Este método obtiene sus medidas de diferencia de texturas basada en la relación entre los vectores gradientes. El vector gradiente proporcina un gran soporte tanto para ruido como para cambios e iluminación.
- Un gradiente no es más que un vector de cambio que permite determinar si el cambio de intensidades entre dos pixeles. Si el cambio es demasiado brusco, se dice que se ha hallado un borde en esa región, de lo contrario pertecenen a la misma.
- Generalmente son usados los filtros de Prewitt o Sobel para determinar el cambio que ha sucedido.
- Se calcula un gradiente para X y un gradiente para Y. La imagen resultante debe ser calculada como la magnitud de los gradientes proporcionados en X y Y para la imagen original.
Este algoritmo permite la integración de intensidad y textura tiene dos modos:
- Combina las dos medidas adaptativamente de acuerdo a la evidencia de textura
- Lo hace como el anterior pero con restricciones de suavidad
Este algoritmo puede correr en tiempo real debido a la complejidad del algoritmo.
Utilizando Intensidad y Diferencias de Textura Usando slo Diferencia de Intensidad o de Estructuras por si sola.
- Métodos basados en pixeles
- Métodos basados en regiones
Métodos más robustos seleccionan un threshold adaptativamente basados en la estimación de diferencias de la foto o thresholds en cada pixel en la distribución de escala de gris de los puntos de fondo.
Detecciones de cambio en un pixel requieren menos costo computacional dado que solo se considera un pixel, pero es muy sensible a ruido.
Para hacer más robusto la detección de cambio las características de intensidad de regiones en la misma localización en dos imágenes son comparadas usando enfoque estadísticos. Aquí se busca revisar si la estadística de dos regiones corresponden a una misma distribución de intensidades. Se puede tomar un radio de similaridad, pero el desempeño del radio puede ser mejorado usando superficies cuadráticas para aproximar los valores de intensidades pertenecientes a ciertas regiones.
Usando distribuciones de intensidades tiene buen soporte para el ruido, pero son sensibles a los cambios de iluminación. Es por eso que se proponen estadisticas independientes de la iluminación basadas en regiones.
Cuando una región tiene estadísticas de cambio diferentes a las que sufre toda la imagen, entonces significa que se ha encontrado un objeto. Por ejemplo: si se produce un cambio de brillo en la imagen causará un cambio en todos los valores de la imagen y sus estadísticas, pero si se encuentra un cambio brusco en solo una región de la imagen entonces ha encontrado un objeto que alteró la imagen en cierta región.
El método para determinar un cambio de iluminación en la imagen se logra calculando un incremento de intensidades de brillo en toda la imagen, pero un cambio en la superficie física de la región hará que las intensidades de los radios varien inconsistentemente.
Sin embargo, todos los métodos emplean un radio de intensidades o sumas de intensidades para describir características estructurales de una región, lo que su desempeño es pobre sobre regiones oscuras en imágenes debido a que el radio se vuelve insignificante para estas regiones.
La robustez de las medidas de diferencia basadas en regiones se centra en representaciones disimilares de diferentes características estructurales locales. Las texturas de fondo se mantienen relativamente estables con respecto a cambios de ruido e iluminación a menos a que es cubierta de objetos en movimiento o abruptos cambios de luz. Por otro lado, un cambio en el fondo que es cubierto por un objeto en movimiento, pese a que las distribuciones de primer plano y el fondo sean similares, las características de textura de las dos regiones son usualmente diferentes.
Medida de Diferencia de Textura
La textura puede ser modelada como un espectro de poder de Fourier, matríz de co-ocurrencia, campos aleatorios de Markov y filtros de Gabor. Algunos métodos agregan pixeles basados en similitudes de estructuras locales en una vecindad, las cuales se obtienen de estadísticas de arreglos de niveles de gris de características de espectro sobre grandes números de muestras
En este artículo se menciona que los gradientes son invariantes a la intensidad de luz, pudiendo soportar cambios en la intensidad de luz desde 26.8% hasta 373.2% de la intensidad original.
Haciendo un modelado de ruido gaussiano se puede demostrar que pese a que exista este en la imagen no altera significativamente, pero en este caso no es válido clasificar un punto de acuerdo a una diferencia local del gradiente. Por esto, un peso validado para el gradiente se calcula.
Integración de Textura y Diferencia de Intensidades
Para poder integrar textura e intensidades se requiere una normalización de medidas de diferencia de textura; para normalizarse se requiere de una difusión de dos tipos de diferentes medidas.
El ruido se modela como una gaussiana y se usa el método de Least Median of Squares. Calculando para cada pixel el cambio de iluminación de cada pixel se pueden controlar los cambios para toda la imagen.
El método de LMedS permite eliminar outliers dado que si aparecen cambios de iluminación en la imagen grandes, se verá reflejado como un cambio en las medias de brillo.
Integración Ponderada
Dado ruido y cambios de iluminación, la diferencia de textura es considerada más confiable que la diferencia de intensidades.
Integración de Energía Minimizada
Este método es robusto y soporta errores de ruido y niveles de detección. A través de minimizar el error de energía, se puede obtener una segmentación que tenga:
- Convergencia rápida pero superficies muy rugosas
- Convergencia lente pero superficies suaves
Resultados Experimentales
Se comparó el trabajo de segmentación con los métodos: diferencia adaptativa de intensidades basado en pixeles y el método basado en regiones SM.
Cuantitativamente se hizo una comparación con respecto a las regiones que se perdían de los pixeles y los pixeles que eran considerados como parte del objeto y en realidad no eran así, obteniendo muy buenos resultados en la segmentación obtenida.
En las imágenes de prueba se puede ver:
a) Fondo inicial
b) Resultados del método
c) Resultados de AID
d) Resultados de SM
e) Resultados de WI
f) Resultados de MWI
g) Resultados de MEI
Imagen 1
Imagen 2
Tabla 2