A Review on Image Texture Analysis...
Transcript of A Review on Image Texture Analysis...
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
1
A Review on Image Texture
Analysis Methods Shervan Fekri-Ershad
1,*
1Faculty of Computer Engineering, Najafabad Branch, Islamic Azad University,
Najafabad, Iran
*Corresponding Author: [email protected]
Abstract
Texture classification is an active topic in image processing which plays an
important role in many applications such as image retrieval, inspection systems,
face recognition, medical image processing, etc. There are many approaches
extracting texture features in gray-level images such as local binary patterns, gray
level co-occurence matrixes, statistical features, skeleton, scale invariant feature
transform, etc. The texture analysis methods canbe categorized in 4 groups titles:
statistical methods, structural methods, filter-based and modelbased approaches.
In many related researches, authors have tried to extract color and texture features
jointly. In this respect, combinated methods are considered as efficient image
analysis descriptors. Mostly important challenages in image texture analysis are
rotation sensitivity, gray scale variations, noise sensitivity, illumination and
brightness conditions, etc. In this paper, we review most efficient and state-of-the-
art image texture analysis methods. Also, some texture classification approaches
are survived.
Keywords: Texture Classification, Local Binary Patterns, Impulse-noise,
Tezxture Analysis, Color Texture Classification
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
1
1. Introduction ةاةؼای در ای ةعف، اةحغا . ىؼوری ةؼ روش ای اانیؽ ةاـث جنیؼ اؿث، ىلانغف امهی ای
جػؼیؿ ةاـحی ةغی جناویؼ دؿح ىـئه ؿپؾ. گؼددىفم ةاـث جنیؼ و جنیؼ ةاـحی ةیان ىی
و چانف ای ای صزه در اداى مرت ىـئه ة جناویؼ رگی جػيیو داده قغه . ىی گؼدد
.ظاغ قغیث ايیث جضلیق در ای صزه ىعؼح در ا. ىعؼح ظاغ قغ
1.1. Image Texture Definition
، ـؼآورده ای ـازیدر . امعالح ةاـث جنیؼ، از جػؼیؿ ةاـث در پقاك اؿححاج قغه اؿث
در .دغجكکیم ىیـؼآورده را ع، رگ و چگگی كؼار گؼـح جار و پد در کار یکغیگؼ ةاـث
قغت 1پؼاکغگی و جزیع پؼدازش جنیؼ و ةیایی ىاقی یؽ ة ىیؽان، ع و چگگی
[.1]جنیؼ در کار یکغیگؼ ةاـث جنیؼ ىی گیغ جيام ظلا در پیکـم 2روقایی
: زیؼ جػؼیؿ کؼده اغ تمرة امعالح ةاـث جنیؼ را ، [2]در ىضللان
ا یا وىحع از قغت روقایی 3جاغ ةا یک جزیع ـضایی اىظویک صزه ةاـحی در جنیؼ ىی"
. "رگ ا قاظح قد
4غتارت جناویؼ ةاـحی. ونیک امعالح ةاـث جنیؼ و جناویؼ ةاـحی ةا یکغیگؼ کاىال ىحفاوت اؿث
انگیی ظاص از جزیع و پؼاکغگی قغت روقایی گؼدد ک در آاة جناویؼی اظالق ىی
[ 1].در صال جکؼار قغن ةاقغا ة مرت ىحانی در جيام ظل جنیؼ پیکـم
قکم ای ة ظر ىذال در . چغ ي از جناویؼ ةاـحی كان داده قغه اؿث( 1-1)در قکم
جنیؼ اؿث و جانی آا انگی ظا ای ؿیاه و ؿفیغ در جنیؼ ة مرت ىحانی جکؼار قغه
.اؿث امهی مفض قعؼر را ؿاظح
1 Distribution 2 Intensity 3 Non-uniform Spatial Distribution 4 Texture Image
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
2
(ج) ( ب) ( انؿ)
[3] ي ایی از جناویؼ ةا ةاـث جکؼارقغه. 1-1قکم
ای ظامی از جنیؼ دارای ةاـث جکؼار قغه ظاص در ةؼظی از جناویؼ ىيک اؿث ةعف
ة ظر ىذال جنیؼ كان داده قغه در . ای دیگؼ جلاوت ىی کغظدقان ةاقغ ک ةا ةعف
گهای ؿفیغ ، ةاـث ىؽ رگگهای كؼةاـث : ةاـث ىسؽا قاىم چار، دارای ؿ (2-1)قکم
ىی 1چی جناویؼی را ىػيال جناویؼ ةعكی ةاـحی[. 3]اؿث ظیاةانو ةاـث رگ، ةاـث چي
.اىغ
[3] ي ای از جنیؼ ةعكی ةاـحی ةا ؿ زیؼ ةاـث. 2-1قکم
یا جؿط ةكؼ جنیغ قغاغ و یا ة مرت جناویؼ ةاـحی كاةم پیف ةیی اؿث، ياعر ک
كان زیؼي ایی از ای دو دؿح جنیؼ ةاـحی در قکم . ظتیػی در اظؼاف ىا وزد داردغ
ةاـث ظتیػی ةؼگ درظث اگر، ؿاك زیؼ، قکم ةعف انؿ ة ظر ىذال در . داده قغه اؿث
جناویؼی از ( ب-3-1)يچی در قکم . گغم، ىؽارع کكاورزی و کـحان ىكاغه ىی گؼدد
1 Regional Texture
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
3
کی، ـؼآورده ای صنیؼی، ااع پارچ و ؽیؼه ىكاغه ىی قد، ک يگی ؿاظحيان ای ىؾ
.دارای ةاـث جکؼار قغه ةده و در زىؼه جناویؼ ةاـحی كؼار ىی گیؼغ
[4] جناویؼ ةا ةاـث ظتیػی( ب) جناویؼ ةا ةاـث قيغا ( انؿ)
ي ایی از جناویؼ ظتیػی و قيغا ةا ةاـث جکؼار قغه . 3-1قکم
ة ظر ىذال . اىغانگیی ک در جناویؼ ةاـحی در صال جکؼار قغن اؿث، را انگی جکؼاری ىی
ياعر ک ىكاغه ىی . جنیؼی از یک دیار آزؼی گؼـح قغه اؿث( انؿ-4-1)در قکم
کاىال جکؼار قغه ىی ةاقغ ة ظری ک ( ةاـث واكػی ىضیط يچی)قد، ةاـث جنیؼ
انگی جکؼاری یؽ . انگی آزؼ ة مرت ىحانی در جيام ؿعش جنیؼ در صال جکؼار قغن اؿث
چغ ي دیگؼ از جناویؼی . ة ظر زغاگا ةؼیغه و كان داده قغه اؿث( ب-4-1)در قکم
الزم . كان داده قغه اؿث( 5-1)در قکم ( ج درظث چيؽار،)جکؼار قغه 1ةا ةاـث ظتیػی
اؿحعؼاج ، [5] 2از آنتم ةؼوداجؽ( 5-1)و ( 4-1)ة جضیش اؿث ک جناویؼ ىؼةط ة اقکال
.اغگؼدیغه
(ب) ( انؿ)
[5](انؿ)انگی جکؼاری در ةاـث جنیؼ(ب)جنیؼی ةا ةاـث جکؼار قغه از دیار آزؼی (انؿ. )4 -1قکم
1 Natural Texture 2 Brodatz
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
4
(ب) ( انؿ)
[5] چغ ي از جناویؼ ظتیػی ةا ةاـث جکؼار قغه. 5-1قکم
چيؽار ( ب)ج درظث ( انؿ)
1.2. Texture Analysis ة کار رـح در درون جنیؼ را ةا 2یا ؿعح 1ةاـث جنیؼ اظالغات ةـیار ىفیغی در راةع ةا اقیا
آانیؽ .ىعؼح قغ 3ةاـث جنیؼ، ىفىی ة ام آانیؽ 80از اواؿط د . ظد صيم ىی کغ
اؿث ک ةؼای جكعیل دادن یا جيییؽ پؼدازش جنیؼدر ىوای ةاـث جنیؼ یکی از قاظ
ک روش اییة مرت کهی، ة . گؼددؿعح و اقیا درون جنیؼ از یکغیگؼ اؿحفاده ىی 4دادن
ای روشغان کغ، یک ؿؼی ویژگی زث جػؼیؿ ةاـث جنیؼ یا انگی جکؼاری ىػؼـی ىی
جاغ ة مرت ىـحلم و یا در ةیایی ىاقی، آانیؽ ةاـث ىی. قدآانیؽ ةاـث جنیؼ اظالق ىی
اؿحفاده ... و 6، صؼکث5جنیؼ يچن رگ، قکماز درون ظؼازی تای دیگؼ اسيؼاه ةا ویژگی
ای آانیؽ جنیؼ، جالش ةؼ آن اؿث جا یک ةؼدار ویژگی ک ةاةؼای در اکذؼ روش [.6]قد
ةا جز ة ای جفاؿیؼ، . ةحاغ ة ةحؼی ض ىػؼف ةاـث یا انگی جکؼاری ةاقغ، اؿحعؼاج گؼدد
7ای آانیؽ ةاـث جنیؼ در ةـیاری از کارةؼدای ةیایی ىاقی، يچن جكعیل انگروشاز
1 Objects 2 Surfaces 3 Texture Analysis 4 Discriminate 5 Shape 6 Motion 7 Pattern Recognition
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
5
كعػ ، 3قاؿایی چؼهؿیـحو ای ةازرؿی ةنؼی، ، 2، جكعیل غیب1، پیگیؼی قیةنؼی
. اؿحفاده ىی قد 5ةازیاةی جنیؼو 4جنیؼ ةغی
1.3. Texture Classification
ة ىػای ـتث دادن یک ي ة یکی از 6دؿح ةغیدر ىفایو اونی جكعیل انگ، غتارت
غف، ـتث دادن ةاـث یک 7ردر دؿح ةغی ةاـث جنی. گؼوه ای از پیف جػؼیؿ قغه اؿث
در صزه آانیؽ . ـحی از پیف جػؼیؿ قغه ىی ةاقغجنیؼ ي اقاس ة یکی از کالس ای ةا
ةاـث جنیؼ، ىػيال چار ىـئه امهی ىعؼح ىی گؼدد ک ؼ کغام صزه ای جضلیلاجی ةـیار
جضلیلاجی در راةع ةا آانیؽ دؿح ةغی ةاـث جنیؼ یکی از ای چار زىی . وؿیػی ىی ةاقغ
و قکم 9، جؼکیب ةاـث8ؿ ىـئه دیگؼ یؽ غتارجغ از ةعف ةغی ةاـث. ةاـث جنیؼ ىی ةاقغ
[8، 7.]10ةاـث
12ىؼصه جكعیلو 11اؿحعؼاج ویژگی ،دؿح ةغی ةاـث جنیؼ ىػيال قاىم دو ىؼصه امهی
.اؿث [9، 8، 7]
ایی اؿث ک در جناویؼ آىزقی ؼ کغام از ةاـث در ىؼصه اول، غف ؿاظح یک ىغل ةؼای
-ای اؿحعؼازی در ای ىؼصه ىی جاغ از ع غغدی، یـحگؼامویژگی. وزد دارغ 13پایگاه
زث يچن جتای، ؿاظحار ـضایی و 15، ظنایل ةاـث14ای گــح، جزیع ای جسؼةی
از آسایی ک غف امهی ای ىؼصه آىزش ةاـث ای ىػکر ة ؿیـحو اؿث، ةؼظی . ةاقغ
.یؽ ىی اىغ 16ىضللان آؼا ىؼصه یادگیؼی
1 Object Tracking 2 Defect Detection 3 Face Recognition 4 Image Segmentation 5 Image Retrieval
6 Classification
7 Image Texture Classification 8 Texture Segmentation 9 Texture Synthesis 10 Shape of Texture 11 Feature Extraction Phase 12 Recognition Phase 13 Training Data 14 Empirical Distribution 15 Texture Properties 16 Learning Phase
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
6
ة کار ةؼده قغه در ىؼصه كتم، روشدر ىؼصه دوم، اةحغا ةاـث جنیؼ ي آزىایكی ةا يان
ای اؿحعؼازی جنیؼ ؿح ةغی، ویژگیآانیؽ قغه و ؿپؾ ةا اؿحفاده از یک انگریحو د
در ای ىؼصه ةا جز . آزىایف ةا جناویؼ آىزقی ىلایـ قغه و کالس آن ىكعل ىی گؼدد
ة يی دنیم . جان اؿحفاده يدا یؽ ىیی ةغای اؿحعؼازی از ااع دؿحة ع ویژگی
. یؽ ىی اىغ 1ای ىؼصه را دؿح ةغی
در اکذؼ ای جضلیلات، .ای ىحغی ارائ قغه اؿثروشةغی ةاـث جنیؼ، هجاکن ةؼای دؿث
قایان ذکؼ اؿث ک ة دنیم گـحؼدگی . اغىضللان ةؼ روی یکی از دو ىؼصه ـق ىحيؼکؽ قغه
. ىضع، جضلیلات در ىرد ىؼصه آىزش ـتث ة ىؼصه دؿح ةغی، ةـیار ةیكحؼ اؿث
1.4. Color Texture Classification
ایی يچن ةاـث، قکم و رگ درك ة مرت جؼکیتی از ىنف ىػيال یک جنیؼ رااـان
جناویؼ ؿعح ای، ـلط ةؼی آانیؽ ةاـث جنیؼاروشای از ةعف غيغه[. 10]کغىی
جاغ در ای کهیغی ک ىیای در صانی اؿث ک یکی از ویژگی. جػؼیؿ قغه اغ 2ظاکـحؼی
ای رگ جنیؼ در کار جؼکیب ویژگی. دؿح ةغی و آانیؽ جناویؼ اؿحفاده قد، رگ اؿث
ایی يچن قکم و صؼکث در کارةؼدای گاگی از صزه پؼدازش جنیؼ اؿحفاده ویژگی
و [ 11]3قغه و حایر ىذتحی را ة ارىؾان آورده اؿث ک از آن زيه ىی جان ة جكعیل اقیا
ای از جناویؼی ک ىا ةا آا ؿؼ و کار داریو، رگی ةعف غيغه. اقاره کؼد[ 12]4ردیاةی صؼکث
ای رگ، در آانیؽ چی جناویؼی ة یچ غان ـحغ، ةاةؼای در ظؼ گؼـح ویژگی
ايیث ىضع و جضلیلات چغان وؿیػی ک جاکن در ای صزه مرت . ىػلل یـث
ةغی ةاـث جناویؼ رگی ارائ ، راکاری ةؼای دؿحىلانجا در ای را ةؼ آن داقث ىاگؼـح،
ای اؿحعؼازی از ةاـث و جالش ظاغ قغ ک ویژگی ىلاندر راؿحای ای غف، در ای . يایو
رگ جنیؼ ةا یکغیگؼ جؼکیب قغ و در ایث جؼکیب آا ىیؽان دكث دؿح ةغی را اـؽایف
. دغ
و جؼکیب 5جؼکیب اونی : ی ةاـث و رگ، دو راکار ىحغاول وزد داردادر جؼکیب ویژگی
در راکار جؼکیب اونی، غيهگؼای آانیؽ ةاـث ةؼ روی ؼ کاال رگی جنیؼ ة [.13] 1دای
1 Classification Phase 2 Gray Levels Images 3 Object Recognition 4 Motion Tracking 5 Early Fusion
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
7
ای . مرت ىسؽا اغيال ىی قغ و در ایث یک ؿؼی ویژگی ای جؼکیتی اؿحعؼاج ىی گؼدد
ای ةاـث و رگ در ؿعش پیکـم اؿحعؼازی زىای ک در جنیؼ ویژگیای دؿح از ویژگی
ةاالیی را ـؼاو کؼده و دكث دؿح ةغی را اـؽایف ىی 2جؼکیب قغه ةاقغ، كغرت زغاؿازی
ای ةاـث و رگ در ؿعش کم جنیؼ ةا در لع ىلاةم، در راکار جؼکیب دای، ویژگی. دغ
ىػيال ة قکم )ا، دو گؼوه ویژگی زغاگا ؿح از روشدر ای د. یکغیگؼ جؼکیب ىی قغ
ةؼ اؿاس رگ و ةاـث اؿحعؼاج قغه و در ایث ای دو یـحگؼام ىسؽا ة ( یـحگؼام
در راةع ةا زؽییات ؼ [. 14]دغ ایی را جكکیم ىی 4و ةازيایی 3قغیکغیگؼ پیؿث ىی
قغه جاکن ةا زؽییات ةیكحؼی در ةعف آجی ای ارائکغام از روش ای جؼکیب ـق و ىحغ
. ةضخ ظاغ قغ
1.5. Applications of Texture Analysis and Classification
یک ىفم ةا جز ة گـحؼدگی وؿیع جناویؼ ةاـحی و ةعكی ةاـحی، آانیؽ ةاـث جناویؼ رگی
. ىاقی کارةؼد وؿیػی دارد در ةـیاری از ىـائم صزه پؼدازش جنیؼ و ةیاییی ةده ک مغي
ة )ای ةاـحی اؿحعؼازی از جناویؼ کغ ک از ویژگیدر اکذؼ کارةؼدا، ىضللی جالش ىی
ةؼای زغاؿازی ...( ای دیگؼی يچن قکم، رگ، صؼکث و مرت ىفؼد و یا در کار ویژگی
جان ة دی ةاـث ىیاز زيه ىارد کارةؼدی آانیؽ و دؿح ة. ؿعح و اقیا اؿحفاده يایغ
:ىارد زیؼ اقاره کؼد
ز وةازیاةی جنیؼ ة ىػای اؿحعؼاج جناویؼ ىكاة ةا جنیؼ پؼس: [15]5ةازیاةی جنیؼ –انؿ
در ای کارةؼد، ىػیارای ةاـحی و رگ در کار یکغیگؼ ىی . از درون یک پایگاه ةؽرگ اؿث
. جاغ ةؼای جػؼیؿ ؼ جنیؼ و اقیا درون آن اؿحفاده گؼدغ
-جكعیل غیب ة ىػای ىكعل کؼدن ىکان و كـيث[ : 16]6جكعیل غیب ؿعضی –ب
پؼ . رخ داده اؿث اییللكاط غیب و ایی از ؿعش ىرد ظؼ در جنیؼ اؿث ک در آن ن
ای ؿانو ای ىػیب ؿعح، ةاـث جنیؼ ـتث ة ةاـث ةعفواضش اؿث ک در كـيث
1 Late Fusion 2 Discriminative 3 Concatenating 4 Representation 5 Image Retrieval 6 Surface Defect Detection
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
8
ةاةؼای آانیؽ و دؿح ةغی ةاـث در ای صزه یؽ کارةؼد ىيی ظاغ . جفاوت کؼده اؿث
. داقث
یک قی ظاص در درون در ای کارةؼد غف، جكعیل و ردیاةی [ : 17] 1ردیاةی اقیا –ج
ةغون قک، ىی ةایـث در ىؼصه یادگیؼی، قی ىرد ظؼ ة . جياىی ـؼیو ای یک ویغی اؿث
جاغ ىنف ای ةـیار در ای ىؼصه ویژگی ای ةاـحی و رگ قی ىی. ؿیـحو ىػؼـی گؼدد
جان ة ةغی ةاـث جناویؼ رگی ىی از زيه ىارد دیگؼ کارةؼدی دؿح .زغاپػیؼی ةاقغ
.اقاره يد[ 19]3ای ةازرؿی ةنؼی، ؿیـحو[18] 2جكعیل چؼه
2. Related Works in Texture Analysis
ةؼرؿی ازيانی روش ای . ىلانف ای اغیکی از اياعر ک در ـنم كتم ىكعل قغ،
ىـئه و ةاةؼای پؾ از ةؼرؿی مرت . کارآىغ در صزه دؿح ةغی و آانیؽ ةاـث جنیؼ اؿث
كیلاجی ک جاکن در ای صزهةعف پیكی، در ای ةعف ة ىؼور جشت جضلیق در یاو
. كـيث جلـیو يددو جان ة ىعانب ای ةعف را ىی. پؼداظح ىی قد مرت گؼـح اؿث،
ؿپؾ ة ىؼور . پؼداظح ىیكدو ةؼرؿی آا، ای آانیؽ ةاـث جناویؼ ةغی روشگؼوهاةحغا ة
-ةاـث و رگ جنیؼ را جؼکیب يدهزث دؿح ةغی جناویؼ رگی، پؼدازیو ک ایی ىیروش
.اغ
2.1. A review on Image Texture Analysis methods ارائ روقی ةؼای آانیؽ ةاـث جناویؼ ىلانياعر ک در ةعف كتم اقاره قغ، غف امهی ای
ای آانیؽ ةاـث جنیؼ روشةاةؼای ةحؼ اؿث ک در ای ةعف، اةحغا ة ةؼرؿی . رگی اؿث
-روشجاکن ىضللی . ای جؼکیتی ةاـث و رگ ىرد ةؼرؿی كؼار گیؼدپؼداظح و ؿپؾ روش
جاغ کات کغام از آا ة جایی ىیاغ ک ؼ ای ىحفاوجی در صزه آانیؽ ةاـث ارائ کؼده
ای ارائ قغه ةا جز ة پیچیغگی روشدؿح ةغی . ىذتث و ىفی ىحفاوجی داقح ةاقغ
1 Object Tracking 2 Face Recognition 3 Visual Inspection Systems
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
9
ای ارائ قغه در ای روشىضغات چغان کار آؿای یـث، ونی ة ظر ضيی ىی جان
[. 21و 20]گؼوه کهی ة قؼح زیؼ جلـیو کؼد 4زىی را ة
1آىاری ای روش
2ای ؿاظحاری روش
3ای ىتحی ةؼ ـیهحؼ روش
4ای ىتحی ةؼ ىغل روش
در اداى ای ةعف، اةحغا ة جػؼیؿ ىفم ؼ کغام از گؼوه ای ةاال پؼداظح قغه و ؿپؾ ةؼای
ای ىعؼح زث آانیؽ ةؼظی از روشؿپؾ . قدؼ کغام چغی روش ة اظحنار ةؼرؿی ىی
. گؼددىؼةط ىی قغ، ة جفنیم ةؼرؿی ىی ىلانةاـث ک ة ظر ىـحلیو ة ای
آهاریآنالیس های روش -2-1-1
ا زث آانیؽ ةاـث جناویؼ، یک ؿؼی ىضاؿتات آىاری ةؼ روی جاةع جزیع روشای دؿح از
