PDF de programación - Representación de Imágenes Digitales basada en Patrones Visuales: Modelos Computacionales y Aplicaciones

UNIVERSIDAD DE GRANADA

Departamento de Ciencias de la Computación

e Inteligencia Artificial

Representación de Imágenes Digitales basada
en Patrones Visuales: Modelos Computacionales
y Aplicaciones.

TESIS DOCTORAL

ROSA Mª RODRÍGUEZ SÁNCHEZ

Granada, Marzo del 1999

Representación de Imágenes Digitales basada
en Patrones Visuales: Modelos Computacionales
y Aplicaciones

MEMORIA QUE PRESENTA

Rosa Mª Rodríguez Sánchez

PARA OPTAR AL GRADO DE DOCTORA EN INFORMÁTICA

Marzo del 1999

DIRECTORES

JOSE ANTONIO

GARCÍA SORIA

JOAQUÍN

FERNÁNDEZ VALDIVIA

DEPARTAMENTO DE CIENCIAS DE LA COMPUTACIÓN

E INTELIGENCIA ARTIFICIAL

E.T.S. de Ingeniería Informática

Universidad de Granada

La memoria titulada Representación de Imágenes Digitales basada en Patrones Vi-
suales: Modelos Computacionales y Aplicaciones, que presenta Dª. Rosa Mª Rodríguez
Sánchez (miembro del Dpto. de Informática de la Universidad de Jaen) para optar al
grado de Doctora en Informática, ha sido realizada en el Departamento de Ciencias de
la Computación e Inteligencia Artificial de la Universidad de Granada bajo la dirección
de los doctores D. Jose Antonio García Soria y D. Joaquín Fernández Valdivia.

Granada, Marzo del 1999.

El Doctorando

Los Directores

Fdo. Rosa Mª Rodríguez

Fdo. J. A. García Fdo. J. Fdez. Valdivia

AGRADECIMIENTOS

No "le debo una canción..çomo diría Silvio Rodríguez , pero si un agradecimiento
a una multitud de personas, de las cuales algunas he tenido el gusto de conocer y a
aquellas que no como la niñita que me ayudó viéndola tejer un jersey a cambio de unas
pesetas.

Le agradezco a Jose Antonio, mi compañero como diría “El Agonias”, por su apoyo,
por mostrarme que detrás de los cristales turbios un pájaro se convierte en un árbol. Por
no pedirme que le baje una estrella azul sino que llene su espacio con mi luz.

Agradezco esta memoria a Joaquin Fdez-Valdivia y Jose Antonio García coodi-
rectores de Tesis, por ser unos grandes investigadores y por dar su herramienta más
preciada, sus ideas, a los que como yo nos estamos iniciando.

A Xose Ramón, un gran buscador y amigo, por su ayuda en temas relacionados con
esta Tesis, por su compañia en las caminatas y por su entusiasmo cuando solamente
quedaba 1’5KM en vez de 15KM para volver del Chullo.

A mis padres porque me han dado una educación y han sabido darme sus respetos.

A Mercedes pues comparte conmigo su gusto por tantos cantaautores aunque Joa-

quin no los entienda.

También a Antonio Ramirez, por ser un oasis en un desierto, por mostrarme lo bello
que es el campo y por enseñarme que uno puede sentirse féliz si es útil con lo que hace
para el resto de las personas y además le gusta.

Al departamento de Informática de Jaen en especial a los de las Lagunillas: Maite,

Luis y Victor.

Y a Nirvana que seguirá escondiendo a alguien las zapatillas.

Al proyecto TIC97-1150 por la aportación de los medios que han ayudado a la

consecución de la Tesis.

Índice general

1. Objetivos y Contenidos de la Tesis

2. Introducción

.

. . . .
. . . .
. . . .
.
. . . .

. . . .
. . . .
. . . .
. . . .
. . . .

