دوره 18، شماره 4 - ( 12-1400 )                   جلد 18 شماره 4 صفحات 180-165 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Jalalian Shahri M R, Hadizadeh H, Khademi Darah M, Ebrahimi Moghadam A. A Novel Noise-Robust Texture Classification Method Using Joint Multiscale LBP. JSDP. 2022; 18 (4) :165-180
URL: http://jsdp.rcisp.ac.ir/article-1-924-fa.html
جلالیان شهری محمد رضا، هادی‌زاده هادی، خادمی درح مرتضی، ابراهیمی‌مقدم عباس. روشی نوین در طبقه‌بندی مقاوم به نوفه تصاویر بافتی با استفاده از توصیف چند‌مقیاسه توأمان الگوی باینری محلی. پردازش علائم و داده‌ها. 1400; 18 (4) :180-165

URL: http://jsdp.rcisp.ac.ir/article-1-924-fa.html


گروه مهندسی برق، دانشکده مهندسی، دانشگاه فردوسی مشهد
چکیده:   (342 مشاهده)

نخستین گام در طبقه‌بندی تصاویر بافتی، توصیف بافت با استفاده از استخراج ویژگی‌های تصویری مختلف از آن است. تاکنون روش‌های متعددی برای این موضوع توسعه یافته‌اند که از جمله مشهورترین آن‌ها می‌توان به روش الگوی دودویی محلی اشاره کرد. به‌منظور استخراج اطلاعات بافتی در مقیاس‌های مختلف، روش الگوی باینری محلی را می‌توان در یک چهارچوب چندمقیاسه پیاده‌سازی کرد. در این حالت، بردارهای ویژگی به‌دست‌آمده در سطوح مقیاس مختلف به یکدیگر پیوست می‌شوند تا یک بردار ویژگی برآیند با طول بیشتر را تولید کند؛ اما چنین روشی دو عیب مهم دارد؛ نخست‌این‌که، روش الگوی دودویی محلی به‌شدت نسبت به نوفه حساس و با افزودن نوفه به تصویر بافتی، بردارهای ویژگی به‌دست‌آمده ممکن است به‌شدت تغییر کنند. دوم‌این‌که، با افزایش تعداد مقیاس‌ها، طول بردار ویژگی به‌دست‌آمده نیز افزایش می‌یابد که این امر ضمن کاهش سرعت فرآیند طبقه‌بندی بافت، ممکن است دقت طبقه‌بندی را نیز کاهش دهد. برای رفع و یا کاهش این دو عیب، در این مقاله، روشی مبتنی بر الگوی دودویی محلی چندمقیاسه پیشنهاد می‌شود که از مقاومت بهتری در مقابل نوفه سفید گوسی برخوردار و در عین حال، طول بردار ویژگی تولیدی به‌وسیله آن به‌طوردقیق برابر با طول بردار ویژگی تولیدی به‌وسیله روش اصلی الگوی دودویی محلی در حالت تک‌مقیاسه است. آزمایش‌ها بر روی چهار گروه از پایگاه داده Outex انجام شده که آزمایش‌های انجام‌گرفته نشان‌دهنده برتری روش پیشنهادی نسبت به روش‌های موجود مشابه است.

شماره‌ی مقاله: 10
متن کامل [PDF 1204 kb]   (111 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: 1397/8/15 | پذیرش: 1400/10/18 | انتشار: 1401/1/1 | انتشار الکترونیک: 1401/1/1

