الگوهای باینری میانگین تطبیقی برای طبقه بندی بافت

قیمت: 42,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

الگوهای باینری میانگین تطبیقی برای طبقه بندی بافت

عنوان لاتین

Adaptive Median Binary Patterns for Texture Classification

این مقاله به مسئله چالشی تشخیص و طبقه بندی سطوح بافت تحت تغییرات نور، تبدیلات هندسی و اندازه گیری های سنسور نویزی می پردازد. ما یک عملگر بافتی جدید، الگوهای باینری میانگین تطبیقی (AMBP) پیشنهاد دادیم که ویژگی بافت الگوهای باینری میانگین (MBP) قبلی ما را توسعه می دهد. ایده اصلی AMBP ترکیب تکه های تصویر محلی کوچک به داخل بافت الگوی باینری با ترکیب MBP و عملگرهای الگوهای باینری محلی (LBP) ترکیب شده با استفاده از سایزهای پنجره تحلیل خود تطبیق است که اطلاعات میکروسکوپی بافت های ثابت را بهتر می گیرد درحالی که قدرتی برای نویز ارائه می دهد. طرح AMBP به عنوان یک مکانیزم موثر برای یادگیری غیر پارامتریک فضایی متفاوت از آمار بافت تصویر نشان داده شده است. توزیع محلی چرخش ثابت و یکنواخت زیرمجموعه های الگوی باینری توسعه داده شده با اطلاعات مفصل سراسری به عنوان توصیف برای طبقه بندی بافت قوی استفاده شده است. AMBP نشان داده شده که بهتر از الگوی باینری اخیر و متدهای تحلیل بافت مبتنی بر فیلتر روی دو بدنه بافت بزرگ (CUReT و KTH TIPS2-b) با و بدون نویز اضافی انجام می شود. متد AMBP اندکی بالاتر از بهترین تکنیک ها در مورد بدون نویز است اما به طور قابل توجه بهتر از متدهای دیگر در حضور نویز است.

This paper addresses the challenging problem of recognition and classification of textured surfaces under illumination variation, geometric transformations and noisy sensor measurements. We propose a new texture operator, Adaptive Median Binary Patterns (AMBP) that extends our previous Median Binary Patterns (MBP) texture feature. The principal idea of AMBP is to hash small local image patches into a binary pattern texton by fusing MBP and Local Binary Patterns (LBP) operators combined with using self-adaptive analysis window sizes to better capture invariant microstructure information while providing robustness to noise. The AMBP scheme is shown to be an effective mechanism for non-parametric learning of spatially varying image texture statistics. The local distribution of rotation invariant and uniform binary pattern subsets extended with more global joint information are used as the descriptors for robust texture classification. The AMBP is shown to outperform recent binary pattern and filtering-based texture analysis methods on two large texture corpora (CUReT and KTH TIPS2-b) with and without additive noise. The AMBP method is slightly superior to the best techniques in the noiseless case but significantly outperforms other methods in the presence of impulse noise