Técnicas de extracción de descriptores

UNIVERSIDAD VIRTUAL DEL ESTADO DE GUANAJUATO

Itsel Gabriela Ramírez Escalante Matrícula: 22004509

REFERENCIAS.

Reconocimiento de Objetos. Extracción de Descriptores Regionales.

8 de noviembre del 2024.

Técnicas

Características

Ventajas

Aplicaciones

Desventajas

Esqueleto

Código Cadena

Núm. Euler

Área

Aproximación poligonal

Perímetro

Compacidad

Diámetro y Excentricidad

Transformada de Fourier

Momentos Estadísticos

Adecuada para contornos cerrados y abiertos.

No aporta información cromática ni de textura.

Medicina y biología: En el análisis de tamaño de células, tejidos y tumores en imágenes microscópicas.

Eficiencia computacional: La transformada rápida de Fourier (FFT) permite cálculos rápidos en imágenes grandes.

10

Útil para clasificación basada en forma: Apoya en la diferenciación de objetos similares.

Reconocimiento de caracteres: Clasificación de letras y números basados en su excentricidad.

Reconocimiento de formas en visión artificial: Para detectar objetos y bordes específicos en imágenes.

No refleja adecuadamente la forma de objetos alargados o finos.

Las irregularidades en los bordes pueden alterar los valores.

Invarianza a transformaciones: Momentos como los de Hu son invariables a rotación y escala.

Aplicable a múltiples escalas de imágenes.

10

No es eficaz si los objetos en la imagen se superponen.

La calidad de la imagen afecta el cálculo de compacidad.

Clasificación de minerales en geología: Para identificar patrones en muestras de minerales.

10

La forma simplificada conserva la estructura del contorno original independientemente del tamaño o la orientación.

Dependencia de la escala: Necesita normalización para comparaciones entre imágenes de diferentes tamaños.

Robótica industrial: Detección y clasificación de objetos según su tamaño para manipulación robótica.

Valores de momentos de orden alto pueden no ser intuitivos.

Perímetro.

El perímetro viene dado por el número total de píxeles que configuran su contorno pero los píxeles de bordes diagonales se ponderan con raiz de dos.

Ahorro de espacio en memoria; reduce el tamaño de datos al almacenar solo puntos clave.

Interpretación intuitiva; la representación poligonal es fácil de entender visualmente.

Identificación precisa de contornos y bordes.

No diferencia formas similares: En objetos con la misma excentricidad, no distingue detalles finos.

Robótica: Identificación de objetos según la forma compacta, facilitando tareas de manipulación.

Funciona principalmente en imágenes binarizadas.

Fácil de interpretar: Proporciona valores de forma intuitivos, como alargamiento.

Reconocimiento de caracteres y textos: Utilizado para analizar contornos de letras y números en OCR.

No distingue formas complejas dentro de una misma región.

Reconocimiento de formas en imágenes médicas: Identificación de estructuras en tomografías y resonancias.

Procesamiento de imágenes satelitales: Clasifica formaciones geológicas con conectividad distintiva.

Animación y videojuegos: Representación de personajes y objetos con formas específicas.

Ofrece solo una visión general de la conectividad sin detallar ubicaciones exactas.

10

Se enfoca en conectividad y no en formas específicas.

Los bordes rugosos o con detalles finos afectan su valor.

Aplicable en compresión de imágenes: Reduce el tamaño de archivos eliminando información redundante.

Limitado a imágenes con buen contraste: Se necesita una buena distribución de intensidades.

Funciona bien en tareas de clasificación de formas sencillas.

La medida de área es intuitiva y fácil de entender.

Representación lineal del objeto.

Menor precisión en curvas suaves.

10

No se adapta bien a formas fractales o contornos extremadamente irregulares.

No es útil para análisis de textura o color, ya que solo considera la forma.

Ineficaz para texturas sin patrones claros.

Aproximación poligonal.

La técnica de aproximación poligonal en extracción de descriptores es utilizada para simplificar contornos complejos en formas geométricas poligonales, permitiendo el análisis y clasificación en aplicaciones de procesamiento de imágenes.

La calidad puede variar según la escala de la imagen original.

Sensibilidad a la selección de parámetros: La precisión depende de la cantidad y posición de los puntos clave.

Análisis de objetos en microscopía: Clasificación de microorganismos en función de su compacidad.

Resistente al ruido bajo: No es fácilmente afectado por ruido leve.

