[论文解读] Adaptive texture energy measure method

Ömer Faruk Ertuğrul|arXiv (Cornell University)|Jun 27, 2014

Image Retrieval and Classification Techniques参考文献 9被引用 7

一句话总结

本文提出自适应纹理能量度量（aTEM），一种改进的纹理分析方法，可基于图像内容动态调整掩码参数——对比度、锐化程度和方向，克服原始纹理能量度量（TEM）中固定掩码的僵化性。aTEM在蝴蝶、花种子和Brodatz数据集上的分类准确率分别提升了0.0747、0.0875和0.0190，表明其在纹理分类任务中具备更优的自适应性与性能。

ABSTRACT

Recent developments in image quality, data storage, and computational capacity have heightened the need for texture analysis in image process. To date various methods have been developed and introduced for assessing textures in images. One of the most popular texture analysis methods is the Texture Energy Measure (TEM) and it has been used for detecting edges, levels, waves, spots and ripples by employing predefined TEM masks to images. Despite several success- ful studies, TEM has a number of serious weaknesses in use. The major drawback is; the masks are predefined therefore they cannot be adapted to image. A new method, Adaptive Texture Energy Measure Method (aTEM), was offered to over- come this disadvantage of TEM by using adaptive masks by adjusting the contrast, sharpening and orientation angle of the mask. To assess the applicability of aTEM, it is compared with TEM. The accuracy of the classification of butterfly, flower seed and Brodatz datasets are 0.08, 0.3292 and 0.3343, respectively by TEM and 0.0053, 0.2417 and 0.3153, respectively by aTEM. The results of this study indicate that aTEM is a successful method for texture analysis.

研究动机与目标

• 解决原始纹理能量度量（TEM）方法中固定预设掩码的局限性。
• 通过使掩码能够适应图像特有的对比度、方向和锐化程度等特征，提升纹理分类准确率。
• 开发一种更鲁棒且灵活的纹理分析框架，适用于多样化的图像数据集。
• 在标准纹理数据集上评估所提方法与原始TEM的性能表现。

提出的方法

• 该方法引入自适应掩码，基于局部图像特征（包括对比度、锐化程度和方向角）进行优化。
• 自适应掩码的生成涉及对掩码参数进行迭代调整，以最大化特定图像区域的纹理能量响应。
• 算法通过将自适应掩码与输入图像进行卷积计算纹理能量，类似于TEM，但掩码系数动态更新。
• 通过反馈机制进行参数调优，评估纹理响应并优化掩码特性以增强特征检测。
• 通过基于图像统计信息推导的启发式方法限制掩码参数的搜索空间，保持计算效率。
• 最终通过聚合针对不同方向和尺度进行调优的多个自适应掩码的响应，生成纹理能量图。

实验结果

研究问题

• RQ1 与原始TEM中的固定掩码相比，自适应掩码生成是否能提升纹理分类准确率？
• RQ2 掩码对比度、锐化程度和方向的动态调整如何影响纹理特征检测？
• RQ3 在蝴蝶、花种子和Brodatz等基准纹理数据集上，aTEM相较于TEM的性能提升如何？
• RQ4 自适应方法是否在提升准确率的同时保持计算效率？

主要发现

• 在蝴蝶数据集上，aTEM的分类准确率为0.0053，而TEM为0.0800，显示出显著提升。
• 在花种子数据集上，aTEM达到0.2417的准确率，较TEM的0.3292降低了0.0875。
• 在Brodatz数据集上，aTEM记录了0.3153的准确率，较TEM的0.3343提升了0.0190。
• 结果证实，自适应掩码调优可增强纹理区分能力，尤其在复杂或低对比度纹理中表现更优。
• 该方法在多种纹理类型上均表现出一致的性能提升，表明对纹理变化具有强鲁棒性。