Ejercicio evaluable No 2

Clasificador de texturas

Mara Mnica Munvar Moreno Noviembre 29 de 2012

Ejercicio Evaluable Numero 2. Clasificadores de Texturas Vision Artificial Paquete de imgenes No 1.

Tabla de Contenido
3. PLANTEAMIENTO DEL PROBLEMA .............................................................................................. 2 4. METODOLOGIA............................................................................................................................ 2 5. CONCLUSIONES ........................................................................................................................... 5

Ejercicio Evaluable Numero 2. Clasificadores de Texturas Vision Artificial Paquete de imgenes No 1.

PLANTEAMIENTO DEL PROBLEMA

El objetivo de este ejercicio es clasificar un conjunto de texturas. Hay 24 imgenes correspondientes a cuatro muestras de cada tipo de textura, esto se traduce a que bsicamente existen 6 tipos de imgenes. El problema radica en encontrar las caractersticas que clasifican a cada muestra en la clase correcta, es decir, todas las muestras de la misma textura deben pertenecer a una misma clase. Las imgenes estn en el paquete "Images_Exer2" disponibles para descargar desde el moodle. Para resolver el problema se propone utilizar la herramienta informtica ImageJ en conjunto con el plugin KMeans. Este plugin permite calcular clsteres a travs de los valores de pxel (valor entero) como caracterstica de las imgenes, pero tambin se puede utilizar cualquier otra caracterstica (valor real) o un conjunto de caractersticas. Para la clasificacin de texturas, si las caractersticas que han sido seleccionadas para realizar la agrupacin tienen un rango diferente de valores, es necesario normalizar cada conjunto de valores que corresponden a la misma funcin, es decir, transformar los valores en el rango [0 .. 1] . Una forma comn para normalizar una caracterstica est utilizando la siguiente frmula:

newf, donde f es el valor de caracterstica, y minf maxf son los valores mnimo y mximo de la contenidos en el rango de dicha caracterstica.

METODOLOGIA
El grupo de imgenes a tratar corresponde al numero 1. Para ello es necesario apilar el paquete de imagen mediante la funcin Images->Stack->Images to stack, y posteriormente aplicar el plugin GLCM Texture Too. Al ejecutar esta operacin aparece una ventana con todos lo s resultados, los cuales se guardan como un archivo en Excel, con las caractersticas: Angular second moment, Contraste, Correlacin, Energa, Entropa, Homogeneidad, Inercia, Inverse momento differencial, prominencia, tono, Varianza. En este punto es necesario separar en archivos .txt. cada caracterstica de tal manera que los datos estuviesen en una matriz de 6 columnas y cuatro filas. Hay que tener claro que al aplicar el mtodo GLCM Texture se deben ingresar los parmetros tamao de paso de pixel y orientacin, esto corresponde a que la textura de un pxel no est definida, hay que estudiar la vecindad de un grupo de pxeles. Dependiendo del tamao de vecindad elegido la textura puede ser diferente. Para este ejercicio se escogieron los tamaos: 3, 9 y 27 junto con las direcciones 0, 45, 90 y 135.

Ejercicio Evaluable Numero 2. Clasificadores de Texturas Vision Artificial Paquete de imgenes No 1.

Estos son algunos de los resultados obtenidos despus de aplicar el anlisis de textura GLCM a las imgenes.

Figura 1. Tamao = 3, Orientacin =135

Figura 2. Tamao = 9, Orientacin =90

Figura 3. Tamao =27, Orientacin =135 En todos estos casos se aplicaron las 11 caractersticas mencionadas previamente. En la figura dos se evidencia el resultado esperado, ms no la obtencin del objetivo de la actividad, porque la idea del ejercicio es emplear el menor nmero de caractersticas para lograr el objetivo. Por eso escog de manera arbitraria combinaciones de caractersticas. El mejor caso fue aplicar la caracterstica energa y tono cuando el tamao de paso fue de 3 y la direccin de 135. El anlisis k-means Clustering, se hizo con la randomizacin de 48. Los .txt utilizados para la resolucin del problema son los siguientes. F3- 135 ENERGA
0.270826334108288 0.332643489712819 0.160227379624528 0.206455861207047 0.975273137758187 1 0.945842796285595 0.968688266835096 0.22876379127303 0.214384583338933 0.257522207141225 0.246099471866475 0.321892680042466 0.197317672987247 0.310873100130354 0.173397121470711 0.282517839624797 0.291252872481959 0.303750688723744 0.297300202921533 0.00348057463077687 0.00639673175386021 0 0.00502600352089016

Tabla 1. Caracterstica de energa cuando el tamao=3 y orientacin = 135 F3-135 TONO

0.236215134689577 0.116410133358704 0.248038153611204 0.13699696784189 0.0315751933067281 0.032114551390111 0.030089966290468 0.030516740916043 0.028022771543003 0.00455354321050654 0.0429205215662827 0.0284411957919659 1 0.82787539875935 0.807379513000537 0.939862882343923 0 0.0162526297867091 0.00441542108989959 0.0137989716918091 0.460884927972338 0.33676988231911 0.449118510528001 0.375643814311715

Tabla 2. Caracterstica de tono cuando el tamao=3 y orientacin = 135

Ejercicio Evaluable Numero 2. Clasificadores de Texturas Vision Artificial Paquete de imgenes No 1.

Con lo anterior se obtuvo el siguiente resultado que representa la matriz de la tabla 3.

Figura 4. Resultado al aplicar el clasificador KMeans sobre las caractersticas energa y tono Resultados del Clasificador 5 5 5 5 2 2 2 2 0 0 0 0 1 1 1 1 4 4 4 4 3 3 3 3

Tabla 3. Resultados del clasificador utilizando caractersticas de energa y tono La tabla 3 evidencia que el clasificador ha separado las diversas caractersticas en los distintos 6 grupos con lo que se demuestra que se ha logrado el objetivo ya que se usaron simplemente dos caractersticas: energa y tono. En la caracterstica tono, lo primero que se debe calcular es la media de la matriz de coocurrencia, tanto para filas como para columnas. La media en la matriz de coocurrencia no es simplemente el promedio de los valores originales de los niveles de gris en la ventana. El valor del pxel no es ponderado por su frecuencia por si mismo, sino por la frecuencia de su coocurrencia en combinacin de un determinado valor del pxel vecino. En cuanto a la energa, es una medida da valores altos cuando en la matriz de co-ocurrencia tiene pocas entradas de gran magnitud, y es baja cuando todas las entradas son similares. Si todos los pxeles son iguales la energa es mnima. Es una medida de la homogeneidad local. Por otro lado, estos fueron resultados poco favorables:

Ejercicio Evaluable Numero 2. Clasificadores de Texturas Vision Artificial Paquete de imgenes No 1.

Figura 5. Tamao de paso= 27 y orientacin=135 (contraste y tono)

Figura 6. Tamao de paso= 9 y orientacin=45 (prominencia y homogeneidad) Las figuras 5 y 6 demuestran que en estos casos no se clasificaron correctamente las texturas.

La principal clase de caracterstica extrada depende de la suposicin de que la textura se puede definir por las propiedades estadsticas locales de un pxel en escala de grises. La informacin textural en una imagen est contenida en la relacin espacial que los tonos de gris tienen entre ellos. Esas relaciones estn especificadas en la matriz de co-ocurrencia espacial (o de niveles de gris) que son computadas en una direccin especifica (o bien para todas: 0, 45, 90 y 135) entre los pxeles vecinos dentro de una ventana mvil dentro en la imagen.

CONCLUSIONES
El anlisis de texturas juega un importante papel en muchas tareas de procesamiento de imgenes, abarcando aplicaciones en el tratamiento de imgenes mdicas, visin robtica o buscar entre el contenido de una gran base de datos de imgenes. Es asi como en este ejercicio se evidenci el hecho de que se pueden clasificar imgenes a travs del mtodo KMeans segn el tipo de textura que presenten, resaltando que determinadas caractersticas al emplearlas en conjunto permiten una mejor clasificacin. Esto explica el hecho de que el clasificador fue exitoso al usarse el descriptor energa junto con tonalidad, y fallara en otros casos como en tonalidad y contraste, a pesar de haberse empleado este mismo descriptor (tonalidad). De igual forma, otros factores que influyen en los resultados son el tamao de paso del pixel, la orientacin y la aleatoriedad en el caso de aplicar KMeans. Asi fue como se pudo alcanzar el objetivo propuesto, mediante la ejecucin de varias pruebas en las que la combinacin acertada de caractersticas de textura en conjunto con la variacin de los parmetros que se permiten modificar, jugaron un papel importante para la obtencin de un clasificador exitoso.