Texture classification using wavelet transform and dynamic feature selection

การจำแนกภาพเท็กเจอร์โดยใช้การแปลงเวฟเล็ตและการเลือกลักษณะสำคัญแบบพลวัต

Name: Surachai Didsawat

LCSH: Image analysis

LCSH: Image processing -- Digital techniques

LCSH: Pattern recognition systems

LCSH: Wavelets (Mathematics)

Abstract: Wavelet transform is a multi-scale technical analysis which is popular for image analysis and it has been applied to many aspects of it. The method is to divide the original image into multi-scales through the convolution with the mother wavelet, where the translation and scaling can acquire subimages. Then, the texture feature will be extracted from subimages, which can be used to describe the image in more detail. Previous research which has discriminated texture image through wavelet transform and which only used a small number of Brodatz textures. It had an accuracy rate of more than 90%. However, in trials of the entire 112 texture categories, it was found that the accuracy rate decreased to approximately 70%. Because of this, this research proposed the wavelet transform and dynamic feature selection, which chooses the feature for the adoption on the automatic discrimination of the texture category through the vote from each feature. There are 5 features implemented in this research, i.e. norm-1(average energy), standard deviation, average residual, entropy (log energy) and maximum probability. This research used two experimental methods on Brodatz textures. The first experiment was tried on 20 texture categories. The trial with the tree structure wavelet transform and the dynamic feature selection acquired an accuracy rate of 97.9%. The second experiment was tried on 112 texture categories. The outcome of the trial on the pyramid wavelet transform and tree structure wavelet transform had accuracy rates of 77.7% and 74% respectively. However, upon adopting the tree structure wavelet transform and dynamic feature transform the accuracy rate increased to 87%. It is apparent that the tree structure wavelet transform and dynamic feature selection can improve the classification result.

Abstract: การแปลงเวฟเล็ตเป็นเทคนิคการวิเคราะห์แบบหลายสเกลซึ่งได้รับความนิยมในการใช้ วิเคราะห์ภาพ และมีการนำไปประยุกต์ใช้ในงานหลายๆด้านซึ่งวิธีนี้จะใช้การแบ่งภาพต้นฉบับออก เป็นหลายสเกลโดยการสังวัฒนาการ กับ เวฟเล็ตแม่ ที่มีการเลื่อนขนาน และ การปรับสเกล ทำให้ได้ ภาพย่อย จากนั้นจะทำการแยกลักษณะสำคัญออกจากภาพย่อยซึ่งจะนำไปใช้ในการอธิบายราย ละเอียดของภาพนั้นๆ จากการศึกษางานวิจัยที่ผ่านมาซึ่งทำการจำแนกภาพเท็กเจอร์โดยใช้การแปลงเวฟเล็ตซึ่ง ส่วนใหญ่ทำการทดลองกับกลุ่มของภาพทดสอบจำนวนน้อยจาก Brodatz texture ซึ่งได้ค่าความถูก ต้องมากกว่า 90% แต่เมื่อทำการทดลองกับกลุ่มของภาพทดสอบทั้งหมด 112 ประเภท จะพบว่าค่า ความถูกต้องลดลงอย่างมาก เหลือประมาณ 70% จากปัญหาดังกล่าวในงานวิจัยนี้ได้เสนอวิธีการใช้ การแปลงเวฟเล็ตร่วมกับการเลือกลักษณะสำคัญแบบพลวัตซึ่งจะทำการเลือกลักษณะสำคัญโดยการ vote จากทุกลักษณะซึ่งลักษณะสำคัญที่ใช้ในงานวิจัยนี้มี 5 ลักษณะ คือ norm-1(average energy), standard deviation, average residual, entropy(log energy) และ maximum probability ในงานวิจัยนี้ใช้ภาพเท็กเจอร์จาก Brodatz texturesโดยแบ่งการทดลองเป็น 2 ส่วน คือ ส่วน ที่ 1 ทดลองกับกลุ่มของภาพเท็กเจอร์จำนวน 20 ประเภท ซึ่งผลการทดลองกับวิธีการแปลงเวฟเล็ต แบบโครงสร้างต้นไม้ร่วมกับการเลือกลักษณะสำคัญแบบพลวัต ได้ค่าความถูกต้องเป็น 97.9% ส่วน ที่ 2 ทดลองกับกลุ่มของภาพเท็กเจอร์จำนวน 112 ประเภท ซึ่งผลการทดลองกับวิธีการแปลงเวฟเล็ต แบบพีระมิดและการแปลงเวฟเล็ตแบบโครงสร้างต้นไม้ ได้ค่าความถูกต้องเป็น 77.7%, 74% ตาม ลำดับ แต่เมื่อใช้วิธีการแปลงเวฟเล็ตแบบโครงสร้างต้นไม้ร่วมกับการเลือกลักษณะสำคัญแบบพลวัต ได้ค่าความถูกต้องเพิ่มขึ้นเป็น 87% จะเห็นได้ว่าวิธีที่ใช้การแปลงเวฟเล็ตแบบโครงสร้างต้นไม้ร่วม กับการเลือกลักษณะสำคัญแบบพลวัตสามารถปรับปรุงประสิทธิภาพในการจำแนกภาพเท็กเจอร์

Mahidol University

Address: NAKHON PATHOM

Email: liwww@mahidol.ac.th

Name: Sukanya Phongsuphap

Role: Thesis Advisors

Created: 2006

Modified: 2553-06-16

Issued: 2010-06-04

วิทยานิพนธ์/Thesis

application/pdf

ISBN: 9740474667

CallNumber: TH S961t 2006

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Computer Science

Grantor: Mahidol University

©copyrights Mahidol University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	4437186.pdf	13.71 MB	104	2018-05-16 14:22:14

ใช้เวลา

0.433565 วินาที