FRUTUOSO, Rômulo Lopes. Classificação de texturas utilizando métodos de busca com informação. 2016. 108 f. Dissertação (Mestrado em Ciência da Computação)-Universidade Federal do Ceará, Fortaleza, 2016. / Submitted by Anderson Silva Pereira (anderson.pereiraaa@gmail.com) on 2017-01-11T17:07:58Z No. of bitstreams: 1 2016_dis_rlfrutuoso.pdf: 10529976 bytes, checksum: 637cacebdbe01077444c5d6e787bc1db (MD5) / Approved for entry into archive by Jairo Viana (jairo@ufc.br) on 2017-01-11T18:28:37Z (GMT) No. of bitstreams: 1 2016_dis_rlfrutuoso.pdf: 10529976 bytes, checksum: 637cacebdbe01077444c5d6e787bc1db (MD5) / Made available in DSpace on 2017-01-11T18:28:37Z (GMT). No. of bitstreams: 1 2016_dis_rlfrutuoso.pdf: 10529976 bytes, checksum: 637cacebdbe01077444c5d6e787bc1db (MD5) Previous issue date: 2016 / Texture classification in images is a research subject of interest to many areas of application such as: face recognition, remote sensing and recognition of plant leaves. Several methods have been proposed in the literature. Recently, a new method for feature extraction, named Shortest Paths in Graphs (SPG), was presented. That method, in a simplified fashion, transforms an image into a graph and extracts some statistic measures based on Dijkstra’s minimum path through a set of points. In our work, we modify SPG in order to reduce the number of states visited in the graph and lower the computational cost. We carried out a number of experiments on the following image databases: Brodatz, UIUC, 2D HeLa and Virus. The best results achieved a reduction of 89. / Classificação de texturas em imagens é um tema com várias áreas de aplicações, tais como: reconhecimento de faces, sensoriamento remoto e reconhecimento de folhas de plantas. Vários métodos vem sendo propostos ao longo do tempo. Recentemente, um novo método para extração de características baseado em grafos, intitulado de caminhos mínimos em grafos (CMG) foi criado, onde, de forma simplificada, transforma a imagem em um grafo e extrai algumas estatísticas, baseado no caminho mínimo de Dijkstra, entre pontos definidos. Neste trabalho são propostas modificações no método CMG com o objetivo de reduzir a quantidade de estados visitados no grafo e reduzir o custo computacional. Os experimentos são realizados nas bases: Brodatz, UIUC, 2D HeLa e Virus. Os resultados mais promissores trazem uma redução de até 89% nos estados que são visitados no grafo, mantendo a porcentagem de acertos.

A análise de texturas tem atraído um crescente interesse em visão computacional devido a sua importância na caracterização de imagens. Basicamente, as pesquisas em texturas podem ser divididas em duas categorias: texturas estáticas e texturas dinâmicas. As texturas estáticas são caracterizadas por variações de intensidades que formam um determinado padrão repetido espacialmente na imagem. Por outro lado, as texturas dinâmicas são padrões de texturas presentes em uma sequência de imagens. Embora muitas pesquisas tenham sido realizadas, essa área ainda se encontra aberta a estudos, principalmente em texturas dinâmicas por se tratar de um assunto recente e pouco explorado. Este trabalho tem como objetivo o desenvolvimento de pesquisas que abrangem ambos os tipos de texturas nos âmbitos teórico e prático. Em texturas estáticas, foram propostos dois métodos: (i) baseado em caminhadas determinísticas parcialmente auto-repulsivas e dimensão fractal - (ii) baseado em atividade em redes direcionadas. Em texturas dinâmicas, as caminhadas determinísticas parcialmente auto-repulsivas foram estendidas para sequências de imagens e obtiveram resultados interessantes em reconhecimento e segmentação. Os métodos propostos foram aplicados em problemas da biologia e nanotecnologia, apresentando resultados interessantes para o desenvolvimento de ambas as áreas. / Texture analysis has attracted an increasing interest in computer vision due to its importance in describing images. Basically, research on textures can be divided into two categories: static and dynamic textures. Static textures are characterized by intensity variations which form a pattern repeated in the image spatially. On the other hand, dynamic textures are patterns of textures present in a sequence of images. Although many studies have been carried out, this area is still open to study, especially in dynamic textures since it is a recent and little-explored subject. This study aims to develop research covering both types of textures in theoretical and practical fields. In static textures, two methods were proposed: (i) based on deterministic partially self-avoiding walks and fractal dimension - (ii) based on activity in directed networks. In dynamic textures, deterministic partially self-avoiding walks were extended to sequences of images and obtained interesting results in recognition and segmentation. The proposed methods were applied to problems of biology and nanotechnology, presenting interesting results in the development of both areas.

