[논문 리뷰] Invariant texture analysis through Local Binary Patterns

Rodrigo Nava, Gabriel Cristóbal외 1명|arXiv (Cornell University)|2011. 11. 30.

Image Retrieval and Classification Techniques참고 문헌 24인용 수 7

한 줄 요약

이 논문은 회전, 조도, 노이즈 변형 하에서 국소 이진 패턴(LBP) 및 그 확장 기반의 불변 무늬 기술자들을 평가한다. LBP와 대trast 정보(CI)를 조합함으로써 분류 정확도가 크게 향상됨을 입증한다—회전 및 조도 변화 조건에서 인식률을 약 38%에서 약 77%로 상승시킴으로써, 실생활 조건에서 강건한 무늬 분석을 위한 하이브리드 LBP-CI 특징의 효과성을 입증한다.

ABSTRACT

In many image processing applications, such as segmentation and classification, the selection of robust features descriptors is crucial to improve the discrimination capabilities in real world scenarios. In particular, it is well known that image textures constitute power visual cues for feature extraction and classification. In the past few years the local binary pattern (LBP) approach, a texture descriptor method proposed by Ojala et al., has gained increased acceptance due to its computational simplicity and more importantly for encoding a powerful signature for describing textures. However, the original algorithm presents some limitations such as noise sensitivity and its lack of rotational invariance which have led to many proposals or extensions in order to overcome such limitations. In this paper we performed a quantitative study of the Ojala's original LBP proposal together with other recently proposed LBP extensions in the presence of rotational, illumination and noisy changes. In the experiments we have considered two different databases: Brodatz and CUReT for different sizes of LBP masks. Experimental results demonstrated the effectiveness and robustness of the described texture descriptors for images that are subjected to geometric or radiometric changes.

연구 동기 및 목표

• 기하학적 및 빛의 영향을 받는 이미지 왜곡 하에서 원래 및 확장된 LBP 기술자의 강건성을 평가하기 위해.
• 노이즈, 회전, 조도 변화가 LBP 기반의 무늬 분류에 미치는 영향을 조사하기 위해.
• 어려운 조건에서 LBP 성능 향상에 대비 정보(CI)의 효과를 평가하기 위해.
• 표준 무늬 데이터베이스를 기반으로 최소 체인, 이웃 값, 균일 패턴에 기반한 다양한 LBP 변종을 비교하기 위해.
• 분류 정확도 향상을 위한 최적의 LBP-CI 융합 전략(공통 히스토그램 대 하이브리드 히스토그램)을 식별하기 위해.

제안 방법

• 원래 LBP 연산자와 그 확장 기반의 다양한 변종을 사용: LBP^min, LBP^ni, LBP^med, LBP^uni, LBP^num. 각각 노이즈 및 불변성 처리 방식이 다름.
• 대비 정보(CI)는 식 (18)에 의해 정의되며, 중심 픽셀보다 크거나 같은 이웃 픽셀의 합과 중심보다 작은 이웃 픽셀의 합의 차이로 계산됨.
• 두 데이터베이스인 Brodatz와 CUreT를 사용하며, 다양한 LBP 마스크 크기를 적용하여 다양한 유형의 무늬에서 성능 평가.
• 분류 평가를 위해 두 가지 거리 측도인 오버랩 거리(OD)와 쿨백-라이블러(KL) 발산을 사용함.
• LBP와 CI 히스토그램을 공통 3차원 히스토그램으로 융합하거나 하이브리드 방식(연결된 가짜 공통 히스토그램)으로 융합함.
• 특징 추출 이전에 노이즈 제거 및 정규화를 수행하여 노이즈 및 조도 영향을 최소화함.

실험 결과

연구 질문

• RQ1 다양한 LBP 변종은 회전 및 조도 변화 조건에서 무늬 분류 성능에 어떻게 영향을 미치는가?
• RQ2 대비 정보(CI)를 통합함으로써 LBP 기술자의 강건성이 얼마나 향상되는가?
• RQ3 노이즈 및 조도 열화 조건에서, 공통 히스토그램 대 하이브리드 융합 전략 중 어느 것이 더 높은 분류 정확도를 제공하는가?
• RQ4 노이즈 민감도는 LBP 변종에 어떤 영향을 미치며, 이웃 기반 전처리가 이를 완화할 수 있는가?
• RQ5 균일 패턴 인코딩과 비균일 패턴 양자화의 분류 성능에 대한 영향은 무엇인가?

주요 결과

• 원래 LBP 방법은 OD 및 KL 측도를 사용할 때 각각 38.46% 및 42.86%의 인식 정확도를 기록함.
• 대비 정보(CI)를 추가함으로써 인식 정확도는 OD 기준 76.92%, KL 기준 78.02%로 상승하여 강건성 향상의 명확한 증거를 제시함.
• 비균일 패턴 수를 인코딩하는 LBP^num은 균일 패턴 기반 방법보다 더 높은 성능를 보이며, 히스토그램에 추가적인 구조적 정보를 포함함.
• 대부분의 LBP 변종에서 CI는 OD 측도를 통해 성능 향상을 이끌었지만, 균일 패턴 기반 방법에서는 성능이 약간 저하됨.
• KL 측도는 CI 엔트로피의 영향을 받아 일부 경우에서 성능 저하를 보이며, 이는 측도 의존적 행동을 시사함.
• 이웃 평균을 사용하는 LBP 변종(LBP^ni 및 LBP^med)은 원시 픽셀 비교에 의존하는 방법보다 노이즈에 더 강건함.