aula - textura 2018 pos - Unesp · 2018. 5. 23. · Imagem2 Imagem3 Imagem4. 0 0,005 0,01 0,015...
Transcript of aula - textura 2018 pos - Unesp · 2018. 5. 23. · Imagem2 Imagem3 Imagem4. 0 0,005 0,01 0,015...
UNIVERSIDADE ESTADUAL PAULISTA
Campus de Sorocaba
Textura
Textura segundo alguns autores:
“characterized by tonal primitive properties as well as spatial relationship between them” R. M. Haralick, 1979
“the surface markings or 2d appearance of a surface” A. R. Rao,1990
“the local variation in visual properties” J.J van Wijk, 1991
De uma forma geral, pode ser definida com sendo a qualidade visual de uma imagem relacionada à sua variação espacial de tons de cinza ou de cor.
� Não há nenhum método quantitativogenérico para a classificação de texturas
� Texturas com caracterísitcas similares sãoagrupadas
� Métodos de análise de textura sãootimizados para cada grupo.
Disorderedor
Random Texture
Strongly Orderedor
Periodic Texture
Weakly Ordered Texture
Textura Desordenada ou Aleatória- Campos de Markov- Dimensão Fractal- Matriz de co-occurrence
Textura Periódica ou Ordenada- Identificação de primitivas (texton) e de
regras de deslocamento
Textura Fracamente Ordenada- Análise de campo
Análise de Texturas
� Estatísticas- processos aleatórios, fractais, camposde Markov, cálculo de parâmetrosestatísticos e matrizes de correlação
� Estruturais - primitivas e regras de deslocamentos
Textura Periódica
Textura Aleatória
Análise de Texturas Aleatórias
Média e desvio padrão dos pixels da imagem
NM
jiPN
i
M
j∑∑ −
=
2)),(( µσ
NM
jiPN
i
M
j∑∑
=),(
µ
Cálculo de parâmetros estatísticos
ExercícioUsar a função statxture(image) do Matlab para obtermedidas estatísticas de imagens.Sintaxe: t=statxture(imagem)O vetor t é (1,6) e em cada coluna apresenta oresultado de uma medida estatística.T(1) = Average gray level
T(2) = Average contrastT(3) = Measure of smoothnessT(4) = Third momentT(5) = Measure of uniformityT(6) = Entropy
Média dos tons de cinza Contraste Suavidade Terceriro Momento Uniformidade EntropiaImagem11 165,2880958 21,52285499 0,007073535 -0,022162945 0,013623395 6,464881Imagem12 166,8714099 16,91086999 0,004378705 -0,025032905 0,018012365 6,09497Imagem21 135,7851861 43,05121627 0,027713089 -0,812935067 0,007362359 7,364741Imagem22 136,1112124 41,56654705 0,025883235 -0,595630864 0,00737053 7,349499Imagem31 165,0760634 30,60863254 0,01420348 -0,233083286 0,009580634 6,948245Imagem32 162,5935763 25,43102735 0,009848029 -0,087029118 0,011696626 6,694273Imagem41 160,7372191 48,49399096 0,034903287 -1,078137627 0,006248759 7,51093Imagem42 155,4818441 46,9356732 0,032768472 -0,808928499 0,006216434 7,495468
120
140
160
180
0 5 10
Média dos tons de cinza
0
10
20
30
40
50
60
0 5 10
Contraste
0
0,01
0,02
0,03
0,04
0 5 10
Suavidade
-1,2
-1
-0,8
-0,6
-0,4
-0,2
00 2 4 6 8 10
Terceriro Momento
0
0,005
0,01
0,015
0,02
0 2 4 6 8 10
Uniformidade
5
5,5
6
6,5
7
7,5
8
0 5 10
Entropia
0
0,005
0,01
0,015
0,02
0,025
0,03
0,035
0,04
10 15 20 25 30 35 40 45 50
Imagem1
Imagem2
Imagem3
Imagem4
0
0,005
0,01
0,015
0,02
0,025
0,03
0,035
0,04
10 15 20 25 30 35 40 45 50
Imagem1
Imagem2
Imagem3
Imagem4
0
0,005
0,01
0,015
0,02
0,025
0,03
0,035
0,04
10 15 20 25 30 35 40 45 50
Imagem1
Imagem2
Imagem3
Imagem4
textura1
textura2
textura3
textura4
0 50
100
150
200
250
f_1f_9
f_17f_25f_33f_41f_49f_57f_65f_73f_81f_89f_97
f_105s_5
s_13s_21s_29s_37s_45s_53s_61s_69s_77s_85s_93
s_101g_1g_9
g_17g_25g_33g_41g_49g_57g_65g_73g_81g_89g_97
g_105le_5
le_13le_21le_29le_37le_45le_53le_61le_69le_77le_85le_93
le_101
Desvio positivo
Média
Desvio N
egativo
Classificação
dasim
agensutilizando
am
édiae
odesvio
padrão
Matriz de co-ocorrência
0 grau
45 graus
90 graus
135 graus
ai-1,j-1 ai-1,j ai-1,j+1
ai,j-1 ai,j ai-1,j+1
ai+1,j-1 ai+1,j ai+1,j+1
Matrizes de coocorrência de níveis de cinza
Imagem
14 medidas calculadas através das matrizes de cooco rrência
0 0 0 0 012
96
0 0 0 0 0 0 0 0 0 0 0 0 00
20
40
60
80
100
1200
100
150
200
250
300
350
400
450
500
550
600
650
700
750
800
850
900
950
1000
Qua
ntid
ade
de r
esul
tado
s ob
tidos
Valores obtidos na classificação de imagens de soja (x10000)
0 0 0 0 0 0 0 0 0 0 1
49
27
918
40 0 0 0
0
10
20
30
40
50
60
010
015
020
025
030
035
040
045
050
055
060
065
070
075
080
085
090
095
010
00
Qua
ntid
ade
de r
esul
tado
s ob
tidos
Valores obtidos na classificação de imagens de feijão (x10000)
0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
15
34 35
21
2
05
10152025303540
010
015
020
025
030
035
040
045
050
055
060
065
070
075
080
085
090
095
010
00
Qua
ntid
ade
de r
esul
tado
s ob
tidos
Valores obtidos na classificaçãode imagens de grão de bico (x10000)
0 0
108
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00
20
40
60
80
100
120
010
015
020
025
030
035
040
045
050
055
060
065
070
075
080
085
090
095
010
00
Qua
ntid
ade
de r
esul
tado
s ob
tidos
Valores obtidos na classificação de imagens de lentilha (x10000)
Classificação das imagens utilizando as matrizes de c oocorrência
100%
96,3%
99% 100%
Análise de Texturas Periódicas
Coleta de imagens no Rio Sorocaba
Implementar as técnicas discutidas em sala de aula para apresentação em 26/06
Apresentação de artigo
A apresentação será feita por meio dagravação de um vídeo de no máximo 10minutos que deverá conter:� Informações do artigo (nome, revista e
autores)� Descrição do problema� Técnica(s) utilizada(s)� ResultadosData de entrega: 29/05/2018
Documento e apresentação da Proposta de Projeto
A proposta de Projeto deverá ter:� Título� Motivação� Objetivos� Exemplo de imagem a ser utilizada� MétodosEnviar o documento do projeto em pdf e vídeo de no máximo 5 minutos apresentando a proposta para [email protected] até 05/06.