[논문 리뷰] FWLBP: A Scale Invariant Descriptor for Texture Classification

Swalpa Kumar Roy, Nilavra Bhattacharya외 3명|arXiv (Cornell University)|2018. 01. 10.

Image Retrieval and Classification Techniques인용 수 7

한 줄 요약

이 논문은 국소 이진 패턴(LBP) 특징에 분수 차원(FD) 가중치를 통합한 척도 불변 성질을 지닌 텍스처 기술자인 프랙탈 가중 국소 이진 패턴(FWLBP)을 제안한다. 가우시안 척도 공간에서 미분 상자 세기(Differential Box Counting)를 통해 FD를 계산하고, LBP 패턴에 대응하는 FD 값으로 매핑하는 색인 함수를 사용함으로써, FWLBP는 Outex TC10에서 최대 99.97%의 분류 정확도를 달성하면서도 낮은 특징 차원 수와 함께 회전, 반사, 조명 변화에 강건함을 확보한다.

ABSTRACT

In this paper we propose a novel texture descriptor called Fractal Weighted Local Binary Pattern (FWLBP). The fractal dimension (FD) measure is relatively invariant to scale-changes, and presents a good correlation with human viewpoint of surface roughness. We have utilized this property to construct a scale-invariant descriptor. Here, the input image is sampled using an augmented form of the local binary pattern (LBP) over three different radii, and then used an indexing operation to assign FD weights to the collected samples. The final histogram of the descriptor has its features calculated using LBP, and its weights computed from the FD image. The proposed descriptor is scale invariant, and is also robust in rotation or reflection, and partially tolerant to noise and illumination changes. In addition, the local fractal dimension is relatively insensitive to the bi-Lipschitz transformations, whereas its extension is adequate to precisely discriminate the fundamental of texture primitives. Experiment results carried out on standard texture databases show that the proposed descriptor achieved better classification rates compared to the state-of-the-art descriptors.

연구 동기 및 목표

• 척도, 회전, 반사, 조명 변화에 강건한 텍스처 기술자를 개발하기 위해.
• 분수 차원의 척도 불변 성질을 활용하여 텍스처 표현을 향상시키기 위해.
• 최신 기술 대비 분류 정확도를 유지하거나 향상시키면서도 특징 차원 수를 감소시키기 위해.
• 딥 러닝 기반 텍스처 분류의 대안으로 데이터 독립적이고 계산 효율성이 높은 방법을 제공하기 위해.

제안 방법

• 입력 텍스처 이미지의 가우시안 척도 공간 표현을 구축하기 위해.
• 다양한 척도에서 분수 차원(FD) 이미지를 계산하기 위해 미분 상자 세기(DBC) 알고리즘을 적용하기 위해.
• 고정된 샘플 크기이지만 반경이 변하는 방식을 사용한 개선된 LBP 변종을 통해 局부 패턴을 추출하기 위해.
• LBP 패턴을 해당 FD 값으로 매핑하기 위한 색인 함수를 정의하기 위해.
• LBP 패턴 발생 빈도에 FD 값을 가중치로 할당하여 가중 히스토GRAM을 계산하기 위해.
• 최종 특징 벡터를 정규화하여 특징 차원 수를 감소시킨 300개의 특징을 가진 FWLBP 기술자로 구성하기 위해.

실험 결과

연구 질문

• RQ1 분수 차원을 효과적으로 활용하여 LBP 특징에 가중치를 적용함으로써 척도 불변 텍스처 분류를 가능하게 할 수 있는가?
• RQ2 FD와 LBP를 조합함으로써 기하학적 및 광학적 변형 상황에서도 분류 정확도가 향상되는가?
• RQ3 제안된 기술자가 딥 러닝 모델에 비해 훨씬 낮은 특징 차원 수로 높은 성능을 달성할 수 있는가?
• RQ4 정확도와 효율성 측면에서 FWLBP는 최신 기술의 LBP 변종 및 딥 러닝 방법과 비교해 어떻게 성과를 내는가?

주요 결과

• FWLBP는 Outex TC10 데이터셋에서 99.97%의 분류 정확도를 달성하여 비교된 모든 LBP 기반 및 딥 러닝 방법을 능가했다.
• Outex TC12, KTH-TIPS, CUReT 데이터셋에서 각각 99.96%, 99.75%, 99.10%의 정확도를 기록하여 뛰어난 일반화 성능을 입증했다.
• FWLBP의 특징 차원은 단지 300이며, 딥 러닝 모델(예: FV-CNN의 경우 65536)에 비해 크게 낮아 계산 효율성을 향상시켰다.
• 노이즈가 있는 환경(신호 대 잡음비 SNR 최소 5 dB)에서도 높은 성능 유지를 보이며 조명 및 노이즈 변화에 강건함을 입증했다.
• 분수 차원의 척도 불변 성질 덕분에 회전, 반사, 척도 변화에 강건한 성능을 유지를 하였다.
• FV-CNN, SCATNET, PCANET 등 최신 딥 러닝 모델에 비해 더 높은 정확도를 기록하면서도 훨씬 적은 특징 수를 사용하였다.