Autònoma de Barcelona
Revisión de la teoría de los Textons
Enfoque omputaional en olor
TesispresentadaporSusanaÁlvarezFernández
enlaUniversidadAutónomadeBarelonaparaop-
tar altítulodeDotor en Informátia.
Bellaterra,25deMayodel2010.
UniversitatAutònomadeBarelona
Dept.CièniesdelaComputaióyCentredeVisióperComputador
Co-diretor: Dr. Xavier Otazu Porter
UniversitatAutònomadeBarelona
Dept.CièniesdelaComputaióyCentredeVisióperComputador
Estedoumentohasidoelaboradopor elautoronlatipografíaL A
T
E X2
ε
.En primerlugar agradeeraMariaVanrelllaoportunidad quemebrindó deformar partede
su equipoyladediaióndeparte desutiempo,esevaliosoreursoenestosdias.Tambiénomo
no, a Xavier Otazu por olaborar en todo uanto ha estado en su mano. Ambos son en parte
responsablesdeestetrabajo,queesperoquehayaumplidosusexpetativas.
Por otroladotengoqueagradeeramis ompañerosdeoio queen másdeuna oasiónme
han prestadosu ayuda,siempre desinteresada,en diversosproblemasquehan surgidoduranteel
transursodeestatesis.Entre ellosseenuentraSanti,ompañerodedespahoysufridordireto
de mis enfados uandolasosasnotransurrían omo me hubiera gustado. Nopuedo olvidarme
dealgunosdelosmatemátiosdeldepartamento,Toni, CarlosB.yGerard,siempresolíitos,que
en algúnmomento hansoluionado mis dudas. Ysobretodo aCarmey Dolors por su ayuda on
lanotaiónmatemátia,entreotrasmuhasosas.
TambiénaMaria,JosepB.,Albert F.,Franes,CarlosG.B,CarlosM.,CarlosA., todosellos
veinosdedespahoquemehanaguantado,sobretodoestosúltimosyvertiginososmeses,durante
losualesmehananimadoaontinuar.
AAgustíiSergi,quesiempremehanayudadoaresolverlosmúltiplesproblemasqueapareen
uandounonodominalosaspetosténiosdelLatex.
También agradeer a mis ompañeros del grupo de investigaión, Robert, Anna, Ramón y
Javier,queaunqueseenontrabanamayordistaniafísia,siemprequehasurgidolaoportunidad
mehanehadounamano.
YnalmenteagradeeraMarelsuapoyoinondiionalentodomomento.Susonsejosenmás
deunaoasiónmehanayudadoaseguiradelante.
Endenitivagraiasatodoslosquedeunamanerauotrahanontribuidoalaonseuiónde
estetrabajo.
Elolorylatexturasondosestímulosvisualesimportantesparalainterpretaióndelasimá-
genes.Ladeniióndedesriptoresomputaionalesqueombinanestasdosaraterístiasesaún
unproblemaabierto.Ladiultadsederivaesenialmentedelapropianaturalezadeambas,mien-
trasquelatexturaesunapropiedaddeunaregión,eloloresunapropiedaddeunpunto.
Hastaahorasehan utilizadotres lostipos deaproximaionespara laombinaión, (a)sede-
sribelatextura diretamente enada uno delos analesolor, (b)se desribentextura yolor
por separadoy se ombinanal nal, y() laombinaión serealizaon téniasde aprendizaje
automátio. Considerando que este problemase resuelve enel sistema visual humano en niveles
muytempranos,enestatesisseproponeestudiarelproblemaapartirdelaimplementaióndireta
deunateoríapereptual,lateoríadelostextons,yexplorarasísuextensiónaolor.
Puestoquelateoríadelostextonssebasaenladesripióndelatexturaapartirdelasdensi-
dadesdelosatributosloales,estoseadaptaperfetamentealmarodetrabajodelosdesriptores
holístios(bag-of-words).Sehanestudiadodiversosdesriptoresbasadosendiferentesespaiosde
textons, ydiferentes representaionesde lasimágenes.Asimismoseha estudiadolaviabilidad de
estosdesriptoresenunarepresentaiónoneptualdenivelintermedio.
Losdesriptorespropuestoshandemostradosermuyeientesenapliaionesdereuperaióny
lasiaióndeimágenes,presentandoventajasenlageneraióndevoabularios.Losvoabularios
se obtienen uantiando diretamente espaios de baja dimensióny la pereptualidad de estos
espaiospermiteasoiarsemántiadebajonivelalaspalabrasvisuales.Elestudiodelosresultados
permite onluir que si bien la aproximaión holístia es muy eiente, la introduión de o-
ourreniaespaialde laspropiedadesdeforma yolordelosblobsde laimagenesunelemento
laveparasuombinaión,hehoquenoontradielasevideniasenperepión.
Elolorilatexturasondosestímuls visualsimportantsenlainterpretaiódelesimatges.La
deniiódedesriptorsomputaionalsqueombinenaquestesduesaraterístiquesésenaraun
problemaobert. Ladiultatesderivaessenialmentdelapròpianaturadelesdues, mentreque
latexturaésunapropietatd'unaregió,elolorésunapropietatd'unpunt.
Finsaras'hanutilitzattrestipusd'aproximaionsperalaombinaió,(a)desrivintlatextura
diretament enadasun delsanals de olor,(b) desribint latexturai el olorper separati es
ombinenalnal, i ()fentlaombinaióamb tèniques d'aprenentatgeautomàti.Considerant
queaquest problemaesresoltenelsistema visualhumàen nivells moltprimaris,en aquestatesi
es proposa estudiarel problemaapartirde la implementaió diretad'una teoriapereptual,la
teoriadelstextons,iexplorard'aquestamaneralasevaextensióaolor.
Donat que la teoria dels textons esbasa en ladesripió de la textura apartir de les densi-
tats dels atributsloals, això s'adapta perfetament al marde treball dels desriptors holístis
(bag-of-words).S'hanestudiatdiversosdesriptorsbasatsendiferentsespaisdetextons,idiferents
representaionsdelesimatges.Així mateixs'haestudiat laviabilitatd'aquestdesriptorsenuna
representaióoneptualdenivellmig.
Elsdesriptorsproposatshandemostratsermolteientsenapliaionsdereuperaióilassi-
aiód'imatges,presentantavantatgesenlageneraiódevoabularis.Elsvoabulariss'obtenenal
realitzarlaquantiaiódiretamentenespaisdebaixadimensióylasevapereptualitatd'aquests
espaispermetassoiarsemàntiadebaixnivellalesparaulesvisuals.L'estudidelresultatspermet
onlourequesibél'aproximaióholístiaésmolteient,laintroduiódeo-ourrèniaespaial
delespropietatsdeformaiolordelsblobsdelaimatgeésunelementlauenlasevaombinaió,
fetquenoontradiulesevidènies enlaperepió.
Colourandtextureareimportantvisualuesforimageunderstanding.Thedenitionofompu-
tationaldesriptorsthatombinebothfeaturesisstillanopenproblem.Thediultyisessentially
duetotheinherentnatureofbothues,whiletextureisapropertyofaregion,olourisaproperty
ofapoint.
Sinenowthreeapproaheshavebeenusedforombiningues,(a)textureisdiretlydesribed
in eah oneof theolourhannels,(b)texture andolouraredesribed separatelyandombined
in alatter step,and ()the ombinationis doneusing mahine learningtehniques.Considering
that this issue is solved at early stages of the human visualsystem, in this work wepropose to
studytheproblemusingadiretimplementationofapereptualtheory,thetextontheory,andto
exploreitsextensiontoolour.
Sinetextontheory isbasedonthe desriptionof texturebythe densitiesofloal attributes,
this mathes perfetly with an holisti framework where desriptors are based on bag-of-words.
Somedesriptorsbasedondierenttextonsspaesand dierentimagerepresentationshavebeen
studied. Furthermore,the feasibility of these desriptors has also been studied for intermediate
levelsofimagerepresentation.
Theproposeddesriptorshaveprovedhigheienyinretrievalandimagelassiation.They
alsopresentsomeadvantagesinvoabularygeneration.Thequantiationisdonediretlyonlow-
dimensionalspaes,whosepereptualpropertiesallowlow-levelsemantiassoiationstothevisual
words.The resultsmakeus to onludethat although theperformane of holistiapproahesis
high,theintrodutionofspatialo-ourreneofblobproperties,shapeandolour,isakeyelement
fortheirombination.Thisonlusion agreeswithpereptualevidenes.
