• صفحه اصلی
  • تغییرات جدید الگوی دودویی محلی و طبقه بندی و قسمت بندی تصاویر بافتی بستر دریا

اشتراک گذاری

آدرس مقاله


کد مقاله : 202005071626 بازدید : 10316 صفحه: 1 - 20

نوع مقاله: پژوهشی

تغییرات جدید الگوی دودویی محلی و طبقه بندی و قسمت بندی تصاویر بافتی بستر دریا

محورهای موضوعی : هوش مصنوعی و رباتیک

بابک گودرزی 1 * , رضا جاویدان 2 , محمد جواد دهقانی 3

1 - مدرس
2 -
3 - هیات علمی

تاریخ دریافت : 1393/09/14 تاریخ انتشار : 1398/08/17

کلید واژه: الگوی دودویی محلی, طبقه بندی, قسمت بندی, بستر دریا, تصاویر بافتی آکوستیکی.,

چکیده مقاله :

تحلیل بافت نقش مهمی را در پردازش تصویر ایفا می کند. با توجه به ظاهر فوق العاده بافتی تصاویر سونار، تکنیک های تحلیل بافت یک انتخاب مناسب برای تحلیل تصاویر آکوستیکی دریا هستند. اپراتور الگوی دودویی محلی یک توصیفگر بسیار موثر و چند رزولوشنی بافت است. این توصیفگر، اطلاعات مناسب را از تغییر روشنایی و حالات تصویر بدست می آورد. با اینکه توسعه های زیادی از الگوی دودویی محلی ارائه شده است اما اپراتورهای الگوهای دودویی محلی موجود نسبت به نویز حساسند. همچنین گاهی اوقات منجر به توصیف الگوهای مختلف ساختاری با کد دودویی همگون می شوند که به ناچار قابلیت تمایز خود را کاهش می دهند. این تحقیق یک بررسی اجمالی پیرامون روش الگوی دودویی محلی را ارائه نموده که شامل چندین مورد از متغیرهای جدیدتر است. سپس برای غلبه بر ناکارآمدی های انواع الگوهای دودویی محلی، یک چارچوب قوی از الگوی دودویی بنام الگوی دودویی محلی تکمیل شده مقاوم ارائه شده که ارزش هر پیکسل مرکزی با میانگین مقادیر شدت خاکستری خانه ها از یک مربع سه در سه جایگزین می گردد. روش ارائه شده یک ابزار سریع با دقت بالا در طبقه بندی تصاویر بستر دریاست که مقایسه نتایج شبیه سازی با دیگر روش های مشهور، نشاندهنده کارآیی الگوریتم ارائه شده است.

چکیده انگلیسی:

Texture analysis plays an important role in image processing. Considering the extraordinary appearance texture sonar images, texture analysis are good choices for analysis of acoustic seabed images. Local binary pattern (LBP) operator is a very efficient and multi-resolution texture descriptor. It acquires appropriate information from the illumination and moods of images. Despite many developing of the LBP have proposed, but they are sensitive to noise. Also sometimes they lead to describe different structural patterns with same binary codes, which would reduce their ability to differentiate. This paper proposes an overview in provided LBP methods which includes several of the newer ones. Then it proposes a robust framework of binary pattern as completed robust LBP to overcome the inefficiency of all types of LBP which the value of the central pixel replace whit average value of intensity values of 3*3 square adjacent. Proposed approach is a quick tool with high accuracy in the classification of the seabed images. The comparison of simulation results with other known methods indicates the effectiveness of the proposed algorithm.

منابع و مأخذ:


متن کامل:


 

فصلنامه علمي- پژوهشي  

فناوري اطلاعات و ارتباطات ایران

سال هشتم، شماره‌هاي 27 و 28، بهار و تابستان 1395

صص: 1- 20 

E:\E Drive\logo\iicta Logo0.JPG 

 

تغییرات جدید الگوی دودویی محلی و طبقه­بندی و قسمت­بندی تصاویر بافتی بستر دریا

 

*بابک گودرزی              ** رضا جاویدان                 *** محمد جواد دهقانی

*کارشناسی­ارشد، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شیراز، ايران

** دانشیار دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شیراز، ايران

*** دانشیار دانشکده مهندسی برق و الکترونیک، دانشگاه صنعتی شیراز، ايران

تاریخ دریافت: 14/09/93                          تاریخ پذیرش:06/07/96

 

چکیده

 تحلیل بافت نقش مهمی را در پردازش تصویر ایفا می­کند. با توجه به ظاهر فوق­العاده بافتی تصاویر سونار، روش­های تحلیل بافت یک انتخاب مناسب برای تحلیل تصاویر آکوستیکی دریا هستند. اپراتور الگوی دودویی محلی یک توصیف­گر بسیار موثر و چند رزولوشنی بافت است. این توصیف­گر، اطلاعات مناسب را از تغییر روشنایی و حالات تصویر بدست می­آورد. با اینکه توسعه­های زیادی از الگوی دودویی محلی ارائه شده است اما اپراتورهای الگوهای دودویی محلی موجود نسبت به نویز حساسند. همچنین گاهی اوقات منجر به توصیف الگوهای مختلف ساختاری با کد دودویی همگون می­شوند که به ناچار قابلیت تمایز خود را کاهش می­دهند. این تحقیق یک بررسی اجمالی پیرامون روش الگوی دودویی محلی را ارائه نموده که شامل چندین مورد از متغیرهای جدیدتر است. سپس برای غلبه بر ناکارآمدی­های انواع الگوهای دودویی محلی، یک چارچوب قوی از الگوی دودویی بنام الگوی دودویی محلی تکمیل شده مقاوم ارائه شده که ارزش هر پیکسل مرکزی با میانگین مقادیر شدت خاکستری خانه­ها از یک مربع سه در سه جایگزین می­گردد. روش ارائه شده یک ابزار سریع با دقت بالا در طبقه­بندی تصاویر بستر دریاست که مقایسه نتایج شبیه­سازی با دیگر روش­های مشهور، نشان­دهنده کارآیی الگوریتم ارائه شده است.

واژه­های کلیدی: الگوی دودویی محلی، طبقه­بندی، قسمت­بندی، بستر دریا، تصاویر بافتی آکوستیکی.

 

1.مقدمه

نیاز به طبقه­بندی1 و مدیریت دقیق منابع در علوم مختلف از جمله زمین­شناسی و بستر دریا هم احساس شده است.
دانش­برداری از بستر دریا نقش مهمی در درک محیط زیر آب از جمله بررسی­های زمین­شناسی، اکتشاف ژئوفیزیک، مهندسی اقیانوس (وسایل نقلیه زیر آب، نظارت بر خطوط لوله و کابل و...)، شبیه­سازی انتشار صدا، برآورد پارامترهای فیزیکی، ناوبری،
اندازه­گیری مواد منفجره ضد معدن، ارتباطات داده­ها و طبقه­بندی 

 

نویسنده عهده­دار مکاتبات: بابک گودرزی BabakGoudarzi2010@gmail.com

اشیاء در کف دریا دارد. از سوی دیگر، روش­های کاشف زیردریایی با رزولوشن2 بالا و سنسورهای نوری، نقش مهمی را در سنجش زیر آب برای تقسیم­بندی های3 سنجشی و طبقه­بندی بستر دریا  دارند]1[.

در سالیان اخیر نمونه­های خاصی از روش­های سونار4 مانند
روش­های خودکار تمایزی اکوستیکی RoxAnn و QTC-View توسعه یافته­اند]2[. با این وجود، نتایج متفاوتی برای مناطق یکسان ارائه می­دهد. همچنین تعدادی از این روش­ها حساس به نویزند. علاوه بر این، گاهی اوقات برچسب­گذاری علائم آکوستیکی5 بستر دریا با یک روش طبقه­بندی خاص، ممکن است لزوما مشابه با علائم زمین­شناسی نباشد. بنابراین، اغلب روش­های جاری طبقه­بندی بستر آکوستیکی، اساسا ابزارهایی تجربیند. پس، توسعه روش­های تمایزی آکوستیکی زمین هنوز مورد علاقه محققان است]3[.

با توجه به ظاهر فوق­العاده بافتی6 تصاویر سونار، فنون تحلیل بافت در واقع یک انتخاب مناسب برای تصاویر آکوستیکی بستر دریا هستند. اخیرا، محققین برمدل­های بافت فضایی چند وضوحی7 و چند مقیاسی از جمله فیلتر گابور8 و تبدیلات موجکی9 تمرکز کرده­اند ]4و5[. در ]3و6[ نیز، یک روش ادغامی جدید بر اساس تبدیلات استاندارد موجکی و منطق فازی به عنوان پوششی برای طبقه­بندی و بخش­بندی تصاویر بافتی بستر دریا ارائه شده است. همچنین آنان یک الگوریتم تقسیم و ادغام اصلاح شده بر بر پایه محتوای تبدیلات کانتورلت زیرنمونه­ای10 برای این منظور ارائه داده­اند]7[.

مشکل متداول این الگوریتم­ها، پیچیدگی محاسباتی است که ممکن است مشکلاتی برای پردازش زمان واقعی11 ایجاد کنند. علاوه براین اغلب آنان حساس به نویزند. اخیرا، اپراتور الگوی دوتایی محلی(LBP)12 در چندین برنامه پردازش تصویر نظیر شناسایی صورت، کشف حالات چهره، تحلیل تصویر سنجش از راه دور، طبقه­بندی تصاویر اثر انگشت و... مورد استفاده قرار گرفته است. از آنجایی که الگوی دودویی محلی، هم از مشخصه­های آماری و هم ساختاری بافت استفاده می­کند، یک ابزار قدرتمند برای تحلیل بافت
می­باشد. الگوی دودویی محلی که ابتدا توسط اوجالا و همکارانش پیشنهاد شد، بعلت مقاومتش نسبت به تغییرات روشنایی، پیچیدگی محاسباتی کم و توانایی کدگذاری جزئیات یکی از رایج ترین توصیف گرها می­باشد]8[.

به عنوان یک روش غیرپارامتری، الگوی دودویی محلی به صورت خلاصه ساختارهای محلی تصاویر را به طور کارآمد با مقایسه هرکدام از پیکسل­ها با پیکسل­های مجاور نشان
می­دهد. الگوی دودویی محلی در اصل برای آنالیز بافت پیشنهاد گردیده است]9[ و هنوز به عنوان یک رویکرد قدرتمند برای توصیف ساختارهای محلی معرفی می­شود.

اگرچه الگوی محلی دودویی و انواع آن، نتایج طبقه­بندی موثری بر روی پایگاه داده­های بافتی بدست آورده­اند اما تاکنون معایب بالقوه زیادی از الگوی محلی دودویی باقی مانده است. به عنوان مثال الگوی محلی دودویی حساس به نویز است و اغلب طبقه­بندهایش اختلاف الگویی بسیار زیادی را در کلاس­های همگون دارند.

