en
Назад
DOI: 10.17586/1023-5086-2020-87-12-50-56
УДК: 004.93'12
Классификация изображений при помощи локальных бинарных паттернов
Полный текст «Оптического журнала»
Полный текст на elibrary.ru
Публикация в Journal of Optical Technology
Пронин С.В. Классификация изображений при помощи локальных бинарных паттернов // Оптический журнал. 2020. Т. 87. № 12. С. 50 –56. http://doi.org/10.17586/1023-5086-2020-87-12-50-56
S. V. Pronin, "Image classification using local binary patterns,"Journal of Optical Technology. 87(12), 738-741 (2020). https://doi.org/10.1364/JOT.87.000738
Описан алгоритм для классификации изображений, основанный на использовании алфавита локальных бинарных паттернов. Работоспособность алгоритма продемонстрирована на тестовом наборе изображений рукописных цифр (MNIST). Приведено сравнение характеристик алгоритма с аналогичными результатами для свёрточных искусственных нейронных сетей.
локальные бинарные паттерны, классификация изображений, MNIST
Коды OCIS: 100.3008, 100.5010
Список источников:1. Julesz B. Textons, the elements of texture perception, and their interactions // Nature. 1981. V. 290. P. 91–97.
2. Марр Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов. М.: Радио и связь, 1987. 400 с.
3. Bergeaud F., Mallat S. Matching pursuit of images // Proceedings IEEE Int. Conf. Image Processing. Washington DC. 1995. October. V. 1. P. 53–56.
4. Cheng-en Guo, Song-Chun Zhu, Ying Nian Wu. Towards a mathematical theory of primal sketch and sketchability // 9th IEEE International Conference on Computer Vision. Nice, France. 2003. Oct. 14–17. V. 2. P. 1228–1235.
5. Ojala T., Pietikainen M., Maeenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002. V. 24. P. 971–987.
6. Brahnam S., Jain L.C., Nanni L., Lumini A. Local binary patterns: new variants and applications. Berlin: Springer, 2014. 271 p.
7. Jin H., Liu Q., Lu H., Tong X. Face detection using improved LBP under bayesian framework // Proceedings of the 3rd International Conference on Image and Graphics. Hong Kong. 2004. P. 306–309.
8. Nurul I., Tjokorda A.B.W., Kurniawan N.R. Handwriting digit recognition using local binary pattern variance and k-nearest neighbor classification // Fourth International Conference on Information and Communication Technologies. Bandung. 2016. P. 1–5.
9. Kruchinin D., Dolotov E., Kornyakov K., Kustikova V., Druzhkov P. Comparison of deep learning libraries on the problem of handwritten digit classification // 4th Conference on Analysis of Images, Social Networks, and Texts. Yekaterinburg. 2015. P. 339–411.
10. Maestre U.G. Effective techniques of the use of data augmentation in classification tasks. Alicante: Universitat d’Alacant, 2018. 76 p. 11. Stan Z.Li. Markov random field modeling in computer vision. London: Springer, 2009. 362 p.