1. Introduión 1
1.1. Motivaión . . . 1
1.2. Objetivos . . . 2
2. Anteedentes 5 2.1. Introduión. . . 5
2.2. Color. . . 5
2.2.1. Físiadelolor . . . 6
2.2.2. Perepiónhumanadel olor . . . 7
2.2.3. Representaiónomputaionaldelolor . . . 10
2.2.4. Nombresdeolores. . . 15
2.2.5. Desriptoresomputaionalesdel olor. . . 16
2.3. Textura . . . 17
2.3.1. Anteedentes enlaCienia Cognitiva. . . 19
2.3.2. Desriptoresomputaionalesdelatextura . . . 22
2.4. TexturayColor. . . 25
2.4.1. Desriptoresomputaionalesdelatexturaenolor . . . 26
2.5. Problemasabiertos . . . 29
3. Representaiónholístia de texturas en olor 31 3.1. Introduión. . . 31
3.2. Teoríadelostextons . . . 32
3.3. RepresentaionesholístiasyaproximaiónBoW . . . 33
3.4. Desomposiióndelaimagenenblobs . . . 34
3.4.1. Blobspereptuales . . . 34
3.4.2. Blobsenolor. . . 37
3.4.3. Textons:atributosdelosblobs . . . 40
3.5. DesriptordeTextons (TD) . . . 41
3.5.1. Generaióndelvoabulario . . . 42
3.5.2. Representaióndelaimagen . . . 42
3.5.3. Evaluaiónderendimiento. . . 43
3.5.4. Experimento1:EvaluaióndelTD . . . 47
3.6. DesriptorPereptualConjuntodeTextons (JPTD) . . . 49
3.6.1. Representaióndelasaraterístias . . . 50
3.6.2. GeneraióndelVoabulario . . . 51
3.6.3. Representaióndelaimagen . . . 54
3.6.4. Experimento2:EvaluaióndelJPTD . . . 55
3.7. DesriptorPereptualdeTextons (PTD). . . 59
3.7.1. VoabularioyRepresentaióndelaimagen . . . 59
3.7.2. Experimento3:EvaluaióndelPTD . . . 60
3.8. Apliaiónalalasiaióndetexturas . . . 66
3.8.1. Resultadosexperimentalesyevaluaión . . . 68
4. Haia una representaiónoneptual de texturas 71 4.1. Introduión. . . 71
4.2. Representaiónoneptualbásia . . . 71
4.2.1. Agrupaiónpor similitud . . . 72
4.2.2. Similitudentrerepresentaionesoneptuales . . . 76
4.2.3. Voabulariobásiodetexturasenolor . . . 78
4.3. Apliaión:Reuperaióndeimágenesdetexturas . . . 80
4.3.1. Resultadosexperimentales . . . 81
4.3.2. Disusiónsobrelosresultadosexperimentales . . . 81
4.3.3. Evaluaiónualitativa . . . 86
4.4. Apliaión:Browsing . . . 86
4.5. Apliaión:Deteióndetexturasenimágenes . . . 88
4.5.1. Agrupaiónpor proximidadysimilitud . . . 89
4.5.2. Integraióndeomponentestexturales . . . 94
4.5.3. Experimento1:ReuperaióndeimágenesenBDdeMosaios . . . 95
4.5.4. Experimento2:ReuperaióndeimágenesenBDon esenasnaturales . . 97
5. Conlusiones 101 5.1. Aportaiones . . . 102
5.2. Líneasfuturas . . . 103
A.Tablason resultados experimentales 105 A.0.1. Resultadosexperimentaleson eldesriptorJPTD . . . 105
A.0.2. Resultadosexperimentaleson eldesriptorPTD . . . 111
B.BD de imágenes 117
Publiaiones 143
Introduión
Enesteapítuloseexplianlasmotivaionesquehandadolugaralarealizaióndeestetrabajo,
asíomolosobjetivosquesehanperseguido.Alnal delapítuloseproporionaunresumendel
ontenidodelosapítulosqueomponenestedoumento.
1.1. Motivaión
Unode losobjetivosde laVisión por Computador esobtener lainformaión relevante deun
entorno físio que permita automatizar algunas de las tareas que realiza el ser humano, omo
identiar elementos en una esena, busar imágenes digitales por su ontenido, et. Para ello
seutilizantenologíasomputaionalesysedesarrollanrepresentaionesmatemátiasapropiadas
parafailitar elproesadoautomátiodelainformaión,apturadaenformadeimagen.
DentrodelámbitodelaVisiónporComputador,unosdelosestímulosvisualesmásutilizados
omo fuentes deinformaión parael proesamientode lasimágenessonlatextura yelolor. En
la bibliografía seenuentran multitud de trabajos donde se ha estudiado la textura, utilizando
para ello la informaión aromátia de la imagen. Son menos los estudios en los que se ha uti-
lizado también lainformaión romátia. Ambos estímulos visuales,la texturay el olor,tienen
araterístiasdiferentes.Mientraslatexturaesunapropiedadespaial,eloloresunapropiedad
esenialmentedelpuntodelaimagen.Estadifereniabásiahadiultadolaintegraióndeambos
estímulosvisuales,siendohoyendíaunproblematodavíaabierto.
Lainformaióntexturaldeunaimagenenalgunosasospuedesersuiente paraidentiaro
disriminar loselementospresentesenuna imagen,mientras queenotrosasoslainformaiónde
olor puede serdeterminante. Loque pareelaro, ymuhosinvestigadoresoinidenen ello, es
que lasumade ambos estímulosvisualesproporionamásinformaión ypor tanto hadeofreer
mejoresresultadosenlasapliaionesderivadasqueelusoexlusivodeadaunodeellos.Todavía
noestálaroomoombinarambasinformaiones,sitratandodemaneraseparadaambosestímulos
ynalmenteombinándolaorealizandountratamientoonjunto.Aúnuandoyasehanrealizado
algunos estudios empírios para determinar que método es mejor ( Drimbarean y Whelan, 2001;
MäenpääyPietikäinen,2004),noexisteuna onlusiónlaraalrespeto.
En relaiónalosdesriptoresutilizadospara representarelontenidotextural, quedanpendi-
entespor resolveralgunosaspetos.Elprimerodeelloshaerefereniaalafaltadeundesriptor
generaldetexturas.Lamayorpartedelosdesriptoresdesarrolladoshastaahorasonespeíosy
representandemaneraadeuadasubonjuntosdetexturas.Elsegundoaspetoaonsideraresque
losdesriptoresdetexturasnotienenunasemántiaasoiada.Losoneptosomolaregularidad-
aleatoriedad, homogeneidad-hetereogenidado rugosidadrelaionados on las araterístias per-
eptualesdelastexturas,estánalejadosdelasaraterístiasloalesobtenidasporlosdesriptores,
aunqueenmuhosasosseintentanorrelaionar.Estaproblemátianoexisteparaelasodelos
desriptoresutilizadosparadesribirelolor,yaquesehaenontradolarelaiónentreelestímulo
físioproduidoporeloloron elnombredelolorqueleorresponde.
1.2. Objetivos
El objetivoprinipaldeestetrabajoesdesarrollarundesriptoromputaionaldetexturasen
oloronlassiguientesualidades:
Que integre la textura y elolorombinandoambos aspetosenunúnioonepto.
Generalidad queseaapliable aualquiertipodetexturas.
Pereptualquetengaunaorrelaiónonlaperepiónhumana.
Coniertasemántiauyosigniadotengaunaiertatraduiónapalabrasdellenguaje
natural.
Eiente on un oste omputaional bajo para que sea fatible su uso en apliaiones
prátias.
Partiendo de estos objetivos en el apítulo 2se harealizado unaextensa revisiónde los tra-
bajos publiados relaionados on la textura y el olortratados omo estímulos independientes,
tanto desdeelpuntode vistaomputaionalomo desdeelpunto devista psíofísio.Asímismo
sehaeunapequeñareopilaióndelospoostrabajosdondeseutilizanambosestímulos,olory
textura,omobasepararepresentarelontenidodelasimágenes.Senalizaelapítuloanalizando
laproblemátiaderivadadelaombinaióndeestasaraterístias.
Enelapítulo3seabordaonmásprofundidadelestudiopsiofísiodeJuleszyBergen(1983)
quehaservidodeinspiraiónparaeldesarrollodeldesriptoromputaionaldetexturasenolor
que sepropone.A ontinuaión seexplia la aproximaiónque permitela desomposiión de la
imagen en sus partes elementales denominadas blobs pereptuales. Estos onstituyen la base de
dosmodelosdiferentespararepresentarlastexturas.Por unladosedesarrollaunmodelogeneral
la aproximaiónBag-of-words (BoW) que ha sido apliada mayoritariamente en el ontexto de
ategorizaiónde esenasy objetos (G.Wang y ols.,2006; Sivi yols.,2005) y endesripión
demateriales( BurghoutsyGeusebroek,2009;VarmayZisserman,2005;SiviyZisserman,2003;
LeungyMalik,2001).Larepresentaiónholístiasehaevaluadoendosapliaionessimilares,en
lareuperaiónyenlalasiaióndeimágenes,utilizandoparaello diversasyvariadasbasesde
datosdeimágenes.Paraevaluarlaeaiadelarepresentaiónseharepetidolaexperimentaión
usandoonoidosdesriptoresdetexturayoloron losquesehan omparadolosresultados.
En elapítulo 4sin embargo,sehan utilizadolosblobs pereptualesen laonstruióndeun
segundomodelode representaiónon mayor ontenidosemántio.Éste umple en gran medida
todos losobjetivos menionados aliniio de este apartado y por tanto onstituye unmodelode
representaiónadeuado.Laviabilidaddeldesriptorderivadodeestarepresentaiónsehaevalua-
doenapliaionesdereuperaióndeimágenesquepermitenrealizarunavaloraiónuantitativa.
Laspropiedadespereptualesde larepresentaiónsehan evaluado de maneraualitativa enuna
segunda apliaión que ha onsistido en el Browsing de texturas. Así mismo se ha estudiado la
viabilidaddeutilizarestarepresentaiónparasegmentarimágenesonelobjetivodedetetartex-
turas enesenasnaturales.
Finalmente en el apítulo 5 se resumen las aportaiones del trabajo y las posibles vías de
ontinuaióndeéste.