ایی ک ةؼای اؿحعؼاج ةؼدار روشة ظر کهی . قغت روقایی پیکـم ا اسام ىی دغ
ی ای گؼوه کغ، در زىؼهویژگی ىػؼف ةاـث جنیؼ، از ىضاؿتات آىاری و ریاضی اؿحفاده ىی
، [24و 23، 22]5ای ای گؼوه ىی جان ة ظنایل یـحگؼامروشاز زيه . گیؼغ كؼار ىی
و جاةع [ 28 و 17]7، انگی دودویی ىضهی[27و 26، 25]6ای و رظغادیىاجؼیؾ
ىاجؼیؾ ای روشای آىاری، ةؼای درك ةحؼ ىفم روش. اقاره کؼد[ 30و 29]8يتـحگی
.يؼظغادی و ظنایل یـحگؼام ة جفنیم قؼح داده ظاغ قغ
هیستوگرام ویژگی ها و خصایص -الف
یـحگؼام جنیؼ، يایكی دو ةػغی از چگگی پؼاکغگی درزات ؿعح ظاکـحؼی در جنیؼ
ة ظری ک ةػغ اـلی آن كان دغه ؿعح ظاکـحؼی ة کار رـح در جنیؼ و ةػغ . اؿث
ة . غيدی و كان دغه جػغاد پیکـم ایی از جنیؼ ةا ؿعش ظاکـحؼی ىرد ظؼ اؿث
.كان داده قغه اؿث( 1-3)پیکـم در قکم 16ؿعضی ةا 3ظر ىذال، یـحگؼام جنیؼی
1 Statistical 2 Structural 3 Filter Based 4 Model Based 5 Histogram Properties 6 Co-Occurrence Matrix 7 Local Binary Pattern 8 Auto-Correlation
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
10
2 0 2 2 1 0 2 2 0 2 1 0 1 0 2 2
(انؿ)
(ب)
(انؿ)یـحگؼام جنیؼ ( ب)ؿعش ظاکـحؼی 3جنیؼی ةا ( انؿ. )1-2قکم
الزم ة جضیش اؿث ک . یؽ یـحگؼام دو جنیؼ واكػی كان داده قغه اؿث( 2-2)در قکم
.ؿعش ظاکـحؼی ـحغ 256ؼ دو جنیؼ دارای
(ب( )انؿ)
(د( )ج)
یـحگؼامي ایی از . 2-2قکم
یـحگؼام جنیؼ ج( د)، [4]جنیؼ امهی( ج) یـحگؼام جنیؼ انؿ،( ب)، [4] جنیؼ امهی( انؿ)
جاغ ة مرت ىـحلیو یا ؽیؼ ىـحلیو، اظالغات ةا ارزقی از جنیؼ را در یـحگؼام جنیؼ ىی
"ارنیک"در يی راؿحا یک ؿؼی ىػیارای آىاری ک ة ویژگی ای . اظحیار کارةؼ كؼار دغ
0
10
0 1 2
1
0
)(L
g
ggPgMean
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
11
ةؼظی از ای . دغیاجی از جنیؼ را كان ىیاغ ک ؼ کغام ظنصیؽ قؼت دارغ، ارائ قغه
(:4-2انی 1-2ىػادالت )ویژگی ا ة قؼح زیؼ ـحغ
(2- 1)
1کغ ک ىی جاغ ىػؼف ظةی از ىیؽان جاةاکی، ىیاگی جنیؼ را ىضاؿت ىی(1 -2)ىػادن
اصحيال رظغاد P(g)كان دغه ؿعح ظاکـحؼی ةده و gدر ای ىػادن .جنیؼ ةاقغ
.در جنیؼ اؿث gؿعش
(2- 2)
کغ ک ىی جاغ ىػؼف ظةی از ، اضؼاف از اؿحاغارد جنیؼ را ىضاؿت ىی(2 -2)ىػادن
.در جنیؼ ةاقغ 2ىیؽان وؿػث اظالغات
(2- 3)
جاغ ىػؼف ظةی از چگگی جزیع کغ ک ىی، اؼژی را در جنیؼ ىضاؿت ىی(3 -2)ىػادن
.در جنیؼ ةاقغ 3ؿعح ظاکـحؼی
(2- 4)
ای جاغ ىػؼف ظةی از ىیؽان ةیثکغ ک ىی ، آحؼوپی جنیؼ را ىضاؿت ىی(4 -2)ىػادن
.الزم زث کغ کؼدن جنیؼ ةاقغ
كان P(g)ؿعح ظاکـحؼی و ىاکؽیيو كان دغه L، (4 -2)انی ( 1 -2)در ىػادالت
ؼىال ارجفاع آن ؿعش در یـحگؼام) دغه اصحيال ةؼظرد ة ؼ کغام از ؿعح ظاکـحؼی
از ای ىػیارا در جنیؼ ىرد ظؼ ىی جاغ ىػؼف ظةی در ایث ىیؽان ؼ کغام . اؿث( قغه
ةاةؼای ةؼای آانیؽ ةاـث جناویؼ ىی جان از ظنایل یـحگؼام .از ةاـث آن جنیؼ ةاقغ
. اؿحفاده يد
رخذادیهای هنهاتریس -ب
در . رظغادی ـحغای ویکی از غيهگؼای پؼکارةؼد ةؼای آانیؽ ةاـث جناویؼ، ىاجؼیؾ
امعالح ىاجؼیـای و رظغادی، چگگی واةـحگی ـضایی ؿعح ظاکـحؼی ىعحهؿ ـتث ة
1 Brightness 2 Spread 3 Gray-Level Distribution
1
0
2 )()(L
g
g gPgg
1
0
2)(
L
g
gPE
1
0
2 )(log)(L
g
gPgPH
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
12
در يی راؿحا اةحغا ع ظامی از راةع ـضایی جػؼیؿ قغه و ؿپؾ . یکغیگؼ را ىی ؿسغ
ىیؽان رظغاد راةع ـضایی ىرد ظؼ ةؼای ؼ کغام از ؿعح ظاکـحؼی درون جنیؼ ـتث ة
كان داده قغه ( 3-2)ةؼای ـو ةحؼ، ىذانی در قکم . قداىی ؿعح دیگؼ ةؼرؿی ىیجو
ىكعل قغه و ؿپؾ Relationدر ای قکم، اةحغا ع راةع ـضایی ىرد ظؼ جؿط . اؿث
در ىاجؼیؾ ( ةا در ظؼ گؼـح راةع ىرد ظؼ)ىیؽان رظغاد ؿعح ظاکـحؼی ـتث ة یکغیگؼ
یک )جز گؼدد ک راةع كان داده قغه ة ىػای راةع د درز . ىضاؿت قغه اؿث
ياعر ک ىی ةییغ ؼ کغام از ؿعر اـلی ىؼةط ة یک . اؿث( پیکـم ة ؿيث پایی
ح ةده و ؼ ظا از ىاجؼیؾ كان ىی دغ ک چغةار ای ؿعش ةا ؿعش ظاکـحؼی ؿحن ؿط
ة ظر ىذال ظا ؿعؼ ؿم و ؿحن اول ىاجؼیؾ . ةده اؿث Rىرد ظؼ دارای راةع ـضایی
در جنیؼ در پیکـم ؿيث راؿث ؿعش 2ةار پؾ از ؿعش ظاکـحؼی 4كان ىی دغ ک
. ظاکـحؼی مفؼ وزد دارد
2 0 2 2 1 0 2 2 0 2 1 0 1 0 2 2
(انؿ)
(ب)
Rةا راةع ( انؿ)ىاجؼیؾ و رظغادی ةؼای ( ب)ؿعش ظاکـحؼی 3جنیؼ امهی ةا ( انؿ. )3-2قکم
ةا جز ة جضیضات ـق، ىی جان ةا جز ة ؼ غی از راةع ـضایی، یک ىاجؼیؾ و
ای و رظغادی ارجتاظات از آسایی ک ىاجؼیؾ. رظغادی ةؼای جنیؼ ىرد ظؼ ىضاؿت کؼد
دغ، ةاةؼای چاچ ةحان ىػیارای ةا ارزقی از درون آا یکغیگؼ را كان ىیا ةا پیکـم
در ای . جاغ ىػؼف ظةی از ةاـث جنیؼ ىرد ظؼ ةاقغا ىیاؿحعؼاج يد، ای ىاجؼیؾ
جان ة اؼژی و جؼی آا ىیراؿحا جاکن ىػیارای آىاری گاگی جػؼیؿ قغه ک از امهی
ةؼای ىضاؿت ای ؿؼی از ویژگی ا . اقاره کؼد 3و يتـحگی 2، و زـی1و جتای آحؼوپی
1 Contrast 2 Homogeneity 3 Correlation
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
13
ةؼای . ةایغ در اةحغا ىاجؼیؾ و رظغادی ؼىال قغه و ؿپؾ ىػادالت ىؼةظ ىضاؿت قد
ؼىال ؿازی ىاجؼیؾ کاـی اؿث ک ارزش ؼ ظا ة ىسيع کم ارزش ای درون ىاجؼیؾ
. ای ىضع را ةیان ىی کغ( 5 -2)ىػادن . جلـیو گؼدد
𝑁 𝑝, 𝑞 = 𝑉(𝑝, 𝑞)/ 𝑉 𝑖, 𝑗 𝑚𝑗=1 𝑛
𝑖=1 (2-5)
كان دغه ؿایؽ ىاجؼیؾ يؼظغادی ـحغ ک ةؼاةؼ ةا جػغاد ؿعح nوmدر ىػادن ـق،
ة جؼجیب ؿعؼ و ؿحن ظا ىرد ظؼ، qو pيچی . ظاکـحؼی ة کار رـح در جنیؼ اؿث
V ىاجؼیؾ و رظغادی وN ضه ىضاؿت . ىاجؼیؾ و رظغادی ؼىال قغه را كان ىی دغ
.[6 , 3]ةا زؽییات ةیان قغه اؿث( 10-3)انی ( 6-3)ىػیارای آىاری ـق در ىػادالت
𝐻 = − 𝑁 𝑖, 𝑗 𝐿𝑜𝑔(𝑁 𝑖, 𝑗 ) 𝑚𝑗 =1 𝑛
𝑖=1 (2-6)
𝐶𝑜𝑛𝑠𝑡𝑎𝑛𝑡 = (𝑖 − 𝑗)2𝑁 𝑖, 𝑗 𝑚𝑗 =1 𝑛
𝑖=1 (2-7)
𝐸 = 𝑁2(𝑖, 𝑗) 𝑚𝑗 =1 𝑛
𝑖=1 (2-8)
𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = 𝑁 𝑖, 𝑗
1 + |𝑖 − 𝑗| 𝑚
𝑗 =1 𝑛𝑖=1 (2-9)
𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 = 𝑖−𝜇 𝑖 𝑗−𝜇 𝑗 𝑁(𝑖 ,𝑗 ) 𝑚
𝑗=1 𝑛𝑖=1
𝜎𝑖𝜎𝑗 (2-10)
ساختاریآنالیسهای روش -2-1-2
ةغی . ا ؿاظحار ةاـث را ىرد ةؼرؿی كؼار ىی دغروشآانیؽ ةاـث جنیؼ، ةؼظی از زث
ایی را از پیف ظؼاصی کؼده و ة دتال ىیؽان و ىاظق رظغاد آا در انگا و ةاـثىػا ک
جاغ ةـیار ؿاده ةاقغ يچن ویژگی ؿاظحارای از پیف ظؼاصی قغه ىی. گؼدغجنیؼ ىی
ایی ةؼای یک يـایگی جؼ ةاقغ يچن ؿاظحارظامی ةؼای ؼ پیکـم و یا جا صغی پیچیغه
ىػیارایی )ای ةاـحی ای ای گؼوه یؽ ویژگیانتح در ةؼظی دیگؼ از روش. کچک یا ةؽرگ
ایی ک در زىؼه ای گؼوه روشاززيه ىكرجؼی . قغةؼای قاؿایی اؿحفاده ىی( غغدی
و 33]2، غيهگؼ ای ىرـنژی[32و 31]1زای ىی گیؼغ ىی جان ة ؿسف يایف اؿکهث
1 Skeleton Representation
2 Morphological Operators
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
14
، اقاره [39و 38، 37]2ای نت، ویژگی[36و 35]1جػؼیؿ پیف یؿاظحارواصغ ای ، [34
-ای ؿاظحاری زث ي روش ویژگیدر اداى ةؼای درك ةحؼ ىفم ؿاظحار و روش. کؼد
. ای نت ةا زؽییات ىرد ةؼرؿی كؼار ظاغ گؼـث
ویژگی های لثه -الف
ای يـایگاف زف كاةم ىالصظایی از جنیؼ ک قغت روقایی آا ـتث ة ة پیکـم
یاةی یکی از ىـائم پؼکارةؼد در نت. قدامعالصا نت گفح ىی( کاف/ اـؽایف)داقح ةاقغ
، 4، کی3ای غيم جؿط اپؼاجرای ىعحهفی يچن ؿةم. صزه پؼدازش جنیؼ اؿث
ک ة واةـح جػؼیؿ غيهکؼد ای اپؼاجرا ةغی مرت اؿث . جاغ مرت گیؼدىی... و 5پؼییث
. گؼدغ ک ىی جاغ قؼوط ـیهحؼ را ارضا کغغی ـیهحؼ، در جنیؼ ة دتال پیکـم ایی ىی
ـیهحؼا ة مرجی ظؼاصی قغه اغ ک جا پیکـم ایی ک زؽو نت ـحغ، قؼایط را ارضا )
كان ( 4 -3)ل چغ ي از جناویؼ نت یاةی قغه جؿط ـیهحؼای ىعحهؿ در قک(. ىی کغ
.داده قغه اؿث
(ب) ( انؿ)
(د( )ج)
ي ایی از نت یاةی. 4-2قکم
0.07 آؿحا یاةی قغه جؿط ـیهحؼ ؿةم ةا صغجنیؼ نت ( ب)، [109]جنیؼ امهی ( انؿ)
0.3 آؿحا جنیؼ نت یاةی قغه جؿط ـیهحؼ کی ةا صغ( د)، [109]جنیؼ امهی ( ج)
1 Primitive Measurement 2 Edge Features 3 Sobel
4 Canny
5 Prewitt
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
15
جنیؼ نت یاةی قغه ىی جاغ ىػؼف ظةی ةؼای ةاـث جنیؼ ةاقغ، ة قؼط آک ةحان ویژگی
در يی راؿحا ویژگی ایی يچن جػغاد . ای را از درون آن اؿحعؼاج يدای كاةم ىضاؿت
ياعر ک از . اغ، جاکن ارائ قغه2و یـحگؼام زث 1پیکـم ای نت، یـحگؼام ةؽرگی
ا در جنیؼ ة دتال ؿاظحارای قد، ای ـیهحؼجػؼیؿ ـیهحؼ نت یاةی و غيهکؼد آن ةؼداقث ىی
.ای ؿاظحاری كؼار داد روشدر زىؼه را روشگؼدغ، ةاةؼای ىی جان ای ىػیی ىی
ب- Scale Invariant Feature Transform (SIFT)
ایی ىضهی ةا كغرت جفکیک ، روقی ظالكا ةؼای اؿحعؼاج ویژگی[136]دییغ نو در
. ارائ داد (SIFT)"جتغیم ویژگی ای ىـحلم از ىلیاس "جضث غان ،ةاال از جنیؼ 3دغگی
ىعؼح قغه اؿث، جنیؼ را ة 4ک ةؼای صم ىـئه جكعیل قی[ 136]روش ارائ قغه در
کغ ک ؼ کغام از آا ـتث ة چؼظف و ىسيغ ةؽرگی از ةؼدارای ویژگی ىحلم ىی
جنیؼ یؽ ىلاوىث 6کاىال ىـحلم ةده و ـتث ة جؾییؼات ىیؽان روقایی 5زاةسایی جنیؼ
داـث ایرا ىی جان یک روش ىؼصه SIFTضه اؿحعؼاج ویژگی جؿط غيهگؼ . ةاالیی دارغ
ای ، ىکان[136]در . قغجنیؼ قاؿایی ىی 7ای کهیغیک در ىؼصه اول اةحغا ىکان
در آن لاط (DoG) 8قغ ک جاةع جفاوت گؿیکهیغی جنیؼ، لاظی از جنیؼ جػؼیؿ ىی
ؿپؾ ؼ لع کهیغی ةؼای جنیغ یک ةؼدار ویژگی اؿحفاده ىی . قغىاکؽیيو یا ىییيو ىی
، ةؼدارای ویژگی [136]دید نو در . جنیؼ را جمیؿ ىی يایغ 9ای ىضهیقد ک ةعف
اىیغه و اغحلاد دارد ک ای ویژگی ا ـتث ة جؾییؼات ىضهی SIFTاؿحعؼازی را لاط
، روش ىتحکؼا ظد را ةا جؼکیب [137]دییغ نو در . جنیؼ جا صغ زیادی ىـحلم ـحغ
10جكعیل دغه اصی ىـحلم از ىلیاس و غيهگؼی ىتحی ةؼ ضه جزیع گؼادیان ىضهی
. جنیؼ ةتد ىی ةعكغ
1 Magnitude 2 Direction 3 Discriminative 4 Object Recognition 5 Image Translation 6 Illumination 7 Key locations 8 Difference of Gaussian 9 Local Region 10 Local Gradient Distribution
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
16
SIFTر ای ةتد یاـح ای از غيهگاغ ـعجاکن در جضلیلات ىحغی، ىضللان جالش کؼده
را ةؼای کارةؼدای ىحع پؼدازش جنیؼ از زيه جكعیل قی، جكعیل چؼه، ةازیاةی جنیؼ،
. دؿح ةغی ةاـث جنیؼ و ؽیؼه ارائ دغ
ارائ داده اغ ک ةا PCA-SIFT، ک و ؿکحاکار روقی جضث غان [138]ة غان ىذال، در
را در صانث رایر از SIFT، اةػاد غيهگؼ 1 (PCA)دغهآانیؽ ىنف دؿحر اؿحفاده از انگریحو
، [139]در جالقی دیگؼ، ىیکالزـؽیک و اقيیغ در . ةػغ کاف ىی دغ 36ةػغ ة 128
یـحگؼام ىکان و زث ة غان ىعفؿ GLOHجضث غان SIFTای ازـع ةتد یاـح
. دغرا اـؽایف ىی 3SIFTكغرت جيایؽ پػیؼیارائ دادغ ک ىلاوىث و 2گؼادیان
ج- Bi-dimensional Emprical Mode Decomposition
آانیؽ ةاـث جنیؼ اؿث ک در زىؼه ای روش، یکی از [142] (EMD)جسؽی ىغل جسؼةی
یک ةػغی یک ؿیگال داةث EMDة مرت جئری، .كؼار ىی گیؼد 4روش ای چغ وضصی
ىنف ای ىغوالؿین زؼیان و ىغوالؿین ـؼکاؾ ىی ىػؼف ىسيع هرا كان ىی دغ ك
ؽیؼ ظعی ای یک ةػغیىػيال ةؼای آانیؽ ؿیگالدر صزه پؼدازش ؿیگال EMD.ةاقغ
یک ؿؼی ؿیگال ای ةاغ ىضغود ؿیگال ورودی یک ةػغی را ة ،EMDغيهگؼ . اردکارةؼد د
، [143]ؽ و يکاراف در .يایغىی 6جسؽی غاىیغه ىی ق (IMF) 5جاةع يای ذاجیک
ارائ ىی دغ (BEMD)را جضث غان جسؽی ىغل جسؼةی دو ةػغی EMDـع دو ةػغی
ة دنیم . يایغجسؽی ىی (2D-IMF)ک ؿیگال دو ةػغی را ة جاةع يای ذاجی دو ةػغی
در ةضخ پؼدازش جنیؼ، کارةؼد وؿیػی زث آانیؽ ةاـث جنیؼ BEMDؿاظحار دو ةػغی،
را ىی جان ة مرت ظالم ای چی BEMDىؼاصم اؿحعؼاج ویژگی جؿط غيهگؼ .دارد
:ةیان کؼد
ىكعل کؼدن ىکان ای ىاکؽیيو و ىییيو جنیؼ جؿط غيهگؼای ىرـنژیک و
7غيهگؼای کجاه جؼی ـامه
و جنیغ دو RBFةی جيام لاط ىاکؽیيو و ىییيو جؿط انگریحو درون یاةی ؿعش
Xmaxو Xminىضغوده
ىیاگی گیؼی ةی دو ىضغوده جػیی قغه و جنیغ ىضغودهXM
h1 = I - XM: جفؼیق جنیؼ از ىضغوده ىیاگی
1 Principal Component Analysis (PCA) 2 Gradient Location and Orientation Histogram (GLOH) 3 Distinction 4 Multiresolution 5 Intrinsic Mode Function (IMF) 6 Decompose 7 Geodesic operator
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
17
جکؼار ىؼاصم ـق جا زىای کh1 جنیغ قغه قؼایط یکIMF دو ةػغی را داقح ةاقغ
های هثتنی تر هذل روش -2-1-3
ای . ىیوای ىتحی ةؼ ىغل ىی ا روشجضث غان ای آانیؽ ةاـث جنیؼ را روش ةـیاری از
ا، جالش ىی کغ ة کيک ؿاظحارای پیف ؿاظح ای، انگی جکؼار در جنیؼ یا ةاـث روش
ةؼای ىغل کؼدن پارچ ای ؿانو از ىیغان گؿی [54]ة غان ىذال در . جنیؼ را ىغل کغ
ای ای صزه ىی جان ة ىغل ای روشاز زيه دیگؼ . اؿحفاده قغه اؿث 1جنادـی ىارکؿ
.اقاره کؼد[ 57]4و ىغل پـؼـث ظدکار 3، ىالك ةاـث[56و 55] 2ـؼکحال
های هثتنی تر فیلتر روش -2-1-4
. ا ةؼای آانیؽ ةاـث جنیؼ از ـیهحؼایی از پیف ظؼاصی قغه، اؿحفاده ىی کغ روشةؼظی از
ا، اةحغا ـیهحؼ را ظؼاصی کؼده و ؿپؾ جنیؼ ىرد ظؼ را از ـیهحؼ غتر داده روشای دؿح از
غيىا ـیهحؼا در یکی از دو . و ظؼوزی ىرد ظؼ را از دیغگاه ای ىحفاوت آانیؽ ىی کغ
: ر جػؼیؿ ىی قغصزه زی
[43و 42]6صزه ـؼکاؾ. ب [ 41و 40]5صزه ـضایی .انؿ
[46 ،45، 44.] قغةؼظی ـیهحؼا یؽ ة مرت جؼکیتی و ىعحهط در ؼ دو صزه جػؼیؿ ىی
حوزه فضایی -الف
در غهو پؼدازش جنیؼ، صزه ـضایی در واكع ة داى پیکـم ا و قغت روقایی آا گفح
ةاةؼای ـیهحؼایی ک در ای صزه جػؼیؿ ىی قغ، ـیهحؼایی ـحغ ک ة مرت . ىی قد
. ىـحلیو ةؼ روی قغت روقایی پیکـم ا و ىکان غؿی آا در جنیؼ اغيال ىی قغ
غان قغ، ـیهحؼایی ظامی ةؼای جكعیل ( 1-2-1-2)ل، ياعر ک در ةعفة غان ىذا
نت در جناویؼ ظؼاصی قغه اغ، اگؼ ة غيهکؼد ای ـیهحؼا دكث کیو، آا ةؼای جكعیل نت،
ةاةؼای صزه غيهکؼد آا ة ظر . قغت روقایی لاط يـای ؼ پیکـم را ةا آن ىی ؿسغ
از ای رو اؿث ک ـیهحؼای نت. ـیؽیکی و قغت روقایی لاط اؿثىـحلیو ةؼ روی ىکان
ای آانیؽ ةاـث جنیؼ ىتحی ةؼ ـیهحؼای صزه ـضایی یؽ كؼار روشیاةی را ىی جان در زىؼه 1 Gaussian Markov Random Field 2 Fractal Model 3 Exemplar 4 Autoregressive 5 Spatial Domain 6 Frequency Domain
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
18
، کهؾ و يکاراف، انگریحيی ةؼای آانیؽ ةاـث جناویؼ ةؼ اؿاس [47]ة غان ىذال در .داد
و ـیهحؼ کؼدن ىضیط 2، ـیهحؼ کؼدن ظیؿ ا1جؼ کؼدن ـؼکاـی يـجؼکیتی از حایر ـیم
کهؾ و يکاراف ةؼای ـیهحؼ کؼدن جنیؼ در ىضیط ـضایی و . دغارائ ىی( داى)ـضایی
از دیگؼ ااع . اؿحعؼاج ویژگی ای ةاـحی جنیؼ از ـیهحؼای ىكر نت یاةی اؿحفاده يده اغ
، [48]3یؽ ةاـث جنیؼ اؿحفاده ىی قغ ىی جان ة ـیهحؼ جاةع گؿیـیهحؼایی ک ةؼای آال
اقاره کؼد ک جضیش ؼ ... و [ 50]4، ـیهحؼای پاؿط ضؼة ىضغود ظعی[49]ـیهحؼ الپالؿی
. يی ةاقغ ىلانکغام ىفنم ةده و در صزه ای
حوزه فرکانس -ب
. قغىضیط ةؼ روی جنیؼ اغيال ىیةؼظی از ـیهحؼا در صزه ـؼکاؾ جػؼیؿ قغه و در آن
ةاةؼای، ةؼای ایک ةحان از آا در راةع ةا جناویؼ دیسیحال اؿحفاده کؼد، ىی ةایـث ةایغ اةحغا
جنیؼ ىرد ظؼ جؿط جتغیالت ىزک ة صزه ـؼکاؾ رـح جا جػؼیؿ ؿیگانی آن صامم