Costoso en procesamiento para imágenes complejas.

Útil en aplicaciones donde los patrones son determinantes.

Compatible con análisis en tiempo real: Adecuado para aplicaciones de visión computacional en entornos dinámicos.

Compatible con muchas librerías de visión computacional.

Reconocimiento de formas en automóviles: Análisis de contornos y áreas en la industria automotriz.

Se adapta bien a formas sencillas y simétricas.

Medicina: Análisis de células y estructuras en imágenes médicas, para detectar células anormales.

Pérdida de detalle fino; la simplificación puede eliminar características importantes de la forma original.

Útil en aplicaciones que requieren contar o analizar áreas con agujeros.

Cambios en el contorno pueden alterar la estructura del esqueleto.

Control de calidad en manufactura: Detección de bordes y forma de piezas para verificar dimensiones.

Identificación de objetos en visión artificial: Utilizado en sistemas de reconocimiento de objetos.

Identificación de patrones repetitivos: Facilita la detección de estructuras periódicas.

Rápida comparación entre objetos: Ideal para bases de datos grandes, donde se necesita rapidez en la clasificación.

Difícil en imágenes con gran variedad de conectividades: Puede no ser confiable en imágenes con estructuras complejas.

Geología y minería: Para el análisis de tamaño de partículas y estructuras en muestras geológicas.

Dependencia en algoritmos de refinamiento: Necesita ajustes adicionales para mejorar precisión.

Desarrollo de juegos y realidad aumentada: Facilita la detección de formas para interacciones.

Ayuda en segmentación de imágenes complejas: Facilita la separación de patrones complejos.

Representación de componentes de frecuencia: Descompone la imagen en frecuencias bajas y altas.

Reconocimiento de caracteres y escritura: En OCR para diferenciar letras y números.

Reconoce patrones en imágenes complejas.

Aplicable a imágenes binarias y en escala de grises: Generalmente usada en imágenes con menos variabilidad de color.

Reconocimiento de caracteres: Detección de patrones periódicos en OCR.

10

Comprime la información del contorno sin pérdida significativa de forma.

Detección de objetos en imágenes de satélite: Identificación de edificios, carreteras y formaciones naturales.

Invariante a la rotación: Facilita el análisis sin necesidad de ajustar por orientación.

Seguridad y vigilancia: Detección de objetos y personas a partir de sus bordes.

No mantiene la precisión en cambios de escala irregulares.

Requiere una segmentación precisa para obtener el área correcta.

Excentricidad como indicador de forma: Representa la relación entre el eje mayor y el menor del objeto.

Invariante a la escala y rotación.

Mantiene las características estructurales de la imagen, reflejando la forma básica del objeto.

Alta eficiencia computacional, su cálculo es rápido, incluso en imágenes de gran tamaño.

Procesamiento de imágenes satelitales: Para la identificación de formaciones geológicas y topográficas.

Compatible con diferentes sistemas de coordenadas: Se puede adaptar a coordenadas relativas o absolutas.

Optimización de recursos computacionales: Ideal para aplicaciones en tiempo real.

Bajo costo computacional: Permite implementaciones rápidas en tiempo real.

Reconocimiento de caracteres (OCR): Detección de caracteres en función de su compacidad.

Identificación de placas vehiculares: Ayuda en sistemas de reconocimiento de caracteres en placas.

Análisis de defectos en manufactura: Control de calidad mediante la inspección de formas.

Ayuda a seleccionar objetos basados en su conectividad.

Puede integrarse en modelos de análisis más avanzados.

Se puede usar junto a otros descriptores para mejorar el análisis topológico.

10

Clasificación de células en microscopía: Identificación de tipos celulares en imágenes biomédicas.

Segmentación de objetos en vídeo: Identifica y clasifica objetos en movimiento en tiempo real.

Adaptable a diferentes escenarios: Puede combinarse con otros descriptores para análisis más completos.

10

Requiere segmentación precisa.

Describe la imagen en su conjunto, sin depender de características específicas.

Buena resolución en frecuencias altas y bajas: Ofrece detalles tanto en bordes como en patrones suaves.

Filtra datos irrelevantes manteniendo solo los contornos esenciales.

Útil en análisis de similitud de formas.

Para análisis complejos, es mejor combinarlo con otros descriptores.

10

No es adecuado para descriptores basados en color o textura.

La compacidad no cambia con la rotación del objeto.

