Akademik Veri Yönetim Sistemi
AWERProcedia Information Technology & Computer Science, Antalya, Türkiye, 26 - 28 Nisan 2013, cilt.4, ss.1102-1108, (Tam Metin Bildiri)
Görüntü temsili, görsel nesne sınıflandırmasında son derece önemli bir konudur. Görüntü temsilinin başarısı, sınıflandırma sisteminin başarısını doğrudan etkilemektedir. Bir ilgi bölgesinin görünümü, yerel özelliklerinin dağılımı ile iyi bir şekilde karakterize edilebilir. Yerel özellikler, son yıllarda nesne sınıflandırmasında yaygın olarak kullanılmaktadır. Yerel İkili Örüntü (Local Binary Pattern, LBP) ve Yerel Faz Nicemleme (Local Phase Quantization, LPQ), şekil ve doku tanımlayıcıları için iyi bilinen iki operatördür. LBP ve LPQ, sırasıyla aydınlatma değişimlerine ve bulanıklığa duyarsız bir görüntü betimlemesi sunmaktadır. LBP operatöründe, merkez pikselin komşuları merkez piksel değeri ile eşiklenmektedir. LPQ operatörü ise yerel komşuluklarda Fourier dönüşümünün faz bilgisini nicemlemektedir. Bu çalışmada, nesne sınıflandırma görevinde sınıflandırma doğruluğunu artırmak amacıyla nesnelerin temsili için iki yerel özellik olan Yerel İkili Örüntü ve Yerel Faz Nicemleme’nin kullanımı önerilmektedir. Bir görüntüdeki örtüşen bölgelerden LBP ve LPQ histogramları çıkarılmaktadır. Bu histogramlar, nesne tanımlayıcısı olarak geliştirilmiş bir özellik vektörü oluşturmak üzere birleştirilmektedir. Görsel kelime dağarcığının oluşturulmasında Kelime Torbası (Bag of Words, BoW) modeli kullanılmaktadır. Nesneler, doğrusal Destek Vektör Makineleri (SVM) sınıflandırıcı yöntemi kullanılarak sınıflandırılmaktadır. Deneylerde, LBP, LPQ ve LBP ile LPQ özelliklerinin birleşimi nesne sınıflandırma görevinde ayrı ayrı değerlendirilmiş ve elde edilen doğruluklar karşılaştırılmıştır. Caltech-4 veri tabanı üzerinde yapılan deneyler, LBP ve LPQ özelliklerinin birleştirilmesinin sınıflandırma doğruluğunu artırdığını göstermektedir.
Anahtar Kelimeler: Yerel İkili Örüntü, Yerel Faz Nicemleme, Nesne Sınıflandırma
Image representation is a very important topic in visual object classification. The success of the image representation affects the success of the classification system directly. The appearance of an interest region can be well characterized by the distribution of its local features. Local features are widely used for object classification in recent years. Local Binary Pattern (LBP) and Local Phase Quantization (LPQ) are two well-known operators for shape and texture descriptor. The LBP and LPQ give illumination- and blur-insensitive description of an image respectively. In the LBP operator, neighbors of a center pixel are tresholded by center pixel. The LPQ operator quantizes the Fourier transform phase in local neighborhoods. In this study we purpose the use of two local features, Local Binary Pattern and Local Phase Quantization, for the representation of objects to improve the classification accuracy in object classification task. LBP and LPQ histograms are extracted from the overlapping regions in an image. The histograms are concatenated into an enhanced feature vector as an object descriptor. Bag of words (BoW) model is used for constructing visual vocabulary. The objects are classified by using linear SVM classifier method. In the experiments, LBP, LPQ and the combination of LBP and LPQ features are evaluated in the object classification task separately and the accuracies are compared. The experiments on Caltech-4 database show that the combining of the LBP and LPQ features improves the classification accuracy.
Keywords: Local Binary Pattern, Local Phase Quantization, Object Classification;