الگوهای مشخصه توپولوژیک برای به تشخیص بافت

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

الگوهای مشخصه توپولوژیک برای به تشخیص بافت

عنوان لاتین

Topological Attribute Patterns for texture recognition

چارچوب مدل سازی موثر بافت مبتنی بر الگوهای مشخصه ی توپولوژیک (TAP) با توجه به ویژگی‌‎های مرتبط با توپولوژی محاسبه شده از الگوی باینری محلی (LBP) ارائه شده است. هدف اصلی ما معرفی مکانیزم‌های نگاشت موثر جدید است که برخی از نگاشت های معمول را برای اپراتورهای مبتنی بر LBP در تقسیم بندی بافت مانند الگوهای چرخشی غیرمجاز (ri) ، الگوهای یکنواخت چرخشی غیرمجاز (riu 2) و شمارش باینری محلی (LBC) بهبود می بخشند. مانند آنها، روش پیشنهادی، اجازه ی توصیف تصویر ثابت با چرخش و کنتراست را با استفاده از توصیفگرهای جمع و جورتر، با طرح ریزی الگوهای باینری به یک فضای مشخص کاهش یافته می دهد. با این حال، معنادار بودن و قابلیت تفکیک آن بالاتر است، چراکه شامل اطلاعات اضافی مربوط به مولفه های مرتبط با الگوهای باینری است. نگاشت پیشنهادی، ارزیابی شده و با نگاشت های مختلف دیگر مقایسه شده و اعتبار روش ما تأیید شده است. سپس الگوهای تکامل یافته ی ویژگی های توپولوژیکی (CTAP) که مدل TAP را تعمیم داده و از اطلاعات تکمیلی به منظور افزایش بیشتر قابلیت جداسازی آن بهره گرفته و آن را بر روی داده های مختلف بافت ارزیابی کرده است.

An efficient texture modeling framework based on Topological Attribute Patterns (TAP) is presented con- sidering topology related attributes calculated from Local Binary Patterns (LBP). Our main contribution is to introduce new efficient mapping mechanisms that improve some typical mappings for LBP-based op- erators in texture classification such as rotation invariant patterns ( ri ), rotation invariant uniform patterns ( riu 2), and Local Binary Count (LBC). Like them, the proposed approach allows contrast and rotation in- variant image description using more compact descriptors by projecting binary patterns to a reduced fea- ture space. However, its expressiveness, and then its discrimination capability, is higher, since it includes additional information, related to the connected components of the binary patterns. The proposed map- ping, evaluated and compared with different popular mappings, validates the interest of our approach. We then develop Complemented Patterns of Topological Attributes (CTAP) that generalize TAP model and exploit complemented information to further enhance its discrimination capability, and evaluate it on different texture datasets.