Texture de l'image

par unité de surface peut être définie par

T\}|}{N F_{e d g e n e s s} = \frac{| {p | M un g (p) > T} |}{N}

T\}|}{N pour un certain seuil T.

Pour inclure l'orientation avec les histogrammes ${\displaystyle F_{mag,dir}=(H_{mag}(R),H_{dir}(R)) </span referrerpolicy=$ est une description quantitative de la texture de la région R.

Matrices de cooccurrence

La matrice de cooccurrence capture les caractéristiques numériques d'une texture à partir des relations spatiales entre les niveaux de gris similaires. Les caractéristiques numériques calculées à partir de la matrice de cooccurrence peuvent être utilisées pour représenter, comparer et classifier les textures. Voici un sous-ensemble de caractéristiques standard pouvant être dérivées d'une matrice de cooccurrence normalisée :

${\displaystyle {\begin{aligned}Angular{ ext{ }}2nd{ ext{ }}Moment&=\sum _{i}\sum _{j}p[i,j]^{2}\\Contrast&=\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}n^{2}p[i,j]{ ext{, 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{aligned <semantics><mrow><mstyle><mrow><mtable><mtr><mtd><mi>UN</mi><mi>n</mi><mi>g</mi><mi>vous</mi><mi>l</mi><mi>un</mi><mi>r</mi><mrow><mtext> </mtext></mrow><mn>2</mn><mi>n</mi><mi>d</mi><mrow><mtext> </mtext></mrow><mi>M</mi><mi>o</mi><mi>m</mi><mi>e</mi><mi>n</mi><mi>t</mi></mtd><mtd><mi></mi><mo>=</mo><munder><mo>∑</mo><mrow><mi>je</mi></mrow></munder><munder><mo>∑</mo><mrow><mi>j</mi></mrow></munder><mi>p</mi><mo>[</mo><mi>je</mi><mo>,</mo><mi>j</mi><msup><mo>]</mo><mrow><mn>2</mn></mrow></msup></mtd></mtr><mtr><mtd><mi>C</mi><mi>o</mi><mi>n</mi><mi>t</mi><mi>r</mi><mi>un</mi><mi>s</mi><mi>t</mi></mtd><mtd><mi></mi><mo>=</mo><munderover><mo>∑</mo><mrow><mi>je</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>N</mi><mi>g</mi></mrow></munderover><munderover><mo>∑</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>N</mi><mi>g</mi></mrow></munderover><msup><mi>n</mi><mrow><mn>2</mn></mrow></msup><mi>p</mi><mo>[</mo><mi>je</mi><mo>,</mo><mi>j</mi><mo>]</mo><mrow><mtext>, où </mtext></mrow><mrow><mo>|</mo></mrow><mi>je</mi><mo>−</mo><mi>j</mi><mrow><mo>|</mo></mrow><mo>=</mo><mi>n</mi></mtd></mtr><mtr><mtd><mi>C</mi><mi>o</mi><mi>r</mi><mi>r</mi><mi>e</mi><mi>l</mi><mi>un</mi><mi>t</mi><mi>je</mi><mi>o</mi><mi>n</mi></mtd><mtd><mi></mi><mo>=</mo><mrow><mfrac><mrow><munderover><mo>∑</mo><mrow><mi>je</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>N</mi><mi>g</mi></mrow></munderover><munderover><mo>∑</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>N</mi><mi>g</mi></mrow></munderover><mo>(</mo><mi>je</mi><mi>j</mi><mo>)</mo><mi>p</mi><mo>[</mo><mi>je</mi><mo>,</mo><mi>j</mi><mo>]</mo><mo>−</mo><msub><mi>μ</mi><mrow><mi>x</mi></mrow></msub><msub><mi>μ</mi><mrow><mi>y</mi></mrow></msub></mrow><mrow><msub><mi>σ</mi><mrow><mi>x</mi></mrow></msub><msub><mi>σ</mi><mrow><mi>y</mi></mrow></msub></mrow></mfrac></mrow></mtd></mtr><mtr><mtd><mi>E</mi><mi>n</mi><mi>t</mi><mi>r</mi><mi>o</mi><mi>p</mi><mi>y</mi></mtd><mtd><mi></mi><mo>=</mo><mo>−</mo><munder><mo>∑</mo><mrow><mi>je</mi></mrow></munder><munder><mo>∑</mo><mrow><mi>j</mi></mrow></munder><mi>p</mi><mo>[</mo><mi>je</mi><mo>,</mo><mi>j</mi><mo>]</mo><mi>l</mi><mi>n</mi><mo>(</mo><mi>p</mi><mo>[</mo><mi>je</mi><mo>,</mo><mi>j</mi><mo>]</mo><mo>)</mo></mtd></mtr></mtable></mrow></mstyle></mrow><annotation>{\displaystyle {\begin{aligned}Angulaire{ ext{ }}2ème{ ext{ }}Moment&=\sum _{i}\sum _{j}p[i,j]^{2}\\Contraste&=\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}n^{2}p[i,j]{ ext{, où }}|ij|=n\\Corrélation&={\frac {\sum _{i=1}^{Ng}\sum _{j=1}^{Ng}(ij)p[i,j]-\mu _{x}\mu _{y}}{\sigma _{x}\sigma _{y}}}\\Entropie&=-\sum _{i}\sum _{j}p[i,j]ln(p[i,j])\\\end{aligned}}}</annotation></semantics></math></span><img src=$