Utiliza algoritmos de simplificación como el algoritmo de Douglas-Peucker, común en este tipo de aproximaciones.

Reconocimiento de caracteres en OCR: Ayuda a discriminar letras en función de su área.

Limitado en imágenes con ruido de baja frecuencia: Puede no ser eficaz en presencia de ciertos tipos de ruido.

Área.

El área se trata del número de píxeles que componen la región.

Bajo costo computacional.

Eficaz en imágenes con condiciones de iluminación estables.

Agricultura: Clasificación de frutas y hojas en función de la uniformidad de su forma.

Clasificación de residuos en reciclaje: Identificación de materiales según la forma y bordes de los objetos.

10

Invariante a la rotación: Su valor permanece constante, sin importar la orientación del objeto.

Utilizable en imágenes binarias.

Los objetos con formas fractales complican el cálculo.

Inspección de placas y componentes Electrónicos: Identificación de conexiones y detección de huecos no deseados.

Basado en fórmulas matemáticas para la distribución de intensidad.

Robótica y visión por computadora: Identificación y localización de objetos en entornos industriales.

Análisis de formas en agricultura: Para evaluación de plantas y cultivos a partir de sus contornos.

Facilita la segmentación de objetos en el análisis de imágenes.

No adecuada para formas irregulares.

Facilita el análisis automático de imágenes complejas.

10

No funciona bien en formas no periódicas.

Robótica: Detección y manipulación de objetos según la forma de sus bordes.

Mapeo de redes de transporte: Detección de interrupciones o huecos en rutas de transporte.

No representa adecuadamente objetos de formas muy irregulares.

Aunque sensible al ruido, es escalable a diferentes resoluciones.

Solo mide el tamaño de cada objeto, sin información sobre su distribución.

Versatilidad en distintos campos: Aplicable en áreas desde medicina hasta astronomía y visión artificial.

Solo mide el tamaño y no se ve afectado por las características de color o textura.

Permite identificar patrones estructurales de manera efectiva.

No proporciona datos sobre textura o color.

Requiere experiencia para interpretar: La interpretación de la frecuencia es menos intuitiva.

Los usuarios pueden ajustar la cantidad de puntos según lo necesiten.

Útil para definir elementos como bordes y esquinas.

10

Descompone en segmentos lineales; convierte curvas complejas en líneas rectas, simplificando la geometría.

Complejidad en la selección de momentos de orden superior: Los momentos superiores son difíciles de interpretar.

10

Proporciona una referencia directa al tamaño de la estructura observada.

Cada punto del contorno se representa con un código que indica la dirección del siguiente punto.

Cartografía y análisis de terreno: Mide el área de formaciones geográficas en imágenes satelitales.

Su cálculo es directo y requiere relativamente pocos recursos.

Invariante a transformaciones geométricas.

Indicador topológico: Mide la conectividad en una imagen y representa el número de componentes conectados menos el número de huecos.

Facilita la eliminación de objetos irrelevantes en imágenes complejas.

Simplicidad para análisis de bordes y contornos: Es fácil de implementar en sistemas de análisis básico de bordes.

Es menos adecuado para patrones texturales detallados.

Animación y simulación de movimiento: Simplificación de personajes y objetos en animaciones.

Mejora la percepción de formas: Resalta detalles específicos de las formas y contornos.

Utiliza amplitud y fase: La amplitud da información de frecuencia y la fase, de la posición espacial.

Medicina y biología: Medición de bordes de células y estructuras en imágenes de microscopía.

Solo mide el borde, sin detallar características internas del objeto.

Requiere contornos bien definidos para lograr buenos resultados.

No describe bien objetos con múltiples detalles internos.

Utiliza estadísticos como la media, varianza y momentos superiores.

10

Diámetro y Excentricidad.

El diámetro de un contorno viene dado por la distancia Euclídea entre los dos píxeles del contorno más alejados. La recta que pasan por dichos puntos se llama eje mayor de la región.La excentricidad es un descriptor muy útil que consiste en el cociente entre la longitud del eje mayor y la del eje menor.

Reconocimiento de caracteres (OCR): Diferenciación de letras y números mediante el análisis de contornos.

Apoya en la detección de formas cerradas y aisladas: Útil en imágenes con múltiples regiones independientes.

Clasificación de materiales en reciclaje: Separación de materiales de acuerdo con su forma.

