view in publisher's site

Texture image Classification based on improved local Quinary patterns

Texture image classification is an active research topic in computer vision that play an important role in many applications such as visual inspection systems, object tracking, medical image analysis, image segmentation, etc. So far, there are many descriptors for texture image analysis such as local binary patterns (LBP). LBP is a nonparametric operator, which describes the local spatial structure and the local contrast of an image. Local quinary patterns (LQP) is one of the improved versions of LBP in terms of classification accuracy. Statistic input parameters and don’t providing significant binary patterns are some disadvantages of LQP. In this paper a new version of LBP is proposed, which is known as improved local quinary patterns (ILQP). In this paper, a new definition is proposed to divide local quinary codes to four binary patterns. Each extracted binary patterns represent a subset of local features. Also, a new algorithm is proposed here to provide dynamic thresholds in dividing process of LQP. The proposed approach is evaluated using Outex, and Brodatz data sets. Our approach has been compared with some state-of-the-art methods. It is experimentally demonstrated that the proposed approach achieves the highest accuracy in comparison with most of the state-of-the-art texture classification approaches. Low computational complexity, rotation invariant, low impulse-noise sensitivity and high usability are advantages of the proposed texture analysis descriptor.

طبقه‌بندی تصویر بافت براساس بهبود الگوهای محلی بهبود یافته

طبقه‌بندی تصویر بافت یک موضوع تحقیق فعال در بینایی کامپیوتری است که نقش مهمی در بسیاری از کاربردها مانند سیستم‌های بازرسی دیداری، ردیابی اشیا، آنالیز تصویر پزشکی، بخش‌بندی تصویر و غیره ایفا می‌کند. LBP یک عملگر nonparametric است که ساختار فضایی محلی و کنتراست موضعی یک تصویر را توصیف می‌کند. الگوهای quinary محلی (LQP)یکی از نسخه‌های اصلاح‌شده of از نظر صحت طبقه‌بندی است. پارامترهای ورودی Statistic و عدم ارائه الگوهای باینری قابل‌توجه، برخی از معایب LQP هستند. در این مقاله نسخه جدیدی از LBP پیشنهاد شده‌است، که به عنوان الگوهای محلی بهبود دهنده محلی شناخته می‌شود (ILQP). در این مقاله، یک تعریف جدید برای تقسیم کده‌ای quinary محلی به چهار الگوی باینری ارایه شده‌است. هر الگوی باینری استخراج‌شده، مجموعه‌ای از ویژگی‌های محلی را نشان می‌دهد. همچنین، یک الگوریتم جدید برای ارایه آستانه پویا در تفکیک فرآیند of پیشنهاد شده‌است. روش پیشنهادی بااستفاده از مجموعه داده‌های outex و brodatz ارزیابی می‌شود. رویکرد ما با برخی از روش‌های هنری مقایسه شده‌است. به طور تجربی نشان‌داده شده‌است که روش پیشنهادی بالاترین دقت را در مقایسه با بسیاری از روش‌های طبقه‌بندی بافت هنری دارد. پیچیدگی محاسباتی کم، نامتغیر دوران، حساسیت پایین نویز و قابلیت استفاده بالا مزایای روش‌های تحلیل بافت پیشنهادی هستند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.