Image classification methods based on texture analysis and characterization

Ataky, Steve Tsham Mpinda (2022). Image classification methods based on texture analysis and characterization. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

Texture can be defined as changes in image intensity that form specific repetitive patterns. Such patterns can be caused by the physical properties on the surface of an object or by differences in a reflection, such as color on the surface. Although texture recognition is relatively simple for human perception, it is not likewise in automatic procedures, where this task frequently necessitates complex computational techniques. Texture analysis plays an essential role in computer vision, and its foundation is the extraction of intrinsic properties from an image, with which its texture will be characterized afterward. Such an analysis is noteworthy in several remote sensing, medicine, agriculture, image analysis, microscopy applications, etc. Understanding how humans discriminate between different textures allows developing techniques to perform this task. Considering that the perception of textures by humans does not change with rotations, translations, or changes in scale, any numerical characterization of the latter should, likewise, have the following fundamental properties: invariance to changes in contrast and monotonic transformations. Nonetheless, by and large, current state-of-the-art approaches still show performance issues, namely the lack of invariance character to geometric transformations - such as similarity transformations - and a relevant component that a texture descriptor should also fulfill, to wit, invariance to intensity changes such as monotonic intensity transformations. As a further matter, such approaches suffer the aftereffects of random fluctuations or noise, for intrinsic properties of the image are not preserved. Given the issues mentioned above and because texture forms a non-deterministic system of patterns, the information-theoretical measure of ecological diversity, a branch of biology, can aid in its characterization to the maximum extent. Accordingly, concepts of species diversity, richness, evenness, and taxonomic distinctiveness were adapted and employed to build robust texture descriptors in this thesis, which are generic, independent of macro-level variations in terms of contrast, invariant to in-plane rotations of the image, explainable and interpretable based on biology concepts, and lend themselves to fast computation. The results achieved on natural and histopathologic datasets have shown the advantages of the proposed methods, which are competitive with state-of-the-art descriptors.

Titre traduit

Méthodes de classification d’images basées sur l’analyse et la caractérisation de la texture

Résumé traduit

La texture peut être définie comme des changements dans l’intensité de l’image qui forment certains motifs répétitifs. Ces motifs peuvent être causés par les propriétés physiques à la surface d’un objet ou par des différences de réflexion, telles que la couleur à la surface. Bien que la reconnaissance de texture soit relativement simple pour la perception humaine, il n’en est pas de même dans les procédures automatiques, où cette tâche nécessite fréquemment des techniques de calcul complexes. L’analyse de texture joue un rôle important dans la vision par ordinateur, et son fondement est l’extraction des propriétés intrinsèques d’une image, avec lesquelles sa texture sera caractérisée. Une telle analyse est remarquable dans plusieurs applications telles que la télédétection, la médecine, l’agriculture, l’analyse d’images, la microscopie, etc. Comprendre comment les humains font la distinction entre différentes textures permet le développement de techniques capables d’accomplir cette tâche. Considérant que la perception des textures par l’homme ne change pas avec les rotations, les translations ou les changements d’échelle, toute caractérisation numérique de ces dernières devrait avoir les propriétés fondamentales suivantes : invariance aux changements de contraste et invariance aux transformations monotones. Néanmoins, dans l’ensemble, les approches actuelles de l’état de l’art présentent encore des problèmes de performances, d’une part pour le manque de caractère invariant aux transformations géométriques, telles que les transformations de similarité, et un composant pertinent qu’un descripteur de texture devrait également remplir, à savoir l’invariance aux changements d’intensité tels que les transformations d’intensité monotones ; d’autre part, en outre, de telles approches subissent les contrecoups de fluctuations aléatoires ou de bruit, car les propriétés intrinsèques de l’image en question ne sont pas conservées. Compte tenu des problèmes susmentionnés et parce que la texture forme un système de modèles non déterministe, la mesure théorique de l’information de la diversité écologique, une branche de la biologie, peut aider à sa caractérisation au maximum possible. Pour accomplir cette tâche, les concepts de diversité, de richesse, d’uniformité et de distinction taxonomique des espèces ont été adaptés et appliqués, et utilisés comme descripteurs de texture dans cette thèse. Les résultats obtenus sur des jeux de données naturelles et histopathologiques ont montré les avantages des méthodes proposées, qui sont compétitifs avec les descripteurs de l’état de l’art.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 129-139).
Mots-clés libres:	reconnaissance de formes, descripteur de caractéristiques, mesures de diversité écologique, indices de biodiversité et taxonomiques, analyse de texture, théorie de l’information, classification d’images
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Lameiras Koerich, Alessandro
Programme:	Doctorat en génie > Génie
Date de dépôt:	16 déc. 2022 18:35
Dernière modification:	16 déc. 2022 18:35
URI:	https://espace.etsmtl.ca/id/eprint/3125

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt