Entorno interactivo Matlab para análisis de texturas en imágenes II

Equation Chapter 1 Section 1 Trabajo Fin de Máster Máster en Ingeniería Industrial Entorno interactivo Matlab para análisis de texturas en imágenes II Autor: Jesús Medrán Castro Tutor: Manuel Ruíz Arahal Dep. Ingeniería de Sistemas y Automatización Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2020 ii ii iii Trabajo Fin de Máster Máster Universitario en Ingeniería Industrial Entorno interactivo Matlab para análisis de texturas en imágenes II Autor: Jesús Medrán Castro Tutor: Manuel Ruíz Arahal Profesor titular Dep. de Ingeniería de Sistemas y Automática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2020 iv iv v Trabajo final de Máster: Entorno interactivo Matlab para análisis de texturas en imágenes II Autor: Jesús Medrán Castro Tutor: Manuel Ruíz Arahal El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2020 vi vi El Secretario del Tribunal vii A mi familia A mis maestros viii viii ix Agradecimientos Dedico el presente trabajo a todas aquellas personas que siempre me han ayudado, mi familia y amigos. Por estar siempre a mi lado y por su constante apoyo y consejos que he recibido. También agradecer a todos aquellos profesores por guiarme y enseñarme. Jesús Medrán Castro Alumno del Máster Universitario en Ingeniería Industrial Sevilla, 2020 xvi xvi 1 1 INTRODUCCIÓN: OBJETIVO Y ALCANCE l presente trabajo se presenta como un estudio de la implantación de un método de análisis de imágenes concreto: Método de Laws. La implementación se realizará en un programa de cálculo comercial como es MATLAB. El objetivo principal es la creación de una interfaz funcional que sirva para poder analizar distintas imágenes mediante este modelo y que sea accesible a cualquier usuario facilitando su uso sin requerir conocimientos específicos en este campo. Primeramente, en el capítulo 2 se explicará la teoría, casuística y metodologías relacionadas con el ámbito del análisis de imágenes mediante programas informáticos. Se partirá de aspectos más generales como son el color, contraste, etc. de una imagen, hasta llegar a entender los diferentes conceptos como los descriptores, clasificadores, etc. El método de estudio y aplicación de este documento es el Método de Laws. Método que se analizará más en profundidad en el capítulo 3 y se centrará en la definición de “descriptores” basados en las distintas texturas existentes en las imágenes. Estas texturas nos servirán para poder identificar y clasificar distintos objetos en las imágenes empleando para ello clasificadores que se nutrirán de los datos resultantes de la interfaz desarrollada en este documento. Explicada la teoría que sustenta el método, en el capítulo 4 se explicará cómo implantar todos los procesos pertenecientes a la metodología de Laws en el programa MATLAB. El código del programa se escribirá íntegramente en Matlab. Todas las funciones, cálculos y operaciones se realizarán con Matlab. El problema completo posee un número considerable de variables de todo tipo, por lo que se hace necesario la creación de un método de organización de estos datos y cómo analizarlos. Se creará para ello una metodología de programación y codificación que permita el desarrollo de una interfaz funcional la cual sirva como analizador de imágenes usando el método de Laws. Esta interfaz de desarrollará de forma que facilite el uso al usuario y pueda aportar resultados eficientes y eficaces para el proceso que ha sido creada. Se expondrá en este capítulo 4 todo el proceso seguido para la creación y programación del programa denominado ATI resultado del trabajo del presente documento. ATI se plantea como un programa creado con la ayuda de Matlab que es capaz de recoger y analizar los datos de la imagen al igual que de plantear las ecuaciones de la metodología de Laws y resolverlas. Pero para mejorar el uso de este programa por parte del usuario se ha incluido funciones adicionales muy útiles que permiten mejorar la experiencia de uso. Se han incluido funciones tales como poder guardar y cargar los datos de un análisis realizado a una imagen, la creación automática de informes en pdf sobre los resultados y un manual de usuario para guiar a usuarios inexpertos entre otros. E Las máquinas no existirían sin nosotros, pero nuestra existencia ya no es posible sin ellas. - Munari, Bruno - Introducción: Objetivo y Alcance 2 1.1 Estado del arte El análisis de imágenes mediante reconocimiento de texturas es un campo que empezó su trayectoria de manera teórica a mediados del siglo XX. Por aquel entonces las cámaras y los métodos de procesamiento visual no eran comúnmente utilizados bien por la falta de tecnología necesaria (cámaras, sistemas de visión, etc.) o bien por la escasez de procedimientos computacionales capaces de procesar esa información. A lo descrito se unía que, de existir los medios anteriormente descritos, el análisis computacional era lento y poco eficiente, siendo preferible buscar otras alternativas para resolver el problema. Autores como Haralick se centrarían en definir descriptores basados en la intensidad de los píxeles de la imagen. Ojala, por su parte, definiría lo que hoy se entiende como descriptor LBP. En nuestro caso merece mención a destacar Laws, que intento cuantificar la variación de energía de cada textura de la imagen para poder ser esta información utilizada como un descriptor. Posteriormente surgirían nuevas ideas de descriptores basados en el gradiente de la imagen (HOG) que también sería de relevancia. En cambio, muchos son los distintos métodos con los que contamos hoy día para hacer frente a este problema. Unido a todo ello está la implicación cada vez más grande de cámaras en casi todos los procesos conocidos siendo de la índole que sean. Esto, a pesar de suponer un gran avance requiere de la implementación de métodos de análisis de imágenes para poder procesar la información necesaria. Los avances teóricos alcanzados en este campo de la ciencia junto con los avances computacionales hacen que actualmente se puedan implementar estos métodos en casi cualquier aparato electrónico de uso cotidiano. Con el gran avance en el campo de la informática, ya no supone un gasto computacional grande para los procesadores actuales. Todo ello ha desembocado en una gran aplicación de estos métodos para distintos fines: Control de procesos, Implementación en robot industriales, Detección de objetos, Ocio, etc. Las posibilidades de aplicación son muy elevadas y cada día surgen nuevas aplicaciones que se nutren de estos métodos. Como ejemplos concretos de utilización de esta tecnología podemos encontrar: el monitoreo de piezas dentro de fábricas con el fin de detectar piezas erronas o con defectos; el reconocimiento de rostros para el control de personal en una empresa; la identificación del carril propio o contrario en un coche de conducción autónoma. 3 2 INTRODUCCIÓN A LOS MÉTODOS DE ANÁLISIS DE IMÁGENES l proceso de análisis y clasificación entendido de manera global puede definirse con las siguientes etapas básicas: Primeramente, se adquiere un conjunto elevado de muestras de diferentes texturas ya clasificadas. Este conjunto de datos nos servirá como referencia de distintas texturas. E El verdadero progreso es el que pone la tecnología al alcance de todos. - Ford, Henry - Figura 1 Introducción a los métodos de análisis de imágenes 4 4 Como segundo paso opcional se debe realizar un tratamiento de la imagen con el objetivo de eliminar elementos que puedan afectar a la aplicación de los métodos, como son ruido, defectos de iluminación, de contraste, etc. Al tratarse la imagen de una composición de elementos, habrá que realizar una etapa de segmentación que trate de dividir las distintas regiones que aparecen, con el objetivo de seleccionar aquellas de interés. Esto puede ser entendido como de un problema de detección de objetos, donde habría que localizar los posibles elementos de interés. Como siguiente paso iría una etapa de entrenamiento para que el sistema se capaz de aprender a diferenciar las distintas texturas contenidas en la imagen. Finalizada esta etapa se asignará una etiqueta a cada muestra del conjunto de datos inicialmente conseguidos para probar la eficacia del sistema. Finalmente, los resultados obtenidos serán evaluados. 2.1 Conceptos generales Una imagen digital puede tratarse como una matriz de tamaño M x N en la que cada elemento, denominado píxel, discretiza y describe una región del espacio. Usando los índices i y j para la asignación de las filas y columnas respectivamente de esa matriz se puede hacer referencia a cada punto de una imagen como Imagen(i,j). Normalmente se trabaja con un rango de 8 bits (1 byte) de información por cada punto, lo que es equivale a un total de 28 valores distintos que podrán representar el nivel de intensidad de un píxel en el intervalo [0, 255]. El valor 0 representa la ausencia de intensidad (lo que se correspondería con un píxel negro en la imagen), a medida que la intensidad va aumentando, van apareciendo tonos de gris más claros hasta llegar a un valor de 255, la mayor intensidad posible (píxel blanco). 0 75 50 50 100 0 0 255 200 Figura 2 5 5 Entorno interactivo Matlab para análisis de texturas en imágenes II 2.2 Muestreo y Cuantificación Cuando capturamos una escena del mundo real nos encontramos con una señal continua, es decir, analógica, que debemos discretizar en dos sentidos a la hora de digitalizar la imagen: la cuantificación y el muestreo. La cuantificación, como se ha comentado es habitual trabajar con 8 bits de información por píxel, consiguiendo así diferenciar entre 256 niveles de gris distintos. Es por esto que, en la práctica, a pesar de que se pueda realizar un proceso de cuantificación más preciso, 8 bits son más que suficientes para la mayor parte de las aplicaciones. El muestreo hace referencia al número de píxeles en los que se dividirá la escena, de modo que, cuanto mayor sea este número, más detalles se podrán captar, y viceversa. Las cámaras actuales cuentan con la potencia necesaria para dividir la escena en millones de píxeles, por lo que la resolución alcanzada puede ser enorme. Sin embargo, desde el punto de vista del análisis de patrones y propiedades con una resolución tan elevada conllevaría un gasto computacional tremendo, además de que las variaciones observables disminuirían su frecuencia de aparición (no es lo mismo que aparezcan cambios interpretables a uno o dos píxeles de distancia que a varias decenas), pudiendo incluso perjudicar los resultados de caracterización. Por este motivo, para la mayoría de las aplicaciones que conlleven el análisis de un número muy elevado de muestras, se recurre a reducir la resolución de las muestras. 