از زيه ـیهحؼای . ی آن اغيال گؼددؿپؾ ـیهحؼای ىرد ظؼ ةؼ روی ىنف ای ـؼکاؾ. قد
اقاره [ 53]6و ـیهحؼای كهو[ 52]، ـیهحؼای گاةر [51]5ای صزه ىی جان ة جتغیم ىزک
اظالغات اؿحعؼازی از ىضیط ـؼکاؾ ىػيال ـتث ة ویژگی ای ىضیط ـضایی . کؼد
ةاجی ةاال و زىان ازؼای ونیک ةار ىضاس. پایغارجؼ ةده و از ای زث کارةؼد وؿیػی یؽ دارغ
. ةیكحؼ از زيه ىػایب ةؼظی از ای گؼوه ـیهحؼا ىی ةاقغ
2.2. Texture Classification Methods
ة ىػای ـتث دادن یک ي ة 7ةغیياعر ک در ـنم كتم یؽ جضیش داده قغ، دؿح
یؽ غف ـتث 8ةاـث جنیؼةغی در دؿح. ةاقغای از پیف جػؼیؿ قغه ىییکی از گؼوه
. ای ةاـحی از پیف جػؼیؿ قغه اؿثی آزىایكی ة یکی از کالسدادن ةاـث یک جنیؼ ي
ىؼصه . انؿ: ای ارائ قغه ةؼای دؿح ةغی ةاـث جنیؼ ىػيال قاىم دو ىؼصه امهی روش
. ةاقغىی [ 9، 8، 7( ]دؿح ةغی) 10ىؼصه جكعیل. و ب( اؿحعؼاج ویژگی) 9آىزش
1 Isotropic Frequency Filtering 2 Spectral Filtering 3 Gaussian Function Filter 4 Linear Finite Impulse Response Filter 5 Wavelet Filter 6 Wedge Filter 7 Classification 8 Image Texture Classification 9 Learning Phase 10 Recognition Phase
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
19
ایی اؿث ک در جناویؼ در ىؼصه آىزش، غف ؿاظح یک ىغل ةؼای ؼ کغام از ةاـث
جؼ ةؼای آانیؽ ةاـث جنیؼ ىعؼح ایی ک پیفةاةؼای، جياىی روش. وزد دارد 1آىزقی پایگاه
ی ة يی ىظر، کاـی اؿث ک ظؼوج. جاغ در ای ىؼصه ىرد اؿحفاده كؼار گیؼغقغ، ىی
ای گــح، جزیع ای ای غغدی، یـحگؼامایی يچن ویژگیآانیؽ ةاـث ة مرت
جتغیم .... يچن جتای، ؿاظحار ـضایی، زث و 3، ظنایل آىاری، ظنایل ةاـحی2جسؼةی
جؼ در ای ىؼصه ة غتارت ؿاده. گؼدد جا اىکان ىلایـ و دؿح ةغی آا وزد داقح ةاقغ
از آسایی ک غف . ری ویژگی جفکیک کغه از ةاـث جنیؼ اؿحعؼاج گؼددةایـث یک سىی
امهی ای ىؼصه، آىزش ةاـث ای ىػکر ة ؿیـحو اؿث، ةؼظی ىضللان آن را ىؼصه
.اىغیؽ ىی 4یادگیؼی
ةایـث کالس ةاـحی جنیؼ ىرد آزىایف ا ىیاده از ااع دؿح ةغدر ىؼصه دوم، ةا اؿحؿ
ىحػارـیةغای در ای ىؼصه آوری کيحؼ ةده زیؼا در اکذؼ ىارد از دؿح. گؼددىكعل
5ای ظعی ىاغ آانیؽ جفکیک کغه ظعیةغای غنتی، ااع دؿحيچن ااع قتک
(LDA) 6ؽدیک جؼی يـایيچن ای آىاری ةغ، دؿح (KNN) ىاقی ةؼدار ،
-یؽ ىضللان جالش ىی انتح در ةؼظی از جضلیلات. ، اؿحفاده ىی گؼدد...و (SVM)7پكحیتان
ای کالؿیک را ةا ىـئه و کارةؼد ىرد ظؼ ةغکغ ک ةا جؾییؼ پاراىحؼای ورودی، دؿح
. کغ 8جضلیق ؿازگار
در قاؿایی و درك "دؿح وؿیػی از ىضللان در ای صزه ة ای ظؼی اغحلاد دارغ ک
ة يی . "آن اؿث 9ةاـث ىـحلم از دیگؼ ویژگی ای جنیؼ از زيه رگ و قکمماویؼ، ت
ارائ 10ای ةـیار ىحغی ةؼای آانیؽ ةاـث جناویؼ ةا ؿعح ظاکـحؼیروشىظر، جاکن
علی الرغم استقالل "ةا ای ظؼی ىاـق تده و اغحلاد دارد ک ىلانیـغه ای . قغه اؿث
ای ةاـث و ةغی جناویؼ، جؼکیب ویژگیدؿحدرك و ونیک در ،جنیؼ از رگ و قکمةاـث
ة ای ظؼی ةیكحؼ 4-2در زیؼ ةعف . "را اـؽایف دغ 11جاغ دكث دؿح ةغیرگ ىی
1 Training Data 2 Empirical Distribution 3 Texture Properties 4 Learning Phase 5 Linear Discriminant Analysis (LDA) 6 K Nearest Neighbor (KNN) 7 Support Vector Machine (SVM) 8 Adapt 9 Shape 10 Gray-Level Texture Images 11 Classification Accuracy
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
20
و پؼکارةؼد ةؼای 1ای ة روزروش، ةؼظی از 3-2 ونی ـػال در زیؼ ةعف. پؼداظح ظاغ قغ
.آانیؽ ةاـث جناویؼ ةا ؿعح ظاکـحؼی ة اظحنار ةؼرؿی و لغ ظاغ قغ
2.3. Review on Gray-level Texture Classification
جؼی راکارا ةؼای آانیؽ ااع جناویؼ ةعنص اؿحفاده از ویژگی ای آىاری یکی از كغیيی
ی روش، [ 58]چ و يکاراف، کیی1995ر ؿال ة غان ىذال د. جناویؼ ةاـحی ىی ةاقغ
ارائ 2ای آىاری غؿیةؼای دؿح ةغی ةاـث جناویؼ ةا ؿعح ظاکـحؼی ةؼ پای ویژگی
، ىیاگی قغت روقایی و اضؼاف از 5، اصاظگی4، جؼاکو3ایی يچن اىظيیویژگی. کؼدغ
چ و کیی. اغؿحفاده كؼار گؼـحدر ای روش ةؼای آانیؽ ةاـث جنیؼ ىرد ا 6اؿحاغارد
، روش ارائ قغه ظدقان را ةا ؿ روش ىاجؼیؾ واةـحگی ـضایی ؿعح [58]يکاراف در
8، ویژگی ای نی ةؼ اؿاس جتغیم ـری و ىاجؼیؾ ویژگی ای آىاری(SGLDM) 7ظاکـحؼی
(SFM) را ـؼاو ىی دغ ک روش ایكان دكث دؿح ةغی ةاالجؼیىلایـ کؼده و كان ىی
آورده قغه 1-2در لغ ای ىلان ىی جان دو ىؽیث و ؿ غیب را ذکؼ کؼد ک در زغول . کغ
.اؿث
[58]تر اساس ویژگی های آهاری هنذسی تحلیل هسیت ها و عیوب دسته تنذی . 1-2جذول
هعایة هسایا
ةار ىضاؿتاجی ویژگی ای آىاری ة دنیم
ـؼىل ىكعل، کو اؿث
ةغی ارائ قغه پایی اؿث دكث دؿح
ویژگی ای آىاری ـتث ة یؽ صـاس ـحغ
روش ارائ قغه را يی جان ة جناویؼ رگی جػيیو داد
ویژگی ای آىاری ذاجا ـتث ة چؼظف جنیؼ صـاس
ـحغ
ىؽایای اؿحفاده از ویژگی ای آىاری ةاغخ قغه اؿث ک در ظی ؿانیان اظیؼ يچان از ای
ا، ظاه ة مرت ىـحلم و ظاه ة مرت جؼکیب ةا دیگؼ غيهگؼای آانیؽی گؼوه ویژگی
، وارىا و زیـؼى [59]ة غان ىذال در . ةاـث، زث دؿح ةغی ةاـث جنیؼ اؿحفاده گؼدد
1 State-Of-the-art 2 Geometrical Statistical Features 3 Irregularity 4 Compactness 5 Perimeter 6 Standard Deviation 7 Spatial Gray Level Dependence Matrix (SGLDM) 8 Statistical Features Matrix
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
21
ای آىاری ارائ داده اغ ک ـلط از ةؼای دؿح ةغی ةاـث ةؼ پای اؿحعؼاج ویژگیانگریحيی
، جنیؼ آىزقی ةؼ اؿاس جزیع اصحيانی [59]در . کغیک ي جنیؼ آىزقی اؿحفاده ىی
پاؿط ـیهحؼ ضؼة ىغل قغه و ؿپؾ یـحگؼام آن رؿو گؼدیغه و در ایث ویژگی آىاری از
ةؼای ىؼصه ،x2، از جاةع ـامه ىتحی ةؼ ىػیار [59]در . ؿحعؼاج ىی گؼددیـحگؼام ظؼوزی ا
. ةیان قغه اؿث 2-2ىؽایا و ىػایب ای روش در زغول . دؿح ةغی اؿحفاده قغه اؿث
[59]تر اساس ویژگی های آهاری از تصویر تنها تحلیل هسیت ها و عیوب دسته تنذی . 2-2جذول
هعایة هسایا
اغك ـتث ة لع ظؼ جنیؼ ةؼداری صـاؿیث
و روقایی اىحػارف در جنیؼ
غغم صـاؿیث ة چؼظف در جنیؼ
ةار ىضاؿتاجی ةاال ة دنیم چغ ىؼصه اغيال
ـیهحؼ و اؿحعؼاج یـحگؼام
دكث دؿح ةغی ةاالیی ـؼاو يی کغ
روش ارائ قغه را يی جان ة جناویؼ رگی
جػيیو داد
ای آىاری ةا دیگؼ اغ ک از جؼکیب ویژگیدر جضلیلات ىحغی، ةؼظی از ىضللان جالش کؼده
ة غان ىذال در . ایی ةا كغرت جفکیک پػیؼی ةاالجؼ ـؼاو کغغيهگؼای آانیؽی، ویژگی
زث دؿح ةغی ةاـث جناویؼ 1ای ىزکای آىاری و ویژگی، از جؼکیب ویژگی[60]
، پؾ از اغيال جاةع جتغیم ىزک ةؼ روی [60]در . اـان اؿحفاده قغه اؿثزی جىرای ىؼ
و نضظ دوم 5، يتـحگی4، جساؾ3، جتای2جنیؼ، ویژگی ای آىاری يچن ةی ظيی
جؼی ای ىاقی ةؼدار پكحیتان و ؽدیکةغدر ای ىلان از دؿح. اؿحعؼاج ىی گؼدد 6ایزاوی
ای روش غهی انؼؽو دكث دؿح . ـاده گؼدیغه اؿثاؿث 7ةغیدؿح يـای ةؼای ىضاؿت دكث
ىؾؽ ـؼاو ىی يایغ، ىػایتی یؽ دارد ک در زغول MRIةغی ةاال ک ةؼ روی پایگاه جناویؼ
.، ةیان قغه اؿث2-3
1 Wavelet Features 2 Entropy 3 Contrast 4 Homogeneity 5 Correlation 6 Angular Second Moment 7 Classification Accuracy
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
22
تر اساس ویژگی های آهاری هرتثه اول و دوم در تثذیل تحلیل هسیت ها و عیوب دسته تنذی . 3-2جذول
[60]هوجک
هعایة هسایا
دكث دؿح ةغی ةاال ةؼ روی جناویؼMRI ىؾؽ اـان
ةار ىضاؿتاجی ـتحا پایی در ىلایـ ةا روش ای
MRIىعؼح قغه در صزه جناویؼ
ةغ ا ؿازگاری ةا ااع دؿح
جناویؼ ةاـحی ؽیؼ غغم ؿازگاری اصحيانی ةا
از ىؾؽ اـان
1صـاؿیث ـتث ة چؼظف، یؽ، روقایی
غغم اىکان جػيیو روش ة جناویؼ رگی ة
دنیم اؿحفاده از جاةع جتغیم ىزک
ای ، ةارنی و جون انگریحيی ةؼای دؿح ةغی ةاـث جنیؼ ةؼ اؿاس جؼکیب ویژگی[63]در
ای يؼظغادی ؿعح و ىاجؼیؾ 2ؼم غایث قغهای گاةر ىزک، جتغیم ىزک، ویژگی
، جالش دارد ک از ىؽایای [63]روش جؼکیتی ظالكا ارائ قغه در . ظاکـحؼی ارائ کؼده اغ
ای اىؼ ارؿایی ایی را و حیس داده قغه اؿث . جياىی غيهگؼای ـق یکسا اؿحفاده يایغ
.ک در زغول زیؼ كان داده قغه اؿث
تر اساس ترکیة تثذیل هوجک، هوجک گاتور و هرم تحلیل هسیت ها و عیوب دسته تنذی . 4-2جذول
[63]هذایت ضذه
هعایة هسایا
کارایی ةاال درىاز ةا ااع ةاـث ا
غغم صـاؿیث ة جؾییؼ ىلیاس جنیؼ
ارائ دكث دؿح ةغی ةاال ةا اؿحفاده از ااع
دؿح ةغای کالؿیک
گؼوه غيهگؼ 5ةـیار زیاد ة دنیم جؼکیب ةار ىضاؿتاجی
آانیؽی
یاز ة جؾییؼات ةیادی ةؼای جػيیو روش ة جناویؼ
رگی و در حیس ةار ىضاؿتاجی ةاالجؼ
ای جتغیم ىزک ک در ىذال كتم یؽ ىعؼح قغ، از دیؼةاز ىرد غالك ىضللی زث ویژگی
ک در ؿال [ 61]در یکی از جضلیلات كغیيی . آانیؽ و دؿح ةغی ةاـث جناویؼ ةده اؿث
ای صامم از اغيال ةاک ـیهحؼ ىزک ةؼای دؿح ةغی ةاـث ، اسام قغ از ویژگی1993
ةؼای ىؼصه [ 61]در . جنیؼ ظتیػی اؿحفاده قغ 25جناویؼ در یک پایگاه دؿث ؿاز قاىم
ىؽایای ىذتث اؿحفاده از . اؿحفاده قغه اؿث 3ةغ قتک غنتی دوالی ؿادهآزىایف از دؿح
-جاةع جتغیم ىزک ةاغخ گؼدیغه اؿث ک ىضللی در ؿانای اظیؼ ةؼ روی جؼکیب ای ویژگی
، روقی ةؼ پای [62]ة غان ىذال در . ای آانیؽ ةاـث جيؼکؽ يایغا ةا ااع دیگؼ غيهگؼ
ةغی ةاـث ای يؼظغادی ةؼای دؿحای ىاجؼیؾجؼکیب ظؼوزی جتغیم ىزک و ویژگی
1 Illumination 2 Steerable Pyramid 3 Simple Two-Layer Neural Network
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
23
در ای روش، اةحغا جنیؼ جضث جاةع جتغیم ىزک . جناویؼ ةا ؿعح ظاکـحؼی ارائ قغه اؿث
ای يؼظغادی در ىاجؼیؾ ة ـضای ـؼکاؾ ىحلم قغه و ؿپؾ از جنیؼ جتغیم یاـح،
یـغگان ای ىلان ىو جؼی دؿحاورد ظدقان را ارائ . زات گاگن اؿحعؼاج ىی گؼدد
ىؽایای و ىػایب 4-2زغول . جنیؼ اغالم ىی يایغ( زوم قغن) 1ىلاوم ة جؾییؼ ىلیاس روقی
. ةیان ىی کغ ىلانای روش را از دیغگاه یـغه
تر اساس ترکیة هاتریس هورخذادی و تثذیل هوجک تحلیل هسیت ها و عیوب دسته تنذی . 5-2جذول
[62]
هعایة هسایا
دكث دؿح ةغی ىاؿب
غغم صـاؿیث ة جؾییؼ ىلیاس جنیؼ
صـاؿیث ـتث ة چؼظف و یؽ ة دنیم اؿحفاده از
ای يؼظغادیىاجؼیؾ
غغم اىکان جػيیو روش ة جناویؼ رگی ة دنیم اؿحفاده از
جاةع جتغیم ىزک
ةؼای دؿح ةغی [ 64]ای اؿحعؼازی از ـیهحؼ ىزک و ـیهحؼ گاةر یؽ در جؼکیب ویژگی
-ةؽرگحؼی ىؽیث آن را ىی. ةاـث در جناویؼ دریاـث قغه از رادار ىرد ةؼرؿی كؼار گؼـح اؿث
جان غغم صـاؿیث ة چؼظف در کار دكث دؿح ةغی ىاؿب ةؼای کارةؼد ىعؼح قغه
ای ىحع دیگؼی یؽ ـارغ از ویژگی ای آىاری و جتغیالت ىضیط ـؼکاؾ، روش. غان کؼد
جان ة اغ ک از آن زيه ىیاـث جناویؼ ةا ؿعح ظاکـحؼی ىعؼح قغهةغی بةؼای دؿح
جؼی غيهگؼای آانیؽ ؿاظحاری، انگی یکی از ىػؼوف. ای ؿاظحاری اقاره کؼدگؼوه ویژگی
انگای دودویی ىضهی یک غيهگؼ آانیؽی اؿث ک ؿاظحار . اؿث (LBP) 2دودویی ىضهی
ای غيهگؼ اونی ةار جؿط پیحکا و . ا جػؼیؿ ىی يایغجنیؼ ر 4و جتای ىضهی 3ـضایی ىضهی
غغم صـاؿیث ـتث ة چؼظف و ةار . ، ةؼای آانیؽ ةاـث جنیؼ ارائ قغ[65]اوزاال در
ای ةتد یاـح آن را ارائ ىضاؿتاجی ىاؿب، ىضللی را ةؼ آن داقث جا در ؿانای ةػغ ـع
ةغی ةاـث جناویؼ رگی ز يی غيهگؼ ةؼای دؿحیؽ ا ىلاناز آسایی ک در ای . دغ
اؿحفاده قغه اؿث، جضیش زؽییات آن را ة ـنم ؿم ىکل کؼده و در اداى جا ة ىؼور
، [66]در . اغىلاالجی ىی پؼدازیو ک از ای غيهگؼ زث دؿح ةغی ةاـث جنیؼ اؿحفاده کؼده
انگای دودویی ىضهی را ارائ کؼده و از جؼکیب آن ای از اوزاال و يکاراف، ـع ةتد یاـح 1 Multi-Scale 2 Local Binary Patterns 3 Local Spatial Structure 4 Local Contrast
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
24
ای ای یکی از ظالكیث. اغای جتای ةؼای دؿح ةغی ةاـث جناویؼ اؿحفاده کؼدهةا ویژگی
ىؽایای . ةغی اؿثىلان، اؿحفاده از ىػیار غغم قتاث نگاریحو درؿث يایی ةؼای ىؼصه دؿح
ىلاالت در صزه 1جؼیک ای ىلان یکی از پؼ اؿحاد انػاده ای انگریحو ةاغخ قغه اؿثـق
در زغول زیؼ، ىؽایا و ىػایب ای انگریحو از دیغگاه یـغه ىرد . آانیؽ ةاـث جنیؼ ةاقغ
.ةؼرؿی كؼار گؼـح اؿث
تر اساس نسخه هستقل از چرخص الگوی دودویی هحلی تحلیل هسیت ها و عیوب دسته تنذی . 6-2جذول
[66]
هعایة هسایا
ةغی ىاؿبدكث دؿح
2غغم صـاؿث ة چؼظف
3صـاؿیث کو ة جؾییؼ ىلیاس جنیؼ
صـاؿیث ة یؽ ة ویژه یؽ ضؼة ای
ةؼای جناویؼ رگیجػؼیؿ اونی غغم
، ـع دیگؼی از انگای [67]، نی و يکاراف در [66]كؼیب ة ده ؿال پؾ از ىلان
، چار غيهگؼ زغیغ ة ام [67]در . ةغی ةاـث جناویؼ ارائ کؼدغدودیی ىضهی ةؼای دؿح
، قغت روقایی يـایگان (CI-LBP)4ای قغت روقایی ىؼکؽی انگای دودویی ىضهی
و (RD-LBP) 6، جفاوت ىضری انگای دودویی ىضهی(NI-LBP) 5انگای دودویی ىضهی
رائ ىی گؼدد ک جؼکیب آان دكث دؿح ا (AD-LBP) 7ای انگای دودویی ىضهیجفاوت زاوی
را ىی جان ةار ىضاؿتاجی ةـیار ةاال ة [ 67]ةؽرگحؼی لع ضػؿ . ةغی را اـؽایف داده اؿث
. دنیم پیاده ؿازی چار غيهگؼ ىسؽا و غغم اؿحفاده از ویژگی ای رگ غان کؼد
ای ؿاظحاری كؼار ىیژگیویژگی ای اؿحعؼازی از ـیهحؼای نت یاةی یؽ در زىؼه گؼوه وی
انؼؽو آک ة ظدی ظد جاایی ةاالیی در دؿح ةغی ةاـث غارغ ای نت غهیویژگی. گیؼغ
، [68]ة غان ىذال در . ا ىی جاغ حایر ىفیغی صامم کغونی در جؼکیب ةا دیگؼ ویژگی
، انگای دودویی ىضهی و ای اؿحعؼازی از ـیهحؼای نت یاةیجؼکیتی آورا از ویژگی
روش . ىاجؼیؾ ای يؼظغادی ةؼای دؿح ةاـث جناویؼ ةا ؿعح ظاکـحؼی ارائ قغه اؿث
1 Hot Cited 2 Rotation Invariant 3 Multi Scale Invariant 4 Center Intensity Local Binary Patterns (CI-LBPP) 5 Neighbors Intensity Local Binary Patterns (NI-LBPP) 6 Radial Difference Local Binary Patterns (RD-LBPP) 7 Angular Difference Local Binary Patterns (CI-LBPP)
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
25
ای ارائ قغه در ای ىلان، دكث ةاالجؼی ـتث ة اؿحفاده ىفؼد از غيهگؼای ؿ ىؼصه
نیم آن آانیؽی انگی دودویی ىضهی ؿاده و ىاجؼیؾ ای يؼظغادی ـؼاو آورده اؿث ک د
. در زغول زیؼ آورده قغه اؿث[ 68]لغ . را ىی جان جؼکیب ةا ویژگی ای نت داـث
تر اساس ترکیة الگوی دودویی هحلی و هاتریس تحلیل هسیت ها و عیوب دسته تنذی . 7-2جذول
[68]هورخذادی و لثه
هعایة هسایا
ةغی ةاالجؼ ـتث ة دكث دؿح
ىضهیـع اونی انگی دودویی
غغم صـاؿث ة چؼظف
ةار ىضاؿتاجی ةاال ة دنیم ـاز آىزش ؿ ىؼصه ای
صـاؿیث ة یؽ ضؼة ای ة دنیم اؿحفاده از انگی دودویی ىضهی
غغم اىکان جػيیو آؿان ة جناویؼ رگی
ةغی ةاـث ىرد ای نت ةا غيهگؼای ىـنژیک ةؼای دؿحدر جضلیلی دیگؼ، جؼکیب ویژگی
ةؼ روی جنیؼ اغيال 1، اةحغا غيهگؼ ىرـنژیک ةازکغگی[69]در . ةؼرؿی كؼار گؼـح اؿث
در ایث ىیؽان رظغاد انگای نت در چار زث غيدی، . گؼددقغه و ؿپؾ نت یاةی ىی
، ارائ انگریحيی [69]یـغگان . گؼدداـلی، چپ و راؿث ة غان ویژگی اؿحعؼاج ىی
. دارغؿازی آؿان را غف امهی ظد ةیان ىیادهکارآىغ ةا پی
ای ةـیار ىحع دیگؼی یؽ ةؼای دؿح ةغی ةاـث جناویؼ ةا ؿعح جاکن انگریحو
، روقی ةؼ اؿاس جؾییؼات ـکؼی ارقاد، [70]در ىذانی ىحفاوت، در . ظاکـحؼی ارائ قغه اؿث
ی ىضهی، نت یاةی و ىاجؼیؾ اؼژی در جناویؼ ـیهحؼ قغه جؿط غيهگؼای انگی دودوی
