[論文レビュー] Fractal and Multi-Scale Fractal Dimension analysis: a comparative study of Bouligand-Minkowski method

André Ricardo Backes, Odemir Martinez Bruno|arXiv (Cornell University)|Jan 16, 2012

Image Retrieval and Classification Techniques参考文献 15被引用数 23

ひとこと要約

本稿では、分類済み形状データベースを用いた形状解析において、フラクタル次元（FD）とマルチスケールフラクタル次元（MFD）を比較している。MFDはボリガン＝ミンコフスキー拡張を用いて計算され、ガウスフィルタで平滑化されているが、FDに比べて形状の識別性とノイズ耐性に優れている。フーリエ記述子を用いることでMFD曲線の複雑さが大幅に低減され、精度の損失は最小限に抑えられ、効率的な分類が可能になる。

ABSTRACT

Shape is one of the most important visual attributes to characterize objects, playing a important role in pattern recognition. There are various approaches to extract relevant information of a shape. An approach widely used in shape analysis is the complexity, and Fractal Dimension and Multi-Scale Fractal Dimension are both well-known methodologies to estimate it. This papers presents a comparative study between Fractal Dimension and Multi-Scale Fractal Dimension in a shape analysis context. Through experimental comparison using a shape database previously classified, both methods are compared. Different parameters configuration of each method are considered and a discussion about the results of each method is also presented.

研究の動機と目的

• フラクタル次元とマルチスケールフラクタル次元の形状分類タスクにおける性能を評価・比較すること。
• 形状データにおけるノイズおよび歪みに対してMFDの頑健性を調査すること。
• フーリエ記述子がMFD曲線の次元削減にどの程度効果的であるか、分類に必要な特徴を保持するかを評価すること。
• FDおよびMFD手法の最適なパラメータ設定（例：拡張半径、ノイズレベル）を特定すること。
• 従来のFDおよびそのフーリエ処理を施した変種と比較することで、MFDを優れた形状特徴量として確立すること。

提案手法

• 形状の拡張に半径rの円を用い、ボリガン＝ミンコフスキー法によりフラクタル次元を計算し、影響領域A(r)とrの対数プロットの勾配からDを推定する。
• マルチスケールフラクタル次元（MFD）をボリガン＝ミンコフスキー曲線の微分として導出し、スケールに応じた複雑さの変化を表現する。
• MFD曲線にガウス低域フィルタを適用して高周波数ノイズを抑制し、画像の歪みに対する耐性を向上させる。
• フーリエ解析を用いてMFD曲線から記述子を抽出し、特徴量の数を削減しながら主な形状特徴を保持する。
• 再構成誤差を最小化するための最適なフーリエ記述子の数（50）を特定するために、ユークリッド距離解析を実施する。
• 元のMFD曲線とそのフーリエ処理済みバージョンを用いた両方の方法で形状分類を実行し、ノイズレベルおよび拡張半径に応じた成功確率を比較する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールフラクタル次元は、分類済みデータベースからの形状の識別において、従来のフラクタル次元に比べてどのように優れているか？
• RQ2 ノイズがMFDおよびFDの分類性能に与える影響は何か？MFDは優れたノイズ耐性を示すか？
• RQ3 MFD曲線の識別性能を維持しつつ、計算コストを低減するために必要なフーリエ記述子の数はどれくらいか？
• RQ4 どの拡張半径でMFDベースの分類が最適な性能を示すか？
• RQ5 ガウス低域フィルタをMFD曲線に適用することで、ノイズのある条件下で分類精度が顕著に向上するか？

主な発見

• マルチスケールフラクタル次元（MFD）は、すべてのテスト設定において従来のフラクタル次元（FD）よりも高い分類成功確率を達成している。
• MFDは強いノイズ耐性を示し、中程度のノイズレベル（レベル2および3）でピーク性能を示すが、高ノイズレベルでは著しく性能が低下する。
• フーリエ記述子を用いることで、MFD記述子の数を大幅に削減できるが、分類成功確率の低下は最小限に抑えられ、特に拡張半径r ≥ 50の条件下で顕著である。
• 元のMFD曲線とそのフーリエ処理済みバージョンとのユークリッド距離が50個の記述子を使用する際に安定化することから、主な識別情報は最初の50成分に集中していると示唆される。
• ガウスフィルタを適用したMFD曲線は高周波数ノイズを効果的に抑制し、特に中程度の歪みが生じる状況で分類の頑健性が向上する。
• r ≥ 50の条件下で、MFD曲線にフーリエ記述子を組み合わせることで、ほぼ最適な分類性能を維持でき、計算効率の高い形状分類に適していることが確認された。