2.3 Color De forma habitual el color es una propiedad que se suele representar con el modelo RGB (u otros modelos como el CMY de sus siglas en inglés). De forma teórica la mezcla de estos colores primarios de luz (Rojo, verde y azul en este caso) dan lugar a nuevos colores. De esta forma los colores de una imagen pueden ser representados como una combinación de valores de estos tres colores. Las maneras normales de trabajar en estos casos son o empleando una matriz de NxMx3 de tres dimensiones (cada dimensión destinada a un color) o trabajar con tres matrices distintas de NxMx1 (cada matriz NxM destinada a un color). Como una forma sencilla de identificación y clasificación en una imagen se podría pensar en emplear métodos que se basen en el color para poder realizar esta tarea. De esta forma identificar una nube blanca en un cielo de fondo azul puede parecer sencillo. Aun así, este método es poco robusto y depende de muchos más factores que afectan indirectamente al color como son la luminosidad, saturación, sombras, etc. Es por ello que emplear conceptos superiores como las texturas se plantea como una solución a los errores de esto métodos. Cabe decir que estos valores de color además de no aportar una ayuda clara en el proceso de identificación y clasificación en imágenes pueden llegar a afectar negativamente a otros métodos. Los valores de color (RGB) puede aumentar la carga computacional o influir en errores por lo que usualmente se convierte la imagen a estala de grises para poder trabajar mejor con ella. De esta forma, los valores de color quedan englobados y simplificados a una escala de grises con valores de 0 para el color negro y de 255 para el color blanco. Figura 3 Introducción a los métodos de análisis de imágenes 6 6 2.4 Histograma Si realizamos una representación del número de pixeles que aparece en la imagen con el mismo tono de gris podemos el llamado histograma de la imagen. Esta representación muestra el nivel de intensidad frente al número de pixeles que tienen dicha intensidad, proporcionando así una información general de la imagen. El análisis de su forma puede ayudar a la extracción de información de la imagen. 2.5 Intensidad Como ya se ha descrito anteriormente, una vez pasada la imagen a escala de grises se consigue asignar a cada píxel un valor en la escala [0 - 255] según su color original. Es este valor lo que se conoce como intensidad de un pixel o nivel de gris medio. Como intensidad media se define: 𝐼𝑛𝑡𝑒𝑛𝑠𝑖𝑑𝑎𝑑 𝑚𝑒𝑑𝑖𝑎 (𝑚) = ∑𝑧𝑖 𝑝(𝑧𝑖) 𝐿 𝑖=1 Siendo p el vector de probabilidades de niveles de gris. 2.6 Brillo El brillo se puede entender como una estimación promedio de cuan cerca están la mayoría de pixeles del valor 255 (en escala de grises). Una imagen muy oscura seria aquella que posee muchos pixeles con valores cercanos a 0. Por el contrario, se dice que la imagen tiene mucho brillo si posee mucha cantidad de pixeles con valores cercanos a 255. 2.7 Contraste Partiendo del concepto de intensidad se puede decir que si todas las intensidades de la imagen son de un nivel parecido la imagen tendrá poco contraste. En cambio, si la imagen posee distintos niveles de intensidad el contraste será más elevado. Una imagen con más contraste refleja mejor visibilidad de las distintas regiones. 2.8 Gradiente Se define como gradiente de cada pixel un vector (con dos componentes, horizontal y vertical) cuyo valor es la dirección de la máxima variación de intensidad entre dicho pixel y sus vecinos. De esta forma, un pixel (i,j) con gradiente con valor [1 0] indica que en la dirección horizontal se encuentra la mayor variación de intensidad con respecto al pixel. De forma análoga un pixel (i,j) con gradiente con valor [0 25] indica que la mayor variación de intensidad es en dirección vertical. El módulo del vector también nos informa del contraste 7 7 Entorno interactivo Matlab para análisis de texturas en imágenes II del pixel en cuestión con respecto a sus vecinos. De esta forma el gradiente se emplea en la detección de contornos. La definición matemática del gradiente resulta: 𝛻𝑔 = ( 𝐺𝑥 𝐺𝑦 ) = ( 𝜕𝑔 𝜕𝑥 𝜕𝑔 𝜕𝑦 ) El módulo del gradiente se puede expresar: |𝛻𝑔|= √𝐺𝑥2+𝐺𝑦2 2.9 Características para la descripción de texturas El conjunto de características o rasgos que puede n ser medidos en una imagen sobre un objeto o región concreta se puede denominar como: descriptor. Los descriptores deben de presentar el mismo comportamiento ante variaciones en la imagen y ser lo suficientemente discriminatorios para permitir a un clasificador poder distinguirlos con facilidad. Como concepto de descriptores que se han usado para la caracterización de texturas se presentan: - Descriptores obtenidos por métodos estadísticos - Descriptores obtenidos por el gradiente - Descriptores LBP - Descriptores de Laws A pesar de esta división se puede discriminar entre descriptores de primer y de segundo orden. - Descriptores de primer orden: Se obtienen de utilizar los momentos del histograma respecto a la intensidad de una imagen dada. Estos descriptores no repercuten mucho gasto computacional. El momento se calcula con la siguiente fórmula. Como este se pueden calcular más momentos de órdenes superiores. El momento n-ésimo se calcularía como: 𝜇𝑛(𝑧) = ∑(𝑧𝑖 − 𝑚)𝑛 𝑝(𝑧_𝑖) 𝐿 𝑖=1 Siendo m el valor de la intensidad media de la imagen y p el vector de probabilidades de niveles de gris. Se puede calcular el momento de segundo orden o también llamado varianza. Se usa como descriptor para cuantificar el contraste de intensidad de la imagen. El momento de tercer orden es capaz de cuantificar la desviación del histograma respecto al valor medio de la intensidad El momento de cuarto orden mide la monotonía relativa del histograma. Introducción a los métodos de análisis de imágenes 8 8 - Descriptores de segundo orden: Se define la matriz Co-ocurrente como aquella que establece la relación entre cada pixel con otro pixel de su entorno a una distancia determinada. Este cálculo conocido por sus siglas en inglés GLCM (Gray Level Co-occurrence Matrix) se emplea para mejorar los resultados obtenidos de los descriptores de primer orden utilizando para ello la información de la posición relativa de los pixeles de la imagen. El gasto computacional es un poco superior al necesario por los descriptores de primer orden - Descriptores de Laws Cabe una mención especial para el conjunto de descriptores propuestos por Laws en su método. Laws con su método propone una serie de vectores, a los que llamará filtros, que combinados entre sí de una forma determinada darán lugar a unas matrices llamadas máscaras (también se conocen como plantillas, o ventanas). El objetivo fundamental de estas matrices es su utilización para el cálculo de la llamada “energía de una textura” usando este concepto como un descriptor. A rasgos generales Laws establece un método por el cual la imagen original es tratada con estos filtros y máscaras para obtener las características de cada pixel. Estas características son empleadas como descriptores que se emplearán para un proceso posterior de identificación y clasificación de imágenes. El método de Laws será descrito en profundidad en el capítulo 3 de este documento. 2.10 Clasificadores Se pueden entender como clasificadores aquellos sistemas (métodos informáticos) capaces de realizar una división de unas muestras entregadas de acuerdo a una serie de características concretas. De esta forma, podemos estudiar a modo de ejemplo hipotético un clasificador que sea capaz de clasificar las imágenes dadas según en ellas aparezca naranjas o manzanas. Este clasificador deberá basarse en un conjunto de características las cuales le sirvan para hacer esa diferenciación. Así, el clasificador podrá fijarse en parámetros como la forma, el color o la textura para poder decidir si en la imagen aparece una naranja, una manzana o ninguna de estas frutas. 9 9 Entorno interactivo Matlab para análisis de texturas en imágenes II Esta serie de características que sirven de apoyo a los clasificadores son los descriptores. Estos descriptores surgen como resultado de la fase previa al clasificador conocida como análisis previo de la imagen. Estos descriptores dependerán del método de análisis elegido (descriptores LBP, descriptores basados en el gradiente, descriptores de Laws, etc.). En el caso de estudio de este documento nos centraremos en los descriptores propuestos por Laws en su metodología. Estos descriptores se basan en el análisis de las texturas existentes en la imagen para poder tener parámetros y características suficientes para poder diferenciar distintos objetos en imágenes. Para esta primera fase de clasificación se vuelve fundamental disponer de un conjunto lo suficientemente representativo para poder mejorar el proceso discriminatorio posterior. Por otro lado, también resulta de interés disponer de bastante variabilidad en las muestras para permitir adaptar mejor al clasificador a los cambios leves en estos descriptores. Así, también se vuelve necesario utilizar en cada caso los descriptores que mejor se adapten y ofrezcan las características discriminatorias suficientes para realizar la tarea de discriminación. Puede darse el caso que en una imagen la discriminación efectuada solo teniendo en cuenta las texturas sea Clasificador Manzana roja Manzana verde Naranja Plátano Fase de entrenamiento Imagen original Imagen clasificada Figura 4 Método de Laws 16 16 del pixel central se pueden encontrar rangos de 3x3, 5x5, 7x7, 9x9, etc. El paso siguiente es la definición de los términos de cada filtro. Se deberá tener en cuenta que un filtro de tamaño n estará compuesto de n términos. Estos términos pueden ser definidos a gusto del usuario, pero existen ciertas reglas que ayudan al proceso de análisis. Como regla general (ya que esto facilitará los futuros procesos de normalización) los términos de todos los filtros, a excepción de los filtros L, se definen de forma que su sumatorio total sea igual a cero. Esta regla es de aplicación a todos los filtros menos los denominados filtros L (Level). Los términos de estos filtros no tienen por qué sumar cero. A continuación, se muestra unos ejemplos de filtros: 𝐿3=[1, 2, 1] → ∑𝐿3(𝑖)=4 3 𝑖=1 𝑆5=[−1, 0, 2, 0, −1] → ∑𝑆5(𝑖)=0 5 𝑖=1 𝐸7=[−1, −4, −5, 0, 5, 4, 1] → ∑𝐸7(𝑖) 7 𝑖=1 =0 𝐿5=[1, 4, 6, 4, 1] → ∑𝐿5(𝑖)=16 7 𝑖=1 Una vez definidos los filtros que se utilizarán se deberán combinar para poder generar las máscaras necesarias. Posteriormente se concolucionará cada máscara con la imagen ya preprocesada - Aplicación de las máscaras Cada filtro definido es capaz de detectar una variación concreta de la imagen (bordes, líneas, etc.), por lo general estas variaciones son básicas. La combinación de estos filtros puede significar la detección de patrones de un grado más alto de complejidad. De esta forma combinando los filtros L3 y E3 por ejemplo, se pueden detectar líneas verticales de la imagen. Otras combinaciones supondrán la detección de otros patrones como ondas, líneas horizontales, puntos, etc. La combinación es totalmente arbitraria y la define el usuario de la mejor forma que considere. Si bien existen ciertas combinaciones que provocan resultados más satisfactorios que otros. Como cada combinación representará un conjunto de características para cada píxel, una opción muy utilizada es la combinación de todos los filtros entre sí. De esta forma se obtendrían todas las posibles características de cada píxel. Píxel i,j Píxel i,j Píxel i,j Región 5x5 Región 3x3 Región 7x7 17 17 Entorno interactivo Matlab para análisis de texturas en imágenes II 𝐿3𝐿3=[1 2 1 2 4 2 1 2 1] 𝐿3𝐸3=[−1 0 1 −2 0 2 −1 0 1] 𝐿3𝑆3=[−1 2 −1 −2 4 −2 −1 2 1] 𝐸3𝐿3=[−1 −2 −1 0 0 0 1 2 1] 𝐸3𝐸3=[1 0 −1 0 0 0 −1 0 1] 𝐸3𝑆3=[1 −2 1 000 −1 2 −1] 𝑆3𝐿3=[−1 −2 −1 2 4 2 −1 −2 −1] 𝑆3𝐸3=[1 0 −1 −2 0 2 1 0 −1] 𝑆3𝑆3=[1 −2 1 −2 4 −2 1 −2 1] Figura 8 En la imagen anterior se muestra, a modo de ejemplo, todas las máscaras resultado de la