跳到主要內容

臺灣博碩士論文加值系統

(3.236.124.56) 您好!臺灣時間:2021/07/30 06:51
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:陳孟佐
研究生(外文):Chen, Mengtso
論文名稱:以多元局部特徵為基礎的紋理影像檢索及分類之研究
論文名稱(外文):The Multi-LBP Feature For Texture Image Retrieval And Classification
指導教授:郭忠民郭忠民引用關係
指導教授(外文):Kuo, Chungming
口試委員:謝朝和丁慧枝郭忠民
口試委員(外文):Hsieh, ChaurhehDing, HueischjyKuo, Chungming
口試日期:2012-07-05
學位類別:碩士
校院名稱:義守大學
系所名稱:資訊工程學系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:100
中文關鍵詞:紋理影像分類檢索超音波影像
外文關鍵詞:Texture ImageClassificationRetrievalUltrasound Image
相關次數:
  • 被引用被引用:2
  • 點閱點閱:1044
  • 評分評分:
  • 下載下載:35
  • 收藏至我的研究室書目清單書目收藏:0
近年來,在多媒體資料庫影像內容檢索(content-based image retrieval,CBIR)與分類技術以被廣泛應用,在本論文中,我們首先擷取紋理影像特徵,然後分析來源影像和資料庫中影像之間的特徵差異,進而檢索與分類。
本論文針對FLBP(fuzzy local binary patterns)與LBP(local binary patterns)演算法缺點進行改良,FLBP廣泛應用在紋理分析的演算法,它是定義糢糊區域的特點並利用統計的方法來擷取紋理特徵,但FLBP演算法在運算複雜度會較高。而另一方面,LBP演算法在定義鄰域的像素是較為簡單的方法。
為了降低運算複雜度,因此我們利用二維遮罩來計算十字與角落的紋理資訊並統計其紋理共生矩陣,我們提出了SSNFLDP(single side non-fuzzy local distribution patterns)與DSFLDP(double side fuzzy local distribution patterns)演算法利用不同的遮罩擷取紋理特徵。
此外在紋理影像分類,我們基於統計的主要分佈(dominant component)將紋理影像分類。在實驗證明,此方法在紋理影像的檢索與分類結果是有效的,此外,在醫學影像分析檢索也有不錯的成果。

Recently, the techniques of content-based image retrieval (CBIR) and classification have been widely used in multi-media databases. In this thesis, we first extract image features, and then analyze the feature difference between source image and images in database for retrieval and classification.
This thesis adopts and improves fuzzy local binary patterns (FLBP) and local binary patterns (LBP) algorithm. The FLBP algorithm is a wildly used texture analysis algorithm; it defines the characters of the fuzzy region and uses statistics method to extract texture features. However, the FLBP algorithm consumes high computational cost. On the other hand, the LBP algorithm is a simple method, which labels each pixel in the neighborhood.
To reduce the complexity, we use a two-dimensional mask to calculate the cross and corner texture features and co-occurrence matrix. And we propose SSNFLDP and DSFLDP algorithms that use various patterns to extract texture features. In addition, a dominant component based on statistics is introduced to classify the textures.
Experimental results indicate that the proposed method achieves satisfactory performance for texture image retrieval and classification. In addition, the proposed method produces successful retrieval in medical image analysis.
