[论文解读] Innovative Texture Database Collecting Approach and Feature Extraction Method based on Combination of Gray Tone Difference Matrixes, Local Binary Patterns,and K-means Clustering

Shervan Fekri-Ershad|arXiv (Cornell University)|Mar 12, 2018

Image Retrieval and Classification Techniques参考文献 13被引用 5

一句话总结

本文提出了一种新颖的纹理数据库构建方法，结合灰度差异矩阵（GTDM）、局部二值模式（LBP）和K均值聚类，以创建更具区分性的纹理数据库。通过整合GTDM和LBP进行特征提取，并利用K均值聚类对图像进行聚类与选择，从而提升纹理分类准确率，相较于Brodatz和Outex等标准数据库，本方法在Fisher得分和分类性能方面表现更优。

ABSTRACT

Texture analysis and classification are some of the problems which have been paid much attention by image processing scientists since late 80s. If texture analysis is done accurately, it can be used in many cases such as object tracking, visual pattern recognition, and face recognition.Since now, so many methods are offered to solve this problem. Against their technical differences, all of them used same popular databases to evaluate their performance such asBrodatz or Outex, which may be made their performance biased on these databases. In this paper, an approach is proposed to collect more efficient databases of texture images. The proposed approach is included two stages. The first one is developing feature representation based on gray tone difference matrixes and local binary patterns features and the next one is consisted an innovative algorithm which is based on K-means clustering to collect images based on evaluated features. In order to evaluate the performance of the proposed approach, a texture database is collected and fisher rate is computed for collected one and well known databases. Also, texture classification is evaluated based on offered feature extraction and the accuracy is compared by some state of the art texture classification methods.

研究动机与目标

• 为解决依赖Brodatz和Outex等标准数据库所导致的纹理分类性能评估偏差问题。
• 通过先进特征提取与聚类技术，构建更具代表性与多样性的纹理数据库。
• 通过结合GTDM与LBP的混合特征表示方法，提升纹理分类准确率。
• 利用Fisher得分与分类准确率对所提方法进行评估，并与最先进技术进行对比。

提出的方法

• 通过结合灰度差异矩阵（GTDM）与局部二值模式（LBP）构建特征表示，以同时捕捉强度变化与局部纹理模式。
• 提出一种基于聚类的图像选择算法，利用提取特征上的K均值聚类，识别并收集具有多样性与高实用性的纹理图像。
• K均值算法对纹理特征进行分组，以确保覆盖不同的纹理类别，并减少所收集数据库中的冗余。
• 通过Fisher得分评估特征的可分性，以验证所选特征的有效性。
• 使用标准纹理分类基准测试分类性能，并与最先进方法进行比较。
• 该方法强调数据库多样性与特征可分性，以减少纹理分析中评估偏差。

实验结果

研究问题

• RQ1 结合GTDM与LBP的混合特征表示是否能提升纹理特征的可分性？
• RQ2 在提取特征上应用K均值聚类是否能构建出更具多样性与代表性的纹理数据库？
• RQ3 与Brodatz和Outex等标准数据库相比，所提出的数据库在Fisher得分与分类准确率方面表现如何？
• RQ4 所提方法在多大程度上减少了纹理分类评估中的性能偏差？

主要发现

• 与Brodatz和Outex等标准数据库相比，所提方法在所收集的纹理数据库上获得了更高的Fisher得分。
• 使用所提特征提取方法的纹理分类准确率优于多种最先进纹理分类技术。
• 基于K均值的图像选择过程成功降低了冗余性，并增强了所收集纹理数据库的多样性。
• GTDM与LBP特征的结合在纹理表示方面展现出更优的可分性。