Anteedentes
2.1. Introduión
Cualquierdesripión omputaional de una imagen parte siempre de unonjunto de ara-
terístiasloales.Lasaraterístiasloalesutilizadasdependendelatareaarealizar,sondemuy
diversa tipologíay on diversos niveles de omplejidad (ontornos, blobs, líneas, olory textura
entreotros).Unamisma araterístiasepuederepresentarde diferentesmaneras,lamásomún
esatravésde unamedida u operadorque proporionaunvalor.A larepresentaiónde unaar-
aterístiaselehaatribuidoelnombrededesriptor( Pereira(Ed.), 1999).Por tanto unamanera
de representar omputaionalmente una imagen es mediante el onjunto de desriptores que la
araterizan.Así mismo laadeuadaresoluión de problemasomputaionales pasa siempre por
utilizarunabuenarepresentaióndelaimagen.
Alo largodeeste apítulo seofree unarevisiónbibliográa delosprinipales trabajosque
realizanunanálisisdelolor,latexturaylaombinaióndeambosestímulosvisualesdesdedisi-
plinasrelaionadasomolavisiónporomputador,laieniadelolorylapsiologíaexperimental.
Al nalizarelapítulo seanalizanlosproblemasabiertoseneltratamientoombinadodelolory
latexturaqueonstituyenelpunto departidadeestetrabajo.
2.2. Color
Elolorhademostradoserunaaraterístiaimportanteparalarealizaióndediversastareas
visuales,sobre todoen laidentiaióny enla disriminaiónde objetos.Al ontrarioque enla
textura, existeuna deniiónlaradel olorysehan denido diversasmaneras pararepresentar
esteestímulovisual.
Figura2.1:Espetroeletromagnétio.
2.2.1. Físia del olor
La luz esunujo deenergía ompuestopor ondaseletromagnétias dediversasfreuenias.
El ojo humano essensiblesóloaunsubonjunto deradiaioneseletromagnétias(longitudes de
onda) quedenen elespetrovisual. Comoejemplo en lagura2.1semuestratodo elrangodel
espetroeletromagnétio.
Cuando la luz inide en un objeto, la superie de éste absorbela energía de ada longitud
de ondaon diferente gradodependiendo desu reetania. La energíaque noes absorbidapor
el objeto se reejade diferente manera dependiendo de las propiedadesdel material del objeto
y del ángulo deinidenia de laluz, todoello junto on laposiión del observador determinala
perepióndelolordelobjeto.Dentro delosmodelosquerealizanunaaproximaióndelmodelo
realdereexiónseenuentraelmodelodiromátiodereexión(Shafer,1985).Segúnestemodelo,
uandoelmaterial deunobjeto esóptiamente no homogéneoy opao,seprodueunfenómeno
de reexiónespeulary unfenómeno dereexión difusa. Lareexión espeular orrespondeala
porióndelaluzinidentequeesreejadaporlasuperiedelobjeto,uyadireióndereexión
seonentraalrededordeladireiónsimétriaaladireióndelaluzinidenteonrespetoala
superienormal.Porotroladoelfenómenodelareexióndifusaseproduedebidoalaporión
deluzqueentraenelmaterial.Estaluzesabsorbidaporlaspartíulasolorantesopigmentosque
seenuentrandentro delmaterial yesre-emitidaen partehaia elexteriorentodasdireiones.
El olordela luzreejada por lareexióndifusa esdeterminadopor laslongitudesde ondaque
nosonabsorbidaspor lospigmentos.En lagura2.2.(a)seenuentraungráomostrandoestos
fenómenos.
De auerdo on la geometría mostrada en la gura 2.2.(b), la formulaión matemátia del
modelodiromátioeslasiguiente:
L(λ, i, e, g) = L i (λ, i, e, g) + L b (λ, i, e, g) = m i (i, e, g) c i (λ) + m b (i, e, g) c b (λ)
(2.1)dondelaradiaióntotaldelaluzreejada
L
eslasumadedospartesindependientes:laradiaiónL i
de la reexión espeular y la radiaiónL b
provoada por la difusión del material. A su vez(a) (b)
Figura2.2: (a)Reexiónespeularydifusa.(b)Ángulosfotométrios.
ada una de estas omponentes sepuede dividir en dos partes, ladistribuión espetralrelativa
(
c i
oc b
)quedependesólodelalongituddeondayesindependientedelageometría,ylasegunda omponente es el fator de esalageométria (m i
om b
) que depende sólo de la geometría y esindependiente delalongituddeonda.
Apartedelasrestriionesdeestemodeloomentadasanteriormente,otrasasunionessonque
lasuperieestáuniformementeoloreada,sólohayunafuentedeluz(nodifusa)yquelafunión
espetraldelailuminaiónesonstante.Deotramaneraelmodelodereexiónesmásomplejo.
Para el aso de materiales on reexiones espeulares muy altas(tales omo metales) en la
fórmula2.1sóloseonsideraeltérmino
L i
yensuperiesmates(llamadasdielétrios)eltérminoL b
.Hayquemenionarqueenlamayoríadetrabajosdentrodelámbitodelavisiónporomputador,
al igualque enéste, seasume que lassuperies sonLambertianas.Una superie Lambertiana
produeunareexiónperfetamentedifusaeisotrópia(igualentodaslasdireiones),estoimplia
unasimpliaióndelmodelodereexióndiromátioalonsiderarsólolaomponente
L b
deestemodelo,siendoenesteasolaomponente
m b
independientedelángulo devisión delobservador.Entoneslafórmula2.1 quedadelasiguiente manera:
L(λ, i) = L b (λ, i) = m b (i) c b (λ)
(2.2)dondeelprimertérminodependeexlusivamentedelailuminaiónyelsegundodelobjeto.
2.2.2. Perepión humana del olor
Enlavisiónhumanalaperepióndelolorseprodueporetapas,teniendoadaunadeellas
una ubiaión diferente en el sistema visual. En la primera fase interviene la retina del ojo, en
estazonaseenuentranmillonesdeélulasespeializadasdevariostipos,llamadasfotoreeptores,
queabsorbenlaluzy laonviertenenseñales neuronales.Estasseñales sonproesadaspor otras
élulas de laretina antes de quepasen al erebroa través del nervio óptio (en la gura2.3 se
muestralaestruturadelojo).Hayuatrotiposdefotoreeptores,tresdeellossonlosdenominados
Figura2.3: Estruturadelojohumano.
bastones.Estosúltimosseativanenintensidadesbajasdeluz(visiónnoturna)yaquesonmuho
mássensibles alaluz quelosonos,perono ontribuyenalavisióndelolor (Robertson, 1992).
Según la teoría triromátia ( Wyszeki y Stiles, 1982) ada fotoreeptor es sensible a (absorbe)
un onjunto de longitudes de onda onretas de la luz, de esta manera los onos se diferenian
en: onos tipo L (del término inglés Long Wavelength), tipo M (Medium Wavelength) y tipo S
(ShortWavelength).Enlagura2.4semuestraenelespetrovisual(rangodefreueniasvisible)
la sensibilidad de ada uno de los onos, reejando la proporión de luz que absorben en ada
longitud de onda. Laseñal de laexitaión neuronal para ada tipo de fotoreeptor(
C L
,C M
yC S
)produidaporunestímulogenérioL(λ)
ltradoporadasensibilidadespetrall(λ)
,m(λ)
ys(λ)
dentrodelespetrovisible[λ 1 ..λ 2 ]
serepresenta:C L = Z λ 2
λ 1
L(λ)l(λ) dλ, C M = Z λ 2
λ 1
L(λ)m(λ) dλ, C S = Z λ 2
λ 1
L(λ)s(λ) dλ
(2.3)La perepión del olor no sólo se determina a partir de fatores psiofísios, según Evans
(1974)enlaperepióndelolorestáninvoluradosinoatributospereptuales:Tono,Saturaión,
Luminosidad,VivezayBrillantez.Aunqueparaoloresnouoresenteselonjuntodeatributosse
reduealostresprimeros.Aontinuaiónsedenenestosoneptos( Robertson,1992;Plataniotis
yVenetsanopoulos,2000):
- El tono está asoiado on la longitud de onda dominante, por tanto representa el olor
dominantequeesperibidoporunobservador(ej:rojo,amarillo,verde,...).
- La saturaióneslapureza relativadelolor. Cuanto menossaturadoesun olor,máspro-
porión de blano tiene. Los olores puros están ompletamente saturados y el grado de
saturaióndisminuyeamedida quesonmenospuros.
- La luminosidadse orrespondeon laapreiaión subjetiva delaridadyosuridad(ej: un
grislarotiene másluminosidadqueungrisosuro).
Por otrolado,hayuna seriedefatoresambientalesquereperutenenlaperepióndelolor
estosson:eltipodeluzylosoloresdelentorno.Aontinuaión seexplianlosefetosqueestos
Figura2.4: Sensibilidaddelosonos.
Una misma superie puede presentar diferentes aparieniasbajo diferentes fuentes de luz o
bajodiferentesintensidades del mismo iluminante.En lagura2.5 semuestraunejemplo de las
variaionesquepuedesufrirlamismaesenauandolasaraterístiasdeliluminanteambian.Sin
embargo,unobservadorhumanoesapazdeinferireliluminanteyperibirlosoloresdelaesena
demaneraestable.Estoesdebidoaqueelsistemavisualhumanoposeeunmeanismoadaptativo
que permite separarlasvariaiones espetrales delaluz de unaesena ypreservarel aspetode
unobjetobajounaampliagamadefuentesdeluz.Estahabilidadpereptualsellamaonstania
de olor. La onstania del olor ha sido modelada en la visión por omputador por diferentes
métodos que se basan en obtener el iluminante de la esena y proporionan omo resultado la
esena bajo un iluminante de referenia, simulando de esta manera el proeso de adaptaiónal
iluminante (MaloneyyWandell,1986;Forsyth,1990;Finlaysonyols.,2001;Tous,2006).
