An optimization method for two-dimensional LBP feature vectors

Abstract

Yerel ikili örüntüler (YİÖ) bir çok bilğişayarlı ğörü uyğulamasinda en ayırt edici ve hesaplama açısından etkin tanımlayıcılarından biri olarak nitelendirilir.Alayazınnda bulunan çok şayıda YİÖ versiyonunun (biçimlerinin) yanı sıra doku örüntülerini daha iyi bir ğösterim sağlaması için 2-boyutlu (2B) histoğram yaklaşımları mevcuttur. Bü yaklaşımda final öznitelik vektörü ya 2B dağılımının marjinal histogramlarını birleştirerek ya da 2B dağılımını düzleştirerek tek bir vektör olarak elde edilir. Birinci durumda elde edilen öznitelik vektörü daha iyi performans göstermektedir.Bu tezde birleşik YİÖ dağılımından elde edilen marjinal histogramlarını optimize ederek (eniyiliştirerek) daha iyi sınıflandırma sağlayan öznitelikler elde edilmesi için bir eniyileme yöntemi geliştirilmiştır. Öznitelik vektörünün daha etkili bir göşteri bulmak amacıyla, çeşitli sınırlamalar optimize ederek (eniyiliştirerek) birleşik YİÖ dağılımının en az artıklık içeren marjinal histogramları araştırılmıştır.Böylelikle, birleşık dağılımı düzleştirerek tek bir vektöre indirgeyen yöntemlerin aksine doğruluk performansını düşürmeyerek daha kompakt bir öznitelik vektörünün elde edilmesi hedeflenmiştır.Beş farklı doku verr setinde yapılan deneylerde önerilen yöntemin aynı boyutta olan öznitelik yaklaşımından daha yüksek tanıma perförmansı ve hatta daha küçük boyutlu öznitelik vektörüyle kıyaşlanabilir sonuçlar elde ettiğı görülmüştür.

Local binary patterns (LBP) is considered to be one of the most discriminative and computationally efficient descriptor for many computer vision applications. Among numerous variants of LBP, there are also approaches that construct 2-dimensional (2D) histograms to provide a better representation of texture patterns.Those approaches obtain final feature vector by either concatenating marginal histograms of 2D distribution; or flattening the whole distribution in a higher dimensional vector. The resulted feature vector is a more compact one in the former scenario, however, the vector in the latter can provide better accuracy.In this thesis, we propose a method to make LBP features more discriminative by optimizing projections of joint LBP distribution onto the marginal histograms.In order to find a more efficient representation of the feature vector, we seek for the least redundant marginal histograms of a joint LBP distribution via optimizing several constraints.In this way, we aim to have a more compact feature vector in contrast to the methods which flatten the joint distribution without sacrificing accuracy.Experiments we perform on five popular texture datasets show that the proposed method provides higher recognition rates with the same size feature vectors and comparable results even with lower dimensional vectors.