Classificação de texturas com diferentes orientações baseada em descritores locais

• Ano de defesa: 2015
• Autor(a) principal: Chierici, Carlos Eduardo de Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Local Fuzzy Pattern; Análise de texturas; Classificação invariante à rotação; Descritor de texturas; Rotated textures; Texturas rotacionadas; Texture analysis; Texture descriptor
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/18/18152/tde-27102015-103555/

Diversas abordagens vêm sendo empregadas para a descrição de texturas, entre elas a teoria dos conjuntos fuzzy e lógica fuzzy. O Local Fuzzy Pattern (LFP) é um descritor de texturas diferente dos demais métodos baseados em sistemas fuzzy, por não utilizar regras linguísticas e sim números fuzzy que são usados na codificação de um padrão local de escala de cinza. Resultados anteriores indicaram o LFP como um descritor eficaz para a classificação de texturas a partir de amostras rotacionadas ou não. Este trabalho propõe uma análise mais abrangente sobre sua viabilidade para aplicação em cada um desses problemas, além de propor uma modificação a este descritor, adaptando-o para a captura de padrões em multiresolução, o Sampled LFP. A avaliação da performance do LFP e do Sampled LFP para o problema de classificação de texturas foi feita através da aplicação de uma série de testes envolvendo amostras de imagens rotacionadas ou não das bases de imagens Outex, álbum de Brodatz e VisTex, onde a sensibilidade obtida por esses descritores foi comparada com um descritor de referência, a variante do Local Binary Pattern (LBP) melhor indicada para o teste em execução. Os resultados apontaram o LFP como um descritor não indicado para aplicações que trabalhem exclusivamente com amostras não rotacionadas, visto que o LBP mostrou maior eficácia para este tipo de problema. Já para a análise de amostras rotacionadas, o Sampled LFP se mostrou o melhor descritor entre os comparados. Todavia, foi verificado que o Sampled LFP somente supera o LBP para resoluções de análise maiores ou iguais a 32x32 pixels e que o primeiro descritor é mais sensível ao número de amostras usadas em seu treinamento do que o segundo, sendo, portanto, um descritor indicado para o problema de classificação de amostras rotacionadas, onde seja possível trabalhar com imagens a partir de 32x32 pixels e que o número de amostras utilizadas para treinamento seja maximizado.