La estadística de escenas es una disciplina dentro del campo de la percepción . Se ocupa de las regularidades estadísticas relacionadas con las escenas . Se basa en la premisa de que un sistema perceptivo está diseñado para interpretar escenas .
Los sistemas biológicos de percepción han evolucionado en respuesta a las propiedades físicas de los entornos naturales. [1] Por lo tanto, las escenas naturales reciben mucha atención. [2]
Estadísticas de escenas naturales son útiles para definir el comportamiento de un observador ideales en una tarea natural, normalmente mediante la incorporación de la teoría de detección de señales , teoría de la información , o la teoría de la estimación .
Una de las aplicaciones más exitosas de los modelos estadísticos de escenas naturales ha sido la predicción de la calidad de imagen y video por percepción. Por ejemplo, el algoritmo Visual Information Fidelity (VIF), que se utiliza para medir el grado de distorsión de imágenes y videos, es ampliamente utilizado por las comunidades de procesamiento de imágenes y videos para evaluar la calidad de percepción, a menudo después del procesamiento, como la compresión, que puede degradar la apariencia de una señal visual. La premisa es que las estadísticas de la escena cambian por distorsión y que el sistema visual es sensible a los cambios en las estadísticas de la escena. VIF se utiliza mucho en la industria de la transmisión de televisión. Otros modelos populares de calidad de imagen que utilizan estadísticas de escenas naturales incluyen BRISQUE, [3] y NIQE [4], ambos sin referencia, ya que no requieren ninguna imagen de referencia para medir la calidad.
Dentro del dominio versus entre dominios
Geisler (2008) [6] distingue entre cuatro tipos de dominios: (1) entornos físicos, (2) imágenes / escenas, (3) respuestas neuronales y (4) comportamiento.
Dentro del dominio de imágenes / escenas, se pueden estudiar las características de la información relacionada con la redundancia y la codificación eficiente.
Las estadísticas entre dominios determinan cómo un sistema autónomo debe hacer inferencias sobre su entorno, procesar información y controlar su comportamiento. Para estudiar estas estadísticas, es necesario muestrear o registrar información en múltiples dominios simultáneamente.
Referencias
- ^ Geisler, WS y Diehl, RL (2003). Un enfoque bayesiano de la evolución de los sistemas cognitivos y perceptivos. Ciencia cognitiva, 27, 379-402.
- ^ Simoncelli, EP y BA Olshausen (2001). Estadísticas de imágenes naturales y representación neuronal. Revisión anual de neurociencia 24: 1193-1216.
- ^ A Mittal, AK Moorthy y AC Bovik, "Evaluación de la calidad de la imagen sin referencia en el dominio espacial", IEEE Transactions on Image Processing, 21 (12), 4695-4708, 2012
- ^ A Mittal, R Soundararajan y AC Bovik, "Un analizador de calidad de imagen 'completamente ciego'", IEEE Signal Processing Letters 20 (3), 209-212, 2013.
- ^ Geisler, WS, Perry, JS e Ing, AD (2008) Análisis de sistemas naturales. En: B. Rogowitz y T. Pappas (Eds.), Human Vision and Electronic Imaging. Actas SPIE, Vol 6806, 68060M
- ^ Geisler, WS (2008) Percepción visual y propiedades estadísticas de escenas naturales. Revisión anual de psicología, 59, 167-192.
Bibliografía
- Field, DJ (1987). Relaciones entre las estadísticas de imágenes naturales y las propiedades de respuesta de las células corticales. Revista de la Optical Society of America A 4, 2379-2394.
- Ruderman, DL y Bialek, W. (1994). Estadísticas de imágenes naturales: escala en el bosque. Physical Review Letters, 73 (6), 814–817.
- Brady, N. y Field, DJ (2000). Contraste local en imágenes naturales: normalización y eficiencia de codificación. Perception, 29, 1041-1055.
- Frazor, RA, Geisler, WS (2006) Luminancia local y contraste en imágenes naturales. Vision Research, 46, 1585-1598.
- Mante y col. (2005) Independencia de luminancia y contraste en escenas naturales y en el sistema visual temprano. Nature Neuroscience, 8 (12) 1690–1697.
- Bell, AJ y Sejnowski, TJ (1997). Los "componentes independientes" de las escenas naturales son los filtros de borde. Vision Research, 37, 3327–3338.
- Olshausen, BA y Field, DJ (1997). Codificación escasa con un conjunto de bases demasiado completo: ¿una estrategia de V1? Vision Research, 37 (23), 3311–3325.