combinación de todos los filtros de región 3x3. Las matrices resultado de la combinación de filtros tendrán un tamaño a razón de los filtros que lo componen. Así, en una región de NxN se definirán filtros de N dimensiones y las máscaras resultantes de combinar estos filtros tendrán un tamaño NxN. Finalmente, estas matrices serán convolucionadas con la matriz representativa de la imagen. - Cálculos de mapas de energía Una vez convolucionada la imagen con las máscaras se calcularán los mapas de energía de cada imagen. El procedimiento consiste en analizar los valores vecinos de cada pixel (por ejemplo, en un rango local de 15x15 píxeles). Se sumarán los valores absolutos de cada pixel de la vecindad descrita y se asignará el valor al pixel central. El resultado es un nuevo conjunto de imágenes. - Normalización Todas las máscaras de convolución tienen un sumatorio igual a cero excepto las máscaras provenientes de la combinación de filtros L (Level) como por ejemplo L5L5. Es habitual que estas máscaras no se empleen para calcular los mapas de energía de texturas, pero si como proceso de normalización. Gracias a este proceso conseguiremos asegurar que todos los valores de los píxeles de cada imagen este comprendidos entre 0 y 1. Es por ello que la imagen resultante de la convolución de la máscara L5L5 con la imagen preprocesada sea descartada ya que no aporta información. - Combinación de medidas similares Un paso posterior y muy usado es la combinación de pares de mapas de energía de texturas para poder extraer información relevante. Habitualmente con este paso se busca obtener imágenes invariantes a rotaciones. - Obtención del vector de medida de energía de texturas (TEM) Como último paso en este proceso se puede obtener las características texturales de cada píxel. De los procesos anteriores hemos conseguidos distintas imágenes (mapa de energía de texturas) que aportan distinta información para cada píxel. Se puede realizar una media de estos valores para obtener una imagen global combinación de cada imagen anteriormente creada. - Evaluación de características Como paso adicional se puede evaluar la capacidad de discriminación de cada característica principal (media de los valores obtenidos en el paso anterior) usando un clasificador de distancias (Clasificador de mínimas distancias Euclídeas) Método de Laws 18 18 3.4 Problemas y limitaciones del Método de Laws Muchas de las limitaciones existentes en este método están relacionadas con las máscaras definidas por Laws. Al tratare de máscaras ideales provenientes de vectores que buscan diferencias de primer orden como sería la detección de bordes, o de segundo orden como sería la detección de puntos, en las imágenes reales la casuística es mucho más compleja. A pesar de disponer distintas máscaras especializas en distintos procesos de detección la detección de otras texturas complejas se vuelve errónea. Otro de los principales problemas que se pueden encontrar en este método es la introducción de errores en zonas de transición de las imágenes. Se trata de zonas delicadas donde se limitan diferentes texturas. Este método, al usar ciertas regiones definidas por un tamaño fijo (3x3, 5x5, 7x7, etc.) puede llegar a dar valores intermedios de estas dos regiones resultado de la mezcla de texturas. Estos valores quedan fuera de los valores normales existentes en la imagen pudiendo influir en errores. Métodos posteriores al de Laws como el propuesto por Hsaio y Sawchuk en 1989 consiguen solventar estos fallos. Además, el método de Laws no está adaptado a cambios de escala o rotaciones. 19 19 Entorno interactivo Matlab para análisis de texturas en imágenes II 4 IMPLEMENTACIÓN DEL MÉTODO DE LAWS EN MATLAB na vez expuesto los diferentes métodos existentes para el análisis de texturas y las aplicaciones habituales de imágenes y explicado extensamente el método del que se basa este texto: Método de Laws, se plasmará en este capítulo la herramientas y metodología empleada para la implementación completa del método descrito en una interfaz gráfica. El objetivo es la adecuación de todos los pasos descritos en el capítulo anterior (3.-Método de Laws) en una herramienta informática capaz de automatizar el proceso, y facilitar el uso al usuario final. Se presentan por tanto unos objetivos claros descritos a continuación los cuales la interfaz gráfica a programar será capaz de resolver: - Programación de una interfaz gráfica sencilla para facilitar el uso al usuario - El proceso deberá estar faseado de la misma forma en la que se ha faseado el método. De esta forma el uso será más intuitivo y ameno. - Se debe procurar en la medida de lo posible la claridad a la hora de la toma y muestra de datos al usuario. - La interfaz gráfica deberá se programada en Matlab por ser una herramienta informática de programación más que adecuada para la elaboración de grandes cálculos con matrices y funciones. El programa desarrollado se ha denominado ATI de las siglas en inglés Images Texture Analysis. A continuación, se explica cómo ha sido el desarrollo completo de esta interfaz U En cada aumento de las condiciones así como en la fabricación de nuevas herramientas, el trabajo humano se convierte en versión abreviada. - Babbage, Charles - Implementación del Método de Laws en Matlab 20 20 En las siguientes líneas de este capítulo se explicarán entre otros el porqué de la elección del programa de codificación elegido, la metodología u orden propios implantados en el código, así como el desarrollo del flujo de operaciones necesarios para poder trasladar la idea de Laws a un programa funcional. 4.1 Elección del programa y requisitos previos. Software Para el desarrollo de todos los elementos que componen la parte software de este TFM, se ha empleado la aplicación MATLAB de MathWorks en su versión R2017b. MATLAB es una herramienta matemática, con un lenguaje de programación propio (lenguaje M), ampliamente utilizada en el ámbito científico, particularmente en el marco de la ingeniería. El lenguaje M está orientado a matrices y, dado que, como se indicará más adelante, las imágenes digitales pueden considerarse matemáticamente como tales, se facilita sobremanera tratar con este tipo de elementos. Además, el potencial de MATLAB radica en que se puede complementar con numerosos toolboxes especializados que se han ido desarrollando a lo largo de los años. En concreto, el Image Processing Toolbox está enfocado al tratamiento de imágenes y contiene una gran cantidad de funciones predefinidas para tal fin. MATLAB también dispone de herramientas que permiten el desarrollo de interfaces gráficas de usuario (generalmente conocidas como GUI, del inglés Graphical User Interface) sin demasiada dificultad. Figura 9 Un manual de la GUI desarrollada se adjunta en el Anexo A, al final de este documento. No obstante, se prescindirá de cualquier tipo de explicación referente al funcionamiento del software en lo relativo a las funciones predefinidas, tanto de la aplicación principal como del toolbox especializado, más allá de los propios comentarios desarrollados que complementan al código, dado que no es ese el objetivo del proyecto. El programa creado debe ejecutarse en Matlab 2017b o versiones superiores siendo necesario siempre que Matlab este instalado en el equipo previamente. Por ello se ha creado también una versión de ATI capaz de ser reproducida sin Matlab es decir que no necesita tener instalado Matlab en el equipo. Esta versión se basa en la aplicación MATLAB Compiler Runtime (MCR) que es capaz de realizar todas las operaciones y cálculos sin necesidad de tener instalado Matlab. Esta opción con MCR garantiza todas las operaciones del programa ATI excepto una, la creación de informes en pdf. Debido a las licencias que usa MCR no puede crear documento 21 21 Entorno interactivo Matlab para análisis de texturas en imágenes II pdf por lo que esta versión de ATI no podrá crear informes de las imágenes analizadas. 4.2 Definiciones previas. Metodología Para la creación de cualquier programa que se precie se hace necesario seguir unas pautas que permitan infundir un orden a todo el desarrollo de los trabajos. Este orden permite dividir el trabajo total de la programación en problemas más sencillos de resolver además de permitir disminuir las posibles fuentes de errores a la hora del desarrollo. Al conjunto de pasos que conforman este orden intrínseco que se ha llevado a cabo en el desarrollo del código se le ha llamado “Metodología” y se ha intentado clasificar según su naturaleza para poder mejorar su estudio. Esta metodología atiende a todos los puntos del desarrollo del código, desde la escritura misma del código pasando por la organización de las variables que en él se utilizan hasta llegar a puntos como son la organización de las carpetas donde se localizan los archivos o la interfaz empleada para el uso del programa. A continuación, se desarrolla la metodología seguida en las distintas partes del desarrollo completo del programa ATI: -Metodología de carpetas: -Metodología de variables -Metodología de funciones -Metodología de interfaces Si bien cabe decir que no se tratan de metodologías absolutas, sino que son una forma de organización propia escogida para el desarrollo de este programa en concreto. Conocerlas resulta útil para poder realizar correcciones en el programa, o implantar futuras mejoras en él. Se presentan por ello, como las reglas básicas que se han seguido para la elaboración del programa. 4.2.1 Metodología de carpetas Como metodología de carpetas empleada que se ha escogido ha buscado la simplificación y la minimización de errores tanto en el desarrollo del programa como en su utilización por parte del usuario. El programa se compone de un único archivo ejecutable en Matlab en cuál será el iniciador de toda la interfaz creada. Por otra parte, todas las funciones, variables, archivos y documentos se han almacenado dependiendo de su posterior uso. De esta forma se ha incurrido en la creación de las siguientes carpetas internas del programa por las cuales la interfaz se moverá para desempeñar su trabajo: -Carpeta Program Es la carpeta principal y dondes e encuentran los archivos principales del programa. En ella se aloja todas las funciones principales y auxiliares del programa y las imágenes propias de la interfaz del programa. -Carpeta Imágenes Es la carpeta de referencia donde se almacenan las imágenes a analizar. A pesar de ello el usuario podrá subir al programa cualquier imagen que se encuentre alojada en su PC. De manera predeterminada se incluyen con el programa unas imágenes de referencia. -Carpeta Proyectos guardados Será en esta carpeta donde el usuario podrá guardar los datos de su proceso de análisis de imágenes para poder ser usado en un futuro. El archivo fruto del guardado del proyecto podrá ser transportado y utilizado Implementación del Método de Laws en Matlab 22 22 en cualquier otro PC por el mismo programa desarrollado. 