این مقاله با ارائه یک چارچوب قوی از الگوی محلی دودویی بنام الگوی محلی دودویی تکمیل شده مقاوم (CRLBP)13 به حل این مشکلات بالقوه پرداخته است. در الگوی محلی دودویی تکمیل شده مقاوم، ارزش هر پیکسل مرکزی از یک همسایگی سه در سه با مقدار متوسط سطوح خاکستری جایگزین می­گردد. در مقایسه با ارزش خاکستری، متوسط ​​سطح خاکستری محلی، در مقابل نویز و انواع روشنایی­ها قوی­تر است. نتایج تجربی نشان می­دهد که الگوی محلی دودویی تکمیل شده مقاوم، بهترین دقت طبقه­بندی را در مقایسه با سایر الگوهای محلی دودویی می­دهد و کمترین حساسیت را در مقابل نویز و انواع روشنایی دارد.

ساختار ادامه مقاله به صورت زیر است: در بخش دو الگوی دودویی محلی معرفی شده و در بخش سه توسعه های جدید آن تشریح شده است. در بخش چهار، دو عیب اساسی الگوی دودویی محلی عنوان شده و الگوی محلی دودویی تکمیل شده مقاوم و ادغام آن با دو کلاسه بند به عنوان راه کار ارائه شده است. نتایج تجربی آزمایشات در بخش پنج و نتیجه گیری در بخش ششم گزارش شده است.

2. الگوهای دودویی محلی

الگوی دودویی محلی یکی از روش­هایی است که در عین سادگی می­تواند ویژگی­های مناسبی برای طبقه­بندی بافت تصویر با دقت بالا تولید کند که اخیرا تحقیقات در زمینه شناسایی چهره سبب ایجاد این توصیف­گر قدرتمند بافتی شده است. این توصیف­گر، اطلاعات مناسب را از تغییر روشنایی و حالات تصویر بدست
می­آورد. در روش معمول الگوی محلی دودویی، از هیستوگرام برای استخراج ویژگی­ها استفاده می­کند. برای طبقه­بندی تصاویر بافتی می­توان در مرحله آموزش الگوی محلی دودویی را پیکسل به پیکسل روی کل تصویر اعمال کرد و بردار ویژگی­های مبنا را بدست آورد.

اولین توسعه الگوی دودویی محلی بنام الگوی یکنواخت14 در سال 2000 صورت گرفت. اگر الگوی محلی دودویی حداکثر شامل دو گذار صفر به یک و یا یک به صفر باشد یکنواخت نامیده می­شود.

الگوی دودویی محلی مستقل از چرخش15 توسعه­ای دیگر از الگوی محلی دودویی است. زمانی که یک تصویر در صفحه
می­چرخد تمام همسایه­ها حول پیکسل مرکزی در یک جهت خواهند چرخید. این اثر چرخش منجر به مقادیر متفاوتی برای الگوی دودویی محلی می­شود. برای این منظور، محققین توسعه جدیدی از الگوی محلی دودویی که مستقل از چرخش می­باشد را معرفی کرده­اند. عبارت مستقل از چرخش در اینجا مربوط به تغییرات مکانی وابسته به تغییرات نور و یا اشیا متفاوت نيست. مستقل از چرخش برای برطرف کردن اثر نا مطلوب چرخش، از عملگر چرخشی بیتی دایره­ای به سمت راست استفاده می­شود تا با چندین تکرار تمامی کدهای دودویی که با این بیت­ها می­توان تولید کرد را بدست آورد و سپس کمترین مقدار دهدهی را از الگوی دودویی بدست آورد.

ماتریس هم وقوعی16 نیز روشی از الگوی دودویی محلی است که در واقع بیان فرکانس­ها می­باشد که دو پیکسل همسایه با شدت خاکستری خاص خودشان و با فاصله ثابت روی تصویر دارند. اگر فاصله دو پیکسل برابر یک باشد زاویه­های ممکن در چهار جهت بین دو پیکسل با صفر، 45، 90 و 135 درجه بیان می­شوند. در ماتریس هم وقوعی، بر خلاف هیستوگرام ساده که در آن اطلاعات مکانی پیکسل­ها از بین رفته و فقط فراوانی مقادیر خاکستری پیکسل­ها حساب می­شود، موقعیت مکانی پیکسل­ها نیز در نظر گرفته می­شود. بعد از تشکیل ماتریس هم وقوعی بایستی بدنبال استخراج ویژگی­های مناسبی بود که متمایزکننده یک کلاس از دیگری باشد. اثبات تفکیک­کنندگی مناسب و دیگر ویژگی­ها از قبیل تغییرناپذیری در تغییرات یکنواخت سطح خاکستری و کارایی محاسباتی، این روش را یکی از مناسب­ترین روش­ها برای آنالیز تصویر تبدیل کرده است.

اپراتور الگوی دودویی محلی اصلی پیکسل­های تصویر را با اعداد دهدهی مشخص می­نماید که تحت عنوان کدهای الگوی دودویی محلی خوانده شده می­شود که می­توانند ساختار محلی هرکدام از پیکسل­ها را کدگذاری نمایند. به این ترتیب آن­گونه که در شکل 1 توضیح داده شده است هرکدام از پیکسل­ها با هشت پیکسل همسایه در مجاورت سه در سه با کم کردن مقادیر پیکسل مرکزی مقایسه شده است و هر کدام از خانه­ها مقدارش کمتر از مقدار مرکزی باشد صفر را نشان می­دهد و موارد دیگر با یک همراه هستند. برای هرکدام از پیکسل­های مشخص، یک عدد دودویی با استفاده از تمامی این مقادیر دودویی در یک جهت بلوکی ارائه می­گردد که از قسمت­های مجاور بالا سمت چپ شروع شده است.

 

img0 

 

                شکل 1: نمونه ای از اپراتور الگوی دودویی محلی

 

یکی از محدودیت­های اپراتور الگوی دودویی محلی پایه این است که قسمت مجاور سه در سه کوچک آن نمی­تواند ویژگی­های غالب را با ساختارهای مقیاس وسیع حاصل نماید. برای ارتباط با بافت، مقیاس­های متفاوت اپراتور به نحوی عمومی­سازی شده است که می­تواند از قسمت­های مجاور با اندازه متفاوت استفاده نماید. قسمت مجاور محلی به عنوان مجموعه­ای از نقاط
نمونه­گیری مطرح هستند که بر روی یک دایره قرار گرفته­اند و در پیکسل­های مشخص واقع شده­اند و نقاط نمونه­گیری که در پیکسل­ها قرار نمی­گیرند با استفاده از درون­یابی دودویی حاصل شده­اند و به این ترتیب اجازه می­دهند تا هر شعاع و هر تعدادی از نقاط نمونه­گیری گوناگون در مجاورت حاصل گردند. شکل 2 نمونه­ای از شکل توسعه­یافته اپراتور الگوی دودویی محلی یعنی الگوی دودویی محلی طویل شده (ELBP)17 را نشان می­دهد که در آن علامت (P,R) نشان­دهنده P نمونه مجاور به صورت نقاطی بر روی یک دایره با شعاع R می­باشد.

 

img0 

شکل 2: نمونه­ای از اپراتور دودویی محلی طویل شده، دوایر (1و8)، (2و16) و (3و24) در مجاورت مشاهده
می­گردند.

به طور رسمی با احتساب یک پیکسل خاص در فرمول زیر، الگوی دودویی محلی حاصل می­تواند در قالب دهدهی به صورت معادله زیر نشان داده شود:

 (, ) =                    (1) 

که در آن i، c و p بترتیب شامل مقادیر سطح خاکستری پیکسل مرکزی و پیکسل­های اطراف و P تعداد پیکسل­های اطراف بر روی دایره مجاور با شعاع R می­باشد. تابع S نیز به صورت فرمول زیر نشان محاسبه می­شود:

S (x) =                             (2)

با توجه به تعریف فوق، اپراتور الگوی دودویی محلی پایه برای تغییر شکل­های مقیاس خاکستری یکنواخت تغییر نمی­کند که می­تواند رده تمرکز پیکسل را در مجاورت محلی حفظ نماید و تصویری از برچسب­های الگوی دودویی محلی محاسبه شده در یک منطقه به عنوان توصیف­گر بافت نشان دهد.

اپراتور فرمول (2) می­تواند مقادیر خروجی متفاوتی مربوط به الگوهای محلی متفاوت را توسط P پیکسل مجاور نشان دهد. در صورتیکه تصویر بچرخد این پیکسل­های اطراف، در هرکدام از قسمت­های مجاور به همین ترتیب در مجاورت دایره حرکت می­کنند و به این ترتیب نتیجه آن یک مقدار الگوی دودویی متفاوت می­باشد و تنها استثنای الگوها یک و صفر خواهد بود. به منظور حذف چرخش تصویر، یک الگوی دودویی محلی ثابت چرخشی در ]8[ پیشنهاد شده است که آنرا در فرمول (3) می­بینید:

(3)

که در آن  به عنوان یک تغییر متغیر سمت راست دایره­ای کوچک در تعداد P بیت به صورت () اعلان
می­گردد. اپراتور  مقادیر آماری الگوهای انتشاری متغیر غیر چرخشی گوناگون را نشان می­دهد که به ریز
ویژگی­های مشخص شده درون تصویر بستگی دارد و در حقیقت می تواند الگوهایی را نشان دهد که به عنوان آشکار ساز ویژگی18 لحاظ شده است. با این وجود در ]10[ نشان داده شده است که چنین اپراتور الگوی محلی چرخشی ثابت ضرورتا نمی­تواند اطلاعات متمایزی را ارائه دهد زیرا تناوبات الگوهای انتشاری، جداگانه تلفیق شده و همان­طور که در فرمول  نشان داده شده تفاوت­های عمده­ای با یکدیگر داشته و فقط قابلیت تعیین مقادیر خام فضای زاویه­دار در فواصل 45 درجه امکان­پذیر می­گردد.

این نشان می­دهد که الگوهای مجتمع شامل اطلاعاتی وسیع­تر از این­ها می­باشد. این امکان وجود دارد که با استفاده از یک زیر مجموعه (2P) تايي از الگوهای دودویی، بافت تصویر را توصیف کرد. اوجالا و همکارانش الگوهای  را یکنواخت نامیدند. مشاهده شده است که الگوهای یکنواخت برای 90% تمامی الگوها در یک همسایگی (1 و 8) به صورت مجاور و حدود 70% در یک مجاورت (2 و 16) در تصویر بافت ارائه شده­اند]1[. یک آزمایش مشابه در پایگاه داده­های FERET انجام پذیرفته است و مشخص شده که 90.6% الگوها در یک مجاورت (1 و 8) و 85.2% در یک مجاور (2 و 8) یکنواخت هستند]11[.

3. مروری بر کارهای انجام شده الگوهای دودویی محلی

الگوی دودویی محلی اخیرا با تفاوت­های عمده­ای از عملکرد بهبود یافته در کاربردهای متفاوت توسعه یافته است. این تفاوت­ها با تاکید بر جنبه­های متفاوت اپراتور الگوی دودویی محلی اصلی ایجاد شده­اند که عبارتند از: افزایش قابلیت ایجاد تمایز، افزایش قدرت، انتخاب مجاورت، توسعه به
داده­های سه بعدی و ترکیب با رویکردهای دیگر. در این بخش تفاوت­های مشخص الگوهای محلی دودویی را مورد بررسی قرار می­دهیم (براي مرور جدول 1 را بررسي كنيد).