Eficaz para aplicaciones en sistemas de video en tiempo real.

Capta detalles en áreas de contornos complejos, lo cual es ideal para análisis detallado.

Puede ser poco confiable sin una referencia de escala.

Útil en aplicaciones donde el tamaño es un factor relevante.

Basado en perímetro y área; utiliza ambos para determinar la forma de un objeto.

Control de calidad en manufactura: Verificación de forma en piezas, detectando deformaciones.

Bordes irregulares o ruido afectan la precisión del perímetro.

No es ideal para imágenes con mucha variabilidad cromática.

Utilizable en imágenes binarias.

Permite filtrado selectivo: Facilita la eliminación de componentes de frecuencia específicas.

Puede fallar con imágenes ruidosas.

No considera características de textura o color.

No escalable a objetos en escenarios dinámicos: Puede no ser eficaz en imágenes con objetos en movimiento.

10

Complementario con otros descriptores: Funciona bien junto con el área o perímetro para análisis detallados.

Dificultad en imágenes 3D: Extender el cálculo a 3D es complejo.

Escalabilidad compleja en imágenes grandes: El análisis de imágenes grandes es costoso.

Funcionalidad en aplicaciones móviles.

10

Momentos de orden superior capturan detalles a diferentes niveles de escala.

Capacidad para diferenciar formas: Útil para clasificar objetos según su alargamiento o redondez.

Las irregularidades en los bordes afectan su valor.

Pérdida de información espacial: Se centra en frecuencia y pierde detalles de ubicación exacta.

Agricultura: Análisis de formas de hojas y frutos para evaluar la salud de cultivos.

Su cálculo no depende de técnicas avanzadas de procesamiento de imagen.

Diagnóstico en imágenes médicas: Ayuda en la detección de enfermedades al analizar tejidos.

Invariante a la rotación y escala: El número de Euler no cambia con transformaciones geométricas simples.

Simplifica formas complejas en polígonos, facilitando el análisis.

Sencillez computacional: Es un descriptor eficiente y rápido de calcular.

Invariante a la rotación y escala: Permite el reconocimiento de patrones sin importar su orientación o tamaño.

Difícil implementación en escenarios de tiempo real.

Análisis de tejidos biológicos: Para contar y clasificar células y estructuras en imágenes médicas.

Utiliza puntos críticos para definir la estructura, reduciendo datos redundantes.

No aporta valor en imágenes con baja conectividad.

Momentos estadísticos.

La forma de una representación unidimensional de un contorno a través de una función real, g(x), se puede describir utilizando momentos estadísticos, como la media, la varianza o momentos de orden superior.

Invariante a la escala: Permanece constante independientemente del tamaño del objeto.

Mapeo y modelado en 3D: Crea modelos precisos para simulación y diseño en 3D.

Se enfoca en la forma general, ignorando características de textura.

10

Análisis de superficies en imágenes satelitales: Clasificación de áreas terrestres.

Al simplificar, puede alterar ligeramente la estructura del objeto.

Ayuda a clasificar objetos en función de su conectividad.

Limitado a imágenes binarias, no se puede aplicar directamente en imágenes en escala de grises o color.

Solo da un valor de tamaño, sin detalles de la forma o estructura.

Ideal para medición de simetría: Puede ayudar a determinar qué tan simétrico es un objeto.

Análisis de plantas y raíces en agricultura: Ayuda a estudiar la estructura de plantas y raíces.

Representa el tamaño de una región en la imagen en unidades de píxeles o métricas.

Pierde precisión en formas con muchos detalles o estructuras internas.

Clasificación de especies en agricultura: Análisis de características de frutas y vegetales.

10

No proporciona escala relativa; la interpretación puede variar según el tamaño de la imagen.

Ajustes manuales suelen ser necesarios para cada aplicación específica.

10

Captura propiedades de intensidad y forma de la imagen.

Cálculo del diámetro máximo: Mide la distancia más larga entre dos puntos en el contorno del objeto.

Permite identificar y contar huecos dentro de las áreas de interés.

Pierde sentido en formas fractales o de contorno extremadamente irregular.

Representa la estructura de un objeto con un número pequeño de píxeles.

Buena compatibilidad con otros descriptores, especialmente útil junto con el área o la forma.

Su desempeño disminuye en escenarios de baja calidad de imagen.

Puede fallar al representar estructuras con varias ramas o bucles.

Cartografía y SIG: Delimitación de regiones geográficas y medición de fronteras.