摘要I
Abstract III
誌謝IV
圖目錄VIII
表目錄XI
第一章 緒論1
1.1 研究動機與背景1
1.2 論文架構6
第二章 紋理描述方法7
2.1 共生矩陣(co-occurrence matrix)8
2.2 MPEG-7 紋理描述方法11
2.2.1 均勻紋理描述值11
2.2.2 紋理瀏覽描述子13
2.2.3 邊界直方圖描述14
2.3 LBP(local binary patterns)17
2.4 FLBP(fuzzy local binary patterns)19
第三章 研究方法21
3.1 FLDP演算23
3.2 SSNFLDP與DSFLDP演算25
3.2.1 SSNFLDP與DSFLDP十字、角落資訊擷取26
3.2.2 SSNFLDP演算法30
3.2.3 DSFLDP演算法32
3.2.4 SSNFLDP與DSFLDP評估35
3.2.5 共生化紋理矩陣36
3.3 紋理特徵矩陣合併41
3.4 主要分佈(Dominant Component)43
3.5 特徵相似性比對之方法49
3.5.1 二元比對49
3.5.2 特徵差異51
第四章 檢索與分類實驗結果52
4.1 紋理影像檢索類別53
4.2 合成紋理影像檢索類別55
4.3 紋理影像分類類別57
4.4 醫學影像分類類別58
4.5 檢索效能之評估方法59
4.5.1 ARR (average retrieval rate)59
4.5.2 ANMRR (average normalized modified retrieval rank)59
4.6 實驗結果61
4.6.1 紋理影像檢索結果63
4.6.2 合成紋理影像檢索結果71
4.6.3 紋理影像分類結果76
4.6.4 醫學影像比對結果78
第五章 結論與未來發展83
參考文獻84
圖目錄
圖1 紋理分佈性質1
圖2 醫學影像種類3
圖3 肝臟超音波影像8
圖4 共生矩陣角度方向圖9
圖5 影像特徵萃取之頻譜11
圖6 紋理描述瀏覽描述子之頻譜13
圖7 五種邊界形態14
圖8 五組空間遮罩濾波器15
圖9 LBP運算示意圖17
圖10 糢糊區域示意圖19
圖11 FLBP運算示意圖20
圖12 紋理影像檢索流程圖22
圖13 FLDP演算法運算示意圖23
圖14 SSNFLDP與DSFLDP流程圖25
圖15 尺寸3×3的運算維度空間27
圖16 尺寸5×5的運算維度空間28
圖17 尺寸7×7的運算維度空間29
圖18 SSNFLDP與DSFLDP十字與角落資訊擷取示意圖30
圖19 SSNFLDP的運算示意圖31
圖20 DSFLDP的運算示意圖33
圖21 SSNFLDP共生化矩陣示意圖37
圖22 SSNFLDP共生化矩陣示意圖39
圖23 特徵矩陣合併示意圖41
圖24 本論文分類流程圖43
圖25 特徵分佈矩陣示意圖45
圖26 程式介面主要分佈示意圖48
圖27 程式使用者介面52
圖28 紋理影像類別的種類54
圖29 合成影像類別的種類56
圖30 紋理影像分別的種類58
圖31 均勻紋理描述子檢索結果(磚塊類)63
圖32 SSNFLDP檢索結果(磚塊類)64
圖33 DSFLDP檢索結果(磚塊類)64
圖34 均勻紋理描述子檢索結果(流水類)65
圖35 SSNFLDP檢索結果(流水類)65
圖36 DSFLDP檢索結果(流水類)66
圖37 三種方法ARR值比較(大類別)68
圖38 三種方法ANMRR值比較(大類別)69
圖39 三種方法ARR值比較(小類別)70
圖40 三種方法ANMRR值比較(小類別)70
圖41 均勻紋理描述子合成影像檢索結果(合成10)72
圖42 SSNFLDP合成影像檢索結果(合成10)72
圖43 DSFLDP合成影像檢索結果(合成10)73
圖44 均勻紋理描述子合成影像檢索結果(合成1)73
圖45 SSNFLDP合成影像檢索結果(合成1)74
圖46 DSFLDP合成影像檢索結果(合成1)74
圖47 三種方法ARR值比較(合成)75
圖48 三種方法ANMRR值比較(合成)75
圖49 醫學影像比對流程圖78
表目錄
表1 紋理影像資料庫檢索結果-大類別68
表2 紋理影像資料庫檢索結果-小類別69
表3 紋理影像資料庫檢索結果71
表4 SSNFLDP 分類結果(大類別)76
表5 DSFLDP 分類結果(大類別)77
表6 DSFLDP 分類結果(小類別)77
表7 DSFLDP 分類結果(小類別)77
表8 醫學分析統計示意表79
表9 Sameple1分析結果- Sample1 (纖維肝F1)80
表10 Sameple2分析結果- Sample2 (纖維肝F2)80
表11 Sameple3分析結果- Sample3 (纖維肝F3)80
表12 Sameple4分析結果- Sample4 (正常肝)81
表13 Sameple5分析結果- Sample5 (正常肝)81
表14 SSNFLDP評估表82
表15 DSFLDP評估表82
[1]C. H. Lin et al, “Ultrasound motion estimation using a hierarchical feature weighting algorithm,” Computerized Medical Imaging and Graphics31,pp.178-190, 2007.
