بهبود روش های توصیف بافت تصویر با استفاده از نمونه برداری فشرده و کاربرد آن در طبقه بندی تصاویر

در سامانه های بینایی ماشین جهت استخراج ویژ گی های تصویری عموماً از سه محتوای رنگ، بافت و شکل استفاده می شود. در این پایان نامه، ویژگی بافت تصویر مورد توجه قرار گرفته و از آن، برای افزایش کارایی و دقت طبقه بندی داده های تصویری استفاده شده است. روش های استخراج ویژگی بافت، به چهار دسته عمده ی آماری، ساختاری، مبتنی بر مدل و مبتنی بر تبدیل های تصویری تقسیم می شود. اخیراً روش های مبتنی بر نمایش تنک سیگنال، از مباحث تئوری بهینه سازی نرم صفر نیز به حوزه بینایی ماشین وارد شده است. استفاده از نمایش تنک سیگنال در مسائل طبقه بندی نتایج موفقیت آمیزی به همراه داشته است. اما در مواردی که داده های هر طبقه تنوع زیادی داشته ویا ابعاد داده ها در مقایسه با تعداد داده های آموزشی زیاد باشد، کیفیت عملکرد آن کاهش می یابد. بنابراین استخراج مناسب ویژگی ها در چنین چارچوبی اهمیت زیادی دارد. در این پژوهش، برای طبقه بندی دادگان بافت، ابتدا ویژگی های متنوع و کارآمدی از جمله الگوی باینری محلی، الگوی باینری گابور، تبدیل فوریه پاسخ فیلترگابور و ماتریس هم رخداد استخراج می گردد. سپس با درنظرگرفتن هر ویژگی به صورت مجزا، با بکارگیری طبقه بند پیشنهادی مبتنی بر نمایش تنک داده ها طبقه بندی می شود. طبقه بند پیشنهاد شده را می توان نوعی طبقه بند مبتنی بر نمایش تنک دانست که قاعده تصمیم گیری آن ترکیب ایده های مطرح در جمع ضرایب نمایش تنک و طبقه بند k نزدیک ترین همسایه است. جهت ارزیابی عملکرد روش پیشنهادی از سه پایگاه داده معروف بافت brodatz، curet وkylberg استفاده شده است. مقایسه نتایج حاصل از شبیه سازی، بیانگر عملکرد بهتر روش پیشنهادی نسبت به روش های مطرح قبلی است.