[論文レビュー] FWLBP: A Scale Invariant Descriptor for Texture Classification

Swalpa Kumar Roy, Nilavra Bhattacharya+3 more|arXiv (Cornell University)|Jan 10, 2018

Image Retrieval and Classification Techniques被引用数 7

ひとこと要約

本稿では、局所的バイナリーパターン（LBP）特徴にフラクタル次元（FD）重みを統合することで、スケール不変性を持つテクスチャ記述子であるフラクタル重み付きローカルバイナリーパターン（FWLBP）を提案する。ガウススケール空間上で微分ボックスカウントを用いてFDを計算し、FDに基づく重みをLBPパターンに割り当てるインデクシング関数を定義することで、FWLBPは、Outex TC10で最大99.97％の分類精度を達成しながら、特徴次元数を低く抑え、回転、反転、照明変化に対して高い耐性を示す。

ABSTRACT

In this paper we propose a novel texture descriptor called Fractal Weighted Local Binary Pattern (FWLBP). The fractal dimension (FD) measure is relatively invariant to scale-changes, and presents a good correlation with human viewpoint of surface roughness. We have utilized this property to construct a scale-invariant descriptor. Here, the input image is sampled using an augmented form of the local binary pattern (LBP) over three different radii, and then used an indexing operation to assign FD weights to the collected samples. The final histogram of the descriptor has its features calculated using LBP, and its weights computed from the FD image. The proposed descriptor is scale invariant, and is also robust in rotation or reflection, and partially tolerant to noise and illumination changes. In addition, the local fractal dimension is relatively insensitive to the bi-Lipschitz transformations, whereas its extension is adequate to precisely discriminate the fundamental of texture primitives. Experiment results carried out on standard texture databases show that the proposed descriptor achieved better classification rates compared to the state-of-the-art descriptors.

研究の動機と目的

• スケール、回転、反転、照明変化に対して耐性のあるテクスチャ記述子の開発。
• フラクタル次元のスケール不変性を活用して、より優れたテクスチャ表現を実現すること。
• 最先端の手法と比較して、分類精度を維持または向上させつつ、特徴次元数を低減すること。
• ディープラーニングベースのテクスチャ分類に対する、データに依存せず計算効率の良い代替手法を提供すること。

提案手法

• 入力テクスチャ画像のガウススケール空間表現を構築する。
• 微分ボックスカウント（DBC）アルゴリズムを用いて、複数スケールでのフラクタル次元（FD）画像を計算する。
• 固定サンプルサイズだが半径を変化させることで、局所的パターンを抽出する拡張LBPの変種を適用する。
• LBPパターンを対応するFD値にマッピングするインデクシング関数を定義し、重み付けを行う。
• FD値をLBPパターンの出現回数に重みとして割り当て、重み付きヒストグラムを計算する。
• 最終的な特徴ベクトルを正規化し、次元数を削減した（300特徴）FWLBP記述子を形成する。

実験結果

リサーチクエスチョン

• RQ1 フラクタル次元を効果的にLBP特徴の重み付けに用いることで、スケール不変なテクスチャ分類が可能になるか？
• RQ2 FDとLBPを組み合わせることで、幾何的および光度的変化下でも分類精度が向上するか？
• RQ3 提案手法の記述子は、ディープラーニングモデルと比較して顕著に低い特徴次元数で高い性能を達成できるか？
• RQ4 FWLBPは、最先端のLBP変種およびディープラーニング手法と比較して、精度と効率の面で優れているか？

主な発見

• FWLBPはOutex TC10データセットで99.97％の分類精度を達成し、比較されたすべてのLBPベースおよびディープラーニング手法を上回った。
• Outex TC12、KTH-TIPS、CUReTデータセットでは、それぞれ99.96％、99.75％、99.10％の精度を達成し、優れた一般化性能を示した。
• FWLBPの特徴次元数はわずか300であり、ディープラーニングモデル（例：FV-CNNでは65536）と比較して顕著に低く、計算効率の向上に寄与した。
• SNRが5 dBまで低下するノイズ環境下でも高い性能を維持したため、照明およびノイズ変化に対して耐性があることが示された。
• フラクタル次元のスケール不変性のおかげで、回転、反転、スケール変化に対しても耐性がある。
• FV-CNN、SCATNET、PCANETといった最先端のディープラーニングモデルと比較して、精度は上回りながらも、はるかに少ない特徴数を用いた。