فهرست منابع
1. [1] M. Pietikäinen, A. Hadid, G. Zhao, and T. Ahonen, Computer vision using local binary patterns vol. 40: Springer Science & Business Media, 2011. [DOI:10.1007/978-0-85729-748-8]
2. [2] Y. Dong, J. Feng, L. Liang, L. Zheng, and Q. Wu, "Multiscale sampling based texture image classification," IEEE Signal Processing Letters, vol. 24, pp. 614-618, 2017. [DOI:10.1109/LSP.2017.2670026]
3. [3] V.-L. Nguyen, N.-S. Vu, and P.-H. Gosselin, "A scattering transform combination with local binary pattern for texture classification," in International Workshop on Content-based Multimedia Indexing, 2016. [DOI:10.1109/CBMI.2016.7500238]
4. [4] F. Bianconi and A. Fernández, "Evaluation of the effects of Gabor filter parameters on texture classification," Pattern Recognition, vol. 40, pp. 3325-3335, 2007. [DOI:10.1016/j.patcog.2007.04.023]
5. [5] J. Oh, S.-I. Choi, C. Kim, J. Cho, and C.-H. Choi, "Selective generation of Gabor features for fast face recognition on mobile devices," Pattern Recognition Letters, vol. 34, pp. 1540-1547, 2013. [DOI:10.1016/j.patrec.2013.06.009]
6. [6] P. Cavalin, L. Oliveira, A. Koerich, and A. Britto, "Wood defect detection using grayscale images and an optimized feature set," in IEEE Industrial Electronics, IECON 2006-32nd Annual Conference on, 2006, pp. 3408-3412. [DOI:10.1109/IECON.2006.347618]
7. [7] P. R. Cavalin, M. N. Kapp, J. Martins, and L. E. Oliveira, "A multiple feature vector framework for forest species recognition," in Proceedings of the 28th Annual ACM Symposium on Applied Computing, 2013, pp. 16-20. [DOI:10.1145/2480362.2480368]
8. [8] R. M. Haralick and K. Shanmugam, "Textural features for image classification," IEEE Transactions on systems, man, and cybernetics, pp. 610-621, 1973. [DOI:10.1109/TSMC.1973.4309314]
9. [9] Z. Guo, L. Zhang, and D. Zhang, "A completed modeling of local binary pattern operator for texture classification," IEEE Transactions on Image Processing, vol. 19, pp. 1657-1663, 2010. [DOI:10.1109/TIP.2010.2044957] [PMID]
10. [10] L. Liu, S. Lao, P. W. Fieguth, Y. Guo, X. Wang, and M. Pietikäinen, "Median robust extended local binary pattern for texture classification," IEEE Transactions on Image Processing, vol. 25, pp. 1368-1381, 2016. [DOI:10.1109/TIP.2016.2522378] [PMID]
11. [11] L. Liu, L. Zhao, Y. Long, G. Kuang, and P. Fieguth, "Extended local binary patterns for texture classification," Image and Vision Computing, vol. 30, pp. 86-99, 2012. [DOI:10.1016/j.imavis.2012.01.001]
12. [12] T. Ojala, M. Pietikäinen, and D. Harwood, "A comparative study of texture measures with classification based on featured distributions," Pattern recognition, vol. 29, pp. 51-59, 1996. [DOI:10.1016/0031-3203(95)00067-4]
13. [13] X. Tan and B. Triggs, "Enhanced local texture feature sets for face recognition under difficult lighting conditions," IEEE transactions on image processing, vol. 19, pp. 1635-1650, 2010. [DOI:10.1109/TIP.2010.2042645] [PMID]
14. [14] T. Song, H. Li, F. Meng, Q. Wu, B. Luo, B. Zeng, et al., "Noise-robust texture description using local contrast patterns via global measures," IEEE Signal Processing Letters, vol. 21, pp. 93-96, 2014. [DOI:10.1109/LSP.2013.2293335]
15. [15] T. Ojala, M. Pietikainen, and T. Maenpaa, "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns," IEEE Transactions on pattern analysis and machine intelligence, vol. 24, pp. 971-987, 2002. [DOI:10.1109/TPAMI.2002.1017623]
16. [16] T. Ojala, T. Maenpaa, M. Pietikainen, J. Viertola, J. Kyllonen, and S. Huovinen, "Outex-new framework for empirical evaluation of texture analysis algorithms," in Pattern Recognition, 2002. Proceedings. 16th International Conference on, 2002, pp. 701-706.
17. [17] J. He, H. Ji, and X. Yang, "Rotation invariant texture descriptor using local shearlet-based energy histograms," IEEE Signal Processing Letters, vol. 20, pp. 905-908, 2013. [DOI:10.1109/LSP.2013.2267730]
18. [18] I. El khadiri, A. Chahi, Y. El-Merabet, Y. Ruichek and R. Touahni, "Image classification with Local Directional Decoded Ternary Pattern," 2019 6th International Conference on Control, Decision and Information Technologies (CoDIT), 2019, pp. 812-817, [DOI:10.1109/CoDIT.2019.8820373]
19. [19] S. R. Barburiceanu, S. Meza, C. Germain and R. Terebes, "An Improved Feature Extraction Method for Texture Classification with Increased Noise Robustness," 2019 27th European Signal Processing Conference (EUSIPCO), 2019, pp. 1-5 [DOI:10.23919/EUSIPCO.2019.8902765]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.