Los olores del entorno también afetan a la perepión humana del olor, en la gura 2.6
se muestran unos ejemplos. A este fenómeno se onoe on el nombrede induión romátiae
inluye dos efetos diferentes: la asimilaión romátia y el ontraste romátio. La asimilaión
romátia se produe uando la perepión de la romaidad de un estímulo ambia haia la
romaidaddelolorquelerodea.Estonormalmenteourreuandoseobservaunasuperieque
poseeunaelevadafreueniaespaial.Por otrolado,elontrasteromátiotienelugar uandola
romaidaddeunestímuloambiadependiendodelaromaidaddelentorno.Esteefetoaparee
uandoseobservauna superie onbajafreueniaespaial.Ambos efetoshan sidomodelados
Figura2.5:Dosimágenesonlamismaesenabajoiluminantesdiferentes.
(a) (b)
Figura 2.6: Fenómeno de induión romátia. (a) Constaste romátio: los uadradosinteriores
tienenelmismoolorperoelolorperibidoenadauno esdiferente.(b)Asimilaiónromátia.
asimilaiónromátiaomounefetodeblurringosuavizado,mientrasqueelontrasteromátio
sehamodeladoomounaoperaióndesharpening.
En estetrabajoseasumequeantesdeapliarlosdesriptorespararepresentarelontenidode
lastexturasolor,lasimágenesdebendeserpre-proesadason losalgoritmosquemodelanestos
fenómenos.
2.2.3. Representaión omputaional del olor
Laolorimetríaeslaieniaqueseoupadelestudiodeomoespeiarnumériamenteelolor
orrespondienteaunestímulofísioydeomomedirladifereniaentreolores.Dadoqueexisten
tres tipos defotoreeptores responsables del olor, pareeadeuadorepresentar aloloron tres
omponentes numérias.Dentro de laolorimetría éste esel enfoque más extensoy orresponde
alageneralizaión triromátia( Wyszeki yStiles,1982). Segúnladeniión deadauna delas
omponentes numérias se derivan diferentes maneras de representar los olores,dando lugar a
espaios de olor diferentes. Dependiendo dela apliaiónesmásadeuado usarunosespaiosu
otros.
LosdispositivosutilizadosenlasapliaionesdevisiónporomputadorsuelenserámarasCCD
uyos sensoresapturan losolores deuna esena.Cadadispositivotiene suspropiossensoresde
tres tipos (R, Gy B) on sensibilidad espeía. Por tanto, lainformaión apturada por estos
tambiénlosean.
En las siguientes seiones se detallan algunos de losespaios de olor más utilizados en las
apliaionesdevisiónporomputador.
El espaioRGB
Elolorserepresentaon tresomponentes: R(rojo),G (verde)y B(azul).El valordeéstas
eslasumade susorrespondientes funionesdesensibilidadalaluz ysealulandelasiguiente
manera:
R = Z 830
300
L(λ) ¯ R(λ) dλ, G = Z 830
300
L(λ) ¯ G(λ) dλ, B = Z 830
300
L(λ) ¯ B(λ) dλ
(2.4)siendo
L(λ)
elespetrodelaluzapturadayR(λ) ¯
,G(λ) ¯
yB(λ) ¯
lasfunionesdesensibilidaddelos sensores.Dadoquelasomponentesaluladasdependendelafuniónsensibilidad,esteespaioesdependiente deldispositivo.Losoloreseneste espaioserepresentandentrodeunubosituado
enelespaiotridimensionaldeejesR,GyB,enlagura2.7.(a)semuestraesteespaio.
Un fatoratener enuenta enlosdispositivos CCD, queafetaalosvaloresRGB, esquela
sensibilidad delos sensoreses logarítmia,por tanto dalugar a unarepresentaión nolineal del
espaioRGB,onoidoomoespaioR'G'B'.Algunasámarasdisponendeunmeanismollamado
orreión gammaparalinealizar lasrespuestasdandolugaralespaioRGBlineal.
Esteespaioytodoslosespaiosderivadosdeéste,nosonpereptualmenteuniformes,esdeir,
lasdistaniasgeométriasentredospuntosnoseorrespondenonlasdistaniaspereptualesentre
losoloresorrespondientes.
El espaiode olores oponentes
Este espaiofue inspiradoen la teoría de olores oponentes propuesta por elsiólogoHering
(1964), en éstase postula queel sistema visual funiona a partirde unproesode oposiión de
olores,existiendoseisoloresprimariosagrupadosentres pares:rojo-verde(R-G),amarillo-azul
(Y-B) y los aromátios blano-negro(I) ya que los olores de ada par no oexisten en ningún
olorperibido.Se handenido diversasrepresentaionesparael espaiooponente,entre ellasla
deValoisyValois(1993)queladenen apartirdeunatransformaiónlinealdelespaioRGB:
I
RG
BY
=
1/3 1/3 1/3
1 -1 0
-1 -1 2
·
R
G
B
(2.5)
siendo
RG
yBY
lasomponentes romátiaseI
laomponentearomátia.Laprinipalpropiedaddeesteespaioesladeorrelaiónquepresentantodossusanalessise
Lafamilia de espaios HSI
LafamiliadeespaiosHSIsederivadelespaioRGByseobtienerealizandodiversastransfor-
maionesnolinealessobrelasoordenadasdeéste.Laaraterístiadiferenialrespetoalespaio
RGB esque enesta familia de espaiosla deniión delas dimensiones estárelaionada on los
atributospereptualesdelolor:tono,saturaiónyluminosidad.
LafamiliadeespaiosHSIusaoordenadasilíndriasdondelaomponente
S
esproporional aladistania radialy laH
es unafunión delángulo,ambaspor tanto en oordenadas polares.Estasomponentesestánrelaionadasonlosoneptos desaturaiónytonorespetivamente.La
omponente
I
esla distania alo largodel eje perpendiularal plano de oordenadas polares y estárelaionadaoneloneptoluminosidad.Estos espaios, apesarde no serpereptualmente uniformes,son másadeuados para repre-
sentarlaperepióndelolorhumanoquelosespaiosRGB oelespaiodeoloresoponentes, ya
que son más intuitivos (Plataniotis y Venetsanopoulos, 2000). La separaiónentre omponentes
romátias(
H
yS
)delaaromátia(I
)esútilenapliaionesomolasegmentaiónendondeel tonoylasaturaióntienenmayorimportania.ExistendiversasmanerasomputaionalesdealularelespaioHSIapartirdelasomponentes
RGBdandolugaralafamiliadeespaiosHSI.Aontinuaiónsemuestrantresdeellas.
T.CarronyLambert(1994)denióelespaioHSIdelasiguientemanera:
I = 1
3 (R + G + B) S = 1 − 3
(R + G + B) [min(R, G, B)]
H =
( θ
siB ≤ G 360 − θ
siB > G
siendo
θ
θ = cos −1
( 1
2 [(R − G) + (R − B)]
p (R − G) 2 + (R − B)(G − B) )
.
Antesdeefetuar,elálulolasomponentesR,GyBdebenestarnormalizadasentre
[0, 1]
.En lagura2.7.(b)puedeverseladistribuióndelosoloresenesteespaio.
A. Smith (1978)denióelespaioHSV endondeloslímites del espaioseenuentrandentro
deunilindro.Laformulaióneslasiguiente:
V = maxi S = maxi − mini
maxi
(a) (b)
() (d)
Figura 2.7: (a) Espaio de olor RGB. (b) Espaio de olor HSI-Carron. () Espaio de olor
HSV-Smith.(d)EspaiodeolorHSV-Yagi.
H =
60 × G−B S
simaxi = R 60 × (2 + B−R S )
simaxi = G 60 × (4 + R−G S )
simaxi = B
siendo
maxi = max(R, G, B), mini = min(R, G, B).
El espaioHSV denido por Yagi y ols. (1992) puede onsiderarseel máspereptual de los
tresyaquelasdistaniasentrenegrosyentreblanosseajustamejoraladistaniaperibidapor
elsistemavisualhumano(SVH).En estanuevaformulaiónloslímitesdelespaioestándenidos
por un doble ono. La omponente Hue se alula omo en el modelo de A. Smith (1978)pero
ambialadeniióndelasaturaiónylaintensidad(o value):
V = maxi + mini
2
S = maxi − mini.
Losespaios CIE
La CIE (Comisión Internaional de la Iluminaión) on el objetivo de rear un sistema de
representaióndelolorestándaryquesirvieraomo sistemaderefereniapara laindustriareó
el espaiode representaiónCIE-XYZ. Este espaiose basa en lasmedidas de tres funiones de
sensibilidaddeunobservadorhumanoestándarobtenidasexperimentalmente quesemuestranen
la gura 2.8. La integral de ada una de estos estímulos (de manera análoga a la formulaión
indiadaen2.4)dalugaralasomponentesX, YyZdelnuevoespaioderepresentaión,donde
adatríadadevaloresrepresentaunsoloolorvisible.Normalizandolasvariablesdeesteespaio
seobtienenlasnuevas omponentes:
x = X+Y X +Z y = X+Y Y +Z
z = X+Y Z +Z ,
también puedeexpresarseomoz = 1 − x − y
(2.6)
Figura2.8:Funionesdelaorrespondeniadelolor(CMF:Color MathingFuntions).
