[논문 리뷰] Texture image analysis and texture classification methods - A review

Laleh Armi, Shervan Fekri-Ershad|arXiv (Cornell University)|2019. 04. 13.

Image Retrieval and Classification Techniques참고 문헌 47인용 수 198

한 줄 요약

텍스처 분석 및 분류 방법에 대한 포괄적 검토로, 접근법을 통계적, 구조적, 모델 기반, 변환 기반으로 분류하고 결합 방법, 분류기, 데이터 세트, 성능 고려사항을 논한다.

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.

연구 동기 및 목표

• 텍스처 분석의 동기를 부여하고 정의하며 컴퓨터 비전 작업에서의 중요성을 설명한다.
• 통계적, 구조적, 모델 기반, 변환 기반 범주로 텍스처 분석 방법을 분류하고 장단점을 논의한다.
• 단일 범주 접근법을 넘어서는 결합 방법과 그 역할을 강조한다.
• 텍스처 분류에 일반적으로 사용되는 분류기와 벤치마크 데이터 세트를 다룬다.
• 판별 성능, 계산 복잡도, 노이즈 및 회전에 대한 강인성 등 핵심 요인을 평가한다.

제안 방법

• 텍스처 분석 방법을 네 가지 주요 계가로 조사하고 분류한다(통계적, 구조적, 모델 기반, 변환 기반).
• 다양한 범주에 걸친 결합 방법의 부활과 역할에 대해 논의한다.
• 판별 성능, 계산 복잡도, 그리고 잡음/회전 등에 대한 강인성 등 질적 평가 기준을 제공한다.
• 일반적으로 사용되는 텍스처 디스크립터와 그 장단점을 요약한다.
• 문헌에서 사용된 텍스처 벤치마크 데이터세트를 조사한다.

실험 결과

연구 질문

• RQ1 텍스처 분석 방법의 주요 범주와 각각의 강점과 한계는 무엇인가?
• RQ2 텍스처 디스크립터는 판별성, 계산성, 노이즈 및 변환에 대한 강인성 측면에서 어떻게 성능을 나타내는가?
• RQ3 텍스처 분류에 일반적으로 사용되는 분류기는 무엇이며 평가를 위한 벤치마크 데이터 세트는 어떤 것이 존재하는가?

주요 결과

• 본 논문은 텍스처 분석의 핵심 범주로서 통계적, 구조적, 모델 기반, 변환 기반 방법을 식별한다.
• 여러 접근법을 결합하는 결합 방법이 단일 범주 방법을 넘어 강력하다고 강조된다.
• 방법들 전반에 걸쳐 판별 성능, 계산 효율성, 노이즈 및 회전에 대한 강건성에 초점을 맞춘다.
• 잘 알려진 텍스처 디스크립터와 그 상대적 이점과 단점에 대한 논의가 포함된다.
• 비교 평가를 돕기 위한 표준 텍스처 이미지 벤치마크 데이터세트에 대한 조사가 제공된다.