Posibilita eliminar información no relevante de la imagen.

Ideal para identificación de objetos grandes y pequeños.

Captura formas detalladas en contornos y patrones.

Combinable con otros descriptores: Puede ser complementado con área o forma para análisis avanzados.

Invariante a cambios de orientación y escala: Útil para aplicaciones de reconocimiento robusto.

Resistente a transformaciones geométricas; invariante a rotaciones, escalas y traslaciones.

Reduce la cantidad de información manteniendo la forma básica del objeto.

Complejidad computacional: Puede ser computacionalmente costosa sin la FFT.

Permite ajustar la cantidad de puntos según el nivel de precisión necesario.

En escenarios de mucha variabilidad puede ser ineficiente.

La calidad de la imagen afecta el cálculo de precisión.

La segmentación puede complicarse si los objetos no se diferencian bien del fondo.

No requiere ajustes específicos para diferentes orientaciones o tamaños.

10

Mejora el análisis junto con descriptores como el área o perímetro.

compacidad.

La compacidad es un descriptor en el análisis de imágenes que se utiliza para evaluar la relación entre el área de un objeto y el cuadrado de su perímetro, lo cual ofrece una medida de qué tan circular o "compacto" es el objeto.

Robótica: Ayuda en la manipulación de objetos basándose en su forma alargada o redondez.

Detección de anomalías en textiles: Verificación de patrones en la industria textil.

Simplicidad y bajo costo computacional.

Automatización en industria textil: Verificación de uniformidad en tejidos y patrones textiles.

10

Adecuada para visualización en 2D y 3D.

Seguridad y vigilancia: Detección de intrusos en base al área ocupada en la escena.

10

Número de Euler.

Cuenta la cantidad de agujeros en una región y sus componentes conectados, esencial para identificar estructuras complejas. La característica de Euler de una imagen binaria 2D se define como el número de componentes conexas negras menos el número de agujeros.E1 = C – A = 1 – 1 = 0E2 = C – A = 1 – 2 = -1

Transformada de Fourier.

La transformada de Fourier es una técnica fundamental en el análisis y procesamiento de imágenes que permite descomponer una imagen en sus componentes de frecuencia, facilitando el análisis de su estructura y patrón espacial.

Fácil de implementar en sistemas de procesamiento de imágenes.

10

Se combina bien con descriptores adicionales para análisis detallado.

Limitación en formas complejas: No capta bien los detalles de objetos con formas muy irregulares.

Reconstrucción de estructuras histológicas: Utilizado en la investigación de estructuras biológicas.

Flexible en implementación para sistemas embebidos: Utilizado en hardware de bajo rendimiento.

Aplicable tanto en imágenes estáticas como en video.

10

Pequeñas irregularidades en el contorno afectan la medida del área.

Industria automotriz: Usado para el reconocimiento de partes y ensamblaje en líneas de producción.

10

Visión artificial en robótica: Ayuda a los robots a identificar objetos mediante bordes y contornos.

La precisión disminuye si la imagen tiene ruido o es de baja resolución.

Limitado en identificación de textura y color: No es adecuado para análisis de características cromáticas.

Clasificación de minerales en geología: Ayuda a identificar minerales según sus estructuras porosas.

Se almacena la posición relativa de un pixel, con respecto aladyacente, con lo que se obtiene una cadena o vector de números.

No requiere grandes recursos computacionales.

Al ser una representación simplificada, requiere menos espacio de almacenamiento.

Sensible a ruido en bordes: Las discontinuidades fuertes afectan la precisión de la transformación.

Código Cadena.

Representa contornos como una secuencia de direcciones, compactando la información del borde de una figura y facilitando su análisis.

Agricultura: Identificación de plagas o enfermedades en hojas alargadas o deformadas.

Fácil de calcular: Utiliza fórmulas simples basadas en el área y el perímetro.

Ruido en la imagen puede alterar el perímetro al modificar el contorno.

10

Captura la estructura global, especialmente en formas alargadas.

Puede dar falsos resultados en imágenes con contornos irregulares.

Ayuda en el reconocimiento de patrones secuenciales en vídeo.

Reconocimiento de patrones en imágenes biomédicas para identificar estructuras celulares o tejidos.

Análisis de células en microscopía: Para contar células y distinguir entre tipos celulares.

Diseño asistido por computadora (CAD): Simplificación de formas y estructuras para modelado 3D.