2.1. El Sistema Visual Humano . . .
2.1.1. Anatomía del ojo. . . . .
2.1.2. El cortex visual .
. . . .
2.1.3. Más sobre los tipos de células
2.1.4. Resolución frecuencial
2.1.5. Función de sensibilidad al contraste (FSC)
2.1.6. La hipótesis multicanal .

. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
2.2.2. Relación entre los aspectos fisiológicos y computacionales . .
. . . .
2.2.3. Diseño Multicanal.
. . . .
2.2.4. Localización de los rasgos . . .
. . . .

. . . .
2.1.6.1. Enmascaramiento . .
. . .
. . . .
2.2.1.1. Modelos Monocanal .
.
2.2.1.2. Modelos Multicanal

. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .

. . . .
. . . .
. . . .
. . . .
. . . .
. .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .

2.2. Sistemas de representación visual.
2.2.1. Revisión histórica . . . .

. . . .
. . . .
. . . .
. . . .
. . . .
. . . .

. . . .
. . . .

. . . .
. . . .

. . . .
. . . .

. . .

3. EL Modelo Representacional RGF Pandemonium
. . . .

. . . .

. . . .

. . . .

. . . .

3.1. El RGF Pandemonium .
. . . .
3.2. ETAPA 1: Transformación del dominio espacial al frecuencial 2-D. . .
. . . .
3.3. ETAPA 2: Diseño multicanal conducido por los datos .
3.3.1. La selección de bandas de orientacion conducidas por los datos
3.3.2. La selección de canales de frecuencia radial conducidos por los
. . . .
. . . .
. . . .
. . . .
. . . .

. . . .
. . . .
3.4. ETAPA 3: Selección de los sensores activos . .
. . . .
3.5. ETAPA 4:Paso de los sensores simples activos a complejos. . .
. . . .
3.6. Resultados experimentales . . .
. . . .

. . . .
Experimento 1: Ilusiones de Descomposición .

. . . .
. . . .

. . . .
. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

datos

. .

1

5
7
.
8
.
. 12
. 14
. 17
. 20
. 21
. 22
. 23
. 23
. 23
. 26
. 28
. 31
. 33

35
. 36
. 37
. 41
42

. 44
. 44
. 47
. 51
. 51

I

II

Experimento 2: Continuación de Lineas . . . .
Experimento 3: Segregación de Texturas . . . .
Experimento 4: Imágenes reales
. . . .
. . . .
. . . .

. . . .
. . . .

. . . .

. .

3.7. Conclusiones

Índice general

. . . .
. . . .
. . . .
. . . .

. . . .
. . . .
. . . .
. . . .

. . . .
. . . .
. . . .
. . . .

. 51
. 56
. 56
. 63

4. El Modelo Representacional RGFF
. . . .
. . . .

4.1.
. . . .
4.2. Etapa Preatencional . . .

Introducción . . .

5. Aplicaciones del modelo representacional RGFF

5.1.1.

. . . .
. . . .

. . . .
. . . .

. . . .
. . . .

5.1. Caracterización de Formas Ilusorias Mediante el RGFF . . .
. . . .
. . . .

. . . .
. . . .
Introducción . .
. . . .
. . . .
5.1.1.1. Antecedentes.
5.1.1.2. Aproximación a la segregación de contornos y for-
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
5.1.3.1. Figuras subjetivas y realce de contraste. . . .
. . . .
5.1.3.2. Contornos subjetivos inducidos por desplazamientos
. . . .
. . . .

en la fase de las lineas inductoras . .
5.1.3.3. Agrupamiento por similaridad . . . .

. . . .
. .
5.1.2. Efectos de la incertidumbre
5.1.3. Resultados Experimentales . . .

. . . .
. . . .
. . . .

. . . .
. . . .
. . . .

mas ilusorias .

. . . .
. . . .

4.3. Etapa de Integración . .

. . . .

. . . .

4.4. Etapa de Aprendizaje . .

. . . .

. . . .

. . . .

. . . .

. . . .
. . . .

. . . .
. . . .
4.2.1. Diseño de un banco de log Gabors . . .
4.2.2. Los filtros activos del banco de filtros .
4.2.3. Selección de los puntos de interés . . .
. . . .

. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
4.3.1. La mejor definición de rasgo integral para la segregación de
. . . .

. . . .
. . . .
. . . .
. . . .
. . . .
. . . .

. . . .
. . . .
. . . .
. . . .
. . . .
. . . .

. . . .
. .

patrones visuales . . . .

. . . .
. . . .
4.4.1. Agrupamiento de los filtros activos
4.4.2. El camino óptimo desde un punto a otro . . . .
4.4.3. Un procedimiento de clustering dinámico . . .
4.4.4. Selección de la mejor definición de Rasgo Integral

. 79
4.3.2. Redundancia en rasgos integrales entre dos respuestas filtradas . 82
. 84
. 84
. 86
. 88
. 90
. 91
. 91

. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
Experimento 1: Una comparación con otros modelos
Experimento 2: Separación de señales sobre conjuntos de datos simu-
. . . .
. . . .
. . . .

. . . .
Experimento 3: Detección de rasgos sobre datos reales . . . .
. . . .

. . . .
. . . .
. . . .
. . . .
. .
. . . .
. . . .

. . . .
.

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

lados

. .

4.6. Conclusiones

. .

. . . .

4.5. Resultados Experimentales . . .

65
. 66
. 68
. 70
. 76
. 76
. 79

. 92
. 97
. 102

105
. 105
. 105
. 107

. 109
. 109
. 112
. 112

. 121
. 122

Índice general

5.1.3.4.

. . . .

. . . .
. . . .
. . . .
.

. . . .
. . . .
. . . .
. . . .

Ilusiones de tamaño y de forma . . .

diante el RGFF .
5.2.1.

. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .

. . . .
. . . .
Introducción . .
. . . .
5.2.1.1. Antecedentes.

. . . .
. . . .
. . . .
5.2.2. Bases de datos Mamográficas
. . . .
5.2.3. Segregación de las microcalcificaciones . . . .
5.2.4. Resultados experimentales . . .
. . . .
5.2.4.1. La noción de microcalcificación . . .

. . . .
5.2. Segregación de microcalcificaciones en imágenes Mamográficas me-
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
5.3. Desarrollo de una medida de distorsión basada en el modelo RGFF . .
. . . .
5.3.1.
5.3.2. Predicción de la visibilidad de objetos en escenas complejas .
5.3.2.1.
. . . .
. . . .
5.3.2.2. La distinción sicofísica de los objetos
. . . .
5.3.2.3. Medida computacional de la visibilidad de objetos
. . . .
. . . .
. . . .

en escenas naturales .

. . . .
5.3.2.4. Resultados y discusión . . .
. . . .

Introducción . .

. . . .

. . . .
. . . .
. . . .

. . . .
. . . .
. . . .

Imágenes . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .
. . .

5.4. Conclusiones

. .

. . . .

. . . .

. . . .

. . . .

6. Conclusiones y Trabajos Futuros

A. Principios básicos de la Teoría de Gabor

B. Adaptación a la luminancia

. . . .

. . . .

B.1. Bandas de Mach.
Bibliografía
Referencias que han surgido de esta tesis . . .
Índice de Materias

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

III

. 130

. 130
. 130
. 134
. 135
. 136
. 138
. 138
. 146
. 146
. 146
. 148
. 148

. 153
. 155
. 158

161

165

169
. 169
173
. 184
185

IV

Índice general

Índice de figuras

1.1. Esquema del contenido de la tesis.

. . .

. . . .

. . . .

. . . .

. . . .

.

3

.

. . . .

. . . .
. . . .

. .

. . . .

. . . .
. . . .

. . . .
. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .
. . . .

. . . .
. . . .

de excentricidad en la retina humana. . .

diferentes frecuencias espaciales. . . . .

. . . .
2.1. Ojo humano.
. . . .
2.2. El espectro electromagnético. . .
. . . .
2.3. Respuestas de los tres tipos de cono