où ${\displaystyle p[i,j] <semantics><mrow><mstyle><mi>p</mi><mo>[</mo><mi>je</mi><mo>,</mo><mi>j</mi><mo>]</mo></mstyle></mrow><annotation>{\displaystyle p[i,j]}</annotation></semantics></math></span><img src=$ ${\displaystyle [i,j] <semantics><mrow><mstyle><mo>[</mo><mi>je</mi><mo>,</mo><mi>j</mi><mo>]</mo></mstyle></mrow><annotation>{\displaystyle [i,j]}</annotation></semantics></math></span><img src=$

Un inconvénient de la matrice de cooccurrence est que les caractéristiques extraites ne correspondent pas nécessairement à la perception visuelle . Elle est utilisée en dentisterie pour l'évaluation objective des lésions [DOI : 10.1155/2020/8831161], l'efficacité des traitements [DOI : 10.3390/ma13163614 ; DOI : 10.11607/jomi.5686 ; DOI : 10.3390/ma13173854 ; DOI : 10.3390/ma13132935] et la reconstruction osseuse pendant la cicatrisation [DOI : 10.5114/aoms.2013.33557 ; DOI : 10.1259/dmfr/22185098 ; EID : 2-s2.0-81455161223]. DOI : 10.3390/ma13163649].

Lois texture énergie mesures

Une autre approche consiste à utiliser des masques locaux pour détecter différents types de caractéristiques de texture. Laws a initialement utilisé quatre vecteurs représentant ces caractéristiques pour créer seize masques 2D à partir des produits extérieurs de paires de vecteurs. Les quatre vecteurs et les caractéristiques correspondantes étaient les suivants :

À ces 4, on ajoute parfois un cinquième :

À partir des 4 vecteurs de Laws, 16 « cartes d'énergie » 5x5 sont ensuite filtrées pour n'en retenir que 9, afin d'éliminer certaines paires symétriques. Par exemple, L5E5 mesure le contenu des bords verticaux et E5L5 mesure le contenu des bords horizontaux. La moyenne de ces deux mesures correspond au « caractère des bords » du contenu. Les 9 cartes résultantes utilisées par Laws sont les suivantes :

L'exécution de chacune de ces neuf cartes sur une image pour créer une nouvelle image de la valeur de l'origine ([2,2]) donne 9 « cartes d'énergie », ou conceptuellement une image avec chaque pixel associé à un vecteur de 9 attributs de texture.

Autocorrélation et spectre de puissance

La fonction d'autocorrélation d'une image peut être utilisée pour détecter les motifs répétitifs de textures.

Segmentation de texture

L'utilisation de la texture d'une image permet de décrire les régions et de les segmenter. Il existe deux principaux types de segmentation basés sur la texture : la segmentation par région et la segmentation par contour. Bien que la texture d'une image ne soit pas une mesure parfaite pour la segmentation, elle est utilisée conjointement avec d'autres mesures, telles que la couleur, pour faciliter la segmentation d'images.

Régional

Tentatives de regroupement ou d'agrégation des pixels en fonction de leurs propriétés de texture.

Basé sur les limites

Tentatives de regroupement ou d'agrégation de pixels en fonction des contours entre des pixels provenant de propriétés de texture différentes.