Char classification process is based on morphological characteristics, such as: number of pores, distribution of pores and all thickness. Approximately, five hundred images have to be analysing in order to classify a char sample. Frequently, these images have high spatial resolution, 1300 x 1030 pixels, and intensity levels are represented using 8 bits. Thus, char image applications require large storage and processing capacity. In this paper, we compare different subsampling and quantisation strategies in order to reduce the spatial resolution and the number of bits used. Compared strategies showed excellent results in reducing spatial resolution and intensity levels, with minimal loss of information or details in processed images
ACERTIJO DE POSICIÓN DE CORREDORES EN LA OLIMPIADA. Por JAVIER SOLIS NOYOLA
Muestreo y Cuantificación de Imágenes de Carbonizados by Chaves
1. MUESTREO Y CUANTIFICACIÓN DE
IMÁGENES DE CARBONIZADOS
Deisy Chaves
Maria Trujillo
Andrés Rojas
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008
2. Introducción (I)
Para clasificar una muestra de carbonizado es necesario
analizar al menos 500 partículas.
Poro Clasificación Morfológica
del Carbonizado
Teniusphere
Espesor de
Pared Crassisphere
Tenuinetwork
Inquemado
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 2
3. Introducción (II)
Árbol de decisión para la clasificación de carbonizados
propuesto por Bailey y Ben fell, después Ben Fell y Liu
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 3
4. Introducción (III)
Proyecto de investigación Clasificación Automática de Carbonizados
Provenientes de un Proceso de Desvolatilización de Carbón.
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 4
5. Definición del Problema
Imágenes a color de alta resolución (1300 x 1030 píxeles)
Representadas utilizando 8 bits para cada canal de color
Poro
Inquemado
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 5
6. Imagen Digital
Una imagen digital se forma mediante el muestreo y
la cuantificación de una imagen continua f(x,y).
Píxel
N
M L = 2k Intensidades
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 6
7. Muestreo
Imagen digital Representación de Submuestreo
la imagen en el de la imagen
computador [1][2]
(Muestreo)
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 7
8. Submuestreo Media
Cada uno de los píxeles (i,j) de la nueva imagen se
obtienen como la media o promedio de las intensidades
de la cuadrícula correspondiente.
Imagen
Resultante
Imagen Original
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 8
9. Submuestreo Mediana
Cada uno de los píxeles (i,j) de la nueva imagen se
obtienen como la mediana de las intensidades de la
cuadrícula correspondiente.
Imagen
Resultante
Imagen Original
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 9
10. Submuestreo Simple
Cada uno de los píxeles (i,j) de la nueva imagen es el
primer píxel (x,y) de la cuadrícula correspondiente.
Imagen
Resultante
Imagen Original
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 10
11. Cuantificación
La cuantificación es el número de bits utilizados para
representar una intensidad de luz en un canal de color.
0 20 40 30 70 180 0 5 10 7 17 45
80 0 10 36 190 193 20 0 2 9 47 48
15 45 57 195 220 244 3 11 14 48 55 61
85 255 195 187 85 40 21 63 48 46 21 10
16 243 173 90 0 112 4 60 43 22 0 28
34 192 255 30 50 120 8 48 63 7 12 30
45 80 190 15 80 170 11 20 47 3 20 42
16 8 173 190 0 12 4 2 43 47 0 3
6 18 200 170 40 7 1 4 50 42 10 1
Imagen Digital Representación de la Representación de la
imagen utilizando 8 bits imagen utilizando 6 bits
o 256 intensidades o 64 intensidades
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 11
12. Cuantificación Homogénea
Para reducir la cuantificación en la imagen calculamos:
Nueva Intensidad = intensidad / factor
Donde el factor indica que tanto se va a disminuir la
cuantización, por ejemplo: si el factor es 2 estamos
disminuyendo la cuantización de la imagen a la mitad
[3][4]
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 12
13. Imágenes de Prueba
Imagen No.1 Imagen No.2 Imagen No.3 Imagen No.4
Imagen No.5 Imagen No.6 Imagen No.7 Imagen No.8
Imagen No.9 Imagen No.10 Imagen No.11 Imagen No.12
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 13
14. Resultados del Submuestreo
Submuestreo Media Submuestreo Mediana Submuestreo Simple
d=2 (650x515píxeles) d=2 (650x515 píxeles) d=2 (650x515 píxeles)
d=4 (325x257 píxeles) d=4 (325x257 píxeles) d=4 (325x257 píxeles)
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 14
15. Resultados de la Cuantificación
Imagen No.1,8 bits - 256 intensidades Factor =2, 7 bits – 128 intensidades
Factor =4, 6 bits - 64 intensidades Factor =8, 5 bits - 32 intensidades
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 15
16. Medidas Evaluación Cuantitativa
Sean Ij la imagen original y Gj la imagen resultante del uso de
una estrategia de submuestreo y/o cuantificación,con j ∈{R,G,B}
El cambio porcentual de la entropía de Shannon normalizada
[5][6] se calcula como:
Donde HN(Ij) corresponde a la entropía de Shannon normalizada,
calculada para el j-ésimo canal de color en la imagen.
