Extracción de caracterı́sticas en imágenes

digitales
Gabriel E. Humpire Mamani
ghumpire@gmail.com
1 de junio de 2009

1. Introducción
La forma y el color son caracterı́sticas importantes para el análisis y re-
conocimiento en imágenes digitales, uno de los retos para las aplicaciones de este
tipo es la extracción de caracterı́sticas que trabajan sobre imágenes digitales,
pero la tarea se complica sobre imágenes microscópicas de micro-organismos,
donde las caracteristicas de la forma del objeto no son tan importantes como
las caracteristicas de textura.
En unas pruebas previas se obtuvo un conjunto de caracterı́sticas que fueron
generados por el metodo de extracción de caracteristicas Pyramid Histogram
of Oriented Gradients (PHOG), cuyo vector caracteristico es calculado por una
ponderacion de una concatenacion de vectores (histogramas) para cada nivel
obteniendo resultados iniciales del 99.9265 %.

2. Objetivos
Los objetivos principales de este trabajo son:

Realizar una extracción automática de caracterı́sticas de un conjunto de

imágenes dado.
Establecer una comparativa de extractores de caracterı́sticas sobre difer-
entes tipos de imágenes.
Dar a conocer un descriptor adecuado para imágenes microscópicas real-
izando las pruebas respectivas usando las diferentes configuraciones para
cada extractor.

3. Estado del arte

En un estudio comparativo de los diferentes extractores de caracteristicas
Krystian Mikolajczyk y Cordelia Schmid [1] comparan los alcances de descrip-
tores que hallan regiones de interés de imágenes usando propiedades como in-
tensidad de pixel, color, textura, bordes etc. Listan una serie de descriptores y
la comparativa de resultados se muestra en la siguiente figura.

1
 Figura 1: Resultados obtenidos por Krystian [1]

Los resultados experimentales mostrados en la figura 1 realizados por Krys-

tian [1] considera las transfomraciones geométricas(escala, rotacion y traslación),
manchas, compresion de imágenes Jpeg, cambios de iluminación.
Herbert Bay [2] presenta el descriptor Speeded Up Robust Features (SURF),
SURF esta disponible en la web de los creadores http://www.vision.ee.ethz.ch/ surf/
, basado en SIFT. La propuesta inicial de SURF es mas robusta y mas rápida
que SIFT obteniendo mejores resultados en as transformaciones geométricas.

4. Dataset
El conjunto de datos de imagenes a tratar consistirá en varios dataset disponibles
en la internet, pero principalmente se tomará el conjunto de imagenes publicado
por el grupo ’Pibap-UNSA’ que se encuentra disponible en el siguiente enlace
http://unsavirtual.edu.pe/pibap/. Este ultimo dataset fue obtenido de imagenes
microscopicas de parásitos fecales de humanos. Teniendo en cuenta siete difer-
entes tipos de parásitos:

1. Trichuris Trichiura.
2. Ascaris Lumbricoides.
3. Uncinarias.
4. Tenia solium.

5. Diphyllobothrium pacificam.
6. Enterobius vermicularis.

2
 7. Tenia saginata
8. Hymenolepis nana.

9. Fasciola hepatica

5. Propuesta
La precision de los método de extracción de caracterı́sticas será calculado
usando las mismas técnicas y algoritmos en las mismas condiciones dejando
en un módulo independiente a la extracción de caracterı́sticas. Para realizar la
extracción de caracterı́sticas de una imágen esta deberá contener unicamente
al objeto. Segun sea necesario se necesitara de un proceso de segmentacion.
Posteriormente se realiza la extraccion de caracteristicas y finalmente mediante
el uso de una red neuronal que tiene como entradas al vector caracteristico de
cada imagen se procede a realizar la discriminacion de tipos.
En unas pruebas previas del extractor de caracteristicas PHOG se obtuvieron
los resultados de precision en la tabla 1 usando imágenes segmentadas de los
parásitos con dos tipos de imágenes: (i)imagen segmentada original(Isoladas) y
(ii)con imágenes que contienen el contorno del objeto contenido(Contour )
Con ángulo de 180 grados:
Pirámides 2 4 6
Isoladas 57.9964 % 84.6691 % 99.9265 %
Contour 59.8033 % 90.7049 % 99.7377 %

Con ángulo de 360 grados:

Pirámides 2 4 6
Isoladas 43.71322 % 97.88398 % 99.8529 %
Contour 59.54095 % 99.34144 % 99.7377 %
Los resultados de la tabla anterior fueron obtenidos usando el dataset Eime-
ria Image Database http://puma.icb.usp.br/imagedb/ del Instituto de ciencias
biomédicas de Sao Paulo. Eimeria Image Database es similar al dataset que
se pretende usar en proximos avances. Los vectores caracteristicos para las
pirámides de 2,4 y 6 son de 340, 510 y 680 respectivamente.

6. Resultados esperados y Trabajos futuros

Se espera obtener resultados sobre los datasets mostrando estadı́sticas sobre
el mejor descriptor para cada uno de ellos en sus diferentes configuraciones
como angulos, escalas y pirámides. Se pretende hacer uso de diferentes familias
de descriptores como por textura, por forma, por contorno incluso extractores
hibridos combinando varias t de estos.

3
Referencias
[1] Krystian Mikolajczyk and Cordelia Schmid. A performance evaluation of
local descriptors. IEEE Transactions on Pattern Analysis & Machine Inte-
lligence, 27(10):1615–1630, 2005.
[2] Tinne Tuytelaars Herbert Bay and Luc Van Gool.
[3] S. Belongie and J. Malik. Matching with shape contexts. IEEE Workshop on
Contentbased Access of Image and Video Libraries (CBAIVL-2000)., 2000.

[4] J. Canny. A computational approach to edge detection. pages 679–698. IEEE

Transactions on Pattern Analysis and Machine Intelligence, 1986.
[5] D. Lowe. Distinctive image features from scale-invariant keypoints. pages
91–110. International Journal of Computer Vision, march 2004.