Técnicas biométricas procuraram identificar usuários pela textura da íris, impressão digital, traços faciais, entre outros. A íris humana apresenta características de textura que a classificam como uma peculiaridade biométrica de grande poder de discriminação no reconhecimento de pessoas. O objetivo deste trabalho é avaliar a eficiência de uma nova metodologia de análise de texturas em desenvolvimento no LAVI (Laboratório de Visão Computacional da EESC-USP) na identificação de indivíduos por meio da textura de sua íris. A metodologia denomina-se Local Fuzzy Pattern e tem sido utilizada com excelente desempenho com texturas gerais, naturais e artificiais. Este documento detalha as técnicas utilizadas para extração e normalização da textura da íris, a utilização e os resultados obtidos com o método Local Fuzzy Pattern aplicado à classificação biométrica da íris humana. Os resultados obtidos apresentam sensibilidade de até 99,7516% com a aplicação da metodologia proposta em bancos de imagens de íris humana disponíveis na internet demonstram a viabilidade da técnica proposta. / Biometric techniques sought to identify users by the texture of the iris, fingerprint, facial features, among others. The human iris have texture characteristics that rank it as a powerful biometric peculiarity on human recognition. The objective of this masters proposal is to investigate the efficiency of a new methodology of iris texture analysis currently in development in LAVI (Laboratório de Visão Computacional da EESC-USP). The methodology is called LFP (Local Fuzzy Pattern) and has been used with excellent overall performance on artificial and natural textures. This document details the techniques used for the extraction and normalization of the iris texture, the use and results of the local fuzzy pattern method applied to biometric classification of the human eye. The results show a sensibility of value up to 99.7516%, obtained by applying the proposed methodology on human iris photos from image database available on the internet does showing the viability of the technique.

Técnicas biométricas procuraram identificar usuários pela textura da íris, impressão digital, traços faciais, entre outros. A íris humana apresenta características de textura que a classificam como uma peculiaridade biométrica de grande poder de discriminação no reconhecimento de pessoas. O objetivo deste trabalho é avaliar a eficiência de uma nova metodologia de análise de texturas em desenvolvimento no LAVI (Laboratório de Visão Computacional da EESC-USP) na identificação de indivíduos por meio da textura de sua íris. A metodologia denomina-se Local Fuzzy Pattern e tem sido utilizada com excelente desempenho com texturas gerais, naturais e artificiais. Este documento detalha as técnicas utilizadas para extração e normalização da textura da íris, a utilização e os resultados obtidos com o método Local Fuzzy Pattern aplicado à classificação biométrica da íris humana. Os resultados obtidos apresentam sensibilidade de até 99,7516% com a aplicação da metodologia proposta em bancos de imagens de íris humana disponíveis na internet demonstram a viabilidade da técnica proposta. / Biometric techniques sought to identify users by the texture of the iris, fingerprint, facial features, among others. The human iris have texture characteristics that rank it as a powerful biometric peculiarity on human recognition. The objective of this masters proposal is to investigate the efficiency of a new methodology of iris texture analysis currently in development in LAVI (Laboratório de Visão Computacional da EESC-USP). The methodology is called LFP (Local Fuzzy Pattern) and has been used with excellent overall performance on artificial and natural textures. This document details the techniques used for the extraction and normalization of the iris texture, the use and results of the local fuzzy pattern method applied to biometric classification of the human eye. The results show a sensibility of value up to 99.7516%, obtained by applying the proposed methodology on human iris photos from image database available on the internet does showing the viability of the technique.

