이미지 텍스처

인조 텍스처 예제.

자연스러운 텍스처의 예.

이미지 텍스처는 이미지의 인식된 텍스처를 정량화하도록 설계된 이미지 프로세싱에서 계산된 메트릭스 집합이다. 이미지 텍스처는 이미지 또는 이미지의 선택된 영역에서 색상 또는 강도의 공간 배열에 대한 정보를 제공한다.^[1]

영상 텍스처는 영상에 캡처된 자연 장면에서 인위적으로 생성하거나 찾을 수 있다. 영상 텍스처는 영상을 분할하거나 분류하는 데 도움이 되는 한 가지 방법이다. 보다 정확한 분할을 위해 가장 유용한 기능은 공간 주파수와 평균 회색 수준이다.^[2] 컴퓨터 그래픽에서 이미지 질감을 분석하기 위해 이 문제에 접근하는 두 가지 방법이 있다. 구조화된 접근법과 통계적 접근법.

구조화된 접근 방식

구조화된 접근방식은 이미지 질감을 어떤 규칙적이거나 반복되는 패턴의 원시 텍셀 집합으로 본다. 이것은 인공적인 질감을 분석할 때 효과가 좋다.

구조화된 설명을 얻기 위해 텍셀의 보로노이 테셀레이션을 이용하여 텍셀의 공간 관계의 특성을 파악한다.

통계적 접근법

통계적 접근법은 이미지 질감을 지역의 강도 배열에 대한 정량적 척도로 본다. 일반적으로 자연적인 질감은 불규칙적인 하위 요소의 패턴으로 만들어지기 때문에 이 접근법은 계산하기가 더 쉽고 더 널리 사용된다.

에지 탐지

에지 검출의 사용은 지정된 영역의 에지 픽셀 수를 결정하는 데 있으며, 텍스처 복잡성의 특성을 결정하는 데 도움이 된다. 가장자리가 발견된 후 가장자리의 방향도 텍스처의 특성으로 적용할 수 있으며 텍스처의 패턴을 결정하는 데 유용할 수 있다. 이러한 방향은 평균 또는 히스토그램으로 나타낼 수 있다.

N픽셀의 영역을 고려하십시오. 그라데이션 기반 에지 검출기는 각 픽셀 p에 대해 그라데이션 크기 Mag(p)와 그라데이션 방향 Dir(p)의 두 가지 출력을 생성하여 이 영역에 적용된다. 단위 면적당 edgeness는 F $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ e $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ g $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ = $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ { $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ M $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ ( $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ p $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ ) $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ > $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ $F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}$ N ${\$ { $\{p Mag(p)}$ 로 정의할 수 있다.일부 임계값 T의 $경우$ T $\}{N}}.$

구배 크기와 구배 방향 모두에 대해 에지네스 히스토그램이 있는 방향을 포함하기 위해 사용할 수 있다. H_mag(R)는 영역 R의 구배 크기에 대한 정규화된 히스토그램을 나타내며_dir, H(R)는 영역 R의 구배 방향에 대한 정규화된 히스토그램을 나타낸다. 둘 다 N 크기_R N에 따라 정규화된다. 그러면 F $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ , d $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ = $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ ( $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ m $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ g $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ ( R $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ ) $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ , $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ d $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ ( R $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ ) ${\displaystyle F_{mag,dir}=(H_{mag})(R),$ $H_{dir}(R)}$ 은 $F_{mag,dir}=(H_{mag}(R),H_{dir}(R))$ (는) 영역 R의 정량적 질감 설명이다.

공동발생매트릭스

공존 매트릭스는 유사한 회색 톤의 공간 관계를 이용하여 질감의 수치적 특징을 포착한다.^[3] 동시 발생 매트릭스에서 계산된 수치 형상을 사용하여 질감을 표현, 비교 및 분류할 수 있다. 다음은 정규화된 공존 매트릭스에서 도출할 수 있는 표준 형상의 하위 집합이다.

${\begin{aligned}Angular{\text{ }}2nd{\text{ }}Moment&=\sum _{i}\sum _{j}p[i,j]^{2}\\Contrast&=\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}n^{2}p[i,j]{\text{, where }} i-j =n\\Correlation&={\frac {\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}(ij)p[i,j]-\mu _{x}\mu _{y}}{\sigma _{x}\sigma _{y}}}\\Entropy&=-\sum _{i}\sum _{j}p[i,j]ln(p[i,j])\\end{aigned}$

여기서 $p[i,j]$ [ $p[i,j]$ , $p[i,j]$ $p[i,j]$ ${\displaystyle p[i$ $[i,j]$ $j]}$ 은(는) $[i,j]$ 톤 공간 의존 행렬의 [i $,$ j] {\ $displaystyle [i,j]}$ 항목이며 $p[i,j]$ $[i,j]$ , Ng는 정량화된 영상에서 뚜렷한 그레이 레벨의 수입니다.

공동 발생 행렬의 한 가지 부정적인 측면은 추출된 형상이 반드시 시각적 지각과 일치하는 것은 아니라는 점이다. 병변의 객관적 평가[DOI: 10.1155/2020/8831161], 치료 효과[DOI: 10.3390/ma13163614; DOI: 10.11607/jomi]에 사용된다.5686; DOI: 10.3390/ma13173854; DOI: 10.3390/ma13132935] and bone reconstruction during healing [DOI: 10.5114/aoms.2013.33557; DOI: 10.1259/dmfr/22185098; EID: 2-s2.0-81455161223; DOI: 10.3390/ma13163649].

