‫روشی نوین در طبقهبندی مقاوم به نوفة‬ ‫تصاویر بافتی با استفاده از توصیف چندمقیاسة‬ ‫توأمان الگوی دودویی محلی‬ ‫سید محمد رضا جاللیان شهری‪ ،1‬هادی هادیزاده‪ ،2‬مرتضی خادمی*‪ 3‬و عباس‬ ‫ابراهیمیمقدم‪4‬‬ ‫‪1‬و‪3‬و‪ 4‬گروه مهندسی برق‪ ،‬دانشکده مهندسی‪ ،‬دانشگاه فردوسی مشهد‪ ،‬مشهد‪ ،‬ایران‬ ‫‪ 2‬گروه مهندسی برق‪ ،‬دانشکده مهندسی‪ ،‬دانشگاه صنعتی قوچان‪ ،‬قوچان‪ ،‬ایران‬ ‫چکیده‬ ‫نخستین گام در طبقهبندی تصاویر بافتی‪ ،‬توصیف بافت با استفاده از استخراج ویژگیهای تصویری مختلف از آن است‪ .‬تاکنون‬ ‫روشهای متعددی برای این موضوع توسعه یافتهاند که از جمله مشهورترین آنها میتوان به روش الگوی دودویی محلی اشاره کرد‪.‬‬ ‫بهمنظور استخراج اطالعات بافتی در مقیاسهای مختلف‪ ،‬روش الگوی باینری محلی را میتوان در یک چهارچوب چندمقیاسه‬ ‫پیادهسازی کرد‪ .‬در این حالت‪ ،‬بردارهای ویژگی بهدستآمده در سطوح مقیاس مختلف به یکدیگر پیوست میشوند تا یک بردار ویژگی‬ ‫برآیند با طول بیشتر را تولید کند؛ اما چنین روشی دو عیب مهم دارد؛ نخستاینکه‪ ،‬روش الگوی دودویی محلی بهشدت نسبت به نوفه‬ ‫حساس و با افزودن نوفه به تصویر بافتی‪ ،‬بردارهای ویژگی بهدستآمده ممکن است بهشدت تغییر کنند‪ .‬دوماینکه‪ ،‬با افزایش تعداد‬ ‫مقیاسها‪ ،‬طول بردار ویژگی بهدستآمده نیز افزایش مییابد که این امر ضمن کاهش سرعت فرآیند طبقهبندی بافت‪ ،‬ممکن است دقت‬ ‫طبقهبندی را نیز کاهش دهد‪ .‬برای رفع و یا کاهش این دو عیب‪ ،‬در این مقاله‪ ،‬روشی مبتنی بر الگوی دودویی محلی چندمقیاسه‬ ‫پیشنهاد میشود که از مقاومت بهتری در مقابل نوفه سفید گوسی برخوردار و در عین حال‪ ،‬طول بردار ویژگی تولیدی بهوسیلة آن‬ ‫بهطوردقیق برابر با طول بردار ویژگی تولیدی بهوسیلة روش اصلی الگوی دودویی محلی در حالت تکمقیاسه است‪ .‬آزمایشها بر روی‬ ‫چهار گروه از پایگاه داده ‪ Outex‬انجام شده که آزمایشهای انجامگرفته نشاندهنده برتری روش پیشنهادی نسبت به روشهای‬ ‫واژگان کلیدی‪ :‬استخراج ویژگی‪ ،‬الگوی دودویی محلی‪ ،‬بافت‪ ،‬طبقهبندی بافت‪ ،‬نوفه سفید گوسی‪.‬‬ ‫‪A Novel Noise-Robust Texture Classification Method‬‬ ‫‪Using Joint Multiscale LBP‬‬ ‫*‪Seyed Mohammad Reza Jalalian Shahri1, Hadi Hadizadeh2, Morteza Khademi 3‬‬ ‫‪& Abbas Ebrahimi-Moghadam4‬‬ ‫‪1,3,4‬‬ ‫‪Department of Electrical Engineering, Faculty of Engineering, Ferdowsi University of‬‬ ‫‪Mashhad, Mashhad, Iran.‬‬ ‫‪2‬‬ ‫‪Department of Electrical Engineering, Faculty of Engineering, Quchan University of‬‬ ‫‪Technology, Quchan, Iran.‬‬ ‫‪Abstract‬‬ ‫‪‬نویسندة عهدهدار مکاتبات‬ ‫‪‬تاریخ ارسال مقاله‪ 1397/08/15 :‬تاریخ پذیرش‪ 1400/10/18 :‬تاریخ انتشار‪ 1400/12/29 :‬نوع مطالعه‪ :‬پژوهشی‬ ‫‪Corresponding author‬‬ ‫‪‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫‪165‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫‪In this paper we describe a novel noise-robust texture classification method using joint multiscale local‬‬ ‫‪binary pattern. The first step in texture classification is to describe the texture by extracting different‬‬ ‫‪features. So far, several methods have been developed for this topic, one of the most popular ones is‬‬ ‫‪Local Binary Pattern (LBP) method and its variants such as Completed Local Binary Pattern, Extended‬‬ ‫‪Local Binary Pattern, Local Temporary Pattern, Local Contrast Pattern, etc. In order to extract the‬‬ ‫‪features of a texture in different scales, the LBP method can be implemented in a multi-scale‬‬ ‫‪framework. For this purpose, the extracted feature vectors at different scales are usually concatenated‬‬ ‫‪together to produce the final feature vector with a longer length. But such a scheme has two main‬‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫موجود مشابه است‪.‬‬ ‫‪shortcomings. First, the LBP method is very sensitive to noise, hence by adding noise to a texture image,‬‬ ‫‪its feature vectors may change significantly. Second, by increasing the number of the scales, the length of‬‬ ‫‪the final feature vector is increased accordingly. This action increases the classification process time,‬‬ ‫‪and it may reduce the classification accuracy. To mitigate these shortcomings, this paper presents a‬‬ ‫‪method based on multiscale LBP, which has a better resistance against white Gaussian noise, while the‬‬ ‫‪length of its final feature vector is equal to the length of the final feature vector produced by the original‬‬ ‫‪LBP method. To implement the proposed method, we used 17 circular binary masks that contain 8‬‬ ‫‪directed first-order masks, 8 directed second-order masks and 1 undirected mask. These masks have‬‬ ‫‪positive and negative weightes and each group of these masks have different radius which after‬‬ ‫‪convolution with input image extract features in different scales. Experiments were performed on four‬‬ ‫‪test groups of Outex database. Experimental results show that the proposed method is superior to the‬‬ ‫‪existing state-of-the-art methods. The complexity of proposed method is also analyzed. The results show‬‬ ‫‪that in this method, despite obtaining excellent classification accuracy, the complexity of the method has‬‬ ‫‪not changed much and even its complexity is less than some of the existing state-of-the-art methods.‬‬ ‫‪Keywords: feature extraction, Local Binary Pattern, texture, texture classification, white gaussian noise‬‬ ‫‪ -1‬مقدمه‬ ‫‪166‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫‪2‬‬ ‫(‪ ) 12 ، 2/5‬و (‪ ) 16 ، 4‬برای‪LBP‬‬ ‫)‪(Figure-1): The circular (8, 1), (12, 2.5) and (16, 4‬‬ ‫‪neighborhoods for LBP.‬‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫‪texture segmentation‬‬ ‫‪texture classification‬‬ ‫‪1‬‬ ‫(شکل‪ :)1-‬نمونههای همسایگیهای دایروی مختلف (‪،) 8 ، 1‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫تکرار منظم یک عنصر تصویری در پردازش تصویر بهعنوان‬ ‫بافت شناخته میشود‪ .‬طبیعت اطراف ما سرشار از تصاویر‬ ‫بافت است‪ .‬سطح قابل مشاهده هر شیء یک تصویر بافت‬ ‫است‪ .‬بافت بهطورمعمول بهصورت صاف یا زمخت‪ ،‬نرم یا‬ ‫سخت‪ ،‬مات یا براق و غیره توصیف میشود‪ .‬تصویر بافت و‬ ‫یا ناحیهای را که دارای بافت خاص در تصویر است میتوان‬ ‫با کمک تغییرات شدت روشنایی و یا رنگ آنها شناسایی‬ ‫کرد [‪ .]1‬تجزیه و تحلیلهای مختلفی بر روی تصاویر‬ ‫بافتی قابل انجام است‪ .‬دو مورد از پرکاربردترین این تجزیه‬ ‫و تحلیلها‪ ،‬بخشبندی تصاویر بافت‪ 1‬و طبقهبندی تصاویر‬ ‫بافتی‪ 2‬است‪ .‬در بخشبندی تصاویر بافت‪ ،‬هر تصویر باید‬ ‫شامل چندین بافت مختلف و الگوریتم باید توانایی تفکیک‬ ‫و تشخیص بافتهای مختلف را داشته باشد و بتواند‬ ‫مرزهای بافتهای مختلف را بهخوبی شناسایی کند که با‬ ‫طبقهبندی تصاویر بافت متفاوت است‪ .‬در طبقهبندی‬ ‫تصاویر بافتی‪ ،‬هر تصویر تنها شامل یک بافت است‪ .‬و‬ ‫پایگاه داده شامل تصاویر بافتی مختلف است و الگوریتم‬ ‫باید توانایی جداسازی تصاویر بافتی یکسان و قراردادن‬ ‫آنها در یک دسته مجزا را داشته باشد‪ .‬در این مقاله‬ ‫تمرکز ما بر روی طبقهبندی تصاویر بافتی است‪.‬‬ ‫طبقهبندی بافتها نیز به فرایند انتصاب یک بافت‬ ‫ناشناخته به یک مجموعه شناختهشده از دسته بافت گفته‬ ‫میشود‪ .‬از کاربردهای طبقهبندی بافتها میتوان به‬ ‫سنجش از راه دور‪ ،‬تشخیص الگو‪ ،‬تصویربرداری پزشکی و‬ ‫بازرسی صنعتی اشاره کرد‪ .‬گام نخست در طبقهبندی‬ ‫تصاویر بافتی‪ ،‬استخراج ویژگیهای مناسب از آنها است‪.‬‬ ‫برای این منظور‪ ،‬در دهههای گذشته‪ ،‬روشهای متعددی‬ ‫جهت استخراج ویژگی از تصاویر بافت توسعه یافتهاند‪ .