Texture (traitement des images)

L'utilisation des Détection de contours pour déterminer le nombre de pixels décrivant ces contours dans une région spécifique détermine la caractéristique de la complexité d'une texture. Une fois les contours obtenus, leur direction peut également être appliquée comme une autre caractéristique de celle-ci et pourrait être utile pour la détermination de l'échantillon dans la texture. Ces directions sont présentées soit dans une moyenne, soit sur un histogramme.

Considérons une région avec N pixels. Le détecteur de contour basé sur le gradient est alors appliqué à cette région pour produire deux résultats pour chaque pixel p : la magnitude Mag(p) et la direction Dir(p). L'aire de contour (Edgeness) par unité d'aire est alors définie par :

${\displaystyle F_{edgeness}={\frac {|\{p|Mag(p)>T\}|}{N}}}$

T représentant le seuillage.

Pour inclure l'orientation avec le contour, on peut utiliser des histogrammes sur la magnitude et la direction. Soit H_mag(R) représentant l’histogramme normalisé de magnitude de la région R, et soit H_dir représentant l’histogramme normalisé d'orientations de la région R. Ils sont tous deux normalisés, en accord avec la taille N_R.

Puis on a la description quantitative de la texture de la région R :

${\displaystyle F_{magdir}=(H_{mag}(R),H_{dir}(R))}$

La matrice de cooccurrence capture les éléments numériques de la texture en utilisant les relations spatiales des tons de gris similaires[3]. Ces données numériques calculées par ces matrices de cooccurrence peuvent être utilisées pour représenter, comparer et classifier les textures. Ce qui suit est un sous-ensemble de caractéristiques standard dérivables depuis une matrice de cooccurrence normalisée :

${\displaystyle {\begin{aligned}Angular{\text{ }}2nd{\text{ }}Moment&=\sum _{i}\sum _{j}p[i,j]^{2}\\Contrast&=\sum _{n=0}^{Ng-1}n^{2}\left\{\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}p[i,j]\right\}{\text{, où }}|i-j|=n\\Correlation&={\frac {\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}(ij)p[i,j]-\mu _{x}\mu _{y}}{\sigma _{x}\sigma _{y}}}\\Entropy&=-\sum _{i}\sum _{j}p[i,j]log(p[i,j])\\\end{aligned}}}$

Où ${\displaystyle p[i,j]}$ est le ${\displaystyle [i,j]}$ème entrée dans un espace de gris matricielle, et Ng est le nombre de niveaux de gris distincts dans l'image quantifié.

L'aspect négatif de cette matrice de cooccurrence est que les caractéristiques ainsi extraites ne correspondent pas nécessairement à la perception visuelle.

Une autre approche pour générer les caractéristiques de ces textures est d'utiliser des masques (ou kernel) pour détecter les différents types de textures. En 1980, K. Laws a utilisé 4 vecteurs représentant des caractéristiques de texture pour créer seize masques 2D[4]. Un cinquième vecteur caractérisant les vagues est quelquefois rajouté. Les masques de convolution de taille en résultant, de matrice 5 × 5, sont utilisés pour calculer l’énergie d'une texture qui est représentée après élimination des doublons de symétrie, par neuf vecteurs élémentaires pour chaque pixel. Ce masque est généré d'après les vecteurs suivants :

 L5  =  [ +1  +4  6  +4  +1 ]  (Niveau)
 E5  =  [ -1  -2  0  +2  +1 ]  (Contour)
 S5  =  [ -1   0  2   0  -1 ]  (Point)
 W5  =  [ -1  +2  0  -2  +1 ]  (Vague)
 R5  =  [ +1  -4  6  -4  +1 ]  (Ride)

La fonction d’auto-corrélation d'une image peut être utilisée pour détecter les échantillons répétitifs des textures.

Tentatives de grouper les pixels en se basant sur les propriétés de texture.

Tentatives de grouper les pixels basés sur les contours d'image parmi les pixels qui viennent de différentes propriétés de texture.