، اةحغا غيهگؼ انگی دودویی ىضهی ةؼ روی جنیؼ [70]در انگریحو . يؼظغادی ارائ کؼده اؿث
در اداى، . گؼددىضاؿت ىی 6-2اغيال قغه و ؿپؾ اؼژی جنیؼ ظؼوزی ةا اؿحفاده از ىػادن
در ایث . گؼددیؽ جکؼار ىیيی داؿحان ةؼ پای ـیهحؼ نت یاةی ؿةم و ىاجؼیؾ يؼظغادی ن
ای ىضاؿت قغه در ؼ صانث، ة غان یکی از اةػاد ىیؽان جفاوت اؼژی جنیؼ امهی ةا اؼژی
ا و ةغؿازگاری ىاؿب ةؼدار ویژگی ةا ااع دؿح. قدةؼدار ویژگی ایی در ظؼ گؼـح ىی
اؿحفاده از اظالغات آىاری .ةاقغای انگریحو ىی 2ةغی ةاال از زيه ىضاؿدكث دؿح
یـحگؼام یؽ در ىارد ىحػغدی زث آانیؽ ةاـث ىرد اؿحفاده كؼار گؼـح ک در ةؼظی ىارد
، از یـحگؼام ظؼوزی جنیؼ [71]ة غان ىذال در . حایر ىذتحی یؽ ة يؼاه داقح اؿث
کارةؼد ىكعل زث جضث غيهگؼ انگی دودویی ىضهی ةؼای دؿح ةغی ةاـث جناویؼ ةا
1 Opening 2 Advantages
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
26
، اةحغا انگی دودویی ىضهی ؿاده ةؼ روی جنیؼ [71]در . اؿحفاده قغه اؿث 1جكعیل دود
گؼدد و در ایث یـحگؼام ایی ةؼ اغيال قغه و ؿپؾ گؼادیان کغای ظؼوزی ىضاؿت ىی
ز از ةغی یدر ای انگریحو، ةؼای ىؼصه دؿح. قدا جكکیم ىیاؿاس ؼخ رظغاد گؼادیان
یـغگان ای ىلان کح ىذتث روش ارائ قغه را . ىاقی ةؼدار پكحیتان اؿحفاده قغه اؿث
ياعر ک پیف جؼ .کغدر ظؼ گؼـح راةع ةی کغای انگای دودویی ىضهی اغالم ىی
یکی از غيهگؼای کارآىغ در صزه آانیؽ ؿیگال BEMDاقاره قغ، غيهگؼ 2-1-2در ةعف
، از ای غيهگؼ زث آانیؽ [144]ژیاوو و يکاراف در . ویؼ اؿثصتپؼدازش ای دو ةػغی و
، اةحغا جنیؼ [144]در . اغجناویؼ ةاـحی و اؿحعؼاج ویژگی ای ةاـث جنیؼ اؿحفاده کؼده
قکـح قغه و ؿپؾ ظنایل (IMF)ة جػغادی جاةع يای ذاجی BEMDةاـحی جؿط
ای ارائ قغه در صزه دؿح ةغی ةاـث، روش .ای دو ةػغی اؿحعؼاج ىی گؼدد IMF 2ىضهی
ةاةؼای در راؿحای پیكتؼد اغاف . ة ویژه در جناویؼ ةا ؿعح ظاکـحؼی، ةـیار ىحع اؿث
ا در ای صزه ةؼ اؿاس ـاکحرایی ظیؼ اغحتار ىسالت، ، ةؼظی از ىلاالت و کحابىلانای
و ىؽایای ارائ قغه در انگریحو، احعاب و ىلانىیؽان اؿحاد، ىیؽان ارجتاط ةا ىضع امهی
ونی ارائ زؽییات . ىرد ةؼرؿی كؼار گؼـث ک ةؼظی از آا در ای ةعف جضیش داده قغ
ةاةؼای در زغول زیؼ ة اظحنار ة ةؼظی از ای . سغگيی ىلانجياىی آا در صمه ای
.ا اقاره قغه اؿثروش
1 Smoke Detection 2 Local Properties
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
27
تافت تصاویر تا سطوح خاکستری وآنالیس تررسی ترخی از روش های ارائه ضذه جهت دسته تنذی. 8-2جذول
عهرج روش ارائه ضذه سال ارائه ردیف
[57] چغ ىلیاؿی 1ىغل کؼدن پـؼـث ظدکار 1992 1
[61] ای جتغیم ىزکةاک ویژگی 1993 2
[58] ای آىاری غؿیویژگی 1995 3
[72] 2ای ىزکای اؿحعؼازی از كابویژگی 1995 4
[73] 3ىزک در ىضیط جؼکیتی ـؼکاؾ و ـضا-ای گاةرىغل کؼدن ویژگی 1999 5
[74] آانیؽ ـؼکحال دو ةػغی 1999 6
[75] جتغیم ـری ىضهی 2001 7
[76] 4ای دؿحری جضث کؼمآانیؽ ىنف 2001 8
[66] ـع ىـحلم از چؼظف و چغ ىلیاؿی انگای دودویی ىضهی 2002 9
[62] ای يؼظغادی ىـحعؼج از جتغیم ىزک ای آىاری و ىاجؼیؾجؼکیب ویژگی 2002 10
[77] 5جادیؼ اؼژی كعتی ىزک 2003 11
[78] 6یـحگؼام ظیفیویژگی ای 2003 12
[137] (SIFT)جتغیم ویژگی ىـحلم از ىلیاس 2004 13
14 آانیؽ ىنف و انگریحو (SIFT)جؼکیب جتغیم ویژگی ای ىـحلم از ىلیاس 2005
(PCA) 7دؿحر دغه
[138]
[79] ای يؼظغادی وـؼکحال ای ىؼجت اول و دوم آىاری و ىاجؼیؾجؼکیب ویژگی 2006 15
[80] ة يؼاه ةاک ـیهحؼای ىزک 8ىغل جؼکیب گؿی 2007 16
17 ای ـع ةتد یاـح انگای دودویی ىضهی ة يؼاه جزیع ـضایی ي 2007
9ؽانب
[81]
[48] ای ةاال ىزک ةؼای ىغل کؼدن ـؼکاؾ 10جؼاکو گؿی جػيیو یاـح 2007 18
[82] ةؼ اؿاس جتغیم ىزک 11ىغل پـؼـث ظعی آانیؽ ىیؽان يتـحگی ة کيک 2008 19
[83] ةغی ـاز ىضهی ىـحعؼج از چار ضؼیب ـؼکاؾ پاییةعف 2008 20
[84] 12انگای ةاـحی ىضهی 2008 21
[85] انگای دودویی ىضهی ؽانب 2009 22
23 ؿاظحار و غيهگؼ آانیؽ ىضهی (BEMD)جؼکیب جسؽی ىغل جسؼةی دو ةػغی 2009
13چار وزی
[144]
[86] 14ای احعاب ویژگیـیهحؼای گاةر احعاةی جؿط روش 2010 24
1 Autoregressive 2 Wavelet Frames 3 Spatial-Frequency Domain 4 Kernel Principal Component Analysis (KPCA) 5 Log-Polar Wavelet Energy Signature 6 Spectral Histogram 7 Principal Component Analysis (PCA) 8 Gaussian Mixture Model(GMM) 9 Spatial Distribution of Dominant Patterns 10 Generalized Gaussian Density (GDD) 11 Linear Regression Model 12 Local Texture Patterns (LTP) 13 Quaternionic Representation 14 Feature Selection
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
28
25 ةؼ اؿاس انگی احعاب ظؼوزی 1ای در صغ پیکـمارائ روقی چغ ىؼصه 2010
ـیهحؼا
[87]
26 ای جؼکیب ویژگی ای اؿحعؼازی نت، انگای دودویی ىضهی و ىاجؼیؾ 2011
يؼظغادی
[68]
[88] گاقث ىؼجب قغه زث جؼکیب ظؼوزی غيهگؼای ىعحهؿ آانیؽ ةاـث 2012 27
28 ای ای ىؼجت اول و دوم يچن ویژگی ای آىاری و ویژگیجؼکیب ویژگی 2012
ىزک
[60]
29 ـع ةتد یاـث انگای دودویی ىضهی ةؼ اؿاس قغت روقایی ىؼکؽی، 2012
ای ىضری و جفاوت زاویقغت روقایی يـایگان، جفاوت
[67]
[70] ای يؼظغادیجؾییؼات اؼژی در ظؼوزی ای ىاجؼیؾ 2012 30
[89] 2کیؿ کهيات روشارائ روقی ةؼای احعاب جنادـی ویژگی ای ةاـحی ةؼ اؿاس 2012 31
[90] ـع ىـحلم از یؽ انگای دودویی ىضهی 2013 32
[91] ظيی اصحيانی ىتحی ةؼ اظالغات ـیهحؼ گؿیةیارائ غی از ویژگی 2013 33
[92] انگای پكحیتان ىضهی ةؼ پای انگای دودویی ىضهی 2014 34
[63] جؼکیب غيهگؼای ىاجؼیؾ ای يؼظغادی، گاةر ىزک و ؼم غایث قغه 2014 35
[93] پیکـم ا 3ارائ غيهگؼی ةؼ ىتای زث ىضهی 2015 36
[94] ةؼ اؿاس جؾییؼ ىلیاس يـایگی 4جؼکیب انگای دودویی ىیا 2015 37
[95] 6در زیؼ ةاغای جتغیم ىزک 5ایجؼکیب یـحگؼام ای جنیغی په 2015 38
39 -ةؼای احعاب ؿازگارجؼی دؿح ویژگی 7ریؽی ژحیکارائ روقی ةؼ پای ةؼاى 2015
ای ةاـث
[96]
[97] ـع ةتد یاـح انگای دودویی ىضهی ةؼ اؿاس ىیا قغت روقایی ىضهی 2016 40
[98] در جنیؼ 8ای کچک ىحؼاکوای ةعفای جفاوتویژگی 2016 41
[99] 9ـع ةتد یاـح ىلاوم در ةؼاةؼ یؽ انگای دودویی ىضهی 2016 42
2.4. Color Texture Classification
ایی يایغ، آن را ة مرت جؼکیتی از ىنفاـان زىای ک یک جنیؼ را ىكاغه ىیچكيان
ایی ک جاکن ةؼای روشای از ةعف غيغه[. 10]کغو رگ درك ىی 10يچن ةاـث، قکم
در . کغغيم ىی 11اغ، ـلط ةؼ روی جناویؼی ةا ؿعح ظاکـحؼیآانیؽ ةاـث جنیؼ ارائ قغه
جاغ در دؿح ةغی و آانیؽ جناویؼ اؿحفاده قد، ای کهیغی ک ىیز ویژگیصانی ک یکی ا 1 Multi Level Pixel-Based 2 Bag of Words 3 Local Orientation Adaptive 4 Median Binary Pattern (MBP) 5 Heterogeneous and Incrementally Generated Histograms (HIGH) 6 Wavelet Sub bands 7 Genetic Programming 8 Dense Micro-Block Differences (DMD) 9 Noise-Tolerant Local Binary Patterns (NTLBP) 10 Shape 11 Gray Levels Images
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
29
ایی يچن قکم و صؼکث در ای رگ جنیؼ در کار ویژگیجؼکیب ویژگی. رگ اؿث
کارةؼدای گاگی از صزه پؼدازش جنیؼ اؿحفاده قغه و حایر ىذتحی را ة ارىؾان آورده
ةعف . اقاره کؼد[ 12]2و ردیاةی صؼکث[ 11]1ة جكعیل اقیا اؿث ک از آن زيه ىی جان
ای از جناویؼی ک ىا ةا آا ؿؼ و کار داریو، رگی ـحغ، ةاةؼای در ظؼ گؼـح غيغه
ايیث ای ىضع و . ای رگ، در آانیؽ چی جناویؼی ة یچ غان ىػلل یـثویژگی
را ةؼ آن داقث ىاون در ای صزه مرت گؼـح، يچی جضلیلات چغان وؿیػی ک جاک
در راؿحای ای غف . ةغی ةاـث جناویؼ رگی ارائ يایو، راکاری ةؼای دؿحىلانجا در ای
گؼدد ک غيهگؼی جيؼکؽ امهی ةؼ روی ىؼصه یادگیؼی ةده و جالش ىی ىلانامهی، در ای
ای اؿحعؼازی از ةاـث و رگ را ةا یکغیگؼ ویژگیةؼای آانیؽ جناویؼ رگی ارائ گؼدد ک
انتح . ةغؿث آیغ 3ةغی و ىاکؽیيو جاایی جفکیک پػیؼیجؼکیب يایغ جا ىاکؽیيو دكث دؿح
ةغی یؽ کارایی مرت ظاغ در راؿحای اـؽایف دكث دؿح ةغی، ةؼ روی ىؼصه دؿح
ردارای ویژگی اؿحعؼازی ؿازگار ةغای کالؿیک را ةا بجا دؿح قدىیگؼـث و جالش
اؿث کاجیةار ىضاؿتاجی کو، ىلاوىث ـتث ة یؽ، ىلاوىث ـتث ة چؼظف از دیگؼ . ياییو
.، ىرد ظؼ كؼار داده قغه اؿثةاـحی ویؼاک در ارائ غيهگؼ آانیؽ جل
2.5. Review on Color Texture Classifiction Methods
ای ةاـث و رگ، ىػيال دو راکار ىحغاول وزد دارد ک ةیكحؼ از در راؿحای جؼکیب ویژگی
[.13] 5و جؼکیب دای 4جؼکیب اونی : ظؼف ىضللان دتال ىی قد
ؼ جنیؼ رگی ىػيال حیس جؼکیب اظالغات در ؿ کاال رگی ىسؽا اؿث ک ة ؼ کغام از
در . یؽ گاه کؼد( جنیؼ دارای ؿعح ظاکـحؼی)جان ة چكو یک جنیؼ جک رگ ا ىیکاال
ای رگی از یکغیگؼ ىسؽا قغه و ؿپؾ غيهگؼای راکار جؼکیب اونی، اةحغا اظالغات کاال
در ایث یک ؿؼی . قغآانیؽ ةاـث ةؼ روی ؼ کاال رگی جنیؼ ة مرت ىسؽا اغيال ىی
-ای دؿح از ویژگی. گؼدغىی( ىحنم)یب از ؼ کاال اؿحعؼاج قغه و ةا یکغیگؼ جؼك ویژگی
1 Object Recognition 2 Motion Tracking 3 Discriminative 4 Early Fusion 5 Late Fusion
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
30
ای ةاـث و رگ در ؿعش پیکـم جؼکیب قغه ای اؿحعؼازی زىای ک در جنیؼ ویژگی
. دغةاالیی را ـؼاو کؼده و دكث دؿح ةغی را اـؽایف ىی 1ةاقغ، كغرت زغاؿازی
ىػيال ة ) رت ىسؽاای ةاـث و رگ ة مدر لع ىلاةم، در راکار جؼکیب دای، ویژگی
و 2اؿحعؼاج قغه و در ایث یـحگؼام ای ىسؽا ة یکغیگؼ پیؿث قغه( قکم یـحگؼام
ای ةاـث و ة غتارت دیگؼ در جؼکیب دای، ویژگی [.14]دغ ایی را جكکیم ىی 3ةازيایی
. رگ در ؿعش کم جنیؼ ىضاؿت قغه و در ایث ةا یکغیگؼ جؼکیب ىی قغ
ةغی ةاـث جناویؼ رگی ةؼ اؿاس یکی از دو راکار ـق جاکن روش ای ىحغی ةؼای دؿح
یا دؿح ةغی ةا ( اؿحعؼاج ویژگی)ای ؼ گؼوه یؽ در ىؼاصم یادگیؼی روش. ارائ قغه اؿث
ةؼ روی ىؼصه ىلانجؼ اقاره قغ، جيؼکؽ امهی ای ياعر ک پیف. کغیکغیگؼ جفاوت ىی
ای رگ، ةـیاری از روش-ةاةؼای در راؿحای ارائ غيهگؼ جؼکیتی آانیؽ ةاـث. ری اؿثیادگی
در اداى . پیكی در ای صزه ىرد ىعانػ كؼار گؼـث و ىؽایا و ىػایب ؼ کغام ةؼرؿی قغ
. ةؼظی از روش ای کارآىغ ىعانػ قغه ة اظحنار جضیش داده ظاغ قغ
4تر اساس نسخه تهثود یافته هاتریس های هورخذادی ترکیة تافت و رنگ -2-5-1
ای ةغی ةاـث در جناویؼ رگی ةؼ پای ىاجؼیؾ، روقی ةؼای دؿح[10]ةک و يکاراف در
ای انگریحو در ىؼصه یادگیؼی ؼ جنیؼ رگی را ة ؿ کاال رگی . يؼظغادی ارائ دادغ
ای يؼظغادی را ةؼای ؼ ؿپؾ ىاجؼیؾ. ؿازدىسؽا جلـیو کؼده و ؿ جنیؼ جک رگ ىی
. دغدرز ىضاؿت و جكکیم ىی 135و 90، 45زث ىعحهؿ قاىم مفؼ، 4جنیؼ در
ای ای يؼظغادی از زيه غيهگؼای آانیؽ اصحيانی ـحغ، ةاةؼای ااع ویژگیىاجؼیؾ
و 8، اضؼاف از اؿحاغارد7رك، اؼژی، اظالغات ىكث6ظيیيچن ىیاگی، واریاؾ، ةی 5آىاری
-یؽ ىی 9ای ارانیکای آىاری ـق را ؽانتا ویژگیویژگی. ةاقغؽیؼه از آن كاةم اؿحعؼاج ىی
ای آىاری ـق، ةا اغ ک ةـیاری از ویژگیدر ای ىلان یـغگان ادغا کؼده[. 100]اىغ
1 Discriminative 2 Concatenating 3 Representation 4 Co-occurrence matrixes 5 Statistical Features 6 Entropy 7 Mutual Information 8 Standard Deviation 9 Haralick Features
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
31
کاف ةار ىضاؿتاجی ةؼای ؼ ةاةؼای در زث .ر يپقای اظالغاجی زیادی دارغیکغیگ
.ویژگی جساؾ در ىػادن زیؼ كان داده قغه اؿث. اغرا ىضاؿت کؼده 1ىاجؼیؾ ویژگی جساؾ
.اؿث
𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦𝑑 ,𝜃 = 𝑃𝑑 ,𝜃 (𝑖,𝑗 )
1+ |𝑖−𝑗 |2𝑗𝑖 (2-11)
یؽ Pةده ودغه ىعحنات ؿعؼ و ؿحن در ىاجؼیؾ يؼظغادی كان jو iدر ىػادن ـق،
ىضاؿت ( زاوی)یؽ زث 𝜃 . كان دغه ىلغار اصحيانی ظا ىرد ظؼ در ىاجؼیؾ اؿث
یؽ ـامه در ظؼ گؼـح قغه در جػؼیؿ يـایگی ىاجؼیؾ dوىاجؼیؾ يؼظغادی
اةؼای در ای انگریحو، پؾ از ىضاؿت جساؾ ةؼای ؼ ىاجؼیؾ نب. دغرا كان ىیيؼظغادی
ةػغی ة غان ظؼوزی ىؼصه یادگیؼی ةغؿث ىی 12ی، در ایث یک ةؼدار ویژگی يؼظغاد
در ىؼصه . اؿحفاده قغه اؿث 2ةغی از ىاقی ةؼدار پكحیتان، ةؼای ىؼصه دؿح[10]در . آیغ
ةغی روش ارائ قغه، ةؼ روی دو پایگاه داده ىػؼوف در ای صزه ة گیؼی، دكث دؿححیس
ةغی را در ـضاای رگی یـغگان دكث دؿح. آزىایف قغه اؿث Vistexو Outexایام
RGB3 وHSV4 درایث . اغو يچی جنیؼ جک رگ ةا ؿعح ظاکـحؼی ةؼرؿی کؼده
Vistexو در پایگاه RGBدر ـضای رگی 92.42ة ىیؽان Outexةاالجؼی دكث در پایگاه
-يچی در ىلام ىلایـ، یـغگان كان داده. صامم قغ HSVدر ـضای 90.97ة ىیؽان
ةغی اغ ک اؿحعؼاج ویژگی ةا اؿحفاده از ـیهحؼای گاةر ةؼای ؼ کاال رگی دكث دؿح
ةا جضیضات . رؿغدرمغ ىی 89.04آورد و در ةاالجؼی ىلغار ة چغان ةاالیی را ة ارىؾان يی
ىؽایا و . ی راکارای جؼکیب اونی در ظؼ گؼـثن در زىؼهجاـق، ای روش ارائ قغه را ىی
.قغه اؿثذکؼ ىػایب ای روش در زغول زیؼ
تصاویر رنگی تر اساس نسخه تهثود یافته هاتریس های تحلیل هسیت ها و عیوب دسته تنذی . 9-2جذول
[10]هورخذادی
هعایة هسایا
ةغی ـتحا ةاالدكث دؿح
ةا اکذؼ ـضاای اىکان ؿازگاری روش
رگی
ةؼرؿی جؼکیب اونی ویژگی ای گاةر
و اظالغات کاال ای رگی
ىاجؼیؾ يؼظغادی 12ةار ىضاؿتاجی ىحؿط ة دنیم ىضاؿت
صـاؿیث ة چؼظف جنیؼ ة دنیم غغم در ظؼ گؼـح جياىی
زات كث گا ىاجؼیؾ يؼظغادی
اکذؼ ویژگی ای آىاری غغم ارائ دنیم كعػی ةؼای ادیغه گؼـح
غغم ارائ دنیم كی ةؼای در ظؼ گؼـح ویژگی جساؾ ة غان
1 Homogeneity 2 Support Vector Machine 3 Red-Green-Blue 4 Hue-Saturation-Value
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
32
ویژگی جفکیک کغه
های آهاری از الگوهای دودویی ترکیة رنگ و تافت تر پایه استخراج ویژگی -2-5-2
رخذادیهای هنهحلی و هاتریس
ای مػحی از كتیم چب، روقی ةؼای دؿح ةغی ـؼآورده[ 101]اظهـی و يکاراف در
ةا جز ة جناویؼ رگی اکذؼ . اغارائ داده 3ای ؿلفیو جعح 2، ـیتؼای ظتیػی1ـاةؼیک
ای ةاـث در کار رگ، جاىا اغ ک از ویژگیا، ایكان در جضلیق ظد جالش کؼدهـؼآورده
ان یؽ اةحغا جنیؼ يچن ةعف كتم، در روش پیكادی اظهـی و يکار. اؿحفاده يایغ
ةاةؼای روش . گؼددة ؿ کاال رگی ىسؽا جلـیو ىی( در ؼ ـضای رگی ک ةاقغ)رگی
ؿپؾ در ؼ کاال رگی ة مرت ىسؽا . گیؼدی گؼوه جؼکیب اونی كؼار ىیایكان و در زىؼه
. گؼددىضاؿت ىی 4و انگی دودویی ىضهی( در كث زث ىحفاوت)ای يؼظغادی ىاجؼیؾ
در اداى ة ازای ؼ ىاجؼیؾ يؼظغادی، پر ویژگی آىاری قاىم ةی ظيی، اؼژی، جتای،
از ظؼـی در جنیؼ ظؼوزی اقی از اغيال انگی . جساؾ و يتـحگی ىضاؿت ىی قد
-یـغگان ةؼای ىؼصه دؿح. ای آىاری اؿحعؼاج ىی گؼدددودویی ىضهی، یؽ يی ویژگی
ونیک ـامه ؼ دو جنیؼ را ظتق . زدیک جؼی يـای اؿحفاده ىی کغةغی، از روش ن
:ىػادن زیؼ ىضاؿت ىی يایغ
∆𝑓𝑖𝑛𝑎𝑙 = ∆𝑅 + ∆𝐺 + ∆𝐵 12 − 2
ة جؼجیب كان دغه ـامه اكهیغؿی ةؼدارای ویژگی B , ∆G , ∆R∆ در ىػادن ـق
پایگاه ىسؽا از 4در ىؼصه حایر، . اؿثدر ؼ کغام از کاال ای رگی اؿحعؼازی ةؼای جناویؼ
جناویؼ ااع چب، ـاةؼیک، ـیتؼ ظتیػی و جعح ؿلفی ة مرت دؿحی جی قغه و در ؼ
ةؼای ؼ پایگاه دو آزىایف ة مرت زیؼ . ةغی زغاگا اسام گؼـح اؿثپایگاه غيم دؿح