‬از‬ ‫جمله مهمترین آنها میتوان به تبدیالت فرکانسی مختلف‬ ‫همانند تبدیل موجک [‪ ،]3 ,2‬بانک فیلترهای گابور [‪،]5 ,4‬‬ ‫ماتریس همرخداد سطوح خاکستری [‪ ]8-6‬و خانوادة‬ ‫الگوی دودویی محلی [‪ ]14-9‬اشاره کرد‪.‬‬ ‫یکی از مشهورترین و پرکاربردترین این روشها‪،‬‬ ‫الگوی باینری محلی(‪ ) LBP‬است [‪ .]12‬در ‪ ،LBP‬هر یک‬ ‫از همسایگیهای محلی تصویر ورودی بر اساس میزان‬ ‫شدت روشنایی پیکسل موجود در مرکز همسایگی تبدیل‬ ‫به یک کُد دودویی میشوند؛ سپس‪ ،‬معادل دهدهی کُد‬ ‫حاصله بهعنوان یک برچسپ برای توصیف آن همسایگی‬ ‫استفاده میگردد‪.‬‬ ‫بدین صورت‪ ،‬به هریک از ریزساختارهای موجود‬ ‫در تصویر بافتی ورودی (گوشهها‪ ،‬خطوط مستقیم و‬ ‫مورب‪ ،‬حفرهها‪ ،‬خالها و غیره) یک کُد دهدهی اختصاص‬ ‫داده میشود‪ .‬پس از آن‪ ،‬نمودار انباشتگی کُدهای حاصله‬ ‫محاسبه شده و از آن بهعنوان یک بردار ویژگی جهت‬ ‫توصیف آماری تصویر بافت ورودی استفاده میشود‪ .‬در‬ ‫شکل (‪ )1‬نمونههایی از همسایگی دایرهای با شعاعها (‪)R‬‬ ‫و تعداد همسایگیهای (‪ )P‬مختلف حول پیکسل مرکزی‬ ‫مشاهده میشود‪.‬‬ ‫(‪)1‬‬ ‫𝑛‬ ‫‪𝐿𝐵𝑃𝑃,𝑅 = ∑𝑃−1‬‬ ‫‪𝑛=0 𝑆(𝑔𝑛 − 𝑔𝑐 )2‬‬ ‫‪𝑥≥0‬‬ ‫‪𝑥<0‬‬ ‫‪1,‬‬ ‫‪0,‬‬ ‫{ = )𝑥(𝑓 = )𝑥(𝑆‬ ‫که در آن‪ ،‬نماد ‪ ri‬بیانگر این است که عملگر‬ ‫نسبت به چرخش حساس نیست‪ .‬در عملگر 𝑅𝑂𝑅‪ ،‬عمل‬ ‫چرخش به سمت راست روی عدد دودویی ‪P‬بیتی ‪ i‬بار‬ ‫انجام شده و کمینه اعداد بهدستآمده بهازای 𝑖 های بین‪0‬‬ ‫تا ‪ P-1‬بهعنوان الگوهای دودویی محلی انتخاب میشوند‪.‬‬ ‫با چرخش تصویر‪ ،‬نقاطی که در همسایگی در نظر گرفته‬ ‫شدهاند با توجه به شکل همسایگیها‪ ،‬روی محیط دایره‬ ‫دوران میکنند؛ بنابراین با استفاده از رابطه (‪ ،)2‬عملگر‬ ‫𝑖𝑟‬ ‫𝑅‪ 𝐿𝐵𝑃𝑃,‬نسبت به چرخش مقاوم میشود‪.‬‬ ‫روش ‪ LBP‬جهت طبقهبندی تصاویر نسبت به نوفه‬ ‫بسیار حساس است؛ چرا که فقط با تغییر یک نمونه از‬ ‫همسایگان‪ ،‬ممکن است کد ‪ LBP‬بهصورت فاحشی تغییر‬ ‫کند‪ .‬از طرفی استفاده از مقیاسهای مختلف در ‪LBP‬‬ ‫محدودیتهایی دارد که در ادامه در مورد آن توضیح داده‬ ‫خواهد شد‪ .‬این ایرادات موجب شد تا مطالعات مختلفی‬ ‫جهت بهبود روش الگوی باینری محلی انجام شود‪ .‬چند‬ ‫نمونه از مهمترین روشهایی که برای ارتقای عملکرد ‪LBP‬‬ ‫ارایه شدهاند‪ ،‬در شکل (‪ )3‬مشاهده میشوند؛ که در ادامه‬ ‫به شرح مختصر هر یک از این روشها میپردازیم‪.‬‬ ‫(شکل‪ :)3-‬مدل مفهومی روشهای توضیح داده شده در مقاله‬ ‫‪(Figure-3): The conceptual model of the methods described‬‬ ‫‪in this paper‬‬ ‫(شکل‪:)2-‬مثالی از عملکرد عملگر ‪LBP‬‬ ‫‪(Figure-2): An example illustrating the operation of the‬‬ ‫‪basic LBP operator‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫‪167‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫برای مقاومکردن الگوی دودویی محلی نسبت به‬ ‫چرخش‪ ،‬با شیفت چرخشی عدد دودویی بهدستآمده (از‬ ‫مقایسه پیکسلهای همسایه و پیکسل مرکزی) و انتخاب‬ ‫کمینه مقدار ممکن طبق رابطه (‪ )2‬عمل میشود‪:‬‬ ‫در شکل بهبودیافته ‪ ،LBP‬معیاری به نام میزان‬ ‫همگنی یا یکنواختی تعریف میشود [‪ ]15‬که نشاندهنده‬ ‫تعداد جهشها از صفر به یک و یک به صفر در کد دودویی‬ ‫تولیدی توسط الگوی دودویی محلی است‪ .‬بنا به تعریف‪،‬‬ ‫الگوهایی که میزان یکنواختی آنها (‪ )U‬حداکثر برابر با‬ ‫‪ UT‬باشد‪ ،‬بهعنوان الگوهای یکنواخت یا همگن تعریف‬ ‫میشوند‪ .‬الگوی دودویی محلی در شکل جدید بهصورت‬ ‫رابطه (‪ )3‬تعریف میشود‪:‬‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫که در آن‪ P ،‬نشاندهنده تعداد نقاط همسایه حول‬ ‫پیکسل مرکزی است‪ .‬شدت روشنایی پیکسلهای همسایه‬ ‫با 𝑛𝑔 و شدت روشنایی پیکسل مرکزی با 𝑐𝑔 نشان داده‬ ‫شده است‪ .‬پیکسلهای همسایه به فاصله ‪ R‬از پیکسل‬ ‫مرکزی قرار دارند‪ 𝑆 .‬نیز تابع عالمت است‪.‬‬ ‫نحوه عملکرد عملگر ‪ LBP‬در شکل (‪ )2‬مشاهده‬ ‫میشود‪ .‬همانطورکه در شکل مشخص است‪ ،‬پس از‬ ‫انتخاب همسایگیها دور پیکسل مرکزی‪ ،‬از یک نقطه‬ ‫شروع کرده و تمامی پیکسلهای همسایه با پیکسل‬ ‫مرکزی مقایسه میشوند؛ بدین صورت که اگر مقدار آنها‬ ‫از پیکسل مرکزی بزرگتر یا مساوی باشد‪ ،‬مقدار ‪ 1‬و اگر‬ ‫کوچکتر از آن باشد‪ ،‬مقدار صفر به جای پیکسل همسایه‬ ‫قرار میگیرد؛ درنهایت همة این اعداد را کنار هم گذاشته‬ ‫و عدد دودویی ‪P‬بیتی بهدست میآید؛ سپس این عدد‬ ‫دودویی به عدد دهدهی تبدیل شده و به جای پیکسل‬ ‫مرکزی قرار میگیرد‪ .‬کد بهدستآمده همان کد ‪LBP‬‬ ‫پیکسل مرکزی است‪ .‬این عمل برای تمامی پیکسلهای‬ ‫تصویر تکرار شده‪ ،‬و کد ‪ LBP‬تمامی ریزساختارهای تصویر‬ ‫محاسبه میشود‪ .‬در رابطه (‪ 𝐿𝐵𝑃𝑃,𝑅 ،)1‬بهنحوه‬ ‫اندیسگذاری پیکسلهای موجود در همسایگی وابسته‬ ‫است‪.‬‬ ‫(‪)2‬‬ ‫})𝑖 ‪= 𝑚𝑖𝑛{𝑅𝑂𝑅(𝐿𝐵𝑃𝑃,𝑅 ,‬‬ ‫‪𝑖 = 0,1, … , 𝑃 − 1‬‬ ‫روشی نوین در طبقهبندی مقاوم به نوفة تصاویر بافتی با استفاده از توصیف چندمقیاسة توأمان الگوی دودویی محلی‬ ‫در نسخه اولیه این روش‪ ،‬الگوهای دودویی محلی‬ ‫در یک همسایگی از تصویر بهصورت رابطه (‪ )1‬تعریف‬ ‫میشوند‪:‬‬ ‫𝑖𝑟‬ ‫𝑅‪𝐿𝐵𝑃𝑃,‬‬ ‫𝑢𝑖𝑟‬ ‫(‪)3‬‬ ‫𝑇𝑈 ≤ 𝑈‬ ‫𝑇 𝑅‪𝐿𝐵𝑃𝑃,‬‬ ‫‪𝑃−1‬‬ ‫‪∑ 𝑆(𝑔𝑛 − 𝑔𝑐 )2𝑛 ,‬‬ ‫𝑒𝑠𝑖𝑤𝑟𝑒‪𝑜𝑡ℎ‬‬ ‫‪𝑛=0‬‬ ‫‪{𝑃 + 1,‬‬ ‫(‪)4‬‬ ‫=‬ ‫𝑛‬ ‫‪𝑃−1‬‬ ‫‪𝐶𝐿𝐵𝑃_𝑀𝑃,𝑅 = ∑ 𝑇(𝑚𝑃 , c)2‬‬ ‫‪𝑛=0‬‬ ‫‪1,‬‬ ‫𝑐≥𝑥‬ ‫‪0,‬‬ ‫𝑐<𝑥‬ ‫{ = )𝑐 ‪𝑇(𝑥,‬‬ ‫که در آن ‪ T‬یک مقایسهکننده است‪ 𝑚𝑃 ،‬تفاضل‬ ‫پیکسلهای همسایه از پیکسل مرکزی و ‪ c‬مقدار متوسط‬ ‫تمام 𝑃𝑚ها است‪.‬‬ ‫‪ CLBP-C‬نیز بهوسیلة رابطه (‪ )5‬محاسبه میشود‪:‬‬ ‫همانگونه که از رابطه (‪ )3‬مشاهده میشود؛‬ ‫الگوهای دودویی محلی‪ ،‬که همگنی آنها کوچکتر از مقدار‬ ‫𝑇𝑈 است به کدهای بین ‪ 0‬تا ‪ P -1‬و به سایر الگوها کد‬ ‫‪ P+1‬تخصیص داده میشود‪ .‬در صورت چرخش تصویر‪ ،‬با‬ ‫توجه به اینکه همسایگی بهصورت دایروی در نظر گرفته‬ ‫شده است‪ ،‬نقاط موجود در همسایگی نیز روی محیط‬ ‫دایره حرکت میکنند؛ بنابراین شکل بهبودیافته این روش‬ ‫نیز نسبت به چرخش تصویر حساس نیست‪ .‬درنهایت‬ ‫تعداد ‪ P+2‬کد حاصل میشود‪ .‬با مرتبکردن این کدها‬ ‫بهصورت برداری‪ ،‬یک بردار ویژگی از طول ‪ P+2‬حاصل‬ ‫میشود که از آن میتوان بهعنوان بردار ویژگی استفاده‬ ‫کرد‪ .‬استفاده از الگوهای یکنواخت به جای تمامی الگوهای‬ ‫موجود‪ ،‬موجب ایجاد نتایج بهینه در بسیاری از کاربردها‬ ‫شده است‪ .‬از طرفی در بسیاری از مقاالت شواهدی وجود‬ ‫دارد که نشاندهندة پایدارتربودن الگوهای یکنواخت است‪.‬‬ ‫برای مثال میتوان به مقاومت بیشتر این الگوها نسبت به‬ ‫نوفه اشاره کرد‪ .‬از طرفی تنها استفاده از الگوهای‬ ‫یکنواخت‪ ،‬تعداد کدهای ‪ LBP‬حاصله را بهطور قابل‬ ‫توجهی کاهش میدهد و موجب کاهش پیچیدگی در‬ ‫مراحل بعدی طبقهبندی میشود‪ .‬از بین معیارهای‬ ‫یکنواختی معتعدد‪ ،‬الگوی ‪ riu2‬از لحاظ کارایی و سرعت‬ ‫و تعداد کم ویژگیها یکی از مناسبترین الگوها است‪.‬‬ ‫برخالف وجود بیشترین اطالعات تصویر در عالمت‬ ‫بردار تفاضل پیکسلهای مرکزی و پیکسلهای همسایه‪،‬‬ ‫دامنه این بردار و همچنین خود پیکسلهای مرکزی‬ ‫بهتنهایی حاوی اطالعات مفیدی هستند که اگر بهدرستی‬ ‫مورد استفاده قرار گیرند‪ ،‬میتوانند موجب بهبود‬ ‫طبقهبندی شوند‪.‬‬ ‫‪1‬‬ ‫الگوی دودویی محلی کامل ) ‪ ]9[ (CLBP‬برخالف‬ ‫سایر روشها که فقط از عالمت تفاضل الگوی دودویی‬ ‫استفاده میکنند‪ ،‬هم از عالمت (‪ )CLBP-S‬و هم از اندازه‬ ‫این تفاضل ‪ ))CLBP-M‬استفاده میکند‪ .‬ضمن اینکه‬ ‫اطالعات پیکسل مرکزی (‪ )CLBP-C‬هم مورد استفاده‬ ‫قرار میگیرد‪.‬‬ ‫‪ CLBP-S‬که حاوی اطالعات عالمت بردار تفاضل‬ ‫است‪ ،‬مشابه رابطه (‪ )1‬بهدست میآید‪ CLBP-M .‬نیز با‬ ‫کمک رابطه (‪ )4‬محاسبه میشود‪:‬‬ ‫که 𝑅‪ β𝑃,‬متوسط پیکسلهای همسایه در شعاع ‪ R‬و تعداد‬ ‫همسایگی‪ P‬است‪ .‬برای 𝐷𝑅_𝑃𝐵𝐿𝐸‪ ،‬پیکسلهای همسایه‬ ‫با پیکسلهای همان موقعیت و در شعاعی به اندازه یک‬ ‫‪1‬‬ ‫‪2‬‬ ‫(‪)6‬‬ ‫)𝛽 ‪𝐸𝐿𝐵𝑃_𝐶𝐼𝑃,𝑅 (𝑥𝑐 ) = 𝑆(𝑥𝑐 −‬‬ ‫‪𝑛=0‬‬ ‫در این رابطه‪ c ،‬بیانگر متوسط کل پیکسلهای موجود در‬ ‫تصویر و پیکسلهای مرکزی است‪ .‬درنهایت اطالعات‬ ‫بدستآمده از عالمت‪ ،‬دامنه و پیکسل مرکزی با روشهای‬ ‫مختلف با یکدیگر ترکیب شده و ویژگیهای نهایی حاصل‬ ‫میشوند‪ .‬عمل طبقهبندی نیز بر روی همین ویژگیها‬ ‫انجام میشود‪ .