      جدول 1: فهرستي از تغييرات جديد الگوهاي
                                      دودويي محلي

خصوصیات

نوع الگو

بخش فرعی

در نظر گرفتن اثرات پیکسل ها، ارائه الگو های ساختاری کامل

الگوی دودویی محلی بهبود یافته (الگوی دودویی محلی میانه)

افزایش قابلیت ایجاد تمایز

تلفیق الگو های غیر یکنواخت به صورت الگو های یکنواخت

الگوی دودویی محلی همینگ

متمایز ساختن الگو های دودویی محلی که سبب ایجاد ابعاد عمده می گردد

الگوی دودویی محلی توسعه یافته

شامل اطلاعات علامت و اطلاعات دامنه یک منطقه محلی مشخص می باشد

الگوی دودویی محلی تکمیل شده

در یک آستانه جدید وارد می گردد، عدم وجود هیچ گونه متغیر کاملا ثابت در تبدیلات سطح خاکستری

الگو های چهارگانه محلی

بهبود قدرت

هیچ گونه متغیری برای تغییرات مقیاس خاکستری یکنواخت مشاهده نمی گردد، سبب ایجاد پیچیدگی محاسباتی بالا خواهد شد

الگوی دودویی محلی نرم

استخراج اطلاعات غیر مشابه و از دست رفتن اطلاعات غیر مشابه، عدم تفاوت در فرآیند چرخش

الگوی دودویی محلی طویل شده

انتخاب مجاورت

دستیابی به اطلاعات ساختاری خرد و کلان

الگوی دودویی محلی چند بلوکی

کد گذاری دسته ای اطلاعات بافتی

الگوی دودویی محلی سه/چهار دسته ای

توسعه الگوی محلی دودویی به داده های حجمی سه بعدی

الگوی دودویی محلی سه بعدی

توسعه به داده های سه بعدی

توصیف بافت پویا که سبب ایجاد بعد پذیری بالا می گردد

الگوی دودویی محلی حجمی(الگوی دودویی محلی قله)

ترکیب مزایای الگوی دودویی محلی و موجک گابور یعنی افزایش هزینه زمانی و ایجاد ابعاد بالا به طور همزمان

ترکیب الگوی دودویی محلی و موجک گابور

ترکیب با ديگر رویکرد ها

بهره مندی از مزایای تبدیلات مقیاسی ویژگی های یکنواخت، کاهش طول بردار ویژه

ترکیب الگوی دودویی محلی و تبدیلات ویژگی مقیاس ثابت

دستیابی به عدم تغییرپذیری چرخشی برای کل تصویر

ترکیب الگوی دودویی محلی و هیستوگرام فوریه

 

1-3- افزایش قابلیت تمایز

اپراتور الگوی دودویی محلی تعداد مشخصی از الگوها را برای توصیف ساختارهای محلی نشان می­دهد. افزايش قابليت تمایز آنها، نيازمند الگوهای بیشتری از اطلاعات قابل کدگذاری است. ژائو و همکارانش اپراتور الگوی دودویی محلی را برای توصیف اطلاعات ساختاری محلی بیشتری در شرایط مشخص اصلاح نموده­اند]12[. به ویژه اينكه الگوی دودویی محلی بهبودیافته یا میانه (ILBP/MLBP)19 را پیشنهاد داده­اند که می­تواند تمامی پیکسل­ها شامل پیکسل مرکزی را با میانگین شدت تمامی پیکسل­ها در مسیر مورد نظر مقایسه نماید.

وجود همسایگی سه­تایی در الگوی دودویی محلی بهبود یافته با 511 الگو (1-29 عدد صفر و یک) برای استفاده از قسمت­های مجاور با هر اندازه خاص به جای مورد اصلی رگه سه در سه توسعه یافته است]13[. تقریبا در همین زمان یک ساختار مشابه برای توسعه تبدیلات هماهنگ به عنوان تبدیلات هماهنگ اصلاح شده استفاده شده است]14[ که میانگین الگوی دودویی محلی ارائه گردیده مشابه با الگوی دودویی محلی بهبود یافته می­باشد با این تفاوت که در این مورد پیکسل مرکزی مد نظر قرار نگرفته است.

گو و همکاران روش الگوی دودویی محلی هامینگ20را برای بهبود قابلیت تمایز الگوی دودویی محلی اصلی پیشنهاد داده­اند]15[. آنها الگوهای غیر یکنواخت را مجددا بر مبنای فاصله همینگ طبقه­بندی نموده­اند که به جای جمع­آوری آنها در یک مجموعه، جداگانه این کار را می­کنند. در الگوی دودویی محلی همینگ، این الگوهای غیریکنواخت به صورت الگوهای یکنواخت موجود با به حداقل رسانیدن فاصله همینگ بین آن­ها تلفیق شدند. برای نمونه می­توان به الگوهای غیر یکنواخت (10001110) که به الگوی یکنواخت (10001111) تبدیل می­گردند اشاره کرد، زیرا فاصله همینگ آنها یک می­باشد. هنگامی که چندین الگوی یکنواخت فاصله همینگ مشابهی را با الگوی غیریکنواخت دارد موردی با حداقل فاصله یو کلیدی21 قابل انتخاب خواهد بود.

الگوی دودویی محلی توسعه­یافته (E-LBP)22 یکی دیگر از رویکردها برای بهبود قابلیت تمایز الگوی دودویی محلی می­باشد]16[. اپراتور الگوي محلي توسعه­يافته نه تنها مقايسه دودويي و دوگانه­اي را بين پيكسل­هاي مركزي و قسمت­هاي مجاور آن انجام می­دهد بلکه می­تواند تفاوت­های دقیق ارزش خاکستری آن­ها را با استفاده از برخی از واحدهای دودویی اضافی کدگذاری نماید. می­توان گفت که ویژگی الگوی دودویی محلی توسعه­یافته از چندین مورد از ویژگی­های الگوهای دودویی محلی تشکیل شده که در چندین لایه، کدگذاری را انجام می­دهند و می­توانند مقدار گرادیان23 بین پیکسل مرکزی و همچنین پیکسل­های مجاور را کدگذاری کنند.

همان­گونه که در شکل 3 نشان داده می­شود اولین لایه الگوی دودویی محلی توسعه­یافته در واقع به عنوان کد الگوی دودویی محلی اصلی خوانده می­شود که می­تواند نشانه گرادیان را کدگذاری نماید. لایه­های زیر از الگوی دودویی محلی توسعه­یافته می­توانند مقادیر مطلق­گرادیان را کدگذاری کنند. در هر سمت مقادیر مطلق­گرادیان برای مرتبه اول در نمونه دودویی کدگذاری شدند و در ادامه تمامی مقادیر دودویی در یک لایه مشخص به الگوی دودویی محلی اضافی ختم می­شود. برای نمونه در شکل 3، اولین لایه به عنوان کد الگوی دودویی محلی اصلی خوانده شده است که می­تواند نشانه گرادیان را کدگذاری کند و به این ترتیب مقدار دهدهی 211 را از شکل دودویی (11010011) حاصل نماید. با استفاده از یک ساختار وزنی مشخص الگوی محلی در تمامی بیت­های دودویی، کد الگوی دودویی محلی توسعه یافته لایه مربوط به آن ایجاد
می­گردد، برای مثال در لایه دوم مقدار دهدهی آن 64
می­باشد و لایه سوم 54 و در پایان مقدار دهدهی لایه چهارم 234 می­باشد. در نتیجه هنگامی که بافت­های محلی مشابه را توصیف می­نماییم اگرچه الگوی دودویی محلی لایه اول به قدر کافی متمایز نیست، اطلاعات کدگذاری شده در
لایه­های اضافی دیگر برای تشخیص آنها مورد استفاده قرار گرفته است. حرکت رو به پایین آن نشان می­دهد که الگوی دودویی محلی توسعه یافته می­تواند ابعاد ویژگی­ها را تا حد زیادی افزایش دهد.

اخیرا گو و همکارانش یک الگوی دودویی محلی کامل را پیشنهاد داده­اند که کارش مشابه با الگوی دودویی محلی توسعه یافته می­باشد]17[. بعلاوه، الگوی دودویی محلی کامل شده شامل هر دو مورد نشانه و گرادیان دوم بین یک پیکسل مرکزی مشخص و قسمت­های مجاور به منظور بهبود نیروی تمایز اپراتور الگوی دودویی محلی اصلی می­باشد. بر خلاف استراتژی کدگذاری بیت دودویی که توسط الگوی دودویی محلی توسعه یافته مورد استفاده قرار می­گیرد، الگوی دودویی محلی کامل شده مقادیر مطلق­گرادیان را با پیکسل مرکزی مشخص برای ایجاد یک کد دودویی محلی گونه ترکیب می­نماید.

 

img0 

               شکل 3. نمونه­ای از اپراتور الگوی
                           دودویی محلی توسعه یافته

 

 

 

 

 

 

 

 

3-2- بهبود قدرت

الگوی دودویی محلی به نویز حساس است زیرا آستانه اپراتور دقیقا مقدار پیکسل مرکزی می­باشد. برای رفع این مسئله تان و تریگس نسخه الگوی دودویی محلی اصلی را به
نسخه­ای با کدهای دارای سه مقدار متفاوت توسعه دادند که تحت عنوان الگوهای سه­گانه محلی خوانده
می­شود(LTP)24 ]18[. در الگوی سه­گانه محلی شاخص S(X) معادله (1)، توسط فرمول (4) جایگزین می­گردد:

 

s (,,t) =        (4)

 

کدهای الگوهای­های سه­گانه محلی مقاومت بیشتری به نویز دارند اما عدم تحریک­پذیری را برای تغییر شکل­های سطح خاکستری نشان نمی­دهند. یک رویکرد کدگذاری برای تقسیم­بندی هرکدام از الگوهای سه­گانه به دو قسمت تقسیم می­شود که شامل مقادیر مثبت و مقادیر منفی می­باشد (به شكل 4 توجه کنید). یکی از مشکلات الگوهای سه­گانه محلی تنظیم آستانه می­باشد که چندان ساده نیست.

img0 

           شکل4. نمونه­ای از اپراتور الگوی چهارگانه
                                              محلی

الگوی دودویی محلی نرم (SLBP)25 که در ]19[ معرفی شده است بجای معادله (2)، دو معادله عضویت فازی (5) و (6) را بکار می­گیرد:

 

   (x) = (5)

 

 (x) = 1 − (x)                                   (6) 

 

پارامتر d مقادیر فازی بودن را کنترل می­نماید که توسط تابع فازی انجام می­پذیرد. هنگامی که مجاور محلی از P نمونه تشکیل شده است، هیستوگرام با یک اپراتور الگوی یکنواخت تحت عنوان (0,1,…,) می­باشد. سهم هر پیکسل جداگانه (yc , xc) برای مشخص نمودن h از هیستوگرام برابر با فرمول (7) خواهد بود:

SLBP(,,h)=[(h).(− )

                         +(1−(h))・(−)] (7)                          

 

که در آن bp(h)∈{0,1} نشان­دهنده مقادیر عددی بیت P ام نمونه دودویی h می­باشد. همچنین نشان داده شده است که الگوهای مشخص، محتوی اطلاعات بیشتری نسبت به موارد دیگر می­باشند.