Dependiente de algoritmos de transformación rápida: La FFT (Transformada Rápida de Fourier) mejora su eficiencia computacional.

10

Requiere poca potencia de procesamiento.

Útil en análisis de formas con múltiples componentes conectados.

Extrae solo lo esencial de la imagen.

Aplicación en segmentación de imágenes: Facilita el análisis en tareas de segmentación.

Es una de las técnicas más antiguas, usadas actualmente.

Análisis en dominio de frecuencia: Transforma la imagen del dominio espacial al dominio de frecuencia.

Geología y minerales: Clasificación de partículas de acuerdo a su alargamiento y estructura.

Al simplificar la forma, puede omitir detalles importantes.

Solo representa el tamaño, sin considerar otras características.

Es un descriptor de contornos de un objeto o región.

Fácil de interpretar: Proporciona valores de forma intuitivos, como alargamiento.

Análisis de bordes en detección de fronteras de imágenes médicas.

Seguridad y vigilancia: Identificación de objetos con componentes conectados, útil para análisis de movimiento y agrupación.

10

Compresión de imágenes: Reducción de tamaños en JPEG mediante eliminación de frecuencias altas.

Esqueleto.

Representa la estructura de un objeto con un número pequeño de píxeles, conservando la conectividad, los agujeros y, en cierto modo, la extensión del mismo.

La reconstrucción puede introducir artefactos indeseados.

10

Ayuda a analizar la estructura y composición de objetos en una imagen.

No incluye detalles internos de la estructura.

Proporciona buenos resultados en imágenes con formas geométricas.

Análisis de textura en imágenes geológicas: Detección de texturas de minerales en imágenes de rocas.

Soporte para Análisis en 2D y 3D: Útil en aplicaciones de modelado y realidad aumentada.

Requiere imágenes de alta calidad; en imágenes borrosas, el cálculo del área puede ser inexacto.

Clasificación de minerales en Geología: Identificación de minerales en imágenes de rocas.

Adaptación a diferentes tipos de imágenes: Se usa en imágenes 2D y 3D.

Reconocimiento de caracteres en OCR: Distingue letras con huecos como “O”, “P” o “B”.

No se adapta bien a objetos con contornos detallados o complejos.

Control de calidad en manufactura: Detección de irregularidades en bordes de productos.

Seguimiento de objetos en imágenes de vídeo: Para detección y análisis de objetos en movimiento.

Su cálculo es lo suficientemente sencillo para aplicaciones en tiempo real.

Aplicable en imágenes monocromáticas: Funcionan bien en imágenes de un solo canal.

Requiere preprocesamiento para resultados confiables: Necesita imágenes binarizadas y suavizadas.

Amplia aplicabilidad en diversas Áreas: Desde medicina hasta industria y agricultura.

Escalabilidad: Funciona en diferentes tamaños de imágenes si se normaliza.

Los códigos de cadena representan el contorno de un objeto en secuencias direccionales, lo cual facilita su análisis.

Optimización de rutas en drones: Define caminos y zonas de riesgo en mapas topográficos.

Trabaja sobre imágenes binarias.

Reconocimiento de huellas dactilares: Para segmentar y analizar los patrones de bordes.

Análisis de calidad en manufactura: Detecta defectos repetitivos en productos manufacturados.

Seguridad y vigilancia (Detección de Bordes): Mejora la visibilidad de objetos en cámaras de seguridad.

A mayor resolución, el cálculo del perímetro puede variar.

Ideal para imágenes con objetos bien delimitados; su precisión es alta en estas imágenes.

Investigación científica: Estudio de microorganismos y estructuras biológicas en función de su forma general.

10

Calcula la longitud del contorno de un objeto en la imagen.

Calculado a partir del contorno: Depende de un contorno definido y segmentado con precisión.

Requiere segmentación precisa para mejores resultados.

Cartografía y SIG: Identificación de regiones geográficas compactas o dispersas.

Adaptabilidad en segmentación de imágenes: Ideal para diferenciar regiones de interés.

Fácil de interpretar y calcular: Es intuitivo y requiere cálculos simples.

Facilita la comparación de objetos de similar tamaño y forma.

10

La variabilidad de iluminación puede afectar el contorno.

Ideal para análisis de textura: Útil para detectar patrones y texturas en una imagen.

Control de calidad en manufactura: Identificación de defectos y tamaño de piezas en producción.