‬براساس نتایج و مشاهدات انجامشده در‬ ‫[‪ ،]9‬این روش از دقت طبقهبندی قابل قبولی برخوردار‬ ‫است‪.‬‬ ‫در [‪ ]11‬روشی ارایه شد که بر خالف ‪ LBP‬که‬ ‫فقط رابطه بین پیکسل مرکزی با همسایههای آن مشخص‬ ‫میشود‪ ،‬بتواند رابطه مکانی پیکسلها را در یک ناحیه‬ ‫محلی مشخص کند‪ .‬این روش که ‪ ELBP2‬نامگذاری شده‪،‬‬ ‫دربرگیرنده اطالعات مکانی بیشتری خواهد بود‪ELBP .‬‬ ‫شامل سه توصیفگر شبه ‪ LBP‬به نامهای‪،ELBP-CI‬‬ ‫‪ ELBP-NI‬و‪ ELBP-RD‬است که استخراجکننده اطالعات‬ ‫از شدت پیکسل مرکزی و پیکسلهای همسایه آن هستند‪.‬‬ ‫استراتژی این روش تقریباً مشابه ‪ LBP‬است‪ .‬بهعنوان مثال‬ ‫رابطه 𝐼𝐶_𝑃𝐵𝐿𝐸 بهصورت رابطه (‪ )6‬است‪:‬‬ ‫که در آن ‪ s‬تابع عالمت بوده و 𝛽 متوسط تمام پیکسلهای‬ ‫تصویر بهعنوان آستانه و 𝑐𝑥 پیکسل مرکزی است‪ .‬اگر به‬ ‫جای مقدار آستانه در رابطه باال از متوسط پیکسلهای‬ ‫همسایه برای تولید دنباله باینری استفاده شود‪ELBP-NI ،‬‬ ‫بهوسیلة رابطه (‪ )7‬قابل محاسبه است‪:‬‬ ‫(‪)7‬‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫‪168‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫(‪)5‬‬ ‫𝑛‪𝐶𝐿𝐵𝑃_𝐶𝑃,𝑅 = ∑ 𝑇(𝑔𝑐 , c)2‬‬ ‫‪𝑃−1‬‬ ‫𝑛‪𝐸𝐿𝐵𝑃_𝑁𝐼𝑃,𝑅 (𝑥𝑐 ) = ∑ 𝑆(𝑥𝑃,𝑅,‬‬ ‫𝑛‬ ‫‪𝑛=0‬‬ ‫‪− β𝑃,𝑅 )2‬‬ ‫‪Extended LBP‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫‪Completed LBP‬‬ ‫‪𝑃−1‬‬ ‫(‪)8‬‬ ‫) 𝑐𝑥( ‪𝐸𝐿𝐵𝑃_𝑅𝐷𝑃,𝑅,𝑅−1‬‬ ‫‪𝑃−1‬‬ ‫𝑛‪= ∑ 𝑆(𝑥𝑃,𝑅,𝑛 − 𝑥𝑃,𝑅−1,𝑛 )2‬‬ ‫‪𝑛=0‬‬ ‫در [‪ ]13‬عملگر سهبعدی تحت عنوان الگوی محلی‬ ‫سهتایی (‪ ) LTP1‬پیشنهاد شد که با مشکل موجود در‬ ‫نواحی ثابت عکس‪ ،‬مرتبط بود‪ .‬در رمزگشایی سهبعدی‪،‬‬ ‫اختالف بین پیکسل مرکزی و یک پیکسل همسایه‬ ‫براساس یک آستانه توسط سه مقدار (‪ 0 ،1‬یا ‪ )-1‬کد‬ ‫میشود‪ .‬الگوی سهتایی براساس اجزای مثبت و منفی‬ ‫آنها به دو الگوی دوتایی تقسیم میشود؛ سپس‬ ‫هیستوگرامهای این اجزا به یکدیگر ملحق میشوند‪.‬‬ ‫در [‪ ]14‬مدل جدیدی به نام الگوی کنتراست‬ ‫محلی(‪ )LCP2‬ارایه شد که هدف آن‪ ،‬کمکردن حساسیت‬ ‫زیاد‪ LBP‬نسبت به نوفه است‪ .‬این مدل شامل سه قسمت‬ ‫محاسبه شدت کنتراست محلی‪ ،‬تولید الگوی روشنایی‬ ‫محلی و متصلکردن هیستوگرامهای بهدستآمده از‬ ‫مراحل قبل است‪ .‬در این روش سه نوع ماسک دودویی‬ ‫تعریف میشود‪ .‬ماسکهای مرتبه اول‪ ،‬ماسکهای مرتبه‬ ‫دوم و یک ماسک کلی که تصویر این ماسکها در شکل‬ ‫(‪ )4‬مشاهده میشود‪ .‬ماسکهای مرتبه اول بهصورت رابطه‬ ‫(‪ )9‬قابل نمایش هستند‪:‬‬ ‫(‪)11‬‬ ‫= )𝑦 ‪𝑔 𝑗,𝑑 (𝑥,‬‬ ‫که در آن ‪ 𝐹𝑗,2‬نشاندهنده ماسک ‪-j‬اُم (‪)j=1,2,…,8‬‬ ‫مرتبه دوم است‪ .‬ماسک بدون جهت نیز بهصورت 𝑟𝑖𝑑𝑛𝑢 𝐹‬ ‫قابل نمایش است‪.‬‬ ‫اگر ‪ I‬تصویر بافت ورودی باشد و )‪ I(x,y‬نمایانگر‬ ‫پیکسل موجود در مختصات (‪ )x,y‬در ‪ I‬باشد‪ ،‬در این‬ ‫صورت )𝑦 ‪ ،𝑔 𝑗,𝑑 (𝑥,‬تصویر خروجی که حاصل ضرب تصویر‬ ‫ورودی با ماسک ‪-j‬اُم از مرتبه ‪ d‬که )‪ (d=1,2‬است‬ ‫بهصورت زیر نشان داده میشود‪:‬‬ ‫‪Local Temporary Pattern‬‬ ‫‪Local Contrast Pattern‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪ F‬است که در‬ ‫)𝑣 ‪ 𝑓 (𝑢,‬وزن پیکسلی از ماسک‬ ‫موقعیت )𝑣 ‪ (𝑢,‬آن ماسک حضور دارد‪ .‬همانگونه که‬ ‫اشاره شد‪ ،‬وزنهای ماسکها دو مقدار مثبت و منفی به‬ ‫خود میگیرند که با ‪ 𝑓 +‬و ‪ 𝑓 −‬نمایش داده میشوند‪ .‬در‬ ‫صورتی که 𝑑‪ 𝐹𝑗+ ,‬قسمتی از ماسک با وزن مثبت و 𝑑‪𝐹𝑗− ,‬‬ ‫قسمت دیگر آن با وزن منفی باشد‪ ،‬رابطه (‪ )11‬بهصورت‬ ‫زیر بازنویسی میشود‪:‬‬ ‫𝑑‪𝑗,‬‬ ‫(‪)12‬‬ ‫‪j,d‬‬ ‫‪𝐼(𝑢, 𝑣) +‬‬ ‫∑‬ ‫𝑑 ‪(𝑢,𝑣)∈𝐹𝑗+ ,‬‬ ‫)𝑣 ‪𝐼(𝑢,‬‬ ‫∑‬ ‫‪𝑔 𝑗,𝑑 (𝑥, 𝑦) = 𝑓 +‬‬ ‫𝑑 ‪(𝑢,𝑣)∈𝐹𝑗− ,‬‬ ‫‪𝑓−‬‬ ‫این خروجیها‪ ،‬همان الگوهای شدت محلی‬ ‫هستند؛ سپس هر کدام از این تصویرها را که در خروجی‬ ‫ماسکها قرار دارند‪ ،‬با هم مقایسه کرده و بیشینه مقدار‬ ‫آنها انتخاب میشود‪ .‬درنهایت با استفاده از تصاویر‬ ‫بهدستآمده جدید و تصاویر خروجی ضربشده در مرحله‬ ‫قبل‪ ،‬الگوی روشنایی محلی استخراج میشود؛ سپس‬ ‫هیستوگرام هر کدام از این الگوها استخراج شده و در کنار‬ ‫هم قرار گرفته و برای طبقهبندی استفاده میشوند‪ .‬صحت‬ ‫طبقهبندی تصاویر درحالیکه تصاویر ورودی آغشته به‬ ‫نوفه شوند‪ ،‬در این روش بهبود پیدا میکند‪ .‬در این مقاله‬ ‫تالش شده تا روش ‪ LCP‬به گونهای بهبود یابد‪ ،‬تا ضمن‬ ‫استفاده از اطالعات تصویر در مقیاسهای مختلف بهصورت‬ ‫همزمان‪ ،‬طول بردار ویژگی نسبت به حالت تکمقیاسه‬ ‫ثابت بماند‪.‬‬ ‫‪ -2‬روش پیشنهادی‬ ‫همانگونه که در بخش قبل بیان شد‪ ،‬روش ‪ LBP‬دارای‬ ‫معایبی از جمله حساسیت زیاد نسبت به نوفه است‪LBP .‬‬ ‫یکنواخت تا حدودی این مشکل را با قراردادن کدهای‬ ‫غیریکنواخت و نوفهای در یک انباره هیستوگرام حل کرده‬ ‫است؛ اما این روش نیز ممکن است برای تصاویر با لبههای‬ ‫نامنظم و اشکال پیچیده مفید واقع نشود‪ .‬از طرفی‬ ‫روشهای مبتنی بر ‪ ،LBP‬برای توصیف بافت در‬ ‫چندمقیاس‪ ،‬بهطورمعمول هیستوگرام ویژگیها را در‬ ‫مقیاسهای متفاوت بدستآورده و سپس نتایج حاصله به‬ ‫یکدیگر ملحق میشوند تا یک بردار ویژگی برآیند بهدست‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫‪169‬‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫(‪)10‬‬ ‫} ‪𝐹𝑗,2 = {𝐹1,2 , 𝐹 2,2 , … , 𝐹 8,2‬‬ ‫که در آن ‪ 𝐹𝑗,1‬نشاندهنده ماسک ‪-j‬اُم‬ ‫مرتبه اول است‪ .‬ماسکهای مرتبه دوم نیز بهصورت رابطه‬ ‫(‪ )10‬قابل نمایش هستند‪:‬‬ ‫)‪(j=1,2,…,8‬‬ ‫که در آن 𝑑‪ 𝐹𝑗,‬مجموعه ماسک ورودی است که مرکز آن‬ ‫بر روی پیکسل(‪ )x,y‬قرار دارد‪ .‬در این صورت‪،‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫(‪)9‬‬ ‫} ‪𝐹𝑗,1 = {𝐹1,1 , 𝐹 2,1 , … , 𝐹 8,1‬‬ ‫𝑑‪(𝑢,𝑣)∈𝐹𝑗,‬‬ ‫روشی نوین در طبقهبندی مقاوم به نوفة تصاویر بافتی با استفاده از توصیف چندمقیاسة توأمان الگوی دودویی محلی‬ ‫واحد کمتر مقایسه میشوند که درنهایت رابطه (‪)8‬‬ ‫بهدست میآید‪:‬‬ ‫)𝑣 ‪𝑓 𝑗,𝑑 (𝑢, 𝑣)𝐼(𝑢,‬‬ ‫∑‬ ‫آید‪ .‬در قسمت مقدمه مقاله در مورد ‪ LBP‬و نحوه‬ ‫بهدستآوردن آن توضیح داده شد‪ .‬در مدل استاندارد آن‬ ‫که ویژگیها در یک مقیاس استخراج میشود‪ ،‬با توجه به‬ ‫شعاع و تعداد همسایگی میتوان کدهای مختلفی استخراج‬ ‫کرد‪ .‬بهعنوان مثال ‪ 𝐿𝐵𝑃1,8‬و ‪ 𝐿𝐵𝑃2,16‬و ‪ 𝐿𝐵𝑃3,24‬و غیره‪.‬‬ ‫هر کدام از این کدهای ‪ LBP‬دارای ویژگیهای منحصر به‬ ‫فردی هستند‪ .‬بهعنوان مثال ‪ 𝐿𝐵𝑃1,8‬ممکن است دارای‬ ‫اطالعاتی باشد‪ ،‬که در ‪ 𝐿𝐵𝑃2,16‬موجود نباشد و همینطور‬ ‫برای بقیه کدها‪ .‬حال اگر بهترین شعاعها و بهترین‬ ‫همسایگیها را برای الگوریتم خود بهدست آورده و کدهای‬ ‫‪ LBP‬همة آنها را استخراج کرده و سپس یک بردار‬ ‫ویژگی را که متشکل از همة این شعاعها و همسایگیها‬ ‫میباشد‪ ،‬جهت طبقهبندی استخراج شود‪ ،‬بردار ویژگی‬ ‫بهبود یافته و دارای اطالعات مفید بیشتری از مقیاسهای‬ ‫مختلف تصویر است‪ .‬دلیل دیگری که از مقیاسهای‬ ‫مختلف جهت استخراج ویژگی استفاده میشود‪ ،‬وجود‬ ‫یکی از مهمترین محدودیتها در ‪ LBP‬یعنی پشتیبانی از‬ ‫منطقه مکانی کوچک است‪ .‬بهعنوان مثال ویژگیهای‬ ‫بهدستآمده در یک همسایگی ‪ 3×3‬نمیتوانند ساختارهای‬ ‫بزرگمقیاسی را که ممکن است‪ ،‬ویژگیهایِ غالبِ برخی‬ ‫بافت ها باشند‪ ،‬به خود بگیرند؛ بنابراین با داشتن کدها در‬ ‫مقیاسهای مختلف میتوان بهترین ویژگیها را استخراج‬ ‫کرد که موجب بهبود دقت طبقهبندی شود‪.‬‬ ‫اما این طرح دارای معایبی است؛ بهعنوان مثال‬ ‫درصورتیکه تعداد مقیاسهای استفادهشده زیاد شوند‪،‬‬ ‫طول بردار ویژگی حاصله بهطور چشمگیری افزایش‬ ‫مییابد‪ .‬این به نوبه خود ممکن است‪ ،‬دقت توصیف و‬ ‫طبقهبندی تصاویر بافتی را کاهش دهد؛ چون در صورت‬ ‫وجود همبستگی بین ویژگیهای حاصله‪ ،‬دقت طبقهبندی‬ ‫بهدلیل وجود ویژگیهای اضافه کاهش خواهد یافت‪.‬‬ ‫همچنین اگر تعداد ویژگیها افزایش یابد‪ ،‬ممکن است که‬ ‫برای حصول به دقت طبقهبندی باال‪ ،‬تعداد نمونههای‬ ‫آموزشی باالتری نیاز باشد‪ .‬بدیهی است که بار محاسباتی‬ ‫نیز با افزایش طول بردار ویژگی افزایش مییابد‪.‬‬ ‫در روش پیشنهادی‪ ،‬روشهای مشهور و شناخته‬ ‫شده ‪ LBP‬و ‪ LCP‬که در بخش قبل معرفی شدند؛‬ ‫بهگونهای بهبود مییابد که اولاینکه‪ ،‬روش بهدستآمده از‬ ‫مقاومت باالیی نسبت به نوفه برخوردار باشد‪ .