با احتساب الگوی دودویی محلی نرم، یک پیکسل می­تواند در بیش از یک قسمت و بسته26 شرکت کند اما نسبت مجموع سهم پیکسل­ها به تمامی بسته­ها همیشه برابر یک می­باشد. الگوی دودویی محلی نرم به افزایش قدرت در شرایطی می­انجامد که تغییر مقادیر در تصویر ورودی تنها سبب تغییر محدودی در خروجی گردد. اگرچه تغییرناپذیری را از دست می­دهد ولی با افزایش پیچیدگی محاسبات، تغییرات آن یکنواخت می­گردد. مقادیر مناسب d در معادله (5) همانند الگوی دودویی محلی نرم تنظیم می­گردد.

3-3- انتخاب مجاور

انتخاب یک مجاور مناسب برای روش دودویی محلی محور، تاثیر عمده­ای بر روی غالب نهایی دارد. این مورد شامل تعدادی از نقاط نمونه­گیری، توزیع نقاط نمونه­گیری، شکل قسمت مجاور و اندازه قسمت مجاور می­باشد.

پیکسل­های مجاور در الگوی دودویی محلی اصلی به صورت دوایر توسط لیائو و همکاران نشان داده شدند و این مبحث را بیان نمودند که دلیل اصلی برای تعریف قسمت مجاور در چنین حالت، یکسانی، همگرایی و دستیابی به چرخش غیرمتناوب برای توصیف بافت می­باشد]20[. اگرچه این مورد برای تمامی کاربردها مناسب نیست اما در مقابل اطلاعات غیر یکنواخت می­تواند به عنوان یک ویژگی مهم به حساب آید. در نتیجه الگوی دودویی محلی طویل شده را با پیکسل­های مجاور قرار گرفته بر روی یک بیضی مطابق شکل 5 پیشنهاد داده­اند که این شکل دو مثال از الگوی دودویی محلی طویل شده را نشان می­دهد که در آن A و B نشان­دهنده محور طولانی تر افقی و محور کوتاه تر عمودی بوده و m نشان­دهنده تعداد پیکسل­های مجاور
می­باشد.

با توجه به الگوی دودویی محلی اصلی، روش درون­یابی خطی برای پیکسل­های مجاور مورد استفاده قرار می­گیرد که دقیقا در پیکسل واقع نمی­شود. اپراتور الگوی دودویی محلی طویل شده می­تواند حول محور مرکزی بچرخد و یک زاویه ویژه را برای تعیین نمودن ساختار محلی طویل شده در جهات متفاوت برای دستیابی به آنالیز چند جهتی ایجاد نماید. به منظور دستیابی به این ساختارها و همچنین ساختارهای بزرگتر، ژو و همکاران الگوی دودویی محلی چند بلوکی(MBLBP)27 را پیشنهاد داده­اند که به جای مقایسه پیکسل­ها، میانگین تمرکز قسمت­های فرعی مجاور را مقایسه می­کند]21[. الگوی دودویی محلی اصلی می­تواند به عنوان یک مورد خاص از الگوی دودویی محلی چند بلوکی مورد توجه قرار گیرد. منطقه فرعی می­تواند به عنوان مربع یا چهار گوش مشخص گردد. میانگین تمرکز در بلوک­ها می­تواند به شکل مشخصی با استفاده از جدول منطقه
جمع­بندی و محاسبه گردد و یا انتگرال تصویر محاسبه شود. یک طرح مشابه در ]22[ ارائه شده است: الگوی دودویی محلی سه­رگه (TP-LBP)28 و چهاررگه(FP-LBP)29 که برای مقایسه فاصله بین کل بلوک­ها (رگه­های) مورد نظر، بجای هر پیکسل میانگین متمرکز ارائه شده هر تابع فاصله می­تواند مورد استفاده قرار گیرد (برای تفاضلات سطح خاکستری).

img0 

­­­­­­

شکل 5: نمونه ای از اپراتور الگوی دودویی محلی طویل شده

4-3- توسعه به الگوی محلی سه­بعدی

در چندین مورد محققان تلاش نموده­اند تا الگوی دودویی محلی را از صفحه دو بعدی به سه بعدی یعنی الگوی دودویی حجمی (VLBP)30 تبدیل نمایند]23و24و25[. این مورد چندان ساده نیست و آن­گونه که در نگاه اول به چشم می­آید دو مشکل اساسی مطرح می­گردد: اول این که مساوات در نمونه­گیری­ها در محدوده سه­بعدی کار مشکلی است و نکته دوم اینکه به سختی می­توان رده­ای را برای این نقاط نمونه­گیری مشخص نمود که نکته حائز اهمیت برای دستیابی به عدم تغییرپذیری در هنگام چرخش می­باشد.

برای نشان دادن قابلیت دستیابی الگوی دودویی محلی به اطلاعات بافت پویا، ژائو و پیتیکانن قسمت­های مجاور الگوی دودویی محلی را از صفحه دو بعدی به فضای سه­بعدی توسعه داده­اند]25[. اپراتور تحت عنوان الگوی دودویی محلی حجمی یا سه­بعدی (VLBP یا 3D-LBP) معرفی شده است که حرکت و اطلاعات وضعیت ظاهری را با یکدیگر تلفیق نموده و به این ترتیب می­توان از آن برای آنالیز توالی تصویر یا ویدیوها استفاده نمود. لازم به ذکر است که این رویکرد سبب می­شود که استفاده از آنالیز بافت پویای سری­های زمانی دو بعدی به جای داده­های حجمی کلی سه­بعدی امکان­پذیر گردد. ویژگی­های الگوی دودویی محلی حجمی تنها به نگاشت و چرخش حساس نیستند (چرخش حول محور) بلکه جهت تغییرات مقیاس خاکستری یکنواخت مقاوم هستند. VLBP(L,P,R) در مقایسه با LBP(P,R)، زمان غالب را به حساب می­آورد و پارامتر L نشان­دهنده طول فاصله زمانی می­باشد. از یک مجاورت محلی کوچک حجمی، مقایسه پیکسل­های مجاور با
پیکسل­های مرکزی در برخی از واحدهای دودویی حاصل می شود و مقادیر وزنی برای این واحدها به عنوان یک خط مار پیچ ارائه شده است.

به منظور ایجاد سادگی محاسباتی الگوی دودویی محلی حجمی و آسانی توسعه آن، فقط هم وقوعی در سه بعد جداگانه مدنظر قرار می­گیرد. بافت­ها همراه با
هیستوگرام­های دودویی محلی موجود مدل­سازی شده­اند و از سه صفحه عمود بر یکدیگر گرفته شده­اند و به این ترتیب این نسخه ساده از الگوی دودویی محلی حجمی تحت عنوان الگوی دودویی محلی قله31 خوانده می­شود. نمونه­گیری مرسوم مدور توسط یک بیضی به نحوی جایگزین شده است که پارامترهای شعاعی متفاوت در حوزه فضایی و زمانی قابل جایگزینی خواهند بود.

فهر تغییر شکل هارمونیک و موزون کروی را برای ایجاد یک پایه متعامد در دو کره معرفی نموده و در ادامه ویژگی­های الگوی دودویی محلی را در حوزه تناوب محاسبه نموده است]25[. این روش بر هر دو مورد مشکلات فوق غلبه
می­نماید. محققین راه­حل­های دیگری را برای الگوی دودویی محلی در سه بعد پیشنهاد داده­اند. آنها از برخی دوایر برای نشان دادن کره استفاده نموده و پارامتر S را اضافه کرده و به این ترتیب اپراتور LBP(S,P,R) را معرفی کردند که در شکل 6 می­توانید آن را ببینید و همچنین قوانین یکنواخت را به صورت دو بعدی ارائه داده­اند. این روش سبب می­شود که مسئله تمایز بافت مشابه با توصیف الگوی دودویی محلی پیش رود.

img0 

­­­­­­­­

شکل 6. یک مثال از الگوی دودویی محلی سه­بعدی (9S= و 16P= و 2R=)

3-5- تلفیق با ویژگی­های روش­های دیگر

به عنوان روشی برای توصیف ویژگی­های محلی، الگوی دودویی محلی می­تواند با رویکردهای دیگر تلفیق گردد. برای نمونه مجموعه­ای از رویکردها برای تلفیق موجک­های گابور و ویژگی­های الگوی دودویی محلی با استفاده از
روش­های متفاوت پیشنهاد شده­اند]26[. همچنین در ]27[ محاسبه شده است که موجک گابور و ویژگی الگوی دودویی محلی محور به صورت متقابل حالت مکمل دارند زیرا الگوی دودویی محلی می­تواند جزئیات وضعیت ظاهری محلی را ایجاد نموده در حالی که موجک گابور اطلاعات شکل را در یک محدوده وسیع­تر از مقیاس نشان می­دهد. یک استراتژی جفت شدن ساده برای استخراج اولیه ویژگی­های گابور و الگوی دودویی محلی به طریقی موازی مطرح شده­اند و در ادامه دو نوع متفاوت از ویژگی­ها در سطح ویژگی در کنار یکدیگر قرار گرفته­اند که با سطح امتیاز یا سطح تصمیم هماهنگ می­باشند]27و28[.

یکی دیگر از روش­ها، تلفیق و ترکیب استراتژی سریالی است که در اصل از کاربرد فیلترهای گابور تشکیل شده و در ادامه الگوی دودویی محلی برای تصویر خام مورد استفاده قرار می­گیرد]29[. نگاشت­های ویژه گابور (GFM)32 چندگانه توسط تصاویر ورودی درهم پیچیده به کمک فیلترهای گابور چند مقیاسی و چند جهتی نمود یافته و محاسبه شده است. هر نگاشت ویژه گابور به مناطق بدون هم­پوشانی کوچک تقسیم­بندی شده­اند که هیستوگرام­های دودویی محلی از آنها حاصل شده و در نهایت می­توانند درون یک هیستوگرام دارای ویژگی­های مشخص قرار گیرند. الگوهای هیستوگرام چند رزولوشنی متغیر محلی(MHLVP)33]20[ و همچنین الگوی هیستوگرام دودویی گابور محلی]30[ بر مبنای چنین فرایندی پیشنهاد شده­اند. اخیرا نویسندگان یک روش سریالی مشابه را با استفاده از هر دو مورد موجک و الگوی دودویی محلی پیشنهاد داده­اند که در آغاز از موجک برای تجزیه تصاویر خام به درون تصاویر چهار فرکانسی استفاده گردیده است که برای نمونه می­توان به فرکانس افقی بالا با تناوب کم، فرکانس بالای عمودی و فرکانس بالای دو وجهی اشاره نمود که به عنوان نهاده­هایی برای الگوی دودویی محلی اصلی مطرح هستند.

با انگیزه­ای که توسط الگوی دودویی محلی قله و الگوی هیستوگرام دودویی گابور محلی(LGBPH)34برای آنها ایجاد گردیده است یک حجم تصویر محور گابور رده سوم را ایجاد نموده و در ادامه از الگوی دودویی محلی اصلی برای سه صفحه متعامد برای استخراج اطلاعات متمایز نه تنها در حوزه فضایی بلکه در حوزه­های جهت­گیری و تناوب گابور استفاده نموده­اند. برای کاهش پیچیدگی محاسباتی، اپراتور محلی دودویی متغیر سراسری(GV-LBP)35 برای توصیف تغییرات صورت گرفته در حوزه­های جهت­گیری و تناوب فضایی به صورت هم زمان با تعریف جهت­گیری­ها و نقاط مجاور مقیاس در تصاویر گابور متفاوت پیشنهاد شده­اند.

