Análisis de texturas mediante el histograma de frecuencias de elementos conexo

Patricio Guisado, Miguel Ángel (2002). Análisis de texturas mediante el histograma de frecuencias de elementos conexo. Tesis (Doctoral), Facultad de Informática (UPM) [antigua denominación].

Descripción

Título: Análisis de texturas mediante el histograma de frecuencias de elementos conexo
Autor/es:
  • Patricio Guisado, Miguel Ángel
Director/es:
  • Maravall Gómez-Allende, Darío
Tipo de Documento: Tesis (Doctoral)
Fecha: 2002
Materias:
Escuela: Facultad de Informática (UPM) [antigua denominación]
Departamento: Inteligencia Artificial
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (3MB) | Vista Previa

Resumen

El Análisis de Texturas, y más concretamente, la segmentación de texturas es uno de los campos de mayor interés dentro de la Visión Artificial. La segmentación de una escena del mundo real es casi imposible llevarla a cabo sin poder segmentar los objetos texturizados que en ella se encuentran. Este proceso es más crítico cuando se pretende aplicar en sistemas de inspección automática en entornos industriales. Un error en esta fase se propagará en subsiguientes etapas y provocará una degeneración completa del sistema. Por este motivo, la inspección de productos industriales juega un papel muy importante en los procesos de producción, en los que cada vez más aumenta la demanda de calidad en un entorno de fuerte competitividad. El principal problema con el que nos enfrentamos en el Análisis de Texturas es el de encontrar la mejor representación de textura. Uno de los inconvenientes más significativos dentro de la caracterización e identificación de texturas es que la mayoría de sus descripciones son subjetivas y difusas. La mayor parte de las características utilizadas para su descripción dependen muy estrechamente del problema que se intenta resolver y desgraciadamente no existe un esquema estandarizado. Sobre esta problemática se centra la principal aportación de este trabajo. Hemos desarrollado un novedoso concepto al que hemos llamado: Histograma de Frecuencias de Elementos Conexos (HFEC). Se puede definir el HFEC de una imagen como una aproximación a la función de densidad de un suceso o evento aleatorio denominado “elemento conexo”. Este suceso no sólo representa la distribución de los niveles de gris de la textura, sino también la dependencia espacial que existe entre ellos. El trabajo se compone principalmente de tres partes. La primera parte del trabajo se centra en la descripción de esta novedosa herramienta, así como en el estudio de sus propiedades. Se presentan los parámetros que definen el HFEC: el Nivel de Conectividad y el Parámetro Morfológico. Mediante un estudio de sensibilidad de estos parámetros se demuestra como el Histograma de niveles de gris de una imagen es un caso particular de la configuración de un HFEC. En una segunda parte se presenta una arquitectura para el diseño de Sistemas de Reconocimiento Automático de Formas basados en la representación de un HFEC. Dicha arquitectura se divide en tres fases: (1) Extracción de características, (2) Selección de características y (3) Clasificación. En la primera fase, como su nombre indica, se extraen las características del HFEC que entran en juego en nuestro problema de reconocimiento y cuyo fin es la conversión del HFEC en características que representen, idealmente, la información condensada y más importante de un HFEC dado. En esta fase, además de las herramientas clásicas como la transformada de Fourier, se ha utilizado una herramienta matemática cuyo uso está siendo bastante extenso y exitoso en sistemas de reconocimientos de formas como es la transformada Wavelet. El objetivo principal de un HFEC es el de caracterizar la región de una textura para su posterior clasificación. El HFEC de una textura natural es una función no estacionaria y, por lo tanto, es deseable para su estudio poder trabajar con una representación espacio / escalar (frecuencia) de la forma que nos lo permite el análisis Wavelet. En la fase de selección de características se identifican el menor número de características que mejor identifican un HFEC dado con la mínima redundancia posible. Para ello se ha implementado un procedimiento estadístico que tiene en cuenta la información de dispersión entre/intra clases a la hora de seleccionar una característica. En la tercera y última fase se asigna una categoría de textura a un HFEC específico de acuerdo con las características seleccionadas en la etapa anterior. Hemos elegido como clasificador un tipo de redes neuronales como el modelo de perceptrón multicapa con propagación hacia delante (feedforward neural network), asociado al algoritmo de ajuste denominado Retropropagación del Gradiente (Back-Propagation). Por último, se presenta la aplicación de esta arquitectura y el HFEC a un sistema real de inspección automática de madera. El problema que se pretende resolver es el de la detección de defectos en objetos de madera. La inspección de estos objetos se realiza bajo condiciones de un entorno industrial y existe una gran variabilidad en la apariencia de los mismos. Parte del desarrollo expuesto es fruto del trabajo de investigación realizado durante más de seis años en un proyecto de colaboración entre el Departamento de Inteligencia Artificial de la Facultad de Informática