[論文レビュー] Invariant texture analysis through Local Binary Patterns

Rodrigo Nava, Gabriel Cristóbal+1 more|arXiv (Cornell University)|Nov 30, 2011

Image Retrieval and Classification Techniques参考文献 24被引用数 7

ひとこと要約

この論文は、回転、照明、ノイズの変化の下で、局所的バイナリパターン（LBP）に基づく不変テクスチャ記述子とその拡張を評価する。LBPとコントラスト情報（CI）を組み合わせることで分類精度が顕著に向上し、回転および照明変化下で認識率を約38%から約77%に向上させることを示している。これは、実世界の条件下におけるロバストなテクスチャ解析のためのハイブリッドLBP-CI特徴量の有効性を強調している。

ABSTRACT

In many image processing applications, such as segmentation and classification, the selection of robust features descriptors is crucial to improve the discrimination capabilities in real world scenarios. In particular, it is well known that image textures constitute power visual cues for feature extraction and classification. In the past few years the local binary pattern (LBP) approach, a texture descriptor method proposed by Ojala et al., has gained increased acceptance due to its computational simplicity and more importantly for encoding a powerful signature for describing textures. However, the original algorithm presents some limitations such as noise sensitivity and its lack of rotational invariance which have led to many proposals or extensions in order to overcome such limitations. In this paper we performed a quantitative study of the Ojala's original LBP proposal together with other recently proposed LBP extensions in the presence of rotational, illumination and noisy changes. In the experiments we have considered two different databases: Brodatz and CUReT for different sizes of LBP masks. Experimental results demonstrated the effectiveness and robustness of the described texture descriptors for images that are subjected to geometric or radiometric changes.

研究の動機と目的

• 幾何的および放射的画像歪みの下でのオリジナルおよび拡張LBP記述子のロバスト性を評価すること。
• ノイズ、回転、照明変化がLBPベースのテクスチャ分類に与える影響を調査すること。
• 挑戦的な条件下でのLBP性能向上に寄与するコントラスト情報（CI）の有効性を評価すること。
• 最小チェーン、近傍値、均一パターンに基づく異なるLBPバリアントを、標準的なテクスチャデータベース上で比較すること。
• 分類精度の向上を目的とした最適なLBP-CI統合戦略（結合型対ハイブリッドヒストグラム）を同定すること。

提案手法

• オリジナルLBP演算子およびその拡張（LBP^min、LBP^ni、LBP^med、LBP^uni、LBP^num）を用い、それぞれノイズおよび不変性処理に特化した特徴を持つ。
• 式（18）を用いてコントラスト情報（CI）を定義する。CIは、中心画素以上である近傍画素の和と、中心画素未満である近傍画素の和との差として定義される。
• BrodatzおよびCUReTの2つのデータベースを用い、テクスチャタイプに応じたLBPマスクサイズの変更により性能を評価する。
• 分類評価に、オーバーラップ距離（OD）およびカルバック・ライブラー（KL）ダイバージェンスの2つの距離指標を用いる。
• LBPとCIヒストグラムを結合して（3次元ヒストグラム）またはハイブリッドに（連結された疑似結合ヒストグラム）統合する。
• 特徴抽出の前段階で、ノイズ低減および正規化処理を実施し、ノイズおよび照明効果の影響を軽減する。

実験結果

リサーチクエスチョン

• RQ1 異なるLBPバリアントは、テクスチャ分類において回転および照明変化の下でどのように性能を発揮するか？
• RQ2 コントラスト情報（CI）を統合することで、LBP記述子のロバスト性はどの程度向上するか？
• RQ3 ノイズおよび照明劣化の下で、結合型とハイブリッド型のどちらのLBP-CI統合戦略がより高い分類精度を達成するか？
• RQ4 ノイズ感受性はLBPバリアントにどのように影響するか？また、近傍画素に基づく前処理はこれを緩和できるか？
• RQ5 均一パターン符号化と非均一パターンの量子化の影響は、分類性能にどのように現れるか？

主な発見

• オリジナルLBP法は、回転下でOD指標では38.46%、KL指標では42.86%の認識精度を達成した。
• コントラスト情報（CI）を追加することで、認識精度はODでは76.92%、KLでは78.02%に向上し、顕著なロバストネスの向上が示された。
• 非均一パターンのカウントを符号化するLBP^numは、均一パターンベースのLBP^uniよりも優れた性能を示した。これはヒストグラムに追加の構造的情報を含むためである。
• OD指標では、大多数のLBPバリアントにおいてCI統合により性能が向上したが、均一パターンベースの手法ではわずかに性能が低下した。
• KL指標では、CIのエントロピーが負の影響を及ぼし、一部のケースで性能が低下した。これは指標依存の挙動を示している。
• 近傍画素の平均化を用いるLBPバリアント（LBP^niおよびLBP^med）は、原始画素比較に依存するものよりもノイズ耐性に優れていた。