[论文解读] Texture Classification Approach Based on Combination of Edge & Co-occurrence and Local Binary Pattern

Shervan Fekri Ershad|arXiv (Cornell University)|Mar 21, 2012

Image Retrieval and Classification Techniques参考文献 10被引用 33

一句话总结

本文提出SEGL，一种结合局部二值模式（LBP）、灰度共生矩阵（GLCM）、边缘检测和统计特征提取的新型纹理分类方法。该方法在八个方向上对输入图像应用LBP和GLCM，采用Sobel边缘检测，并为每个方向计算七种统计特征，形成56维特征向量。在花岗岩、石灰华和斧石纹理数据集上，使用3-NN分类器时，该方法达到93.3%的准确率，优于单独使用LBP和GLCM的方法。

ABSTRACT

Texture classification is one of the problems which has been paid much attention on by computer scientists since late 90s. If texture classification is done correctly and accurately, it can be used in many cases such as Pattern recognition, object tracking, and shape recognition. So far, there have been so many methods offered to solve this problem. Near all these methods have tried to extract and define features to separate different labels of textures really well. This article has offered an approach which has an overall process on the images of textures based on Local binary pattern and Gray Level Co-occurrence matrix and then by edge detection, and finally, extracting the statistical features from the images would classify them. Although, this approach is a general one and is could be used in different applications, the method has been tested on the stone texture and the results have been compared with some of the previous approaches to prove the quality of proposed approach.

研究动机与目标

• 开发一种适用于多种应用场景的通用纹理分类框架。
• 通过整合多种纹理描述符（LBP、GLCM和边缘特征）提升分类准确率。
• 在真实世界石材纹理数据集上评估所提方法，并与现有的基于LBP和GLCM的方法进行比较。
• 展示该方法在多种分类器（如KNN、NaiveBayes、LADTree）上的鲁棒性和高准确率。

提出的方法

• 对输入图像应用局部二值模式（LBP），使用3×3邻域和基于中心像素的阈值化方法生成纹理编码图像。
• 在八个方向偏移（0°至157.5°）上对LBP输出计算灰度共生矩阵（GLCM），以捕捉空间纹理模式。
• 使用Sobel滤波器对GLCM输出执行边缘检测，以提取结构边界和纹理梯度。
• 从每个方向的每个GLCM图像中提取七种统计特征——熵、能量、对比度、同质性、相关性、均值和方差。
• 通过连接八个GLCM方向中每个方向的七项特征，构建每张图像的56维特征向量。
• 使用10折交叉验证，在所得数据集上训练并评估多种分类器（KNN、NaiveBayes、LADTree）。

实验结果

研究问题

• RQ1 结合LBP、GLCM、边缘检测和统计特征的混合方法是否能将纹理分类准确率提升至超过单一方法的水平？
• RQ2 SEGL框架在真实石材纹理数据集上与独立的LBP和GLCM方法相比表现如何？
• RQ3 所提出的特征集在不同分类器上的鲁棒性和泛化能力如何？
• RQ4 边缘信息的整合是否增强了纹理特征在石材分类中的判别能力？

主要发现

• SEGL方法在花岗岩、石灰华和斧石纹理上使用3-近邻（3NN）分类器实现了93.3%的分类准确率。
• 所提方法优于独立的LBP方法（3NN下准确率为88.4%）和GLCM方法（3NN下准确率为86.3%）。
• NaiveBayes分类器使用SEGL特征实现了92%的准确率，表明其与概率模型具有良好的兼容性。
• LADTree分类器实现了90%的准确率，表明其在不同学习算法中均表现出一致性能。
• SEGL框架为每张图像生成56维特征向量，结合了方向性GLCM统计特征和边缘感知特征，提升了判别能力。
• 该方法在多种分类器上表现出高度泛化能力，证实了其鲁棒性及对不同学习模型的适应性。