‬دوماینکه‪،‬‬ ‫روش حاصله ضمن استفاده از اطالعات تصویر در‬ ‫مقیاسهای مختلف‪ ،‬دارای بردار ویژگی با طول کمینه‬ ‫باشد‪ .‬در حقیقت‪ ،‬خواهیم دید که طول بردار ویژگی‬ ‫حاصله از روش پیشنهادی‪ ،‬برخالف استفاده از مقیاسهای‬ ‫مختلف برابر با طول بردار ویژگی روش ‪ LCP‬در یک‬ ‫مقیاس و در هر کدام از ماسکها دقیقاً برابر با طول بردار‬ ‫‪𝑟𝑖𝑢2‬‬ ‫𝑅‪( 𝐿𝐵𝑃𝑃,‬رابطه (‪ ))3‬خواهد شد‪.‬‬ ‫ویژگی‬ ‫ماسکهای مرتبه دوم و ماسک تکی سمت راست‪ ،‬ماسک بدون جهت‬ ‫‪(Figure-4): An illustration of the directed and undirected difference masks used in the proposed method. Top row: directed first‬‬‫‪order difference masks. Bottom row: directed second-order difference masks, right mask: undirected difference mask.‬‬ ‫‪Convolution‬‬ ‫‪170‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫‪1‬‬ ‫(‪)13‬‬ ‫‪𝑗,1‬‬ ‫‪𝐹𝑅𝑘 = {𝐹𝑅1,1‬‬ ‫‪, 𝐹𝑅2,1‬‬ ‫‪, … , 𝐹𝑅8,1‬‬ ‫}‬ ‫𝑘‬ ‫𝑘‬ ‫𝑘‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫برای پیادهسازی روش پیشنهادی‪ ،‬ابتدا هفده‬ ‫ماسک دودویی با شعاع دلخواه ‪ R‬همانند شکل (‪ )4‬تعریف‬ ‫میشوند‪ .‬در این ماسکها قسمت مشکی دارای وزن منفی‬ ‫و قسمت سفید دارای وزن مثبت هستند؛ سپس در ادامه‪،‬‬ ‫تصویر ورودی با هر کدام از این ماسکها پاالیش ‪1‬‬ ‫(همپیچش) میشود‪ .‬هر طبقه از ماسکها دارای شعاعهای‬ ‫متفاوتی هستند‪ .‬هر شعاع مشخصکننده مقیاسی است که‬ ‫𝑑‪ 𝐹𝑅𝑗,‬بیانگر‬ ‫در آن مقیاس ویژگیها استخراج میشوند‪ .‬اگر‬ ‫𝑘‬ ‫ماسک ‪-j‬اُم (‪ ) j=1,…,8‬مرتبه ‪-d‬اُم (‪ )d=1,2‬در شعاع‬ ‫(مقیاس) 𝑘𝑅 باشد‪ )k=1,…,K( ،‬در این صورت برای‬ ‫استفاده از ماسکهای مرتبه اول در مقیاسهای مختلف‪،‬‬ ‫رابطه (‪ )9‬بهصورت زیر تعریف میشود‪:‬‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫(شکل‪ :)4-‬ماسکهای متفاوت استفاده شده در [‪ ]14‬و روش پیشنهادی‪ .‬ردیف باال‪ ،‬ماسکهای مرتبه اول؛ ردیف پایین‪،‬‬ ‫(‪)14‬‬ ‫‪𝑗,2‬‬ ‫‪𝐹𝑅𝑘 = {𝐹𝑅1,2‬‬ ‫‪, 𝐹𝑅2,2‬‬ ‫‪, … , 𝐹𝑅8,2‬‬ ‫}‬ ‫𝑘‬ ‫𝑘‬ ‫𝑘‬ ‫و درنهایت ماسک بدون جهت نیز بهصورت‬ ‫𝑟𝑖𝑑𝑛𝑢𝑅𝐹 تعریف میشود؛ سپس تصویر ورودی در تکتک‬ ‫𝑘‬ ‫این ماسکها همپیچش و رابطه (‪ )15‬حاصل میشود‪:‬‬ ‫(‪)15‬‬ ‫)𝑦 ‪𝑔𝑅𝑘 (𝑥, 𝑦) = 𝐹𝑅𝑘 ⨂𝐼(𝑥,‬‬ ‫(‪)16‬‬ ‫‪1‬‬ ‫𝑑‪𝑗,‬‬ ‫)𝑦 ‪∑ 𝑔𝑅𝑘 (𝑥,‬‬ ‫𝑀‬ ‫𝑑‪𝑗,‬‬ ‫‪𝑗,2‬‬ ‫که در آن‪ I‬تصویر بافت ورودی است و )‪ I(x,y‬نمایانگر‬ ‫𝑑‪𝑗,‬‬ ‫پیکسل موجود در مختصات (‪ )x,y‬در ‪ I‬است‪𝐹𝑅𝑘 .‬‬ ‫مجموعه ماسک ورودی است که مرکز آن بر روی پیکسل‬ ‫(‪ )x,y‬قرار دارد‪ K .‬نشاندهنده تعداد مقیاسها و 𝑘𝑅 شعاع‬ ‫ماسک در مقیاس مورد نظر است‪.‬‬ ‫𝑑‪𝑗,‬‬ ‫پس از آنکه تصویر ورودی ‪ I‬با ماسک 𝑘𝑅𝐹‬ ‫𝑑‪ 𝑇𝑅𝑗,‬برای هر‬ ‫همپیچش شد‪ ،‬یک مقدار آستانه عمومی‬ ‫𝑘‬ ‫کدام از تصاویر خروجی )𝑦 ‪ 𝑔𝑅𝑗,𝑑𝑘 (𝑥,‬محاسبه میشود که‬ ‫از رابطه زیر بهدست میآید‪:‬‬ ‫𝐼∈)𝑦‪(𝑥,‬‬ ‫𝑑‪𝑗,‬‬ ‫= 𝑘𝑅𝑇‬ ‫𝑑‪𝑗,‬‬ ‫𝑑‪𝑗,‬‬ ‫)𝑦 ‪𝑔𝑅𝑘 (𝑥,‬‬ ‫(‪)17‬‬ ‫𝑑‪𝑗,‬‬ ‫𝐾‬ ‫𝑑‪𝑗,‬‬ ‫)𝑦 ‪𝑞𝑅𝑘 (𝑥, 𝑦) = ∑ 𝑔𝑅𝑘 (𝑥,‬‬ ‫𝐾‬ ‫𝑑‪𝑗,‬‬ ‫𝑘𝑅𝑇 ∑‬ ‫‪𝑘=1‬‬ ‫‪−‬‬ ‫‪𝑘=1‬‬ ‫𝑗‬ ‫𝑗‬ ‫پس از محاسبات باال‪ ،‬رابطه ‪ LBP‬جدید پیشنهادی‬ ‫که شامل مقیاسهای مختلف جهت استخراج ویژگی‬ ‫میشود‪ ،‬بهصورت رابطه (‪ )19‬بهدست میآید‪:‬‬ ‫(‪)19‬‬ ‫)𝑦 ‪𝑁𝐸𝑊_𝐿𝐵𝑃𝑅1𝑘 (𝑥,‬‬ ‫𝑗‬ ‫‪8‬‬ ‫))𝑦 ‪= ∑ 𝑆(𝑞̂𝑅𝑘 (𝑥,‬‬ ‫‪𝑗=1‬‬ ‫که در آن ‪ S‬تابع عالمت است‪ .‬رابطه (‪ )19‬بیانگر تمامی‬ ‫الگوهای یکنواخت و غیریکنواخت موجود در تصویر است‪.‬‬ ‫جهت در نظر گرفتن الگوهای یکنواخت‪ ،‬که در مقدمه در‬ ‫مورد آنها صحبت شد و مهمترین قسمت ویژگیهای‬ ‫استخراجی هستند‪ ،‬بهصورت زیر عمل میشود‪:‬‬ ‫(‪)20‬‬ ‫𝑗‬ ‫‪𝑈(𝑞̂𝑅𝑘 (𝑥, 𝑦)) < 6‬‬ ‫)𝑦 ‪(𝑥,‬‬ ‫‪1,𝑟𝑖𝑢6‬‬ ‫𝑘𝑅𝑃𝐵𝐿_𝑊𝐸𝑁‬ ‫𝑗‬ ‫‪8‬‬ ‫))𝑦 ‪∑ 𝑆(𝑞̂𝑅𝑘 (𝑥,‬‬ ‫‪𝑗=1‬‬ ‫‪{ 8‬‬ ‫𝑒𝑠𝑖𝑤𝑟𝑒‪𝑜𝑡ℎ‬‬ ‫=‬ ‫در رابطه باال ‪ U‬معیار محاسبه یکنواختی است که‬ ‫بهصورت زیر تعریف میشود‪:‬‬ ‫(‪)21‬‬ ‫‪7‬‬ ‫𝑗‬ ‫))𝑦 ‪𝑈 (𝑞̂𝑅𝑘 (𝑥,‬‬ ‫𝑗‬ ‫))𝑦 ‪= ∑ |𝑆(𝑞̂𝑅𝑘 (𝑥,‬‬ ‫‪𝑗=0‬‬ ‫)‪𝑚𝑜𝑑(𝑗+1,7‬‬ ‫|))𝑦 ‪(𝑥,‬‬ ‫𝑘𝑅̂𝑞(𝑆‪−‬‬ ‫همانطورکه در رابطه (‪ )20‬مشاهده میشود‬ ‫درنهایت طول کد هیستوگرام نهایی که برخالف استفاده از‬ ‫مقیاسهای مختلف استخراج شده‪ 9 ،‬است (یعنی برابر با‬ ‫طول هیستوگرام تولیدی توسط روش الگوی دودویی‬ ‫محلی استاندارد در یک مقیاس)‪.‬‬ ‫ب) ماسکهای مرتبه دوم‪:‬‬ ‫برای ماسک مرتبه دوم محاسبات بهطورتقریبی مشابه‬ ‫ماسک مرتبه اول است؛ ولی معیار یکنواختی را به جای‬ ‫شش‪ ،‬دو در نظر میگیریم و رابطه (‪ )22‬حاصل میشود‪.‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫‪171‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫یکی از ایدههای اصلی در رابطه (‪ )17‬آشکار‬ ‫میشود‪ .‬خروجیهای حاصل از همپیچش تصویر ورودی ‪I‬‬ ‫𝑑‪ )𝐹𝑅𝑗,‬در مقیاسهای مختلف‬ ‫و ماسکهای مورد نظر (‬ ‫𝑘‬ ‫𝑑‪𝑗,‬‬ ‫محاسبه و با یکدیگر جمع میشوند‪ .‬برای آستانه 𝑘𝑅𝑇 نیز‬ ‫همین عمل در مقیاسهای مختلف تکرار میشود‪ .‬از‬ ‫کمکردن دو مقدار بهدستآمده از یکدیگر میتوان‬ ‫ویژگیها را در تمام مقیاسها بهصورت یکجا و توأمان‬ ‫استخراج کرد‪ .‬در نتیجه نیازی به پیوست بردارهای ویژگی‬ ‫در مقیاسهای مختلف بهصورت جداگانه نیست؛ سپس‬ ‫نوبت به استخراج کدهای روش پیشهادی جهت‬ ‫طبقهبندی تصاویر میرسد که برای ماسکهای مرتبه اول‬ ‫(‪)18‬‬ ‫𝑗‬ ‫])𝑦 ‪𝑞̂𝑅𝑘 (𝑥, 𝑦) = [𝑞𝑅𝑘 (𝑥, 𝑦) , −𝑞𝑅𝑘 (𝑥,‬‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫در رابطه (‪ 𝑀 )16‬تعداد پیکسلهای تصویر‬ ‫است‪ .‬آستانه باال همان متوسط تصویر‬ ‫است؛‬ ‫سپس آستانه را از حاصل همپیچش بهدستآمده در‬ ‫𝑑‪𝑗,‬‬ ‫مقیاسهای مختلف کم کرده و نتیجه‪𝑞𝑅𝑘 (𝑥, 𝑦) ،‬‬ ‫نامگذاری میشود‪:‬‬ ‫)𝑦 ‪𝑔𝑅𝑘 (𝑥,‬‬ ‫الف)ماسکهای مرتبه اول‪:‬‬ ‫پس از محاسبه رابطه (‪ )17‬مقادیر منفی تصاویر‬ ‫بهدستآمده را نیز در کنار آنها قرار داده تا اثرات چرخش‬ ‫تصویر نیز درنظر گرفتهشوند؛ در نتیجه خواهیم داشت‪:‬‬ ‫روشی نوین در طبقهبندی مقاوم به نوفة تصاویر بافتی با استفاده از توصیف چندمقیاسة توأمان الگوی دودویی محلی‬ ‫همچنین جهت استفاده از ماسکهای مرتبه دوم‬ ‫در مقیاسهای مختلف‪ ،‬رابطه (‪ )10‬نیز بهصورت زیر‬ ‫بازنویسی میشود‪:‬‬ ‫و دوم استراتژیهای متفاوتی در نظر گرفته میشود که در‬ ‫ادامه به توضیح آن خواهیم پرداخت‪.‬‬ ‫ویژگی مورد استفاده در (الف)‬ ‫‪(Figure-5): The flowchart of the proposed method for the first-order masks. A) Training and testing parts. B) Details of the‬‬ ‫)‪feature extraction block used in (A‬‬ ‫معیار یکنواختی شش برای ماسکهای مرتبه اول و دو‬ ‫برای ماسکهای مرتبه دوم با آزمون و خطا و بر اساس‬ ‫نتایج حاصل از آزمایشهای متعدد بهدست آمده است‪.‬‬ ‫(‪)22‬‬ ‫𝑗‬ ‫‪𝑈(𝑞𝑅𝑘 (𝑥, 𝑦)) < 2 ,‬‬ ‫𝑗‬ ‫‪8‬‬ ‫))𝑦 ‪∑ 𝑆(𝑞𝑅𝑘 (𝑥,‬‬ ‫‪𝑗=1‬‬ ‫‪9‬‬ ‫{‬ ‫=‬ ‫ج) بیشینهگیری از خروجی ماسکها‪:‬‬ ‫عالوه بر هیستوگرامهایی که از همپیچش تصویر ورودی با‬ ‫ماسکهای مرتبه اول و دوم بهدست میآید‪ ،‬یک سری‬ ‫‪172‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫(‪)23‬‬ ‫‪𝑑 (𝑥,‬‬ ‫)𝑦‬ ‫𝑥𝑎𝑚𝑃𝐵𝐿_𝑊𝐸𝑁‬ ‫𝑑‬ ‫𝑑𝜎‪(𝑥, 𝑦) > 𝑚𝑑 + 0.5‬‬ ‫‪2‬‬ ‫𝑥𝑎𝑚𝑞‬ ‫𝑑‬ ‫‪= {1‬‬ ‫𝑑𝜎‪𝑞𝑚𝑎𝑥 (𝑥, 𝑦) < 𝑚𝑑 − 0.5‬‬ ‫‪0‬‬ ‫𝑒𝑠𝑖𝑤𝑟𝑒‪𝑜𝑡ℎ‬‬ ‫رابطه باال‪ 𝑚𝑑 ،‬میانگین و 𝑑𝜎 انحراف استاندارد‬ ‫که در‬ ‫𝑑‬ ‫𝑥𝑎𝑚𝑞 میباشد‪ .‬طبق رابطه (‪ )23‬ماتریس بیشینه‬ ‫ماتریس‬ ‫به سه مقدار صفر‪ ،‬یک و دو نگاشت میشود‪.‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫𝑒𝑠𝑖𝑤𝑟𝑒‪𝑜𝑡ℎ‬‬ ‫)𝑦 ‪(𝑥,‬‬ ‫‪2,𝑟𝑖𝑢2‬‬ ‫𝑘𝑅𝑃𝐵𝐿_𝑊𝐸𝑁‬ ‫ویژگی بهوسیله بیشینهگیری از تصاویر خروجی حاصل از‬ ‫همپیچش ماسکهای مرتبه اول و دوم نیز استخراج‬ ‫میشود‪ .‬بدین صورت که پس از این که بیشینه مقدار‬ ‫خروجیهای حاصل از همپیچش تصویر ورودی و ماسکها‬ ‫را محاسبه کردیم‪ ،‬با استفاده از الگوی زیر خروجیهای‬ ‫مرحله قبل کد میشود‪.‬‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫(شکل‪ :)5-‬نمودار گردشکار روش پیشنهادی برای ماسکهای مرتبه اول‪ .‬الف) بخش آموزش و آزمایش‪ .‬ب) جزئیات بلوک استخراج‬ ‫پس از همپیچش این ماسک با تصویر ورودی‪ ،‬خروجی با‬ ‫کمک رابطه (‪ )24‬کد میشود‪:‬‬ ‫(‪)24‬‬ ‫‪+‬‬ ‫)𝑦 ‪𝑁𝐸𝑊_𝐿𝐵𝑃 𝑢𝑛𝑑𝑖𝑟 (𝑥,‬‬ ‫‪2‬‬ ‫‪𝑞 𝑑 (𝑥, 𝑦) > 𝑚+‬‬ ‫‪= {1‬‬ ‫‪𝑞 𝑑 (𝑥, 𝑦) < 𝑚−‬‬ ‫‪0‬‬ ‫𝑒𝑠𝑖𝑤𝑟𝑒‪𝑜𝑡ℎ‬‬ ‫‪−‬‬ ‫که در آن ‪ m‬و ‪ m‬میانگین اعداد مثبت و منفی‬ ‫موجود در تصویر خروجی همپیچش این ماسک با تصویر‬ ‫ورودی است‪.