Larepresentaióndelasomponentesromátiassintenerenuentalaintensidadseonoeon
elnombrede diagrama romátio(vergura2.9). Este diagramaequivale aproyetarlospuntos
(X,Y,Z) enelplano
x + y + z = 1
.Sepueden onvertirlasoordenadasX, YyZaualquieradelosespaiosderivados delRGB
yalrevésonoiendoiertosvaloresdeldispositivoquehaproduidolasomponentesRGB.
Pordeniiónesteespaioesindependientedeldispositivo,puestoqueeselespaiodependiente
del observador estandar, pero ontinua siendo no pereptualmente uniforme. Por este motivola
CIE reó los espaiosL*u*v* y L*a*b*, en ambos asosla omponente L* es la luminosidad y
el resto de omponentes sonlas romátias. A ontinuaión se muestra la euaión que permite
alularlasomponentesdelespaioL*a*b*apartirdelosvaloresX, YyZ:
L ∗ =
116
Y Y 0
1 3
− 16
siY Y 0 > 0,008856 903,3
Y Y 0
si
Y
Y 0 ≤ 0,008856
Figura2.9:Diagramaromátio.
a ∗ = 500
f X
X 0
− Y
Y 0
b ∗ = 200
f Y
Y 0
− Z
Z 0
siendo
(X 0 , Y 0 , Z 0 )
lasoordenadas(X, Y, Z)
delblanoderefereniaylafuniónf
omosedeneaontinuaión:
f (U ) =
( U 1 3
siU > 0,008856 7,787U + 16/116
siU ≤ 0,008856
U (X, Y, Z) = 4X X + 15Y + 3Z .
Enesteespaiodeolorparaobtenereloneptotonoseutilizanlasomponentes
a
yb
delasiguientemanera:
tono = arctan b ∗
a ∗
.
Parapoderalularestatransformaiónseneesitaonoerelblanodereferenia 1
yestosólo
esposiblesisedisponededispositivosalibrados.
2.2.4. Nombres de olores
Loshumanosparadesribirunolorgeneralmenteutilizannombres.Estospuedensernombres
basados en objetos onoidos(hoolate, pistaho,oliva, oral,...) o pueden ser nombres básios
1
aprendidosdesdelainfania.Apartirdeunestudiointerulturalde98lenguasBerlinyKay(1969)
determinó 11 términos básios para desribir las ategorías de olores,estos son: blano, negro,
rojo, verde, amarillo, azul, marrón, gris, naranja, violeta y rosa. Sobre estos se suelen apliar
modiadores omo laro, osuro o también se pueden ombinar de la forma azul verdoso
(Robertson, 1992).Losexperimentosde BerlinyKay(1969)demostraronque lossereshumanos
sonapaesdeseleionarparaadaategoríaunejemplorepresentativo,perotienendiultades
alahora de estableerfronterasentre ategorías. Estollevóaladeniión del onepto defoo,
omoelrepresentantedeadaategoríayalahipótesisdequelosolorestienenunapertenenia
difusaalasategorías.
Sibiensehademostradolaexisteniade11oloresbásios,eldebateestáaúnabiertoyexisten
trabajosque hablan de6olores básios (rojo,verde,azúl,amarillo,blano,negro) queestarían
relaionadosonlosuniquehuesdesritosporHering.
2.2.5. Desriptores omputaionales del olor
En este apartadose harealizado un resumen delos prinipalesdesriptores omputaionales
utilizadosendiversasapliaionesdentrodelámbitodelavisiónpor omputador.
Histograma de olor Carateriza la distribuión de olores en una imagen ontabilizando la
freuenia de apariión deada olor. Para ello previamente hay queuantiar elespaio
donde se representan los olores para determinar los olores a onsiderar. Dado que los
espaios derepresentaión del olorson tridimensionalesexisten dos opiones ala hora de
araterizar el olor: mediante un histograma tridimensional o mediante tres histogramas
unidimensionales (unhistogramapara adadimensión). JainyVailaya(1996)utilizan esta
última opión realizando la uantiaión del espaio de olor RGB. Debido a que ada
dimensióndelosdiferentesespaiosdeolortieneunaontribuióndiferenteenlaperepión
nal delolor,estemétodonopareeserigualdeefetivoqueelusodehistogramas3D. El
uso de histogramas3D ha tenidouna mayor aeptaión, desdeFliknery ols. (1995)que
lo utilizaron para uantiar el espaiode olor Munsell en el sistema QBIC para realizar
búsquedas en bases de datos de imágenes, hasta Manjunath y ols. (2001)que inluyeron
dosdesriptoresdeestetipodentro delestándarMPEG-7(Manjunathy ols.,2003).Dada
la reperusión de estosúltimos aontinuaión seresumen lasprinipales araterístiasde
estos:
SCD (SalableColorDesriptor)elobjetivodeestedesriptoresapturarladistribuiónde
olores delaimagenignorandosudisposiión espaial,para ello utilizaunhistograma
3Dde256intervalos,estosseobtienendelauantizaióndelespaiodeolorHSI-Smith
dediando16 niveles parauantizarlaomponente H,4niveles para laomponenteS
y4nivelesparalaomponenteV.
CSD (ColorStrutureDesriptor)estedesriptorpretendeapturarelontenidodeoloryla
ontienenunolordeterminado(siendounazona unveindariode8x8pixels).Utiliza
elespaiodeolorHMMD(HSI-Yagi)pararepresentarlosolores.
Laproblemátiaasoiadaalusode estetipode desriptoresesbien onoida,dependiendo
delauantiaióndelespaioderepresentaióndelolor,puedeourrirqueoloresperep-
tualmentediferentesesténuantiadosenelmismointervalooqueolorespereptualmente
similaresestén uantiadosendiferentesintervalos.
Momentosde olor Interpretandoladistribuióndeoloresenunaimagenomounafuniónde
distribuióndeprobabilidad,searaterizalaprimeraporsusmomentos.Eldesriptorestá
ompuestoporlamedia(momentodeprimerorden),lavarianza(momentodesegundoorden)
ylaasimetría(momentosdetererorden)aluladosenadaunadelastresdimensionesdel
espaiodeoloresogidopararepresentarelolor.Esportantounamaneramuyompatade
representarelolordeunaimagenaunquesupongaunapérdidaenelpoderdedisriminaión
(Longyols.,2003)yevitalosproblemasderivadosdelauantiaiónquetiene elusode
histogramas ( Rui y ols., 1999). Striker y Orengo (1995) utilizaron este desriptor para
obtener las araterístias dominantes de la distribuión de olores en imágenes, sobre la
basedelespaiodeolorHSV.ShihyChen(2002)utilizóestedesriptordemaneraloalya
quepreviamentedividelaimagenentrozosdetamañojoysobreestosalulaelmomento
deprimerorden.Enesteasoeldesriptorestáformadosóloporlamediaobtenidaenada
trozoyenadaomponentedel espaioolorYIQ(utilizadoparaodiarimágenes).
Colordominante El objetivo de este desriptor es araterizar la imagen on los olores que
predominan.Dentrodel estándarMPEG-7(Manjunathyols.,2001)sehallandosdesrip-
toresdeeste tipo.El primerollamadoDominant Color estáompuesto por unvetorque
ontieneparaadaolordominante:elporentajedepixelsdeeseolor,lavarianzadeolores
dentrodelolordominante ylaohereniaespaial.Ésta últimarepresentalahomogenei-
dadespaial del olordominante.Paraenontrar losolores dominantes utilizaun método
delustering enelespaiodeolorCIE LUV.ElsegundodesriptorllamadoCLD (Color
LayoutDesriptor)haeuntratamientomásloalyaquedivide laimagenen64bloquesde
tamañojoyenadabloquesealulaelolorrepresentativoutilizadolaDCT(transforma-
dade Cosenodisreta) sobre el espaioolorYCrCb (utilizado para odiary omprimir
imágenes).
2.3. Textura
Latexturaesuna araterístiade lamayoría desuperies naturalesyesunestímulovisual
importante en algunas tareas, al igual que el olor, permite reonoer regiones de una imagen,
segmentar, lasiar y reonoer objetos o superies. Por tanto dentro de la visión artiial el
Al ontrarioqueelolor,enlaatualidadtodavíanoexisteuna deniiónúniadelonepto
Texturaymenosaúndeunvoabularioestándaradeuadoasuspropiedadesquesea plenamente
aeptado, asíomo tampoo existe una taxonomía estándar de éstas. Uno de los motivos de la
faltadeonsensopuedeserelqueapuntaJainyFarrokhnia(1991)alarmarqueladiversidadde
texturasnaturalesyartiialeshaequeseaimposibledarunadeniiónuniversal.Sinembargo,
lamayoríadeinvestigadoresonsideranlatexturaomounapropiedadinherentealassuperies.
A ontinuaión semuestran algunasdeniionesdeesteonepto:
Rihards y Polit (1974) Esunatributode unampoquenotieneomponentes enumerables.
Haralik (1979) Se puede desribir porelnúmero, tipode sus primitivas (oelementosqueon-
tiene)y porla organizaión espaial de éstas(aleatoria oestruturada).
Sklansky (1978) Unaregión de laimagen tienetexturaonstantesiunonjuntodeestadístios
loales o otras propiedades loales de la imagen son onstantes, varían lentamente, o son
aproximadamente periódias.
Vilnrotter y ols.(1986) Puede serdesritaomo elpatrónde laordenaiónespaial dedifer-
entes intensidades(oolores).
Unser (1986) Debeonsiderarseomounapropiedadde la veindadde unpuntode laimagen...
es la realizaión de unproesoestoástioergódioestaionario bidimensional.
Blosteiny Ahuja (1989) Estáompuestaporunidadesrepetitivas,texels(elementosdetextura).
