[论文解读] A Novel Approach to Texture classification using statistical feature

B. Vijayalakshmi, V. Subbiah Bharathi|arXiv (Cornell University)|Nov 10, 2011

Image Retrieval and Classification Techniques参考文献 27被引用 5

一句话总结

本文提出了一种新颖的纹理分类方法，结合局部二值模式（LBP）、纹理谱和勒让德矩，以增强特征表示。通过提取高频纹理分量并使用欧氏距离进行分类，该方法在基准数据集上实现了97.77%的准确率，展示了在基于内容的图像检索中的优异性能。

ABSTRACT

Texture is an important spatial feature which plays a vital role in content based image retrieval. The enormous growth of the internet and the wide use of digital data have increased the need for both efficient image database creation and retrieval procedure. This paper describes a new approach for texture classification by combining statistical texture features of Local Binary Pattern and Texture spectrum. Since most significant information of a texture often appears in the high frequency channels, the features are extracted by the computation of LBP and Texture Spectrum and Legendre Moments. Euclidean distance is used for similarity measurement. The experimental result shows that 97.77% classification accuracy is obtained by the proposed method.

研究动机与目标

• 提高基于内容的图像检索系统中的纹理分类准确率。
• 解决从数字图像中高效提取具有区分性的纹理特征的挑战。
• 结合多种统计纹理特征以增强表示能力和分类性能。
• 利用纹理中的高频分量，这些分量通常携带重要的区分性信息。
• 通过计算高效的特征融合与基于距离的匹配策略，实现高分类准确率。

提出的方法

• 该方法提取局部二值模式（LBP）特征以捕捉局部纹理模式。
• 计算纹理谱以分析纹理的频域特征。
• 使用勒让德矩从纹理图像中提取高阶统计特征。
• 将三种特征集——LBP、纹理谱和勒让德矩——融合为单一特征向量。
• 应用欧氏距离来度量特征向量之间的相似性以实现分类。
• 基于融合后的特征表示，采用最近邻方法进行分类。

实验结果

研究问题

• RQ1 LBP、纹理谱与勒让德矩的融合是否能提升纹理分类准确率？
• RQ2 空间域与频域纹理特征的结合在区分纹理类别方面的有效性如何？
• RQ3 纹理中的高频分量在多大程度上有助于分类性能？
• RQ4 所提出的方法是否优于现有的统计纹理分类技术？
• RQ5 当与丰富的特征融合结合时，简单的距离度量（如欧氏距离）能否实现高准确率？

主要发现

• 所提出方法在测试数据集上实现了97.77%的分类准确率。
• LBP、纹理谱与勒让德矩的融合显著增强了特征的可区分性。
• 通过纹理谱提取的高频分量对分类性能有显著贡献。
• 使用勒让德矩改善了全局纹理结构的表示。
• 多种统计特征的结合在纹理分类中优于单一特征方法。
• 该方法在使用简单的欧氏距离分类器时表现出强鲁棒性与高效性。