[2]C. M. Wu, Y. C. Chen and K. S. Hsieh, “Texture features for classification of ultrasonic liver images,” IEEE Tans. Med. Imaging, Vol. 11,NO. 2,pp. 141-152, 1992.
[3]C. S. Won, D. K. Park and S. J. Park,“Efficient Use of Local Edge Histogram Descriptor, ”ETRI Journal , Vol. 24, No. 1, pp. 23-30, 2002.
[4]C. Y. Jo, “Face Detection using LBP feature,” CS 229 Final Project Report, December 2008.
[5]Chandan Kundu, “Enhancement of Textural Features in Normal & Diseased Ultra Sonogram of Liver by Gaussian Smoothing,” 2010 2nd International Conference on Computer Engineering and Technology, Vol.6, pp. 409-413, 2010.
[6]D. Geman, “Random fieldsand inverse problems in imaging,” Lecture Notes in Mathematics, Vol. 1427, pp. 113-193, 1990.
[7]D. K. Iakovidis, E. G. Keramidas and D. Maroulis, “Fuzzy Local Binary Patterns for Ultrasound Texture Characterization,” ICIAR Vol. 5112, pp.750-759, 2008.
[8]F. S. Cohen and D. B. Cooper, “Simple parallel hierarchical and relaxation algo-rithms for segmenting noncausal Markovian random fields,” IEEE Trans, Pattern Anal, Machine Intell, PAMI-9, pp. 195-219, 1987.
[9]G. R. Cross and A. K. Jain, “Markov random field texture models,” IEEE Trans, Pattern Anal, Machine Intell, PAMI-5, pp. 25-40, 1983.
[10]G. W. Jiji, L. Ganesan and S. S. Ganesh, “Unsupervised Texture Classification,” Journal of Theoretical and Applied Information Technology, pp. 373-381, 2005-2009.
[11]H. Derin and H. Elliott, “Modelling and segmentation of noisy and textured image using Gibbs random fields,” IEEE Trans, Pattern Anal, Machine Intell, PAMI-9, pp. 39-55, 1987.
[12]H. Tamura, S. Mori and T. Yamawaki, “Textural features corresponding to visual perception,” IEEE Trans. Systems, man, and cybernetics, Vol. 8, pp. 460-473, June 1978.
[13]H. Toyoda, T. Kumada, N. Kamiyama et al, “B-mode ultrasound with algorithm based on statistical analysis of signals: evaluation of liver fibrosis in patients with chronic hepatitis C ,” AJR Am J Roentgenol, Vol. 193, No. 4, pp. 1037-1043, Oct 2009.
[14]J. Besag, “Spatial interaction and the statistical analysis of lattice systems,” Journal of the Royal Statistical Society. Series B (Methodological), Vol. 36, No. 2 , pp.192-236, 1974.
[15]L. Zhang, R. Chu, S. Xiang and S. Z. Li, “Face Detection Based on Multi-Block LBP Representation,” In Proceedings of IAPR/IEEE International Conference on Biometrics, August 2007.
[16]MPEG-7 Context, Objective and Technical Roadmap, ISO/ IECJTC1/ SC29/ WG11/ Document #N2861,Vancouver, Canada, 1999.
[17]R. M. Haralick, “Statistical and structural approaches to texture,” Proc. IEEE, Vol. 67, No. 5, pp. 786-804, 1979.
[18]S. Geman and D. Geman, “Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of image,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 6, No. 6, pp. 721-741, 1984.
[19]S. Liao, Max W. K. Law and Albert C. S. Chung, “Dominant Local Binary Patterns for Texture Classification,” IEEE Transactions on Image Processing , Vol. 18, NO. 5, May 2009.
[20]T. Ojala and M. Pietikainen, “Unsupervised Texture Segmentation Using Feature Distributions,” Pattern Recognition, pp.477-486, 1999.
[21]T. W. Yue, H. L. Chang and C. C. Kuo, “AdaBoost with Entropy-Directed Feature Selection on NBBP for Face Detection,” International Conference on Machine Vision, pp. 15-20, 2010.
[22]Z. Xu and Xiaoming Liu, “Bilinear Interpolation Dynamic Histogram Equalization for Fog-degraded Image Enhancement,” Journal of Information & Computational Science 7: 8, pp. 1727-1732, 2010.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top