یک الگوی دودویی محلی متقارن مرکزی(CS-LBP)36 تنها توسط مقایسه­ای از جفت پیکسل­های مجاور پیشنهاد شده است که در قطر مشابه دایره قرار می­گیرند]31[. چنین تفاضلاتی می­توانند الگوی دودویی محلی را با تبدیلات ویژگی ثابت مقیاسی(SIFT)37 ترکیب نمایند و به این ترتیب واحدهای دودویی کمتری را نسبت به الگوی دودویی محلی اصلی ایجاد می­نمایند. تفاوت بین الگوی دودویی محلی متقارن مرکزی و الگوی دودویی محلی با هشت پیکسل مجاور در شکل 7 ارائه شده است.

در ادامه، دیگر محققین الگوهای دودویی مرکزی(CBP)38 را معرفی نموده­اند که یک اصلاح محدود را برای این ویژگی سبب می­گردد و پیکسل مرکزی را با میانگین مقادیر تمامی پیکسل­ها در مجاورت برای ایجاد یک واحد دودویی اضافی تلفیق می­نماید که بیشترین مقادیر وزنی را برای تاکید بر تاثیرات بیت دودویی جدید به خود اختصاص می­دهد. همچنین اخیرا برای تلفیق الگوی دودویی محلی و تبدیلات ویژگی ثابت مقیاسی به طریق سریالی پیشنهاداتی را ارائه داده­اند. اولین مورد، ارائه اپراتور الگوی دودویی محلی اصلی در تصویر ورودی با استفاده از مقیاس متفاوت برای استخراج چندین مورد تصاویر که الگوی دودویی محلی چند مقیاسی(MS-LBP) نامیده می­شود و در ادامه تبدیلات ویژگی ثابت مقیاسی با تصاویر حاصل از الگوی دودویی محلی چند مقیاسی برای ایجاد تطابق محلی مورد استفاده قرار گرفته است.

 

img0 

شکل 7. ویژگی­های الگوی دودویی محلی متقارن مرکزی و الگوی دودویی محلی برای مجاورت هشت پیکسل

همچنین آهونن رویکردی را پیشنهاد داد که تحت عنوان ویژگی­های فوریه هیستوگرام الگوی دودویی محلی (LBP-HF)39 نام­گذاری شده­اند تا به این ترتیب بتوانند الگوی دودویی محلی و تغییر شکل فوریه متمایز(DFT)40 را با یکدیگر تلفیق کنند. برخلاف ویژگی­های الگوی دودویی محلی چرخشی ثابت، توصیف­گر فوریه هیستوگرام الگوی دودویی محلی با مقایسه یک هیستوگرام الگوی محلی در کل منطقه ایجاد شده است و در ادامه ویژگی­های غیر متغیر چرخشی از هیستوگرام با تغییر شکل متمایز فوریه ایجاد گردیده است. این مورد به این معناست که عدم تغییرپذیری چرخش به طور کلی حاصل شده و به این ترتیب ویژگی­ها برای چرخش­های کل سیگنال ورودی بدون تغییر باقی
می­مانند اما هنوز هم اطلاعاتی در رابطه با توزیع نسبی جهت­گیری­های متفاوت یک الگوی دودویی محلی یکنواخت مطرح است.

 

 

3-6- انتخاب ویژگی الگوی دودویی محلی

در اغلب فعالیت­های صورت گرفته الگوی دودویی محلی، تصویر ورودی به مناطق کوچک­تر تقسیم­بندی می­گردد و هیستوگرام حاصل از آن به صورت هیستوگرام­های محلی بهم پیوسته طولانی به بردار ویژگی­های طولانی­تر با ابعاد O(103) توسعه­یافته­اند. بعلاوه برخی از متغیرهای جدید سبب افزایش طول بردار ویژگی به طور چشمگیری خواهند شد که از آن جمله می­توان به الگوی دودویی محلی طویل شده، الگوی دودویی حجمی و الگوی دودویی محلی موجکی گابور اشاره نمود. اعتقاد بر این است که بردار ویژگی الگوهای محلی و محور حاصل می­تواند یک نمونه کامل را با اطلاعات فراوان ارائه نماید که به عنوان مورد متمایزتر و متراکم تر مطرح می­گردد. بعلاوه هنگام ایجاد سیستم­های زمان واقعی دارا بودن یک نمونه الگوی محلی دودویی با کاهش طول ویژه مطلوب است و به تمامی این دلایل، مسئله انتخاب ویژگی الگوی دوتایی اخیراً در بسیاری از منابع پیشنهاد داده شده است. می­توانیم این روش را به دو طبقه­بندی تقسیم نماییم: اولین مورد کاهش­دهنده طول ویژگی­ها بر مبنای برخی از قوانین همانند الگوهای یکنواخت می­باشد در حالیکه مورد دیگر استفاده کردن از روش­های انتخاب ویژگی برای انتخاب الگوهای تمایزی می­باشد. هر دو مورد جریان­ها نکات مثبت و نکات منفی منحصر به فرد خود را دارند. اولین مورد ساده است اما قابلیت انتخاب ویژگی محدودی دارد و در مقابل مورد دوم ظرفیت انتخاب ویژگی بهتری را نشان می­دهد اما معمولا نیازمند آموزش آفلاین می­باشد که می­تواند از نقطه­نظر محاسباتی گران­قیمت باشد.

فراگیری افزایشی یک روش کارآمد را برای انتخاب ویژگی­ها نشان می­دهد. با تغییر و تعیین مقیاس تصویر در زیر دریچه­ها، مناطق فرعی بیشتری برای دستیابی به هیستوگرام محلی الگوهای دودویی حاصل شده است و فاصله بین هیستوگرام­های مربوطه از دو تصویر به عنوان یک ویژگی تمایزی بیان شده است. روش آدابوست41برای فراگیری تعداد محدودی از کارآمدترین ویژگی­ها مطرح گردیده است. این رویکرد می­تواند به عملکردی دست یابد که اندکی بهتر است اما تعداد محدودی از هیستوگرام­های محاسبه شده از مناطق محلی را دارا می­باشد. از آنجا که تمامی پنجره­ها ضرورتاً برای تامین اطلاعات مفید مطرح نیستند آزمایشات آنها نشان می­دهد که بین­های الگوهای انتخابی می­توانند نمونه متراکم­تری را با طول کاملاً کاهش یافته بردار ویژگی ارائه نمایند در حالیکه عملکرد بهتری را ایجاد می­کنند. آدابوست تا حد زیادی برای انتخاب
ویژگی­های الگوهای دودویی محلی در وظایف گوناگون مطرح شده است]16،32،33،34و35[.

فراگیری فضای فرعی و یا کاهش بعدپذیری، مجموعه داده­ها را از فضای دارای ابعاد بالا به یک فضای کم بعد تبدیل
می­نماید و به این ترتیب می­توان از آن برای ویژگی­های الگوی دودویی محور و برای ارائه یک نمونه متراکم کم بعد استفاده نمود. برای نمونه با تلفیق موجک گابور و ویژگی­های الگوهای محلی دودویی برای تشخیص چهره، تان و تریگز در آغاز بردارهای ویژگی اصلی را در آنالیز اجزای اصلی(PCA)42 به صورت فضای خاص لحاظ نموده و در ادامه از بردارهای معمول متمایز هسته­ای(KDCV)43 برای استخراج ویژگی­های متمایز استفاده کرده­اند]28[.

4. معایب الگوی دودویی محلی و ارائه راه­کار

از آنجا که مقدار سطح خاکستری پیکسل مرکزی، مستقیما به عنوان حد آستانه44 بکار گرفته می­شود، الگوی محلی دودویی در مقابل نویز حساس است، به خصوص قسمت های تقریبا غیر یکنواخت تصاویر. از آنچه که در شکل 8 نشان داده شده است در می­یابیم که تغییرات کوچک در پیکسل مرکزی (مثلا از 70 به 75) می­تواند تاثیر زیادی در کدهای الگوی محلی دودویی داشته باشد.

img0 

شکل 8: یک مثال از الگوی محلی دودویی حساس به نویز

عیب دیگر الگوی دودویی محلی این است که با ساختارهای الگویی متفاوت از بافت­ها، کدهای دودویی یکسانی ممکن است نتیجه گردد. همان طور که در شکل 9 نشان داده شده است دو الگو، کد دودویی محلی یکسانی دارند با اینکه سخت است بگوییم این دو ساختار محلی به هم شبیه­اند.

 

img0 

شکل 9. یک مثال از دو الگوی ساختاری متفاوت با کد دودویی یکسان

به منظور حل مشکلات فوق­الذکر در این بخش یک چارچوب قوی برای الگوی محلی دودویی ارائه می­کنیم که هم مزایای الگوهای محلی دیگر را به ارث می­برد و هم
می­تواند بر ایرادات آنها چیره شود.

1-4- الگوی دودویی محلی مقاوم (RLBP)45

هدف، یافتن یک آستانه است که نسبت به نویز حساسیت نداشته باشد و در مقابل تبدیلات سطح خاکستری یکنواخت، ثابت باشد. ما یک سطح خاکستری متوسط (ALG)46 را به صورت زیر تعریف می­کنیم:

                                           (8)

در اینجا g مقدار خاکستری پیکسل مرکزی را بیان می­کند و gi(i=0,…,8) مقدار سطح خاکستری پیکسل­های همسایه هست. ALG متوسط سطح خاکستری بافت محلی را ارائه می­دهد که قطعا در مقابل نویز نسبت به خود پیکسل مرکزی نیرومندتر عمل می­کند]36[. سپس در فرایند الگوی دودویی محلی، ALG به عنوان حد آستانه بکار گرفته
می­شود. این روش الگوی دودویی محلی نیرومند نامیده
می­شود. به عنوان یک نتیجه ما الگوی دودویی محلی نیرومند را به صورت زیر تعریف می­کنیم:

(9)

 

در اینجا gc مقدار سطح خاکستری پیکسل مرکزی و gp(p=0,…,8) مقدار سطح خاکستری پیکسل­های همسایه بر روی یک دایره به شعاع R است و P مجموع تعداد همسایگان می­باشد. همچنین gci(i=0,…,8) نمایان گر مقدار سطح خاکستری پیکسل­های مجاور gc است. واضح است که الگوی دودویی محلی نیرومند حساسیت کمتری به نویز دارد زیرا مقدار متوسط سطح خاکستری به عنوان حد آستانه بکار گرفته می­شود. علاوه بر این، دو الگوی متفاوت با کد دودویی محلی سنتی یکسان، ممکن است کد دودویی محلی نیرومند شده متفاوت داشته باشند زیرا همسایگان هر پیکسل مجاور نیز در نظر گرفته می­شوند. بنابراین الگوی دودویی محلی نیرومند می­تواند بر دو مشکل مزبور الگوی محلی دودویی سنتی چیره شود.

