Contribution des descripteurs de texture LBP à la classification d'images de dentelles
Résumé
The images of lace textile are particularly difficult to be analyzed in digital form using classical image processing
techniques. The major reasons of this difficulty emerge from the complex nature of lace which generally has
different textures in its constituents like the background and motives, etc. In this paper, we study separately the
behavior of Image Histogram (HistI) and Local Binary Patterns (LBP) on image extracts of lace in presence of
rotation. We further evaluate two variants of LBP ; primarily the hitogramme of LBP (LBP-B) and secondly the
Applied Fourier Transform on the histogrammes of LBP (LBP-FFT). Consequently, we analyze the contribution
of data fusion on feature level and on the score level in the different experimentations. The classification rate
evaluates the discrimination degree of each descriptor via the k-ppv classifier. The experimental results indicate
that the LBP-B, LBP-FFT and HistI combined at score level generate the best performance in absence of
transformations. Whereas, LBP-FFT and HistI combined at the same level generate the best classification rate,
in the presence of rotation.
L’analyse d’image de dentelles présente un défit dans le domaine du traitement de l’image. Ceci est lié principalement à la nature complexe de la dentelle qui est généralement constituée de plusieurs parties avec des textures différentes : le fond, le motif, etc. Dans cet article, nous étudions séparément le comportement de trois descripteurs : l’histogramme d’image (HistI) et deux variantes des motifs binaires locaux (LBP) extraits des
images de dentelles en présence du facteur de rotation. Ces variantes sont présentées par l’histogramme des LBP (LBP-B) et la transformée de Fourier appliquée sur les histogrammes de LBP (LBP-FFT). Par la suite, nous analysons l’apport de la fusion des données au niveau descripteur et au niveau score dans les différentes expérimentations. Le taux de classification évalue le degré de discrimination de chaque descripteur via le classifieur des plus proches voisins (k-ppv). Les résultats expérimentaux montrent qu’en l’absence de transformation, LBP-B, LBP-FFT et HistI fusionnés au niveau score génèrent la meilleure performance. En présence de changement de rotation, LBP-FFT et HistI fusionnés dans le même niveau produisent le meilleur taux de classification.
Domaines
Informatique [cs]
Fichier principal
Contribution des descripteurs de texture LBP à la classification d’images de dentelles.pdf (802.41 Ko)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|