‬‬ ‫ه) پیوستکردن هیستوگرامها‪:‬‬ ‫پس از استخراج کدهای مختلف از ماسکهای مرتبه اول و‬ ‫دوم و بدون جهت و همچنین ماتریس بیشینه‪ ،‬و تهیه‬ ‫هیستوگرام آنها نوبت به پیوست آنها به یکدیگر میرسد‪.‬‬ ‫بدین منظور ابتدا هیستوگرامهای مربوط به ماسک بدون‬ ‫جهت‪ ،‬مرتبه اول و بیشینه این ماسکها به یکدیگر‬ ‫پیوست میشوند‪ .‬همچنین هیستوگرامهای مربوط به‬ ‫ماسک بدون جهت‪ ،‬مرتبه دوم و بیشینه این ماسکها نیز‬ ‫بهصورت جداگانه به یکدیگر پیوست میگردند‪ .‬درنهایت‬ ‫این دو هیستوگرام در کنار یکدیگر قرار گرفته و‬ ‫‪ -3‬نتایج شبیهسازی‬ ‫پایگاه داده ‪ Outex‬دارای چندین زیرمجموعه (گروه) است‬ ‫که چهار زیرمجموعه به نامهای ‪ TC12، TC11 ،TC10‬و‬ ‫‪ TC13‬در این مقاله مورد استفاده قرار گرفته است‪ .‬تصاویر‬ ‫موجود در این زیرمجموعهها تحت سه سطح روشنایی‬ ‫مختلف به نامهای ("‪ "inca" ،"horizon‬و "‪ )"t184‬و ‪9‬‬ ‫جهت متفاوت (‪ 60،75، 45، 30، 15، 10، 5، 0‬و‪90‬‬ ‫درجه) جمعآوری شدهاند‪ .‬در ادامه به توصیف هر یک از‬ ‫این چهار گروه میپردازیم‪:‬‬ ‫‪ )1‬گروه ‪ :TC10‬تصاویر بافتی موجود در این گروه‪،‬‬ ‫جهت انجام آزمایشهای سنجش میزان مقاومت به‬ ‫چرخش تصاویر بافتی طراحی شده که شامل ‪ 24‬طبقه و‬ ‫هر طبقه شامل بیست نمونه که تحت زوایای مختلف تهیه‬ ‫شدهاند؛ است‪ .‬همانند روال معمول استفادهشده در مقاالت‬ ‫مشابه که از این گروه برای انجام آزمایشها استفاده‬ ‫کردهاند‪ ،‬تعداد ‪ 24×20‬تصویر با زاویه صفر درجه بهعنوان‬ ‫نمونههای آموزشی و ‪ 8×20×24‬تصویر باقیمانده بهعنوان‬ ‫تصاویر آزمون مورد استفاده قرار میگیرند‪.‬‬ ‫‪ )2‬گروه ‪ :TC11‬این پایگاه داده شامل ‪ 960‬تصویر‬ ‫متفاوت است که مشابه مقاالت پیشین‪ 480 ،‬تصویر آن‬ ‫برای آموزش و ‪ 480‬تصویر دیگر آن جهت آزمون مورد‬ ‫استفاده قرار میگیرند‪ .‬این که کدام تصویر برای آموزش‬ ‫استفاده میشود و کدام یک برای آزمون‪ ،‬در پایگاه داده‬ ‫مشخص شده است‪.‬‬ ‫‪ )3‬گروه ‪ :TC12‬این پایگاه داده‪ ،‬شامل ‪ 24‬طبقه و‬ ‫‪ 9120‬تصویر بافتی متفاوت تحت ‪ 9‬زاویه متفاوت و‬ ‫سطوح روشنایی "‪ "horizon‬و "‪ "t184‬است‪ .‬مشابه‬ ‫مقاالت پیشین‪ ،‬تصاویر با جهت صفردرجه بهعنوان تصاویر‬ ‫آموزشی و سایر تصاویر بهعنوان تصاویر آزمون مورد‬ ‫استفاده قرار میگیرند‪.‬‬ ‫‪ )4‬گروه ‪ :TC13‬این گروه شامل ‪ 68‬طبقه بافتی‬ ‫است که هر طبقه شامل بیست تصویر است‪ .‬مشابه مقاالت‬ ‫پیشین‪ ،‬ده تصویر از هر طبقه این پایگاه داده بهعنوان‬ ‫تصاویر آموزشی و بقیه تصاویر بهعنوان تصاویر آزمایشی‬ ‫مورد استفاده قرار میگیرند‪.‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫‪173‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫جهت ارزیابی روش پیشنهادی‪ ،‬عملکرد آن را با چند روش‬ ‫مهم طبقهبندی تصاویر بافتی دیگر مقایسه کردیم‪ .‬برای‬ ‫این منظور از پایگاه داده معتبر و استاندارد ‪]16[ Outex‬‬ ‫استفاده شده است‪ .‬در آزمایشهای انجامشده‪ ،‬هر یک از‬ ‫تصاویر بافتی استفادهشده ابتدا به سطح خاکستری تبدیل‬ ‫شد و همانند روند معمول استفادهشده در مراجع [‪,15 ,12‬‬ ‫‪ ]17‬سطح روشنایی کلیه پیکسلها به اندازه ‪ 128‬واحد‬ ‫کاهش یافت و سپس با تقسیم مقادیر بهدستآمده بر عدد‬ ‫‪ ،20‬نرمالیزه شدند‪ .‬از آنجاییکه در این مقاله‪ ،‬ارزیابی‬ ‫عملکرد روشهای مختلف در مقابل نوفه گوسی مد نظر‬ ‫است‪ ،‬به تصاویر بهدستآمده یک نوفه گوسی با میانگین‬ ‫‪ -1-3‬معرفی پایگاه داده ‪Outex‬‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫هیستوگرام نهایی را تشکیل میشوند؛ مراحل انجام روش‬ ‫پیشنهادی برای ماسکهای مرتبه اول بهصورت گرافیکی‬ ‫در شکل (‪ )5‬نشان داده شده است‪ .‬توجه شود که نمودار‬ ‫گردشکار برای ماسکهای مرتبه دوم بهطوردقیق مانند‬ ‫نمودارگردش کار ماسکهای مرتبه اول است؛ با این تفاوت‬ ‫که در بلوک دوم استخراج ویژگی به جای ماسکهای‬ ‫مرتبه اول‪ ،‬ماسکهای مرتبه دوم قرار میگیرند‪.‬‬ ‫هیستوگرام‪ ،‬از معیار فاصله ‪ ‬و برای طبقهبندی از‬ ‫طبقهبند نزدیکترین همسایه برای بررسی میزان صحت‬ ‫طبقهبندی و مقایسه با روشهای دیگر استفاده شده است‪.‬‬ ‫‪2‬‬ ‫روشی نوین در طبقهبندی مقاوم به نوفة تصاویر بافتی با استفاده از توصیف چندمقیاسة توأمان الگوی دودویی محلی‬ ‫د) ماسک بدون جهت‪:‬‬ ‫صفر و‪ SNR‬مشخص بر حسب ‪ dB‬اضافه شد‪ .‬همانند‬ ‫مراجع [‪ ،]17 ,15 ,12‬برای محاسبه میزان شباهت بین دو‬ ‫(شکل‪ :)6-‬نمونههایی از ‪ 24‬طبقه بافتی مختلف از‬ ‫پایگاه داده ‪Outex‬‬ ‫‪(Figure-6): Examples of 24 different textures from‬‬ ‫‪the Outex database‬‬ ‫نخست تصاویر بدون نوفه‪ .‬سطر دوم و سوم تصاویر آغشته به‬ ‫نوفه گاوسی با ‪SNR‬های ‪ 30‬و ‪ 10‬دسیبل‬ ‫‪(Figure-7): Examples of OutexTC10 database‬‬ ‫‪images. First row shows examples of no-noise images. The‬‬ ‫‪second and third rows show example images with Gaussian‬‬ ‫‪noise with SNRs of 30 and 10 dB‬‬ ‫نمونههایی از تمامی طبقههای پایگاه داده‬ ‫در شکل (‪ )6‬نشان داده شده است‪ .‬همچنین‪ ،‬در شکل‬ ‫(‪ ،)7‬نمونههایی از تصاویر گروه ‪ TC10‬بهصورت بدون نوفه‬ ‫و درحالیکه به آنها نوفه سفید گوسی با ‪SNR‬های ده و‬ ‫سی دسیبل اضافه شده‪ ،‬نشان داده شده است‪.‬‬ ‫‪Outex‬‬ ‫در جداول (‪ )1‬تا (‪ )5‬نتایج حاصل از اعمال روشهای‬ ‫مختلف طبقهبندی تصاویر بافتی بر روی هر یک از چهار‬ ‫گروه استفادهشده از پایگاه داده ‪ Outex‬و طبق روال‬ ‫‪174‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫‪ -2-3‬نتایج آزمایشها‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫(شکل‪ :)7-‬نمونههایی از تصاویر پایگاه داده ‪ OutexTC10‬سطر‬ ‫بسیاری از مقاالت معتبر در دوحالت بدون نوفه و نوفهای‬ ‫در چهار سطح نویز گوسی مختلف ( ‪SNR=5, 10, 15, 30‬‬ ‫‪ )dB‬ارایه شدهاند‪ .‬بهطور خاص‪ ،‬در جداول (‪ )4( ،)3( ،)1‬و‬ ‫(‪ )5‬عملکرد روش پیشنهادی با حاالت مختلف چهار روش‬ ‫رقیب ‪ LTP ,CLBP ,LBP‬و ‪ LCP‬مقایسه شده است‪.‬‬ ‫برای سه روش ‪ LBP ,CLBP‬و ‪ LTP‬مقایسه بهازای‬ ‫شعاعهای (‪ )R=1,2,3‬در حالت استفاده از الگوهای‬ ‫یکنواخت مقاوم به چرخش ( ‪ )𝑟𝑖𝑢2‬انجام شده که در هر‬ ‫حالت‪ ،‬تعداد پیکسلهای موجود در هر همسایگی برابر با‬ ‫‪ 8×R‬است‪ .‬برای روش ‪ ،LTP‬آستانه مربوطه برابر با ‪ 5‬در‬ ‫نظر گرفته شده است‪ .‬برای روش ‪ LCP‬دو شعاع (‪)R=4,5‬‬ ‫و دو نوع معیار یکنواختی ‪ re‬و ‪ 𝑟𝑖𝑢2‬جهت مقایسه در نظر‬ ‫گرفته شده است‪ .‬در جدول (‪ )5‬عالوهبر روشهای قبل‪،‬‬ ‫روش پیشنهادی با دو روش دیگر ]‪ LDDTP [17‬و ]‪[18‬‬ ‫‪ BM3DELBP‬مقایسه شدهاند‪ .‬در این جداول‪ ،‬روش‬ ‫پیشنهادی با نام ‪ NEW_LBP‬مشخص شده است‪.‬‬ ‫از نتایج ارایهشده در جدول (‪ ،)1‬مشاهده میشود‬ ‫که بر روی پایگاه ‪ ،TC10‬در حالت بدون نوفه سه روش‬ ‫‪،(R=3,p=24)CLBP 𝑟𝑖𝑢2‬‬ ‫بهترتیب‬ ‫برتر‬ ‫‪ (R=2,p=16)CLBP 𝑟𝑖𝑢2‬و روش پیشنهادی هستند‪ .‬در این‬ ‫حالت‪ ،‬همانطور که مشاهده میشود‪ ،‬دقت طبقهبندی‬ ‫روش پیشنهادی نسبت به روش برتر تنها ‪ 0/189‬درصد‬ ‫پایینتر است‪ .‬همچنین‪ ،‬مشاهده میشود که در این حالت‬ ‫بدترین روش جهت طبقهبندی‪(R=1,p=8)LBP 𝑟𝑖𝑢2 ،‬‬ ‫است‪ .‬در سطوح نوفهای با ‪ SNR=5‬تا ‪ SNR=15‬مشاهده‬ ‫میشود که روش ‪ (R=5)LCP 𝑟𝑖𝑢2‬بهترین عملکرد و پس از‬ ‫آن‪ ،‬روش پیشنهادی با دقت اندکی پایینتر در رتبه دوم‬ ‫قرار دارد‪ .‬درحقیقت‪ ،‬میزان افت دقت روش پیشنهادی‬ ‫نسبت به روش برتر در سطوح نویزی مختلف بین ‪ 0/15‬تا‬ ‫‪ 1/53‬درصد است‪ .‬همچنین مشاهده میشود که با افزایش‬ ‫سطح نویز از ‪ 30dB‬به ‪ ،5dB‬در کلیه روشها دقت‬ ‫طبقهبندی تصاویر بافتی کاهش مییابد که قابل انتظار‬ ‫است‪.‬‬ ‫در جدول (‪ ،)2‬نتایج مقایسات بر روی پایگاه داده‬ ‫‪ TC11‬ارایه شده است‪ .‬در این پایگاه داده‪ ،‬در حالت بدون‬ ‫نوفه سه روش برتر عبارتاند از‪،(R=3,p=24)CLBP 𝑟𝑖𝑢2 :‬‬ ‫روش پیشنهادی و درنهایت ‪(R=2,p=16). CLBP 𝑟𝑖𝑢2‬‬ ‫مشاهده میشود روش پیشنهادی با افت ‪ 2/93‬درصدی در‬ ‫جایگاه دوم قرار دارد‪ .‬در این حالت نیز‬ ‫‪ (R=1,p=8)LBP 𝑟𝑖𝑢2‬دارای کمترین دقت طبقهبندی‬ ‫است‪ .