:اسام قغه اؿث
ای يؼظغادی در ؿ ـضای ای آىاری اؿحعؼازی از ىاجؼیؾاز ویژگیةا اؿحفاده
*La*bو RGB ،HSL5رگی ىسؽا
1 Fabric 2 Organic Fibers 3 Roofing Shingles 4 Local Binary Patterns 5 Hue-Saturation-Luminance
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
33
ای آىاری اؿحعؼازی از انگای دودویی ىضهی در ؿ ـضای ةا اؿحفاده از ویژگی
*La*bو RGB ،HSLرگی ىسؽا
و ةا RGBا ةحؼی حایر در ـضای رگی در ایث حایر كان داده اؿث ک در جياىی پایگاه
ا، ةغی چبة ظر ىذال در دؿح. ای يؼظغادی صامم قغه اؿثاؿحفاده از ىاجؼیؾ
ةا اؿحفاده از انگی دودویی ىضهی % 75ةا اؿحفاده از ىاجؼیؾ يؼظغادی و دكث % 90دكث
ه ةغی ةؼ پای ىاجؼیؾ ة ظر ىكاة در ىرد ـیتؼای ظتیػی یؽ دكث دؿث. ؿاده صامم قغ
[ 101]ىؽایا و ىػایب روش . ةغؿث آىغ% 85و ةؼ پای انگی دودویی ىضهی % 95يؼظغادی
.در زغول زیؼىػکؾ قغه اؿث
تصاویر رنگی تر اساس استخراج ویژگی های آهاری از تحلیل هسیت ها و عیوب دسته تنذی . 10-2جذول
[101]هاتریس های هورخذادی و الگوهای های دودویی هحلی
هعایة هسایا
ای ةغی ـتحا ةاال ةؼای جناویؼ ـؼآوردهدكث دؿح
مػحی ىرد آزىایف
اىکان ؿازگاری روش ةا اکذؼ ـضاای رگی
ای آىاریةؼرؿی جاىا ااع ویژگی
غغم صـاؿیث ة چؼظف ة دنیم ىضاؿت ىاجؼیؾ
يؼظغادی در كث زث و ذات چؼظف اپػیؼی
انگای دودویی ىضهی
ىاجؼیؾ 24ةار ىضاؿتاجی ةاال ة دنیم ىضاؿت
يؼظغادی
غغم جػيیو روش ارائ قغه ة جناویؼ غيىی ةاـحی(
(ـلط جناویؼ ةؼظی از ـؼآورده ای مػحی
ـح ـع ای ةتد یاـح انگای غغم در ظؼ گؼ
ؿال 16ـع اؿحفاده قغه ىؼةط ة )دودویی ىضهی
(پیف اؿث
ـع انگای دودویی ىضهی در ای ىلان، ذاجا غيهگؼی
ای آىاری یـث و واضش اؿث ک اؿحعؼاج ویژگی
ارانیک از ظؼوزی آن حایر ىذتحی عاغ داقث
اساس نسخه تهثود یافته الگوهای دودویی هحلیترکیة رنگ و تافت تر -2-5-3
اغ ای از انگای دودویی ىضهی را ارائ کؼده، ـع ظالكا[102]پرةـکی و يکاراف در
ی انگای دودویی ىضهی ةا ای ةاـث و رگ ة مرت جاىا در صی ىضاؿتک در آن ویژگی
ةؼرؿی ای روش، ة اظحنار انگای دودویی ةحؼ آن اؿث ک كتم از . قغیکغیگؼ جؼکیب ىی
.ىضهی جضیش داده قد
در واكع غيهگؼی ؽیؼپاراىحؼیک اؿث ک جتای ىضهی و ؿاظحار ـضایی 1انگی دودویی ىضهی
غيهکؼد ای غيهگؼ ةغی مرت اؿث ک در اةحغا ةؼای ؼ کغام . کغىضهی جنیؼ را ةؼرؿی ىی
1 Local Binary Patterns (LBP)
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
34
قد و ؿپؾ ىیؽان انگی دودویی در ظؼ گؼـح ىیاز پیکـم ای جنیؼ، یک يـایگی
.ىضهی ةؼای پیکـم ىرد ظؼ در يـایگی جػیی قغه ، ة کيک ىػادن زیؼ ىضاؿت ىی قد
𝑳𝑩𝑷𝑷,𝑹 = 𝑆 𝑔𝑖 − 𝑔𝑐 ۲𝑖ة مرجی ک → 𝑆 𝑥 =
١ 𝑥 ≥ 0
0 𝑥 < 0
𝑃−١
𝑖=0
(13 − 2)
.قغت روقایی لع ىؼکؽی اؿث gcقغت روقایی لاط يـایگی و giدر ىػادن ـق
ای در ةؼای آک غيهگؼ ـق، ـتث ة چؼظف صـاس تاقغ، يـایگی ة مرت دایؼهىػيال
ىی جاغ (P)، جػغاد لاط يـای (R)ةاةؼای ةا جز ة قػاع يـایگی . قدظؼ گؼـح ىی
كان داده قغه ( 5-2)در قکم( R)ای ةا قػاع ؿایگی دایؼهچغ ي از و. ىحفاوت ةاقغ
ياعر ک در قکم ىكاغه ىی گؼدد، ىعحنات ةؼظی از لاط يـایگی دكیلا روی . اؿث
.یاةی ىضاؿت ىی قغقغت روقایی ای لاط ة کيک درون. گیؼغىؼکؽ پیکـم كؼار يی
(انؿ) ( ب( )ج)
[108] ي ایی از يـایگی دایؼوی. 5-2قکم
=R 2 و =P 16(. ج) =R 1.5 و =P 12(. ب) =R ١ و =P ٨(. انؿ)
ةیث اظالغات Pةا جز ة جفاؿیؼ ـق، ظؼوزی غيهگؼ انگی دودویی ىضهی، غغدی دودویی ةا
در قکم زیؼ، ىذانی از ىضاؿت انگی دودویی ىضهی در لع ىؼکؽی ةا يـایگی ة . اؿث
.، كان داده قغه اؿث1قػاع
1 1 0
203 217 49 1 1 166 132 172
0 0 0 47 85 94 (انؿ( )ب)
4 2 1 8 128 16 32 64
(ج)
LBP=2+4+8+128=142
ىذانی از ضه ىضاؿت انگای دودویی ىضهی .6-2قکم
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
35
LBPىضاؿت( ج)ىلایـ پیکـم ىؼکؽی ةا يـای ا ( ب) 3×3يـایگی ىؼةػی ( انؿ)
در ؼ جنیؼ رگی، ؼ پیکـم دارای ؿ ىلغار قغت روقایی ىـحلم در ؼ کاال رگی ة
ؼ ( 13-2)، پیكاد دادغ ک درىػادن [102]و يکاراف در پرةـکی . مرت ىسؽا اؿث
ةاةؼای ىػادن زیؼ زث ىضاؿت ىیؽان انگی . ؿ ىنف رگی يؽىان در ظؼ گؼـح قد
:دودویی ىضهی را ىعؼح کؼدغ
𝑪𝑳𝑩𝑷𝑷,𝑹 = 𝑆 𝐶1𝑛2 + 𝐶2𝑛
2 + 𝐶3𝑛2 2𝑖 ة مرجی ک → 𝑆 𝑥 =
1 𝑥 ≥ 𝑇
0 𝑥 < 𝑇
𝑃−1
𝑖=0
, 𝑇 = 𝐶1𝑃2 + 𝐶2𝑃
2 + 𝐶3𝑃2 (14 − 2)
-ة جؼجیب كان دغه قغت روقایی پیکـم ىؼکؽی در کاال C3P وC2Pو C1Pدر ىػادن ـق،
ة جؼجیب كان دغه قغت روقایی يـای در C3n وC2nو C1n و 3و 2، 1ای رگی
یـغگان در اداى ةؼای جنیؼ ظؼوزی صامم از اغيال . ىی ةاقغ 3و 2، 1ای رگی کاال
ای ارانیک را ىضاؿت و روش ظد را ةؼ روی پایگاه غيهگؼ انگای دودویی ىضهی، ویژگی
درمغ را ةؼ روی ای پایگاه 85.6حایر آا، دكث . آزىایف يدغ BarkTexجناویؼ رگی
.قغه اؿث ةیان ول زیؼ، در زغ[102]ىؽایا و ىػایب روش . ـؼاو يد
تصاویر رنگی تر اساس استخراج ویژگی های هارالیک از تحلیل هسیت ها و عیوب دسته تنذی . 11-2جذول
[102]نسخه ترکیثی الگوهای دودویی هحلی و اطالعات کانال های رنگی
هعایة هسایا
ةغی ـتحا ةاال ةؼ روی پایگاه ىرد ظؼدكث دؿح
اظالغات رگ و ةاـث ک ىؽایای جؼکیب اونی
کغىعؼح قغه در ىرد جؼکیب اونی را ـؼاو ىی
ةار ىضاؿتاجی ـتحا ةاال ة دنیم ىضاؿت غيهگؼ در ؿ کاال رگی ىسؽا
غغم ارائ دنیم كعػی ةؼای ىـلیث ىػادن ارائ قغه ةؼ روی جناویؼ رگی
ر پایگاه ا یؽ ةؼرؿی غيهکؼد غيهگؼ ارائ قغه ىی ةایـث ةؼ روی دیگ
قد
ترکیة ثانویه رنگ و تافت تر پایه هیستوگرام الگوهای دودویی هحلی و -2-5-4
های رنگی کانال
ای روقی دای ةؼای جؼکیب ویژگی[ 103]ةؼظالف ىذانای پیكی، یگ و يکاراف در
ارائ روقی ةؼای ردیاةی ، مرت ىـئه امهی یـغگان [103]در .رگ و ةاـث ارائ دادغ
ةاةؼای در ىؼصه یادگیؼی ةؼای جػؼیؿ ىكػیث و قکم قی . اقیا در جناویؼ ویغییی اؿث
ای رگ و ةاـث را جاىا در ظؼ ةگیؼغ جا ویژگی ای اغ ک ویژگیىرد ظؼ جالش کؼده
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
36
ةغی قغه ةؼ زةاةؼای ؿ یـحگؼام در. جؼی از قی ىرد ظؼ ةاقغاؿحعؼازی ىػؼف كی
ای رگ در کاال ای رگی ىسؽا و یک یـحگؼام ةؼ اؿاس ـع اونی اؿاس ویژگی
ؼ ـضای رگی )در ای روش، اةحغا جنیؼ رگی . اغانگای دودویی ىضهی جػؼیؿ کؼده
-ة ؿ کاال ىسؽا جلـیو قغه و ؿپؾ یـحگؼام ؼىال قغه ؼ کغام جكکیم ىی( دنعاه
جایی جلـیو کؼده و ة امعالح nایای ؼ یـحگؼام را ة دؿحس ؿحنؿپ. گؼدد
جؼ اقاره قغ، در اداى انگی دودویی ىضهی ة مرجی ک پیف. قدىی 1ةغییـحگؼام درز
در ایث ؼ . قدةغی ىیىضاؿت قغه و یـحگؼام جنیؼ ظؼوزی آن یؽ ؼىال و درز
یکی از اةػاد ةؼدار ویژگی ایی را جكکیم داده و چار یـحگؼام ةا دؿح از یـحگؼام
32در ظؼ گؼـح قد، یک ةؼدار ویژگی n=32ةغی جؼجیب اگؼ . قغىی 2یکغیگؼ پیؿث
گیؼی، یـغگان ةار ىضاؿتاجی در ةعف حیس. ةػغی از جنیؼ ورودی اؿحعؼاج ظاغ قغ
در ای انگریحو ةؼ ظالف . کغىه ىؽایای روش ظد اةؼاز ىیپایی و دكث جكعیل ةاال را از ج
ای اؿحعؼازی رگ و ةاـث ة مرت ىسؽا اؿحعؼاج قغه و در ایث ای پیكی، ویژگیروش
ةاةؼای ای روش در زىؼه گؼوه جؼکیب دای كؼار . ةغون جهفیق، در کار یکغیگؼ پیؿث قغغ
در زغول زیؼ ىلانىؽایا و ىػایب ای روش از دیغگاه یـغه ىلانىعاةق روال ای . ىی گیؼد
. كان داده قغه اؿث
تصاویر رنگی تر اساس ترکیة ثانویه هیستوگرام کانال تحلیل هسیت ها و عیوب دسته تنذی . 12-2جذول
[103]های رنگی و نسخه اولیه الگوهای دودویی هحلی
هعایة هسایا
رگ و ةاـث ک در جؼکیب دای اظالغات
جناویؼی ک ةاـث و رگ در ؿعش کهی جنیؼ
جؼکیب قغه اغ ةـیار ىفیغ اؿث
ةار ىضاؿتاجی کيحؼ ـتث ة ةؼظی از روش ای
روشىتحی ةؼ یـحگؼام ة دنیم اؿحفاده از
درز ةغی
دكث ـتحا ةاال در کارةؼد ىرد ظؼ
صـاؿیث ة یؽای ىضهی ة دنیم ضػؿ ىای
ؿع اونی انگای دودویی ىضهی و اؿحعؼاج ن
ای کهی رگویژگی
غيهکؼد غيهگؼ ارائ قغه ىی ةایـث ةؼ روی دیگؼ
پایگاه ا یؽ ةؼرؿی قد
صـاؿیث ة پاراىحؼای ورودی از زيه ـضای رگی
و جػغاد ؿحن ا در ىؼصه درز ةغی یـحگؼام
1 Quantized 2 Concatenate
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
37
2و ضثکه عصثی 1تاتع تثذیل هوجکترکیة رنگ و تافت تر پایه -2-5-5
ای ىضیط ـؼکاؾ در صزه آانیؽ ةاـث جؼ یؽ اقاره قغ، اؿحفاده از ویژگیياعر ک پیف
ةغی ةاـث جناویؼ ، روقی ةؼای دؿح[104]غتغانلغیؼ ؿگر در . جناویؼ کارةؼد وؿیػی دارد
. یم ىزک ارائ داده اؿثای رگ و ةاـث در ىضیط جتغرگی ةؼ اؿاس جؼکیب اونی ویژگی
. قددر ای ىلان، اةحغا جنیؼ ة ؿ کاال رگی ىسؽا جلـیو قغه و ؿ جنیؼ صامم ىی
-High) 4، ؿ زیؼ جنیؼ3ؿپؾ ةؼای ؼ کغام از جناویؼ، جؿط جاةع جتغیم ىزک ؿعش یکو
High) HH,(High-Low) HL,(Low-High) LH, در اداى در ؼ زیؼ. گؼددجكکیم ىی
18ةاةؼای در ایث یک ةؼدار ویژگی . گؼددظيی و اؼژی ىضاؿت ىیجنیؼ دو ویژگی ةی
5در اداى یؽ از یک قتک غنتی احكار غلب گؼد ؿ الی اؿحاغارد. ةػغی جكکیم ظاغ قغ
، یک پایگاه داده [104]در ةعف حایر . زث دؿح ةغی ةاـث جناویؼ ورودی اؿحفاده ىیگؼدد
ةغی ةؼ روی آن ىضاؿت کالس ةاـحی جكکیم قغه و دكث دؿح 16جنیؼ رگی از 1920از
ىؽایا و ىػایب روش پیكادی . ةغؿث آىغه اؿث 94.6گؼدیغه اؿث ک ة ظر ىیاگی دكث
.در زغول زیؼ آورده قغه اؿث
هاری در زیر تصاویر تصاویر رنگی تر اساس ویژگی های آ تحلیل هسیت ها و عیوب دسته تنذی . 13-2جذول
[104]هوجک و ضثکه عصثی انتطار عقثگرد
هعایة هسایا
دكث ـتحا ةاال
صـاؿیث اغك ـتث ة یؽ ضؼة ای
صـاؿیث اغك ـتث ة جؾییؼ ىلیاس
غغم کارةؼد ةاال در زىای ک اظالغات رگ و ةاـث در صغ
جنیؼ ةا یکغیگؼ ادؽام قغه اغ
ة دنیم جؾییؼ ىضیطةار ىضاؿتاجی ـتحا ةاال
ترکیثی پنج عولگر هحلی و کلی ترای ترکیة اطالعات رنگ و تافت روش -2-5-6
یک روش جؼکیتی ـكؼده ةؼای اؿحعؼاج يؽىان اظالغات ةاـث و [ 14]ظان و يکاراف در
ظان و يکاراف اغحلاد دارغ ک جؼکیب ویژگی ای اؿحعؼازی از . رگ ارائ داده اغ
[ 14]ة يی ىظر در . جاغ ىفیغ ةاقغاانیؽ رگ و غيهگؼای آانیؽ ةاـث ىیغيهگؼای
پؾ از ىعانػ دؿح وؿیػی از غيهگؼای کهی و زؽیی در صزه آانیؽ ةاـث و رگ، پر ىرد
1 Wavelet Transform 2 Neural Network 3 First Order Wavelet 4 Sub-Band Image 5 Standard Three Layer Back-Propagation
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
38
را احعاب کؼده و ةؼ روی جنیؼ اغيال کؼده و پر دؿح ةؼدار ویژگی ىسؽا اؿحعؼاج ىی
ةؼدار ای اؿحعؼازی را ةا روقی آورا ةا یکغیگؼ جؼکیب کؼده و در ایث ةا ؿپؾ . يایغ
ىسيغ از اةػاد را زث آانیؽ جناویؼ اؿحفاده ةحؼی زیؼ 1ای کاف اةػاداؿحفاده از روش
، رده ةغی 2انگای دودویی گاةر: غيهگؼای اؿحفاده قغه در ای ىلان غتارجغ از. يایغىی
در . 6، ویژگی ای دودویی آىاری5، انگای دودویی ىضهی کاىم4، کغ گكایی وةؼ3نیـاز ىش
,FMDدكث دؿح ةغی ةؼ روی چار پایگاه داده ىكر جناویؼ ةاـحی رگی ة ام ای[ 14]
Texture-10 KTH-TIPS-2a, KTH-TIPS-2b, آزىایف قغه ک حایر ةـیار ظةی ـؼاو
.کؼده اؿث
تصاویر رنگی تر اساس ترکیة ویژگی های استخراجی از تحلیل هسیت ها و عیوب دسته تنذی . 14-2جذول
[14]پنج عولگر آنالیس هحلی و کلی
هعایة هسایا
دكث دؿح ةغی ةاال
صـاؿیث اغك ـتث ة چؼظف ة دنیم
اؿحفاده از ةؼظی غيهگؼای ىـحلم از
چؼظف
اغيال يؽىان پر غيهگؼ پیچیغهةار ىضاؿتاجی ةـیار ةاال ة دنیم
صـاؿیث ة یؽ ة دنیم غغم اؿحلالل ةؼظی از غيهگؼای اؿحفاده قغه
ـتث ة ااع یؽ
ا ةؼای دیگؼ پایگاه ای دادهغغم جضيی زیؼ ىسيغ کاف ةػغ یاـح ویژگی
ترکیة اطالعات رنگ و تافت تر اساس ترکیة هیستوگرام رنگ و الگوهای -2-5-7
Ohtaدودویی هحلی در هحیط رنگی ترکیثی
ای ایغه را ىعؼح ىی کغ ک ىضیط ای رگی رایر ة [ 105]پیحیکا و يکاراف در
و ىضیط جاغ ىػؼف ةاـث ای رگی ةاقغ، ةاةؼای اظالغات رگ جنیؼ در دجایی يی
ک اونی Ohta ىضیط رگی . را يؽىان اؿحعؼاج و جؼکیب ىی يایغ Ohtaو RGBرگی
اؿث ک قاىم ؿ کاال RGBىعؼح قغ، جتغیم ظعی از ىضیط [ 106]ةار جؿط اوحا در
. رگی ىسؽا ة مرت زیؼ ىی ةاقغ
I1 = (R+G+B)/3, I2=R-B, and I3 =(2G-R-B)2 (15 - 2)
ؼ کغام كان دغه قغت روقایی پیکـم ىرد ظؼ در کاال Bو R , G در ىػادن ـق،
ىضللان دو راکار ىحفاوت ةؼای دؿح ةغی ةاـث جناویؼ [ 105]در . ای رگی ىسؽا اؿث
1 Feature Reduction 2 Binary Gabor Pattern (BGP) 3 Local Phase Quantization (LPQ) 4 Weber Law encodes (WLE) 5 Completed Local Binary Patterns (CLBP) 6 Statistical Binary Features (SBF)
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
39
درراکار اول یـحگؼام جنیؼ در ؼ کاال رگی از دو ىضیط ـق انػکؼ . رگی ارائ ىی دغ
ة غان یکی از اةػغاد ةؼدار 1و رده ةغی قغه و در ایث ىیؽان رظغاد ؼ رده اؿحعؼاج
در راکار دوم یؽ انگای دودویی ىضهی ةؼ روی ؼ کاال . ویژگی در ظؼ گؼـح ىی قد
ؿازی قغه و در ایث ةؼدارای ویژگی رگی از دو ىضیط ـق ة مرت ىسؽا پیاده
روش ارائ قغه ظد را ةؼ روی پایگاه [ 105]ىضللان در . گؼددىی اؿحعؼازی ةا یکغیگؼ جؼکیب
-حایر جسؼةی پیحیکا و يکاراف كان ىی. اغآزىایف کؼده Vistexو Outexای داده
ةیكحؼی دكث دؿح ةغی Ohtaای رگی در ىضیط ای کاالدغ ک اؿحعؼاج یـحگؼام
يچی اؿحعؼاج یـحگؼام کاال ای . کغراو ىیف Outexرا ةؼ روی جناویؼ پایگاه
ة مرت ةؼاةؼ ةیكحؼی دكث دؿح ةغی را ةؼ روی Ohta و RGBرگی در ىضیط ای
. کغـؼاو ىی Vistex پایگاه
تصاویر رنگی تر اساس ترکیة هیستوگرام رنگ و تحلیل هسیت ها و عیوب دسته تنذی . 15-2جذول
Ohta [105]الگوهای دودویی هحلی در هحیط رنگی ترکیثی
هعایة هسایا
دكث دؿح ةغی ىاؿب
ىػؼـی جاایی ااع ىضیط ای رگی در ىػؼـی
ةاـث جناویؼ
ةار ىضاؿتاجی چغان ةاال
صـاؿیث ة یؽ ة دنیم اؿحفاده از یـحگؼام
غغم درظؼ گؼـح ویژگی ای ىضهی
غغم جضيی روش ارائ قغه ةؼای ااع پایگاه
ای داده
و ترکیة اطالعات رنگ و تافت تر اساس تثذیل ویژگی هستقل از هقیاس -2-5-8
اطالعات کانال های رنگی
اقاره قغ، یکی از غيهگؼای ىـق در آانیؽ ةاـث جنیؼ، 2-1-2ياعر ک در زیؼ ةعف
ةؼای آانیؽ جناویؼ ةا ؿعح ظاکـحؼی ىعؼح قغ SIFTـع اةحغایی .اؿث SIFTغيهگؼ
و اظالغات SIFTای اؿحعؼازی ازةا جؼکیب ویژگی، غتغانضکیو و ـاراگ ،[140]ونیک در
، [140]در . ىعؼح کؼدغ CSIFTرا جضث غان آنـع ةتد یاـح ای رگی ، کاال
ة ىغل رگی گؿی جػؼیؿ ىی يایغ ک یـغگان ىضیط رگی زغیغی جضث غان
ضه زاةسایی جنیؼ . كاةم يایف اؿث RGBای از جنیؼ در ـضای رگی جتغیم ظعیمرت
.كان داده قغه اؿثة ـضای رگی زغیغ در ىػادن زیؼ
𝐸𝐸𝜆
𝐸𝜆𝜆
= 0.06 0.63 0.270.3 0.04 −0.35
0.34 −0.6 0.17
𝑅𝐺𝐵
(16 − 2)
1 Quantized Bin
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
40
در ایث یؽ، جنیؼ در ىضیط زغیغ ةا ـیهحؼ گؿی ةا پاراىحؼای ورودی كاةم جظیو، ـیهحؼ
کغ ک جنیؼ ـیهحؼ قغه در ای ىضیط ـتث ة ، ادغا ىی[140]یـغگان در . قدىی
ةؼای صم ىـئه جكعیل CSIFT، از [140]در . اظالغات کاال ای رگ ىـحلم قغه اؿث
:قی در كانب یک انگریحو ؿ ىؼصه ای اؿحفاده قغه اؿث ک ة قؼح زیؼ اؿث
1جكعیل لاط ورودی
2(جضیش دغه )جنیغ غيهگؼ
(زث) 3جعيی ژؿثجظیو ویژگی و
ةؼای صم ىـئه دؿح ةغی ةاـث جناویؼ رگی CSIFTة مرت ىـحلیو از [ 140]در
اؿحفاده كغه اؿث ونیک جاایی ةاالی آن در اؿحعؼاج ویژگی ای ةاـحی و آانیؽ ةاـث جنیؼ،
