[論文レビュー] Texture Classification Approach Based on Combination of Edge & Co-occurrence and Local Binary Pattern

Shervan Fekri Ershad|arXiv (Cornell University)|Mar 21, 2012

Image Retrieval and Classification Techniques参考文献 10被引用数 33

ひとこと要約

本稿では、局所的バイナリーパターン（LBP）、グレイレベリング共起行列（GLCM）、エッジ検出、および統計的特徴抽出を組み合わせた新しいテクスチャ分類手法であるSEGLを提案する。入力画像をLBPおよびGLCMを用いて8方向で処理し、Sobelエッジ検出を適用して各方向ごとに7つの統計的特徴を算出し、56次元の特徴ベクトルを構成する。本手法は、グレートン、トレヴァルチン、ハンチェットストーンのテクスチャに対して3-NN分類器を用いて93.3%の精度を達成し、単独でのLBPおよびGLCM手法を上回った。

ABSTRACT

Texture classification is one of the problems which has been paid much attention on by computer scientists since late 90s. If texture classification is done correctly and accurately, it can be used in many cases such as Pattern recognition, object tracking, and shape recognition. So far, there have been so many methods offered to solve this problem. Near all these methods have tried to extract and define features to separate different labels of textures really well. This article has offered an approach which has an overall process on the images of textures based on Local binary pattern and Gray Level Co-occurrence matrix and then by edge detection, and finally, extracting the statistical features from the images would classify them. Although, this approach is a general one and is could be used in different applications, the method has been tested on the stone texture and the results have been compared with some of the previous approaches to prove the quality of proposed approach.

研究の動機と目的

• 多様な応用に適した汎用的なテクスチャ分類フレームワークの開発。
• LBP、GLCM、エッジ特徴を統合することで分類精度の向上を図ること。
• 提案手法を実世界の石材テクスチャデータセットに対して評価し、既存のLBPおよびGLCMベースの手法と比較すること。
• KNN、NaiveBayes、LADTreeなどの複数の分類器において、その頑健性と高精度を示すこと。

提案手法

• 3×3の近傍と中心画素に基づくしきい値処理を用いて、入力画像に局所的バイナリーパターン（LBP）を適用し、テクスチャ符号化画像を生成する。
• LBP出力に対して8方向（0°から157.5°）のオフセットを用いてグレイレベリング共起行列（GLCM）を計算し、空間的テクスチャパターンを捉える。
• GLCM出力に対してSobelフィルタを用いてエッジ検出を実施し、構造的境界とテクスチャ勾配を抽出する。
• 各方向のGLCM画像から、エントロピー、エネルギー、コントラスト、均一性、相関、平均、分散の7つの統計的特徴を抽出する。
• 8方向分の各GLCM方向ごとに7つの特徴を連結することで、1画像あたり56次元の特徴ベクトルを構築する。
• 10-fold交差検証を用いて、得られたデータセット上で複数の分類器（KNN、NaiveBayes、LADTree）を訓練および評価する。

実験結果

リサーチクエスチョン

• RQ1 LBP、GLCM、エッジ検出、統計的特徴を統合したハイブリッド手法は、個別の手法を上回るテクスチャ分類精度を達成できるか？
• RQ2 実石材テクスチャデータセットにおいて、SEGLフレームワークは単独のLBPおよびGLCM手法と比較してどのように性能を発揮するか？
• RQ3 提案された特徴セットは、異なる分類器においてどれほど頑健で汎用的か？
• RQ4 エッジ情報の統合は、石材分類におけるテクスチャ特徴の識別力を向上させるか？

主な発見

• SEGL手法は、グレートン、トレヴァルチン、ハンチェットストーンのテクスチャに対して3-Nearest Neighbor（3NN）分類器を用いて93.3%の分類精度を達成した。
• 提案手法は、単独のLBP手法（3NNで88.4%の精度）およびGLCM手法（3NNで86.3%の精度）を上回った。
• NaiveBayes分類器はSEGL特徴を用いて92%の精度を達成し、確率的モデルと高い相性を示した。
• LADTree分類器は90%の精度を達成し、多様な学習アルゴリズムにおいて一貫した性能を示した。
• SEGLフレームワークは1画像あたり56次元の特徴ベクトルを生成し、方向別GLCM統計とエッジに注意を払った特徴を統合して識別能を向上させた。
• 本手法は複数の分類器において高い一般化性能を示し、その頑健性とさまざまな学習モデルへの適応性を確認した。