El cambio del coeficiente de variación [7] se calcula como:
Donde CV(Ij) corresponde al coeficiente de variación, calculada
para el j-ésimo canal de color en la imagen.
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 16
17. Evaluación Submuestreo con d=2
Cambio porcentual de la entropía de Shannon
normalizada.
Media
Mediana
Simple
Canal Rojo Canal Verde Canal Azul
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 17
18. Outlier Diferencia Porcentual Entropía de
Shannon Normalizada
Imagen No.3
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 18
19. Evaluación Submuestreo con d=2
Cambio porcentual del coeficiente de variación
Media
Mediana
Simple
Canal Rojo Canal Verde Canal Azul
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 19
21. Evaluación Submuestreo con d=4
Cambio porcentual de la entropía de Shannon
normalizada
Media
Mediana
Simple
Canal Rojo Canal Verde Canal Azul
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 21
23. Evaluación Submuestreo con d=4
Cambio porcentual del coeficiente de variación
Media
Mediana
Simple
Canal Rojo Canal Verde Canal Azul
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 23
24. Outliers Diferencia Porcentual
Coeficiente de Variación
Imagen No.3 Imagen No.5
Imagen No.6
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 24
25. Evaluación Cuantificación
con factor ={2,4,8}
Cambio porcentual de la entropía de Shannon
normalizada
Factor=2, L=128
Factor=4, L=64
Factor=8, L=32
Canal Rojo Canal Verde Canal Azul
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 25
26. Outliers Diferencia Porcentual Entropía de
Shannon Normalizada
Imagen No.5 Imagen No.11
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 26
27. Evaluación Cuantificación
con factor ={2,4,8}
Cambio porcentual del coeficiente de variación
Canal Rojo Canal Verde Canal Azul
Factor=2, L=128
Factor=4, L=64
Factor=8, L=32
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 27
28. Outliers Diferencia Porcentual
Coeficiente de Variación
Imagen No.3 Imagen No.5
Imagen No.9 Imagen No.11
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 28
29. Tamaño de las Imágenes
Submuestreadas
Estrategia de Formato con Formato Sin
Resolución
Submuestreo Compresión Compresión
Espacial
Utilizada JPG PPM
Ninguna 1300x1030 500KB 12MB
Media d=2 650 x 515 36KB 3M
Mediana d=2 650 x 515 36KB 3M
Simple d=2 650 x 515 37KB 3M
Media d=4 325 x 257 14KB 752KB
Mediana d=4 325 x 257 14KB 751KB
Simple d=4 325 x 257 15KB 751KB
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 29
30. Tamaño de las Imágenes Cuantificadas
Cuantificación k bits L Formato Con Formato Sin
Compresión Compresión
JPG PPM
factor =1 8 256 500KB 12MB
factor =2 7 128 109KB 11,3MB
factor =4 6 64 112KB 8,13MB
factor =8 5 32 121KB 7,96MB
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 30
31. Conclusiones
Las estrategias de submuestreo tienden a producir
pequeños cambios en la diferencia porcentual de la
entropía de Shannon normalizada y grandes cambios en
la diferencia porcentual del coeficiente de variación.
Las estrategias de cuantificación tienden a producir
grandes cambios en la diferencia porcentual de la de la
entropía de Shannon normalizada y pequeños cambios
en la diferencia porcentual del coeficiente de variación.
Se considera el uso de submuestreo simple con d=2 y
una cuantificación con un factor = 4.
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 31
32. Referencias
1. Weinberger, M.J., Seroussi, G., and Sapiro, G. The LOCO-I lossless image
compression algorithm: principles and standardization into JPEG-LS. IEEE
Transactions on Image Processing, Vol. 9, Issue 8, pag. 1309 – 1324, 2000Sad
2. Man H., Docef A. And Kossentini F. Performance Analysis of the JPEG 2000. Image
Coding Standard, Multimedia Tools and Applications, Vol. 26, No. 1, pag. 27-57,
2005
3. Navarro Y., Peña J., Torres C. Detección y cuantización de macérales en imágenes
de carbón por métodos ópticos. Revista Colombiana de Física. Vol. 38, pag. 637-
640, 2006.
4. Gerace I., Mastroleo M., Milani A., and Moraglia S. An Evolutionary Approach to
Inverse Gray Level Quantization. Lecture Notes in Computer Science, Vol. 4781,
pag. 242-253, 2007
5. Hea, M., Hea, X. F., and Luoa, H. B. Detection of information change on SAR
images based on entropy theory. 1st Asian and Pacific Conference on Synthetic
Aperture Radar, pag. 775 – 778, 2007.
6. Jordan, J., Ludeman, L. Image segmentation using maximum entropy techniques.
IEEE International Conference on Acoustics, Speech, and Signal Processing, Vol. 9,
Part 1, pag. 674 – 677, 1984
7. Lande R. On comparing Coefficients of Variation. System Zoology, Vol. 2, No. 2,
pag. 214-217, 1977.
Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 32
33. Chaves, Trujillo y Rojas, III Congreso Colombiano de Computación, Medellín, Abril 23-25 de 2008 Slide 33