‬در این جدول و در حالت نوفهای مشاهده میشود‬ ‫که روش پیشنهادی در تمامی سطوح نوفهای بهترین دقت‬ ‫(جدول‪ :)1-‬نتایج آزمایشهای انجام داده شده بر روی پایگاه داده ‪OutexTC10‬‬ ‫‪(Table-1): Classification accuracy of various methods (%) on the OutexTC10 database‬‬ ‫‪OutexTC10‬‬ ‫روش‬ ‫بدون نویز‬ ‫‪30‬‬ ‫‪15‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪84.81‬‬ ‫‪32.65‬‬ ‫‪21.95‬‬ ‫‪14.42‬‬ ‫‪9.53‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫‪89.40‬‬ ‫‪65.00‬‬ ‫‪40.74‬‬ ‫‪31.28‬‬ ‫‪14.84‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫‪95.08‬‬ ‫‪74.28‬‬ ‫‪52.24‬‬ ‫‪35.63‬‬ ‫‪16.33‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫‪94.14‬‬ ‫‪41.04‬‬ ‫‪25.65‬‬ ‫‪18.05‬‬ ‫‪9.53‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫‪96.95‬‬ ‫‪71.09‬‬ ‫‪49.14‬‬ ‫‪34.90‬‬ ‫‪18.70‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫‪98.20‬‬ ‫‪81.15‬‬ ‫‪59.19‬‬ ‫‪43.15‬‬ ‫‪20.26‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫‪96.56‬‬ ‫‪73.93‬‬ ‫‪50.44‬‬ ‫‪35.31‬‬ ‫‪15.78‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫‪98.72‬‬ ‫‪84.79‬‬ ‫‪62.53‬‬ ‫‪45.55‬‬ ‫‪22.63‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫‪98.93‬‬ ‫‪87.94‬‬ ‫‪66.95‬‬ ‫‪47.50‬‬ ‫‪20.57‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫)‪LCP 𝑟𝑒 (R=4‬‬ ‫‪95.65‬‬ ‫‪94.48‬‬ ‫‪90.05‬‬ ‫‪83.93‬‬ ‫‪64.51‬‬ ‫)‪LCP 𝑟𝑒 (R=5‬‬ ‫‪96.93‬‬ ‫‪95.29‬‬ ‫‪92.08‬‬ ‫‪88.91‬‬ ‫‪71.30‬‬ ‫‪97.63‬‬ ‫‪95.60‬‬ ‫‪91.54‬‬ ‫‪86.56‬‬ ‫‪69.56‬‬ ‫)‪LCP 𝑟𝑖𝑢2 (R=4‬‬ ‫‪98.65‬‬ ‫‪96.90‬‬ ‫‪94.30‬‬ ‫‪91.64‬‬ ‫‪80.10‬‬ ‫)‪LCP 𝑟𝑖𝑢2 (R=5‬‬ ‫‪98.741‬‬ ‫‪96.406‬‬ ‫‪93.854‬‬ ‫‪90.105‬‬ ‫‪79.948‬‬ ‫)‪NEW_LBP (𝑅1=5.8,𝑅2 =6‬‬ ‫(جدول‪ :)2-‬نتایج آزمایشهای انجام داده شده بر روی پایگاه داده ‪OutexTC11‬‬ ‫(جدول‪ :)3-‬نتایج آزمایشهای انجام داده شده بر روی پایگاه داده ‪"OutexTC12-"t184‬‬ ‫‪(Table-3): Classification accuracy of various methods (%) on the Outex TC12-"t184" database‬‬ ‫"‪OutexTC12-"t184‬‬ ‫‪9.58‬‬ ‫‪13.08‬‬ ‫‪16.25‬‬ ‫‪10.02‬‬ ‫‪17.45‬‬ ‫‪20.05‬‬ ‫‪14.47‬‬ ‫‪21.46‬‬ ‫‪21.39‬‬ ‫‪58.47‬‬ ‫‪69.58‬‬ ‫‪65.48‬‬ ‫‪74.00‬‬ ‫‪73.333‬‬ ‫‪15.46‬‬ ‫‪29.86‬‬ ‫‪34.05‬‬ ‫‪16.16‬‬ ‫‪33.26‬‬ ‫‪38.03‬‬ ‫‪32.52‬‬ ‫‪44.24‬‬ ‫‪45.76‬‬ ‫‪79.19‬‬ ‫‪82.66‬‬ ‫‪80.41‬‬ ‫‪84.65‬‬ ‫‪85.185‬‬ ‫‪19.86‬‬ ‫‪40.42‬‬ ‫‪47.87‬‬ ‫‪22.46‬‬ ‫‪46.74‬‬ ‫‪53.61‬‬ ‫‪44.38‬‬ ‫‪59.79‬‬ ‫‪63.40‬‬ ‫‪85.44‬‬ ‫‪86.90‬‬ ‫‪86.69‬‬ ‫‪89.21‬‬ ‫‪89.22‬‬ ‫‪28.01‬‬ ‫‪59.49‬‬ ‫‪69.28‬‬ ‫‪34.75‬‬ ‫‪65.63‬‬ ‫‪75.72‬‬ ‫‪65.53‬‬ ‫‪78.47‬‬ ‫‪82.59‬‬ ‫‪89.21‬‬ ‫‪90.67‬‬ ‫‪90.49‬‬ ‫‪92.59‬‬ ‫‪93.22‬‬ ‫‪65.46‬‬ ‫‪82.27‬‬ ‫‪85.05‬‬ ‫‪75.88‬‬ ‫‪90.16‬‬ ‫‪93.59‬‬ ‫‪90.30‬‬ ‫‪93.54‬‬ ‫‪95.32‬‬ ‫‪88.91‬‬ ‫‪91.64‬‬ ‫‪94.12‬‬ ‫‪96.18‬‬ ‫‪96.3‬‬ ‫در جدول (‪ )3‬عملکرد روشهای مختلف بر روی‬ ‫همانطور که مشاهده میشود‪ ،‬در حالت بدون نوفه‪ ،‬روش‬ ‫پایگاه داده "‪TC12-"t184‬با یکدیگر مقایسه شده است‪.‬‬ ‫پیشنهادی دارای باالترین دقت بوده و سه روش برتر‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫‪175‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪30‬‬ ‫بدون نویز‬ ‫روش‬ ‫)‪LBP𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫)‪CLBP 𝑟𝑖𝑢2(R=1,p=8‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫)‪LCP 𝑟𝑒 (R=4‬‬ ‫)‪LCP 𝑟𝑒 (R=5‬‬ ‫)‪LCP 𝑟𝑖𝑢2 (R=4‬‬ ‫)‪LCP 𝑟𝑖𝑢2 (R=5‬‬ ‫)‪NEW_LBP (𝑅1=5.8,𝑅2 =6‬‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫‪(Table-2): Classification accuracy of various methods (%) on the OutexTC11 database‬‬ ‫‪OutexTC11‬‬ ‫روش‬ ‫بدون نویز‬ ‫‪30‬‬ ‫‪15‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪29.38‬‬ ‫‪29.38‬‬ ‫‪17.92‬‬ ‫‪13.33‬‬ ‫‪7.62‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫‪47.92‬‬ ‫‪47.92‬‬ ‫‪35.42‬‬ ‫‪28.33‬‬ ‫‪14.17‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫‪55.83‬‬ ‫‪55.83‬‬ ‫‪42.71‬‬ ‫‪27.92‬‬ ‫‪16.25‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫‪87.29‬‬ ‫‪33.54‬‬ ‫‪20.63‬‬ ‫‪13.75‬‬ ‫‪9.58‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫‪86.88‬‬ ‫‪58.54‬‬ ‫‪38.33‬‬ ‫‪29.58‬‬ ‫‪18.75‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫‪90.00‬‬ ‫‪61.46‬‬ ‫‪48.54‬‬ ‫‪32.50‬‬ ‫‪15.21‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫‪93.96‬‬ ‫‪65.83‬‬ ‫‪45.42‬‬ ‫‪32.92‬‬ ‫‪16.88‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫‪94.79‬‬ ‫‪80.00‬‬ ‫‪62.50‬‬ ‫‪44.58‬‬ ‫‪22.92‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫‪97.50‬‬ ‫‪77.92‬‬ ‫‪57.92‬‬ ‫‪39.38‬‬ ‫‪17.50‬‬ ‫)‪CLBP 𝑟𝑖𝑢2(R=3,p=24‬‬ ‫)‪LCP 𝑟𝑒 (R=4‬‬ ‫‪83.90‬‬ ‫‪82.21‬‬ ‫‪80.00‬‬ ‫‪72.92‬‬ ‫‪55.42‬‬ ‫)‪LCP 𝑟𝑒 (R=5‬‬ ‫‪87.71‬‬ ‫‪84.38‬‬ ‫‪79.79‬‬ ‫‪71.88‬‬ ‫‪56.67‬‬ ‫‪93.75‬‬ ‫‪87.71‬‬ ‫‪80.42‬‬ ‫‪76.04‬‬ ‫‪61.46‬‬ ‫)‪LCP 𝑟𝑖𝑢2 (R=4‬‬ ‫‪92.29‬‬ ‫‪87.71‬‬ ‫‪84.58‬‬ ‫‪81.46‬‬ ‫‪65.21‬‬ ‫)‪LCP 𝑟𝑖𝑢2 (R=5‬‬ ‫‪94.58‬‬ ‫‪89.17‬‬ ‫‪85.63‬‬ ‫‪82.29‬‬ ‫‪69.17‬‬ ‫)‪NEW_LBP (𝑅1=5.8𝑅2 =6‬‬ ‫روشی نوین در طبقهبندی مقاوم به نوفة تصاویر بافتی با استفاده از توصیف چندمقیاسة توأمان الگوی دودویی محلی‬ ‫طبقهبندی را دارد‪ .‬دوباره‪ ،‬این نتایج نشان میدهند که‬ ‫روش پیشنهادی از مقاومت به نوفه بسیار خوبی در مقایسه‬ ‫با سایر روشها بر روی این پایگاه داده برخوردار است‪ .‬پس‬ ‫از روش پیشنهادی‪ ،‬روش ‪ (R=5)LCP 𝑟𝑖𝑢2‬در جایگاه دوم‬ ‫قرار دارد‪ .‬میزان برتری روش پیشنهادی نسبت به‬ ‫𝑇𝑢𝑖𝑟 ‪ (R=5)LCP‬در سطوح مختلف نوفهای بین ‪ 30dB‬تا‬ ‫‪ 5dB‬بین ‪ 0/83‬تا ‪ 3/96‬درصد است‪.‬‬ ‫بهترتیب عبارتاند از‪ :‬روش پیشنهادی‪،‬‬ ‫در جدول (‪ )4‬عملکرد روشهای مختلف بر روی‬ ‫‪(R=5)LCP 𝑟𝑖𝑢2‬‬ ‫پایگاه داده"‪ TC12-"horizon‬مورد بررسی قرار گرفته‬ ‫به میزان ‪ 0/12‬درصد نسبت به ‪ LCP‬و به میزان ‪2/02‬‬ ‫است‪ .‬در این پایگاه داده روش پیشنهادی در حالت بدون‬ ‫درصد نسبت به ‪ CLBP‬برتری دارد‪ .‬در این حالت مشاهده‬ ‫نوفه با ‪ 0/51‬درصد اختالف نسبت به روش‬ ‫طبقهبندی‬ ‫‪ (R=5)LCP‬و با ‪ 3/08‬درصد اختالف نسبت به‬ ‫و)‪ .CLBP 𝑟𝑖𝑢2 (R=3,p=24,‬روش پیشنهادی در این حالت‬ ‫میشود‪،‬‬ ‫بدترین‬ ‫جهت‬ ‫روش‬ ‫‪ (R=1,p=8)LBP 𝑟𝑖𝑢2‬است‪ .‬در حالت نوفهای نیز مشاهده‬ ‫‪𝑟𝑖𝑢2‬‬ ‫میگردد که در سطوح ‪ 15dB ،30dB SNR‬و ‪ 5dB‬روش‬ ‫‪ (R=4)LCP 𝑟𝑖𝑢2‬در جایگاه اول از لحاظ دقت طبقهبندی‬ ‫پیشنهادی نسبت به تمامی رقبا از دقت باالتری برخوردار‬ ‫کمترین دقت طبقهبندی است‪ .‬در حالت نوفهای‪ ،‬همانند‬ ‫است و پس از آن روش 𝑇𝑢𝑖𝑟 ‪ (R=5)LCP‬در جایگاه دوم‬ ‫جدول (‪ ،)4‬بهازای ‪SNR‬های ‪ 15dB ،30dB‬و ‪ 5dB‬روش‬ ‫قرار دارد‪ .‬میزان برتری روش پیشنهادی نسبت به ‪ LCP‬در‬ ‫قرار دارد‪ .‬در این حالت روش ‪ (R=1,p=8)LBP 𝑟𝑖𝑢2‬دارای‬ ‫پیشنهادی نسبت به تمامی روشهای دیگر از دقت باالتری‬ ‫این سه سطح ‪ SNR‬بهترتیب ‪ 0/74‬درصد‪ 0/01 ،‬درصد و‬ ‫برخوردار است و پس از آن روش‬ ‫‪ 0/534‬درصد است‪ .‬بر خالف سه سطح ‪ SNR‬یادشده‪،‬‬ ‫بین ‪ 0/32‬تا ‪ 0/91‬درصد در جایگاه دوم قرار دارد‪ .‬بهازای‬ ‫بهازای ‪ SNR = 5dB‬مشاهده میشود که روش پیشنهادی‬ ‫‪ SNR=5dB‬نیز مشاهده میشود که روش پیشنهادی با‬ ‫با افت ناچیز ‪ 0/667‬درصدی پس از ‪ (R=5)LCP 𝑟𝑖𝑢2‬در‬ ‫افت ناچیز ‪ 0/04‬درصدی در جایگاه دوم قرار دارد‪.‬‬ ‫‪𝑟𝑖𝑢2‬‬ ‫‪ (R=5)LCP‬با افتی‬ ‫جایگاه دوم قرار دارد‪.