[論文レビュー] Gray Level Co-Occurrence Matrices: Generalisation and Some New Features

Bino Sebastian V, A. Unnikrishnan+1 more|arXiv (Cornell University)|May 22, 2012

Image Retrieval and Classification Techniques被引用数 42

ひとこと要約

本稿では、グレイレベル自己相関行列（GLCM）から導出されるトレース特徴量を、画像解析のための新しいテクスチャ記述子として提案する。本稿はGLCMをn次元グレイスケール画像へ一般化し、実験によりトレース特徴量がコンテンツベース画像検索（CBIR）タスクにおいて従来のハラリック特徴量を上回ることを示している。

ABSTRACT

Gray Level Co-occurrence Matrices (GLCM) are one of the earliest techniques used for image texture analysis. In this paper we defined a new feature called trace extracted from the GLCM and its implications in texture analysis are discussed in the context of Content Based Image Retrieval (CBIR). The theoretical extension of GLCM to n-dimensional gray scale images are also discussed. The results indicate that trace features outperform Haralick features when applied to CBIR.

研究の動機と目的

• n次元グレイスケール画像に適用可能な、グレイレベル自己相関行列（GLCM）の一般化フレームワークの構築を目的とする。
• GLCMから導出される新しいテクスチャ特徴量「トレース」を提唱し、より優れたテクスチャ表現を実現することを目的とする。
• コンテンツベース画像検索（CBIR）におけるトレース特徴量の性能を、既存のハラリック特徴量と比較して評価することを目的とする。
• トレース特徴量の有効性について、理論的および実験的根拠を提供することを目的とする。

提案手法

• 2次元画像を超える共起概念を拡張することで、n次元グレイスケール画像におけるGLCMを定義する。
• トレース特徴量をGLCMの対角成分の和として導出する。すなわち、トレース = Σ p(i,i) であり、p(i,j) はグレイレベルiとjの同時確率を表す。
• 標準的なGLCM特徴量と組み合わせて、トレース特徴量をテクスチャ記述子として画像表現に用いる。
• ベンチマークデータセットを用いて、提案された特徴量セットをCBIRタスクに適用し、検索精度を評価する。
• 標準的な評価指標を用いて、トレース特徴量と従来のハラリック特徴量の性能を比較する。
• 空間的関係を複数の次元にわたって考慮することで、GLCMの形式的定式化を多次元画像データに一般化する。

実験結果

リサーチクエスチョン

• RQ1 GLCMフレームワークは、どのようにn次元グレイスケール画像に拡張可能か？
• RQ2 GLCMから抽出されるトレース特徴量の理論的および実用的意義は何か？
• RQ3 従来のハラリック特徴量と比較して、トレース特徴量はテクスチャの識別性を向上させるか？
• RQ4 実世界のCBIR応用において、トレースベースの特徴量セットは、既存の手法と比較してどのように性能を発揮するか？
• RQ5 テクスチャ解析における均一性や均質性の測定としてトレースを使用する意義は何か？

主な発見

• トレース特徴量は、GLCMの対角成分の和として定義され、テクスチャの均質性を効果的に捉え、強力な識別能力を示す。
• 一般化されたGLCMフレームワークは、共起概念をn次元画像データへ効果的に拡張し、より広範な応用可能性を実現した。
• 実験的結果から、トレース特徴量はCBIRベンチマークにおいて、従来のハラリック特徴量を上回る検索精度を示した。
• トレース特徴量は、特に均一なテクスチャと非均一なテクスチャを区別する際、多様なテクスチャパターンに対して頑健で一貫性のある性能を示した。
• ベースラインのハラリック特徴量と比較して、本手法は画像検索タスクにおける精度と再現率を向上させた。
• トレース特徴量の理論的基盤は妥当であり、コントラストや均質性といった既知のテクスチャ特性と整合していた。