4.2.2 Metodología de variables La metodología empleada ha requerido de la utilización de numerosas variables que, a lo largo del desarrollo del programa deben ser: - Definidas por el programa o por el usuario - Empleadas para realizar cálculos - Transportadas por las diferentes funciones del programa Es por ello que se ha elegido la utilización de una variable global única capaz de almacenar toda la información del programa. Esta información es definida, modificada, transportada y eliminada a lolargo de toda la utilización del programa. La variable elegida se le ha dado el nombre de “Ima”, se trata de una variable tipo estructura la cual posee distintas capas de información las cuales se explicarán a continuación. Figura 10 La variable “Ima” posee 6 capas distintas orientadas al almacenado de datos específicos de las acciones realizadas por el usuario en el programa. Las capas son: - Proyecto Esta subvariable de tipo string está destinada a guardar el nombre del proyecto completo una vez es guardado por el usuario. - Nombre_imagen Esta subvariable de tipo string está destinada a guardar el nombre de la imagen que el usuario introdujo para ser analizada. Ima Proyecto Nombre_imagen Imagen Filtros N F Mascaras N M T Resultados [R1 R2 R3 ... ] 23 23 Entorno interactivo Matlab para análisis de texturas en imágenes II - Imagen Subvariable de tipo matricial en donde se almacenará la imagen subida por el usuario al programa. Esto hace que no sea necesario guardar por separado la imagen analizada y los datos del programa. En una sola variable se dispone también de la imagen que el usuario analizó. - Filtros Esta subvariable almacenará los datos de los filtros introducidos por el usuario. Es de tipo estructura y está formada a su vez por dos subvariables más: o N: que almacenará el número de filtros definidos por el usuario o F: subvariable de tipo cell que almacenará los nombres de los filtros y su valor como vector (ejemplo: E5= [-1 -2 0 2 1]). - Máscaras Esta subvariable almacenará los datos de las máscaras definidas el usuario. Es de tipo estructura y está formada a su vez por tres subvariables más: o N: que almacenará el número de máscaras definidas por el usuario o F: subvariable de tipo cell que almacenará los nombres de las máscaras, su tipología (simples o dobles) y su definición según la combinación de los filtros que la componen (ejemplo: Mascara 3: E5/S5). o T: Subvariable de tipo cell que almacenará el texto mostrado por pantalla de los nombres de las máscaras (ejemplo: “Máscara 3: E5*S5”). - Resultados Esta subvariable de tipo cell almacenará los vectores resultados de la convolución de cada máscara con la imagen a analizar. 4.2.3 Metodología de funciones Si bien todo el código se ha desarrollado con forme a funciones especializadas en tareas concretas cabe diferenciar dos tipos de funciones: funciones principales y funciones auxiliares. Las funciones principales son todas aquellas que aportan información relevante en el proceso seguido por la metodología de Law. Estas funciones son fundamentales y sin ellas no se podría implementar de forma completa el método descrito. Se trata de funciones que calculan la convoluciones con las máscaras, el cardado de los filtros, etc. En su totalidad están definidas dentro del script Prototipo_26 y son: - Función B_Aceptar_Filtros: Esta función se ejecuta una vez que el usuario pulsa la opción “Aceptar filtros” dentro de la pestaña de filtros en la interfaz principal. Una vez introducidos los filtros, sus nombres y sus términos según la mejor opción que el usuario haya elegido (de manera manual o de manera automática) los filtros están listos para ser almacenados dentro de la variable principal Ima. Este es uno de los pasos más importantes en todo el programa ya que se guardarán los filtros con los que posteriormente el usuario podrá definir las máscaras. Este proceso completo ha dividido en tres partes diferenciadas para su correcta codificación: o 1) Lectura de los filtros introducidos: Como primer paso se procede a leer el número de términos de los filtros introducidos (3, 5, 7, 9 u 11), este número también marcará cuantos Implementación del Método de Laws en Matlab 24 24 filtros se deberán de leer de esta pestaña. Acto seguido se leerán cada nombre de filtro introducido y sus términos correspondientes. o 2) Guardado de los filtros: Una vez leídos los filtros se procederá a su guardado dentro de la variable tipo estructura Ima. Este proceso de guardado es fundamental y se realizará conforme a la estructura de variables planteadas en el punto anterior “4.2.2 Metodología de variables”. Esto servirá para futuros procesos de transporte y lectura de estas variables en los siguientes pasos del programa. o 3) Mostrar resumen y comprobación de filtros: Si todo este proceso de lectura y guardado se realiza de forma correcta y sin fallos se procederá a mostrar un check de correcto en la parte de resumen dentro de la interfaz principal. A su vez se mostrarán los nombres de cada filtro (sin sus términos) para que el usuario pueda ver de forma clara qué filtros están cargados y activos (aptos para poder definir máscaras con ellos) en todo momento. function B_Aceptar_Filtros_Callback(hObject, eventdata, handles) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Función para aceptar los filtros introducidos %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperar Ima % Ima=get(handles.figure1,'UserData'); %%%%%%%%%%%%%%%%% % Recuperación datos pestañas % Datos_Pestanas=get(handles.Para_Pestanas,'UserData'); Matriz_BEN=Datos_Pestanas.Pestana2.Matriz_BEN; Matriz_TN=Datos_Pestanas.Pestana2.Matriz_TN; Matriz_TI=Datos_Pestanas.Pestana2.Matriz_TI; Matriz_TF=Datos_Pestanas.Pestana2.Matriz_TF; Matriz_BEF=Datos_Pestanas.Pestana2.Matriz_BEF; Lista_Terminos=Datos_Pestanas.Pestana2.Lista_Terminos; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Guardar todos los filtros definidos en la variable Ima % N_Terminos=(2*get(Lista_Terminos,'Value'))+1; Ima.Filtros.N=N_Terminos; set(handles.figure1,'UserData',Ima); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Proceso de lectura de filtros introducidos % faltan=0; for i=[1:1:N_Terminos] if isempty(get(Matriz_TF{1,i},'String')) faltan=1; else % MF(i,:)=str2num(get(Matriz_TF{1,i},'String')); end end Filtros_Correctos=0; if faltan==0 for i=[1:1:N_Terminos] Ima.Filtros.F{i,1}=get(Matriz_TN{1,i},'String'); Ima.Filtros.F{i,2}=str2num(get(Matriz_TF{1,i},'String')); end Filtros_Correctos=1; set(handles.T_Requisito2,'Visible','on'); Requisito2=imread('Bien.png'); axes(handles.T_Requisito2); imshow(Requisito2) else warndlg('Faltan terminos por rellenar','Mensaje'); end set(handles.figure1,'UserData',Ima); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Mostrar texto en pantalla de resumenes % Texto={['Número de términos de los filtros: ',num2str(Ima.Filtros.N)],Ima.Filtros.F{:,1}}; set(handles.Texto_Resumen_Filtros,'String',Texto) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% assignin('base','Ima',Ima); 25 25 Entorno interactivo Matlab para análisis de texturas en imágenes II - Función B_Aceptar_Máscaras: Esta función se ejecuta una vez que el usuario pulsa la opción “Aceptar máscaras” dentro de la pestaña de máscaras en la interfaz principal. Una vez cargados los filtros y definidas las máscaras según los filtros elegidos por el usuario, las máscaras están listas para ser aplicadas a la imagen. Este es un paso importante en el programa ya que se calcularán todas las gráficas de resultados que se mostrarán en la pestaña posterior. Este proceso completo ha dividido en tres partes diferenciadas para su correcta codificación: o 1) Lectura de las máscaras introducidas: Tras la definición de cada máscara, el programa deberá leer cada máscara existente en el listado de máscaras. Cada máscara estará compuesta de un nombre, una definición de máscara (ejemplo: “L5E5”), una matriz, producto de la definición de los filtros que la componen y una matriz de resultados producto de la aplicación de dicha matriz a la imagen a analizar. o 2) Guardado de las máscaras: Una vez leídas las máscaras y sus caracteristicas se procederá a su guardado dentro de la variable tipo estructura Ima. Este proceso de guardado es fundamental y se realizará conforme a la estructura de variables planteadas en el punto anterior “4.2.2 Metodología de variables”. o 3) Mostrar resumen, comprobar y aplicar máscaras: Si todo este proceso de lectura y guardado se realiza de forma correcta y sin fallos se procederá a mostrar un check de correcto en la parte de resumen dentro de la interfaz principal. A su vez se mostrarán los nombres de cada máscara (sin sus términos) para que el usuario pueda ver de forma clara qué máscaras están cargadas y activas (se podrán usar para elaborar grafica de resultados) en todo momento. Llegados a este punto se procederá a calcular todas las posibles combinaciones de pares de máscaras según el número de máscaras introducidas. Este resultado condicionará el número de gráficas de puntos que se muestren en la pestaña posterior. Acto seguido se calculará la aplicación de cada máscara a la imagen y su representación en graficas de pares de máscaras. Estos resultados serán mostrados como gráficas en la siguiente pestaña. Implementación del Método de Laws en Matlab 32 32 - Función Cargar_Filtros_pred: Esta función se ejecuta cada vez que el usuario presiona la opción de filtros predeterminados en la pestaña de filtros. Ya que los filtros definidos por Laws son comúnmente usados se ha optado por incluir una función que permita su cargado rápido. Una vez pulsada la opción de filtros predeterminados aparecerá una ventana indicativa para que el usuario pueda elegir qué filtro predeterminado de Laws quiere cargar. Las opciones presentadas por defecto son: Filtros de Laws de 3, 7, 9 y 11 términos. Estas son las opciones más comunes y permiten al usuario no tener que definir cada vez los filtros de Laws que desea utilizar. En el código de esta función se puede ver como primeramente se recuperan los datos de la pestaña a usar y posteriormente se definen todos los filtros de Laws anteriormente indicados. Finalmente, con la elección realizada por el usuario se cargan los filtros elegidos a la segunda pestaña de la interfaz principal. 