[논문 리뷰] 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)|2018. 03. 12.

Image Retrieval and Classification Techniques참고 문헌 13인용 수 5

한 줄 요약

이 논문은 회색 톤 차이 행렬(GTDM), 국소 이진 패턴(LBP), 그리고 K-means 군집화를 조합하여 보다 분류 능력이 뛰어난 텍스처 데이터베이스를 구축하는 새로운 방법을 제안한다. GTDM와 LBP를 활용한 특징 추출과 K-means를 통한 군집화 및 다양하고 대표적인 이미지 선택을 통해, 기존의 Brodatz 및 Outex와 같은 표준 데이터베이스에 비해 더 높은 피셔 점수와 분류 성능을 달성함으로써 텍스처 분류 정확도를 향상시킨다.

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.

연구 동기 및 목표

• Brodatz 및 Outex와 같은 표준 데이터베이스에 의존함으로써 발생하는 텍스처 분류 성능 평가의 편향을 해결하기 위해.
• 고도화된 특징 추출 및 군집화 기법을 활용하여 더 대표성 있고 다양한 텍스처 데이터베이스를 개발하기 위해.
• GTDM와 LBP를 융합한 하이브리드 특징 표현을 통해 텍스처 분류 정확도를 향상시키기 위해.
• 최신 기술들과의 비교를 통해 제안된 방법의 성능을 피셔 점수와 분류 정확도 기준으로 평가하기 위해.

제안 방법

• 텍스처의 강도 변화와 국소 텍스처 패턴을 동시에 캡처하기 위해 회색 톤 차이 행렬(GTDM)과 국소 이진 패턴(LBP)의 조합을 이용한 특징 표현을 구축한다.
• 추출된 특징에 대해 K-means 군집화를 적용하는 새로운 군집 기반의 이미지 선택 알고리즘을 도입하여 다양하고 유용성이 높은 텍스처 이미지를 식별하고 수집한다.
• K-means 알고리즘은 텍스처 특징을 군집화하여 서로 다른 텍스처 클래스를 포괄하고 데이터베이스 내부의 중복을 줄인다.
• 선택된 특징의 분류 능력을 검증하기 위해 피셔 점수를 활용하여 특징의 구분 능력을 평가한다.
• 표준 텍스처 분류 벤치마크를 사용하여 분류 성능을 테스트하고 최신 기술들과 비교한다.
• 텍스처 분석 평가의 편향을 줄이기 위해 데이터베이스의 다양성과 특징의 구분 능력을 강조한다.

실험 결과

연구 질문

• RQ1 GTDM와 LBP를 융합한 하이브리드 특징 표현이 텍스처 특징의 구분 능력을 향상시킬 수 있는가?
• RQ2 추출된 특징에 대해 K-means 군집화를 적용하면 더 다양하고 대표적인 텍스처 데이터베이스를 얻을 수 있는가?
• RQ3 제안된 데이터베이스는 Brodatz 및 Outex와 같은 표준 데이터베이스와 비교해 피셔 점수와 분류 정확도 측면에서 어떻게 다른가?
• RQ4 제안된 방법이 텍스처 분류 평가의 성능 편향을 어느 정도 감소시킬 수 있는가?

주요 결과

• 제안된 방법은 Brodatz 및 Outex와 같은 표준 데이터베이스에 비해 수집된 텍스처 데이터베이스에서 더 높은 피셔 점수를 확보하였다.
• 제안된 특징 추출 방법을 사용한 텍스처 분류 정확도는 몇 가지 최신 기술들을 능가하였다.
• K-means 기반의 이미지 선택 과정은 데이터베이스 내 중복을 효과적으로 줄이고 다양성을 향상시켰다.
• GTDM와 LBP 특징의 조합은 텍스처 표현에 있어 뛰어난 구분 능력을 보였다.