ALG مقدار خاص پیکسل­های منحصر به فرد را نادیده می­گیرد. اغلب اوقات اطلاعات پیکسل­های مرکزی مورد نیاز است. یک توازن بین عدم نویزپذیری و پیکسل­های منحصر به فرد وجود دارد. پس ما سطح خاکستری وزن دار(WLG)47 محلی را به صورت زیر تعریف می­کنیم:

                                         (10)

G و gi در معادله (8) تعریف شده­اند. α پارامتری است که توسط کاربر تنظیم می­شود. توجه داشته باشید که سطح خاکستری وزن­دار معادل ALG متداول است اگر α مجموعه­ای از
یک­ها باشد. حال الگوی دودویی محلی نیرومند را به صورت زیر تعریف می­کنیم:

  (11)

 

gp، gc و gci در معادله (9) تعریف شده­اند. α پارامتر سطح خاکستری وزن­دار است. به عنوان مجموعه­ای از آزمایشاتی که بر روی پایگاه داده بافتی انتخابی بزرگ انجام شد پارامتر α بهینه در این مقاله موجود است. تصاویر مجموعه داده­ای CUReT دچار تغییرات قابل توجه در شدت نور، تنوع در نقطه دید و تغییرات مقیاسی هستند. بنابراین آزمایشات را بر روی مجموعه داده­ای CUReT و مجموعه داده­ای CUReT نویزی(SNR=5)48 انجام شده است. توابع پاسخ برای α­های متفاوت بر روی مجموعه داده­ای CUReT و مجموعه داده­ای CUReT نویزی نشان می­دهد که الگوی دودویی محلی نیرومند با α­های 9،8 و 10 روی پایگاه داده نرمال بهتر عمل می­کند. همچنین زمانی 1=α است و نویز وجود ندارد الگوی دودویی محلی نیرومند بهتر عمل می­کند و همچنین زمانی که α بزرگتر از هشت است الگوی دودویی محلی نیرومند حساسیت بیشتری نسبت به نویز دارد. بنابراین در روش ما، با توجه به نتایج تجربی α یک یا هشت تنظیم می­گردد. بعبارت دیگر، الگوی دودویی محلی نیرومند با 1=α در مقابل الگوی دودویی محلی نیرومند با 8=α حساسیت کمتری نسبت به نویز دارد در صورتیکه الگوی دودویی محلی مقاوم با 8=α در مقابل نورهای مختلط و بغرنج و همچنین در مقابل حالات مختلف نقطه دید پایدارتر است زیرا اطلاعات سطح خاکستری را هم از مجموعه همسایگان محلی و هم از پیکسل­های منحصر به فرد استخراج می­کند.

4-2- الگوی دودویی محلی تکمیل­شده مقاوم

به خاطر الگوهای محلی گیج­کننده مختلف دودویی، الگوی دودویی محلی نیرومند، چارچوبی از الگوی دودویی محلی را به ارث برده است. مقدار mp به صورت زیر تعریف می­گردد:

 

(12)

             

 

gp، gc و gci در معادله (9) تعریف شده­اند. gpi(i=0,…,8) نشان­دهنده شدت خاکستری پیکسل­های مجاور gp و α پارامتر سطح خاکستری وزن­دار است. دامنه الگوی دودویی محلی نیرومند(RLBP_M)49 با استفاده از واریانس محلی سطح خاکستری وزن­دار به صورت زیر تعریف می­شود:

­­­­

                (13)

در اینجا میانه مقادیر mp، به عنوان حد آستانه c تنظیم می­گردد. پیکسل مرکزی که بیان­کننده سطح خاکستری مرکزی تصویر است، شامل اطلاعات ایجاد تمایز است. بنابراین ما می­توانیم یک اپراتور بنام الگوی دودویی محلی نیرومند مرکزی (RLBP_C)50 به صورت زیر تعریف کنیم تا اطلاعات مرکزی محلی را استخراج کنیم:

­­

                       (14)

 

در اینجا حد آستانه ci به عنوان متوسط سطح خاکستری محلی در هر قسمت از کل تصویر تنظیم می­شود. همان طور که در ]13[ نشان داده شده است، از راه­های مختلفی برای ترکیب سه اپراتور الگوی دودویی محلی مقاوم، دامنه الگوی دودویی محلی نیرومند و الگوی دودویی محلی نیرومند مرکزی استفاده کرد.

اقدامات زیادی برای تمایز قائل شدن و عدم تجانس بین دو هیستوگرام ارائه شده است. در این مقاله ما از آماره  برای این کار استفاده کرده­ایم. اگر برای (i=1,…,B)، H={hi} و K={ki} نمایانگر دو هیستوگرام باشند پس آماره  به صورت زیر تعریف می­شود:

 

              (16)

­­­

در اینجا b یک عدد bins و B مجموع تمامی bin­هاست، که با توجه به استفاده از هیستوگرام در زبان برنامه­نویسی مطلب و روش این مقاله، 256=B و b هم بین صفر تا 255 هست. در معادله (16)، L یک شبه روش است که احتمالات نمونه S را که از طریق کلاس­های بافتی تناوبی جایگزین بدست ­ید، اندازه­گیری می­کند که بر پایه احتمالات درستی از ارزش­های خصیصه با مدل­های بافتی از قبل رده­بندی شده M می­باشد. در مورد توزیع اتصالات LBP/VAR، معادله (16) در یک روش درست با ردگیری و جستجو از میان هیستوگرام­های دوبعدی توسعه یافت. حال معادله (17) را ببینید. هرچه خروجی این معادله کمتر باشد، احتمال اینکه این دو تصویر نمونه و مرجع هم کلاس باشند بیشتر است.

              (17)

                   

 

5. ارزیابی نتایج تجربی

برای ارزیابی روش ارائه شده، ما یک سری از آزمایشات را روی پایگاه داده بافتیCUReT  ]37[ و Outex انجام داده­ایم تا دقت طبقه­بندی الگوی دودویی محلی تکمیل شده مقاوم بررسی گردد. برای هدایت آزمایشات روی تصاویر نویزی، هر تصویر بافتی با افزودن نویز گوسین51 با میانه و انحراف معیار صفر خراب می­گردد که با توجه به نسبت سیگنال به نویز تعیین می­گردد. همچنین قسمت­بندی تصاویر آکوستیکی بستر دریا به کمک روش ارائه شده و مقایسه نتایج با روش­های قبل، راه کار مقاله را مورد ارزیابی قرار می­دهد.

1-5- مشاهده نتایج تجربی روی پایگاه داده CUReT

پایگاه دادهCUReT  شامل 60 تصویر بافتی با نقطه دیدها و جهات نور متفاوت می­باشد (شکل 10 را ببینید). در هر کلاس، 92 تصویر از تصاویر عکسی با زوایای دید کمتر از 60 درجه انتخاب می­شود.

 

img0 

 

شکل 10. تصاویر بافتی از مجموعه داده­ای CUReT

برای مجموعه مدل، N تصویر به صورت تصادفی از هر کلاس انتخاب می­کنیم و سپس از (N-92) تصویر باقیمانده بعنوان داده­های تست استفاده می­کنیم. متوسط میزان طبقه­بندی برای بیش از صد جز تصادفی، در جدول 2 لیست شده است:

جدول 2: میزان طبقه­بندی در پایگاه داده CUReT بر حسب درصد

 

با توجه به جدول 2، اولا درمی­یابیم که الگوی دودویی محلی تکمیل شده مقاوم با 8=α بهترین طبقه­بندی را نسبت به سایر روش­ها دارد، به خصوص زمانی که داده­های مدل کمتر باشند. دوم اینکه، وقتی تعداد داده­های مدل به اندازه کافی باشد، الگوی دودویی محلی تکمیل شده مقاوم با 1=α اجرای بدتری نسبت به الگوی دودویی محلی تکمیل شده دارد. زمانی که داده­های مدل کمتر از 23 عدد و شعاع بزرگتر از یک باشد الگوی دودویی محلی تکمیل شده مقاوم با 1=α کمی بهتر از الگوی دودویی محلی تکمیل شده عمل می­کند. بنابراین الگوی دودویی محلی تکمیل شده مقاوم با 8=α پایدارتر از الگوی دودویی محلی تکمیل شده نیرومند با 1=α است زیرا هم اطلاعات سطح خاکستری و هم اطلاعات خاص پیکسل­های منحصر به فرد را برمی­گرداند.

در جدول 3 الگوی ارائه شده را با الگوی دودویی محلی واریانس52 ]15[، الگوی دودویی محلی انطباقی53 ]38[، الگوی دودویی محلی ادغامی با داده­کاوی54 ]39[ و الگوی دودویی محلی مونوژنیک55 ]40 [ نیز مقایسه کرده­ایم که نتایج مشابهی را ارائه می­کند.

 

 

 

جدول 3. مقایسه میزان طبقه­بندی در پایگاه داده CUReT با کارهای دیگر

شعاع و تعداد مجاور

R=1,P=8

R=2,P=16

R=3,P=24

تعداد نمونه مدل

23

6

23

6

23

6

LBP

74.40

58.05

70.39

56.30

73.72

59.81

CLBP_S/M/C

91.20

73.44

91.24

75.41

91.77

76.16

RLBP

68.75

54.09

70.39

56.30

73.72

59.81

CRLBP

91.33

76.56

91.85

77.79

91.83

78.43

RLBP

66.24

53.44

66.35

53.13

68.18

54.50

CRLBP

89.47

73.22

91.10

76.39

90.73

76.34

 

برای هدایت تصاویر بافتی نویزی مجموعه داده­ای CUReT، از هر کلاس به طور تصادفی 46 نمونه مدل انتخاب می­کنیم. این بخش نیز بیش از صد بار به طور مستقل با (P=3 و R=24) اجرا شده است. متوسط نتایج تصاویر نویزی در جدول 4 ارائه شده است:

جدول 4: دقت طبقه­بندی در پایگاه داده CUReT با افزودن نویز گوسین

 

شعاع و تعداد مجاور

R=1,P=8

R=2,P=16

R=3,P=24

تعداد نمونه مدل

46

23

46

23

46

23

LBP/Var

93.65

70.70

93.90

70.82

93.90

70.91

LBPV

88.23 

71.56

89.77

73.10

91.09

74.26

LBPV_GM

93.19

75.26

94.15

79.66

92.97

76.69

ALBP

-

57.40

-

67.30

-

65.50

ALBPF

-

66.10

-

72.70

-

71.70

LBP/LDDP2

72.85

70.74

66.40

LBP/LDDP3

67.91

68.64

67.41

M_LBP

88.96 (23 نمونه) و 93.76 (46 نمونه)

CRLBP

95.39

91.33

95.88

91.85

96.27

91.83

CRLBP

94.55

89.47

94.78

91.10

95.35

90.73

 

با توجه به تصاویر نویزی، به یافته­های زیر از جدول 4 دست
می­یابیم. اول اینکه، الگوی دودویی محلی تکمیل شده نیرومند همچنان با 8=α میزان دقت بیشتری نسبت الگوی دودویی محلی تکمیل شده عمل می­کند. دوم اینکه، الگوی دودویی محلی تکمیل شده نیرومند با 1=α نتایج ضعیف­تری نسبت به الگوی دودویی محلی تکمیل شده برای تصاویر نرمال دارد اما نتایج بهتری را در پایگاه داده­های نویزی دارد.