33 33 Entorno interactivo Matlab para análisis de texturas en imágenes II Una vez volcados los datos de los filtros predeterminados el usuario también puede cambiar sus nombres o el valor de sus términos a su gusto. Esto permite realizar un estudio de cómo varían los cambios en ciertos términos de cada filtro de Laws. - Función Exportar_filtros: Esta función se ha creado para aportar la opción de guardar los filtros definidos en unos proyectos y poder ser usados en otros. Esta función se ejecuta cuando se pulsa la opción “guardar filtros” de la segunda pestaña de la interfaz principal. Una vez pulsada esta opción, se presenta al usuario un pequeño formulario para que sea introducido el nombre con el que se quiere que sea guardados los filtros. Acto seguido se procede a la lectura tanto del tamaño de los filtros, sus nombres como de sus términos. Estos datos se guardan en forma de un archivo “.mat” en la carpeta que el usuario desee para poder ser cargado posteriormente. function B_Cargar_Filtros_pred_Callback(hObject, eventdata, handles) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Función para cargar los filtros predeterminados de Laws %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperación datos pestañas % Datos_Pestanas=get(handles.Para_Pestanas,'UserData'); Matriz_BEN=Datos_Pestanas.Pestana2.Matriz_BEN; Matriz_TN=Datos_Pestanas.Pestana2.Matriz_TN; Matriz_TI=Datos_Pestanas.Pestana2.Matriz_TI; Matriz_TF=Datos_Pestanas.Pestana2.Matriz_TF; Matriz_BEF=Datos_Pestanas.Pestana2.Matriz_BEF; Lista_Terminos=Datos_Pestanas.Pestana2.Lista_Terminos; % Lista_FM1=Datos_Pestanas.Pestana3.Lista_FM1; % Lista_FM2=Datos_Pestanas.Pestana3.Lista_FM2; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Cargado del filtro predeterminado elegido en la pestaña 3 % N_filtro_pred=Filtro_Predetermidado(); % N_Terminos=5; Nombres_Laws{1}={'L3','E3','S3'}; Nombres_Laws{2}={'L5','E5','S5','W5','R5'}; Nombres_Laws{3}={'L7','E7','S7','W7','R7','O7'}; Nombres_Laws{4}={'L9','E9','S9','R9','W5','F9','F9','F9','F9'}; Nombres_Laws{5}={'L11','E11','S11','R11','W11','F11','F11','F11','F11','F11','F11'}; N_Terminos_Laws=[1;2;3;4;5]; MF_Laws{1}=[1 2 1;-1 2 1;-1 0 -1;-1 -2 1;1 -4 1]; MF_Laws{2}=[1 4 6 4 1;-1 -2 0 2 1;-1 0 2 0 -1;-1 2 0 -2 1;1 -4 6 -4 1]; MF_Laws{3}=[1 6 15 20 15 6 1;-1 -4 -5 0 5 4 1;-1 -2 1 4 1 -2 -1;-1 0 3 0 -3 0 1;1 -2 -1 4 -1 -2 1;-1 6 -15 20 -15 6 -1]; if N_filtro_pred==0 else Nombres_Laws=Nombres_Laws{N_filtro_pred}; MF_Laws=MF_Laws{N_filtro_pred}; set(Lista_Terminos,'Value',N_Terminos_Laws(N_filtro_pred)) PopupMenu_Terminos_Callback(hObject, eventdata, handles) % if N_Terminos==5 for i=[1:1:length(MF_Laws(1,:))] set(Matriz_TF{1,i} ,'String',num2str(MF_Laws(i,:))); set(Matriz_TN{1,i},'String',Nombres_Laws{i}); end % end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Implementación del Método de Laws en Matlab 34 34 - Función Importar_filtros: Esta función se ejecuta cada vez que el usuario elige la opción “Cargar filtros” dentro de la pestaña de filtros en la interfaz principal. Este código se plantea como complemento a la función anterior. Una vez que el usuario ha guardado los filtros que desea este podrá volverlos a cargar en el mismo proyecto o en otro distinto. function B_Importar_filtros_Callback(hObject, eventdata, handles) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Función para cargar filtros al programa %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperación datos pestañas % Datos_Pestanas=get(handles.Para_Pestanas,'UserData'); Matriz_BEN=Datos_Pestanas.Pestana2.Matriz_BEN; Matriz_TN=Datos_Pestanas.Pestana2.Matriz_TN; Matriz_TI=Datos_Pestanas.Pestana2.Matriz_TI; Matriz_TF=Datos_Pestanas.Pestana2.Matriz_TF; Matriz_BEF=Datos_Pestanas.Pestana2.Matriz_BEF; Lista_Terminos=Datos_Pestanas.Pestana2.Lista_Terminos; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperar Ima % Ima=get(handles.figure1,'UserData'); %%%%%%%%%%%%%%%%% % Cargado de filtros % [N,Nombres,Terminos]=Importar_Filtros(); if N==0 else Lista_Terminos_Filtros=[0 0 1 0 5 0 3 0 4 0 5]; set(Lista_Terminos,'Value',Lista_Terminos_Filtros(N)) PopupMenu_Terminos_Callback(hObject, eventdata, handles) for i=[1:1:N] set(Datos_Pestanas.Pestana2.Matriz_TN{1,i},'String',Nombres{1,i}); set(Datos_Pestanas.Pestana2.Matriz_TF{1,i},'String',Terminos{1,i}); end end %%%%%%%%%%%%%%%%%%%%%% % Actualización de datos % set(handles.Para_Pestanas,'UserData',Datos_Pestanas); assignin('base','Datos_Pestanas',Datos_Pestanas); %%%%%%%%%%%%%%%%%%%%%%%%%% function B_Exportar_filtros_Callback(hObject, eventdata, handles) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Función para guardar los filtros introducidos %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperación datos pestañas % Datos_Pestanas=get(handles.Para_Pestanas,'UserData'); Matriz_BEN=Datos_Pestanas.Pestana2.Matriz_BEN; Matriz_TN=Datos_Pestanas.Pestana2.Matriz_TN; Matriz_TI=Datos_Pestanas.Pestana2.Matriz_TI; Matriz_TF=Datos_Pestanas.Pestana2.Matriz_TF; Matriz_BEF=Datos_Pestanas.Pestana2.Matriz_BEF; Lista_Terminos=Datos_Pestanas.Pestana2.Lista_Terminos; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperar Ima % Ima=get(handles.figure1,'UserData'); %%%%%%%%%%%%%%%%% N=get(Lista_Terminos,'Value'); % Leo el numero de filtros introducidos Exportar_Filtros(Datos_Pestanas,N); 35 35 Entorno interactivo Matlab para análisis de texturas en imágenes II La diferencia entre esta función de cargado de filtros y la función de cargados de filtros predeterminados es clara. En la primera se requiere que el usuario previamente halla guardado los filtros que posteriormente serán cargados. Sin embargo, la opción de cargado de los filtros predeterminados no requiere de archivo externo, sino que los datos de cada filtro de Laws están almacenados en el mismo código. - Función BAGP: Esta función se plantea para poder abrir en una ventana alterna una gráfica de resultados seleccionada. Una vez cargados los filtros y aplicadas las máscaras se obtendrán en la pestaña de Proyecciones y características las distintas gráficas de puntos fruto de enfrentar pares de resultados. Usualmente el número de gráficas que deben aparecer en esta pestaña es elevado y dependerá del número de máscaras aplicadas. Por ello, se plantea una opción para ampliar las gráficas que el usuario desee para que se puedan ver con claridad y poder analizar sus resultados. El código de esta función consiste en una ampliación del gráfico seleccionado en una ventana alternativa. - Función BAGI: De forma predeterminada en la primera pestaña se muestra la imagen original a analizar. El usuario siempre tiene acceso a esta imagen en esta pestaña a lo largo del programa, pero puede resultar de utilidad poder representar la imagen original en una ventana alternativa independiente de la interfaz principal. function BAGP_Callback(hObject, eventdata, handles,Rx,Ry) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Función para ampliar gráfica de resultados seleccionada %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperar Ima% Ima=get(handles.figure1,'UserData'); Resultados=Ima.Resultados %%%%%%%%%%%%%%%% % Crear nueva figura con la gráfica selecionada % figure plot(Resultados{1,Rx},Resultados{1,Ry},'.') xlabel(['R',num2str(Rx)]); ylabel(['R',num2str(Ry)]); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function BAGP_Callback(hObject, eventdata, handles,Rx,Ry) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Función para ampliar gráfica de resultados seleccionada %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperar Ima% Ima=get(handles.figure1,'UserData'); Resultados=Ima.Resultados %%%%%%%%%%%%%%%% % Crear nueva figura con la gráfica selecionada % figure plot(Resultados{1,Rx},Resultados{1,Ry},'.') xlabel(['R',num2str(Rx)]); ylabel(['R',num2str(Ry)]); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Implementación del Método de Laws en Matlab 36 36 El código consiste en representar en una ventana alterna la imagen original. - Función Boton_BAM: Esta función es la encargada de realizar el proceso de definición de una nueva máscara a partir de los filtros introducidos. La función se ejecuta cada vez que se elige la opción de “Añadir máscara” en la pestaña de máscaras. En este momento se despliegan una serie de interfaces que facilitan la definición de las máscaras al usuario. El código consiste en desplegar estas interfaces y recoger la información introducida. Primero se recoge si la máscara introducida es simple o doble. Dependiendo de la opción se desplegará una interfaz u otra. En esta segunda interfaz se presentará al usuario todas las opciones posibles para definir su máscara. En esta parte el código recogerá la definición de la máscara y esta será mostrada function Boton_BAM_Callback(hObject, eventdata, handles,fila) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Función para añadir una nueva máscara %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperación datos pestañas % Datos_Pestanas=get(handles.Para_Pestanas,'UserData'); Matriz_BEN=Datos_Pestanas.Pestana2.Matriz_BEN; Matriz_TN=Datos_Pestanas.Pestana2.Matriz_TN; Matriz_TI=Datos_Pestanas.Pestana2.Matriz_TI; Matriz_TF=Datos_Pestanas.Pestana2.Matriz_TF; Matriz_BEF=Datos_Pestanas.Pestana2.Matriz_BEF; Lista_Terminos=Datos_Pestanas.Pestana2.Lista_Terminos; Texto_Mascaras=Datos_Pestanas.Pestana3.Texto_Mascaras; N_Mascaras=Datos_Pestanas.Pestana3.N_Mascaras; TxtMascaras=get(Texto_Mascaras,'UserData'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperar Ima % Ima=get(handles.figure1,'UserData'); %%%%%%%%%%%%%%%%% assignin('base','Ima',Ima); % Introducción de la nueva máscara % Grado_Mascara=questdlg('La máscara nueva es:','Máscara nueva','Simple','Doble','No thank you'); if isempty(Grado_Mascara) else for i=[1:1:Ima.Filtros.N] str{i,1}=Ima.Filtros.F{i,1}; end if strcmp(Grado_Mascara,'Simple')==1 % si la máscara es simple waitfor(GUI_Mascara_Simple) end if strcmp(Grado_Mascara,'Doble')==1 % si la máscara es doble waitfor(GUI_Mascara_Doble()); end end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Mostrar mascaras en la interfaz % Ima=evalin('base','Ima'); % TxtMascaras={TxtMascaras;Ima.Mascaras.T} set(Texto_Mascaras,'String',Ima.Mascaras.T); set(Texto_Mascaras,'UserData',Ima.Mascaras.T); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Actualización de datos % set(handles.Para_Pestanas,'UserData',Datos_Pestanas); assignin('base','Datos_Pestanas',Datos_Pestanas); %%%%%%%%%%%%%%%%%%%%%%%%%% % Guardar datos en Ima % set(handles.figure1,'UserData',Ima); assignin('base','Ima',Ima); %%%%%%%%%%%%%%%%%%%%%%%% 37 37 Entorno interactivo Matlab para análisis de texturas en imágenes II en la lista de máscaras introducidas existente en la tercera pestaña de la interfaz principal. Por definición cada máscara introducida se definirá como: “Máscara <Nº>: <combinación de filtros>” para poder referenciar bien cada máscara. El término Nº se define automáticamente para cada máscara según su posición dentro de la lista de máscaras. - Función Boton_BEM: Una vez introducidas las máscaras se plantea la adición de una opción para poder eliminar las máscaras que se deseen. El usuario podría haber errado en la introducción de alguna máscara o simplemente podría querer eliminar una máscara en específico. Esta función se ejecuta cada vez que el usuario pulsa la opción de “Eliminar máscara” dentro de la pestaña de máscaras. La primera condición que se debe dar para que se debe dar para la ejecución del código es que existan máscaras definidas, de no ser así no se podrá eliminar ninguna máscara. Una vez cumplida esta opción se presentará al usuario en una pequeña interfaz la misma lista de máscaras existentes en la pestaña de máscaras. El usuario deberá elegir qué máscara quiere eliminar. Hecho esto la máscara será eliminada y el listado de máscaras será reordenado. De esta forma si existen 5 máscaras y se elimina la número 3, las máscara de la posición 1 y 2 no se verían afectadas por el cambio pero las máscaras 4 y 5 se verían elevadas respecto a su posición original. function Boton_BEM_Callback(hObject, eventdata, handles,fila) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Función para eliminar una máscara %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperación datos pestañas % Datos_Pestanas=get(handles.Para_Pestanas,'UserData'); Matriz_BEN=Datos_Pestanas.Pestana2.Matriz_BEN; Matriz_TN=Datos_Pestanas.Pestana2.Matriz_TN; Matriz_TI=Datos_Pestanas.Pestana2.Matriz_TI; Matriz_TF=Datos_Pestanas.Pestana2.Matriz_TF; Matriz_BEF=Datos_Pestanas.Pestana2.Matriz_BEF; Lista_Terminos=Datos_Pestanas.Pestana2.Lista_Terminos; Texto_Mascaras=Datos_Pestanas.Pestana3.Texto_Mascaras; N_Mascaras=Datos_Pestanas.Pestana3.N_Mascaras; TxtMascaras=get(Texto_Mascaras,'UserData'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperar Ima % Ima=get(handles.figure1,'UserData'); %%%%%%%%%%%%%%%%% assignin('base','Ima',Ima); % Selección de la máscara a eliminar % Pos_Mascara=Borrar_Mascara(Ima); if Pos_Mascara==0 else Ima=evalin('base','Ima'); Ima.Mascaras.N=Ima.Mascaras.N-1; Ima.Mascaras.T(Pos_Mascara,:)=[]; Ima.Mascaras.M(Pos_Mascara,:)=[]; end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Mostrar mascaras en la interfaz % % TxtMascaras={TxtMascaras;Ima.Mascaras.T} if Pos_Mascara==0 else if Ima.Mascaras.N==0 set(Texto_Mascaras,'String','No existen máscaras definicas'); set(Texto_Mascaras,'UserData','No existen máscaras definicas') else set(Texto_Mascaras,'String',Ima.Mascaras.T); set(Texto_Mascaras,'UserData',Ima.Mascaras.T); end end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Implementación del Método de Laws en Matlab 38 38 - Función Boton_BLM: Como se ha explicado anteriormente la aplicación de una máscara a una imagen resalta ciertos aspectos de la misma. Si una máscara especializada en detectar líneas rectas es aplicada a una imagen dará como resultado una imagen en las líneas rectas están resaltadas. Por ello se ha programado una función capaz de aplicar una máscara seleccionada a la imagen original y mostrar por pantalla el resultado. El código se ejecuta con la selección de la máscara deseada dentro del listado de máscaras existentes ya definidas. % Actualización de datos % if Pos_Mascara==0 else set(handles.Para_Pestanas,'UserData',Datos_Pestanas); assignin('base','Datos_Pestanas',Datos_Pestanas); end %%%%%%%%%%%%%%%%%%%%%%%%%% % Guardar datos en Ima % set(handles.figure1,'UserData',Ima); assignin('base','Ima',Ima); %%%%%%%%%%%%%%%%%%%%%%%% 39 39 Entorno interactivo Matlab para análisis de texturas en imágenes II El código lee la máscara seleccionada del listado y se procede a su convolución con la imagen original. Hecha esta convolución se ha reservado un espacio dentro de la pestaña de máscaras de la interfaz principal para albergar una gráfica donde serán representados los resultados. De esta forma el usuario puede visualizar la aplicación directa de cada máscara introducida a su imagen para poder ajustar sus términos o eliminarla. function Boton_BLM_Callback(hObject, eventdata, handles) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Función para aplicar máscara seleccionada a la imágen %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperación datos pestañas % Datos_Pestanas=get(handles.Para_Pestanas,'UserData'); Matriz_BEN=Datos_Pestanas.Pestana2.Matriz_BEN; Matriz_TN=Datos_Pestanas.Pestana2.Matriz_TN; Matriz_TI=Datos_Pestanas.Pestana2.Matriz_TI; Matriz_TF=Datos_Pestanas.Pestana2.Matriz_TF; Matriz_BEF=Datos_Pestanas.Pestana2.Matriz_BEF; Lista_Terminos=Datos_Pestanas.Pestana2.Lista_Terminos; Texto_Mascaras=Datos_Pestanas.Pestana3.Texto_Mascaras; N_Mascaras=Datos_Pestanas.Pestana3.N_Mascaras; TxtMascaras=get(Texto_Mascaras,'UserData'); Pestanas(3)=Datos_Pestanas.Pestana3.Marco; G3=Datos_Pestanas.Pestana3.Grafica; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperar Ima % Ima=get(handles.figure1,'UserData'); Imagen=Ima.Imagen; %%%%%%%%%%%%%%%%% Implementación del Método de Laws en Matlab 40 40 % Representación de la imagen con la mascara seleccionada % if Ima.Mascaras.N==0 else N=get(Texto_Mascaras,'Value'); if Ima.Mascaras.M{N,2}==1 % Si es una mascara simple for i=[1:1:Ima.Filtros.N] % Busqueda del primer filtro simple if strcmp(Ima.Filtros.F{i,1},Ima.Mascaras.M{N,3})==1 F1=Ima.Filtros.F{i,2}; end end for i=[1:1:Ima.Filtros.N] % Busqueda del segundo filtro simple if strcmp(Ima.Filtros.F{i,1},Ima.Mascaras.M{N,4})==1 F2=Ima.Filtros.F{i,2}; end end Mascara=F1'*F2; Imagen_Mascara=imfilter(Imagen,Mascara,'conv','symmetric'); end if Ima.Mascaras.M{N,2}==2 % Si es una mascara doble for i=[1:1:Ima.Filtros.N] % Busqueda del primer filtro doble if strcmp(Ima.Filtros.F{i,1},Ima.Mascaras.M{N,3})==1 F1=Ima.Filtros.F{i,2}; end end for i=[1:1:Ima.Filtros.N] % Busqueda del segundo filtro doble if strcmp(Ima.Filtros.F{i,1},Ima.Mascaras.M{N,4})==1 F2=Ima.Filtros.F{i,2}; end end for i=[1:1:Ima.Filtros.N] % Busqueda del tercer filtro doble if strcmp(Ima.Filtros.F{i,1},Ima.Mascaras.M{N,5})==1 F3=Ima.Filtros.F{i,2}; end end for i=[1:1:Ima.Filtros.N] % Busqueda del cuarto filtro doble if strcmp(Ima.Filtros.F{i,1},Ima.Mascaras.M{N,6})==1 F4=Ima.Filtros.F{i,2}; end end Mascara1=F1'*F2; Mascara2=F3'*F4; Imagen_Mascara1=imfilter(Imagen,Mascara1,'conv','symmetric'); Imagen_Mascara2=imfilter(Imagen,Mascara2,'conv','symmetric'); Imagen_Mascara=(Imagen_Mascara1+Imagen_Mascara2)./2; end end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Colocación de la imagen con mascara en Pestaña 3 % if Ima.Mascaras.N==0 else set(G3,'Visible','on'); axes(G3) imshow(Imagen_Mascara); %Representar imagen axis off end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Actualización de datos % if Ima.Mascaras.N==0 else Datos_Pestanas.Pestana3.Texto_Mascaras=Texto_Mascaras; Datos_Pestanas.Pestana3.N_Mascaras=N_Mascaras; set(handles.Para_Pestanas,'UserData',Datos_Pestanas); assignin('base','Datos_Pestanas',Datos_Pestanas); end %%%%%%%%%%%%%%%%%%%%%%%%%% % Guardar datos en Ima % set(handles.figure1,'UserData',Ima); assignin('base','Ima',Ima); %%%%%%%%%%%%%%%%%%%%%%%% 41 41 Entorno interactivo Matlab para análisis de texturas en imágenes II - Función Boton_ENF: Esta función se ejecuta cuando el usuario pulsa el botón “Editar nombre” para cada filtro existente dentro de la segunda pestaña de la interfaz principal. Una vez elegido el número de términos de los filtros se representan en esta pestaña tantos botones de edición de nombre de filtro como términos elegidos. Cada botón realizará la misma operación para el filtro al que está asociado. Esta función despliega un pequeño formulario en el cual el usuario puede modificar el nombre del filtro que ha seleccionado. Una vez definido el nombre este se muestra en la pestaña junto a los términos del filtro seleccionado. - Función Boton_ETF: Esta función es análoga a la función anterior de edición de nombre de filtros. Esta función se ejecuta cuando el usuario pulsa el botón “Editar términos” para cada filtro existente dentro de la segunda pestaña de la interfaz principal. Una vez elegido el número de términos de los filtros se representan en esta pestaña tantos botones de edición de términos de filtro como términos elegidos. Cada botón realizará la misma operación para el filtro al que está asociado. Esta función despliega un pequeño formulario en el cual el usuario puede introducir los términos del filtro que ha seleccionado. Una vez definido esto, se muestra en la pestaña junto al nombre del filtro seleccionado. function Boton_ENF_Callback(hObject, eventdata, handles,fila) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% Función para editar el nombre del filtro seleccionado %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Recuperación datos pestañas % Datos_Pestanas=get(handles.Para_Pestanas,'UserData'); Matriz_BEN=Datos_Pestanas.Pestana2.Matriz_BEN; Matriz_TN=Datos_Pestanas.Pestana2.Matriz_TN; Matriz_TI=Datos_Pestanas.Pestana2.Matriz_TI; Matriz_TF=Datos_Pestanas.Pestana2.Matriz_TF; Matriz_BEF=Datos_Pestanas.Pestana2.Matriz_BEF; Lista_Terminos=Datos_Pestanas.Pestana2.Lista_Terminos; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Introducción del nuevo nombre % NombreF=inputdlg('Introduzca un nombre para el filtro:','Editar nombre filtro', [1 50]); set(Matriz_TN{1,fila},'String',NombreF{1,1}); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % Actualización de datos % Datos_Pestanas.Pestana2.Matriz_TN=Matriz_TN; set(handles.Para_Pestanas,'UserData',Datos_Pestanas); assignin('base','Datos_Pestanas',Datos_Pestanas); %%%%%%%%%%%%%%%%%%%%%%%%%% Implementación del Método de Laws en Matlab 48 48 - Zona 1: Configuración y ayuda global del programa En esta zona se alojarán las herramientas principales de la configuración del programa. Estas herramientas podrán usarse para refrescar el programa y generar un nuevo proyecto, guardar el proyecto actual y ser cargado posteriormente y obtener una guía necesaria que sirva como referencia de la utilización del programa por parte del usuario. - Zona 2: Introducción de la imagen a analizar En esta zona se introducirá la imagen que se desea analizar. Por defecto el programa autodirige al usuario a la carpeta de imágenes de ejemplo, pero este podrá cargar cualquier imagen que se encuentra alojada en su PC. El programa puede trabajar sin problema con imágenes con extensión “.png” o “.jpg”, no siendo válidas extensiones distintas. - Zona 3: Introducción de parámetros y visualización de resultado Es la zona principal del programa. En ella el usuario podrá introducir o cambiar todos los datos necesarios para un correcto análisis de la imagen tales como filtros, máscaras, etc. Al tratarse de una metodología progresiva y contener varios parámetros se ha optado por la división del proceso del método en distintas pestañas. Cada pestaña se centrará en un punto principal del método de Laws presentando facilitando al Zona 1 Zona 2 Zona 4 Zona 3 49 49 Entorno interactivo Matlab para análisis de texturas en imágenes II usuario el uso de la interfaz. Las pestañas que se han considerado son: o Pestaña 1: Imagen original Una vez cargada la imagen a analizar correctamente se podrá ver en esta pestaña teniéndola así de referencia para la correcta elección de los filtros y máscaras en los futuros pasos. o Pestaña 2: Filtros Esta pestaña está destinada a la introducción de los filtros. El usuario posee dos opciones, introducción de los filtros de manera manual (definiendo término a término) e introducción de los filtros de manera automática. Se le presenta al usuario una breve descripción con ejemplos de cómo se introducirían los filtros de manera manual. El usuario podrá elegir en todo momento la longitud de los filtros a introducir siendo las posibilidades de 3, 5, 7, 9 u 11 términos en cada filtro. El nombre de cada filtro también podrá ser elegido por cada usuario para poder servirle de referencia en pasos futuros. Una vez introducidos los filtros el usuario podrá guardar esos filtros para poder ser usados en diferentes imágenes en otras ocasiones simplificando así la introducción de términos. Otra forma de introducción de filtros es de forma automática. Se le presenta al usuario unos filtros de Laws predeterminados de 3, 5, 7 y 9 términos. A su vez también podrá cargar filtros que haya guardado anteriormente para poder ser usados ahora. Esta metodología simplifica la introducción de cada termino de los filtros. Por último, una vez introducido o hechas las modificaciones necesarias a los filtros el usuario deberá pulsar el botón “Aceptar filtros” para que estos sean cargados correctamente en el programa permitiendo así continuar con los siguientes pasos. o Pestaña 3: Máscaras Una vez introducidos de forma correcta todos los filtros el usuario deberá definir las máscaras utilizar. Como ya se definió anteriormente se presenta al usuario la posibilidad de definir máscaras simples o dobles. Para ello se deberá pulsar en “Añadir máscara”. En este punto y una vez elegida la opción de máscara simple o doble, el usuario podrá definir la combinación más conveniente de los filtros anteriormente definidos. Cada filtro esta guardado con el nombre que el usuario le asignó. Una vez definida la máscara el usuario podrá visualizar la aplicación directa de dicha máscara a la imagen a analizar. Esto ayuda a entender mejor la utilidad de cada máscara definida. A su vez, el usuario también podrá eliminar cualquier máscara definida previamente con el botón “Eliminar máscara” Una vez todas las máscaras estén definidas, el usuario deberá pulsar el botón “Aceptar máscaras” para que estas sean cargadas correctamente en el programa permitiendo así continuar con los siguientes pasos. o Pestaña 4: Proyecciones y características Estando las máscaras correctamente introducidas y el cálculo de convolución de cada máscara con la imagen realizado se podrá acceder a esta última pestaña. En ella se mostrarán, de forma piramidal los gráficos resultados correspondientes a todas las posibles confinaciones de cada máscara con la imagen por parejas. De este modo se obtendrán (𝑛−1)·𝑛 2 gráficas de resultados por cada 𝑛 máscaras que se apliquen a la imagen. Implementación del Método de Laws en Matlab 50 50 - Zona 4: Control global del proceso En la utilización del programa se llevan a cabo comprobaciones correspondientes a la correcta introducción de los datos por parte del usuario en la Zona 3. Es en esta Zona 4 donde se mostrará un resumen de los datos introducidos (imagen cargada, filtros a emplear, máscaras elegidas) en todo momento para le sea más fácil el desplazamiento a través de las pestañas por parte del usuario. 