{"id":108110,"date":"2018-03-11T10:32:48","date_gmt":"2018-03-11T10:32:48","guid":{"rendered":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/texture-description-in-multiples-scales-using-universal-texton-dictionaries\/"},"modified":"2018-03-11T10:32:48","modified_gmt":"2018-03-11T10:32:48","slug":"texture-description-in-multiples-scales-using-universal-texton-dictionaries","status":"publish","type":"post","link":"https:\/\/www.deberes.net\/tesis\/vision-artificial\/texture-description-in-multiples-scales-using-universal-texton-dictionaries\/","title":{"rendered":"Texture description in multiples scales using universal texton dictionaries"},"content":{"rendered":"<h2>Tesis doctoral de <strong> Jos\u00e9 Rouco Maseda <\/strong><\/h2>\n<p>Una de las tareas fundamentales en las aplicaciones de visi\u00f3n por computador es la denici\u00f3n de modelos y m\u00e9tricas de similitud adecuados para las diferentes caracter\u00edsticas visuales de inter\u00e9s en las im\u00e1genes. Por lo general, las caracter\u00edsticas de inter\u00e9s ser\u00e1n espec\u00edcas para un dominio de aplicaci\u00f3n. Sin embargo, en ausencia de informaci\u00f3n de alto nivel sobre los contenidos y las condiciones en las que se han adquirido las im\u00e1genes, tanto las caracter\u00edsticas visuales como los modelos utilizados para su extracci\u00f3n y representaci\u00f3n deben ser lo sucientemente gen\u00e9ricos para permitir el an\u00e1lisis de una gran diversidad de patrones visuales en una gran diversidad de condiciones de imagen.  la mayor\u00eda de las im\u00e1genes, independientemente del dominio de aplicaci\u00f3n, contienen patrones de textura en alg\u00fan nivel de detalle. Debido a esto, un procesamiento y an\u00e1lisis apropiado de las texturas es necesario en la mayor\u00eda de sistemas de visi\u00f3n por computador. Por un lado, los patrones de textura podr\u00edan interferir en la extracci\u00f3n adecuada de caracter\u00edsticas visuales de inter\u00e9s como el color o los bordes. Si este es el caso, y para determinadas aplicaciones, el procesamiento que permite ltrar y descartar los patrones de textura suele ser sencillo. Por otro lado, la informaci\u00f3n de textura podr\u00eda ser de gran importancia como caracter\u00edstica visual para la segmentaci\u00f3n, reconocimiento y representaci\u00f3n de los objetos presentes en la imagen. En este caso, las texturas y sus caracter\u00edsticas deben ser modeladas de forma detallada para su adecuado tratamiento. Esto \u00faltimo ha motivado el desarrollo de m\u00e9todos de representaci\u00f3n y an\u00e1lisis de textura en la bibliograf\u00eda. No obstante, a pesar de la gran diversidad de modelos de textura que han sido propuestos en las \u00faltimas d\u00e9cadas, la complejidad y diversidad de los patrones de textura ha provocado que el an\u00e1lisis y representaci\u00f3n de texturas en dominios gen\u00e9ricos siga siendo un problema abierto.  aunque existen grandes diferencias entre los diferentes m\u00e9todos para la extracci\u00f3n de caracter\u00edsticas de textura existentes, hay un amplio consenso en la adopci\u00f3n del paradigma de julesz de percepci\u00f3n de texturas basado en modelos de textons. Estos modelos est\u00e1n basados en estad\u00edsticas de primer orden de un conjunto de formas locales que se consideran de inter\u00e9s para la representaci\u00f3n de texturas y que se denominan textons. Sin embargo, no existe consenso con respecto al diccionario concreto de textons a usar, ni con respecto a la metodolog\u00eda utilizada para obtener el diccionario de textons.  el m\u00e9todo de generaci\u00f3n de diccionarios m\u00e1s com\u00fanmente usado obtiene conjuntos representativos de textons mediante t\u00e9cnicas de aprendizaje m\u00e1quina sobre conjuntos de im\u00e1genes procesadas con bancos de ltros lineales. La ventaja de estos m\u00e9todos es precisamente que la incorporaci\u00f3n del aprendizaje a\u00f1ade versatilidad para adaptarse a diferentes dominios de aplicaci\u00f3n. Sin embargo, esto tambi\u00e9n limita su usabilidad en dominios de aplicaci\u00f3n gen\u00e9ricos. La alternativa al aprendizaje del diccionario de textons, es el uso de un conjunto gen\u00e9rico de textons predise\u00f1ados. De esta forma el diccionario de textons ser\u00e1 gen\u00e9rico y no estar\u00e1 sesgado por la distribuci\u00f3n concreta de texturas y  caracter\u00edsticas existentes en un conjunto de im\u00e1genes de entrenamiento concreto. Por otra parte, para poder generar representaciones de textura complejas y gen\u00e9ricas con los modelos basados en textons, es necesario incrementar la complejidad y diversidad de los textons que se tienen en cuenta. En el caso de diccionarios de textons basados en aprendizaje m\u00e1quina, el incremento en n\u00famero y complejidad de los textons ha sido estudiado en profundidad en la bibliograf\u00eda reciente. Sin embargo, seg\u00fan nuestro conocimiento de la bibliograf\u00eda relacionada con el an\u00e1lisis y representaci\u00f3n de texturas, no existen diccionarios de textons predise\u00f1ados de complejidad equivalente a la de los basados en aprendizaje m\u00e1quina.  