Особенности гистограммы локального бинарного паттерна?

Я пытаюсь определить корреляцию между некоторыми образцами текстур на основе их гистограмм LBP. В большей части литературы, которую мне удалось найти по этому вопросу, обсуждается измерение расстояний между парами гистограмм (например, евклидово расстояние), по существу рассматривающее каждое из N значений гистограммы как отдельный признак и пытающееся сгруппировать в N-мерном пространстве.

Я бы предпочел не рассматривать каждое значение как отдельную функцию, так как я хотел бы объединить свои данные с другими функциями текстуры перед моим анализом. Мне интересно, есть ли несравнительный признак, который я мог бы вместо этого извлечь из гистограмм.


machine-learning classification image-processing feature-extraction lbph-algorithm
person Will    schedule 09.10.2019    source источник
comment
Попробуйте корреляцию Пирсона/векторное расстояние.   -  person Prune    schedule 09.10.2019
comment
Это именно то, что вы должны сделать: рассматривать каждый бин как независимую функцию. Вы можете без проблем добавить другие функции в этот набор. В зависимости от используемого классификатора перед классификацией может потребоваться нормализовать каждую функцию отдельно.   -  person Cris Luengo    schedule 19.10.2019

Ответы (1)


arrow_upward
0
arrow_downward

Сравнение гистограмм LBP с использованием меры различия действительно является широко используемым подходом к классификации изображений на основе LBP (см. этот обзор по теме).

В качестве альтернативы вы можете извлечь признаки из самих гистограмм LBP, как описано в этой статье о скрининге заболеваний сетчатки. посредством анализа изображений глазного дна на основе LBP:

Из этих гистограмм извлекается различная статистическая информация, чтобы использовать ее в качестве признаков на этапе классификации. Конкретно, рассчитанными статистическими значениями являются: среднее значение, стандартное отклонение, медиана, энтропия, асимметрия и эксцесс. Подводя итог, шесть статистических значений рассчитываются из каждой гистограммы LBP и VAR, что дает место 12 функциям для каждого используемого радиуса. Следовательно, общее количество признаков равно 144 (12 признаков × 4 радиуса × 3 компонента).

person Tonechas    schedule 19.10.2019
comment
Интересная находка. Хотя я не уверен, что это сработает очень хорошо. Ось X гистограммы LBP не является непрерывной переменной, каждый бин является независимой категорией. Их расположение условное, и ничего больше. Так что вычислительные моменты кажутся... странными. Я не говорю, что это не сработает, просто я не уверен. Я бы хотел, чтобы больше людей успешно использовали этот метод. - person Cris Luengo; 19.10.2019