[论文解读] Fractal and Multi-Scale Fractal Dimension analysis: a comparative study of Bouligand-Minkowski method

André Ricardo Backes, Odemir Martinez Bruno|arXiv (Cornell University)|Jan 16, 2012

Image Retrieval and Classification Techniques参考文献 15被引用 23

一句话总结

本文通过分类形状数据库比较了分形维数（FD）与多尺度分形维数（MFD）在形状分析中的表现。MFD通过Bouligand-Minkowski膨胀计算，并经高斯滤波平滑处理，其在形状区分能力和抗噪性方面优于FD。傅里叶描述子在几乎不损失准确性的前提下降低了MFD曲线的复杂度，从而实现了高效的分类。

ABSTRACT

Shape is one of the most important visual attributes to characterize objects, playing a important role in pattern recognition. There are various approaches to extract relevant information of a shape. An approach widely used in shape analysis is the complexity, and Fractal Dimension and Multi-Scale Fractal Dimension are both well-known methodologies to estimate it. This papers presents a comparative study between Fractal Dimension and Multi-Scale Fractal Dimension in a shape analysis context. Through experimental comparison using a shape database previously classified, both methods are compared. Different parameters configuration of each method are considered and a discussion about the results of each method is also presented.

研究动机与目标

• 评估并比较分形维数与多尺度分形维数在形状分类任务中的性能。
• 研究MFD在形状数据存在噪声和失真时的鲁棒性。
• 评估傅里叶描述子在降低MFD曲线维度的同时保留分类相关特征的有效性。
• 确定FD与MFD方法的最佳参数配置（如膨胀半径、噪声水平等）。
• 通过与传统FD及其傅里叶处理变体的对比，确立MFD作为更优形状特征表示的优越性。

提出的方法

• 通过使用半径为r的圆盘对形状进行膨胀，利用Bouligand-Minkowski方法计算分形维数，通过影响区域A(r)与r的对数坐标斜率估计D值。
• 将多尺度分形维数（MFD）定义为Bouligand-Minkowski曲线的导数，反映复杂度在不同尺度下的变化。
• 对MFD曲线应用高斯低通滤波器，以抑制高频噪声，提升对图像失真的鲁棒性。
• 利用傅里叶分析从MFD曲线中提取描述子，显著减少特征数量，同时保留主要形状特征。
• 通过欧氏距离分析确定最优傅里叶描述子数量（50个），以最小化重建误差。
• 分别使用原始MFD曲线及其傅里叶处理版本进行形状分类，比较不同噪声水平和膨胀半径下的分类成功率。

实验结果

研究问题

• RQ1 在分类形状数据库中，多尺度分形维数（MFD）与传统分形维数（FD）在形状区分能力方面有何差异？
• RQ2 噪声对MFD与FD分类性能的影响如何？MFD是否表现出更强的抗噪能力？
• RQ3 为在降低计算成本的同时保留MFD曲线的判别能力，需要多少个傅里叶描述子？
• RQ4 在何种膨胀半径下，基于MFD的分类性能达到最优？
• RQ5 使用高斯低通滤波器对MFD曲线进行滤波，是否能显著提升在噪声条件下的分类准确率？

主要发现

• 在所有测试配置下，多尺度分形维数（MFD）的分类成功率均高于传统分形维数（FD）。
• MFD表现出较强的抗噪能力，在中等噪声水平（2级和3级）时达到峰值性能，而在高噪声水平下性能显著下降。
• 使用傅里叶描述子可大幅减少MFD描述子数量，同时仅造成分类成功率的微小损失，尤其在膨胀半径r ≥ 50时表现更优。
• 当使用50个描述子时，原始MFD曲线与其傅里叶处理版本之间的欧氏距离趋于稳定，表明前50个分量已捕获了大部分判别性信息。
• 经高斯滤波的MFD曲线能有效抑制高频噪声，提升分类鲁棒性，尤其在中等失真条件下效果显著。
• 当r ≥ 50时，结合傅里叶描述子的MFD曲线可维持接近最优的分类性能，证实其在高效形状分类中的适用性。