CAPÍTULO 4:

CÁLCULO DE CARACTERÍSTICAS
El cálculo de características es un proceso que permite caracterizar los objetos segmentados
(Regiones de Interés). Dentro del cálculo de características existen diferentes tipos, los
cuales pueden ser por contorno o por región y textura [González, 1996]. A continuación se
presentan las características que fueron calculadas por contorno y región como son posición
(x,y), densidad de región de regiones, área, perímetro, media del nivel de gris, desviación
estándar del nivel de gris, circularidad, compactibilidad y entropía del gradiente del contorno.

4.1. POSICIÓN (X,Y)

En este documento la posición (x,y) de una región de pixeles es obtenida calculando el

centro geométrico de la región, y está dada por:

x ec. (5)
Posición _ x  i 1
X

y
Posición _ y  i 1 ec. (6)
Y

donde x,y son el valor de la posición del pixel, y X,Y son el número total de pixeles
respectivamente que representan el área de la región.

4.2. DENSIDAD DE REGIÓN DE REGIONES

La densidad de regiones es una característica por región, la cual define la cercanía entre los
centros de un grupo de regiones en un área determinada, y está dada por:

Densidad _ regiones  Num _ ROIs ec. (7)

Área _ Umbral

donde Área_Umbral está dada por Πr² y Num_ROIs es el número total de regiones de interés
segmentas en la etapa de segmentación.
4.3. ÁREA

El área es una característica que describe una región, la cual es definida por González como
el número total de pixeles que forman esa región [González, 1996].

4.4. PERÍMETRO

El perímetro de una región es la longitud de su contorno [González, 1996], es decir el

número de pixeles que forman la frontera o borde.

4.5. DENSIDAD

El área y el perímetro son usados en conjunto para formar una nueva característica conocida
como densidad. La densidad de una región está definida como se muestra a continuación:

2
Densidad  P ec. (8)
A

donde P representa el perímetro y A el área de la región [González, 1996].

4.6. MEDIA DEL NIVEL DE GRIS

La media del nivel de gris es el valor medio o valor promedio de todos los valores de cada
pixel que en conjunto forman un área o una región de interés. La media del nivel de gris está
dada por:

M
1
m
M
m
k 1
k
ec. (9)
donde m k es el valor del nivel de gris del pixel k y M es el número de pixeles del área

segmentada [Cascio, 2006].

4.7. DESVIACIÓN ESTÁNDAR DEL NIVEL DE GRIS

La desviación estándar del nivel de gris mide la variabilidad de valores del nivel de gris de los
pixeles que forman un área o una región de interés. La desviación estándar del nivel de gris
está dada por:

M
1

M
 (m
k 1
k  m) 2 ec. (10)

donde m k es el valor del nivel de gris del pixel k y M es el número de pixeles del área

segmentada [Cascio, 2006].

4.8. CIRCULARIDAD

La circularidad es definida por González como el radio del área de la región de un círculo,
teniendo el mismo perímetro [González, 2008]. La circularidad está dada por:

Circularidad  4A ec. (11)

P2

donde A es el área de la región de interés, y P es la longitud del perímetro.

4.9. COMPACTIBILIDAD

La compactibilidad es una característica que permite conocer la cercanía que existe entre
pixeles, o bien su lejanía. Se calcula mediante la división del área de la región de interés por
el perímetro y está dada por:

2
Compacticidad  P ec. (12)
4A

donde A es el área de la región de interés, y P es la longitud del perímetro [Braz, 2006].

4.10. ENTROPÍA DEL GRADIENTE DEL CONTORNO

Se define como el valor del gradiente que será orientado al valor del máximo cambio,
utilizando una máscara de ocho vecinos. La entropía del gradiente del contorno para la
dirección del contorno del gradiente es obtenida con el histograma de la dirección del
gradiente para todos los pixeles en el contorno de la región de interés [Cascio, 2006]. Está
dada por:

8
Entropía   pk Log ( pk ) ec. (13)
k 1

donde pK es la probabilidad de la dirección del gradiente que será orientado en la dirección

de k, donde k representa ocho ángulos (0º, 45º, 90º, 135º, 180º, 225º, 270º, 315º).

4.11. TEXTURA

Un método importante para la caracterización de regiones consiste en cuantificar su

contenido de textura. Aunque no existe un definición formal de la textura, ésta proporciona
medidas estadísticas tales como contraste, correlación, uniformidad y homogeneidad.
Para caracterizar una región de interés por medio de textura, utilizando métodos estadísticos,
es necesario crear la matriz de coocurrencia de los niveles de gris de una imagen en escala
de grises.

4.12. CONTRASTE

González define al contraste como el valor de intensidad de contraste entre un pixel y su

vecino de la región de interés, el rango de valores es de 0 a (K-1)² [González, 2008]. Está
dado por:

K K
Contraste    (i  j ) 2
pij ec. (14)
i 1 j 1

donde Pij es el valor del pixel en su posición i,j de la matriz de concurrencia, k representa el
número máximo de renglones y columnas representados por i y j respectivamente.

4.13. CORRELACIÓN

González define correlación al valor de cómo esta correlacionado un pixel y su vecino de la

región de interés, el rango de valores es de 1 a -1 que corresponde a un positivo o negativo
correlacionado [González, 2008]. Está dada por:

K K (i  mr )( j  mc ) Pij
Correlación     r , c  0
i 1 j 1  r c ec. (15)

donde Pij es el valor del pixel en su posición x,y de la matriz de concurrencia, K representa el
número máximo de renglones y columnas representados por i y j respectivamente, mr y mc
representan dos matrices únicamente de renglones y de columnas respectivamente.
4.14. UNIFORMIDAD

González define el valor de uniformidad en el rango 0,1. La uniformidad es 1 para una

constante en la región de interés [González, 2008]. Está dada por:

K K
Uniformidad   p i2 j ec. (16)
i 1 j 1

donde Pij es el valor del pixel en su posición x,y de la matriz de concurrencia, K representa el
número máximo de renglones y columnas representados por i y j respectivamente.

4.15. HOMOGENEIDAD

González define la homogeneidad como el valor espacial de proximidad de distribución de

los elementos de la región de interés. El rango de valores es entre 0-1 [González, 2008].
Está dada por:

K K pij
Homogeneidad    1 | i  j | ec. (17)
i 1 j 1

donde Pij es el valor del pixel en su posición x,y de la matriz de concurrencia, K representa el
número máximo de renglones y columnas representados por i y j respectivamente.

Lo anterior permite concluir que la segmentación del área de interés se podrá calificar como
óptima, siempre y cuando se caractericen adecuadamente tales regiones segmentadas, es
decir, se tienen que encontrar las características adecuadas que definan íntegramente una
región de interés, para formar una muestra de entrenamiento confiable.