Este projeto descreve o desenvolvimento, estudo e aplicação de descritores fractais em análise de texturas. Nos últimos anos, a literatura vem apresentando a geometria fractal como uma ferramenta poderosa para a análise de imagens, com aplicações em variados campos da ciência. A maior parte destes trabalhos faz uso direto da dimensão fractal como um descritor do objeto representado na imagem. Entretanto, em função da complexidade de muitos problemas nesta área, algumas soluções foram propostas para melhorar essa análise, usando não apenas o valor da dimensão fractal, mas um conjunto de medidas que pudessem ser extraídas pela geometria fractal e que descrevessem as texturas com maior riqueza e precisão. Entre essas técnicas, destacam-se a metodologia de multifractais, de dimensão fractal multiescala e, mais recentemente, os descritores fractais. Esta última técnica tem se mostrado eficiente na solução de problemas relacionados à discriminação de imagens de texturas e formas, uma vez que os descritores gerados fornecem uma representação direta do padrão de complexidade (distribuição dos detalhes ao longo das escalas de observação) da imagem. Assim, essa solução permite que se tenha uma descrição rica da imagem estudada pela análise da distribuição espacial e/ou espectral dos pixels e intensidade de cores/tons de cinza, com uma modelagem que pode se aproximar da percepção visual humana para a geração de um método automático e preciso. Ocorre, entretanto, que os trabalhos apresentados até o momento sobre descritores fractais focam em métodos de estimativa de dimensão fractal mais conhecidos como Bouligand-Minkowski e Box-counting. Este projeto visa estudar mais a fundo o conceito, generalizando para outras abordagens de dimensão fractal, bem como explorando diferentes formas de se extraírem os descritores a partir da curva logarítmica associada à dimensão. Os métodos desenvolvidos são aplicados à análise de texturas, em problemas de classificação de bases públicas, cujos resultados podem ser comparados com métodos da literatura, bem como a segmentação de imagens de satélite e à identificação automática de amostras obtidas em estudos de nanotecnologia. Os resultados alcançados demonstram o potencial da metodologia desenvolvida para a solução destes problemas, mostrando tratar-se de uma nova fronteira a ser usada e explorada em análise de imagens e visão computacional como um todo. / This project describes the development, study and application of fractal descriptors to texture analysis. Recently, the literature has shown fractal geometry as a powerful tool for image analysis, with applications to several areas of science. Most of these works use fractal dimension as a descriptor of the object depicted in the image. However, due to the complexity of many problems in this context, some solutions have been proposed to improve this analysis. These proposed methods use not only the value of fractal dimension, but a set of measures which could be extracted by fractal geometry to describe the textures with greater richness and accuracy. Among such techniques, we emphasize the multifractal methodology, multiscale fractal dimension and, more recently, fractal descriptors. This latter technique has demonstrated to be efficient in solving problems related to the discrimination of texture and shape images. This is possible as the extracted descriptors provide a direct representation of the complexity (the details distribution along the scales of observation) in the image. Thus, this solution allows for a rich description of the image studied by analyzing the spatial/spectral distribution of pixels and intensity of colors/gray-levels, with a model which can approximate the human visual perception, generating an automatic and precise method. However, the works about fractal descriptors presented in the literature focus on classical methods to estimate fractal dimension, such as Bouligand-Minkowski and Box-counting. This project aims at studying more deeply the concept, generalizing to other approaches in fractal dimension, as well as exploring different ways of extracting the key features from the logarithmic curve associated with the dimension. The developed methods are applied to texture analysis, in classification problems over public databases, whose results can be compared with literature methods, as well as to the segmentation of satellite images and automatically identifying samples obtained from studies on nanotechnology. The results demonstrate the potential of the methodology developed to solve such problems, showing that this is a new frontier to be explored and used in image analysis and computer vision at all.

