Color texture classification has re

Color texture classification has recently attracted significant attention due to its multiple applications. The color texture images depend on the texture surface and its albedo, the illumination, the camera and its viewing position. A key problem to get an acceptable performance is the ambient illumination, which can vary the perceived structures in the surface. Given a color texture classification problem, it would be desirable to know which is the best approach to solve the problem making the minimal assumptions about the illumination conditions. The present work does an exhaustive evaluation of the state-of-the-art color texture classification methods, considering 5 different color spaces, 12 normalization methods to achieve illumination invariances, 19 texture feature vectors and 23 pure color feature vectors. Our experiments allow to conclude that parallel approaches are better than integrative approaches for color texture classification achieving the first positions in the Friedman ranking. Multiresolution Local Binary Patterns (MLBP) are the best intensity texture features, followed by wavelet and Gabor filters combined with luminance–chrominance color spaces (Lab and Lab2000HL), and for pure color classification the best are First Order Statistics (FOS) calculated in RGB color space. For intensity texture features, the learning methods work better on the four smallest datasets, although they could not be tested in other four bigger datasets due to its huge computational cost, nor with color texture classification. Normalization and color spaces slightly increase the average accuracy of color texture classification, although the differences achieved using normalization are not statistically significant in a paired T-Test. Lab2000HL and RGB are the best color spaces, but the former is the slowest one. Regarding elapsed time, the best vector features MLBP for intensity texture, Daub4 (Daubechies filters using mean and variance statistics) for color texture and FOS, for pure color are nearly the fastest or are in the middle interval of all the tested methods.

ผลลัพธ์ (ไทย) 1:

การจำแนกเนื้อสีเมื่อเร็ว ๆ นี้ได้ดึงดูดความสนใจอย่างมากเนื่องจากการใช้งานหลาย ภาพพื้นผิวของสีขึ้นกับของพื้นผิว และของแก่น ไฟ กล้อง และตำแหน่งดู ปัญหาสำคัญประการหนึ่งที่จะได้รับการยอมรับประสิทธิภาพการทำงานเป็นไฟส่องสว่างล้อมรอบ ซึ่งสามารถมองเห็นโครงสร้างของผิวที่แตกต่างกัน ให้สีเนื้อจัดประเภทปัญหา มันจะต้องรู้ซึ่งเป็นวิธีที่ดีที่สุดเพื่อแก้ปัญหาที่ทำให้สมมติฐานเกี่ยวกับเงื่อนไขความสว่างน้อยที่สุด การทำงานปัจจุบันไม่ประเมินผลครบถ้วนสมบูรณ์ของศิลปะสีเนื้อจัดประเภทวิธีการ พิจารณา 5 ส่วนสีอื่น วิธีการฟื้นฟู 12 เพื่อให้ไฟ invariances, 19 เนื้อคุณลักษณะเวกเตอร์ และเวกเตอร์คุณลักษณะสีบริสุทธิ์ 23 การทดลองของเราอนุญาตให้สรุปว่า วิธีขนานจะดีกว่าแนวทางบูรณาการการจัดเนื้อสีบรรลุตำแหน่งแรกในฟรีดแมนจัดอันดับ Multiresolution ท้องถิ่นไบนารีรูปแบบ (MLBP) มีบริการที่ดีที่สุดความเข้มเนื้อ ตาม ด้วยเดียว และ Gabor ฟิลเตอร์พร้อมสว่าง – chrominance สีช่องว่าง (ห้องปฏิบัติการและ Lab2000HL), และการจัดสีที่บริสุทธิ์ที่สุดที่แรกสั่งสถิติ (FOS) คำนวณใน RGB สี คุณลักษณะเนื้อเข้ม วิธีการเรียนรู้การทำงานดีขึ้นใน datasets เล็กสี่ แม้ว่าพวกเขาไม่สามารถทดสอบในชุดข้อมูลขนาดใหญ่อื่น ๆ สี่เนื่อง จากต้นทุนคำนวณขนาดใหญ่ ไม่ มีการจำแนกสีเนื้อ พื้นที่ฟื้นฟูและสีเล็กน้อยเพิ่มความแม่นยำโดยเฉลี่ยของการจำแนกสีเนื้อ แม้ว่าความแตกต่างที่ใช้ฟื้นฟูไม่มีนัยสำคัญทางสถิติใน Lab2000HL T-ทำการจับคู่ และ RGB มีช่องว่างสีที่ดีที่สุด แต่อดีตคือช้าที่สุด เกี่ยวกับเวลาที่ผ่านไป สุดเวกเตอร์คุณสมบัติ MLBP สำหรับเนื้อเข้ม Daub4 (Daubechies ตัวกรองโดยใช้สถิติค่าเฉลี่ยและความแปรปรวน) สำหรับสี พื้นผิวและ FOS สีบริสุทธิ์เกือบเร็วที่สุด หรือในช่วงกลางของวิธีการทดสอบทั้งหมด