4.4 Flujo de operación del programa En este apartado se explicará el flujo de operación principal del programa. Como aspecto fundamental es necesario entender que el programa se trata de una interfaz de entrada de datos por parte del usuario los cuales son tratados acordes con sus indicaciones (filtros y máscaras definidos, etc.) y que como producto final se obtiene una serie de resultados que el usuario puede extraer para poder generar un análisis posterior de la imagen introducida. Con cada pestaña creada en la interfaz se intenta guiar al usuario por el flujo de operación para introducir los datos necesarios. La correcta introducción de estos datos es fundamental ya que permite al usuario conocer el proceso que seguirá la imagen introducida. Como ya se ha comentado, el flujo interno del programa es el descrito en el capítulo anterior (3.- Método de Laws). A continuación, se expone un diagrama de flujo en el que se puede observar el flujo principal de desarrollo del programa. A su vez se exponen los flujos auxiliares que sirven de apoyo al flujo principal y que serán explicados extensamente el siguiente apartado. 51 51 Entorno interactivo Matlab para análisis de texturas en imágenes II ∗(𝐶𝑜𝑛𝑡𝑖𝑛𝑢𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 hoja) ∗1 ∗2 Figura 17 Implementación del Método de Laws en Matlab 52 52 ∗2 ∗1 53 53 Entorno interactivo Matlab para análisis de texturas en imágenes II Como pasos principales se presentan: 4.4.1 Introducción de la imagen a tratar Como medida inicial se pide al usuario la introducción de la imagen desde un directorio al programa. Esta imagen será tratada inicialmente para mejorar su paso a través de los sucesivos cálculos de la programación. La imagen se transforma en una imagen en blanco y negro para poder ser tratada posteriormente Hecho esto la imagen es guardada en la variable principal Ima estando así lista para continuar el proceso de análisis por el método Laws. 4.4.2 Definición de los filtros La siguiente pestaña está enfocada al segundo paso en el proceso del método Laws, la introducción y definición de los filtros con los que la imagen será tratada. El usuario podrá introducir los filtros de manera automática o manual. Una vez introducidos estos serán guardados dentro de la variable principal Ima. La correcta definición y guardado de estos filtros es clave, ya que estos filtros servirán para la definición de las máscaras que se emplearán para el tratamiento de la imagen. Figura 19 Implementación del Método de Laws en Matlab 54 54 4.4.3 Definición de las mascaras Una vez definidos y guardados los filtros el siguiente paso es definir las máscaras con las que será tratada la imagen. Se definen dos tipos distintos de máscaras, las máscaras simples compuestas por la combinación de dos filtros 𝑀á𝑠𝑐𝑎𝑟𝑎𝑆𝑖𝑚𝑝𝑙𝑒=𝐹𝑖𝑙𝑡𝑟𝑜1 / 𝐹𝑖𝑙𝑡𝑟𝑜2 Y las máscaras dobles compuestas por la combinación de cuatro filtros: 𝑀á𝑠𝑐𝑎𝑟𝑎𝐷𝑜𝑏𝑙𝑒=𝐹𝑖𝑙𝑡𝑟𝑜1∗𝐹𝑖𝑙𝑡𝑟𝑜2 / 𝐹𝑖𝑙𝑡𝑟𝑜3∗𝐹𝑖𝑡𝑟𝑜4 Se podrán definir tantas máscaras como el usuario desee, si bien hay que entender que cada máscara está destinada a la localización de una característica concreta de la imagen (texturas con líneas rectas, texturas punteadas, etc.). Cada máscara definida por el usuario será guardada en la variable principal Ima. Una vez que el usuario haya definido todas las máscaras que desee el programa convolucionará la imagen con cada máscara dando como resultado una nueva imagen. En este punto y si se han empleado las máscaras adecuadas es posible la identificación de ciertas zonas con texturas similares en la imagen. Si bien cada máscara convolucionada con la imagen es capaz de detectar una característica concreta, resulta insuficiente para la caracterización completa y exhaustiva de la imagen. 55 55 Entorno interactivo Matlab para análisis de texturas en imágenes II 4.4.4 Muestra de resultados La finalización natural del proceso completo del método de Laws es la muestra de los resultados de la imagen convolucionada con todos los posibles pares de máscaras definidas. De todo el conjunto de máscaras introducidas se realizan todas las combinaciones posibles para la convolución de la imagen con cada máscara. Así de definir 4 máscaras existen 6 posibilidades de combinación distintas de máscaras sobre la imagen. Máscara L5E5 Máscara E5L5 Máscara L5R5 Máscara W5E5 Figura 20 Implementación del Método de Laws en Matlab 56 56 Se convoluciona la imagen con todas las máscaras definidas y los resultados se plasman en gráficas bidimensionales donde cada eje es un resultado distinto. Figura 21 Figura 22 57 57 Entorno interactivo Matlab para análisis de texturas en imágenes II Como resultado final se obtiene una matriz la cual sirve como punto de partida para los clasificadores en los futuros pasos del análisis de la imagen. 4.5 Limitaciones de programación Como se ha desarrollado en puntos anteriores, el programa ATI esta escrito íntegramente en el programa Matlab. Esto puede resultar en limitaciones propias del programa o de la metodología seguida. A continuación, se expondrán ciertas limitaciones, algunas corregidas mediante soluciones de compromiso y otras que serán posibles puntos de mejora para un futuro. - Limitación propia de Matlab: Todos los códigos y archivos desarrollados para el programa ATI están elaborados en el programa Matlab. Esto además de presentar ciertas ventajas puede incluir algunas limitaciones. Por su constitución, el programa ATI requiere ser reproducido en un ordenador el cual incluya una versión de Matlab 2015a o superior. Matlab es un programa comercia por lo que requiere de una suscripción propio por parte del usuario limitando el uso del programa ATI. Para el uso de un usuario nuevo de este programa requeriría primero la suscripción al sistema comercial de Matlab Word y posteriormente la descarga e instalación del programa completo Matlab. Esto significa una gran inversión de tiempo y recursos para la utilización única de este programa. Este punto plantea numerosas desventajas frente a otros posibles programas que puedan ejecutarse directamente en cualquier ordenador (disponga o no de Matlab) y que no requieran de ninguna inversión económica. Es por ello que se plantea la búsqueda de algún método de compilación y empaquetamiento del programa creado para poder ser ejecutado en cualquier ordenador disponga o no de Matlab. La solución encontrada se basa en una herramienta propia que incluye Matlab llamada MCR (MATLAB Compiler Runtime). Esta herramienta está pensada para la elaboración integral de programas de forma que se puedan ejecutar de forma independiente a Matlab. Figura 23 Anexos 64 64 6 ANEXOS 6.1 Anexo A: Guía de usuario A continuación se adjunta una guía de usuario para la correcta utilización del programa creado. 65 65 Entorno interactivo Matlab para análisis de texturas en imágenes II Anexos 66 66 MANUAL DE USUARIO PROGRAMA ATI Guía y uso jesus medran castro ati[email protected] Descripción breve Manual de usuario para la aplicación y uso del programa Ati 1 Índice Índice 1 1 - Uso de la interfaz 2 1.1 Instalación 2 1.1.1 Nuevo proyecto 3 1.1.2 Partes de la interfaz 3 1.1.3 Cargado de imagen 5 1.1.4 Definición de filtros 7 1.1.5 Aplicación de máscaras 14 1.1.6 Generación de resultados e informe 17 1.1.7 Guardado y cargado de un proyecto 20 2 Contacto 21 2 1 - USO DE LA INTERFAZ Bienvenido al manual de usuario del programa Ati. En este pequeño documento le enseñaremos como utilizar fácilmente el programa y cómo interpretar sus resultados. Se expone a modo de ejemplo el análisis sencillo de una imagen. Se indicarán una serie de pasos genéricos para poder analizar cualquier imagen. Cabe decir que el uso e interpretación de los datos de este programa está enfocado para personas con un nivel básico en el análisis de imágenes por medios digitales.. 1.1 Instalación Para facilitar la instalación de Ati al usuario se ha adjuntado el documento "Procedimiento de instalción.txt" donde se dice paso a paso cómo se debe instalar este programa. Ati está diseñado para ejecutarse en Matlab 2017b o versiones superiores como una script de código. Es por ello que se incluye el archivo "ATI_Matlab" el cual podrá ejecutarse directamente en Matlab. No obstante Ati también incluye una versión ejecutable para usuarios que no posean Matlab. Para ello será necesario instalar previamente el programa MCR (MATLAB Compiler Runtime) el cual hará posible el cálculo y las operaciones que se realizan dentro de Ati sin disponer de Matlab. Esta versión, sin embargo, no posee licencias de creación de archivos ".pdf" o ".html" por lo que quedan suspendida la posibilidad de crear un informe de la imagen analizada. Las demás funcionalidades se mantienen. 3 1.1.1 Nuevo proyecto Se recomienda que para la realización de un nuevo análisis de una imagen se pulse previamente el botón “Nuevo” de esta forma el programa se reseteara y dejara todos los cuadros vacíos a la espera de la introducción de nuevos datos. 