Puede integrarse en algoritmos de segmentación; ayuda a definir fronteras y regiones.

No se adapta bien a objetos con curvas suaves.

Usado en segmentación de objetos; facilita la identificación de formas mediante la longitud del borde.

Versátil en diversas aplicaciones: Útil en medicina, industria y agricultura.

Dependencia de la Escala: La precisión de la medida de área puede cambiar con la escala de la imagen.

Facilita la eliminación de ruido en imágenes binarizadas.

Medicina (Imágenes de Resonancia Magnética): Para eliminar ruido y mejorar la calidad de la imagen.

Simplifica la información sin perder detalles significativos.

Valor normalizado: Toma valores entre 0 y 1, siendo 1 una forma perfectamente circular.

Invariante a la rotación; la medida de área permanece constante, independientemente de la orientación del objeto.

Versatilidad en procesamiento digital: Compatible con varias herramientas de análisis de imágenes.

Dificultad en objetos con muchos detalles finos.

La compacidad se distorsiona si los objetos se solapan.

No se adapta bien a formas no geométricas.

10

Mejora la velocidad de procesamiento: Al simplificar contornos, se requiere menos procesamiento computacional.

Seguridad y vigilancia: Detección de vehículos y personas según la excentricidad de sus contornos.

Agricultura y monitoreo de cultivos: Para medir el área foliar y evaluar la salud de las plantas.

Invariante a la Rotación: Las medidas no cambian con la orientación del objeto.

Segmentación en aplicaciones de seguridad: Detección de bordes y formas en sistemas de vigilancia.

Agricultura: Identificación de patrones en imágenes de cultivos.

Reconocimiento de caracteres: Usado en OCR para interpretar letras y números.

Útil en múltiples áreas como biología, medicina e industria.

No refleja estructuras internas, solo se enfoca en la estructura externa del contorno.

10

Procesamiento de señales en astronomía: Para mejorar la claridad de imágenes de cuerpos celestes.

Análisis de señales en imágenes de radar: Ayuda en la representación de formas en sistemas de radar.

Dependencia de la escala: Cambia con el tamaño de la imagen, por lo que necesita normalización en comparaciones.

No considera variaciones de textura o color.

No representa adecuadamente formas con múltiples detalles pequeños.

Inadecuado para análisis de detalles finitos: No es útil para tareas que requieren análisis detallado de estructuras pequeñas.

10

Facilita el uso en métodos de detección de bordes y segmentos en imágenes.

Ideal para imágenes con objetos bien delimitados; su precisión es alta en estas imágenes.

Es uno de los descriptores más básicos y utilizados en clasificación de imágenes.

Animación y simulación en videojuegos: Representación simplificada de personajes y objetos.

Se adapta bien a algoritmos de clasificación y redes neuronales.

Diferenciador de formas geométricas: Útil para distinguir entre formas complejas y sencillas.

Estudio de partículas en geología: Clasificación de partículas y minerales por su forma.

Ayuda en la identificación de irregularidades: Detecta bordes y protuberancias en objetos.

Permite diferenciar entre objetos con formas regulares e irregulares.

Adecuado para objetos de formas alargadas.

Valor escalar: Se representa como un valor escalar, lo que facilita su interpretación y almacenamiento.

Usa operaciones geométricas básicas y es computacionalmente eficiente.

10

Computacionalmente eficiente en comparación con métodos complejos.

Flexibilidad en diferentes sectores: Usado en medicina, geología, y más.

Rápido y adecuado para aplicaciones de análisis en vivo.

Navegación autónoma: Uso en sistemas de robots para identificar rutas y evitar obstáculos.

Dependiente de una buena segmentación; requiere contornos bien definidos.

Permite comparar y clasificar objetos basándose en la secuencia de sus contornos.

10

Puede combinarse con otros descriptores, como el área o perímetro, para un análisis más completo.

10

Resistencia a variaciones geométricas: Útil para análisis invariante a rotación y escala.

Control de calidad en manufactura: Identificación de defectos como agujeros en piezas de fabricación.

Geología y minería: Análisis de contornos de partículas y estructuras minerales.

Descripción general de formas: Capturan aspectos como la distribución de intensidad de la imagen.

Medicina: Detección de tumores y estructuras celulares en imágenes de microscopía.

Pequeñas variaciones en los contornos pueden cambiar los códigos de manera significativa.