جؼی در ای ـنم ةؼظی از کارةؼدی. ةاغخ قغه ک ىرد جز ىضللان ای صزه كؼار گیؼد
جضلیلات، یـغگان ةؼظیدر . رگ ىعؼح و ىرد ةؼرؿی كؼار گؼـث ای آانیؽ ةاـث وروش
اغ ک از اظالغات جؼکیتی ةاـث و رگ ةؼای کارةؼدای گاگن پؼدازش جنیؼ جالش کؼده
يچن آانیؽ جناویؼ پؽقکی قاىم ؽغد، غؼوق ظی، ةازرؿی ةنؼی ؿعح قاىم چب،
ةازیاةی جناویؼ، جكعیل دود و آجف، جكعیل صؼکث، ردیاةی اقیا اؿحفاده پارچ و ؿگ،
ة يی دنیم جضلیلات ىحػغد و ىحغی ةؼای آانیؽ و دؿح ةغی ةاـث جناویؼ رگی . کغ
ونیک ة . يی گسغ ىلانارائ قغه اؿث ک جضیش ؼ کغام ىفنم ةده و در صمه ای
. ا در زغول زیؼ اقاره قغه اؿثای روشکارآىغجؼی ةؼظی از
1 Inserting Points Detection 2 Descriptor Building 3 Feature Matching and Pose Estimation
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
41
تافت تصاویر رنگیو دسته تنذی تررسی اجوالی ترخی از روش های ارائه ضذه جهت آنالیس . 16-2جذول
هرجع روش ارائه ضذه سال ارائه ردیف
Ohta [105]جؼکیب یـحگؼام رگ و انگای دودویی ىضهی در ىضیط رگی جؼکیتی 2002 1
[120] در ـضای ىزک 1ىغل پان ىارکف 2005 2
3 2006 جؼکیب اظالغات غيهگؼ جتغیم ویژگی ىـحلم ازىلیاس و اظالغات کاال ای
(CSIFT)رگی [140]
4 2007 جؼکیب اظالغات غيهگؼ جتغیم ویژگی ىـحلم ازىلیاس ةا یـحگؼام ای
(SIFT-CCH)ىاجؼیؾ ای يؼظغادی رگی [141]
[101] ویژگی ای آىاری از انگای دودویی ىضهی و ىاجؼیؾ ای يؼظغادی 2008 5
6 2008 ویژگی ای ارانیک از ـع جؼکیتی انگای دودویی ىضهی و اظالغات کاال
ای رگی[102]
[103] جؼکیب یـحگؼام کاال ای رگی و ـع اونی انگای دودویی ىضهی 2009 7
[104] آىاری در زیؼ جناویؼ ىزک و قتک غنتی احكار غلتگؼدویژگی ای 2009 8
ORGB [122]جؼکیتی ظعی انگای دودویی ىضهی اونی در ىضیط 2011 9
10 2011 جؼکیب ویژگی ای اؿحعؼازی از انگای دودویی ىضهی در ىضیط ای رگی
HSV , YCbCr , oRGB [122]
11 2011 انگای دودویی ىضهی اونی در جنیؼ ةا ؿعح جؼکیب ویژگی ای اؿحعؼازی از
ظاکـحؼی و جناویؼ رگی در کاال ای ىعحهؿ رگ[122]
[135] (EMD) 3ةؼای جسؽی ىغل جسؼةی 2(PDE)جفامم یي کاىم ىتحی ةؼ ىضاؿتات 2012 12
[130] انگای ةؼداری رگ ىضهی چغ ىلیاؿی 2012 13
14 2012 -اؿحعؼازی از پسؼ (SIFT)4ای ىـحلم از ىلیاسجتغیم ویژگی جؼکیب غيهگؼ
5ایی ةا ؿایؽ ىعحهؿ و غيهگؼ آىاری اؿپکحؼوم چغ ـؼکحانی[131]
[117] ای اؿحعؼازی از ـضاای رگی ىعحهؿاحعاب زیؼ ىسيغ ای از ویژگی 2013 15
[10] ىاجؼیؾ ای يؼظغادی در ؿعش رگ 2014 16
17 2014 انگای دودویی گاةر، رده ةغی ـاز ىضهی، )جؼکیب پر غيهگؼ آانیؽ ىضهی و کهی
(ای دودویی آىاریکغ گكایی وةؼ، انگای دودویی ىضهی کاىم، و ویژگی[14]
[132] (BEMD) 7و جسؽی ىغل جسؼةی دو ةػغی 6جؼکیب ىغل پـؼـث ظدکار 2015 18
[133] و ةا ؿاظحار کهی 8ؿاظحار ىضهی انگی ىلاوم ة یؽ کاىم ةا 2016 19
[134] (WLD) 9ـع ةتد یاـح غيهگؼ ىضهی وةؼ 2016 20
1 Hidden Markov Model 2 Partial Differential Equation-based 3 Emprical Mode Decomposition 4 Scale-Invariant Feature Transform (SIFT) 5 Multi Fractal Spectrum 6 Autoregressive Model 7 Bidimensional Emprical Mode Decomposition (BEMD) 8 Completed Noise-invariant Local-structure Patterns (CNLP) 9 Weber Local Descriptor (WLD)
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
42
2.6. Local binary patterns and it’s improved versions
ىعؼح قغ، انگای دودویی ىضهی یکی از غيهگؼای 3-5-2جؼ در ةعف ياعرک پیف
زث اؿحعؼاج ویژگی ای ةاـحی در ىلاندر ای . ةاقغةـیار كی ةؼای آانیؽ ةاـث جنیؼ ىی
ياعر ک در ـنم آجی ة جفنیم قؼح داده .تاز ای غيهگؼ انام گؼـح قغه اس ،جناویؼ
ای از ای غيهگؼ ةا جيؼکؽ ةؼ صم ىضغودیث ای آن از زيه ظاغ قغ، ـع ةتد یاـح
. ارائ ظاغ قغ دار و ةی ىػیانگای ىػیای و غغم جفکیک صـاؿیث ـتث ة یؽ ضؼة
ةاةؼای در ای زیؼ ةعف ـع اةحغایی ای غيهگؼ و ةؼظی از ـع ای ةتد یاـح آن ىؼور
.ظاغ قغ
2.6.1. Basic Version of Local Binary Patterns
، زث [107]در ـع اونی انگای دودویی ىضهی ةؼای اونی ةار جؿط اوزاال و يکاراف
انگای دودویی ىضهی در واكع ىسيغ غيهگؼایی . ةغی ةاـث جنیؼ ارائ قغآانیؽ و ظتل
. جنیؼ را آانیؽ ىی يایغ 2و ؿاظحار ـضایی ىضهی 1ؽیؼپاراىحؼیک ـحغ ک جتای ىضهی
یک ای جنیؼ،غيهکؼد ای غيهگؼ ةغی مرت اؿث ک در اةحغا ةؼای ؼ کغام از پیکـم
ای ىحفاوت، در ظؼ گؼـح قغه و ؿپؾ ىلغار قغت يـایگی ة ىؼکؽیث پیکـم و قػاع
روقایی ؼ کغام از يـایگان ةا پیکـم ىؼکؽی ىلایـ ىی گؼدد و در ایث ىیؽان انگی
دودویی ىضهی پیکـم ىرد ظؼ در كانب یک انگی دودویی ة مرجی ک در ىػادن زیؼ كان
.ؿسیغه ىی قد داده قغه اؿث،
𝑳𝑩𝑷𝑷,𝑹 = 𝑆 𝑔𝑘 − 𝑔𝑐 2𝑘 ة مرجی ک → 𝑆 𝑥 = 1 𝑥 ≥ 0
0 𝑥 < 0
𝑃−1
𝑘=0
(17 − 2)
gcقغت روقایی لاط يـایگی و gkجػغاد لاط يـای و Pة جؼجیب، (17-2)در ىػادن
ـق، ـتث ة چؼظف ة ظر ىػيل ةؼای آک غيهگؼ .قغت روقایی لع ىؼکؽی اؿث
چغ ي از يـایگی . ای در ظؼ گؼـح ىی قدصـاس تاقغ، يـایگی ة مرت دایؼه
ظؼوزی غيهگؼ انگی دودویی . كان داده قغه اؿث( 5-2)در قکم ( R)دایؼوی ةا قػاع
، كان داده قغه، (2-3)ياعر ک در قکم . ةیث اظالغات اؿث Pىضهی، غغدی دودویی ةا
ای يـای ة قغت ةؼ روی غغد ىتای ده انگی دودویی ةغؿث گػاری پیکـمه اغیؾض
ياعر ک .جاغ ىسؼ ة جؾییؼ ىلغار انگی دودویی ىضهی گؼددآىغه، جادیؼ گػار اؿث و ىی
ىكاغه ىیكد، پؾ از ىلایـ قغت روقایی ؼ پیکـم يـای ةا پیکـم ( 7-2)در قکم
1 Local Contrast 2 Local Spatial Structure
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
43
. گؼددكان داده قغه اؿث، اؿحعؼاج ىی( ب)دویی ة مرجی ک در قکم ىؼکؽی، انگیی دو
ةایـث از ةعف اول ـؼىل ةؼای جتغیم انگی دودویی اؿحعؼازی ة غغدی در ىتای ده، ىی
ونیک در ای ـؼىل ىضم آؽاز اغیؾ گػاری ىكعل كغه اؿث، . اؿحفاده گؼدد 2-17
ای غيم را اسام داد ک دو ي آن در قکم جان ایةاةؼای ة كث ظؼیق ىعحهؿ ىی
قد، غغد ىضاؿت قغه در در ایث ياعر ک ىكاغه ىی. كان داده قغه اؿث( د)و ( ج)
. گػاری واةـح اؿثىتای ده ة قغت ة ضه اغیؾ
1 1 0 203 217 49 1 1 166 132 172
0 0 0 47 85 94 (انؿ) ( ب)
16 8 4 4 2 1 32 2 8 128
64 128 1 16 32 64 (ج( )د)
LBP (ج) = 142 =128+8+4+2
LBP (د) = 58 =32+16+8+2
ضه اغیؾ گػاری ای گاگن در انگی دودویی ىضهی .7-2قکم
یکی از ضه ای اغیؾ گػاری و (ج)ىلایـ پیکـم ىؼکؽی ةا يـای ا ( ب) 3×3يـایگی ىؼةػی ( انؿ)
LBPیکی از ضه ای اغیؾ گػاری و ىضاؿت( د) LBPىضاؿت
پیكاد دادغ ک ةا چؼظف غغد دودویی [ 66]ةؼای صم ای ىػضم، اوزاال و يکاراف در
جان ىلغار یکحایی را ة ؼ کغام از انگای ک، ىیةغؿث آىغه و احعاب کيی ىلادیؼ ىو
.كان داده قغه اؿث( 18 -2)ای ىضع در ىػادن . ىضهی اظحناص داد
𝑳𝑩𝑷𝑷,𝑹𝒓𝒊 = min 𝑅𝑂𝑅 𝐿𝐵𝑃𝑃,𝑅 , α α = 0,1, … , 𝑝 − 1 } (18 − 2)
. داده قغه اؿثكان "ri"، غغم صـاؿیث اپؼاجر ـتث ة چؼظف ةا ياد (18-2)در ىػادن
ةار جکؼار قغه و صغاكم "α"اؿث ک 1كان دغه چؼظف ة ؿيث راؿث "ROR"يچی
ة غان انگی دودویی ىضهی در ظؼ p-1ای ةی مفؼ جا "α"اغغاد ةغؿث آىغه ة ازای
یکی از ؿاالت امهی ک پؾ از ىعانػ ـع اونی انگای دودویی ىضهی، ة .گؼـح ىی قد
ة غتارت دیگؼ . قد، چگگی آانیؽ جنیؼ جؿط انگی دودویی ىضهی اؿثىحنر ىیذ
چؼا انگای دودویی ىضهی ىی جاغ ىػؼف ظةی از ةاـث جنیؼ ةاقغ و زث آانیؽ ةاـث
. اؿحفاده قغ
دیغه قغ، يـایگای ک قغت روقایی آا ةؽرگحؼ و یا ( 17 -2)ياعر ک در ىػادن
و يـایگای ک قغت روقایی ایكان کيحؼ "یک"ىـاوی ةا پیکـم ىؼکؽی ةاقغ، ةؼچـب
1 Rotate Right
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
44
ةاةؼای ةؼای ؼ يـایگی ةا . ظاغ گؼـث "مفؼ"از قغت روقایی ىؼکؽ ةاقغ، ةؼچـب
ة . يـای، صاالت ةـیار گاگی از انگای دودویی اىکان رخ دادن دارد Pو جػغاد Rقػاع
صانث 36يـای، ىی جاغ ىسؼ ة 8و 1ظر ىذال اؿحفاده از غيهگؼ انگی دودویی ةا قػاع
ای . جياىی ای صاالت در قکم زیؼ كان داده قغه اؿث. گاگن از انگای دودویی قد
ث ةؼرؿی ضه کارایی انگای دودویی ىضهی اؿحعؼاج و آورده قغه ج[ 66]قکم از ىتع
. اؿث
لاط ىكکی كاغغه مفؼ و لاط ؿفیغ ىػؼف . LBP8,1انگی دودویی ىيک ةا اؿحفاده از 36 .8-2قکم
[66] یک ـحغ
-ویژگیجان ة ای حیس رؿیغ ک ؼ کغام از صاالت ـق ىػؼف ىی (8-2)ةا جز ة قکم
ة ظر ىذال انگی . ا ةا يـایگاكان ـحغای ظامی از جنیؼ و ضه ارجتاط ةی پیـکم
در ىذانی دیگؼ انگی كث ىػؼف . ىػؼف صانث نت در جنیؼ اؿث 4كان داده قغه ةا قياره
. در جنیؼ اؿث( ةعكی ىضهی ةا قغت روقایی جلؼیتا داةث)ا ای جاریک و دقثوزد ظال
ـؼم ای قياره ؿ و پر یؽ . انگی قياره مفؼ یؽ كغرت جكعیل ظال ای روق را دارد
. ـؼم قياره دو و قف لاط ىحای ظعی را جكعیل ىی دغ. لاط گق را آقکار ىی کغ
ةا ای جفاؿیؼ، اکذؼ صاالجی ک جؿط . دغ انگی قياره یک یؽ ظال ضػیؿ را جكعیل ىی
غيهگؼ انگی دودویی ىضهی جكعیل داده قغه و از صاالت دیگؼ جيیؽ داده ىی قد، ىػؼف
ةاةؼای ىكعل اؿث ک غيهگؼ انگی . ارجتاط ظامی ىاةی پیکـم ىؼکؽ و جنیؼ اؿث
در ایث ةا دؿح ةغی دودویی ىضهی، كغرت جكعیل ااع انگای ىضهی در جنیؼ را دارد و
. آا غيال ةاـث جنیؼ را آانیؽ ىی کغ
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
45
1الگوهای دودویی هحلی تهثود یافته -2-6-2
، كان داد ک انگی دودویی ىضهی اونی ة [65]و يکاراف در 2حایر آزىایكات پیحیکئی
آانیؽ ةاـث جنیؼ، مرجی ک در ةعف كتم جضیش داده قغ، غهی انؼؽو جاایی ىاؿب ةؼای
ىاؿتی را ةؼای ااع جناویؼ ةاـحی ـؼاو يی 3ةار ىضاؿتاجی ةاالیی داقح و كغرت زغاؿازی
و 4ی غيهگؼ انگی دودویی ىضهی جؿط اوزاالةاةؼای پؾ از ىغجی، قکم ةتد یاـح. آورد
ة ام ىیؽان در انگی دودویی ىضهی ةتد یاـح، ىػیاری. ارائ قغ[ 66]پیحیکی در
. جػؼیؿ ىی قد( 19 -2)ظتق ىػادن ( يگی) 5یکاظحی
𝑼 𝑳𝑩𝑷𝑷,𝑹 = 𝑠 𝑔𝑝−١ − 𝑔𝑐 − 𝑠(𝑔0 − 𝑔𝑐) + 𝑠 𝑔𝑘 − 𝑔𝑐 − 𝑠(𝑔𝑘−١ − 𝑔𝑐)
𝑝−١
𝑘=١
(19 − 2)
ا قد، ىیؽان یکاظحی كان دغه جػغاد زفياگ ک در ىػادن ـق دیغه ىی
ة . در قغت روقایی لاط يـایگی پكث ؿؼ و اؿث( و ةانػکؾ زاةسایی از مفؼ ة یک)
ىیؽان "00000001"و در 4ىیؽان یکاظحی ةؼاةؼ ةا "00011011"ظر ىذال در انگی
جؿط کارةؼ جػیی ىی گؼدد و ( UT)ؿپؾ صغ آؿحا یکاظحی . اؿث 2یکاظحی ةؼاةؼ ةا
صغآؿحا یکاظحی ةاقغ، انگای یکاظث و انگایی ک ىیؽان یکاظحی آا کيحؼ از
ةاقغ، ة غان انگای ؽیؼ یکاظث جػؼیؿ ىی UTانگایی ک ىیؽان یکاظحی آا ةیف از
درایث یؽ ةا جز ة ای جػؼیؿ، ىیؽان انگی دودویی ىضهی ةتد یاـح ظتق . قغ
.ىضاؿت ىی قد( 20 -2)ىػادن
𝑴𝑳𝑩𝑷𝑷,𝑹𝒓𝒊𝒖𝑻 =
𝑠 𝑔𝑘 − 𝑔𝑐 𝑖𝑓 𝑈 𝐿𝐵𝑃𝑃,𝑅 ≤ 𝑈𝑇
𝑃−١
𝑘=0
(20 − 2)
𝑃 + در ؽیؼ ای مرت ١
دودویی ىضهی، ة يـایگی ی انگیآیغ، در قکم ةتد یاـحياگ ک از ىػادن ـق ةؼىی
١ای ؽیؼیکاظث ةؼچـبو ة يـایگی Pاز مفؼ جا 6اییای یکاظث، ةؼچـب
P+ةا جز ة ایک در انگی دودویی ىضهی ةتد یاـح ة جيام . قداظحناص داده ىی
ة ای انناق قغه قد، ةاةؼای ةؼچـبای ؽیؼیکاظث ةؼچـب یکـان انناق ىیيـایگی
انگای یکاظث ىزد در جنیؼ ةایغ اکذؼ انگای ىزد در جنیؼ را پقف دغ و
پر و حایر غيهی جازؼی. انگای ؽیؼ یکاظث جا ةعف اچیؽی از انگا را قاىم قد
ىاغ )كان داد ک در اکذؼ کارةؼدای پؼدازش جنیؼ [ 108و 16، 15]يکاراف در
1 Modified Local Binary Patterns (MLBP) 2 Pietikeinnen 3 Discrimination 4 Ojala 5 Uniformity Measure 6 Labels
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
46
چاچ صغ آؿحا ...( ةنؼی، ةازیاةی جنیؼ، جكعیل غیب ؿعضی و ای ةازرؿیؿیـحو
کيحؼ از یک )در ظؼ گؼـح قد، درمغ کيی از انگا P/4ةؼاةؼ ةا ( UT)ىیؽان یکاظحی
ىلاندر ای . دارای ةؼچـب ؽیؼیکاظث ظاغ ةد و كغرت جكعیل ةاالجؼ ةؼود( درمغ
انگای دودویی ىضهی ک از ىػیار یکاظحی ةؼای يچن ةؼظی از ىلاالت، ای ـع از
.كان ظایو داد MLBPP,R کغ، را ةا ياد ای جنیؼ اؿحفاده ىیةؼچـب گػاری پیکـم
ةا جز ة ىضغودیث ا و لاط ضػفی ک اقاره قغ، جاکن ـع ای ةتد یاـح گاگی
اغ یکی ىعؼح قغه اؿث ک ؽانتا جالش کؼدهاز انگای دودویی ىضهی در صزه ای ىعحهؿ
ای کارةؼدی ىعحهؿ اـؽایف صم يایغ یا کیفیث ای غيهگؼ را در صزه ا رااز ىضغودیث
ةاقغ ک گاا در ةؼ ىیاىؼی ة قغت زىان ،ا يؼاه ةا زؽییاتذکؼ جياىی ای روش. دغ
در يی ىاونیک . گسغیؽ يی( رگیةاـحی دؿح ةغی جناویؼ ) ىلانصزه جعننی ای
. ک در زیؼ ة ةؼظی از آا اقاره ظاغ قغ ایوراؿحا جاکن جضلیلات گاگی را اسام داده
صحی در يی قؼایط ـتث ة ةـیاری از MLBPقایان ذکؼ اؿث ک ةار ىضاؿتاجی
.غيهگؼای آانیؽ ةاـث جنیؼ کيحؼ اؿث
2.6.3. One dimensional local binary pattern ی انگی دودویی آیغ، يـایگی در غيهگؼ ةتد یاـحياگ ک از جضیضات ـق ةؼ ىی
گؼدد، ةاةؼای ای ـع از انگای دودویی ىضهی را ىضهی ة مرت دو ةػغی احعاب ىی
احعاب يـایگی دو )ةا جز ة يی ىضع . اىغانگی دودویی ىضهی دو ةػغی یؽ ىی
از درز دوم اؿث ک پیچیغگی ىضاؿتاجی ؿیـحو را اـؽایف MLBPةار ىضاؿتاجی ، (ةػغی
در انگی دودویی ىضهی دو ةػغی، احعاب يـایگی ة مرت دایؼوی، ةاغخ غغم . دغىی
ای پؼدازش ظی از کارةؼدونیک در ةؼ. قدصـاؿیث اپؼاجر ـتث ة چؼظف جنیؼ ىی
، چؼظف جنیؼ ايیث ةاالیی غارد، ةاةؼای [16]ای ةازرؿی ةنؼیجنیؼ يچن ؿیـحو
از ظؼـی ىضاؿتات درون یاةی ىرد یاز در . یـث یازی ة احعاب يـایگی دایؼوی
جاغ جان یکغ ک ای اىؼ مای ةار ىضاؿتاجی ةاالیی را ة ؿیـحو وارد ىیای دایؼهيـایگی
ةدن ؿیـحو را ة قغت پایی ةیاورد در صانی ک ةا جز ة جضیضات پیكی، یکی از 1ةؼظط
ةاةؼای در ای . ظؼاصی ؿیـحيی ةؼظط زث کارةؼد غیی در مایع اؿث ىلاناغاف ای
ةعف ـع زغیغی از انگی دودویی ىضهی ىػؼـی قغه اؿث ک در آن يـایگی ة مرت
ةا جز ة احعاب يـایگی ة مرت كعػات . قددر ظؼ گؼـح ىی( غيدی)اـلی 2هكعع
ةاةؼای از . ، ای ـع انگی دودویی ىضهی غيهگؼی از درز اول ظاغ ةد(غيدی)اـلی
1 Online
2 Row(Column) Segment
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
47
در انگی . ی دودویی ىضهی را انگی یک ةػغی ىی اىیواای ة ةػغ، ای ـع از انگ
دی، ؿعش ظاکـحؼی اونی پیکـم از جنیؼ ة جؼجیب ةا ؿعح یک ةع دودویی ىضهی
ىذانی از اغيال غيهگؼ انگی . قدای ىزد در آن كعػ ىلایـ ىیظاکـحؼی دیگؼ پیکـم
. دودویی ىضهی یک ةػغی ةؼ روی یک جک غيدی از جنیؼ در قکم زیؼ كان داده قغه اؿث
[16] 8ةؼ روی جک ای غيدی از جنیؼ ةا كعػ ای غيدی ة ظل اغيال غيهگؼ انگی دودویی ىضهی. 9-2قکم
در ( زاةسایی از مفؼ ة یک و ةانػکؾ)در ای روش ىیؽان یکاظحی ةؼاةؼ ةا جػغاد زف ا
، ای (21 -2)ىػادن . جػؼیؿ ىی قد( غيدی)قغت روقایی لاط يـای در كعػ اـلی
.ىعهب را كان ىی دغ
𝑼 𝑳𝑩𝑷𝑳 = 𝑠 𝑔𝐿 − 𝑔١ − 𝑠(𝑔۲ − 𝑔١)
+ 𝑠 𝑔𝑖 − 𝑔١ − 𝑠(𝑔𝑖+١ − 𝑔١)
𝐿−١
𝑖=۲
(21 − 2)
كان 1gرا ةؼ صـب پیکـم كان ىی دغ و ( غيدی)ظل كعػ اـلی Lدر ىػادن ـق،
يچی ة دنیم جؾییؼ قکم . دغه ؿعش ظاکـحؼی اونی پیکـم در آن كعػ اؿث
ةیف از Lقایان ذکؼ اؿث ک اگؼ ظل .ىی یاةغ جؾییؼ LBPL ة ـؼم LBPP,Rيـایگی، ياد
جاغ ىػؼف رظغادای ظاص و اغازه کچک در ظؼ گؼـح قد، انگای اؿحعؼازی يی
ةیف از اغازه ةؽرگ در ظؼ گؼـح قد، Lای ظاص ىضهی در جنیؼ ةاقغ و اگؼ ظل ویژگی
ای يـای ةـیار دور و ی پیکـمداری ىابغالوه ةؼ اـؽایف ةار ىضاؿتاجی، ارجتاط ىػی
