CBIR: Content Based Image Retrieval

روش های دسته بندی بافت

دو  مسئله  اساسی  مرتبط  با  تصاویر  بافتی  عبارت  اند  از:

الف  -  طبقه  بندی  بافت 

ب-  قطعه  بندی  بافت 

 

هرکدام  از  این  مسائل  کاربردهای  مهمی  در  پردازش  تصاویر  دارند  که  ازجمله  مهم  ترین  آن  ها  آشکارسازی  عیوب  بافتی  [1]  می  باشد

روش  های  مختلف  استخراج  ویژگی  از  بافت  به  پنج  دسته  اصلی  تقسیم  شده  است  که  عبارتند  از:

الف  -  روش  های  آماری

ب-  روش  های  هندسی

ج-  روش  های  مبتنی  بر  مدل

ه-  روش  های  مبتنی  بر  پردازش  فرکانس 

ح-  روش  های  ساختاری

 

 البته  در  برخی  موارد  روش  های  هندسی  را  زیرمجموعه  روش  های  ساختاری  معرفی  می  کنند  که  روش  های  آماری  بیشترین  کاربرد  را  دارند 

ازجمله  روش  های  مهم  و  قدیمی  آماری  برای  استخراج  ویژگی  روش  ماتریس  همرخدادی  و  الگوی  دودویی  محلی  است.  روشهای  خودهمبستگی  و  مبتنی  بر  مدل  مارکف  نیز  از  جمله  روش  های  مبتنی  بر  مدل  است.  ویژگیهای  حاصل  از  عملگرهای  ریخت  شناسی  و  تکستون  ازجمله  موارد  مبتنی  بر  ساختار  است.  تبدیل  فوریه،  فیلترهای  گابور،  تبدیل  موجک  نیز  روش  هایی  است  که  از  پردازش  فرکانسی  برای  استخراج  ویژگی  استفاده  می  کنند.  برخی  ویژگیهای  آماری  مرتبه  اول  و  دوم  از  اولین  ویژگی  هایی  هستند  که  برای  آنالیز  بافت  تصویر  استفاده  میشوند.

اریواژگان  و  همکاران  [2]،  از  اعمال  ماتریس  وقوع  همرخدادی  بر  زیر  باندهای  حاصل  از  تبدیل  موجک  به  منظور  استخراج  ویژگی  و  طبقه  بندی  بافت  استفاده  نموده  اند.  هیرمس  و  همکاران  [3]نیز  از  اعمال  ماتریس  وقوع  همرخدادی  بر  تبدیل  موجک  درختی  استفاده  نموده  اند.  رامانا  و  همکاران  [4]،  میدان  تصادفی  مارکوف  گاوسی  را  بر  خروجی  حاصل  از  تبدیل  موجک  اعمال  نموده  اند  و  از  ویژگیهای  حاصل  از  این  عملگر  استفاده  کردهاند.  کومار  و  همکاران  [5]،  از  ترکیب  عملگرهای  آماری  و  ریخت  شناسی  بر  روی  خروجی  تبدیل  فوریه  تصویر،  برای  استخراج  ویژگی  و  قطعه  بندی  بافت  تصویر  استفاده  نموده  اند

معیارهای  مختلفی  در  مقالات  مختلف  [6]بعنوان  معیار  ارزیابی  طبقه  بندی  و  معیار  فاصله  در  قطعه  بندی  بافت  استفاده  شده  است

که مشهورترین آنها ۳ معیار مقایسه هیستوگرام است که عبارتند از  :

  معیار شباهت لگاریتمی

  معیار شباهت اشتراک هیستوگرام

  معیار فاصله مربع  کای

 


 

 

 

منابع

 

[1] F  Tajeripour,  E  Kabir,  A  Sheikhi,  Fabric  defect  detection  using  modified  local  binary  patterns,EURASIP  Journal  on  Advances  in  Signal  Processing  8,1-12(2008).


[2] S.  Arivazhagan،  L.  Ganesan،  texture  classification  using  wavelet  transform،  Pattern  Recognition  Letters،  vol.  24،pp.  1513-1521،  2003.


[3] P.S.  Hiremath،  S.  Shivashankar،  Texture  classification  using  wavelet  packet  decomposition،  GVIP  journal،vol.  6،Issue.  2


[4] B.V.  Ramana  Reddy،  M.  Radhika  Mani،  K.V.  Subbaivah،  Texture  classification  method  using  wavelet  transform  based  on  Gaussian  Markov  random  field،”International  Journal  of  signal  and  Image  processing،  vol.1،  Issue.  1،  pp.  35-39،  2010.


[5] V.  Vijaya  Kumar،  U.S.N.  Raju،  M.  Radhika  Mani  and  A.L.  Narasimha  Rao،  Wavelet  based  texture  segmentation  methods  based  on  combinatorial  of  morphological  and  statistical  operations،  International  Journal  of  computer  science  and  network  security،  vol.  8،  no.  8،  pp.  176-181،  2008.


[6] T.  Ojala،  M.  Pietikäinen  and  T.  Mäenpää،Multiresolution  gray-scale  and  rotation  invariant  texture  classification  with  local  binary  patterns،    IEEE  Transactions  on  Pattern  Analysis  and  Machine  Intelligence،  vol.  24،  no.  7،  pp.  971–987،  2002.

نظرات (0)
امکان ثبت نظر جدید برای این مطلب وجود ندارد.