Extracción de características

Según hemos visto en el capítulo categorización de imágenes

como a clasificar, ya sean características de color, detectores de esquinas, bordes característicos o combinaciones de ellos.

Y uno de los métodos más utilizados para la extracción de estas cara

SIFT, ya sea aplicando a la imagen directamente este algoritmo y obtener los puntos característicos correspondientes,

mediante SIFT.

El segundo método comentado anterio métodos con mejores resultados del

3.1.1

Extracción de puntos SIFT

El algoritmo SIFT usado en nuestra implementación

más característicos de las imágenes. Este algoritmo es muy utilizado en diversos campos de detección y reconocimiento t

SIFT toma una imagen y la transforma en un

uno de estos vectores, formados por 128 descriptores, es invariante a escala, rotación o traslación de la imagen.

Ilustración

Una vez realizada la base de datos con todos los puntos de las imágenes de entrenamiento aplicaremos los respectivos algoritmos para clasificar las imágenes de test

también tendremos que extraerles sus puntos característicos y así poder clasificarlos según el algoritmo correspondiente.

Este tipo de extracción de puntos característicos causa algunos problemas, uno de estos problemas es que no todas las imágenes tiene

de puntos depende de las características de la imagen (resolución, contraste, etc.). Otro problema es que el algoritmo utilizado para la extracción de los puntos (SIFT) nos devuelve los descriptores normalizados, por lo que el

Euclidea.

sultados: Finalmente se evaluarán estas clasificaciones mediante una serie de curvas como son las Curvas ROC y Precisión/Recall y unos valores numéricos para resumir estas

como la Precisión media o el Área bajo la curva.

Extracción de características

Según hemos visto en el capítulo Estado del Arte, una de las etapas fundamentales en categorización de imágenes es la extracción de características de las imágenes tanto a analizar

, ya sean características de color, detectores de esquinas, bordes característicos o combinaciones de ellos.

Y uno de los métodos más utilizados para la extracción de estas características es el

, ya sea aplicando a la imagen directamente este algoritmo y obtener los puntos característicos correspondientes, o eligiendo puntos de la imagen y obtener sus descriptores l segundo método comentado anteriormente de elegir los puntos y describirlos es uno de los métodos con mejores resultados del Desafío Pascal 2007 utilizado por [7].

Extracción de puntos SIFT

El algoritmo SIFT usado en nuestra implementación [31], se usa para la extracción de

más característicos de las imágenes. Este algoritmo es muy utilizado en diversos campos de detección y reconocimiento tanto de objetos como de humanos [15] .Esta implement

SIFT toma una imagen y la transforma en un número de vectores de características locales. Cada uno de estos vectores, formados por 128 descriptores, es invariante a escala, rotación o traslación

Ilustración 16: Aplicación de SIFT a las imágenes

Una vez realizada la base de datos con todos los puntos de las imágenes de entrenamiento aplicaremos los respectivos algoritmos para clasificar las imágenes de test. A

ue extraerles sus puntos característicos y así poder clasificarlos según el Este tipo de extracción de puntos característicos causa algunos problemas, uno de estos problemas es que no todas las imágenes tienen el mismo número de puntos de interés, el número de puntos depende de las características de la imagen (resolución, contraste, etc.). Otro problema es que el algoritmo utilizado para la extracción de los puntos (SIFT) nos devuelve los descriptores normalizados, por lo que el cálculo de las distancias no se podrá realizar mediante distancia n estas clasificaciones mediante una serie s valores numéricos para resumir estas

una de las etapas fundamentales en la de las imágenes tanto a analizar , ya sean características de color, detectores de esquinas, bordes o puntos cterísticas es el algoritmo , ya sea aplicando a la imagen directamente este algoritmo y obtener los puntos o eligiendo puntos de la imagen y obtener sus descriptores rmente de elegir los puntos y describirlos es uno de los

la extracción de los puntos más característicos de las imágenes. Este algoritmo es muy utilizado en diversos campos de Esta implementación del de vectores de características locales. Cada uno de estos vectores, formados por 128 descriptores, es invariante a escala, rotación o traslación

Una vez realizada la base de datos con todos los puntos de las imágenes de entrenamiento las imágenes de test ue extraerles sus puntos característicos y así poder clasificarlos según el Este tipo de extracción de puntos característicos causa algunos problemas, uno de estos puntos de interés, el número de puntos depende de las características de la imagen (resolución, contraste, etc.). Otro problema es que el algoritmo utilizado para la extracción de los puntos (SIFT) nos devuelve los descriptores cálculo de las distancias no se podrá realizar mediante distancia

3.1.2

Extracción

de

características

sobre

un

espacio

predeterminado

En el apartado 3.2 explicamos cómo extraemos los puntos característicos mediante la aplicación del algoritmo SIFT [31], en este apartado se describirá otro método de extracción de puntos de interés, pero en este caso la extracción será diferente. Los puntos serán escogidos de una manera uniforme sobre toda la imagen utilizando una cuadricula que determinaremos nosotros y posteriormente aplicaremos el algoritmo SIFT [30] para que nos devuelva los descriptores de cada punto. Esta forma de describir las imágenes nos da una serie de ventajas, como que todas las imágenes tengan el mismo número de puntos, y se caracterizan casi todas las zonas de la imagen. El problema es que los puntos no son invariantes a la orientación y ni a la localización.

A todas las imágenes, tanto imágenes de entrenamiento como de test, se les aplicará el mismo método, que se basa en los siguientes puntos como mostramos en la Ilustración 17:

• Cambio de escala de todas las imágenes

• Mallado de las imágenes

• Aplicación de región circular sobre cada punto del mallado con un total de 5 escalas diferentes sobre cada punto

• Caracterización de las regiones circulares usando el descriptor SIFT

Todo este proceso descrito, se realiza para poder obtener un número de puntos característicos iguales en todas las imágenes. El cambio de escala en las imágenes lo realizamos para poder tener en todas las imágenes el mismo número de pixeles, el mallado consistirá en el cuadriculado de la imagen quedándonos con el punto de cada intersección, para realizar el mallado la imagen será dividida en tantos puntos como características queramos obtener, se realizaran unas regiones circulares sobre esos puntos y abarcando lo máximo posible de la imagen, y finalmente la obtención de los descriptores de cada punto en esas regiones circulares con los que crearemos nuestra base de datos. Realizaremos diferentes divisiones para obtener diferentes números de puntos, sacando 500, 1000, 2000 y 5000 puntos característicos de cada imagen. En la Ilustración 17 observamos una explicación grafica de este método.

Ilustración 17: Proceso para la extracción de puntos característicos, a) imagen escalada, b) imagen mallada, c) Regiones circulares en la imagen mallada, d) descriptor SIFT y e) Base de