Tueryan y Jain (1998) Es unafunión de la variaión espaial de la intensidadde los pixels.
Ojala, Pietikäinen, yMäenpää (2002) Esunfenómenodedosdimensionesquesearateriza
por dos propiedades ortogonales: la estruturaespaial (patrón) y ontraste (la antidad de
texturaloal).
Esta oleión dedeniiones, algunasde ellasvagaseimpreisas,muestran queladeniión
de la textura está formulada en funión de la apliaión partiular. Algunas deniiones están
planteadasdesdelaperspetivapereptualyotrassontotalmenteimpulsadasporlaapliaiónen
laqueseutiliza.Loqueestálaroesquelatexturaesunapropiedaddeunaregióndelaimagen
y no una propiedad de un pixel. La texturapuede serel resultado de las propiedadesfísias de
unasuperie,talesomorugosidad,queademás tienenunaualidadtátilasoiada,opuedeser
elresultadodediferentesreetaniastalesomodifereniasdeolordeunasuperie ( Tueryan
yJain,1998).
El prinipalproblemaesquelastexturasenelmundorealsonamenudonouniformesdebido
avariaionesen laorientaiónde ésta,alaesalaespaialy aambiosdela iluminaión(Ojala,
Pietikäinen,yMäenpää,2002).Estasonsideraioneshandadolugarendiversosestudiosainor-
porarlainvarianzadeestas propiedades.En el presente trabajoseestudian lastexturasqueson
elresultadodeunadeterminadaproyeióndeunasuperieonunasondiionesdeiluminaión
Latexturaademásdehabersidoestudiadaenvisiónporomputadortambiénhasidoestudiada
enmúltiplesdisiplinasinluyendolaneuroieniaylapsiofísia.Enestasdisiplinas,losestudios
detexturaseentranenanalizarlosproesosneuronalesquepartiipanenlaperepiónvisual,on
elobjetivodeomprenderlosmeanismosquepermitenladeteióndelatexturaysusegregaión.
Dentrodelámbitodelavisiónporomputadormuhosdelostrabajossehaninspiradoenestudios
psiofísios paralarealizaiónde diferentesmodelosomputaionales(enlaseión2.3.2sehae
un revisión de estos), es por este motivo por el que aontinuaión se presentan algunos de los
trabajosrealizadosdentrodeestasdisiplinas.
2.3.1. Anteedentes en la Cienia Cognitiva
La ienia ognitiva se dedia al estudio interdisiplinario de ómo la informaión es repre-
sentada y transformada en el erebro humano. Ésta abara disiplinas omo la psiología y la
neuroienia. Dentro de la neuroienia, que intenta omprender ómo un sistema físio puede
reibir, seleionary proesarinformaión, seenuentra eltrabajo deNeisser (1967). Éste lanzó
lahipótesisbajolaualelproesamientodelainformaióndelsistema visualhumanoutilizados
sistemas funionales distintos: pre-atentivoy atentivo. El sistema pre-atentivose realiza anivel
pre-onsiente,abaraungran ampovisual yno requierela ayudade proesosognositivos ni
ningúnesfuerzo,yaqueserealizademaneraasiinstantánea.Sinembargo,elsistemaatentivoes
unproesoognitivoquerequiereunaateniónfoalyabaraunmenorampovisual.Elprimero
seenargaríadesepararosegregarlasregionesdelaesenaengurayfondo,atuandoomoguía
paraelsegundoqueseenargaríadeidentiarlosobjetos.
Porotrolado,losmeanismospre-atentivosqueutilizaelsistemavisualhumanosonestudiados
dentrodelapsiofísia.Ésta esuna ramadelapsiologíaendondeseestudialarelaiónentrela
magnituddeunestímulofísioylarespuestasensorialqueesteestímuloausaenunobservador.El
objetivoesmediruantitativamentelasmagnitudespereptuales.Enesteámbitodeestudio,según
Martínez(1995),lasdiferentes aproximaionesrelaionadas onla disriminaióndelastexturas
sepuedenlasiaren:
Modelosestadístios.
Modelosbasadosenlaextraióndearaterístias.
Modelosbasadosenlateoríamultianal.
Dentrodelos modelosestadístiossesitúan lostrabajos deJulesz yols. (1973),quehan es-
tudiado ómoel sistemavisual humano(SVH) llevaaaboladisriminaión detexturas. Julesz
argumentaqueladisriminaióndelastexturasdependepor ompletodelaspropiedadesestadís-
tiasdelaimagen.Enonreto,iniialmentepropusolahipótesisbajolaualparesdetexturason
iguales estadístios de segundoorden 2
nopueden disriminarse pre-atentivamente (sin esfuerzo).
2
Estadístiodesegundoordensedeneomolaprobabilidaddequeparesdepuntos(pixels)separadosunierta
Mástarde,losmismosJuleszyols.(1978)desmintieronestaonjeturaalenontrarontraejemp-
los.
Enlosmodelosbasadosenlaextraióndearaterístias,seenglobanlosestudiosqueonsid-
eranqueelproesodedisriminaiónpre-atentivadetexturasestábasadoenlasdifereniasentre
los elementos geométrios simplesontenidos en ellas.Siendo estímulos elementales o primitivas
de lavisión unonjunto de araterístiaso rasgosloales. La segundaetapade lostrabajos de
Juleszysusolaboradores(JuleszyBergen,1983;Julesz,1986)seenuentrandentrodeestalasi-
aión,dondepostulanlateoríade los Textons.Enéstadenenlasprimitivas delatexturabajo
elnombredeTextonsyformulanlahipótesisqueladisriminaiónpre-atentivadelastexturasse
expliaomoresultadodeladifereniaenlosestadístiosdeprimerorden 3
delosTextons.
TreismanyGelade(1980)desarrollaronlateoríadela integraión de araterístiasenlaque
determinaronlalistadearaterístiasreonoidasomoprimitivasenlasegmentaióndetexturas,
exponiendoquelaesenavisualseodiaalolargodeunnúmerodedimensionesseparablestales
omoelolor,orientaión,freueniaespaial, brilloydireióndel movimiento.Laorganizaión
de estasprimitivas estambién una tarea importante enla disriminaión de texturas,esto llevó
aalgunos investigadores(entre otrosBek y ols. (1983))aonentrarseen las propiedadesque
onduena laperepiónde laagrupaiónde lasprimitivas.Según el modeloque desarrollaron,
la disriminaión detexturas está basada en lainformaión sobre la pendiente, tamaño, olor y
ontrastedelasprimitivasdelatexturaydesusestruturasemergentes.
Por último, en los modelos basados en la teoríamultianal onsideran al sistema visual hu-
mano(SVH) noomo unanalizadordearaterístias,sino omounanalizadordefreuenias y
orientaionesespaialesontenidasenlasimágenes.Losautores(RihardsyPolit,1974;Harveyy
Gervais,1978)demostraronlaexisteniadeunarelaiónsistemátiaentrelasfreueniasespaiales
ontenidasenlosestímulosvisualesylasimilitudqueentreellasperibíanlossujetos.
Lamayoríadeestudiospsiofísiossonesenialmente ualitativos yaquesuobjetivoesdeter-
minar qué araterístiaspereptualesutiliza elSVH pero no omo éstassepueden obtener. En
losestudiosomentados,paraestudiarlosaspetosdelaperepióndelatexturasehanutilizado
diferentestiposdeimágenesdetexturassintétias,estohasidomotivoderítiadealgunosinves-
tigadores,entreellosBergen(1991),queargumentaquelasdiferentesexpliaionesalosestímulos
estudiadosdependendemanera signiativadeltipodetexturaquehanutilizado.Ésteonsidera
quelastexturastienenunaomplejidad onmayorordendemagnitudquelastexturasutilizadas
enlosexperimentospsiofísios.
Otrosinvestigadoressin embargo,hanutilizadotexturasnaturalesensu experimentaiónpsi-
ofísia. Aontinuaión seresumenlostrabajosde dosdeellos.Ambos han utilizadoalgunas de
lastexturasontenidasenelalbumfotográodeBrodatz(1966),unodelosmásutilizados para
elanálisisdetexturas.
3
Tamurayols.(1978)entranelobjetivodesuexperimentaiónendeniraraterístiastex-
turales que seorrespondanon laperepióndelsistema visual humano. Para ello parten dela
espeiaióndelasqueonsideranaraterístiasbásiasdelastexturas,éstasson:
Gruesa versus na hae referenia al tamaño de los elementos que forman la textura
(tamañodelgrano).
Altoontrasteversusbajoontrastesereerealrangodelosvaloresdegrisdelaimagen
detextura.
Direional versus no direionalsereeretantoalaformaomo alaorganizaiónde
loselementosdelatextura.
Formade líneaversusformade gota(blob)haerefereniaalaformadeloselementos
queforman latextura.
Regular versus irregular hae referenia alas variaiones enla organizaiónde los ele-
mentosdelatextura.
Rugosaversus lisahaerefereniaaunaualidadtátil.
Comoresultadodelaexperimentaiónpsiofísiaparadeterminarlavalidezdelasaraterístias
propuestasrealizanlassiguientesonlusiones:
- Existeambigüedadentrelasaraterístiasrugosidad-grosor,quizásdebidaalaambigüedad
enladeniióndeestaspropiedades.
- Ladireionalidadestámuyrelaionadaon formadelínea.
- Lasaraterístiasquehan demostradosermássigniativassondireionalidad, ontraste
yespeialmenteelgrosor.
