TEMA 12. Extracción de características. Caracterización de textura en imágenes
4 views 0 purchase
Course
Visión Artificial
Institution
UNIR Business School
UNIVERSIDAD DE LA RIOJA
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Visión Artificial
Contenido: BLOQUE 4. Extracción de características
Guía de Estudio: TEMA 12. Extracción de características. Caracterización de textura en...
UNIVERSIDAD DE LA RIOJA
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Visión Artificial
Contenido: BLOQUE 4. Extracción de características
Guía de Estudio: TEMA 12. Extracción de características. Caracterización de textura en
imágenes
a. ¿Cómo estudiar este tema?
Para estudiar la caracterización de textura en imágenes, es fundamental tener una comprensión
sólida de los conceptos básicos de procesamiento de imágenes y visión por computadora. Los
siguientes pasos pueden guiar su estudio:
1. Fundamentos de Procesamiento de Imágenes: Revise los conceptos básicos de
procesamiento de imágenes, como filtrado, segmentación y transformadas.
2. Matemáticas Aplicadas: Refuerce su conocimiento en álgebra lineal, estadística y teoría
de señales.
3. Lectura de Artículos Científicos: Lea artículos de investigación y libros especializados en
caracterización de texturas.
4. Implementación Práctica: Utilice software como MATLAB, Python con OpenCV o scikit-
image para implementar los algoritmos.
5. Comparación de Métodos: Realice experimentos comparativos para entender las
ventajas y limitaciones de cada método.
b. Matriz de Coocurrencia de Haralick
Definición
La matriz de coocurrencia de Haralick (GLCM, por sus siglas en inglés) es una técnica que mide
cómo se relacionan los píxeles de una imagen en función de su intensidad y posición espacial.
Características
Espacialidad: Considera la relación espacial entre los píxeles.
Direccionalidad: Puede calcularse en varias direcciones (0°, 45°, 90°, 135°).
Dimensionalidad: La matriz es bidimensional y depende del número de niveles de gris en
la imagen.
Ventajas
Rica en Información: Captura patrones complejos de textura.
Versatilidad: Puede aplicarse a una amplia variedad de imágenes.
Desventajas
Computacionalmente Costosa: El cálculo de la matriz puede ser intensivo en recursos.
, Sensibilidad al Tamaño de Ventana: La elección del tamaño de ventana afecta
significativamente los resultados.
c. Patrones Binarios Locales (LBP)
Definición
Los patrones binarios locales (LBP) son un descriptor de textura que convierte la imagen en un
conjunto de valores binarios basados en el umbral de los píxeles vecinos.
Características
Robustez: Insensible a cambios en iluminación.
Localidad: Utiliza una vecindad de píxeles para caracterizar la textura.
Histograma: Los valores binarios se agrupan en un histograma para análisis.
Ventajas
Simplicidad: Fácil de implementar y computacionalmente eficiente.
Eficiencia: Rápida en términos de cálculo y adecuada para aplicaciones en tiempo real.
Desventajas
Limitación a Texturas Locales: Puede no capturar adecuadamente las texturas globales.
Sensibilidad al Ruido: Puede ser susceptible a ruidos en la imagen.
d. Caracterización Basada en Transformadas Unitarias
Definición
La caracterización de textura basada en transformadas unitarias utiliza técnicas como la
Transformada de Fourier, Transformada de Wavelet y Transformada de Gabor para analizar la
textura.
Características
Frecuencia y Escala: Analiza la frecuencia y escala de las texturas.
Representación Global: Proporciona una visión global de la textura de la imagen.
Ventajas
Precisión: Alta precisión en la caracterización de texturas complejas.
Multiescala: Capacidad de analizar texturas a diferentes escalas.
Desventajas
Complejidad Computacional: Requiere recursos computacionales elevados.
Interpretabilidad: Puede ser difícil interpretar los resultados sin conocimientos avanzados.
The benefits of buying summaries with Stuvia:
Guaranteed quality through customer reviews
Stuvia customers have reviewed more than 700,000 summaries. This how you know that you are buying the best documents.
Quick and easy check-out
You can quickly pay through credit card or Stuvia-credit for the summaries. There is no membership needed.
Focus on what matters
Your fellow students write the study notes themselves, which is why the documents are always reliable and up-to-date. This ensures you quickly get to the core!
Frequently asked questions
What do I get when I buy this document?
You get a PDF, available immediately after your purchase. The purchased document is accessible anytime, anywhere and indefinitely through your profile.
Satisfaction guarantee: how does it work?
Our satisfaction guarantee ensures that you always find a study document that suits you well. You fill out a form, and our customer service team takes care of the rest.
Who am I buying these notes from?
Stuvia is a marketplace, so you are not buying this document from us, but from seller ma_medina. Stuvia facilitates payment to the seller.
Will I be stuck with a subscription?
No, you only buy these notes for $7.16. You're not tied to anything after your purchase.
