[논문 리뷰] Texture Classification Approach Based on Combination of Edge & Co-occurrence and Local Binary Pattern

Shervan Fekri Ershad|arXiv (Cornell University)|2012. 03. 21.

Image Retrieval and Classification Techniques참고 문헌 10인용 수 33

한 줄 요약

이 논문은 국소 이진 패턴(LBP), 회색 수준 공존 행렬(GLCM), 에지 검출, 통계적 특징 추출을 조합한 새로운 텍스처 분류 방법인 SEGL을 제안한다. 입력 이미지를 8개 방향으로 LBP와 GLCM를 적용하고, Sobel 에지 검출을 수행한 후, 각 방향당 7개의 통계적 특징을 계산하여 총 56차원의 특징 벡터를 구성한다. 이 방법은 화강암, 트라베르틴, 도끼돌 텍스처에서 3-NN 분류기로 93.3%의 정확도를 달성하여 단독으로 사용하는 LBP 및 GLCM 방법보다 뛰어난 성능을 보였다.

ABSTRACT

Texture classification is one of the problems which has been paid much attention on by computer scientists since late 90s. If texture classification is done correctly and accurately, it can be used in many cases such as Pattern recognition, object tracking, and shape recognition. So far, there have been so many methods offered to solve this problem. Near all these methods have tried to extract and define features to separate different labels of textures really well. This article has offered an approach which has an overall process on the images of textures based on Local binary pattern and Gray Level Co-occurrence matrix and then by edge detection, and finally, extracting the statistical features from the images would classify them. Although, this approach is a general one and is could be used in different applications, the method has been tested on the stone texture and the results have been compared with some of the previous approaches to prove the quality of proposed approach.

연구 동기 및 목표

• 다양한 응용 분야에 효과적으로 활용 가능한 일반적인 텍스처 분류 프레임워크를 개발하는 것.
• LBP, GLCM, 에지 특징을 통합하여 분류 정확도를 향상시키는 것.
• 기존의 LBP 및 GLCM 기반 방법들과 비교하기 위해 실제 석재 텍스처 데이터셋에서 제안된 방법을 평가하는 것.
• 다양한 분류기(예: KNN, NaiveBayes, LADTree)에서의 강건성과 높은 정확도를 입증하는 것.

제안 방법

• 입력 이미지에 국소 이진 패턴(LBP)을 적용하여 중심 픽셀 기반 임계값을 사용한 3×3 이웃 영역을 기반으로 텍스처 인코딩된 이미지를 생성한다.
• LBP 출력 결과를 기반으로 8개의 방향성 오프셋(0°부터 157.5°까지)에서 Gray-Level Co-occurrence Matrix(GLCM)를 계산하여 공간적 텍스처 패턴을 포착한다.
• GLCM 출력 결과에 대해 Sobel 필터를 사용하여 에지 검출을 수행하여 구조적 경계와 텍스처 기울기를 추출한다.
• 각 방향의 GLCM 이미지에서 엔트로피, 에너지, 대비, 균일성, 상관관계, 평균, 분산의 7개 통계적 특징을 추출한다.
• 8개의 GLCM 방향 각각에서 추출한 7개 특징을 연결하여 이미지당 총 56차원의 특징 벡터를 구성한다.
• 10겹 교차 검증을 사용하여 생성된 데이터셋에 대해 다수의 분류기(KNN, NaiveBayes, LADTree)를 훈련하고 평가한다.

실험 결과

연구 질문

• RQ1 LBP, GLCM, 에지 검출, 통계적 특징을 통합한 하이브리드 접근 방식이 개별 방법을 초월해 텍스처 분류 정확도를 향상시킬 수 있는가?
• RQ2 실제 석재 텍스처 데이터셋에서 SEGL 프레임워크는 단독 LBP 및 GLCM 방법과 비교해 어떻게 성능을 내는가?
• RQ3 제안된 특징 집합이 다양한 분류기 간에 얼마나 강건하고 일반화 가능한가?
• RQ4 에지 정보의 통합이 석재 분류에서 텍스처 특징의 분류 능력을 향상시키는가?

주요 결과

• SEGL 방법은 화강암, 트라베르틴, 도끼돌 텍스처에서 3-Nearest Neighbor(3NN) 분류기로 93.3%의 분류 정확도를 달성하였다.
• 제안된 방법은 단독 LBP 방법(3NN 기준 88.4% 정확도)과 GLCM 방법(3NN 기준 86.3% 정확도)을 모두 초월하였다.
• NaiveBayes 분류기는 SEGL 특징을 사용하여 92%의 정확도를 기록하여 확률적 모델과의 뛰어난 호환성을 보였다.
• LADTree 분류기는 90%의 정확도를 기록하여 다양한 학습 알고리즘 간 일관된 성능을 보였다.
• SEGL 프레임워크는 방향성 GLCM 통계와 에지 인식 특징을 통합하여 향상된 분류 능력을 가진 56차원의 특징 벡터를 생성하였다.
• 다양한 분류기 간 높은 일반화 능력을 보여주어, 이 방법의 강건성과 다양한 학습 모델에 대한 적응 가능성 확인하였다.