DeformasimilarRaoyLohse(1996)ensuexperimentaiónintentanidentiarlasdimensiones
del espaiode representaión delas texturas.Iniialmente partieronde unespaio de12 dimen-
siones,siendo adauna delasdimensiones lassiguientes araterístias:ontraste,repetitividad,
granularidad, aleatoriedad,rugosidad,densidad,direionalidad, omplejidadestrutural, grosor,
regularidad,orientaiónyuniformidad.Despuésderealizardiversosanálisisdelosdatosobtenidos
en laexperimentaión,y on elobjetivodeobtener unespaiode representaióndebajadimen-
sión,llegaronalaonlusiónquelatexturasepuederepresentarenunespaiotridimensional.En
esteespaioadaunadelasdimensionesorrespondeavariasdelasaraterístiasqueutilizaron
iniialmente,estasdimensiones son:
1. Repetitiva(orrelaionadapositivamente onregularidad,uniformidadynegativamenteon
aleatoriedad)versusnorepetitiva.
3. Granular,grosorybajaomplejidadversusnogranular,nayaltaomplejidad.
Los estudios de Tamura y ols. (1978) y Rao y Lohse (1996) pareen oinidir en las tres
araterístias básias para araterizar las texturas: la regularidad/repetitividad, la rugosidad-
grosor/granularidad y el ontraste. En otras palabras, la textura se puede araterizar por los
elementos queontiene (granularidad),laorganizaióndeestos(regularidad)yporelontraste.
2.3.2. Desriptores omputaionales de la textura
Debido a la extensa variedad de texturas naturales y artiiales no existe un únio método
adeuadopararepresentartodaslastexturas.Paramodelartipospartiularesdetexturassehan
utilizadodiferentes enfoques. Todosellos alulan uantitativamente lasaraterístiasasoiadas
apropiedadesde latextura y, dependiendo de laapliaión, soluionan diferentes problemas. El
estudiode lastexturassehallevado aabode formaparalelasegúnvarios enfoques, deauerdo
onShapiroyStokman(2001)losdosprinipalesson:
Estadístio seasumequelatexturaesunamedidauantitativadeladisposiióndelasintensi-
dadesysedesribelarelaiónespaialentrepixelsindividuales.
Estrutural seasumequelatexturaesunonjuntodeprimitivas(elementostexturalesotexels)
relaionadas entre ellasde auerdoonuna disposiiónmás omenosregular ysedesriben
lasrelaionesespaialesentreprimitivastalesomopuntos(dots)ogotas (blobs).
Estos enfoques tienen que ver on la resoluión de la textura, que Azenott y ols. (1990)
denieron omo el tamaño del uadrado más pequeño neesario para araterizar la textura.
Así el enfoque puramente estadístio es adeuado para texturas de grano no (mirotexturas)
mientras que el enfoque puramente estrutural es más adeuado para texturas de grano grueso
(marotexturas).
Dentro de losdesriptoresomputaionalesdesarrollados hasta ahorasóloalgunos deellos se
puedenlasiaromopuramenteestadístiosoestruturales,lamayoríapodríanlasiarseden-
trodeunaategoríahíbridayaqueindependientementedelaresoluióndelatexturalamodelizan
estadístiamente oaraterizan sus texels. A ontinuaión seresumen los desriptoresomputa-
ionalesquehantenidomayortransendenia.
Haraliky ols. (1973),posiblemente inspiradosen laexperimentaiónpsiofísiade Julesz y
ols. (1973),utilizaronladeniión deestadístios desegundoorden(ver2.3.1)paraalularlas
matriesdeo-ourrenia,lasualeslespermitenevaluariertasrelaionesespaialesdelosniveles
de grisen una imagen. A partir de estasmatries y mediante el álulo de diversos estadístios
(entre ellosentropía, orrelaión,et)obtienenhasta14araterístias.Estas proporionaninfor-
maiónsobrepropiedadesomolahomogeneidad,ontrasteylapreseniadealgunaorganizaión
estruturada.Perolasaraterístiasnosonvisualmenteobvias(Tamurayols.,1978),esdeir,no
seaproximanalaperepiónvisual.Porotroladoelálulodelasmatriesdeo-ourreniaom-
determinarlosparámetrosdelosquedepende(distaniayángulo).Lasmatriesdeo-ourrenia
hansidoutilizadasporLohmann(1994)paralasiarimágenesdesatélite.
TsujiyTomita(1973)fueronlospionerosenofreerunenfoqueestruturalpuro.Enuntrabajo
más reiente (Tomita y Tsuji, 1990) obtienen losatomi texture elements otexels de la textura
utilizandounaténiadesegmentaión.Éstalesproporionaregioneshomogéneas(onintensidad
similar)delasqueextraenlaforma.Luegoanalizanlaorganizaiónespaialdelosgruposdetexels
quetienenpropiedadessimilares(formaeintensidad).
Laws(1980)fue elpreursordel enfoque textura-energía,queonsiste enapliar ltrossobre
la imagenparadetetar diferentes tipos de texturas.El ltradoserealizaen eldominio espaial
atravésdelusodemásarasdeonvoluióndetamañojo.Estas másarasdetetanlapresenia
de determinados elementos (bordes, puntos (spots), ondas). Pietikäineny ols. (1983) utilizaron
estos operadoresparalasiartexturas yLovell yols. (1992)los usaronjunto aotrostipos de
operadorespara segmentarimágenes.
Voorheesy Poggio (1987)implementan undetetor de los elementos de la textura(blobs, la
primitivadenida por Julesz y Bergen(1983))y utilizanlas difereniasde ladistribuión de los
atributos de blobs (largo,anhoy orientaión) para segmentarimágenes on texturas naturales.
LadeteióndeblobsserealizaenunaesaladadayutilizandolafuniónLaplaianaonumbral
mayorqueero.Elumbraldedeteiónesdeterminadoenfunióndelruidodelaimagen.Parten
del supuesto que la textura en esenas naturales puede serrepresentada utilizando blobs y sus
atributos.
Blostein yAhuja (1989)implementanun detetor multiesalade loselementos de latextura
(blobs).El métododeidentiaióndeblobssimultáneamentedeteta laorientaióndelasuper-
ie,éstaesdeterminadaanalizandolasvariaionesdelareadelosblobs.Utilizan omodetetor
deblobslafuniónLaplaiana.
L. Wang y He (1990) lanzan la hipótesis de que una textura se puede desomponer en un
onjuntodepequeñasunidadeselementales(llamadasUnidadesde Textura).Cadaunidadelemen-
tal estáformada por 8elementos on tres posibles valores(0,1,2) obtenidos en una veindad de
3x3 pixels.Caraterizanuna textura por su espetro,denido omolafunión dedistribuión de
probabilidad de lasUnidades de Textura. Representande esta manera latexturaon
3 8 = 6561
elementos(unidadesdetextura).
Ojalayols.(1994)desarrollanunanuevaversióndelasUnidadesde Textura( L. WangyHe,
1990) alquebautizanon elnombrede Loal Binary Pattern (LBP), yaque en estaoasión los
valoresdelos8elementosdelveindariode3x3pixelssólotienendosposiblesvalores.Estopermite
reduir el númerode unidades elementales a
2 8 = 256
. Caraterizala textura por lafunión dedistribuióndeprobabilidaddelLBP(histograma)ydelLBP/C(aportaunamedidadeontraste
sobre el LBP). Se puede onsiderar que este desriptor ombina los enfoques estrutural y el
estadístio porque elLBPdetetamirotexturasysudistribuiónesestimadapor elhistograma.
ReientementeOjala,Pietikäinen,yMäenpää(2002)hanrealizadolaversiónmultiesala
LBP P,T riu2
queesinvariantealarotaión,araterizandotambién latexturaporelhistogramade
LBP P,T riu2
.F.LiuyPiard(1996)realizanladistiniónentretexturasestruturadasyaleatorias.Depen-
diendo de esta lasiaión la araterizan on operadoresdiferentes. Modelizan la omponente
estruturadadeunatexturaapartirdesutransformadadeFourierylanoestruturadaoaleato-
ria on un modelo autoregresivomultiresoluión (MRSAR).La funión de autoovarianzade la
imagenlessirvedetestparadeterminarsilatexturaesonoestruturada.Hanapliadoestaidea
enapliaionesdereuperaiónysegmentaióndeimágenes.
Manjunath yMa(1996)desarrollanunnuevodesriptormultiesaladetexturasutilizandol-
trosdeGabor.Estosltrospuedenonsiderarseomodetetoresdelíneasyontornossintonizables
segúnlaorientaiónylaesala.Caraterizanlatexturamediantelamediayladesviaiónestándar
(estadístiosdeprimerorden)deadaunadelasrespuestasdeunbanodeltrosalserapliados
a la imagen. La versiónampliada de este desriptor se presentó más tarde (Manjunath y ols.,
2001)onelnombredeHTD(HomogeneousTextureDesriptor)dentrodelalistadedesriptores
queomponenelMPEG-7 4
. Estedesriptoresadeuadopararepresentartexturashomogéneas.
Manjunath y ols. (2000)desarrollanel desriptorPBC formadopor tres araterístiasper-
eptuales:regularidad,direionalidadyesala.Cadaaraterístiaesrepresentadamedianteval-
oresaotados.EstasaraterístiasestánrelaionadasonlasdimensionespereptualesqueRaoy
Lohse(1996)identióensuexperimentaiónpsiofísia,éstassonlarepetitividad,direionalidad
ygranularidad.Este desriptor fue inluidodentro delMPEG-7 on elnombredeTBC (Texture
Browsing Component) yaquesu utilidadseentraenapliaionesdebrowsing.