No captura detalles específicos de pequeñas regiones.

Filtra el ruido al simplificar las formas, lo cual mejora la precisión.

Reconocimiento de patrones en imágenes biomédicas: Útil en segmentación de tejidos con conectividad variable.

Aplicable en análisis de bordes y contornos: Facilita el análisis de estructuras y detalles de forma.

Clasificación de residuos en reciclaje: Permite identificar y clasificar materiales según el tamaño.

Consume menos recursos, ya que simplifica el análisis a partir de pocos puntos.

La mayoría de los algoritmos pueden calcular el área de forma rápida y eficiente.

Permite eliminar frecuencias altas que corresponden a ruido.

No analiza propiedades internas del objeto, solo el contorno.

Facilita el análisis comparativo de tamaños relativos entre diferentes objetos o imágenes.

10

Imprecisión en imágenes de bajo contraste: La variación baja en intensidad afecta el análisis.

Control de calidad en manufactura: Verificación de uniformidad en productos y piezas.

Control de calidad en manufactura: Detecta defectos en productos mediante análisis de formas regulares.

10

Ayuda a seleccionar o excluir objetos basados en su tamaño.

Contornos rugosos alteran significativamente su valor.

Menos efectivo en objetos de formas irregulares.

Es un descriptor común en la morfología de imágenes.

Facilita la comparación entre formas.

Clasificación de residuos: Diferenciación de residuos sólidos en función de su forma.

Eficiencia en procesamiento de datos al reducir la complejidad del objeto.

Matemáticamente compleja: Requiere cálculos avanzados, especialmente en imágenes grandes.

Útil en la caracterización de objetos según su tamaño y morfología.

10

Cartografía y sistemas de información geográfica (SIG): Simplificación de mapas y delineación de contornos geográficos.

Sensible al ruido; las irregularidades en el contorno afectan la precisión de la medida.

Basado en geometría: Utiliza medidas geométricas del objeto, como el diámetro mayor y menor.

En imágenes de baja resolución, puede perder precisión.

Requiere una buena delimitación de bordes para mayor precisión.

Clasificación de objetos en robótica: Diferenciación de formas y contornos para manipulación.

Simplifica la representación de la forma al reducir los objetos a sus ejes centrales.

Facilita la interpretación de estructuras complejas con un enfoque simple.

REFERENCIAS.

Kumar, K. (2021). Pattern Classification. [Archivo PDF]. https://erkundanec.github.io/Files/Teaching/PatternClassification_Slides/Lec02_FeatureExtraction.pdfUniversidad de Sevilla. (s.f.). Tema 6: Descriptores de la imagen y reconocimiento. [Archivo PDF]. https://asignatura.us.es/imagendigital/Tema6_Descripcion_reconocimiento.pdfUniversidad de Sevilla. (s.f.). Tema 6: Descriptores topológicos, geométricos y estadísticos de las imágenes digitales. [Archivo PDF]. https://grupo.us.es/gtocoma/pid/tema6.pdfUniversidad Militar Nueva Granada. (2017). Descriptores espacio-frecuencia para identificación automática de patrones de textura en productos textiles utilizando aprendizaje supervisado. https://www.redalyc.org/journal/911/91158463004/html/Universidad Nacional de Rosario. (s.f.). Procesamiento Digital de Imágenes. Representación y Descriptores. [Archivo PDF]. https://www.fceia.unr.edu.ar/dip/Representacion_Descriptores.pdfUniversidad Tecnológica de Pereira. (2019). Evaluación de descriptores para la detección automática de fallas en fabricación utilizando máquinas de soporte vectorial. https://www.redalyc.org/journal/849/84961238003/html/

Adaptabilidad para múltiples entornos, se usa en sistemas de visión artificial y procesamiento de imágenes.

Adecuado para imágenes binarias.

Necesita procesos adicionales de filtrado para eliminar el ruido.

Requiere una buena segmentación para ser efectivo.

Clasificación de productos en industrias: Permite identificar y clasificar formas en cadenas de producción.

Análisis de estructuras en ingeniería Civil: En la planificación de rutas y la modelación de infraestructuras.

Existen dos maneras de realizar la conexión de los pixeles para formar la cadena: 4 vecinos y 8 vecinos.

Poca utilidad en imágenes con bordes borrosos.

No se ve afectado por variaciones dentro del objeto, solo en sus bordes.

Útil para filtrado y eliminación de objetos no deseados.