[论文解读] FWLBP: A Scale Invariant Descriptor for Texture Classification

Swalpa Kumar Roy, Nilavra Bhattacharya+3 more|arXiv (Cornell University)|Jan 10, 2018

Image Retrieval and Classification Techniques被引用 7

一句话总结

本文提出了一种分形加权局部二值模式（FWLBP），一种尺度不变的纹理描述子，通过将分形维数（FD）加权整合到局部二值模式（LBP）特征中。通过在高斯尺度空间上利用微分盒计数法计算FD，并使用索引函数将基于FD的权重分配给LBP模式，FWLBP在Outex TC10数据集上实现了高达99.97%的分类准确率，同时保持了低维特征表示，并对旋转、反射和光照变化具有鲁棒性。

ABSTRACT

In this paper we propose a novel texture descriptor called Fractal Weighted Local Binary Pattern (FWLBP). The fractal dimension (FD) measure is relatively invariant to scale-changes, and presents a good correlation with human viewpoint of surface roughness. We have utilized this property to construct a scale-invariant descriptor. Here, the input image is sampled using an augmented form of the local binary pattern (LBP) over three different radii, and then used an indexing operation to assign FD weights to the collected samples. The final histogram of the descriptor has its features calculated using LBP, and its weights computed from the FD image. The proposed descriptor is scale invariant, and is also robust in rotation or reflection, and partially tolerant to noise and illumination changes. In addition, the local fractal dimension is relatively insensitive to the bi-Lipschitz transformations, whereas its extension is adequate to precisely discriminate the fundamental of texture primitives. Experiment results carried out on standard texture databases show that the proposed descriptor achieved better classification rates compared to the state-of-the-art descriptors.

研究动机与目标

• 开发一种对尺度、旋转、反射和光照变化具有鲁棒性的纹理描述子。
• 利用分形维数的尺度不变性以提升纹理表征能力。
• 在保持或提升分类准确率的同时，降低特征维度，相较于最先进方法更具优势。
• 提供一种与数据无关、计算高效的深度学习纹理分类替代方案。

提出的方法

• 构建输入纹理图像的高斯尺度空间表示。
• 在多个尺度上应用微分盒计数（DBC）算法，计算分形维数（FD）图像。
• 使用固定采样大小但可变半径的增强型LBP变体提取局部模式。
• 定义索引函数，将LBP模式映射到对应的FD值以实现加权。
• 通过将FD值作为权重分配给LBP模式的出现次数，计算加权直方图。
• 对最终特征向量进行归一化，形成维度降低的FWLBP描述子（共300维）。

实验结果

研究问题

• RQ1 分形维数能否有效用于加权LBP特征，以实现尺度不变的纹理分类？
• RQ2 将FD与LBP结合是否能在几何和光度变化下提升分类准确率？
• RQ3 所提出的描述子能否在显著低于深度学习模型的特征维度下实现高性能？
• RQ4 FWLBP在准确率和效率方面与最先进LBP变体及深度学习方法相比表现如何？

主要发现

• FWLBP在Outex TC10数据集上实现了99.97%的分类准确率，优于所有对比的基于LBP的方法和深度学习模型。
• 在Outex TC12、KTH-TIPS和CUReT数据集上，FWLBP分别实现了99.96%、99.75%和99.10%的准确率，表现出强大的泛化能力。
• FWLBP的特征维度仅为300维，显著低于深度学习模型（例如FV-CNN为65536维），从而提升了计算效率。
• FWLBP在信噪比低至5 dB的噪声条件下仍保持高性能，显示出对光照和噪声变化的鲁棒性。
• 由于分形维数具有尺度不变性，该描述子对旋转、反射和尺度变化具有鲁棒性。
• FWLBP在准确率上优于最先进的深度学习模型（如FV-CNN、SCATNET和PCANET），同时使用的特征数量远少于这些模型。