aparte de esto, una de las propiedades fundamentales de los patrones de textura es que s\u00f3lo son signicativos para escalas de an\u00e1lisis adecuadas, de forma similar a la mayor\u00eda de caracter\u00edsticas visuales estructurales. Esto supone una dicultad para el an\u00e1lisis de textura ya que las escalas de inter\u00e9s son desconocidas a priori, y son espec\u00edcas de cada imagen y textura analizadas. Debido a esto, para la mayor\u00eda de las aplicaciones es necesario disponer de m\u00e9todos de selecci\u00f3n de escala para el an\u00e1lisis y representaci\u00f3n de texturas. Es decir, que es necesario seleccionar una escala de an\u00e1lisis adecuada para poder representar adecuadamente un patr\u00f3n de textura dado.  uno de los m\u00e9todos m\u00e1s com\u00fanmente usados para la selecci\u00f3n de escala de caracter\u00edsticas estructurales sencillas se basa en la optimizaci\u00f3n de m\u00e9tricas de saliencia espec\u00edcas para las caracter\u00edsticas de inter\u00e9s. Este m\u00e9todo de selecci\u00f3n de escala ha sido usado satisfactoriamente con caracter\u00edsticas simples como blobs, esquinas, crestas o algunos tipos especiales de texturas sencillas. Sin embargo este mecanismo no ha sido sucientemente estudiado con patrones de textura gen\u00e9ricos, principalmente debido su complejidad computacional con representaciones complejas. Por el contrario, los m\u00e9todos existentes se han centrado en el uso de t\u00e9cnicas heur\u00edsticas o simplicaci\u00f3n de las representaciones de textura utilizadas, lo que provoca que el m\u00e9todo de selecci\u00f3n de escala s\u00f3lo sea v\u00e1lido para un conjunto reducido de texturas.  debido a que la selecci\u00f3n de escala es necesaria para en an\u00e1lisis y representaci\u00f3n adecuado de los patrones de textura, para que una representaci\u00f3n de texturas gen\u00e9rica sea \u00fatil es necesario disponer de un m\u00e9todo de selecci\u00f3n de escala gen\u00e9rico. El desarrollo de m\u00e9todos gen\u00e9ricos de selecci\u00f3n de escala en textura, no obstante, es a\u00fan hoy uno de los principales obst\u00e1culos en el an\u00e1lisis y representaci\u00f3n de textura en dominios gen\u00e9ricos. Esto motiva el dise\u00f1o y estudio de los m\u00e9todos de selecci\u00f3n de escala basados en optimizaci\u00f3n de m\u00e9tricas de saliencia, usando representaciones de textura gen\u00e9ricas. Sin embargo, para hacer esto, es necesario usar representaciones de textura con escala de an\u00e1lisis local y variable, de forma que sea posible comparar representaciones de textura asociados a diferentes escalas de an\u00e1lisis.  en esta tesis se presenta un marco de an\u00e1lisis y representaci\u00f3n de patrones de textura. Por un lado, un primer objetivo consiste en dise\u00f1ar un sistema de extracci\u00f3n de caracter\u00edsticas de textura basado en el modelo de textons, que use diccionarios predise\u00f1ados y que proporcione representaciones de textura de escala local lo sucientemente gen\u00e9ricas como para representar adecuadamente una gran variedad de texturas. Por otro lado, el segundo objetivo consiste en proporcionar un estudio detallado de la t\u00e9cnicas de selecci\u00f3n de escala basados en la optimizaci\u00f3n de m\u00e9tricas de saliencia computadas en base a los modelos de textura gen\u00e9ricos previamente desarrollados.<\/p>\n<p>&nbsp;<\/p>\n<h3>Datos acad\u00e9micos de la tesis doctoral \u00ab<strong>Texture description in multiples scales using universal texton dictionaries<\/strong>\u00ab<\/h3>\n<ul>\n<li><strong>T\u00edtulo de la tesis:<\/strong>\u00a0 Texture description in multiples scales using universal texton dictionaries <\/li>\n<li><strong>Autor:<\/strong>\u00a0 Jos\u00e9 Rouco Maseda <\/li>\n<li><strong>Universidad:<\/strong>\u00a0 A coru\u00f1a<\/li>\n<li><strong>Fecha de lectura de la tesis:<\/strong>\u00a0 27\/04\/2011<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<h3>Direcci\u00f3n y tribunal<\/h3>\n<ul>\n<li><strong>Director de la tesis<\/strong>\n<ul>\n<li>Antonio Mosquera Gonzalez<\/li>\n<\/ul>\n<\/li>\n<li><strong>Tribunal<\/strong>\n<ul>\n<li>Presidente del tribunal: petia Radeva <\/li>\n<li>Ana Mar\u00eda Mendon\u00ed\u00a7a (vocal)<\/li>\n<li>diego Cabello ferrer (vocal)<\/li>\n<li>stefano Berretti (vocal)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Tesis doctoral de Jos\u00e9 Rouco Maseda Una de las tareas fundamentales en las aplicaciones de visi\u00f3n por computador es la [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"footnotes":""},"categories":[18576,21130,11658],"tags":[216843,21467,21468,216842,84914,216844],"class_list":["post-108110","post","type-post","status-publish","format-standard","hentry","category-a-coruna","category-tratamiento-digital-de-imagenes","category-vision-artificial","tag-ana-maria-mendonia","tag-antonio-mosquera-gonzalez","tag-diego-cabello-ferrer","tag-jose-rouco-maseda","tag-petia-radeva","tag-stefano-berretti"],"_links":{"self":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/108110","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/comments?post=108110"}],"version-history":[{"count":0,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/108110\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/media?parent=108110"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/categories?post=108110"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/tags?post=108110"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}