, GM (2003). Segmentación de superficies basada en las estadísticas de luminancia y color de escenas naturales. Journal of the Optical Society of America a-Optics Image Science and Vision, 20(7), 1283–1291.
  • Lewis A, Zhaoping L. (2006) ¿Están las sensibilidades de los conos determinadas por las estadísticas del color natural? Journal of Vision. 6:285–302.
  • Lovell PG et al. (2005) Estabilidad de las señales de oposición de color bajo cambios de iluminante en escenas naturales. J. Opt. Soc. Am. A 22:10.
  • Endler, JA 1993. El color de la luz en los bosques y sus implicaciones. Ecological Monographs 63:1–27.
  • Wachtler T, Lee TW, Sejnowski TJ (2001) Estructura cromática de escenas naturales. J. Opt. Soc. Am. A 18(1):65–77.
  • Long F, Yang Z, Purves D. Las estadísticas espectrales en escenas naturales predicen el tono, la saturación y el brillo. PNAS 103(15):6013–6018.
  • Van Hateren, JH y Ruderman, DL (1998). El análisis de componentes independientes de secuencias de imágenes naturales produce filtros espaciotemporales similares a las células simples en la corteza visual primaria. Proceedings of the Royal Society of London B, 265, 2315–2320.
  • Potetz, B., & Lee, TS (2003). Correlaciones estadísticas entre imágenes bidimensionales y estructuras tridimensionales en escenas naturales. Journal of the Optical Society of America a-Optics Image Science and Vision, 20(7), 1292–1303.
  • Howe, CQ, & Purves, D. (2002). Las estadísticas de imágenes de rango pueden explicar la percepción anómala de la longitud. Proceedings of the National Academy of Sciences of the United States of America, 99(20), 13184–13188. Howe, CQ, & Purves, D. (2005a). La geometría de escenas naturales predice la percepción de ángulos y orientación de líneas. Proceedings of the National Academy of Sciences of the United States of America, 102(4), 1228–1233.
  • Howe, CQ, & Purves, D. (2004). Contraste de tamaño y asimilación explicados por las estadísticas de la geometría de escenas naturales. Journal of Cognitive Neuroscience, 16(1), 90–102.
  • Howe, CQ, & Purves, D. (2005b). La ilusión de Müller-Lyer explicada por las estadísticas de las relaciones imagen-fuente. Proceedings of the National Academy of Sciences of the United States of America, 102(4), 1234–1239.
  • Howe, CQ, Yang, ZY y Purves, D. (2005). La ilusión de Poggendorff explicada por la geometría de la escena natural. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 102(21), 7707–7712.
  • Kalkan, S. Woergoetter, F. y Krueger, N., Análisis estadístico de la estructura 3D local en imágenes 2D, Conferencia IEEE sobre visión por computadora y reconocimiento de patrones (CVPR) 2006.
  • Kalkan, S. Woergoetter, F. y Krueger, N., Análisis estadístico de primer y segundo orden de la estructura 3D y 2D, Network: Computation in Neural Systems, 18(2), pp. 129–160, 2007.