5-2- مشاهده نتایج تجربی روی پایگاه داده Outex

وقتی مجموعه آزمایشات بر روی مجموعه داده­ای Outex هدایت می­شود (شکل 11) ما از داده­های آزمایشی مناسب Outex (Outex_TC_0010 (TC10) و Outex_TC_0012 (TC12)) استفاده می­کنیم که TC10 و TC12 شامل 24 کلاس از تصاویر بافتی با سه سطح روشنایی (inca، tl84 و horizon) است و دارای نه زاویه چرخش (0، 5، 10، 15، 30، 45، 60، 75 و 90) است. برای هر زاویه چرخشی، بیست تصویر به اندازه 128 در 128، تحت شدت­های روشنایی متفاوت وجود دارد. تصاویر 24 در 20 با روشنایی inca و زاویه صفر درجه به عنوان نمونه­های مرجع اتخاذ می­شوند. برای مجموعه داده­ای TC10 هشت زاویه چرخشی با روشنایی inca به عنوان تست استفاده می­گردد. برای مجموعه داده­ای TC12، تمامی نمونه­های 9 در 20 در 24 با روشنایی tl84 یا horizon به عنوان داده تست استفاده می­شود.

 

img0 

 

شکل 11. تصاویر بافتی از مجموعه داده­ای OUTEX 

برای آزمایشات انجام شده بر روی پایگاه داده Outex، کارایی روش ما با روش­های متعددی مانند الگوی دودویی محلی واریانس]15[، الگوی دودویی محلی ادغامی با داده کاوی ]39[، الگوی دودویی محلی وزن­دار56 ]41[ و الگوی دودویی محلی غالب برچسب­دار و بدون برچسب57 ]42[ مقایسه شده است. جدول 5 لیستی از نتایج آزمایشات با روش­های مختلف است که ما می­توانیم به یافته­های زیر دست یابیم. به استثنای آزمایشات با R=2 و  P=16روی مجموعه داده­ای TC10، الگوی دودویی محلی تکمیل شده مقاوم، اجرای بهتری دارد. باید توجه داشت که الگوی دودویی محلی تکمیل شده مقاوم با 8=α نتایج بهتری تحت روشنایی­های tl84 و horizon را نسبت به سایر روش­ها می­دهد طوری که ثابت کرده است که الگوی دودویی محلی تکمیل شده نیرومند با 8=α در مقابل تغییرات روشنایی از بقیه قوی­تر است. همچنین نتایج مشابه­ای برای الگوی دودویی محلی تکمیل شده نیرومند با 1=α حاصل شده است. الگوی دودویی محلی تکمیل شده نیرومند با 1=α کارایی بهتری نسبت به الگوهای دودویی محلی روی مقدار متوسط به خصوص تحت روشنایی­های متفاوت دارد. در پایان، با مقایسه الگوی دودویی محلی تکمیل شده نیرومند با 8=α با الگوی دودویی محلی تکمیل شده نیرومند با 1=α خواهیم دریافت که زمانی که شعاع برابر یک است روش اولی کارایی بهتری دارد و دومی بیشترین میزان طبقه­بندی در سایر شعاع­ها دارد. در یک کلمه، الگوی دودویی محلی تکمیل شده نیرومند بیشترین میزان طبقه­بندی را نسبت به سایر روش­ها دارد و در مقابل تغییرات روشنایی حساسیت کمتری را دارد.

جدول 5: دقت طبقه­بندی در پایگاه داده Outex بر حسب درصد

 

(R=3,R=24,N=46)

SNR 100

SNR 30

SNR 15

SNR 10

SNR 5

CLBP

95.51

95.87

87.23

72.77

51.35

CRLBP

96.34

96.18

92.30

82.88

64.97

CRLBP

96.06

95.90

93.56

85.58

69.67

 

3-5- مشاهده نتایج تجربی تقسیم­­بندی بستر دریا

در این زیربخش برای ارزیابی راه کار ارائه شده، نتایج حاصل از قسمت­بندی تصاویر آکوستیکی بستر دریا، با نتایج حاصل از تبدیلات زیرنموه­ای کانتورلتی]7[ و تبدیلات موجکی چند سطحی و آشکار ساز لبه فازی]3[ مقایسه می­شود.

ابعاد تصاویر انتخابی 256 در 256 می­باشد. ابتدا تصاویر
بلوک­بندی می­گردند و سپس هم الگوی دودویی محلی سنتی و هم الگوی دودویی محلی تکمیل شده مقاوم به تصاویر اعمال شده و در نهایت تمامی بلوک­ها ادغام می­شوند که شکل اصلی و نتایج حاصل از آن، در شکل 12 نمایش داده شده است:

همان طور که در شکل بالا می­بینید الگوی دودویی محلی تکمیل شده مقاوم، بسیار قوی­تر از الگوی دودویی محلی عمل می­کند. در شکل 13، نتایج حاصل از ادغام تبدیلات موجکی و فازی در کنار نتایج راه کار ارائه شده برای یکی تصاویر بستر دریا مشاهده می­شود:

 

img0 

ج                 ب                 الف

شکل 13: نتایج حاصل از قسمت­بندی. (الف)تصویر اصلی. (ب)قسمت­بندی حاصل از تبدیلات زیرنمونه­ای]7[. (ج)قسمت­بندی با راهکار ارائه شده.

در شکل 14، نتایج حاصل از تبدیلات موجکی یک و دو سطحی، آشکار ساز لبه فازی و ادغامی از آنها، همچنین نتایج تبدیلات کانتورلتی زیرنمونه­ای، در کنار قسمت­بندی با راهکار ارائه شده، برای یکی دیگر از تصاویر بستر دریا نمایش داده شده است. از آنجا که رزولوشن این تصاویر 256 در 256 می­باشد، اندازه هر بلوک 16 در 16 در نظر گرفته شده است که با توجه به آزمایشات صورت گرفته مناسب­ترین سایز برای بلوک­ها در راهکار ارائه شده می­باشد.

 

img0 

شکل 14: نتایج حاصل از قسمت­بندی. (الف)تصویر اصلی. (ب)تقسیم­بندی با آشکار ساز لبه فازی. (ج)و(د)
تقسیم­بندی سطح یک و دو موجکی بترتیب. (ه)ادغام (ب)و(ج)و(د). (و)پالایش مرزهای(ه)]3[. (ز)قسمت­بندی حاصل از تبدیلات کانتورلتی زیرنمونه­ای]7[.
(ج)قسمت­بندی با راه کار ارائه شده.

 

6. نتیجه­گیری

با توجه به ظاهر با کیفیت عکس­های بافتی سونار، فنون تجزیه و تحلیل بافت یک انتخاب متداول برای
عکس­های آکوستیکی کف دریاست. الگوی دودویی محلی یک توصیف گر قدرتمند بافت برای تحلیل تصاویر می­باشد. در این مقاله پیشرفت­ها و توسعه­های جدیدی که در الگوی دودویی دریافتیم که الگوی سنتی صرفا از الگوهای یکنواخت استفاده می­کند و تمام الگوهای غیر یکنواخت را در یک طبقه ادغام می­کند و نسبت به نویز حساس است. توصیف­گرهای الگوی دودویی محلی، دارای ناکارآمدی واضح دیگری هم می­باشند. اینکه گاهی اوقات منجر به توصیف الگوهای مختلف ساختاری با کد دودویی همگون می­شود که به ناچار قابلیت تمایز خود را کاهش می­دهد. برای غلبه بر این نا کارآمدی­ها، یک چارچوب قوی از الگوی دودویی محلی بنام الگوی دودویی محلی کامل شده مقاوم در این مقاله ارائه شد.

به عنوان یک نتیجه، پس از اجرای پردازش، با تکیه بر رویکردهای اعمال شده به تصویر اصلی و ادغام الگوی دودویی محلی، آماره مربع کای و نسبت احتمالات لگاریتمی و همچنین مقایسه نتایج با تبدیلات چند سطحی موجکی، تقسیـمات اصـلاح شده، آشـکار سـاز لبـه فازی و تبـدیلات

شعاع و تعداد مجاوران

R=1,P=8

R=2,P=16

R=3,P=24

نمونه های آزمایشی

TC10

TC12

TC10

TC12

TC10

TC12

الگو

T184

Hr.

T184

Hr.

T184

Hr.

LBPV_GMES  

73.64

72.47

76.57

93.90

90.25

94.28

97.76

95.39

95.57

LBPV_GMPD1   

65.59

65.30

68.33

89.60

86.29

90.11

95.07

88.72

89.02

LBPV_GMPD2

72.99

72.19

76.15

92.99

89.49

93.95

97.55

94.23

94.18

LBP/LDDP2

88.16

77.53

78.25

97.25

91.95

88.53

97.49

91.62

87.92

LBP/LDDP3

90.65

80.26

78.99

93.36

84.88

81.13

96.61

89.83

85.87

WLBP    

91.82

83.40

81.85

96.43

89.39

89.28

97.39

93.72

92.01

Labeled DLBP    

76.70

unLabeled DLBP    

68.25

CRLBP

97.55

91.94

92.45

98.59

95.88

96.41

99.35

96.83

96.16

CRLBP

96.54

91.16

92.06

98.85

96.67

96.97

99.48

97.57

97.34

international journal on communication antenna and propagation(IRECAP), Vol. 1, N. 1, pp. 92-102, 2011.

5. K. K. Gupta and R. Gupta, “wavelet based speckle filtering of the sar image,” international review on computers and software (IRECOS), Vol. 1, No. 3, pp. 224-232, 2006.

6.  R. Javidan, “wavelet-based acoustic seabed ground discrimination system,” In proceeding of IEEE international conference on information & communication technologies: from theory to application, Paris, July 7-10 2010.

7. R.. Javidan, M. A. Masnadi-Shirazi and Z. Azimifar, “Contourlet-Based Seabed Image Texture Segmentation and Classification,” International Journal on Communications Antenna and Propagation (IRECAP), Vol. 1, No. 4, August 2011.

8. T. Ojala, M. Pietikainen and T. Maenpaa

, “Noise tolerant local binary pattern operator for efficient texture analysis,” Pattern Recognition Letters, Vol. 33, No. 9, pp. 1093-1100, 2012.

[10] M. Pietikainen, T. Ojala, and Z. Xu, “Rotation-invariant texture classification using feature distributions,” Pattern Recog., Vol. 33, No.1, pp. 43–52, 2000.

[11] T. Ahonen, A. Hadid and M. Pietikainen, “Face description with local binary patterns: Application to face recognition,” IEEE Transaction on Pattern Anal. Mach. Intell., Vol. 28, No. 12, pp. 2037–2041, 2006.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

کانتورلتی زیر نمونه­ای، نشان داده شده است که توانایی بهبود تقسیم­بندی­ها از نقطه نظر سرعت اجرا، پیچیدگی محاسبات و دقت، نتایج بهتری نسبت به سایر روش­های شناخته شده دارد. مزیت اصلی روش ارائه شده سادگی روش و سرعت کافی برای تعبیه در روش­های زمان واقعی تشخیص بستر دریاست.

به عنوان یک راهکار برای آینده، می­توان توسعه جدیدی از الگوی دودویی محلی را ارائه کرد طوری که منجر به توسعه اهداف کاربردی، بهبود قدرت در یک یا چند جنبه الگوی دودویی محلی و افزایش قابلیت تمایز در الگوی دودویی محلی به خصوص در تصاویر دارای نویز گردد. همچنین برای طبقه­بندی و قسمت­بندی، می­توان از دیگر طبقه­بندها استفاده کرد و به شیوه­های مختلف آن طبقه­بندها را با انواع الگوهای دودویی محلی ادغام کرد.