Manjunath y ols. (2001)presentanundesriptor adeuadopara texturasno homogéneas,el
EHD (Edge Texture Desriptor), que aptura ladistribuión espaialde los ontornos. Estos se
lasian en 5 ategorías: vertiales, horizontales, diagonal
45 ◦
, diagonal135 ◦
e isotrópios. El desriptor ontabiliza en un histograma la ourrenia de las 5 ategorías de ontornos de unaimagen,previapartiióndeéstaen16sub-imágenes.Formapartedelosdesriptoresinluidosen
elMPEG-7.
Leung yMalik(2001)presentanunmodeloestadístiopara representarlassuperies dema-
teriales.Éste onsisteenmodelizar lastexturason unhistogramadeTextons. Dondeeltérmino
textonshaerefereniaaunvetorderespuestasdeunbano deltros.Utilizanunalgoritmode
lustering para determinar el onjunto de textons que ompone el voabulario. Varma y Zisser-
man(2005)utilizaelmismo modeloestadístioperousanunbanodelltrosdiferenteonelque
onsigueninvarianzaalarotaión.
Renninger yMalik (2004) proponenunmodelosimplede reonoimiento detexturaspara la
identiaión temprana de esenas. Re-formulan el onepto de Textons identiándolo on las
araterístias obtenidas on un bano de ltros. El voabulario de textons es aprendido en un
onjuntodeesenasysemodelalatexturaapartirdelhistogramadetextons.
Lazebnik yols. (2005)desarrollanuna representaiónno densa 5
dela imageninvariante a
transformaionesgeométrias.Sebasaenobtenerregionessigniativasdelaimagen(onesquinas,
4
estándarparadesribirelontenidodedatosmultimediaqueofreedesriptoresparadiversostiposdeaplia-
iones.
5
ontornos oblobs)y su ontenidose araterizautilizandoel desriptorRIFT, que eslaversión
invariante deldesriptor SIFT(Lowe,1999).Este desriptoraptura ladistribuióndelasinten-
sidades delospixels y ladistribuión delasorientaionesdel gradiente.Se representala imagen
onlosdesriptoresrepresentativos,estossonelresultadodeapliarunmétododelusteringenel
espaiodelosdesriptores.Utilizanlarepresentaiónpararealizarbúsquedas detexturasenuna
base dedatosyparalasiartexturas.
EstetrabajopartedelrealizadoporSalvatellayVanrell(2007),endondere-denenelonepto
blob alenglobar dentro de este término los propios blobs de Julesz y Bergen (1983) (elementos
quasiredondos)ylasbarras(elementosalargados).BajolamismasuposiiónqueVoorheesyPog-
gio(1987)desarrollanunarepresentaióndelatexturaompuestaporlosatributos(area,relaión
deaspeto,orientaiónyontraste)delosblobsqueontiene,peroutilizandoundetetordeblobs
multiesala.Proponenademásunespaiopereptualmente uniformedonderepresentanlosatrib-
utosdelosblobs.
Poosdesriptoresomputaionaleshansidoajustadosmedianteexperimentospsiofísiospara
quesu omportamientoseaelmismo queelhumano.Aontinuaiónseresumeeltrabajodeuno
deellos.
Benkeyols.(1988)partiendodelosoperadoresdeLaws(1980),ajustanlosoeientesdelas
másarasdeonvoluióndemaneraque proporionenunresultadoenlalasiaióndetexturas
similar alrealizado por seres humanos. Para ello plantean un experimento psiofísiodonde los
individuos deben lasiarun pequeño subonjunto de texturas(del album de (Brodatz, 1966))
deauerdoontresriterios:direionalversusnodireional,regularversusaleatorioyformade
líneaversusformadegota.Elobjetivoesdoble,porunladodeterminarsilosriteriosestableidos
orrespondena losejes de representaiónde lastexturas que proponeny segundo, demostrarla
posibilidaddeajustarundeterminadooperadordeauerdoonestosejes.Losresultadosobtenidos
lesllevanaonluirquelosejespropuestosnosonortogonalesyaqueexisteunaorrelaiónelevada
entreladimensiónformadelíneayregularidad.
2.4. Textura y Color
Aunquelamayoríadetexturasqueapareenenlanaturalezapresentanestasdosaraterístias
simultáneamente,éstashan sidonormalmenteestudiadas porseparado.En lostrabajosdonde se
ha analizado la textura se han limitado a tratar la informaión de la intensidad y poos han
inorporadolainformaiónromátiaenlosdesriptoresdetexturas.Quizásporqueatendiendo a
la noióndetextura seonsideraquedosimágenes on losmismos olores pero diferente patrón
textural son diferentes texturas de olor, pero no está larosi dos imágenes teniendo el mismo
patróntexturalydiferentes oloressondiferentes texturas.
Desde diversasdisiplinas, en laneurofísia Yoe y Essen (1988)y en la psiofísiaPoirson y
Wandell(1996),sugierenlahipótesisqueelserhumanoproesademaneraseparadalaomponente
omo interaionanestasdos omponentes en elsistema visual humanoala horade realizarde-
terminadas tareas. De entre estos gura Finlayson y Tian (1999) que realizan un experimento
psiofísioparaonoeromo loshumanos determinanlasimilitudentrepatronestextilesde ol-
ores. A partirde éste onluyen que lainteraión entre latextura (patrón) y elolor depende
fuertemente delobservador, paraunos lasimilitud entre lospatrones textilesdepende delosdos
aspetosonjuntamente,sinembargoparaotrosunodelosdosaspetostienemayorimportania.
Deestehehodeduenquelaspersonastienen intrínseamentediferentes noionesdesimilitud y
queéstadependedeldominio deapliaión.
Mojsilovi,Kovaevi,Kall,yols. (2000)seplantean unobjetivopareidorealizandounex-
perimento similar. En éste pretenden determinar qué dimensiones pereptuales y qué reglas se
apliansobre estasdimensionesuandoel serhumano determinalasimilitud entrepatrones tex-
tilesdeolor.RealizandounanálisismásprofundoqueFinlaysonyTian(1999),obtienenquelas
uatrodimensionesmásimportantesson:laausenia/preseniadeoloresdominantes,ladireión
dominanteenlarepetiióndeloselementosestruturales,laregularidad(delaorganizaióndelos
elementos estruturales)ylapurezadelolor(haerefereniaalasaturaióndelolor).Porotro
ladodeterminaquelasreglasusadaspor loshumanosparadeidirlasimilitud entrepatronesson
lassiguientes:
1. Dostexturasonelmismopatrón(igualregularidadydireióndominante),aunquetengan
diferenteolor,sonsimilares.
2. Dostexturasonlasmismasdireionesdominantesoonregularidadsimilar,aunquetengan
diferenteolor,sonsimilares.
3. Dostexturasonlosmismosoloresdominantesylamismadireióndominantesonsimilares.
4. Dostexturasonlasmismasdistribuionesdeoloresdominantesseperibenomosimilares.
A partir deestas onlusiones sepuede extraer que, aunque lanaturaleza de textura yolor
sondiferentes,ensutratamientonosepueden separartotalmente.
2.4.1. Desriptores omputaionales de la textura en olor
Los métodosque analizanlatexturaenolorsepueden lasiaresenialmente endos.En el
primeroseproesaseparadamenteelolorylatexturaombinandoluegolainformaión,mientras
queenelsegundoseonsideraelolorylatexturaomounfenómenoonjunto.En lagura2.10
semuestranlosesquemasorrespondientesaestosdosmétodos.
Métodos quetratande maneraseparadalatexturayelolor:Enestosmétodosseutilizaun
desriptordeolor,obtenidoapartirdelostresanalesdeolor,yundesriptordetextura,
obtenidoalproesarúniamentelaintensidad.Laombinaiónentretexturayolorsehaea
niveldeálulodedisimilitudes,ombinandolasdistaniasobtenidasonadadesriptorpor
Figura2.10:Arriba:esquemadelmodelodeproesamientodelolorylatexturademanerasepa-
rada.Abajo: esquemadelmodelodeproesamientoonjunto.
yols.(1995)sumanlasdistaniasobtenidasoneldesriptordeolor(histograma)yonel
desriptordetexturabasadoeneldesriptordeTamurayols.(1978).P.Liuyols. (2007)
enambiodesarrollanunmétodoautomátioparadeterminarlospesosqueponderanlasdos
distaniasenunaapliaióndebúsquedadeimágenes.Elpesodependedeunestadístioque
evalúaelontenidotextural.
Mojsilovi,Kovaevi,Hu,yols.(2000)noombinanlainformaióndeolorytextura,sino
queutilizaadauna de ellasdependiendo delosrequerimientosde laapliaión(búsqueda
depatronestexturalesenbasesdedatos).En estetrabajodesarrollandosdesriptores(uno
paralatextura yotropara elolor)relaionados on lasdimensionespereptualesqueob-
tuvieronen unestudio previo (Mojsilovi,Kovaevi,Kall,y ols.,2000). El desriptor de
olorestáompuestoporlosolores dominantes delaimagenyporsu freueniade apari-
ión, mientras que el desriptor de la textura, alulado a partirde la ahromati pattern
omponent 6
,ontienelasmediasydesviaionesdeladistribuióndeontornosendiferentes
esalasyorientaiones.Conestedesriptorestima onjuntamente regularidadydireiones
dominantes.
Métodos que tratan onjuntamente la textura y el olor: Seanaliza la texturaen todas las
omponentesdelespaiodeolor,ydependiendodelnúmerodeproedimientosapliadosen
6