ผลลัพธ์ (ไทย) 2:

การจำแนกประเภทเนื้อสีเมื่อเร็ว ๆ นี้ได้ดึงดูดความสนใจอย่างมีนัยสำคัญเนื่องจากการใช้งานหลาย ๆ ภาพพื้นผิวสีขึ้นอยู่กับพื้นผิวพื้นผิวและอัลเบโด้ของไฟส่องสว่างกล้องและตำแหน่งการดู ปัญหาที่สำคัญที่จะได้รับการยอมรับเป็นไฟส่องสว่างโดยรอบซึ่งสามารถแตกต่างกันโครงสร้างที่รับรู้ในพื้นผิว รับปัญหาเนื้อสีจำแนกมันจะเป็นที่พึงปรารถนาที่จะทราบว่าเป็นวิธีที่ดีที่สุดในการแก้ปัญหาการทำสมมติฐานน้อยที่สุดเกี่ยวกับเงื่อนไขการส่องสว่าง การทำงานในปัจจุบันจะมีการประเมินครบถ้วนสมบูรณ์ของรัฐของศิลปะวิธีพื้นผิวสีจำแนกพิจารณา 5 พื้นที่ที่แตกต่างกันสี 12 วิธีการฟื้นฟูเพื่อให้บรรลุ invariances ส่องสว่าง 19 เนื้อเวกเตอร์บาร์และ 23 บริสุทธิ์เวกเตอร์คุณลักษณะสี การทดลองของเราช่วยให้การสรุปได้ว่าวิธีการแบบคู่ขนานจะดีกว่าวิธีการแบบบูรณาการสำหรับการจำแนกประเภทเนื้อสีบรรลุตำแหน่งครั้งแรกในการจัดอันดับของฟรีดแมน multiresolution ไบนารีท้องถิ่นรูปแบบ (MLBP) เป็นคุณสมบัติที่ดีที่สุดเนื้อเข้มตามด้วยเวฟและ Gabor กรองรวมกับพื้นที่สีสว่าง-chrominance (แล็บและ Lab2000HL) และสำหรับการจัดหมวดหมู่สีที่บริสุทธิ์ที่ดีที่สุดเป็นสถิติสั่งซื้อครั้งแรก (FOS) การคำนวณใน RGB พื้นที่สี สำหรับคุณสมบัติพื้นผิวเข้มวิธีการเรียนรู้ทำงานที่ดีขึ้นในสี่ชุดข้อมูลที่เล็กที่สุดแม้ว่าพวกเขาจะไม่สามารถผ่านการทดสอบในอีกสี่ชุดข้อมูลขนาดใหญ่เนื่องจากค่าใช้จ่ายในการคำนวณขนาดใหญ่หรือด้วยการจำแนกประเภทเนื้อสี การฟื้นฟูและสีช่องว่างเล็กน้อยเพิ่มความแม่นยำเฉลี่ยของการจำแนกประเภทเนื้อสีแม้จะแตกต่างทำได้โดยใช้บรรทัดฐานไม่ได้อย่างมีนัยสำคัญทางสถิติที่จับคู่ t-test Lab2000HL และ RGB ที่ดีที่สุดพื้นที่สี แต่อดีตเป็นคนที่ช้าที่สุด เกี่ยวกับเวลาที่ผ่านไป, เวกเตอร์ที่ดีที่สุดมี MLBP เนื้อเข้ม Daub4 (ฟิลเตอร์ Daubechies โดยใช้ค่าเฉลี่ยและความแปรปรวนสถิติ) เนื้อสีและ FOS สำหรับสีที่บริสุทธิ์เกือบเร็วที่สุดหรืออยู่ในช่วงกลางของทุกวิธีการทดสอบ