بهبود روشهای استخراج ویژگی مبتنی بر الگوی باینری محلی جهت طبقه بندی بافت

طبقه بندی بافت از مهم ترین مسائل مطرح در پردازش تصویر و بینایی ماشین است. روش های متنوعی برای استخراج ویژگی از تصاویر بافتی ارائه شده اند. در سالهای اخیر دو دسته ی کلی از این روش ها عملکرد بهتری از خود نشان داده اند. روش های گروه اول مبتنی بر مدل bows هستند و نرخ طبقه بندی بالایی دارند اما زمان بر می-باشند. روش های گروه دوم مبتنی بر الگوی باینری محلی (lbp) بوده و نرخ طبقه بندی کمتری نسبت به گروه اول دارند، اما بسیار سریع تر و مناسب کاربرد های بلادرنگ هستند. در این تحقیق، با اصلاح و ترکیب متناسب روش های گروه دوم و با حفظ نسبی سرعت پردازش، نرخ طبقه بندی در حد بهترین روش های گروه اول افزایش یافته است. بدین منظور، با توجه به اینکه پیش تر استفاده از فیلترهای گوسی و ترکیب ویژگی های مقیاس های مختلف باعث بهبود عملکرد lbp شده است، در ابتدا روشی برای انتخاب مناسب شعاع lbp در مقیاس های مختلف و فیلترهای گوسی متناظر با این شعاع ها پیشنهاد شده، که عملکرد بهتری نسبت به روش مشابه دارد. سپس، روشی برای کد کردن اندازه ی اختلافات محلی به عنوان مکمل lbp ارائه شده، که نسبت به روش های دیگری که از اندازه ی اختلافات محلی استفاده می کنند عملکرد بهتری دارد. همچنین، با توجه به اینکه در روش lbp تنها از هیستوگرام الگوها استفاده می شود، روشی برای استخراج اطلاعات توزیع مکانی الگوها و بر اساس ماتریس هم رخدادی پیشنهاد شده که باعث بهبود عملکرد lbp شده است. در نهایت سه ترکیب مختلف از روش های بالا برای بهبود هرچه بیشتر کارایی lbp ارائه شده است. شبیه سازی ها نشان می دهند که این روش های ترکیبی نتایجی در حد بهترین روش های موجود در مقالات تولید می کنند، در حالی که به مراتب سریع تر هستند.