Analisi di Tessiture: Implementazione di alcuni descrittori statistici

Per anni si è studiato il modo su come il sistema visivo umano interpretasse i pattern delle tessiture, comparandolo con i vari algoritmi di image processing. Uno degli studi più rilevanti in materia fu condotto da uno psicologo ungherese, Béla Julesz, nel 1962: l'obiettivo era quello di mettere in evidenza i limiti del sistema visivo umano. Per condurre questo studio, utilizzò alcune immagini composte da punti con due tipi di tessiture con pattern diversi tra loro; nella prima immagine il progetto evidenziava le differenze della tessitura già nelle statistiche di secondo ordine, nella seconda immagine, con l'analisi dell'immagine effettuata da un computer, risultavano statistiche di primo e di secondo ordine identiche per le due tessiture.
Sottoponendo le medesime immagini al sistema visivo umano, notò che l'immagine con differenze nelle statistiche del primo ordine, venivano interpretate correttamente dall'uomo senza grandi difficoltà, al contrario, la seconda immagine veniva giudicata uniforme, senza differenze.
Questo portò Julesz ad affermare che le immagini con differenze nelle statistiche di ordine basso potevano essere interpretate correttamente dall'uomo, non succedeva la stessa cosa con immagini con texture con statistiche di ordine superiore simili tra di loro. La teoria fu smentita da Julesz stesso, anche se il concetto che le texture delle immagini potrebbe essere modellato sulla base di statistiche di ordine inferiore è rimasto.

Questi tipi di analisi statistiche, definite fratture extraction, sulle immagini digitali, col tempo, hanno trovato impieghi importanti, come nella videosorveglianza, per il riconoscimento dei volti o nel controllo del traffico; nella classificazione delle immagini da satellite; in campo militare per la sorveglianza di target in tempo reale; nell'elaborazione di documenti digitalizzati. Gli impieghi più rilevanti sono nel campo della giustizia, dove le tecniche di analisi di tessiture possono estrarre, classificare ed identificare feature di impronte digitali o per un confronto del DNA; un altro importante utilizzo è in campo biomedico, con l'analisi di immagini ricavate da angiografie digitali, tomografia computerizzata o risonanza magnetica, per distinguere tessuti, cellule, DNA matching ed analisi automatica di campioni di sangue.
Per l'estrazione delle feature si utilizzano degli algoritmi che forniscono uno schema dell'immagine attraverso un processo di codifica. Le feature possono essere estratte dal dominio spettrale, attraverso un approccio strutturale, che considera una texture come una disposizione gerarchica di primitive di texture ben definite, o basandosi su indagini statistiche, che saranno oggetto di discussione nel prossimo paragrafo. I metodi basati su un approccio statistico analizzano le distribuzioni statistiche dei livelli di grigio nei vari pixel dell'immagine, le misure ottenute vengono utilizzate per poter classificare le diverse texture.
Ci sono 3 classi di approcci statistici: metodi statistici di primo ordine, di secondo ordine e metodi di livello superiore.