Descripción de regiones

Descripción báscia de regiones: A través de propiedades

básicas como: área, número de euler, mínimo rectángulo que envuelve la
figura, etc... se puede definir una región dentro de una imagen. En Matlab

Descripción de B = bwlabel(f)
D = regionprops(B, propiedades)

Regiones donde f es la imagen original, el primer comando, bwlabel, nos

convierte la imagen a una representación de etiquetas (labels). El segundo
David García Pérez comando toma esa matriz etiquetada y calcula las propiedades que se
Tratamiento Computacional de Imágenes seleccionen, ej:

D = regionprops(B, ‘area’, ‘boundingbox’)

cuyo resultado sería:

D =
Area: 19939
BoundingBox: [30.5000 19.5000 223 306]

Descripción de regiones Descripción de regiones

Momentos Invariantes
Las propiedades que se desean calcular se van poniendo una detrás de otra
seguidas por una coma. Las propiedades disponibles son

•area - Calcula el área en pixeles cuadrados de la región. ∞ ∞

•boundingbox - Calcula la posición y dimensiones del mínimo ! ! p q
rectángulo que envuelve la región. µpq = (x − xc ) (y − yc ) f (x, y) dxdy
•centroid - Calcula la posición del centroide de la región. x=−∞ y=−∞
•convexhull - Devuelve una matriz con la posición de los píxeles que
definen el casco convexo que envuelve la región.
•conveximage - Imagen binaria con la forma del casco convexo. µpq
ηpq =
•eccentricity - Número escalar que la excentricidad de la región. µγ00
•eulernumber - Calcula el número de Euler de la región.
•mayoraxislength - Calcula la longitud del eje mayor de la región.
•minoraxislength - Calcula la longitud del eje menor de la región.

Descripción de regiones Descripción de regiones

Momentos Invariantes Descripción de imágenes usando componentes
φ1 = η20 + η02 principales: Suponer que tenemos un conjunto de imágenes y se
2
φ2 = (η20 − η02 ) + 4η11
2 construye le siguiente conjunto de vectores por cada píxel de la imagen
2 2
φ3 = (η30 − 3η12 ) + (3η21 − η03 )
2 2
φ4 = (η30 + η12 ) + (η21 + η03!)
2
φ5 = (η30 − 3η12 ) (η30 + η12 ) (η30 + η12 )
"
2
−3 (η21 + η03 ) + (3η21 − η03 ) (η21 + η03 )
! "
2 2
3 (η30 + η12 ) − (η21 − η03 )
! "
2 2
φ6 = (η20 − η02 ) (η30 + η12 ) − (η21 + η03 )
+4η11 (η30 + η12 ) (η21 + η03 )
Estos 6 momentos dan 6 valores numéricos que no son sensibles a
transformaciones de las imágenes como cambios de escala, espejo ó
rotación.
 Descripción de regiones Descripción de regiones
El vector media de todos esos vectores
y = A (x − mx )
K
1 ! x = AT y + mq
mx = xk K = MN
K se puede reducir el número de autovalores a q, entonces la equación
k=1
anterior quedaría

entonces se puede construir una matriz de covariancia de tamaño nxn de x̂ = ATq y + mq

la siguiente forma
si solamente se toman los autovalores principales, los más grandes, se
K puede obtener un conjunto reducido de imágenes que tiene la información
1 ! T más relevante. Al mismo tiempo estos autovalores caracterizan las
Cx = (xk − mx ) (xk − mx )
K −1 propiedades de las imágenes
k=1

Lo que se va a hacer es calcular los autovalores y autovectores

Descripción de regiones

El siguiente comando de Matlab hace todos los calculos

P = princomp(X,q)

donde X es una matriz que contiene los vectores x anteriormente

mostrados. q es el número de autovalores que se desea obtener. P es una
estructura que contiene varias cosas

P.Y - K-por-q matrices cuyas columnas son los autovectores principales

P.Cx - n-por-n matriz de covariancia
P.X - K-por-n matrices cuyas filas son los vectores reconstruidos a
partir de los autovalores