Estudo do uso da transformada de Fourier e imagens sintéticas geradas pelo método de Spot-Noise no treinamento de redes neurais convolucionais para a classificação de texturas

Abstract

A análise de texturas em imagens digitais desempenha um papel importante em diversas aplicações, como inspeção visual automatizada, reconhecimento de padrões e classificação de superfícies. No entanto, a grande variabilidade estrutural das texturas e a complexidade das informações presentes nas imagens podem dificultar o processo de aprendizado de modelos baseados em aprendizado profundo. Nesse contexto, este trabalho investiga o impacto da representação das imagens no domínio de Fourier em comparação com o domínio espacial para o processo de aprendizado de Redes Neurais Convolucionais (CNNs) na análise de texturas. Para permitir uma avaliação controlada dessa hipótese, foi utilizado o método Spot Noise para a geração de imagens sintéticas de textura, possibilitando controlar características estruturais dos padrões gerados, como forma e dimensão dos elementos que compõem as texturas. A partir desse conjunto de dados, foram conduzidos experimentos comparando o desempenho de uma CNN treinada com imagens no domínio da frequência e outra treinada com imagens no domínio espacial. Os resultados obtidos indicam que a utilização da Transformada de Fourier favorece o processo de aprendizado da rede, proporcionando melhor desempenho e maior capacidade de generalização, inclusive para padrões intermediários não utilizados durante o treinamento. Além disso, o uso de texturas sintéticas geradas por Spot Noise mostrou se adequado para a realização de experimentos controlados voltados ao estudo de métodos de aprendizado profundo aplicados à análise de texturas.

Texture analysis in digital images plays an important role in several applications, such as automated visual inspection, pattern recognition, and surface classification. However, the high structural variability of textures and the complexity of the information present in images may hinder the learning process of deep learning–based models. In this context, this work investigates the impact of image representation in the Fourier domain compared to the spatial domain on the learning process of Convolutional Neural Networks (CNNs) for texture analysis. To enable a controlled evaluation of this hypothesis, the Spot Noise method was used to generate synthetic texture images, allowing the control of structural characteristics of the generated patterns, such as the shape and size of the elements composing the textures. Based on this dataset, experiments were conducted comparing the performance of a CNN trained with images in the frequency domain and another trained with images in the spatial domain. The obtained results indicate that the use of the Fourier Transform favors the network learning process, providing improved performance and greater generalization capability, including for intermediate patterns not used during training. Furthermore, the use of synthetic textures generated by Spot Noise proved to be suitable for conducting controlled experiments aimed at studying deep learning methods applied to texture analysis.