Information-theoretic visual saliency detection
Pablo Suau Pérez · 2011
En esta tesis presentamos dos modificaciones del algoritmo Scale Saliency creado por T, Kadir y M. Brady. Se trata de un algoritmo de extraccion de regiones de interes en imagenes, de tal forma que estas puedan ser utilizadas en aplicaciones de vision de alto nivel. El algoritmo Scale Saliency se apoya en un trasfondo teorico solido, ya que se basa en la Teoria de la Informacion: las regiones extraidas seran aquellas que se correspondan con eventos impredecibles o que provean la maxima informacion posible. Sin embargo, dentro del estado del arte en el campo de los algoritmos de extraccion de caracteristicas, este algoritmo es el menos eficiente temporalmente. En primer lugar tratamos el problema de la eficiencia temporal proponiendo un filtro que permite descartar puntos de la imagen antes de la aplicacion del algoritmo Scale Saliency. Este proceso de filtrado disminuye notablemente el tiempo de ejecucion del algoritmo de Kadir y Brady, con una baja tasa de error. El metodo se basa en el uso de inferencia Bayesiana para el aprendizaje de un umbral de saliencia valido para un conjunto de imagenes. Gracias a este umbral se puede definir una regla de decision por medio de la Teoria de la Informacion para descartar los puntos de la imagen que probablemente no forman parte de las regiones mas salientes de la imagen. En segundo lugar proponemos un algoritmo para disminuir la complejidad del algoritmo con respecto a la dimensionalidad de los datos. El algoritmo Scale Saliency es usado normalmente con imagenes en tonos de gris, pero debido a como estima las medidas relacionadas con la Teoria del a Informacion puede tambien ser facilmente aplicado a datos de mayor dimensionalidad, como imagenes en color. Sin embargo, la complejidad del algoritmo crece exponencialmente con respecto a la dimensionalidad de los datos. Para conseguir esto estudiamos diferentes metodos de estimacion, basados tanto en grafos como en particion de datos, para disenar una version multidimensional del algoritmo Scale Saliency. Tambien proponemos una nueva medida de divergencia basada en uno de estos algoritmos de estimacion. Conseguimos no solo disminuir la complejidad del algoritmo de exponencial a lineal, sino tambien que sea lo suficientemente eficiente como para procesar datos de hasta 31 dimensiones en unos pocos minutos (el algoritmo de Kadir y Brady necesitaria varias horas para procesar una imagen compuesta de datos en 4 dimensiones). En el caso de ambas aportaciones presentamos un ejemplo de aplicacion. Nuestro filtro Bayesiano es aplicado al problema de la localizacion robotica. Aplicamos tambien nuestra version multidimensional del algoritmo Scale Saliency al problema de la categorizacion de texturas.