Documente Academic
Documente Profesional
Documente Cultură
FACTALI ŞI TEXTURI
a)
b)
Fig.6.1. Fractali artificiali: a) triunghiul lui Sierpinski, b) curba lui Koch.
Pentru obiecte având proprietatea de autosimilaritate, se
defineşte dimensiunea fractală în felul următor. Se notează cu N
numărul de copii obţinute prin scalarea cu factorul r (r<1). Între N şi r se
stabileşte următoarea relaţie:
D
Nr f 1 (6.1)
Logaritmând relaţia de mai sus se obţine dimensiunea fractală
pentru obiecte autosimilare:
ln N
Df (6.2)
ln r
Pentru obiectele naturale, se adoptă o altă definiţie a
dimensiunii fractale. Se menţionează că, în cazul obiectelor fractale
autosimilare, se obţin aceleaşi valori ale dimensiunilor fractale prin
ambele definiţii. Fie, în acest sens, A o mulţime compactă din plan şi
N(A,r) cel mai mic număr de discuri de rază r necesare pentru a
acoperi mulţimea A. Dacă limita următoare (6.1) există, atunci această
limită se numeşte dimensiunea fractală a lui A.
ln( N ( A, r ))
D f ( A) lim (6.1)
r 0 ln( 1 )
r
.
Deoarece calculul direct al dimensiunii fractale este imposibil de
efectuat practic, în prezent există mai multe modalităţi de a evalua
dimensiunea fractală, dintre care cea mai folosită este algoritmul box-
counting. Astfel, o primă modalitate de a evalua dimensiunea fractală
este de a acoperi mulţimea A cu domenii delimitate de laturile pătratelor
obţinute prin împărţirea succesivă la 2 a laturii unui pătrat iniţial,
considerat pe direcţiile axelor de coordonate, ce conţine această
mulţime. În acest caz, se poate considera drept definiţie, următoarea
limită (6.2), dacă ea există:
ln N A, n
D F ( A) lim
n
ln 2 n
(6.2)
Exemplu:
Pentru curba din Fig.6.2 să se aplice algoritmul box-counting pentru 5
puncte ale caracteristicii (x,y).
Fig.6.2. Exemplificarea algoritmului box-counting.
y = a x + b, (6.3)
unde:
n n n
n i i xi y i
x y
i 1 i 1 i 1
a Df 2
n n
n x i2 x i
i 1 i 1
(6.4)
este dimensiunea fractală estimată, iar n reprezintă numărul de puncte
din caracteristica logaritmică.
O altă estimaţie a dimensiunii fractale poate fi considerată panta
dreptei care uneşte cele mai multe puncte.
În sfârşit, unind două câte două punctele succesive din
caracteristica log-log şi considerând pantele dreptelor determinate de
fiecare pereche de puncte, se poate trasa histograma pantelor (frecvenţa
de apariţie în funcţie da valoarea pantei), iar dimensiunea fractală va fi
valoarea pantei de frecvenţă maximă. În cazul în care histograma este
multimodală se consideră că în imagine nu se află un fractal, ci un
multifractal (obiectul conţine porţiuni diferite ca structură, cu
dimensiuni fractale diferite).
Pentru categoria obiectelor fractale auto-similare (care sunt, de
obicei, fractali artificiali) există o expresie mai simplă a dimensiunii
fractale Df :
ln N c
Df
ln 1
s
(6.5)
Analiza texturii
unde:
K
N h ( xi )
i 1
este numărul de puncte din [G]. Nivelul mediu μ este o măsură globală a
luminozităţii scenei.
-Nivelul de gri median este nivelul de gri pentru care jumătate din
punctele imaginii sunt mai întunecate şi jumătate sunt mai luminoase.
-Dispersia nivelului de gri, σ2 ,se defineşte prin relaţia:
1 K
2
N i 1
( xi ) 2 h ( xi )
G(u, v) G (u x, v y)
u 0 v 0
R ( x, y ) M 1 1 M 2 1
G
u 0 v 0
2
(u , v)
Această funcţie este legată de mărimea primitivelor de textură (adică de
fineţea texturii). Se ştie că Rmax = R(0,0) = 1. Viteza de descreştere a lui
R când (x,y) se depărtează de (0,0) este o măsură a fineţii texturii. Dacă
textura este grosieră, cu primitive de dimensiuni mai mari, atunci funcţia
de autocorelaţie va descreşte lent, iar dacă textura este fină, ea va
descreşte rapid.
Un alt mod de a obţine informaţii despre repartiţia spaţială a
nivelurilor de gri din G este acela de a calcula caracteristicile statistice
pentru deplasări mici ale imaginii (caracteristici statistice locale). Pentru
a arăta cum proprietăţile locale influenţează descrierea texturii să
considerăm o deplasare d = (x, y) şi funcţia nivel de gri diferenţă:
K
- valoarea medie pătratică: x
i 1
i
2
p d ( xi )
Δx
Δy
Exemplu:
0 0 1 1 2 2 3 3
3 3 0 0 1 1 2 2
[G] = 2 2 3 3 0 0 1 1
1 1 2 2 3 3 0 0
0 0 1 1 2 2 3 3
3 3 0 0 1 1 2 2
0 0 0 10 0 10 0 0
10 0 0 0 0 0 10 0
[P(1,0) ]= 0 10 0 0 [P(-1,0) ]= 0 0 0 10
0 0 10 0 10 0 0 0
4 0 0 5 4 5 0 0
5 4 0 0 0 4 5 0
[P(1,1)] = 0 5 4 0 [P(-1,-1)] = 0 0 4 5
0 0 5 3 5 0 0 3
0 10 0 10
10 0 10 0
[Ps(1,0)]= [P(1,0)] + [P(-1,0)] = 0 10 0 10
10 0 10 0
8 5 0 5
5 8 5 0
[Ps(1,1)] = [P(1,1)] + [P(-1,-1)] = 0 5 8 5
5 0 5 6
Din matricele de coocurenţă se pot extrage o serie de
caracteristici statistice utilizate ca trăsături în procesul de clasificare a
texturilor. Acestea sunt definite în continuare şi depind de deplasarea d.
Energia:
M 1 1 M 2 1
P
i 0 j 0
d
2
(i, j )
Entropia:
M 1 1 M 2 1
P
i 0 j 0
d (i, j ) log Pd (i, j )
Contrastul:
M 1 1 M 2 1
i j
i 0 j 0
2
Pd (i, j )
Omogenitatea:
M 1 1 M 2 1
Pd (i, j )
i
i 0 j 0 i j