Una matriz de co-ocurrencia o distribución de co-ocurrencia (también denominado: nivel de gris matrices de co-ocurrencia GLCMs) es una matriz que se define más de una imagen que es la distribución de los valores concurrentes de píxeles (valores de escala de grises o colores ) en un desplazamiento dado. Se utiliza como método para el análisis de texturas con diversas aplicaciones, especialmente en el análisis de imágenes médicas. [1] [2]
Método
Dada una imagen de nivel de gris , la matriz de co-ocurrencia calcula la frecuencia con la que se producen pares de píxeles con un valor y desplazamiento específicos en la imagen.
- El desplazamiento, , es un operador de posición que se puede aplicar a cualquier píxel de la imagen (ignorando los efectos de borde): por ejemplo, podría indicar "uno abajo, dos a la derecha".
- Una imagen con diferentes valores de píxeles producirán una matriz de co-ocurrencia, para el desplazamiento dado.
- La El valor de la matriz de co-ocurrencia da el número de veces en la imagen que el y los valores de píxel ocurren en la relación dada por el desplazamiento.
Para una imagen con diferentes valores de píxeles, el La matriz de co-ocurrencia C se define sobre un imagen , parametrizado por un offset , como:
dónde: y son los valores de los píxeles; y son las posiciones espaciales en la imagen I ; las compensacionesdefinir la relación espacial para la cual se calcula esta matriz; y indica el valor de píxel en píxel .
El "valor" de la imagen se refería originalmente al valor de escala de grises del píxel especificado , pero podría ser cualquier cosa, desde un valor binario de encendido / apagado hasta un color de 32 bits y más. (¡Tenga en cuenta que el color de 32 bits producirá una matriz de co-ocurrencia de 2 32 × 2 32 !)
Las matrices de co-ocurrencia también se pueden parametrizar en términos de una distancia, y un ángulo , en lugar de un desplazamiento .
Se puede usar cualquier matriz o par de matrices para generar una matriz de co-ocurrencia, aunque su aplicación más común ha sido en la medición de textura en imágenes, por lo que la definición típica, como la anterior, asume que la matriz es una imagen.
También es posible definir la matriz a través de dos imágenes diferentes. Una matriz de este tipo se puede utilizar para el mapeo de colores .
Alias
Las matrices de co-ocurrencia también se denominan:
- GLCM (matrices de co-ocurrencia de nivel de gris)
- GLCH (histogramas de co-ocurrencia de nivel de gris)
- matrices de dependencia espacial
Aplicación al análisis de imágenes
Ya sea considerando la intensidad o los valores de escala de grises de la imagen o varias dimensiones de color, la matriz de co-ocurrencia puede medir la textura de la imagen. Debido a que las matrices de co-ocurrencia suelen ser grandes y escasas, a menudo se toman varias métricas de la matriz para obtener un conjunto de características más útil. Las características generadas con esta técnica generalmente se denominan características de Haralick , en honor a Robert Haralick . [3]
El análisis de textura a menudo se ocupa de detectar aspectos de una imagen que son invariantes en rotación . Para aproximar esto, las matrices de co-ocurrencia correspondientes a la misma relación, pero rotadas en varios ángulos regulares (por ejemplo, 0, 45, 90 y 135 grados), a menudo se calculan y se suman.
Las medidas de textura como la matriz de co-ocurrencia, las transformaciones de ondículas y el ajuste del modelo han encontrado aplicación en el análisis de imágenes médicas en particular.
Otras aplicaciones
Las matrices de co-ocurrencia no son solo para imágenes, también se utilizan para el procesamiento de palabras en NLP ( procesamiento del lenguaje natural ). [4] [5]
Ver también
Referencias
- ^ "Análisis de textura utilizando la matriz de co-ocurrencia de nivel de grises (GLCM) - MATLAB y Simulink - MathWorks Reino Unido" . uk.mathworks.com . Consultado el 26 de junio de 2020 .
- ^ Nanni, Loris; Brahnam, Sheryl; Ghidoni, Stefano; Menegatti, Emanuele; Barrera, Tonya (26 de diciembre de 2013). "Diferentes enfoques para extraer información de la matriz de coincidencia" . PLOS ONE . 8 (12): e83554. Código bibliográfico : 2013PLoSO ... 883554N . doi : 10.1371 / journal.pone.0083554 . ISSN 1932-6203 . PMC 3873395 . PMID 24386228 .
- ^ Robert M. Haralick; K Shanmugam; Its'hak Dinstein (1973). "Características de textura para la clasificación de imágenes" (PDF) . Transacciones IEEE sobre sistemas, hombre y cibernética . SMC-3 (6): 610–621. doi : 10.1109 / TSMC.1973.4309314 .
- ^ [Francois Chaubard, Rohit Mundra, Richard Socher. CS 224D: Aprendizaje profundo para PNL. Notas de la conferencia . Primavera de 2016.
- ^ Bryan Bischof. Tensores de co-ocurrencia de orden superior para hipergráficos mediante división de caras. Publicado 15 de febrero de 2020, Matemáticas, Informática, ArXiv