Este projeto descreve o desenvolvimento, estudo e aplicação de descritores fractais em análise de texturas. Nos últimos anos, a literatura vem apresentando a geometria fractal como uma ferramenta poderosa para a análise de imagens, com aplicações em variados campos da ciência. A maior parte destes trabalhos faz uso direto da dimensão fractal como um descritor do objeto representado na imagem. Entretanto, em função da complexidade de muitos problemas nesta área, algumas soluções foram propostas para melhorar essa análise, usando não apenas o valor da dimensão fractal, mas um conjunto de medidas que pudessem ser extraídas pela geometria fractal e que descrevessem as texturas com maior riqueza e precisão. Entre essas técnicas, destacam-se a metodologia de multifractais, de dimensão fractal multiescala e, mais recentemente, os descritores fractais. Esta última técnica tem se mostrado eficiente na solução de problemas relacionados à discriminação de imagens de texturas e formas, uma vez que os descritores gerados fornecem uma representação direta do padrão de complexidade (distribuição dos detalhes ao longo das escalas de observação) da imagem. Assim, essa solução permite que se tenha uma descrição rica da imagem estudada pela análise da distribuição espacial e/ou espectral dos pixels e intensidade de cores/tons de cinza, com uma modelagem que pode se aproximar da percepção visual humana para a geração de um método automático e preciso. Ocorre, entretanto, que os trabalhos apresentados até o momento sobre descritores fractais focam em métodos de estimativa de dimensão fractal mais conhecidos como Bouligand-Minkowski e Box-counting. Este projeto visa estudar mais a fundo o conceito, generalizando para outras abordagens de dimensão fractal, bem como explorando diferentes formas de se extraírem os descritores a partir da curva logarítmica associada à dimensão. Os métodos desenvolvidos são aplicados à análise de texturas, em problemas de classificação de bases públicas, cujos resultados podem ser comparados com métodos da literatura, bem como a segmentação de imagens de satélite e à identificação automática de amostras obtidas em estudos de nanotecnologia. Os resultados alcançados demonstram o potencial da metodologia desenvolvida para a solução destes problemas, mostrando tratar-se de uma nova fronteira a ser usada e explorada em análise de imagens e visão computacional como um todo. / This project describes the development, study and application of fractal descriptors to texture analysis. Recently, the literature has shown fractal geometry as a powerful tool for image analysis, with applications to several areas of science. Most of these works use fractal dimension as a descriptor of the object depicted in the image. However, due to the complexity of many problems in this context, some solutions have been proposed to improve this analysis. These proposed methods use not only the value of fractal dimension, but a set of measures which could be extracted by fractal geometry to describe the textures with greater richness and accuracy. Among such techniques, we emphasize the multifractal methodology, multiscale fractal dimension and, more recently, fractal descriptors. This latter technique has demonstrated to be efficient in solving problems related to the discrimination of texture and shape images. This is possible as the extracted descriptors provide a direct representation of the complexity (the details distribution along the scales of observation) in the image. Thus, this solution allows for a rich description of the image studied by analyzing the spatial/spectral distribution of pixels and intensity of colors/gray-levels, with a model which can approximate the human visual perception, generating an automatic and precise method. However, the works about fractal descriptors presented in the literature focus on classical methods to estimate fractal dimension, such as Bouligand-Minkowski and Box-counting. This project aims at studying more deeply the concept, generalizing to other approaches in fractal dimension, as well as exploring different ways of extracting the key features from the logarithmic curve associated with the dimension. The developed methods are applied to texture analysis, in classification problems over public databases, whose results can be compared with literature methods, as well as to the segmentation of satellite images and automatically identifying samples obtained from studies on nanotechnology. The results demonstrate the potential of the methodology developed to solve such problems, showing that this is a new frontier to be explored and used in image analysis and computer vision at all.

A análise de texturas tem atraído um crescente interesse em visão computacional devido a sua importância na caracterização de imagens. Basicamente, as pesquisas em texturas podem ser divididas em duas categorias: texturas estáticas e texturas dinâmicas. As texturas estáticas são caracterizadas por variações de intensidades que formam um determinado padrão repetido espacialmente na imagem. Por outro lado, as texturas dinâmicas são padrões de texturas presentes em uma sequência de imagens. Embora muitas pesquisas tenham sido realizadas, essa área ainda se encontra aberta a estudos, principalmente em texturas dinâmicas por se tratar de um assunto recente e pouco explorado. Este trabalho tem como objetivo o desenvolvimento de pesquisas que abrangem ambos os tipos de texturas nos âmbitos teórico e prático. Em texturas estáticas, foram propostos dois métodos: (i) baseado em caminhadas determinísticas parcialmente auto-repulsivas e dimensão fractal - (ii) baseado em atividade em redes direcionadas. Em texturas dinâmicas, as caminhadas determinísticas parcialmente auto-repulsivas foram estendidas para sequências de imagens e obtiveram resultados interessantes em reconhecimento e segmentação. Os métodos propostos foram aplicados em problemas da biologia e nanotecnologia, apresentando resultados interessantes para o desenvolvimento de ambas as áreas. / Texture analysis has attracted an increasing interest in computer vision due to its importance in describing images. Basically, research on textures can be divided into two categories: static and dynamic textures. Static textures are characterized by intensity variations which form a pattern repeated in the image spatially. On the other hand, dynamic textures are patterns of textures present in a sequence of images. Although many studies have been carried out, this area is still open to study, especially in dynamic textures since it is a recent and little-explored subject. This study aims to develop research covering both types of textures in theoretical and practical fields. In static textures, two methods were proposed: (i) based on deterministic partially self-avoiding walks and fractal dimension - (ii) based on activity in directed networks. In dynamic textures, deterministic partially self-avoiding walks were extended to sequences of images and obtained interesting results in recognition and segmentation. The proposed methods were applied to problems of biology and nanotechnology, presenting interesting results in the development of both areas.

