[论文解读] A Novel Technique for Grading of Dates using Shape and Texture Features

S. H. Mohana, C. J. Prabhakar|arXiv (Cornell University)|Jan 6, 2015

Spectroscopy and Chemometric Analyses参考文献 19被引用 6

一句话总结

本文提出了一种新颖的计算机视觉技术，用于通过融合形状与纹理特征实现枣子的自动分级。在经过双边滤波和基于阈值的分割后，结合轮廓形状特征以及来自Curvelet变换和局部二值模式（LBP）的纹理特征；k-NN分类在所有测试方法中表现最佳，其在六级分类中的准确率高于SVM和LDA。

ABSTRACT

This paper presents a novel method to grade the date fruits based on the combination of shape and texture features. The method begins with reducing the specular reflection and small noise using a bilateral filter. Threshold based segmentation is performed for background removal and fruit part selection from the given image. Shape features is extracted using the contour of the date fruit and texture features are extracted using Curvelet transform and Local Binary Pattern (LBP) from the selected date fruit region. Finally, combinations of shape and texture features are fused to grade the dates into six grades. k-Nearest Neighbour(k-NN) classifier yields the best grading rate compared to other two classifiers such as Support Vector Machine (SVM) and Linear Discriminant(LDA) classifiers. The experiment result shows that our technique achieves highest accuracy.

研究动机与目标

• 开发一种基于视觉特征的自动化、非侵入式枣子分级方法。
• 通过引入可靠且可重复的基于计算机视觉的替代方案，解决人工分级的局限性。
• 通过融合枣子图像中的形状与纹理特征，提高分级准确率。
• 评估并比较k-NN、SVM和LDA分类器在枣子分级背景下的性能。
• 建立一个稳健的农业采后加工质量评估框架。

提出的方法

• 应用双边滤波以减少枣子图像中的镜面反射和小噪声。
• 执行基于阈值的分割，将枣子从背景中分离。
• 利用分割后枣子区域的轮廓提取形状特征。
• 从分割后的果实区域提取纹理特征，使用Curvelet变换和局部二值模式（LBP）。
• 将提取的形状与纹理特征融合为一个组合特征向量以用于分类。
• 在融合后的特征集上训练并评估三种分类器——k-NN、SVM和LDA，以将每个枣子分配至六个等级之一。

实验结果

研究问题

• RQ1 形状与纹理特征的组合能否提高自动枣子分级的准确率？
• RQ2 当应用于融合形状与纹理特征的枣子分级时，不同分类器（k-NN、SVM、LDA）的表现如何？
• RQ3 使用双边滤波进行预处理是否能增强特征提取与分类性能？
• RQ4 Curvelet与LBP在多大程度上改善了枣子图像中的纹理表示？
• RQ5 k-NN在将枣子分类为六个不同质量等级方面是否优于SVM和LDA？

主要发现

• k-最近邻（k-NN）分类器在测试的三种分类器中达到了最高的分级准确率。
• 形状与纹理特征的融合显著提升了分类性能，优于单独使用任一特征集。
• 双边滤波有效减少了镜面反射和噪声，从而增强了后续的分割与特征提取效果。
• Curvelet变换与局部二值模式（LBP）为枣子图像提供了有效的纹理表示。
• 所提出的方法在六级枣子分类中实现了最高准确率，优于SVM和LDA。
• 实验结果，包括15页的分析、表格与图表，证实了所提技术的鲁棒性与有效性。