در ای ـع . رودای ىضهی جنیؼ از دؿث ىیپیکـم آؽازی وزد عاغ داقث و ویژگی
ةاقغ، ( UT)یؽ انگایی ک ىیؽان یکاظحی آا کيحؼ از صغآؿحا ی ىیؽان یکاظحی
ةاقغ، ة غان انگی ؽیؼ UTانگای یکاظث و انگایی ک ىیؽان یکاظحی آا ةیف از
ةاةؼای ةا جز ة ای جػؼیؿ، ىیؽان انگی دودویی ىضهی یک . یکاظث جػؼیؿ ىی قغ
.ظتق ىػادن زیؼ ىضاؿت ىی قد( غيدی)ةػغی ةؼای كعػات اـلی
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
48
𝑳𝑩𝑷𝑳𝑼𝑻 =
𝑆(𝑔𝑖 − 𝑔١) 𝑖𝑓 𝑈(𝐿𝐵𝑃𝐿) ≤ 𝑈𝑇
𝐿
𝑖=۲
𝐿 ردیگ قؼایط
(22 − 2)
آیغ، در انگی دودویی ىضهی یک ةػغی، ة كعػات ياگ ک از ىػادن ـق، ةؼىی
ؽیؼیکاظث ( غيدی)و ة كعػات اـلی L-1یکاظث، ةؼچـب ایی از مفؼ جا ( غيدی)اـلی
انگای یکاظث ىزد در ةؼچـب ای انناق قغه ة. اظحناص داده ىی قدL ةؼچـب
جنیؼ ةایغ اکذؼ انگای ىزد در جنیؼ را پقف دغ و انگای ؽیؼ یکاظث جا ةعف
انگای دودویی ىضهی دو ةػغی ة دنیم در ظؼ گؼـح . اچیؽی از انگا را قاىم قد
یک ةػغی يـایگی دو ةػغی، غيهگؼی از درز دوم اؿث ونیک غيهگؼ انگی دودویی ىضهی
. ة دنیم در ظؼ گؼـح يـایگی ة مرت كعػات اـلی و غيدی، غيهگؼی از درز اول اؿث
ة يی دنیم پیچیغگی ىضاؿتاجی آن ـتث ة انگای دودویی ىضهی دو ةػغی ةـیار کيحؼ
.ادتات ای ىـئه در ةعف ةػغی ة جفنیم ةؼرؿی قغه اؿث. اؿث
الگوهای دودویی هحلی تهثود یافته ک ته کن 1تازیاتی تصویر -2-6-4
در ااعانگای دودویی ىضهی از اغ ک ياعر ک جضیش داده قغ، ىضللی جالش کؼده
از [ 15]ىضللی در . کغ جا ةیكحؼی دكث ةغؿث آیغ اؿحفادهىـائم صزه پؼدازش جنیؼ
ةازیاةی جنیؼ ة ىػای . انگای دودویی ىضهی ةؼای ةازیاةی جنیؼ اؿحفاده کؼده اؿث
اؿث ک 2زوجؼی ي از درون پایگاه داده ةؽرگی از جناویؼ ة جنیؼ پؼساؿحعؼاج ؽدیک
جؼی ىؼصه در ىتضخ آیغ، امهیای جػؼیؿ ةؼ ىیياعر ک از . جؿط کارةؼ ارائ قغه اؿث
ياعر ک . ةازیاةی جنیؼ، ارائ روقی ةؼای ؿسف ىیؽان قتاث جناویؼ ة یکغیگؼ اؿث
ای ىػحتؼ در صزه آانیؽ ةاـث روشةؼرؿی قغ انگای دودویی ىضهی ةتد یاـح یکی از
کاىپیجؼی و ىلایـ جناویؼ ةا ای زث قاؿاغن ةاـث جنیؼ ة ؿیـحو. جنیؼ اؿث
ةایـث ة مرت ةؼداری غغدی جتغیم یکغیگؼ، حایر آانیؽ ةاـث جنیؼ جؿط غيهگؼ ـق ىی
روقی ىعيئ ةؼای جتغیم حایر آانیؽی انگای دودویی ىضهی ة ةؼدار [ 15]در . گؼدد
ةؼ روی جنیؼ، ة ؼ يـایگی MLBPP,Rپؾ از اغيال غيهگؼ . ویژگی غغدی ارائ قغه اؿث
اظحناص P+1 و ة انگای ؽیؼیکاظث ةؼچـب Pىضهی یکاظث ةؼچـب ایی از مفؼ جا
جان ةؼای ؼ جنیؼ ورودی یک ةاةؼای در ىؼصه اؿحعؼاج ةؼدار ویژگی ىی. داده ىی قد
1 Image Retrieval 2 Query
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
49
نگؼ ةؼ روی جنیؼ ةؼای اؿحعؼاج ةؼدار ویژگی، پؾ از اغيال غو. ةػغی اؿحعؼاج کؼد P+2ةؼدار
ا، اصحيال رظغاد ؼ کغام از ةؼچـب ا ة غان یکی از و اظحناص ةؼچـب ا ة يـایگی
-اصحيال رظغاد ؼ ةؼچـب ة مرت ـتث جػغاد پیکـم. گؼدداةػاد ةؼدار ویژگی ىضاؿت ىی
ای . قدجػؼیؿ ىی( ايـایگی)ا ةا آن ةؼچـب ة جػغاد کم پیکـم( ايـایگی)ا
.ىعهب در ىػادن زیؼ كان داده قغه اؿث
𝒇𝒊 = 𝑁𝑓𝑖
𝑁𝑡𝑜𝑡𝑎𝑙 0 ≤ 𝑖 ≤ 𝑃 + 1 (23 − 2)
"i" ا ةا ةؼچـبجػغاد کم پیکـم Nfiو "i"ةؼظرد ة ةؼچـب صحيالا fiدر ىػادن ـق،
ضؼب اغازه ؿعؼ ا در ؿحن ای ای جنیؼ اؿث ک ةا ، یؽ جػغاد کم پیکـمNtotal. اؿث
در ىػادن زیؼ ةؼدار ویژگی ایی اؿحعؼاج قغه ةؼای جنیؼ ورودی كان . جنیؼ ةغؿث ىی آیغ
.داده قغه اؿث
𝑭𝒙 = < 𝑓0 , 𝑓1 , … . , 𝑓𝑃+1 > (24 − 2) در ىؼصه . ظؼ اؿثةؼدار ویژگی ـق انػکؼ ىػؼف غغدی ةـیار ظةی از ةاـث جنیؼ ىرد
ز ةا جنیؼ درون پایگاه وةایـث ـامه ةؼدار ویژگی جنیؼ پؼسجؼی جناویؼ، ىییاـح قتی
را ةا ( کو جؼی ـامه)ؿسیغه قغه و در ایث جناویؼی از درون پایگاه ک ةیكحؼی قتاث
.جنیؼ پؼس و ز دارغ احعاب قغ
یافته ترای کاهص نویس الگوهای دودویی هحلی تهثود -2-6-5
ىا ةؼ روی ؿازگار کؼدن ظؼوزی انگای دودویی ىضهی ةا ىـئه کاف یؽ جناویؼ ةاـحی
( زیؼ ةاـث)جؼ جضیش داده قغ، در جناویؼ ةاـحی، یک انگ ياعر ک پیف. ایوجضلیق کؼده
ک در جناویؼ ةاـحی ىا اغحلاد داریو. ظاص در جيام ظل جنیؼ در صال جکؼار قغن اؿث
ای ىكاةی در درون ةعف ةا اصحيال زیاد،ایی از جنیؼ دچار یؽ گؼدد، چاچ كـيث
در . ای یؽی قتی ةده و دچار یؽ كغه اؿثجان پیغا کؼد ک ة ةعفيان جنیؼ ىی
ىـاوی و ةغون ایی ةا اةػاد گؼدد ک جنیؼ ة پسؼه، پیكاد ىیةؼرؿی ای ىضعراؿحای
در يی راؿحا . ا ة پسؼه یؽی پیغا قدجؼی پسؼهؿپؾ قتی. يپقای جلـیو گؼدد
ا اغيال قغه و ةؼای ؼ پسؼه یک ىسغدا غيهگؼ انگای دودویی ىضهی ةؼ روی جيام پسؼه
ن ةایـث ـاصدر ىؼصه ةػغ ىی. گؼدداؿحعؼاج ىی( 24-2)ةؼدار ویژگی غغدی ظتق ىػادن
در ای جضلیق ااع ىػیارای ـامه و . ةی ةؼدارای ویژگی اؿحعؼازی ؿسیغه قد
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
50
حایر جسؼةی كان داد ک ـتث . غغم قتاث ىرد آزىایف كؼار گؼـث/ىػیارای قتاث
ـتث درؿحيایی نگاریحيی ىػیار غغم . را ـؼاو آورد 2ةاالجؼی کارایی 1درؿحيایی نگاریحيی
-قغن آن كانىاره ىذتث و صغاكم ىلغار آن ةؼاةؼ مفؼ ظاغ ةد و کيیقتاث اؿث ک ه
ةاةؼای کيحؼی ىلغار ىضاؿت قغه ةؼای . ةاقغدغه ىیؽان قتاث ةا یک کالس ظاص ىی
ا ا، ة غان قتی جؼی پسؼه و ةؽرگحؼی ىلغار آن ة غان صغ آؿحا قتاث ةاـثپسؼه
ضه ىضاؿت ـتث درؿحيایی نگاریحيی دو ةؼدار . قدظؼ گؼـح ىیا در در ةی پسؼه
.ویژگی در ىػادن زیؼ كان داده قغه اؿث
𝑳 = 𝐹1, 𝐹2 = 𝐹1𝑖 log 𝐹1𝑖
𝐹2𝑖
𝑃+2
𝑖=1
(25 − 2)
از 2و 1ای ة جؼجیب ةؼدارای ویژگی اؿحعؼازی ةؼای پسؼه F2 و F1در ىػادالت ـق،
كان دغه جػغاد Pام از ةؼدار ویژگی ةده و "i"كان دغه ةػغ "i"يچی . جنیؼ اؿث
. ةاقغيـایگی در غيهگؼ انگی دودیی ىضهی اؿحفاده قغه ىی
To recieve more related works please contact us:
The Author Personal Website:
http://www.shfekri.ir
The Author Google Scholar Page:
https://scholar.google.com/citations?user=9RkgDQIAAAAJ&hl=en
The Author Personal Contact Email:
1 Log Likelihood Ratio 2 Performance
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
51
References
[1] Tuceryan M., Jain A.K., "The handbook of pattern recognition and
computer vision (2nd edition)", World Scientific Publishing Company,
1998.
[2] Pietikäinen M., Hadid A., Zhao G., Ahonen T., "Computer vision using
local binary patterns", Springer-Verlag London Publishing, 2011.
[3] Shapiro L.G., Stockman G.C., "Computer vision", Prentice-Hall
publishing, 2001
[4] D. Zhou, "Texture Analysis and Synthesis using a Generic Markov-Gibbs
Image Model", Ph.D. Thesis in Artificial Intelligence, University of
Auckland, Auckland, New Zealand, 2006.
[5] Brodatz P., "A photographic album for artists and designers, by phil
brodatz", Dover Publications, 1996
[6] Mirmehdi M., Xie X., Suri J., "Handbook of texture analysis", Imperial
College Press, 2008.
[7] Ikeuchi K., "Computer vision – A reference guide", Springer US
Publisher, 2014.
[8] Guo Y., "Image and video analysis by local descriptors and deformable
image registration", Ph.D. Thesis in Artificial Intelligence, University of
Oulu, 2013.
[9] Masotti M., Campanini R., "Texture classification using invariant ranklet
features", Pattern Recognition Letters, Vol. 29, pp. 1980-1986, 2008.
[10] Benco M., Hudec R., Kamencay P., Zachariasova M., Matuska S., "An
advanced approach to extraction of color texture features based on
GLCM", International Journal of Advanced Robotic Systems, Vol. 11, No.
1, pp. 1-8, 2014.
[11] Van-de-Sande K. A., Gevers T., Snoek C. M., "Evaluating color
descriptors for object and scene recognition", IEEE Transaction on
Pattern Analysis and Machine Intelligence, Vol. 32, No.9, pp. 1582-1596,
2010.
[12] Khan F. S., Anwer R. M., Van-de-Weijer J., Bagdanov A., lopez A.,
Felsberg M., "Coloring action recognition in still images", International
Journal of Computer Vision, Vol. 105, pp. 205-221, 2013.
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
52
[13] Maenpaa T., Pietikainen M., "Classification with color and texture jointly
or separately", Pattern Recognition, Vol. 37, No. 8, pp. 1629-1640, 2004.
[14] Khan F.S., Anwer R.M., Van-der-Weijer J., Felsberg M., Laaksonen J.,
"Compact color-texture description for texture classification", Pattern
Recognition Letters, Vol. 51, pp. 16-22, 2014.
[15] Tajeripour F., Saberi M., Fekriershad SH., "Developing a novel approach
for content based image retrieval using modified local binary patterns and
morphological transform", International Arab Journal of Information
Technology, Vol. 12, No. 6, 2015.
[16] Tajeripour F., Fekriershad SH., "Developing a novel approach for stone
porosity detection using modified local binary patterns and single scale
retinex", Arabian Journal for Science and Engineering, Vol. 39, No. 2, pp.
875-889, 2014.
[17] Maenpaa T., Viertola J., Pietikainen M., "Optimizing color and texture
features for real time visual inspection", Pattern Analysis and
Applications, Vol. 6, No. 3, pp. 169-175, 2003.
[18] Ahonen T., Hadid A., Pietikainen M., "Face description with local binary
patterns: application to face recogntion", IEEE Transaction on Pattern
Analysis and Machine Intelligence, Vol. 28, No. 12, pp. 2037-2041, 2006.
[19] Takala V., Pietikainen M., "Multi bbject tracking using color, texture and
motion", In Proc. of IEEE Conference On Computer Vision and Pattern
Recognition, Minnesota, USA, pp. 1-7, June 2007.
[20] Xie X., "A review of recent advances in surface defect detection using
texture analysis techniques", Electronic Letters on Computer Vision and
Image Analysis, Vol. 7, No. 3, pp. 1-22, 2008.
[21] Tajeripour F., Rezaei M., Saberi M., Fekriershad, SH., "Texture
classification approach based on combination of random threshold vector
technique and co-occurrence matrixes", In Proc. of IEEE International
Conference on Computer Science and Network Technology(ICCSNT),
Harbin, China, Vol. 4, pp. 2303-2306, 2011.
[22] Kim C., Koivo A., "Hierarchical classification of surface defects on dusty
wood boards", Pattern Recognition Letters, Vol. 15, No. 7, pp. 713–721,
1994.
[23] Xie J., Zhang L., You J., Shiu S., "Effective texture classification by
texton encoding induced statistical features", Pattern Recognition, Vol.
48, No. 2, pp. 447-457, 2015
[24] Malik F., Baharudin B., "Analysis of distance metrics in content-based
image retrieval using statistical quantized histogram texture features in the
DCT domain", Journal of King Saud University - Computer and
Information Sciences, Vol. 25, No. 2, pp. 207-218, 2013.
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
53
[25] Conners R., McMillan C., Lin K., Vasquez-Espinosa R., "Identifying and
locating surface defects in wood: part of an automated timber processing
system", IEEE Transactions on Pattern Analysis and Machine
Intelligence, Vol. 5, pp. 573–583, 1983.
[26] Latif-Amet, L., Ertuzun A., Ercil A., "An efficient method for texture
defect detection: sub band domain co-occurrence matrices", Image and
Vision Computing, Vol. 18, No. 6-7, pp. 543–553, 2000.
[27] Vujasinovic T., Pribic J., Kanjer K., Milosevic N., Tomasevic Z.,
Milovanovic Z., Nikolic-Vukosavljevic D., Radulovic M., "Gray-Level
co-occurrence matrix texture analysis of breast tumor images in prognosis
of distant metastasis risk", Microscopy and Microanalysis, Vol. 21, No. 3,
pp.646-654, 2015.
[28] Liao S., Zhu X., Lei Z., Zhang L., Li S.Z., "Learning multi-scale block
local binary patterns for face recognition", In Proc. of IAPR/IEEE
International Conference on Biometrics, Seoul, Korea, pp. 828-837,
August 2007
[29] Huang Y., Chan K., "Texture decomposition by harmonics extraction
from higher order statistics", IEEE Transactions on Image Processing,
Vol. 13, No. 1, pp. 1–14, 2004.
[30] Bu H.G., Huang X. B., Wang J., Chen X., "Detection of fabric defects by
auto-regressive spectral analysis and support vector data description",
Textile Research Journal, Vol. 80, No. 7, pp. 579-589, May 2010.
[31] Raju U. N., Eswara-Reddy B., Vijaya-Kumar V., Sujatha B., "Texture
classification based on extraction of skeleton primitives using wavelets",
Information Technology Journal, Vol. 7, pp. 883-889, 2008.
[32] Kumar V., Srikrishna A., "An improved iterative morphological
decomposition approach for image skeletonization", Journal of Graphics
Vision and Image Processing of ICGST, Vol. 8, No. 1, pp.47-54, 2008.
[33] Mak K. L., Penga P., Yiua K. F., "Fabric defect detection using
morphological filters", Image and Vision Computing, Vol. 27, pp. 1585-
1592, 2009.
[34] Norliza M. N., Than J.C.M., Rijal O. M., Kassim R. M., Yunus A., Zeki
A.A., Anzidei M., Saba L., Suri J. S., "Automatic lung segmentation using
control feedback system: morphology and texture paradigm", Journal of
Medical Systems, Vol. 39, No. 22, 2015.
[35] Qiang J., Engel J., Craine E., "Texture analysis for classification of cervix
lesions", IEEE Transactions on Medical Imaging, Vol. 19, No. 11, pp.
1144-1149, 2000.
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
54
[36] Song K., Kittler J., Petrou M., "defect detection in random colour
textures", Image and Vision Computing, Vol. 14, pp. 667–683, 1996.
[37] Dollar P., Zitnick C. L., "Fast edge detection using structured forests",
IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.
37, No. 8, pp. 1558-1570, 2015.
[38] Manza R.R., Gaikwad B.P., Manza G.R., "Use of edge detection
operations for agriculture video scene feature extraction from mango
fruits", Advances in Computational Research, Vol. 4, No. 1, pp.-50-53,
2012.
