[論文レビュー] Texture image analysis and texture classification methods - A review

Laleh Armi, Shervan Fekri-Ershad|arXiv (Cornell University)|Apr 13, 2019

Image Retrieval and Classification Techniques参考文献 47被引用数 198

ひとこと要約

テクスチャ分析と分類手法の包括的なレビューで、統計的、構造的、モデルベース、変換ベースのカテゴリーに分類し、組み合わせ手法、分類器、データセット、性能に関する検討を論じる。

ABSTRACT

Tactile texture refers to the tangible feel of a surface and visual texture refers to see the shape or contents of the image. In the image processing, the texture can be defined as a function of spatial variation of the brightness intensity of the pixels. Texture is the main term used to define objects or concepts of a given image. Texture analysis plays an important role in computer vision cases such as object recognition, surface defect detection, pattern recognition, medical image analysis, etc. Since now many approaches have been proposed to describe texture images accurately. Texture analysis methods usually are classified into four categories: statistical methods, structural, model-based and transform-based methods. This paper discusses the various methods used for texture or analysis in details. New researches shows the power of combinational methods for texture analysis, which can't be in specific category. This paper provides a review on well known combinational methods in a specific section with details. This paper counts advantages and disadvantages of well-known texture image descriptors in the result part. Main focus in all of the survived methods is on discrimination performance, computational complexity and resistance to challenges such as noise, rotation, etc. A brief review is also made on the common classifiers used for texture image classification. Also, a survey on texture image benchmark datasets is included.

研究の動機と目的

• テクスチャ解析を動機づけ、それを定義し、コンピュータビジョンのタスクにおける重要性を説明する。
• テクスチャ解析手法を統計的、構造的、モデルベース、変換ベースのカテゴリに分類し、それぞれの長所と短所を論じる。
• 組合せ法の強調と、それらが単一カテゴリを超えるアプローチで果たす役割を説明する。
• テクスチャ分類に一般的に用いられる分類器を論じ、ベンチマークデータセットを調査する。
• 識別性能、計算量、ノイズや回転に対する頑健性などの主要な要因を評価する。

提案手法

• テクスチャ分析手法を4つの主要ファミリ（統計的、構造的、モデルベース、変換ベース）に調査・分類する。
• 複数のカテゴリにまたがる組合せ法の再興と役割について論じる。
• 識別性能、計算量、頑健性（ノイズ、回転等）に焦点を当てた定性的評価基準を提供する。
• 一般的に用いられるテクスチャ記述子とそれらの利点/欠点を要約する。
• 文献で使用されているテクスチャベンチマークデータセットの調査を提供する。

実験結果

リサーチクエスチョン

• RQ1 テクスチャ解析手法の主なカテゴリーとそれぞれの長所と限界は何か？
• RQ2 テクスチャ記述子は識別性、計算量、ノイズと変換への頑健性の点でどのように性能を発揮するか？
• RQ3 テクスチャ分類には一般的にどの分類器が用いられ、評価のためのベンチマークデータセットは何か？

主な発見

• 本論文はテクスチャ解析のコアカテゴリとして統計的、構造的、モデルベース、変換ベースの方法を特定している。
• 複数のアプローチを組み合わせた組合せ法は、単一カテゴリを超える強力さとして強調されている。
• 手法間で識別性能、計算効率、ノイズおよび回転に対する頑健性の焦点がある。
• よく知られたテクスチャ記述子とそれらの相対的な利点と欠点の議論を含む。
• 比較評価を援助するための標準的なテクスチャ画像ベンチマークデータセットの調査を提供する。