‬‬ ‫(جدول‪ :)4-‬نتایج آزمایشهای انجام دادهشده بر روی پایگاه داده ‪" OutexTC12-" horizon‬‬ ‫‪(Table-4): Classification accuracy of various methods (%) on the Outex TC12-" horizon " database‬‬ ‫"‪OutexTC12-"horizon‬‬ ‫‪9.24‬‬ ‫‪14.19‬‬ ‫‪17.18‬‬ ‫‪10.69‬‬ ‫‪17.94‬‬ ‫‪19.24‬‬ ‫‪17.20‬‬ ‫‪23.15‬‬ ‫‪20.67‬‬ ‫‪60.37‬‬ ‫‪70.56‬‬ ‫‪67.13‬‬ ‫‪75.07‬‬ ‫‪75.023‬‬ ‫‪16.02‬‬ ‫‪26.24‬‬ ‫‪34.51‬‬ ‫‪17.18‬‬ ‫‪33.17‬‬ ‫‪39.54‬‬ ‫‪36.09‬‬ ‫‪46.99‬‬ ‫‪45.00‬‬ ‫‪82.06‬‬ ‫‪84.35‬‬ ‫‪81.74‬‬ ‫‪86.57‬‬ ‫‪87.48‬‬ ‫‪21.09‬‬ ‫‪38.63‬‬ ‫‪47.06‬‬ ‫‪24.17‬‬ ‫‪44.88‬‬ ‫‪55.02‬‬ ‫‪49.49‬‬ ‫‪63.96‬‬ ‫‪64.51‬‬ ‫‪86.48‬‬ ‫‪88.47‬‬ ‫‪87.26‬‬ ‫‪90.07‬‬ ‫‪90.39‬‬ ‫‪31.41‬‬ ‫‪56.46‬‬ ‫‪67.64‬‬ ‫‪37.52‬‬ ‫‪66.55‬‬ ‫‪76.39‬‬ ‫‪71.44‬‬ ‫‪81.16‬‬ ‫‪84.38‬‬ ‫‪91.06‬‬ ‫‪92.62‬‬ ‫‪91.62‬‬ ‫‪93.49‬‬ ‫‪93.91‬‬ ‫‪63.68‬‬ ‫‪75.21‬‬ ‫‪80.79‬‬ ‫‪73.96‬‬ ‫‪86.94‬‬ ‫‪89.42‬‬ ‫‪92.29‬‬ ‫‪93.91‬‬ ‫‪94.54‬‬ ‫‪92.31‬‬ ‫‪94.62‬‬ ‫‪94.77‬‬ ‫‪97.34‬‬ ‫‪97.85‬‬ ‫(جدول‪ :)5-‬نتایج آزمایشهای انجام دادهشده بر روی پایگاه داده ‪OutexTC13‬‬ ‫‪(Table-5): Classification accuracy of various methods (%) on the OutexTC13 database‬‬ ‫‪OutexTC13‬‬ ‫‪6.32‬‬ ‫‪15.59‬‬ ‫‪16.91‬‬ ‫‪13.24‬‬ ‫‪17.79‬‬ ‫‪20.00‬‬ ‫‪29.58‬‬ ‫‪19.71‬‬ ‫‪21.62‬‬ ‫‪20.59‬‬ ‫‪43.97‬‬ ‫‪46.47‬‬ ‫‪49.26‬‬ ‫‪48.97‬‬ ‫‪38.22‬‬ ‫‪52.21‬‬ ‫‪10.59‬‬ ‫‪22.35‬‬ ‫‪28.24‬‬ ‫‪18.52‬‬ ‫‪27.50‬‬ ‫‪33.24‬‬ ‫‪37.44‬‬ ‫‪31.47‬‬ ‫‪37.65‬‬ ‫‪37.06‬‬ ‫‪53.97‬‬ ‫‪53.53‬‬ ‫‪58.82‬‬ ‫‪58.09‬‬ ‫‪42.11‬‬ ‫‪62.76‬‬ ‫‪11.76‬‬ ‫‪29.85‬‬ ‫‪36.18‬‬ ‫‪24.41‬‬ ‫‪36.03‬‬ ‫‪41.18‬‬ ‫‪48.35‬‬ ‫‪40.29‬‬ ‫‪44.56‬‬ ‫‪44.26‬‬ ‫‪60.00‬‬ ‫‪57.21‬‬ ‫‪61.76‬‬ ‫‪64.12‬‬ ‫‪63.84‬‬ ‫‪66.62‬‬ ‫‪18.53‬‬ ‫‪39.26‬‬ ‫‪46.32‬‬ ‫‪35.00‬‬ ‫‪47.94‬‬ ‫‪56.03‬‬ ‫‪59.23‬‬ ‫‪50.88‬‬ ‫‪54.12‬‬ ‫‪56.91‬‬ ‫‪67.21‬‬ ‫‪65.44‬‬ ‫‪70.00‬‬ ‫‪71.03‬‬ ‫‪70.31‬‬ ‫‪73.82‬‬ ‫‪68.38‬‬ ‫‪75.88‬‬ ‫‪75.00‬‬ ‫‪81.18‬‬ ‫‪82.94‬‬ ‫‪82.94‬‬ ‫‪80.32‬‬ ‫‪84.62‬‬ ‫‪85.29‬‬ ‫‪85.59‬‬ ‫‪75.59‬‬ ‫‪71.32‬‬ ‫‪80.29‬‬ ‫‪78.68‬‬ ‫‪82.82‬‬ ‫‪78.68‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫)‪LDDTP(R=1‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫)‪LCP 𝑟𝑒 (R=4‬‬ ‫)‪LCP 𝑟𝑒 (R=5‬‬ ‫)‪LCP 𝑟𝑖𝑢2 (R=4‬‬ ‫)‪LCP 𝑟𝑖𝑢2 (R=5‬‬ ‫‪BM3DELBP‬‬ ‫)‪NEW_LBP (𝑅1=5.8,𝑅2 =6‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫‪176‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪30‬‬ ‫بدون نویز‬ ‫روش‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬ ‫‪30‬‬ ‫بدون نویز‬ ‫روش‬ ‫)‪LBP𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫)‪LBP𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫)‪LTP 𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=1,p=8‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=2,p=16‬‬ ‫)‪CLBP 𝑟𝑖𝑢2 (R=3,p=24‬‬ ‫)‪LCP 𝑟𝑒 (R=4‬‬ ‫)‪LCP 𝑟𝑒 (R=5‬‬ ‫)‪LCP 𝑟𝑖𝑢2 (R=4‬‬ ‫)‪LCP 𝑟𝑖𝑢2 (R=5‬‬ ‫)‪NEW_LBP (𝑅1=5.8,𝑅2 =6‬‬ ‫پایگاه داده ‪OutexTC13‬‬ ‫‪(Table-2): Classification complexity of various methods‬‬ ‫‪(min) on the OutexTC13 database‬‬ ‫زمان‬ ‫روش‬ ‫‪0.134‬‬ ‫‪(R=3,p=24)LBP𝑟𝑖𝑢2‬‬ ‫‪0.346‬‬ ‫‪(R=3,p=24)CLBP 𝑟𝑖𝑢2‬‬ ‫‪0.214‬‬ ‫𝑢𝑖𝑟‪(R1=5.8,R2=6)NEW_LBP‬‬ ‫‪0.148‬‬ ‫‪(R=3,p=24)LTP 𝑟𝑖𝑢2‬‬ ‫‪0.601‬‬ ‫‪(R=5)LCP 𝑟𝑖𝑢2‬‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫‪177‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫در ادامه انجام آزمایشها بر روی روش پیشنهادی‪،‬‬ ‫میزان پیچیدگی روشهای مختلف در پایگاه داده‬ ‫‪ OutexTC13‬مورد بررسی قرار گرفت که نتیجه آن در‬ ‫جدول (‪ )6‬مشاهده میشود‪ .‬نتایج نشاندادهشده در این‬ ‫جدول میانگین مدت زمان ده بار اجرای برنامه در‬ ‫زمانهای مختلف بر حسب دقیقه است‪ .‬سیستمی که‬ ‫جهت شبیهسازی و اجرای کدها مورد استفاده قرار گرفته‪،‬‬ ‫در این مقاله روشی مقاوم به نوفه و چرخش جهت توصیف‬ ‫و طبقهبندی تصاویر بافتی بر مبنای الگوی دودویی محلی‬ ‫(‪ )LBP‬چندمقیاسه ارایه شد‪ .‬از مزایای روش پیشنهادی‬ ‫استخراج ویژگیهای بافتی در مقیاسهای مختلف‬ ‫بهصورت توأمان است؛ بهنحوی که طول بردار‬ ‫(هیستوگرام) ویژگی نهایی بهدستآمده از هر ماسک‬ ‫بهوسیلة آن بهطوردقیق برابر با طول بردار (هیستوگرام)‬ ‫ویژگی بهدستآمده بهوسیلة روش اصلی ‪ LBP‬در حالت‬ ‫تکمقیاسه است‪ .‬جهت ارزیابی روش پیشنهادی‪ ،‬عملکرد‬ ‫آن را بر روی چهار پایگاه داده ‪OutexTC10 ,OutexTC11‬‬ ‫‪OutexTC12‬و ‪ OutexTC13‬در سطوح مختلف نوفه سفید‬ ‫گوسی و همچنین در حالت بدون نوفه با چهار روش رقیب‬ ‫دیگر ( ‪ LCP ,LBP ,LTP‬و ‪ )CLBP‬ارزیابی کردیم‪ .‬نتایج‬ ‫تجربی بهدستآمده‪ ،‬نشان دادند که بر روی پایگاه داده‬ ‫‪ OutexTC10‬روش پیشنهادی قابل رقابت با روش رقیب‬ ‫‪ LCP‬است و با اُفتی بسیار ناچیز در جایگاه دوم قرار دارد‪.‬‬ ‫بر روی پایگاههای داده ‪ OutexTC11‬و ‪ OutexTC13‬در‬ ‫سطوح مختلف نوفه‪ ،‬روش پیشنهادی روش برتر بوده و‬ ‫بهترین دقت طبقهبندی را در بین روشهای مقایسهشده‬ ‫دارد‪ .‬بر روی پایگاه داده ‪ OutexTC12‬نیز روش پیشنهادی‬ ‫در هر دو حالت نوفهای و بدون نوفه روش برتر بوده و‬ ‫دارای دقت خوبی جهت طبقهبندی تصاویر بافتی است‪.‬‬ ‫همچنین‪ ،‬بهطورکلی مشاهده شد که در مجموع‪ ،‬روش‬ ‫پیشنهادی در مقایسه با سایر روشها بهخصوص هنگامی‬ ‫که تصویر مورد نظر آغشته به نوفه شود‪ ،‬از دقت و کارایی‬ ‫باالیی برخوردار است‪ .‬همچنین پیچیدگی روشهای‬ ‫مختلف بر روی پایگاه داده ‪ OutexTC13‬مورد سنجش‬ ‫قرار گرفت‪ .‬نتایج حاصله در این آزمایشها نشاندهنده‬ ‫عدم افزایش قابل توجه پیچیدگی روش پیشنهادی در‬ ‫مقابل افزایش قابل توجه دقت دستهبندی است‪ .‬این نتایج‬ ‫در صورتی حاصل شد که در روش پیشنهادی‪ ،‬از‬ ‫ماسکهای متفاوت مرتبه اول و دوم جهت ایجاد مقاومت‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫(جدول‪ :) 6-‬مقایسه پیچیدگی روشهای متفاوت (دقیقه) در‬ ‫‪ -4‬نتیجهگیری‬ ‫روشی نوین در طبقهبندی مقاوم به نوفة تصاویر بافتی با استفاده از توصیف چندمقیاسة توأمان الگوی دودویی محلی‬ ‫بهطورکلی‪ ،‬با مشاهده نتایج ارایهشده در جداول‬ ‫(‪ )3‬و (‪ )4‬مشاهده میشود که روش پیشنهادی بر روی‬ ‫پایگاه داده ‪ TC12‬در هر دو حالت نوفهای و غیر نوفهای از‬ ‫دقت طبقهبندی باالتری نسبت به تمامی رقبا برخوردار‬ ‫است و تنها بهازای ‪ SNR=5dB‬قابل رقابت با‬ ‫‪ (R=5)LCP 𝑟𝑖𝑢2‬است که این امر نشان از کارایی باالی‬ ‫روش پیشنهادی بر روی این پایگاه داده است‪.‬‬ ‫درنهایت‪ ،‬در جدول (‪ )5‬عملکرد روش پیشنهادی با‬ ‫سایر روشها بر روی پایگاه داده ‪ TC13‬مورد مقایسه قرار‬ ‫گرفته است‪ .‬در این پایگاه داده همانطور که مشاهده‬ ‫روش‬ ‫نوفهای‬ ‫بدون‬ ‫حالت‬ ‫در‬ ‫میشود‪،‬‬ ‫‪ (R=3,p=24)CLBP 𝑟𝑖𝑢2‬دارای بیشترین دقت است و دقت‬ ‫روش پیشنهادی نسبت به روش برتر در حد ‪ 6/9‬درصد‬ ‫پایینتر است‪ .‬در این حالت بدترین روش نیز‬ ‫‪ (R=1,p=8)LBP 𝑟𝑖𝑢2‬است‪ .‬برخالف حالت بدون نوفه‪،‬‬ ‫هنگامی که به تصاویر نوفه سفید گوسی اعمال گردد‪،‬‬ ‫روش پیشنهادی از تمامی رقبا عملکرد بهتری از خود‬ ‫نشان میدهد که این امر نشاندهنده مقاومت به نوفه‬ ‫باالی روش پیشنهادی بر روی این پایگاه داده میباشد‪.‬‬ ‫پس از روش پیشنهادی‪ (R=5)LCP 𝑟𝑖𝑢2 ،‬دومین روش برتر‬ ‫است که دقت آن بین ‪ 2/5‬تا ‪ 4/67‬درصد پایینتر از روش‬ ‫پیشنهادی در سطوح مختلف نوفهای است‪.‬‬ ‫دارای پردازشگر‬ ‫‪ 360GHZ‬و حافظه رم ‪ GB32‬است‪ .‬همانطور که‬ ‫مشاهده میشود‪ ،‬برخالف بهبود بسیار مناسب دقت‬ ‫دستهبندی در روش پیشنهادی‪ ،‬میزان پیچیدگی آن‬ ‫نسبت به روشهای ‪ LBP‬و ‪ LTP‬افزایش داشته است که با‬ ‫توجه به سرعت زیاد ‪ LBP‬که از مهمترین مزیتهای آن‬ ‫است قابل پیشبینی نیز بود‪ .‬روش پیشنهادی نسبت به‬ ‫روشهای ‪ CLBP‬و ‪ LCP‬دقت و سرعت باالتری را دارد‪.