An analysis of co-occurrence texture statistics as a function of grey level quantization

In this paper, the effect of grey level quantization on the ability of co-occurrence probability statistics to classify natural textures is studied. Generally, as a function of increasing grey levels, many of the statistics demonstrate a decrease in classification ability while a few maintain constant classification accuracy. None of the individual statistics show increasing classification accuracy throughout all grey levels. Correlation analysis is used to rationalize a preferred subset of statistics. The preferred statistics set (contrast, correlation, and entropy) is demonstrated to be an improvement over using single statistics or using the entire set of statistics. If the feature space dimension only allows for a single statistic, one of contrast, dissimilarity, inverse difference normalized, or inverse difference moment normalized, is recommended. Testing that compares (using all orientations separately), the average of all orientations and look direction averaging, when determining the co-occurrence features, indicates that the look direction or all orientations is preferred. The Fisher linear discriminant method is used for all classification testing. The Fisher criterion is used as a separability index to provide insight into the classification results. Testing is performed on Brodatz imagery as well as two separate SAR sea-ice data sets. Résumé. Dans cet article, on étudie l’effet de la numérisation des niveaux de gris sur la capacité des statistiques probabilistiques à effectuer une classification des textures naturelles. En général, plusieurs types de statistiques montrent une diminution de la capacité à effectuer une classification lorsque les valeurs de niveaux de gris sont plus élevées et peu de types de statistiques conservent une précision de classification constante. Aucune statistique ne présentent une augmentation de la précision des statistiques de classification parmi tous les niveaux de gris. On utilise l’analyse de la corrélation pour suggérer les meilleurs sous-ensembles de statistiques. Il appert que les meilleurs ensembles de statistiques (contraste, corrélation et entropie) constituent une amélioration par rapport aux statistiques simples ou à l’utilisation de tous les ensembles de statistiques. Si l’espace des éléments ne permet qu’un seul type de statistiques, le contraste, la dissimilarité, la différence inverse normalisée ou la différence de moment inverse normalisé sont recommandés. Lors de la détermination des éléments de cooccurrence, les tests qui comparent les diverses orientations de façon séparée, la moyenne de toutes les orientations et la moyenne des directions de visée indiquent qu’il est préférable d’utiliser la direction de visée ou toutes les orientations. La méthode des discriminants linéaires de Fisher est utilisée pour toutes les vérifications de classification. Le critère de Fisher est utilisé comme index de séparabilité pour aider à comprendre les résultats de classification. Les tests ont été effectués sur des images de Brodatz ainsi que sur deux images RSO de glaces de mer. [Traduit par la Rédaction]