طبقه بندی بافت با رویکرد الگوی باینری محلی توسعه یافته

طبقه بندی بافت یکی از مهم ترین مسائل مطرح در پردازش تصویر می باشد. جهت انجام عمل طبقه بندی نیاز به استخراج ویژگی از بافت می باشد. در این تحقیق تمرکز اصلی بر روی استخراج ویژگی از بافت و بالا بردن نرخ طبقه بندی بافت می باشد. همچنین در این تحقیق روش جدیدی جهت استخراج الگوهای باینری محلی مبتنی بر فیلترینگ و ارتباط بین مقیاس های مختلف پیشنهاد می گردد. در این الگوریتم از سه ویژگی مختلف استفاده می شود: ارتباط بین مقیاس های مختلف، اطلاعات اندازه و علامت. ارتباط بین مقیاس های مختلف شامل دو مرحله است. مرحله اول پیش پردازشی بر روی تصویر توسط فیلترهای پایین گذر گوسی انجام می پذیرد، در مرحله دوم هر پیکسل اطراف پیکسل مرکزی توسط پیکسل های مقیاس های مختلف توصیف می گردد. جهت بهره مندی از اطلاعت اندازه از دو معیار کنتراست، یعنی انرژی موثر محلی و ضریب پراکندگی استفاده شده است. آخرین گام استفاده از اطلاعات علامت می باشد. بدین منظور از الگوی باینری محلی چند مقیاسی استفاده می شود. هیستوگرام های ترکیبی حاصل از این ویژگی ها هم موجب می شود که این روش دقت طبقه بندی بالاتری در کلاس بندی بافت نسبت به بقیه روش های موجود داشته باشد. همچنین کم بودن تعداد بین های هیستوگرام، مقاومت در برابر چرخش و ثابت بودن تعداد نمونه ها در هر مقیاس از ویژگی های این روش می باشد.