 

منابع

1. M. Mignotte and C. Collet, “Markov Random Field and Fuzzy Logic Modeling in Sonar Imagery: Application to the classification of underwater floor,” Computer Vision and Image Understanding, Vol. 79, No. 1, pp. 4-24, 2000.

2.  R. Javidan and H. J. Eghbali, “Automatic Classification of Persian Gulf Bottom Based on Acoustic Images,” 6th International Conference on Coasts, Ports and Marine Structures, 2004.

3.  R. Javidan and H. J. Eghbali, “Automatic seabed texture segmentation and classification based on wavelet transform and fuzzy approach,” International Journal of the Society for Underwater Technology, Vol. 27, No. 2, pp. 51-55, 2007.

4.  A. Dejebbari and F. Bereksi-Reguig, “A new chirp based wavelet for heart sounds time-frequency analysis,” international journal on communication antenna and propagation(IRECAP), Vol. 1, N. 1, pp. 92-102, 2011.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

15. Z. Guo, L. Zhang and D. Zhang, “Rotation invariant texture classification using LBP variance (LBPV) with global matching,” Pattern Recognition, Vol. 43, No. 3, pp. 706-719, 2010.

16.D. Huang, Y. Wang and Y. Wang, “A robust method for near infrared face recognition based on extended local binary pattern,” in Proc. Int. Symp. Vis. Comput. Part2 LNCS 4842, pp. 437–446, 2007.

17. Z. Guo, L. Zhang and D. Zhang, “A completed modeling of local binary pattern operator for texture classification,” IEEE Transaction on Image Process., Vol. 19, No. 6, pp. 1657–1663, 2010.

18.X. Tan and B. Triggs, “Enhanced local texture feature sets for face recognition under difficult lighting conditions,” in Proc. Anal. Model. Faces Gestures, LNCS 4778, pp. 168–182, 2007.

19. T. Ahonen and M. Pietikainen, “Soft histograms for local binary patterns,” in Proc. Fin. Signal Process. Symp., Oulu, Finland, 2007.

20. S. Liao, W. Max, K. Law, C. Albert and S. Chung, “ Dominant local binary patterns for texture classification,” IEEE Transactions on Image Processing, Vol. 18, No. 5, pp. 1107-1118, 2009.

21.H. Zhou, R. Wang and C. Wang, “A novel extended local binary pattern operator for texture analysis,” Information Sciences, Vol. 178, No. 22, pp. 4314-4325, 2008.

21. L. Wolf, T. Hassner and Y. Taigman, “Descriptor based methods in

 

 

Maenpaa, “Multiresolution gray-scale and rotation invariant texture classification with local binary patterns,” IEEE Transaction on Pattern Anal. Mach. Intell., Vol. 24, No. 7, pp. 971–987, 2002.

9. A. Fathi and A. R. Naghsh-Nilchi, “Noise tolerant local binary pattern operator for efficient texture analysis,” Pattern Recognition Letters, Vol. 33, No. 9, pp. 1093-1100, 2012.

10. M. Pietikainen, T. Ojala, and Z. Xu, “Rotation-invariant texture classification

using feature distributions,” Pattern Recog., Vol. 33, No.1, pp. 43–52, 2000.

11. T. Ahonen, A. Hadid and M. Pietikainen, “Face description with local binary patterns: Application to face recognition,” IEEE Transaction on Pattern Anal. Mach. Intell., Vol. 28, No. 12, pp. 2037–2041, 2006.

12. G. Zhao, T. Ahonen, J. Matas and M. Pietikainen, “Rotation invariant image and video description with local binary pattern features,” IEEE Transactions on Image Processing, Vol. 21, No. 4, pp. 1465-1477, 2010.

13. Z. Guo, L. Zhang and D. Zhang, “A Completed modeling of local binary pattern operator for texture classification,” IEEE Transactions on Image Processing, Vol. 19, No. 6, pp. 1657-1663, 2010.

14. J. Ruiz-del-Solar and J. Quinteros, “Illumination compensation and normalization in eigenspace-based face recognition: A comparative study of different pre-processing approaches,” Pattern Recog. Lett., Vol. 29, No. 14, pp. 1966–1979, 2008.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

face recognition,” in Proc. Anal. Model. Faces Gestures, LNCS 4778, pp. 235–249, 2007.

29. L. Liu, L. Zhao, Y. Long, G. Kuang and P. Fieguth, “Extended local binary patterns for texture classification,” Image and Vision Computing, Vol. 30, No. 2, pp. 86-99, 2012.

30. H. Lian and B. Lu, “Multi-view gender classification using local binary patterns and support vector machines,” in Proc. Int. Symp. Neural Netw., LNCS 3972, pp. 202–209, 2006.

31. M. Heikkila, M. Pietikainen and C. Schmid, “Description of interest regions with local binary patterns,” Pattern Recog., Vol. 42, No. 3, pp. 425–436, 2009.

32. H. Ren and Z. N. Li, “Object Deection Using Boosted Local Binaries,” Pattern Recognition, 5 July 2016.

33. Y. Zhang and C. Hua, “Driver fatigue recognition based on facial expression analysis using local binary patterns,” Optik International Journal for Light and Electron Optics, Vol. 126, No. 23, PP. 4501–4505, 2015.

34. D. S. Kang, “Robust Face Detection Using Uniform Local Gradient Pattern (ULGP) and AdaBoost Algorithm ,” 4th International Conference on Modeling and Simulation (MAS), pp. 13–16, 25-28 Nov. 2015.

35. S. K. Singh and R. Kumar Singh, “Boosting local binary pattern with bag-of-filters for content based image retrieval,”

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

the wild,” in Proc. ECCV Workshop Faces ‘Real-Life’ Images: Detection, Alignment, Recog., Marseille, France, 2008.

22.L. Nanni, S. Brahnam and A. Lumini, “A simple method for improving local binary patterns by considering non-uniform patterns,” Pattern Recognition, Vol. 45, No. 10, pp. 3844-3852, 2012.

23. J. Fehr, “Rotational invariant uniform local binary patterns for full 3D volume texture analysis,” in Proc. Fin. Signal Process. Symp., Oulu, Finland, 2007.

24. J. Fehr, “Rotational invariant uniform local binary patterns for full 3D volume texture analysis,” in Proc. Fin. Signal Process. Symp., Oulu, Finland, 2007.

25. G. Zhao and M. Pietikainen, “Dynamic texture recognition using local binary patterns with an application to facial expressions,” IEEE Transaction on Pattern Anal. Mach. Intell., Vol. 29, No. 6, pp. 915–928, 2007.

26. Y. K. Park and J. K. Kim, “Fast adaptive smoothing based on LBP for robust face recognition,” Electron. Lett., Vol. 43, No. 24, pp. 1350–1351, Nov. 2007.

27. R. Singh, M. Vatsa and A. Noore,

“Integrated multilevel image fusion and match score fusion of visible and infrared face images for robust face recognition,” Pattern Recog., Vol. 41, No. 3, pp. 880–893, 2008.

28. X. Tan and B. Triggs, “Fusing Gabor and LBP feature sets for kernelba

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

retrieval,” IEEE UP Section Conference on Electrical Computer and Electronics (UPCON), pp. 1–6, 4-6 Dec. 2015.

36. Y. Zhao, W. Jia, R. X. Hu and H. Min, “Completed robust local binary pattern for texture classification”, Neurocomputing, Vol. 106, pp. 68–76, 2013.

37. K. J. Dana, B. V. Ginneken, S. K. Nayar, J. J. Koenderink, “Reflectance and texture of real- world surfaces,” ACM Trans. Graphics(TOG), Vol. 18, No. 1, pp. 1-34, 1999.

38. Z. Gu, L. Zhang, D. Zhang and S. Zhang, “Rotation Invariant Texture Classification Using Adaptive LBP With Directional Statistical Features,” IEEE 17th International Conference on Image Processing (ICIP), pp. 285-288, September 26-29, 2010, Hong Kong.

39. J. T. Kwak, S. Xu and B. J. Wood, “Efficient data mining for local binary

 

pattern in texture image analysis,” Expert Systems with Applications, Vol. 42, pp. 4529-4539, 2015.

40. L. Zhang, L. Zhang, Z. Guo and D. Zhang, “Monogenic-LBP: A New Approach For Rotation Invariant Texture Classification,” IEEE 17th International Conference on Image Processing (ICIP), pp. 2677-2680, September 26-29, 2010, Hong Kong

41. R. Davarzani, S. Mozaffarin and Kh. Yaghmaie, “Scale-and rotation-invariant texture description with improved local binary pattern features,” Signal Processing, Vol. 111, pp. 274-293, 2015.

42. F. Bianconi, E. Gonzalez and A. Fernandez, “Dominant local binary patterns for texture classiÞcation: Labelled or unlabelled?,” Pattern Recognition Letters, 9 July 2015.

 

 

 

 

 

 

 

 

 

 

 

 

1

 

[1]  . classification

[2]  . Resolution

[3] . segmentation 

[4]  . Sonar

 

[5]  . Acoustic

[6]  . texture

[7]  . Multi Resolution Space

[8]  . Gabor filter

[9]  . Wavelet transform

[10]  . SubSampled Contourlet

[11]  . Real time processing

[12]  . Local Binary Pattern

[13] . Completed Robust LBP 

[14]  . Uniform Patterns

[15]  . Independent of the Rotation Local binary pattern

[16]  . Co-Occurrence Matrix

[17]  . Elongated LBP

[18]  . Feature Detector

[19]  . Improved LBP (Mean LBP)

[20] . Hamming LBP 

[21]  . Euclidian

[22]  . Extended-LBP

[23]  . Gradient

[24]  . Local Ternary Patterns

[25]  . Soft LBP

[26]  . Bin

[27]  . Multi Block LBP

[28]  . Three Patch LBP

[29]  . Four Patch LBP

[30]  . Volume LBP

[31]  . LBP-TOP

[32]  . Gabor Feature Maps

[33]  . Multi Resolution Histograms of Local Variation Patterns

[34]  . local Gabor Binary Pattern Histogram

[35]  . Global Variable LBP

[36]  . Center-symmetric LBP

[37]  . Scale-invariant Feature Transform

[38]  . Centralized Binary Patterns

[39]  . LBP Histogram Fourier Features

[40]  . Discrete Fourier Transform

[41]  . AdaBoost

[42]  . Principal component analysis

[43]  . Kernel discriminative common vector

[44]  . Threshold

[45]  . Robust LBP

[46]  . Average Local Gray Level

[47]  . Weighted Local Gray Level

[48]  . Signal-to-Noise Ratios

[49]  . Robust LBP Magnitude

[50]  . Robust LBP-Center

[51]  . Chi-square statistic

 

[52]  . Log-likelihood ratio

[53]  . Gaussian noise

[54]  . LBP-Variance

[55]  . Adaptive-LBP

[56]  . Data Mining

[57]  . Monogenic-LBP


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات رایمگ است.
حق نشر © 1403-1396

صفحه اصلی| عضویت/ ورود| درباره رایمگ| تماس با ما|
[English] [العربية] [en] [ar]