[39] Basavaraj S. A., Malvade N. N., Hanamaratti N. G., "An edge texture
features based methodology for bulk paddy variety recognition",
Agricultural Engineering International: CIGR Journal, Vol. 18, No. 1, pp.
399-410, 2016.
[40] Gilboa G., "A total variation spectral framework for scale and texture
analysis", SIAM Journal on Imaging Science, Vol. 7, No. 4, pp. 1937-
1961, 2014.
[41] Kumar A., Pang G., "Defect detection in textured materials using
optimized filters", IEEE Transactions on System, Man, and Cybernetics–
Part B: Cybernetics, Vol. 32, No. 5, pp. 553–570, 2002.
[42] Chan C., Pang G., "Fabric defect detection by fourier analysis", IEEE
Transactions on Industry Applications, Vol. 36, No. 5, pp. 1267–1276,
2000.
[43] Tsai D., Huang T., "Automated surface inspection for statistical textures",
Image and Vision Computing, Vol. 21, pp. 307–323, 2003.
[44] Helmy A.K., El-Taweel G. S., "Image segmentation scheme based on
SOM-PCNN in frequency domain", Applied Soft Computing Journal, Vol.
40, pp. 405-415, 2016.
[45] Bennamoun M., Bodnarova A., "Digital image processing techniques for
automatic textile quality Control", Systems Analysis Modeling Simulation,
Vol. 43, No. 11, pp. 1581–1614, 2003.
[46] Bodnarova A., Bennamoun M., Latham S., "Optimal gabor filters for
textile flaw detection", Pattern Recognition, Vol. 35, pp. 2973–2991,
2002.
[47] Klonus S., Tomowski D., Ehlers M., Reinartz P., Michel U., "Combined
edge segment texture analysis for the detection of damaged buildings in
crisis areas", IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, Vol. 5, No. 4, pp. 1118-1128, 2012.
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
55
[48] Choy S. K., Tong C. S., "Supervised texture classification using
characteristic generalized gaussian density", Journal of Mathematical
Imaging and Vision, Vol. 29, pp. 35-47, 2007.
[49] Hui D., Xiaogang J., Willis, P. J., "Two-level joint local laplacian texture
filtering", The Visual Computer, Vol. , pp. 1-12, 2015
[50] Hivarinen A., Hurri J., Hoyer P.O., "Natural image statistics- a
probabilistic approach to early computational vision", Springer-Verlag
London Publishing, Chapter 2, pp.25-49, 2009.
[51] Virmani J., Kumar V., Kalra N., Khandelwal N., "SVM-based
characterization of liver ultrasound images using wavelet packet texture
descriptors", Journal of Digital Imaging, Vol. 26, No. 3, pp. 530-543,
2013.
[52] Pang W., Choi K., Qin J., "Fast gabor texture feature extraction with
separable filters using GPU", Journal of Real Time Image Processing,
Vol. 12, No. 1, pp. 5-13, 2016.
[53] Simoncelli E., Farid H.,"Steerable wedge filters for local orientation
analysis", IEEE Transactions on Image Processing, Vol. 5, No. 9, pp. 1-
10, 1996.
[54] Bua H.G., Wanga J., Huanga X., "Fabric defect detection based on
multiple fractal features and support vector data description", Engineering
Applications of Artificial Intelligence, Vol. 22, No. 2, pp. 224-235, 2009.
[55] Sertel O., Kong J., Catalyurek U.V., Lozanski G., Saltz J. H., Gurcan M.
N., "Histopathological image analysis using model-based intermediate
representations and color texture: follicular lymphoma grading", Journal
of Signal Processing Systems, Vol. 55, No. 1-3, pp. 169-183, 2008.
[56] Pantic
I., Dacic
S., Brkic
P., Lavrnja
I., Jovanovic
T., Pantic
S.,
"Discriminatory ability of fractal and grey level co-occurrence matrix
methods in structural analysis of hippocampus layers", Journal of
Theoretical Biology, Vol. 370, pp. 151-156, 2015.
[57] Mao J., Jain A., "Texture classification and segmentation using Multi
resolution simultaneous autoregressive models", Pattern Recognition, Vol.
25, No. 2, pp. 173–188, 1992.
[58] Chen Y. Q., Nixon M., Thomas D. W., "Statistical geometrical features
for texture classification", Pattern Recognition, Vol. 28, No. 4, pp. 537-
552, 1995.
[59] Varma M., Zisserman A., "A statistical approach to texture classification
from single images", International Journal of Computer Vision, Vol. 62,
No. 1, pp. 61-81, 2005.
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
56
[60] Aggarwal N., Agrawal R. K., "First and second order statistics features for
classification of magnetic resonance brain images", Journal of Signal and
Information Processing, Vol. 3, pp. 146-153, 2012.
[61] Laine A., Fan J., "Texture classification by wavelet packet signature",
IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.
15, No. 11, pp. 1186-1191, 1993.
[62] Arivazhagan S., Ganesan L., "Texture classification using wavelet
transform", Pattern Recognition Letters, Vol. 24, No. 9-10, pp. 1513-
1521, 2003.
[63] Barley A., Town Ch., "Combinations of feature descriptors for texture
image classification", Journal of Data Analysis and Information
Processing, Vol. 2, pp. 67-76, 2014.
[64] Gupta L., Shivani G., Das S., "Classification of textures in SAR images
using multi-channel multi-resolution filters", In Proc. of National
Conference on Image Processing, India, pp. 198-201, March 2005.
[65] Pietikäinen M, Ojala T, Xu Z, "Rotation-invariant texture classification
using feature distributions", Pattern Recognition, Vol. 33, pp. 43–52,
2000.
[66] Ojala T., Pietikainen M., Maenpaa T., "Multi resolution gray-scale and
rotation invariant texture classification with local binary patterns", IEEE
Transactions on Pattern Analysis and Machine Intelligence, Vol. 24, No.
7, pp. 971-987, 2002.
[67] Liu L., Zhao L., Long Y., Kuang G., Fieguth P., "Extended local binary
patterns for texture classifications", Image and Vision Computing, Vol. 30,
pp. 86-99, 2012.
[68] Fekriershad Sh., "Texture classification approach based on combination of
edge & co-occurrence matrixes and local binary patterns", In Proc. of
International Conference on Image Processing, Computer Vision and
Pattern Recognition, Las-Vegas, USA, pp. 626-629, 2011.
[69] Reddy B., Rao A., Suresh A., Kumar V., "Texture classification by simple
patterns edge direction movements", International Journal of Computer
Science and Network Security, Vol. 7, No. 11, pp. 221-225, 2007.
[70] Fekriershad Sh., "Texture classification approach based on energy
variation", International Journal of Multimedia Technology, Vol. 2, No. 2,
pp. 52-55, 2012.
[71] Yuan F., Shi J., Yang Y., Fang Y., Wang R., "Sub oriented histograms of
local binary patterns for smoke detection and texture classification", KSII
Transactions on Internet and Information Systems, Vol. 10, No. 4, pp.
1807-1823, 2016.
[72] Unser M., "Texture classification and segmentation using wavelet
frames", IEEE Transactions on Image Processing, Vol. 4, No. 11, pp.
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
57
1549-1560, 1995.
[73] Haley G, Manjunath B. S., "Rotation invariant texture classification using
a complete space-frequency model", IEEE Transactions on Image
Processing, Vol. 8, No. 2, pp. 255-269, 1999.
[74] Kaplan L. M., "Extended fractal analysis for texture classification and
segmentation", IEEE Transactions on Image Processing, Vol. 8, No. 11,
pp. 1572-1585, 1999.
[75] Zhou F., Feng J. F., Shi Q. Y., "Texture features based on local fourier
transform", In Proc. of IEEE International Conference on Image
Processing, Vol. 2, pp. 610-613, October 2001.
[76] Kim K.I., Park S. H., Kim H. J., "Kernel principal component analysis for
texture classification", IEEE Signal Processing Letters, Vol. 8, No. 2, pp.
39-41, 2001.
[77] Pun C. M., Lee M. C., "Log-polar wavelet energy signatures for rotation
and scale invariant texture classification", IEEE Transaction on Pattern
Analysis and Machine Intelligence, Vol. 25, No. 5, pp. 590-603, 2003.
[78] Liu X., Wang D., "Texture classification using spectral histograms", IEEE
Transactions on Image Processing, Vol. 12, No. 6, pp. 661-670, 2003.
[79] Xu Y., Sonka M., McLennan G., Guo J., Hoffman E. A., "MDCT-Based
3D texture classification of emphysema and early smoking related lung
pathologies", IEEE Transactions on Medical Imaging, Vol. 25, No. 4, pp.
464-475, 2006.
[80] Kim S. C., Kang T. J., "Texture classification and segmentation using
wavelet packet frame and gaussian mixture model", Pattern Recognition,
Vol. 40, pp. 1207-1221, 2007.
[81] Liao S., Chung A. S., "Texture classification by using advanced local
binary patterns and spatial distribution of dominant patterns", In Proc. of
IEEE International Conference on Acoustics, Speech and Signal
Processing, Vol. 1, pp. 1221-1224, 2007.
[82] Wang Z., Yong J., "Texture analysis and classification with linear
regression model based on wavelet transform", IEEE Transaction on
Image Processing, Vol. 17, No. 8, pp. 1421-1430, 2008.
[83] Ojansivu V., Heikkila J., "Blue intensity texture classification using local
phase quantization", In Proc. of 3rd
International Conference on Image
and Signal Processing, Cherbourg-Octeville, France, pp. 236-243, July
2008.
[84] Suruliandi A., Ramar K., "Local texture patterns – a univariate texture
model for classification of images", In Proc. of 16th
International
Conference on Advanced Computing and Communications, Chennai,
India, pp. 32-39, December 2008.
[85] Liao S., Law M. W., Chung A. S., "Dominant local binary patterns for
texture classification", IEEE Transactions on Image Processing, Vol. 18,
No. 5, pp. 1107-1118, 2009.
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
58
[86] Li W., Mao K., Zhang ., Chai T., "Selection of gabor filters for improved
texture feature extraction", In Proc. of 17th
International IEEE Conference
on Image Processing, Hong Kong, pp. 361-364, September 2010.
[87] Melendez J., Puig D., Garcia M. A., "Multi-level pixel-based texture
classification through efficient prototype selection via normalized cut",
Pattern Recognition, Vol. 43, No. 12, pp. 4113-4123, 2010.
[88] Liu L., Fieguth P., Clausi D., Kuang G., "Sorted random projection for
robust rotation invariant texture classification", Pattern Recognition, Vol.
45, No. 6, pp. 2405-2418, 2012.
[89] Liu L., Fieguth P., "Texture classification from random features", IEEE
Transaction of Pattern Analysis and Machine Intelligence, Vol. 43, No. 3,
pp. 574-586, 2012.
[90] Kylberg G., Sintorn L. M., "Evaluation of noise robustness for local
binary patterns descriptors in texture classification", EURASIP Journal on
Image and Video Processing, Vol. 13, pp. 1-20, 2013.
[91] Susan S., Hanmandlu M., "A non-extensive entropy feature and its
application to texture classification", Neurocomputing, Vol. 120, pp. 214-
225, 2013.
[92] Nguyen V. D., Nguyen D. D., Nguyen T. T., Dinh V. Q., Jeon J. W.,
"Support local pattern and its application to disparity improvement and
texture classification", IEEE Transaction on Circuits and Systems for
Video Technology, Vol. 24, No. 2, pp. 263-276, 2014.
[93] Qi X., Zhao G., Shen L., Li Q., Pietikainen M., "Local orientation
adaptive descriptor for texture and material classification",
Neurocomputing, Vol. 184, pp.28-35, 2016.
[94] Hafiane A., Palaniappan K., Seetharaman G., "Joint adaptive median
binary patterns for texture classification", Pattern Recognition, Vol. 48,
pp. 2609-2620, 2015.
[95] Dong Y., Tao D., Li X., "Nonnegative multi-resolution representation-
based texture image classification", ACM Transactions on Intelligence
Systems Technology, Vol. 7, No. 1, Article 4, pp. 1-21, 2015.
[96] Al-Sahaf H., Zhang M., Johnston M., Verma B., "Image descriptor: a
genetic programming approach to multiclass texture classification", In
Proc. of IEEE Congress on Evolutionary Computing, Sendai, Japan, pp.
2460-2467, May 2015.
[97] Liu L., Lao S., Fieguth P. W., Guo Y., Wang X., Pietikainen M., "Median
robust extended local binary patterns for texture classification", IEEE
Transactions On Image Processing, Vol. 25, No. 3, pp. 1368-1381, 2016.
[98] Mehta R., Eguiazarian K. E., "Texture classification using dense micro-
block differences", IEEE Transactions on Image Processing, Vol. 25, No.
4, pp. 1604-1616, 2016.
[99] Ji Z., Nie L., "Texture image classification with noise-tolerant local binary
patterns", Computer Research and Development, Vol. 53, No. 5, pp. 1128-
1134, 2016.
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
59
[100] Haralick R. M., Shanmugan K., Dinstein I., "Textural features for image
classification", IEEE Transaction on Systems, Man and Cybernetics, Vol.
SMC-3, No. 6, pp. 610-621, 1973.
[101] Akhloufi M. A., Maldague X., Larbi W. B., "A new color-texture
approach for industrial products inspection", Journal of Multimedia, Vol.
3, No. 3, pp.44-50, 2008.
[102] Porebski A., Vandenbroucke N., Macaire L., "Haralick feature extraction
from LBP images for color texture classification", In Proc. of First IEEE
Workshop on Image Processing, Theory, Tools and Applications, Sousse,
Tunisia, pp. 1-8, November 2008.
[103] Ning J., Zhang L., Zhang D., Wu C., "Robust object tracking using joint
color-texture histogram", International Journal of Pattern Recognition
and Artificial Intelligence, Vol. 23, No. 7, pp. 1245-1263, 2009.
[104] Sengur A., "Color texture classification using wavelet transform and
neural networks ensembles", Arabian Journal for Science and
Engineering, Vol. 34, No. 2b, pp. 491-502, 2009.
[105] Pietikainen M., Maenpaa T., Viertola J. "Color texture classification with
color histograms and local binary patterns", In Proc. of 2nd
International
Workshop on Texture Analysis and Synthesis, Copenhagen, Denmark, pp.
109-112, June 2002
[106] Ohta Y., Kanade T., Sakai T., "Color information for region
segmentation", Computer Graphics and Image Processing, Vol.13, pp.
222-240, 1980.
[107] Ojala T., Pietikaeinen M., Maeenpaeae T. "Texture classification by multi
predicate local binary pattern operators", In Proc. of 15th
International
Conference on Pattern Recognition, Barcelona, Spain, Vol. 3, pp. 951-
954, January 2000.
[108] Tajeripour, F., Kabir, E., and Sheikhi, A., "Fabric defect detection using
modified local binary patterns", EURASIP Journal on Advances in Signal
Processing, Vol. 08, pp. 1-12, 2008.
[109] Ojala, T., Maenppa, T., Pietikainen, M., Viertola, J., Kyllonen, J.,
Huovinen, S. "Outex-new framework for empirical evaluation of texture
analysis algorithms", In Proc. of 16th
International Conference on Pattern
Recognition, Quebec, Canada, pp. 701–706, August 2002, Downloadable
at http://www.outex.oulu.fi/
[110] Picard R., Graczyk C., Mann S., Wachman J., Picard L., Campbell L.
"Vision texture database", Media Laboratory, Massachusetts Institute of
Technology (MIT), 2009
Downloadable at http://vismod.media.mit.edu/pub/VisTex/VisTex.tar.gz.
[111] Caputo B., Hayman E., Mallikarjuna P., "Class-specific material
categorization", In Proc. of 10th
International Conference on Computer
Vision, Beijing, China, pp. 1597-1604, October 2005.
Downloadable at: http://www.nada.kth.se/cvap/databases/kth-tips/
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
60
[112] Sharma G., Hussain S., Jurie F., "Local higher order statistics for texture
categorization and facial analysis", In Proc. of the 12th
European
conference on Computer Vision, Florence, Italy, Vol. 7, pp. 1-12, October
2012.
[113] Tan X., Triggs B., "Enhanced local texture feature set for face recognition
under Different Lighting Conditions", IEEE Transaction on Image
Processing, Vol. 19, No. 6, pp. 1635-1650, 2010
[114] Zhenhua G., Lei Z., Zhang D., "A completed modeling of local binary
patterns operator for texture classification", IEEE Transaction on Image
Processing, Vol. 19, No. 6, pp. 1657-1663, 2010.
[115] Hafiane A., Seetharaman G., Zavidovique B., "Median binary pattern for
textures classification", In Proc. of the 4th
International Conference on
Image Analysis and Recognition, Montreal, Canada , pp. 387–398, August
2007.
[116] Proctor C., He Y., Robinson V., "Texture augmented detection of
macrophyte species using decision trees", ISPRS journal of
photogrammetry and remote sensing, Vol. 80, pp. 10-20, 2013
[117] Porebski A., Vandenbroucke N., Macaire L., "Supervised texture
classification: color space or texture feature selection", Pattern Analysis
and Applications, Vol. 16, No. 1, pp. 1-18, 2013.
[118] Porebski, A., Vandenbroucke, N., Macaire, L., "A Multi color space
approach for texture classification: experiments with outex, vistex, and
barktex image databases", In Proc. of 5th
European Conference on Color
in Graphics, Imaging and Vision, Joensuu, Finland, pp. 314-319, June
2010
[119] Arvis V., Debain C., Berducat M., Benassi A., "Generalization of the co-
occurrence matrix for colour images: application to colour texture
classification", Image Analysis and Stereology, Vol. 23, No. 1, pp. 63-72,
2004.
[120] Xu Q., Yang J., Ding S., "Color texture analysis using the wavelet based
hidden markov model", Pattern Recognition Letters, Vol. 26, pp. 1710-
1719, 2005.
[121] Iakovidis D., Maroulis D., Karkanis S., "A comparative study of color
texture image features", In Proc. of 12th
International Workshop on
Systems ,Signals and Image Processing, Chalkida, Greece , pp.203-207,
September 2005.
[122] Banerji S., Verma A., Liu C. "Novel Color LBP descriptors for scene and
image texture classification", In Proc. of 15th
International Conference on
Image Processing, Computer Vision and Pattern Recognition, Las Vegas,
Nevada, pp.537-543, July 2011.
[123] Ren J., Jiang X., Yuan J., "Noise-resistant local binary patterns with an embedded error-correction mechanism", IEEE Transaction on Image Processing, Vol. 22, No. 10, pp. 4049-4060, 2013.
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
61
[124] Fehr T., Code C., Herrmann M., "Common brain regions underlying different arithmetic operations as revealed by conjunct fMRI-BOLD activation, Brain Research, Vol. 1172, pp. 93-102. 2007.
[125] Jin H., Liu Q., Lu H., Tong X., "Face detection using improved LBP
under Bayesian framework", In Proc. of the 3rd
International Conference
on Image and Graphics, Hong Kong, pp. 306–309, 2004.
[126] Ngan H. Y., Pang G. K., Yung S. P., Ngan M. K., "Wavelet based
methods on patterned fabric defect detection", Pattern Recognition, Vol.
38, No. 4, pp. 559–576, 2005.
[127] Ngan H., Pang G. K., "Novel method for patterned fabric inspection using
Bollinger bands", Optical Engineering, Vol. 45, No. 8, pp. 1-15, 2006.
[128] Fekriershad, Sh., Fakhrahmad M., and Tajeripour, F., "Impulse noise
reduction for texture images using real word spelling correction algorithm
and local binary patterns", International Arab Journal of Information
Technology, Vol. 15, No. 6, November 2018.
[129] Fekriershad, Sh., "Color texture classification approach based on
combination of primitive pattern units and statistical features",
International Journal of Multimedia and Its Applications, Vol. 3, No. 3,
pp. 1-13, 2011.
[130] Häfner, M., Liedlgruber, M., Uhl, A., Vécsei, A., Wrba, F., "Color
treatment in endoscopic image classification using multi-scale local color
vector patterns", Medical Image Analysis, Vol. 16, pp. 75-86, 2012.
[131] Xu, Y., Huang, S., Ji H., Fermuller C., "Scale-space texture description on
SIFT-like textons", Computer Vision and Image Understanding, Vol. 116,
pp. 999-1013, 2012.
[132] Sahu, O., Anand V., Kanhangad V., Pachori R. B., "Classification of
magnetic resonance brain images using bi-dimensional empirical mode
decomposition and autoregressive model", Biomedical Engineering
Letters, Vol. 5, pp. 311-320, 2015.
[133] Shrivastava N., Tyagi V., "Noise-invariant structure pattern for image
texture classification and retrieval", Multimedia Tools and Applications,
Vol. 75, pp. 10887-10906, 2016.
[134] Masoudi B., "Classification of color texture images based on modified
WLD", International Journal of Multimedia Information Retrieval, Vol. 5,
pp. 117-124, 2016.
[135] Niang, O., Thioune, A., El-Gueirea M. C., Delechelle, E., Lemoine, J.,
"Partial differential equation-based approach for empirical mode
decomposition: application on image analysis", IEEE Transaction on
Image Processing, Vol. 21, No. 9, pp. 1057-, 2012.
[136] Lowe, D. G., "Object recognition from local scale-invariant features", In
Proc. of Seventh International Conference on Computer Vision,
Washington DC, USA, 20-27 September, pp. 1150-1156, 1999
[137] Lowe, D., "Distinctive image features from scale-invariant key points",
International Journal of Computer Vision, Vol. 60, No. 2, pp.91-110,
2004
International Online Journal of Image Processing and Pattern Recognition Vol. 1, No.1, pp. 1-63, 2018
62
[138] Ke, Y., Sukthankar, R., "PCA-SIFT: a more distinctive representation for
local image descriptors". In Proc. of IEEE Computer Society Conference
on Computer Vision and Pattern Recognition, Vol. 2, pp. 506-513, 2004
[139] Mikolajczyk, K., Schmid, C., "A performance evaluation of local
descriptors", IEEE Transactions on Pattern Analysis and Machine
Intelligence, Vol. 27, No. 10, pp. 1615–1630, 2005
[140] Abdel-Hakim, A., Farag, A., "CSIFT: a SIFT descriptor with color
invariant characteristics", In Proc. of IEEE Computer Society Conference
on Computer Vision and Pattern Recognition, 17-22 June, Washington
DC, USA, pp. 1978-1983, 2006.
[141] Ancuti, C., Bekaert, P., "SIFT-CCH: increasing the SIFT distinctness by
color co-occurrence histograms", In Proc. of 5th
Internatinal Symposium
on Image and Signal Processing and Analysis, Istanbul, Turkey, pp. 130-
135, 2007.
[142] Huang, N.E., Shen Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q.,
Yen, N. C., Tung, C.C., Liu, H. H., "The empirical mode decomposition
and the hilbert spectrum for nonlinear and non-stationary time series
analysis", In Proc. of Conference R Soc Lond, Vol. 454, No. 4, pp. 903-
95, 1998.
[143] Nunes, J. C., Bouaoune, Y., Delechelle, E., Niang, O., Bunel, P.h., "Image
analysis by bidimensional empirical mode decomposition", Image and
Vision Computing, Vol. 21, No. 12, pp. 1019-26, 2003
[144] Qiao, L. H., Guo, W., Yuan, W. T., Peng, L., "Texture analysis based on
bidimensional empirical mode decomposition and quaternions", In Proc.
of International Conference on Wavelet Analysis and Pattern Recognition,
12-15 July, pp. 84-90, 2009
[145] Brodatz P., "a photographic album for artists and designers, by phil
brodatz", Dover Publications, 1966