[論文レビュー] Innovative Texture Database Collecting Approach and Feature Extraction Method based on Combination of Gray Tone Difference Matrixes, Local Binary Patterns,and K-means Clustering

Shervan Fekri-Ershad|arXiv (Cornell University)|Mar 12, 2018

Image Retrieval and Classification Techniques参考文献 13被引用数 5

ひとこと要約

本稿では、グレイトーンディファレンスマトリクス（GTDM）、ローカルバイナリーパターン（LBP）、およびK-meansクラスタリングを組み合わせることで、より判別性の高いテクスチャデータベースを構築する新しいアプローチを提案する。GTDMとLBPを用いた特徴抽出と、K-meansによるクラスタリングと画像選択を統合することで、Brodatz や Outex といった標準データベースと比較して、優れたフィッシャー得点と分類性能を達成する。

ABSTRACT

Texture analysis and classification are some of the problems which have been paid much attention by image processing scientists since late 80s. If texture analysis is done accurately, it can be used in many cases such as object tracking, visual pattern recognition, and face recognition.Since now, so many methods are offered to solve this problem. Against their technical differences, all of them used same popular databases to evaluate their performance such asBrodatz or Outex, which may be made their performance biased on these databases. In this paper, an approach is proposed to collect more efficient databases of texture images. The proposed approach is included two stages. The first one is developing feature representation based on gray tone difference matrixes and local binary patterns features and the next one is consisted an innovative algorithm which is based on K-means clustering to collect images based on evaluated features. In order to evaluate the performance of the proposed approach, a texture database is collected and fisher rate is computed for collected one and well known databases. Also, texture classification is evaluated based on offered feature extraction and the accuracy is compared by some state of the art texture classification methods.

研究の動機と目的

• Brodatz や Outex といった標準データベースに依存することで生じる、テクスチャ分類性能評価におけるバイアスを是正すること。
• 高度な特徴抽出とクラスタリングを活用して、より代表的で多様なテクスチャデータベースを構築すること。
• GTDM と LBP をハイブリッドで組み合わせた特徴表現を用いることで、テクスチャ分類精度を向上させること。
• 最先端の手法と比較して、フィッシャー得点と分類精度を用いて提案手法の有効性を評価すること。

提案手法

• グレイトーンディファレンスマトリクス（GTDM）とローカルバイナリーパターン（LBP）を組み合わせた特徴表現を構築し、強度の変動と局所的なテクスチャパターンの両方を捉える。
• 特徴抽出後のデータに対してK-meansクラスタリングを適用する、新しいクラスタリングベースの画像選択アルゴリズムを提案し、多様で有用なテクスチャ画像を特定・収集する。
• K-meansアルゴリズムによりテクスチャ特徴をグループ化することで、異なるテクスチャクラスを網羅し、収集されたデータベース内の重複を低減する。
• 選択された特徴の判別性を検証するために、フィッシャー得点を用いて特徴の有効性を評価する。
• 標準的なテクスチャ分類ベンチマークを用いて分類性能をテストし、最先端の手法と比較する。
• データベースの多様性と特徴の判別性に注目することで、テクスチャ解析における評価バイアスを低減する。

実験結果

リサーチクエスチョン

• RQ1 GTDM と LBP をハイブリッドで組み合わせた特徴表現は、テクスチャ特徴の判別性を向上させることができるか？
• RQ2 抽出された特徴に対してK-meansクラスタリングを適用することで、より多様で代表的なテクスチャデータベースが構築可能か？
• RQ3 提案手法で構築されたデータベースは、Brodatz や Outex といった標準データベースと比較して、フィッシャー得点と分類精度において優れているか？
• RQ4 提案手法は、テクスチャ分類評価における性能バイアスをどの程度低減できるか？

主な発見

• 提案手法は、Brodatz や Outex といった標準データベースと比較して、収集されたテクスチャデータベースで高いフィッシャー得点を達成した。
• 提案された特徴抽出手法を用いたテクスチャ分類精度は、いくつかの最先端のテクスチャ分類手法を上回った。
• K-meansに基づく画像選択プロセスにより、データベース内の重複が有意に低減され、多様性が向上した。
• GTDM と LBP の特徴の組み合わせは、テクスチャ表現において優れた判別力を持つことが示された。