- Sigman, M., Cecchi, GA, Gilbert, CD y Magnasco, MO (2001). En un círculo común: escenas naturales y reglas de la Gestalt. PNAS, 98 (4), 1935-1940.
- Hoyer, PO y Hyvärinen, A. Una red de codificación dispersa multicapa aprende la codificación de contornos a partir de imágenes naturales, Vis. Res., Vol. 42, no. 12, págs. 1593-1605, 2002.
- Geisler, WS, Perry, JS, Super, BJ y Gallogly, DP (2001). La co-ocurrencia de bordes en imágenes naturales predice el rendimiento de la agrupación de contornos. Vision Research, 41, 711–724.
- Élder JH, Goldberg RM. (2002) Estadísticas ecológicas para las leyes de la Gestalt de organización perceptiva de contornos. J. Vis. 2: 324–53.
- Krinov, E. (1947). Propiedades de reflectancia espectral de formaciones naturales (traducción técnica No. TT-439). Ottawa: Consejo Nacional de Investigación de Canadá.
- Ruderman, DL, Cronin, TW y Chiao, C. (1998). Estadísticas de respuestas de conos a imágenes naturales: implicaciones para la codificación visual. Revista de la Optical Society of America A, 15, 2036-2045.
- Stockman, A., MacLeod, DIA y Johnson, NE (1993). Sensibilidades espectrales de los conos humanos. J Opt Soc Am A Opt Image Sci Vis, 10, 1396–1402.
- Lee TW, Wachtler, T, Sejnowski, TJ. (2002) La oponencia del color es una representación eficiente de las propiedades espectrales en escenas naturales. Vision Research 42: 2095–2103.
- Bien, I., MacLeod, DIA y Boynton, GM (2003). Segmentación de superficies basada en estadísticas de luminancia y color de escenas naturales. Revista de la Optical Society of America a-Optics Image Science and Vision, 20 (7), 1283–1291.
- Lewis A, Zhaoping L. (2006) ¿Las sensibilidades de los conos están determinadas por las estadísticas de colores naturales? Revista de visión. 6: 285-302.
- Lovell PG y col. (2005) Estabilidad de las señales color-oponentes ante cambios de iluminante en escenas naturales. J. Opt. Soc. Soy. A 22:10.
- Endler, JA 1993. El color de la luz en los bosques y sus implicaciones. Monografías ecológicas 63: 1–27.
- Wachtler T, Lee TW, Sejnowski TJ (2001) Estructura cromática de escenas naturales. J. Opt. Soc. Soy. A 18 (1): 65–77.
- Long F, Yang Z, Purves D. Las estadísticas espectrales en escenas naturales predicen el tono, la saturación y el brillo. PNAS 103 (15): 6013–6018.
- Van Hateren, JH y Ruderman, DL (1998). El análisis de componentes independientes de secuencias de imágenes naturales produce filtros espacio-temporales similares a las células simples en la corteza visual primaria. Actas de la Royal Society of London B, 265, 2315–2320.
- Potetz, B. y Lee, TS (2003). Correlaciones estadísticas entre imágenes bidimensionales y estructuras tridimensionales en escenarios naturales. Revista de la Optical Society of America a-Optics Image Science and Vision, 20 (7), 1292–1303.
- Howe, CQ y Purves, D. (2002). Las estadísticas de imágenes de rango pueden explicar la percepción anómala de la longitud. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 99 (20), 13184–13188. Howe, CQ y Purves, D. (2005a). La geometría de la escena natural predice la percepción de los ángulos y la orientación de las líneas. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 102 (4), 1228–1233.
- Howe, CQ y Purves, D. (2004). El contraste de tamaño y la asimilación explicados por las estadísticas de la geometría del escenario natural. Revista de neurociencia cognitiva, 16 (1), 90-102.
- Howe, CQ y Purves, D. (2005b). La ilusión de Muller-Lyer explicada por las estadísticas de las relaciones fuente-imagen. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 102 (4), 1234–1239.
- Howe, CQ, Yang, ZY y Purves, D. (2005). La ilusión de Poggendorff explicada por la geometría de la escena natural. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América, 102 (21), 7707–7712.
- Kalkan, S. Woergoetter, F. & Krueger, N., Análisis estadístico de la estructura local 3D en imágenes 2D, IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2006.
- Kalkan, S. Woergoetter, F. & Krueger, N., Análisis estadístico de primer y segundo orden de estructuras 3D y 2D, Red: Computación en sistemas neuronales, 18 (2), págs. 129-160, 2007.