Análise de texturas em imagens: um estudo sobre transformadas de redes complexas

Abstract

A classificação de texturas é uma tarefa central em visão computacional, com aplicações que vão desde o reconhecimento de materiais até a análise de imagens biomédicas. Métodos tradicionais frequentemente apresentam dificuldades em capturar padrões estruturais complexos, evidenciando a necessidade de representações mais robustas. Este trabalho apresenta a Transformada de Rede Complexa (CNT), uma abordagem inovadora que modela texturas por meio de redes complexas e gera imagens transformadas a partir de suas propriedades topológicas, capturando relações estruturais complementares em múltiplas escalas espaciais. A CNT foi avaliada como (i) módulo de pré-processamento para aprimorar descritores clássicos de textura, (ii) método de aprendizado de representações utilizando Redes Neurais Randomizadas e (iii) técnica de aumento de dados para Redes Neurais Convolucionais. Experimentos em quatro bases de dados de referência -- Outex, USPTex, MBT e 1200Tex -- demonstram que as informações complementares capturadas pelo CNT proporcionam ganhos significativos de desempenho. Dessa forma, os resultados indicam que a Transformada de Rede Complexa constitui uma ferramenta promissora para a análise de texturas, oferecendo um meio eficaz de integrar informações topológicas, estruturais e multiescalares na representação de padrões visuais.

Texture classification is a key task in computer vision, with applications ranging from material recognition to biomedical image analysis. Traditional methods often struggle to capture complex structural patterns, highlighting the need for more robust representations. This work introduces the Complex Network Transform (CNT), a novel approach that models textures using complex networks and generates transformed images based on their topological properties, capturing complementary structural relationships across multiple spatial scales. CNT was evaluated as a (i) preprocessing module to enhance classical texture descriptors, (ii) method for representation learning using Randomized Neural Networks, and (iii) data augmentation technique for Convolutional Neural Networks. Experiments on four benchmark datasets — Outex, USPTex, MBT, and 1200Tex — demonstrate that the complementary information captured by CNT leads to significant performance gains. Thus, the results indicate that the Complex Network Transform is a promising tool for texture analysis, providing an effective means to integrate topological, structural, and multiscale information in the representation of visual patterns.