ترجمه توصیفگر موثر بافت الگوهای محلی باینری با نمایش هرمی

توضیحات

عنوان فارسی: Plbp  : توصیفگر موثر بافت الگوهای محلی باینری با نمایش هرمی

عنوان انگلیسی:

PLBP: An effective local binary patterns texture descriptor with pyramid representation

خلاصه :

Lbp  یک توصیفگر موثر بافت می باشد که کاربردهای موفقی در طبقه بندی بافت و تشخیص چهره دارد. مدل های مختلفی از توصیف گرهای مبتنی بر lbp  ایجاد شده اند .یکی از این مدل ها dominant local binary pattern  می باشد که هدفش استخراج ساختارهای محلی مشخص در تصاویر بافتی می باشد.مدل بعدی برای نمایش توصیفگر lbp  در فضای تبدیل gabor  می باشد lgbp.نمونه سوم مدل lbp  چند رزولوشنی می باشد mlbp. نمونه های دیگر lbp پویا برای استخراج بافت های ویدیویی می باشد.

در این مقاله نسخه جدیدی از روش  lbp  در فضای هرمی ایجاد گردیده است.با قرار گیری پشت سر هم اطلاعات lbp  و هرم های مکانی ترتیبی ، plbp  تغییرات رزولوشن بافت ها را نیز در نظر خواهد داشت.توصیفگر plbp  عملکرد موثر برای نمایش بافتی خواهد داشت.  مقایسه های مفهومی برای lbp و mlbp و lgbp و plbp  انجام گرفته است .عملکرد های بدون نمونه برداری ، نمونه برداری بخشی و نمونه برداری هرم های مکانی  برای ایجاد توصیفگر بافت  plbp  مقایسه شده اند.تاثیر رده های مختلف هرمی و سطح قرار گیری هرم ها برای عملکرد دسته بندی تصاویر بر مبنای plbp   بحث گردیده است. در مقایسه با روش موجود lbp چند رزولوشنی ، plbp  عملکرد رضایتبخشی در برابر هزینه پایین تر خواهد داشت.

مقدمه :

اخیرا عملکرد موثرمدل های  BOW  نشان داده شده است.روش های دسته بندی صحنه مبتنی بر BOW  اشیا را در تصویر به صورت ساختار های آزاد هندسی مدل می نماید.بنابراین روش های مبتنی بر BOW  در برابر تغییرات روشنایی ، در هم پوشانی ، چرخش و رزولوشن قدرتمند خواهد بود .در روش های بسیاری co-occurrences ، وابستگی و اتصال  BOW  مدل گردیده است .به هر حال روش های BOW قابلیت  تمایز کمی برای دسته بندی بافت دارا می باشند .چگونگی کلاسه بندی تصاویر بافتی به صورت موثر مشکل چالشی می باشد .معمولا روش های مختلف دسته بندی بافت مبتنی بر یک فرض که تصاویر مشخص بافتی که قرار است دسته بندی گردند، نسبت به تصاویر آزمایشی در  رزولوشن و کنتراست و جهت و ظواهر بصری یکسانی  می باشند.به هر حال در حالت واقعی ، بافت ها می توانند در هر جهت و رزولوشن مکانی ایجاد گردند.بافت ها همچنین می توانند در معرض تغییرات روشنایی و شرایط تصویری قرار گیرند.تکه های بافت نزدیک به دوربین معمولا رزولوشن بالایی دارند در حالی که در حالت دورتر با رزولوشن پایینی همراه خواهند بود .در تصویر 1 این موضوع نشان داده شده است.

به منظور اینکه دسته بندی بافت موثری ایجاد گردد ، توصیف گرهای بافتی قدرتمندی مورد نیاز است.GIST  یک توصیفگر موثر بافت می باشد. که در فضای چند رزولوشنی و جهتی تبدیل گابور نمایش داده شده است.توصیفگر GIST  دامنه های زیر باندها را به صورت آبشاری قرار می دهد .مدل ترتیبی تبدیل ویولت برای نمایش بافت مورد استفاده قرار گرفته است.عملکرد موثر توصیف گرهای HWVP و GIST  برای دسته بندی تصاویر نشان داده شده است.

علیرغم استفاده نمایش های بافتی مبتنی بر چند رزولوشنی ، ojala  با استفاده از مشاهدات توزیع های آماری الگو های باینری محلی ، ویژگی های بافتی را نمایش داد.

 توصیف گرهای lbp  همسان و مستقل از چرخش از مدل های اولیه ی lbp  به منظور استخراج الگوهای باینری محلی همسان و پایدار نسبت به چرخش ایجادگردیدند.مدل های مختلفی از lbp اولیه ایجاد شد، به دلیل عملکرد فوق العاده شان lbp  و مدل های مبتنی بر  lbp  به صورت موفقی برای دسته بندی تصاویر و تشخیص چهره مورد استفاده قرار گرفت.zhang  یک الگوی محلی باینری را در فضای تبدیل gabor نشان دادند.

پیوند تبدیل گابور و توصیف گرهای lbp  قدرت تمایز توصیف گرهای lbp  را بیشتر بهبود بخشیدند.اول فیلترینگ گابور چند جهتی و چند مقیاسی بر روی تصویر اعمال می شود  وسپس الگوهای باینری محلی از تصویر فیلتر شده استخراج می گردد .در انتها هیستوگرام lbp و زیر باند های فیلتر شده با گابور به صورت زنجیره ای به صورت یک دنباله ی هیستوگرامی تنها در می آید..با استفاده از مزیت های فیلتر کردن با گابور ، الگوهای گابوری محلی باینری LGBP مستقل از چرخش و کمتر حساس به تغییرات روشنایی می باشند .

تشخیص پویای بافت مبتنی بر الگوهای محلی باینری حجمی VLBP برای دنباله ی ویدیوی ارایه گردیده است.در قیاس با نمونه های اولیه ی LBP  ،مدل VLBP هم از اطلاعات مکانی وهم از اطلاعات زمانی استفاده می نماید .این یک نسخه LBP سه بعدی که مزیت هایی در نمایش بافت های پویا  توسط به روز رسانی و گسترش نسخه دو بعدی اولیه LBP  به تصاویر ویودیویی سه بعدی انجام شده است.در مرجع 25 ، LEI  VLBP  را به  فضای تبدیل گابور گسترش داد.یک مدل مکانی و زمانی الگوهای محلی باینری برای مدل نمودن پس زمینه استفاده شده است. الگوهای محلی باینری مشخص DLBP برای مشخص نمودن الگوهای واضح در تصاویر بافتی ارایه شده است.DLBP  ازLBP همسان   توسط شمارش فرکانس وقوع همه الگوهای مستقل از چرخش تعریف شده درگروه های LBP  توسعه یافته است.DLBP در تشریح تصاویر بافتی با شکل های پیچیده و لبه های منحنی وار ، مرزهای در هر رفته و گوشه ها موثر عمل می نماید. شبیه به LBP همسان ، DLBP  با مرتب نمودن کاهشی فرکانس های وقوع ایجاد شده است.

توجه:

• برای دانلود فایل کامل ورد لطفا اقدام به خرید نمایید.
• پس از خرید بلافاصله لینک دانلود فایل برای شما ایمیل خواهد شد.