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 ]