de la Universidad Politécnica de Madrid y una empresa privada (por motivos de confidencialidad evitamos el nombre). A la hora de escribir estas líneas existen seis plantas industriales (tres en España, dos en Francia y una en Portugal) utilizando el sistema de inspección automática desarrollado en este proyecto. Textures Analysis, or more precisely, texture segmentation, is one of the most critical issues in computer vision. There are virtually no scenes taken from the real world that can be analyzed automatically without segmenting the texture elements present in the corresponding digital images. Focusing on the automatic quality inspection of industrial products, the results attained in the segmentation phase are critical for the performance of the whole computer-based vision system. On the other hand, because of ever-increasing competitiveness in business and industry, quality inspection has become a key issue in any production process. The main problem that we face ourselves in Textures Analysis is finding the best texture representation. One of the most significant drawbacks within texture characterization and identification is that most of the descriptions are subjective and vague. Although the description, selection and classification of texture features are crucial for automatic object inspection, there is, unfortunately, no universally accepted standard for such a strategic endeavor. Most of the texture features used in practice depend very closely on the application domain and, furthermore, there is a disturbing lack of agreement even in the terminology used by the different authors. For any domain-specific application, the problem of selecting the best set of texture features, aside from being crucial, is more an art than a science. The main contribution of this thesis centers on these problems. We have developed a novel concept that we have called: Frequency Histogram of Connected Elements (FHCE). The FHCE can be defined as an approximation to the probability density function of a random event called “Connected Element”. The FHCE represents the frequency of occurrence of a random event, which not only describes the texture’s gray-level distribution, but also the existing spatial dependence within the texture. The thesis is composed of three parts. The first part centers on the description of this novel concept, as well as on the study of its main properties. The parameters that define the so-called “Connected Element” are introduced: the Connectivity Level and the Morphology Parameter. A sensibility study of these parameters shows that the gray-level histogram of a digital image is a particular case of the FHCE. The second part introduces an architecture for the design of Automatic Recognition Systems based on the representation of an FHCE. This architecture is divided into three phases: (1) characteristics extraction, (2) characteristics selection and (3) classification. In the first phase, the characteristics of the FHCE that come into play in our recognition problem are extracted. The purpose is to convert the FHCE into characteristics that represent the condensed information of a given FHCE. In this phase, in addition to classic tools, such as the Fourier transform, we used a widely used and highly successful mathematical tool for recognition systems: the Wavelet transform. The main objective of an FHCE is to characterize the region of a texture for its subsequent classification. The FHCE of a natural texture is a non-stationary function and, therefore, it is desirable for its study to be able to work with a space/scalar (frequency) representation, as the Wavelet analysis does. In the characteristics selection phase, the smallest number of characteristics that best identify an FHCE, with the minimum possible redundancy, are identified. For this reason, a statistical procedure was implemented that takes into account the dispersion information between/within classes in order to select a characteristic. In the third and last phase, the FHCE is assigned to a texture category according to the characteristics selected in the previous stage. A feed-forward multilayer perceptron, trained with the back-propagation algorithm, is the specific ANN classifier applied for the detection and recognition of textures in digital images. Finally, this architecture and the FHCE are applied to a real automatic wood inspection system. The problem that is to be solved is the detection of defects in wooden objects. These objects are inspected under industrial environment conditions. Part of the development presented is the result of investigative work carried out over more than six years in a collaborative project between the Departamento de Inteligencia Artificial of the Facultad de Informática of the Universidad Politécnica de Madrid and a private company (to remain unnamed for confidentiality reasons). At the time of this writing, there are six industrial plants (three in Spain, two in France and one in Portugal) using the automatic inspection system developed in this project.

Más información

ID de Registro: 9883
Identificador DC: http://oa.upm.es/9883/
Identificador OAI: oai:oa.upm.es:9883
Depositado por: Archivo Digital UPM
Depositado el: 21 Dic 2011 12:12
Ultima Modificación: 20 Abr 2016 18:11
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM