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 amartins@sorocaba.unesp.br até 05/06.