‬‬ ‫@ ‪Intel(R) Core(TM) i7-7700CPU‬‬ [11] L. Liu, L. Zhao, Y. Long, G. Kuang, and P. Fieguth, "Extended local binary patterns for texture classification," Image and Vision Computing, vol. 30, pp. 86-99, 2012. [12] T. Ojala, M. Pietikäinen, and D. Harwood, "A comparative study of texture measures with classification based on featured distributions," Pattern recognition, vol. 29, pp. 51-59, 1996. [13] X. Tan and B. Triggs, "Enhanced local texture feature sets for face recognition under difficult lighting conditions," IEEE transactions on image processing, vol. 19, pp. 1635-1650, 2010. [14] T. Song, H. Li, F. Meng, Q. Wu, B. Luo, B. Zeng, et al., "Noise-robust texture description using local contrast patterns via global measures," IEEE Signal Processing Letters, vol. 21, pp. 93-96, 2014. [15] T. Ojala, M. Pietikainen, and T. Maenpaa, "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns," IEEE Transactions on pattern analysis and machine intelligence, vol. 24, pp. 971-987, 2002. [ DOI: 10.52547/jsdp.18.4.165 ] [ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26 ] [16] T. Ojala, T. Maenpaa, M. Pietikainen, J. Viertola, J. Kyllonen, and S. Huovinen, "Outex-new framework for empirical evaluation of texture analysis algorithms," in Pattern Recognition, 2002. Proceedings. 16th International Conference on, 2002, pp. 701706. ‫به نوفه استفاده شده بود و همچنین ویژگیها در‬ ‫ بهعنوان کار‬.‫مقیاسهای مختلف استخراج شده بودند‬ ‫آینده قصد داریم تا روش پیشنهادی را بهگونهای بهبود‬ ‫دهیم که در مقابل سایر نوفهها نیز از مقاومت باالیی‬ ‫برخوردار باشد و همچنین قصد داریم تا روشی جهت‬ ‫یافتن خودکار شعاع بهینه جهت افزایش دقت طبقهبندی‬ .‫روش پیشنهادی طراحی کنیم‬ 5- References ‫ مراجع‬-5 [1] M. Pietikäinen, A. Hadid, G. Zhao, and T. Ahonen, Computer vision using local binary patterns vol. 40: Springer Science & Business Media, 2011. [2] Y. Dong, J. Feng, L. Liang, L. Zheng, and Q. Wu, "Multiscale sampling based texture image classification," IEEE Signal Processing Letters, vol. 24, pp. 614-618, 2017. [3] V.-L. Nguyen, N.-S. Vu, and P.-H. Gosselin, "A scattering transform combination with local binary pattern for texture classification," in International Workshop on Content-based Multimedia Indexing, 2016. [4] F. Bianconi and A. Fernández, "Evaluation of the effects of Gabor filter parameters on texture classification," Pattern Recognition, vol. 40, pp. 3325-3335, 2007. [17] J. He, H. Ji, and X. Yang, "Rotation invariant texture descriptor using local shearlet-based energy histograms," IEEE Signal Processing Letters, vol. 20, pp. 905-908, 2013. [5] J. Oh, S.-I. Choi, C. Kim, J. Cho, and C.-H. Choi, "Selective generation of Gabor features for fast face recognition on mobile devices," Pattern Recognition Letters, vol. 34, pp. 15401547, 2013. [18] I. El khadiri, A. Chahi, Y. El-Merabet, Y. Ruichek and R. Touahni, "Image classification with Local Directional Decoded Ternary Pattern," 2019 6th International Conference on Control, Decision and Information Technologies (CoDIT), 2019, pp. 812-817, [6] P. Cavalin, L. Oliveira, A. Koerich, and A. Britto, "Wood defect detection using grayscale images and an optimized feature set," in IEEE Industrial Electronics, IECON 2006-32nd Annual Conference on, 2006, pp. 3408-3412. [19] S. R. Barburiceanu, S. Meza, C. Germain and R. Terebes, "An Improved Feature Extraction Method for Texture Classification with Increased Noise Robustness," 2019 27th European Signal Processing Conference (EUSIPCO), 2019, pp. 1-5 [7] P. R. Cavalin, M. N. Kapp, J. Martins, and L. E. Oliveira, "A multiple feature vector framework for forest species recognition," in Proceedings of the 28th Annual ACM Symposium on Applied Computing, 2013, pp. 16-20. ‫سید محمدرضا جاللیان شهری در‬ ‫ مقطع کارشناسی خود را‬1392 ‫سال‬ ‫در رشته مهندسی برق مخابرات در‬ .‫دانشگاه بیرجند به پایان رسانده است‬ ‫وی هماکنون دانشجوی کارشناسی‬ ‫ارشد در همان رشته (گرایش سیستم) در دانشگاه‬ ‫ پژوهشهای مورد عالقه ایشان در‬.‫فردوسی مشهد است‬ .‫زمینه پردازش تصویر و بینایی ماشین است‬ :‫نشانی رایانامه ایشان عبارت است از‬ [8] R. M. Haralick and K. Shanmugam, "Textural features for image classification," IEEE Transactions on systems, man, and cybernetics, pp. 610-621, 1973. [9] 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, pp. 1657-1663, 2010. [10] L. Liu, S. Lao, P. W. Fieguth, Y. Guo, X. Wang, and M. Pietikäinen, "Median robust extended local binary pattern for texture classification," IEEE Transactions on Image Processing, vol. 25, pp. 1368-1381, 2016. jalalianshahri@mail.um.ac.ir 50 ‫ پیاپی‬4 ‫ شمارة‬1400 ‫سال‬ 178 ‫‪khademi@um.ac.ir‬‬ ‫عباس‬ ‫ابراهیمیمقدم‬ ‫مدرک‬ ‫کارشناسی برق گرایش الکترونیک خود‬ ‫را از دانشگاه صنعتی شریف در سال‬ ‫‪ 1370‬و در سال ‪ 1374‬مدرک‬ ‫کارشناسیارشد را از دانشگاه صنعتی‬ ‫خواجه نصیر دریافت کرده است‪ .‬ایشان مدرک دکترای‬ ‫خود را از دانشگاه ‪ McMaster‬کانادا دریافت کردهاند و از‬ ‫سال ‪ 1390‬بهعنوان استادیار در دانشگاه فردوسی مشهد‬ ‫فعالیت علمی میکنند‪ .‬زمینههای پژوهشی مورد عالقه‬ ‫ایشان پردازش گفتار‪ ،‬پردازش تصویر و ویدیو‪ ،‬بینایی‬ ‫ماشین و پردازش سیگنالهای حیاتی است‪.‬‬ ‫نشانی رایانامه ایشان عبارت است از‪:‬‬ ‫‪a.ebrahimi@um.ac.ir‬‬ ‫‪h.hadizadeh@qiet.ac.ir‬‬ ‫مرتضی خادمی تحصیالت خود را در‬ ‫سال ‪ 1400‬شمارة ‪ 4‬پیاپی ‪50‬‬ ‫‪179‬‬ ‫] ‪[ DOI: 10.52547/jsdp.18.4.165‬‬ ‫مقاطع کارشناسی و کارشناسی ارشد‬ ‫مهندسی برق بهترتیب در سالهای‬ ‫‪ 1364‬و ‪ 1366‬در دانشگاه صنعتی‬ ‫اصفهان به پایان رسانده است‪ .‬نامبرده از‬ ‫سال ‪ 1366‬الی ‪ 1370‬بهعنوان عضو هیأت علمی (مربی)‬ ‫در دانشگاه فردوسی مشهد به کار مشغول بود‪ .‬پس از آن‬ ‫به دوره دکترای مهندسی برق در دانشگاه ولونگونگ‬ ‫(استرالیا) وارد شده و در سال ‪ 1374‬موفق به دریافت‬ ‫درجه دکترا در مهندسی برق از دانشگاه یادشده‪ ،‬شد‪.‬‬ ‫دکتر خادمی از سال ‪ 1374‬دوباره در دانشکده مهندسی‬ ‫دانشگاه فردوسی مشهد مشغول به فعالیت شد و اینک نیز‬ ‫استاد این دانشکده است‪ .‬زمینههای علمی مورد عالقه‬ ‫] ‪[ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26‬‬ ‫کارشناسی ارشد برق در گرایش‬ ‫الکترونیک خود را بهترتیب از دانشگاه‬ ‫صنعتی شاهرود در سال ‪ 1384‬و‬ ‫دانشگاه علم و صنعت ایران در سال‬ ‫‪ 1387‬اخذ کرده است‪ .‬وی مدرک دکترای خود را در‬ ‫رشته برق گرایش مخابرات از دانشگاه ‪Simon Fraser‬‬ ‫کانادا در سال ‪ 1392‬دریافت کرده و از همان سال‬ ‫بهعنوان استادیار در دانشگاه صنعتی قوچان فعالیت‬ ‫میکند‪ .‬زمینههای پژوهشی مورد عالقه ایشان پردازش و‬ ‫فشردهسازی تصاویر و ویدیوهای دیجیتال‪ ،‬شبکههای‬ ‫مخابراتی‪ ،‬بینایی و آموزش ماشین‪ ،‬بازشناسی الگو و‬ ‫مدلسازی سیستم بینایی مغز انسان است‪ .‬دکتر هادیزاده‬ ‫از سال ‪ 2009‬تاکنون‪ ،‬موفق به کسب ‪ 22‬عنوان و‬ ‫افتخارعلمی مختلف از دانشگاههای داخلی و بینالمللی‬ ‫شده است‪ .‬ازجمله آنها میتوان به کسب عنوان بهترین‬ ‫مقاله درکنفرانس بینالمللی ‪ IEEE-ICME2012‬در‬ ‫ملبورن استرالیا‪ ،‬دریافت گرنت ‪Microsoft Research‬‬ ‫و ‪Canon Information Systems Research Australia‬‬ ‫)‪ (CiSRA‬و دریافت عنوان بهترین مقاله کنفرانس‬ ‫بینالمللی مهندسی برق در دانشگاه تهران اشاره کرد‪.‬‬ ‫درسال ‪ 2013‬نیز بهعنوان دبیر اجرایی ‪IEEE Signal‬‬ ‫‪ Processing Society‬درحوزه ونکوور کانادا فعالیت‬ ‫کردهاند‪ .‬ایشان تجربه کاری در شرکتهای بینالمللی‬ ‫همچون ‪ Dolby Laboratories‬و ‪ Icron Technologies‬را‬ ‫دارد‪.‬‬ ‫نشانی رایانامه ایشان عبارت است از‪:‬‬ ‫روشی نوین در طبقهبندی مقاوم به نوفة تصاویر بافتی با استفاده از توصیف چندمقیاسة توأمان الگوی دودویی محلی‬ ‫هادی هادیزاده مدرک کارشناسی و‬ ‫نامبرده شامل موضوعاتی مانند مخابرات ویدئویی‪،‬‬ ‫فشردهسازی ویدئو‪ ،‬پردازش تصویر‪ ،‬پردازش سیگنالهای‬ ‫پزشکی و پنهانسازی اطالعات در ویدئو است‪.‬‬ ‫نشانی رایانامه ایشان عبارت است از‪:‬‬ Powered by TCPDF (www.tcpdf.org) [ DOI: 10.52547/jsdp.18.4.165 ] [ Downloaded from jsdp.rcisp.ac.ir on 2023-02-26 ]