[論文レビュー] Adaptive texture energy measure method

Ömer Faruk Ertuğrul|arXiv (Cornell University)|Jun 27, 2014

Image Retrieval and Classification Techniques参考文献 9被引用数 7

ひとこと要約

本論文は、画像の内容に応じてコントラスト、シャープニング、方向性のパラメータを動的に調整する、改良されたテクスチャ解析手法である適応的テクスチャエナジー測定法（aTEM）を提案する。これは、元のテクスチャエナジー測定法（TEM）における固定マスクの硬直性を克服するものである。aTEMはバーブリーや花の種、Brodatzデータセットにおいて分類精度を向上させ、それぞれ0.0747、0.0875、0.0190の向上を達成し、テクスチャ分類タスクにおける優れた適応性と性能を示している。

ABSTRACT

Recent developments in image quality, data storage, and computational capacity have heightened the need for texture analysis in image process. To date various methods have been developed and introduced for assessing textures in images. One of the most popular texture analysis methods is the Texture Energy Measure (TEM) and it has been used for detecting edges, levels, waves, spots and ripples by employing predefined TEM masks to images. Despite several success- ful studies, TEM has a number of serious weaknesses in use. The major drawback is; the masks are predefined therefore they cannot be adapted to image. A new method, Adaptive Texture Energy Measure Method (aTEM), was offered to over- come this disadvantage of TEM by using adaptive masks by adjusting the contrast, sharpening and orientation angle of the mask. To assess the applicability of aTEM, it is compared with TEM. The accuracy of the classification of butterfly, flower seed and Brodatz datasets are 0.08, 0.3292 and 0.3343, respectively by TEM and 0.0053, 0.2417 and 0.3153, respectively by aTEM. The results of this study indicate that aTEM is a successful method for texture analysis.

研究の動機と目的

• 元のテクスチャエナジー測定法（TEM）における固定で事前に定義されたマスクの制限を解消すること。
• コントラスト、方向性、シャープネスなどの画像固有の特徴に応じてマスクを適応可能にすることで、テクスチャ分類精度を向上させること。
• 多様な画像データセットに適したより強固で柔軟なテクスチャ分析フレームワークを構築すること。
• 標準的なテクスチャデータセット上で、提案手法と元のTEMとの性能を比較評価すること。

提案手法

• 局所的な画像特徴（コントラスト、シャープニング、方向角）に基づいて最適化された適応的マスクを導入する。
• 特定の画像領域におけるテクスチャエナジー応答を最大化するために、マスクパラメータを反復的に調整する。
• 元のTEMと同様に、入力画像との畳み込みによってテクスチャエナジーを計算するが、動的に更新されたマスク係数を用いる。
• テクスチャ応答を評価し、特徴検出を強化するためにマスク特性を精緻化するフィードバックメカニズムを用いてパラメータチューニングを実施する。
• 画像統計から導出されたヒューリスティクスによってマスクパラメータの探索空間を制限することで、計算効率を維持する。
• 複数の異なる方向性とスケールにチューニングされた適応的マスクの応答を集約して、最終的なテクスチャエナジー地図を生成する。

実験結果

リサーチクエスチョン

• RQ1 固定マスクと比較して、適応的マスク生成はテクスチャ分類精度を向上させることができるか？
• RQ2 マスクのコントラスト、シャープニング、方向性の動的調整は、テクスチャ特徴検出にどのように影響するか？
• RQ3 バーブリー、花の種、Brodatzなどのベンチマークテクスチャデータセットにおいて、aTEMはTEMに比べてどの程度の性能向上を達成するか？
• RQ4 精度向上を達成する一方で、計算効率は維持されるか？

主な発見

• aTEMはバーブリー・データセットで0.0053の分類精度を達成したのに対し、TEMは0.0800であった。これは顕著な改善を示している。
• 花の種データセットでは、aTEMが0.2417の精度を達成し、TEMの0.3292から0.0875の低下を記録した。
• Brodatzデータセットでは、aTEMが0.3153の精度を記録し、TEMの0.3343から0.0190の向上を達成した。
• 結果から、適応的マスクチューニングが、特に複雑またはコントラストが低いテクスチャにおけるテクスチャの区別能を向上させることを確認した。
• 本手法は、多様なテクスチャタイプにわたり一貫した性能向上を示しており、テクスチャの変動に対して高いロバスト性を示している。