The Journal of Korea Institute of Information, Electronics, and Communication Technology (한국정보전자통신기술학회논문지)

Korea Information Electronic Communication Technology (한국정보전자통신기술학회)
권호 표지
DOI QR코드

DOI QR Code

Texture Descriptor Using Correlation of Quantized Pixel Values on Intensity Range

화소값의 구간별 양자화 값 상관관계를 이용한 텍스춰 기술자

  • Pok, Gouchol (Division of Computer and IT Education, Pai Chai University)
  • Received : 2018.05.02
  • Accepted : 2018.06.11
  • Published : 2018.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

Texture is one of the most useful features in classifying and segmenting images. The LBP-based approach previously presented in the literature has been successful in many applications. However, it's theoretical foundation is based only on the difference of pixel values, and consequently it has a number of drawbacks like it performs poorly for the images corrupted with noise, and especially it cannot be used as a multiscale texture descriptor due to the exploding increase of feature vector dimension with increase of the number of neighbor pixels. In this paper, we present a method to address these drawbacks of LBP-based approach. More specifically, our approach quantizes the range of pixels values and construct a 3D histogram which captures the correlative information of pixels. This histogram is used as a texture feature. Several tests with texture images show that the proposed method outperforms the LBP-based approach in the problem of texture classification.

텍스춰는 영상을 분류하거나 분할하는데 사용되는 유용한 특징이다. 기존에 제안되었던 LBP는 텍스춰 영상의 지역적인 특징을 간단한 연산을 통해 성공적으로 추출하는 기법으로서 많은 응용 분야에서 높은 성능을 보인 것으로 확인되었지만 오직 화소값의 차이만을 토대로 특징을 기술하기 때문에 잡음에 약하고 특히 이웃화소의 수가 증가함에 따라 특징벡터의 차원이 기하급수적으로 증가하는 문제점으로 인해 멀티스테일 텍스춰 기술자로서 사용하기에는 제약이 크다. 본 논문은 이런 LBP의 단점을 극복하기 위하여 화소값의 범위를 구간별로 양자화하여 양자화영상의 화소값의 상관관계를 3차원 히스토그램으로 표현하는 기법을 제시한다. 이와 같이 3차원 히스토그램을 이용하여 화소값 사이의 상관 관계를 추출하면 특징벡터의 차원이 선형적으로 증가하는 특성을 가지므로 멀티스케일 텍스춰 기술자로 다양하게 응용될 수 있다. 제안하는 방법을 텍스춰 실험영상을 통해 실험한 결과 텍스춰를 분류하는 문제에 있어서 LBP와 비교하여 유의 수준의 성능의 향상을 확인하였다.

Keywords

References

  1. W. Zhou, H. Li, Q. Tian, "Recent Advance in Content-based Image Retrieval: A Literature Survey", arXiv:1706.06064 [cs.MM], 2017.
  2. O. K. OyedotunEmail, A. Khashman, "Document segmentation using textural features summarization and feedforward neural network", Applied Intelligence, 45(1), pp. 198-212, 2016. https://doi.org/10.1007/s10489-015-0753-z
  3. X. Tan, B. Triggs, "Enhanced local texture feature sets for face recognition under difficult lighting conditions", IEEE transactions on image processing, 19(6), pp.1635-50, 2010. https://doi.org/10.1109/TIP.2010.2042645
  4. A. Sengur, Y. Guo, "Color texture image segmentation based on neutrosophic set and wavelet transformation", Computer Vision and Image Understanding, 115(8), pp.1134-1144. 2011. https://doi.org/10.1016/j.cviu.2011.04.001
  5. R. M. Haralick, "Statistical and Structural Approaches to Texture", Proc. of IEEE, vol. 67, pp. 786-804, 1979.
  6. R. Porter, N. Canagarajah, "Robust rotation-invariant texture classification: wavelet, Gabor filter and GMRF based schemes", IEE Proc-Vision, Image and Signal Proc, 144(3), pp. 180-188, 1997. https://doi.org/10.1049/ip-vis:19971182
  7. Z. Guo, L. Zhang, D. Zhang, "A completed modeling of local binary pattern operator for texture classification", IEEE Trans Image Processing, 19(6), pp. 1657-1663, 2010. https://doi.org/10.1109/TIP.2010.2044957
  8. The Brodatz Text Database, http://www.ux.uis.no/-tranden/brodatz.html
  9. The KTH-TIPS Texture Database, http://www.nada.kth.se/cvap/databases/kth-tips/
  10. Weka 3: Data Mining Software in Java, https://www.cs.waikato.ac.nz/ml/weka/.