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.