1.1.2 Partes de la interfaz La interfaz puede dividirse en 4 grandes partes diferenciadas: - Zona 1: Configuración y ayuda global del programa En esta zona se alojarán las herramientas principales de la configuración del programa. Estas herramientas podrán usarse para refrescar el programa y generar un nuevo proyecto, guardar el proyecto actual y ser cargado posteriormente y obtener una guía necesaria que sirva como referencia de la utilización del programa por parte del usuario. - Zona 2: Introducción de la imagen a analizar Zona 1 Zona 2 Zona 4 Zona 3 4 En esta zona se introducirá la imagen que se desea analizar. Por defecto el programa autodirige al usuario a la carpeta de imágenes de ejemplo, pero este podrá cargar cualquier imagen que se encuentra alojada en su PC. El programa puede trabajar sin problema con imágenes con extensión “.png” o “.jpg”, no siendo válidas extensiones distintas. - Zona 3: Introducción de parámetros y visualización de resultado Es la zona principal del programa. En ella el usuario podrá introducir o cambiar todos los datos necesarios para un correcto análisis de la imagen tales como filtros, máscaras, etc. Al tratarse de una metodología progresiva y contener varios parámetros se ha optado por la división del proceso del método en distintas pestañas. Cada pestaña se centrará en un punto principal del método de Laws presentando facilitando al usuario el uso de la interfaz. Las pestañas que se han considerado son: o Pestaña 1: Imagen original Una vez cargada la imagen a analizar correctamente se podrá ver en esta pestaña teniéndola así de referencia para la correcta elección de los filtros y máscaras en los futuros pasos. o Pestaña 2: Filtros Esta pestaña está destinada a la introducción de los filtros. El usuario posee dos opciones, introducción de los filtros de manera manual (definiendo término a término) e introducción de los filtros de manera automática. Se le presenta al usuario una breve descripción con ejemplos de cómo se introducirían los filtros de manera manual. El usuario podrá elegir en todo momento la longitud de los filtros a introducir siendo las posibilidades de 3, 5, 7, 9 u 11 términos en cada filtro. El nombre de cada filtro también podrá ser elegido por cada usuario para poder servirle de referencia en pasos futuros. Una vez introducidos los filtros el usuario podrá guardar esos filtros para poder ser usados en diferentes imágenes en otras ocasiones simplificando así la introducción de términos. Otra forma de introducción de filtros es de forma automática. Se le presenta al usuario unos filtros de Laws predeterminados de 3, 5, 7 y 9 términos. A su vez también podrá cargar filtros que haya guardado anteriormente para poder ser usados ahora. Esta metodología simplifica la introducción de cada termino de los filtros. Por último, una vez introducido o hechas las modificaciones necesarias a los filtros el usuario deberá pulsar el botón “Aceptar filtros” para que estos sean cargados correctamente en el programa permitiendo así continuar con los siguientes pasos. o Pestaña 3: Máscaras Una vez introducidos de forma correcta todos los filtros el usuario deberá definir las máscaras utilizar. Como ya se definió anteriormente se presenta al usuario la posibilidad de definir máscaras simples o dobles. Para ello se deberá pulsar en “Añadir máscara”. En este punto y una vez elegida la opción de máscara simple o doble, el usuario podrá definir la combinación más conveniente de los filtros anteriormente definidos. Cada filtro esta guardado con el nombre que el usuario le asignó. Una vez definida la máscara el usuario podrá visualizar la aplicación directa de dicha 5 máscara a la imagen a analizar. Esto ayuda a entender mejor la utilidad de cada máscara definida. A su vez, el usuario también podrá eliminar cualquier máscara definida previamente con el botón “Eliminar máscara” Una vez todas las máscaras estén definidas, el usuario deberá pulsar el botón “Aceptar máscaras” para que estas sean cargadas correctamente en el programa permitiendo así continuar con los siguientes pasos. o Pestaña 4: Proyecciones y características Estando las máscaras correctamente introducidas y el cálculo de convolución de cada máscara con la imagen realizado se podrá acceder a esta última pestaña. En ella se mostrarán, de forma piramidal los gráficos resultados correspondientes a todas las posibles confinaciones de cada máscara con la imagen por parejas. De este modo se obtendrán (𝑛−1)·𝑛 2 gráficas de resultados por cada 𝑛 máscaras que se apliquen a la imagen. - Zona 4: Control global del proceso En la utilización del programa se llevan a cabo comprobaciones correspondientes a la correcta introducción de los datos por parte del usuario en la Zona 3. Es en esta Zona 4 donde se mostrará un resumen de los datos introducidos (imagen cargada, filtros a emplear, máscaras elegidas) en todo momento para le sea más fácil el desplazamiento a través de las pestañas por parte del usuario. 1.1.3 Cargado de imagen Dentro de la zona X de la interfaz se encuentra la opción "Examinar". Pulsando esta opción el usuario podrá seleccionar una imagen para ser analizada. 6 Por defecto se abrirá la carpeta de imágenes del programa Ati, sin embargo el usuario podrá cargar cualquier imagen que se encuentre en su ordenador con las extensiones ".png" y ".jpg". El uso de cualquier otra extensión no garantiza el correcto funcionamiento del programa. Una vez seleccionada la imagen esta se mostrará en la pestaña "Filtros". Siempre que se desee se podrá abrir, de manera adicional, la imagen cargada en otra venta complementaria. Para ello el usuario deberá pulsar la opción Abrir en otra ventana. 13 - Aceptar de filtros Una vez introducidos todos los filtros de manera correcta, el usuario deberá aceptar los filtros introducidos guardándolos en el programa (variable Ima). Para ello se elegirá la opción "Aceptar filtros" en la pestaña "Filtros". La elección de esta opción iniciará el proceso de guardado y validado de los filtros en el programa. Si la introducción de los filtros es correcta se mostrará, en la zona de resúmenes un check positivo junto con los nombres de todos los filtros aceptados. De no ser así, si se detecta algún fallo en la introducción de los filtros se emitirá una señal de error y en la ventana de resúmenes aparecerá un check negativo. 14 La aceptación correcta de los filtros permitirá al usuario continuar con la definición de los parámetros necesario para el análisis de la imagen introducida. A partir de este punto será posible la definición de las máscaras. 1.1.5 Aplicación de máscaras Una vez introducidos y cargados los filtros a utilizar, el siguiente paso en el uso del programa es la definición de las máscaras. Toda esta parte se desarrollará en la pestaña “Filtros” El usuario contará con una pequeña interfaz de ayuda para hacer más cómodo la introducción de las máscaras. Estas podrán ser de dos tipos: · Máscaras simples: formadas por la combinación de hasta 2 filtros distintos · Máscaras compuestas: formadas por la combinación de 4 filtros distintos - Definición de las máscaras Para introducir de forma manual las máscaras usuario primero deberá elegir la opción “Añadir máscara” dentro de la pestaña “Máscaras”. Se despliega entonces una pequeña interfaz inicial donde el usuario deberá determinar si la máscara que va a introducir es simple o compuesta. Elegida la opción correspondiente se abrirá una segunda interfaz para determinar qué filtros conforman la máscara (dos filtros para la opción simple, 4 filtros para la opción compuesta). 15 Seleccionando en los desplegables el usuario determinará cómo está compuesta la máscara. Una vez hecho esto se deberá pulsar aceptar. La máscara definida se añadirá al listado de máscaras dentro de la pestaña “Máscaras” - Previsualización de máscara Cada vez que el usuario introduzca una máscara tendrá la posibilidad de poder visualizar su aplicación directa sobre la imagen a analizar. Para ello simplemente se deberá pulsar sobre el nombre de la máscara elegida dentro del listado de máscaras en la pestaña “Máscaras” En la esquina inferior derecha de esta pestaña se podrá visualizar la aplicación directa de la máscara elegida en la imagen analizar. 16 - Eliminado de máscara Se presenta la posibilidad al usuario de eliminar una máscara existente dentro de la lista de máscaras definidas. Para ello el usuario deberá pulsar la opción “Eliminar máscara” dentro de la pestaña “Máscaras” Se despliega una interfaz con el listado de máscaras existentes. Simplemente pulsando sobre el nombre de la máscara que se quiera eliminar y pulsando aceptar esta quedará eliminada de la lista. Una vez definidas todos las máscaras de manera correcta, el usuario deberá aceptar las máscaras introducidos guardándolas en el programa (variable Ima). Para ello se elegirá la opción "Aceptar máscaras" en la pestaña "Máscaras". La elección de esta opción iniciará el proceso de guardado y validado de las máscaras en el programa. Si la introducción de los máscaras es correcta se mostrará, en la zona de resúmenes un check positivo junto con los nombres de todos las máscaras aceptadas. De no ser así, si se detecta algún fallo en la introducción de las máscaras se emitirá una señal de error y en la ventana de resúmenes aparecerá un 17 check negativo. La aceptación correcta de las máscaras permitirá al usuario poder realizar el análisis completo de la imagen mediante el método de Laws. 1.1.6 Generación de resultados e informe De manera automática, una vez que el usuario pulsa el botón “Aceptar máscaras” estas son cargadas al programa y aplicadas a la imagen a analizar. El método de aplicación es el descrito en la teoría de Laws según su método de análisis de imágenes basado en texturas. En la interfaz se ha reservado una pestaña para representación de los distintos resultados según las máscaras definidas. Estos resultados se mostrarán en la pestaña Proyecciones y características. 18 En esta pestaña se mostrará, en una representación piramidal la combinación de todas las máscaras definidas aplicadas a la imagen. Pulsando en cada gráfica se podrá abrir en un ventana independiente la gráfica seleccionada para poder más en detalle sus resultados Una vez que los resultados estén calculados se podrá crear un informe automático en PDF que recopile la información de todo el análisis de la imagen utilizado. Para ello se deberá pulsar en el botón “Generar informe” en la ventana de resúmenes. A continuación se creará el informe y será guardado con el nombre del proyecto en la carpeta “Informes guardados”. 19 20 1.1.7 Guardado y cargado de un proyecto El programa Ati cuenta con unas herramientas de guardado y cargo de proyectos propias. En cualquier etapa de utilización del programa el usuario podrá pulsar el botón "Guardar" dentro de la barra superior de herramientas para guardar todos los datos introducidos en su proyecto. 21 Una vez pulsado será necesario introducir un nombre para guardar el proyecto. Se admiten cualquier combinación alfanumérica de caracteres menos el uso del punto "." o cualquier otro carácter que no esté contemplado por Matlab para el proceso de almacenado de variables. Tras guardar el proyecto actual, el usuario podrá continuar con la edición del proyecto y modificar cualquier parámetro del análisis de imágenes. Para poder cargar los datos de un proyecto que previamente ha sido guardado se deberá pulsar el botón "Abrir" dentro de la barra superior de herramientas. Una vez pulsado el programa redirigirá al usuario a la carpeta "Proyectos guardados" para poder seleccionar el proyecto que desee. El usuario podrá cargar cualquier proyecto almacenado en su ordenador siempre que se trate de un archivo ".mat" y con las características específicas requeridas por el programa Ati. Una vez cargado el proyecto se añadirán a la interfaz todas las variables que este contenga (imagen, filtros, máscaras, etc.). Será necesario de nuevo aplicar las máscaras de forma manual para poder obtener los resultados del programa. 2 CONTACTO Para resolver cualquier duda, reclamación sobre el programa o solicitar algunas sugerencias para futuras mejoras diríjase a la dirección de correo electrónico: [email protected] 22