Метод классификации текстур с использованием структурных характеристик изображения
Асатрян Д.Г., Куркчиян В.В., Харатян Л.Р.

PDF, 1625 kB

DOI: 10.18287/0134-2452-2014-38-3-574-579

Страницы: 574-579.

Аннотация:
В статье предлагается новая методика для анализа и классификации текстур, основанная на использовании структурных свойств изображения. Известно, что визуальная система человека успешно воспринимает содержание изображения по визуализированной совокуп­ности краёв и границ, имеющихся в изображении. В данной работе в качестве характерис­тики структуры изображения предлагается использовать совокупность магнитуд градиента изображения. Магнитуда градиента считается случайной величиной, имеющей двухпараметрическое распределение Вейбулла, а в качестве характеристики близости двух изобра­жений используется специальная мера близости оценок параметров соответствующих рас­пределений. Классификация выполнена методом сравнения с эталоном на примере базы данных университета Гейдельберга (Германия), которая содержит 10 классов текстур. В качестве эталонов использован набор средних значений оценок параметров распределения Вейбулла, рассчитанных по совокупности магнитуд градиента текстур обучающей выборки, а сравнение выполнено по предложенной мере близости. В результате анализа выявлены два практически неразличимых класса, а для остальных 8 классов показано, что ошибка классификации в среднем составляет около 18 %.

Ключевые слова :
классификация, текстура, магнитуда градиента, распределение Вей­булла, мера сходства.

Литература:

  1. Tuceryan, M. Texture Analysis / M. Tuceryan, A.K. Jain // Handbook of Pattern Recognition and Computer Vision. – 2nd ed. – 1998. – P. 207-248.
  2. Mellor, M. Locally Rotation, Contrast, and Scale Invariant Descriptors for Texture Analysis / Mellor Matthew, Byung-Woo Hong and Michael Brady // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2008. – Vol. 30(1) – P. 52-61.
  3. Куприянов, А.В. Анализ текстур и определение типа кристаллической решётки на наномасштабных изображениях / А.В. Куприянов // Компьютерная оптика – 2011. – Т. 35, № 2. – С. 151-157.
  4. Bongkyu, L. A New Method for Classification of Structural Textures / Lee Bongkyu // International Journal of Control, Automation, and Systems. – 2004. – Vol. 2(1) – P. 125-133.
  5. Jianguo, Zh. Brief review of invariant texture analysis methods / Zhang Jianguo, Tan Tieniu // Pattern Recognition. – 2002. – Vol. 35. – P. 735-747.
  6. Lu, D. A survey of image classification methods and techniques for improving classification performance / D. Lu, and Q. Weng // International Journal of Remote Sensing. – 2007. – Vol. 28(5). – P. 823-870.
  7. Thakare, V.S. Survey On Image Texture Classification Techniques / Vishal S. Thakare, Nitin N. Patil and Jayshri S. Sonawane // International Journal of Advancements in Technology. – 2013. – Vol. 4(1). – P. 97-104.
  8. Jing, Y.T. Recent Trends in Texture Classification. A Review / Y.T. Jing, H.T. Yong, Ye.L. Phooi // Symposium on Progress in Information & Communication Technology. – 2009 – P. 63-68.
  9. Rosenfeld, A. Edge and curve detection for visual scene analysis / A. Rosenfeld and M. Thurston // IEEE Transaction on Computers. – 1971. – Vol. C-20 – P. 562-569.
  10. Geusebroek, J. A six-stimulus theory for stochastic texture / J. Geusebroek and A. Smeulders // International Journal of Computer Vision. – 2005. – Vol. 62(1). – P. 7-16.
  11. Yanulevskaya, V. Significance of the weibull distribution and its sub-models in natural image statistics / V. Yanu­levskaya, J. Geusebroek // Proceedings of the Fourth International Conference on Computer Vision Theory and Applications (VISAPP). – 2009. – Vol. 1. – P. 355-362.
  12. Десятников, И.Е. Алгоритмы поиска изображений в базах видеоданных / И.Е. Десятников, В.А. Утробин // Компьютерная оптика. – 2011. – Т. 35, №3. – С. 416-422.
  13. Asatryan, D. Quality Assessment Measure Based on Image Structural Properties / D. Asatryan, K. Egiazarian // Proceedings of the International Workshop on Local and Non-Local Approximation in Image Processing, Finland, Helsinki. – 2009. – P. 70-73.
  14. Timma, F. Non-parametric texture defect detection using Weibull features / F. Timma and E. Barth // Image Processing. Machine Vision Applications IV. Proceedings of SPIE. SPIE-IS&T. – 2011. – V. 7877.
  15. Soottitantawat, S. Texture Classification Using an Invariant Texture Representation and a Tree Matching Kernel / Somkid Soottitantawat and Surapong Auwatanamongkol // IJCSI International Journal of Computer Science Issues. – 2011. – Vol. 8(1). – P. 98-106.
  16. http://hci.iwr.uni-heidelberg.de// Benchmarks/document/weakly-supervised-learning-industrial-optical-insp/
    © 2009, IPSI RAS
    Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20