법 질감 에너지 측정

또 다른 접근법은 다양한 종류의 텍스처 특징을 감지하기 위해 국소 마스크를 사용하는 것이다. 법률은^[4] 원래 벡터 쌍의 외부 제품에서 16개의 2D 마스크를 만들기 위해 텍스처 특징을 나타내는 4개의 벡터를 사용했다. 4개의 벡터와 관련 특징은 다음과 같았다.

 L5 = [ +1 +4 6 +4 +1 ] (레벨) E5 = [ -1 -2 0 +2 +1 ] (에지) S5 = [ -1 0 2 0 -1 ] (스팟) R5 = [ +1 -4 6 -4 +1 ] (리플)

이 4에 5분의 1이 추가되기도 한다.^[5]

 W5 = [ -1 +2 0 -2 +1 ] (파형)

법률의 4개 벡터에서 특정 대칭 쌍을 제거하기 위해 5x5 "에너지 맵" 16개를 9개로 필터링한다. 예를 들어 L5E5는 수직 에지 함량을 측정하고 E5L5는 수평 에지 함량을 측정한다. 이 두 가지 조치의 평균은 내용의 '에지니스'이다. 법률에서 사용하는 결과 9개의 지도는 다음과 같다.^[6]

L5E5/E5L5 L5R5/R5L5 E5S5/S5E5 S5S5 R5S5 L5S5 L5S5/S5L5 E5E5 E5E5 E5R5/R5E5 S5R5/R5S5

이러한 9개의 맵을 각각 이미지 위에 실행하여 오리진 값의 새로운 이미지([2,2])를 생성하면 9개의 "에너지 맵"이 생성되거나, 9개의 텍스처 속성의 벡터와 연결된 각 픽셀이 있는 개념적으로 이미지가 생성된다.

자기 상관 및 전력 스펙트럼

이미지의 자기 상관 기능은 텍스처의 반복적인 패턴을 감지하는 데 사용될 수 있다.

텍스처 분할

영상 텍스처의 사용은 영역별 세그먼트에 대한 설명으로 사용될 수 있다. 영상 텍스처를 기반으로 한 분할에는 영역 기반과 경계 기반이라는 두 가지 주요 유형이 있다. 영상 텍스처가 분할을 위한 완벽한 척도는 아니지만, 이미지 분할을 해결하는 데 도움이 되는 색상과 같은 다른 척도와 함께 사용된다.

지역 기반

텍스처 속성을 기준으로 픽셀을 그룹화하거나 클러스터링하려고 시도.

경계 기반

다른 텍스처 속성에서 가져온 픽셀 사이의 가장자리를 기준으로 픽셀을 그룹화하거나 클러스터화하려고 시도.

참고 항목

추가 읽기

Peter Howarth, Stefan Rüger, 2004년 Springer-Verlag, "콘텐츠 기반 이미지 검색을 위한 텍스처 기능 평가"

생체 의학 영상의 텍스처 분석에 대한 자세한 설명은 Depeursenge 외 (2017)에서 확인할 수 있다.^[7] 질감 분석은 구강 수술에서 방사선 영상을 검사하는데 사용된다[DOI: 10.3390/ma13132935; DOI: 10.3390/ma13163649] 및 치주학[DOI: 10.3390/ma13163614; DOI: 10.17219/acem/104524].

참조

^ 린다 지 샤피로와 조지 C. Stockman, Computer Vision, Upper Saddle River: 프렌티스-2001년 홀
^ Trambitskiy K.V.; Anding K.; Polte G.A.; Garten D.; Musalimov V.M. (2015). "Out-of-focus region segmentation of 2D surface images with the use of texture features". Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 15 (5): 796–802. doi:10.17586/2226-1494-2015-15-5-796-802.
^ 로버트 M. 하랄릭, K. Shanmugam and It'hak Dinstein, "이미지 분류용 텍스트 기능", IEEE Transactions on Systems, Man 및 Cybernetics, 1973, SMC-3(6): 610–621
^ K. 법률 "질감된 이미지 세분화", 박사. 1980년 1월, 남캘리포니아 대학교의 논문
^ A. Meyer-Bése, Academic Press, 2004. "Medical Imaging에 대한 패턴 인식"
^ CSE576: Computer Vision: Chapter 7 (PDF). University of Washington. 2000. pp. 9–10.
^ Depeursinge, A.; Al-Kadi, Omar S.; Mitchell, J. Ross (2017-10-01). Biomedical Texture Analysis: Fundamentals, Tools and Challenges. Elsevier. ISBN 9780128121337.

[1] 린다 지 샤피로와 조지 C. Stockman, Computer Vision, Upper Saddle River: 프렌티스-2001년 홀

[2] Trambitskiy K.V.; Anding K.; Polte G.A.; Garten D.; Musalimov V.M. (2015). "Out-of-focus region segmentation of 2D surface images with the use of texture features". Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 15 (5): 796–802. doi:10.17586/2226-1494-2015-15-5-796-802.

[3] 로버트 M. 하랄릭, K. Shanmugam and It'hak Dinstein, "이미지 분류용 텍스트 기능", IEEE Transactions on Systems, Man 및 Cybernetics, 1973, SMC-3(6): 610–621

[4] K. 법률 "질감된 이미지 세분화", 박사. 1980년 1월, 남캘리포니아 대학교의 논문

[5] A. Meyer-Bése, Academic Press, 2004. "Medical Imaging에 대한 패턴 인식"

[6] CSE576: Computer Vision: Chapter 7 (PDF). University of Washington. 2000. pp. 9–10.

[7] Depeursinge, A.; Al-Kadi, Omar S.; Mitchell, J. Ross (2017-10-01). Biomedical Texture Analysis: Fundamentals, Tools and Challenges. Elsevier. ISBN 9780128121337.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

Search