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. / Several approaches have been employed for describing textures, including the fuzzy sets theory and fuzzy logic. The Local Fuzzy Pattern is a texture descriptor different from other methods based on fuzzy systems, which use linguistic rules to codify a texture. Instead, fuzzy numbers are applied in order to encode a local grayscale pattern. Previous results indicated the LFP as an effective descriptor employed to characterize statically oriented and rotated textures samples. This paper proposes a more comprehensive analysis of its feasibility for use in each of these problems, besides proposing a modification to this descriptor, adapting it to capture patterns in multiresolution, the Sampled LFP. The LFP and Sampled LFP performance evaluation when applied to the problem of texture classification was conducted by applying a series of tests involving images samples, rotated or not, from image databases such as Outex, the Brodatz album and Vistex, where the sensitivity obtained by these descriptors were compared with a reference descriptor, the variant Local Binary Pattern (LBP) best suited to running the test. The results indicated the LFP as a descriptor not suitable for applications who work exclusively with non-rotated samples, since the LBP showed greater efficacy for this problem kind. As for rotated samples analysis, the Sampled LFP proved the best descriptor among those compared. However, it was determined that the Sampled LFP only overcomes the LBP when the analysis resolutions are greater or equal to 32x32 pixels, besides that, the first descriptor is more sensitive to the number of training samples than the latter, therefore, this descriptor is indicated for the problem of rotated samples classification, where it is possible to work with resolution from 32x32 pixels while maximizing the number of samples used for training.

A complexidade é uma característica de grande importância em processos de reconhecimento de padrões, especialmente naqueles que envolvem imagens biológicas. Este trabalho tem como objetivo estudar métodos que realizam a análise de imagens por meio da análise de sua complexidade. Os métodos a serem estudados foram selecionados com base na similaridade de seus algoritmos e metodologia: dimensão fractal, Caminhada Determinística do Turista e Redes Complexas. Estes métodos permitem realizar a análise e segmentação de formas ou texturas contidas em uma imagem com base na sua variação de complexidade. Dos três métodos considerados, dois deles fazem parte do estado da arte em análise de complexidade, enquanto que a dimensão fractal já é aplicada a mais tempo na análise de formas e texturas. Os trabalhos aqui desenvolvidos visam comparar e analisar os métodos selecionados por meio de experimentos com imagens de forma e texturas, sendo utilizadas texturas naturais e de Brodatz, freqüentemente utilizadas na literatura como benchmark para texturas. Com base no conhecimento adquirido, novas técnicas voltadas para a análise e segmentação de formas e texturas foram desenvolvidas, assim como foram analisadas as deficiências e propostas melhorias às técnicas estudadas. Além disso, diversos experimentos com estas metodologias foram realizados em aplicações de Bioinformática / Complexity is a feature of great importance in pattern recognition processes, especially those involving biological images. This work aims to study methods that perform image analysis by the analysis of its complexity. The methods to be studied were selected based on similarity of their algorithms and methodology: fractal dimension, Deterministic Tourist Walk and Complex Networks. These methods enable us to perform the analysis and segmentation of shapes and textures contained in an image based on the variation of its complexity. Of the three methods considered, two of them are part of the state of the art in complexity analysis, while the fractal dimension is already applied in shapes and textures analysis. The work developed here aims to compare and analyze the selected methods through experiments with shape and texture images, utilizing for this natural and Brodatz textures samples, often used in literature as benchmark for textures analysis. Based on the knowledge acquired, new techniques for analysis and segmentation of shapes and textures were developed, as also were analyzed the deficiencies and proposed improvements to the techniques studied. Moreover, several experiments with these methods were performed in bioinformatics applications

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. / Several approaches have been employed for describing textures, including the fuzzy sets theory and fuzzy logic. The Local Fuzzy Pattern is a texture descriptor different from other methods based on fuzzy systems, which use linguistic rules to codify a texture. Instead, fuzzy numbers are applied in order to encode a local grayscale pattern. Previous results indicated the LFP as an effective descriptor employed to characterize statically oriented and rotated textures samples. This paper proposes a more comprehensive analysis of its feasibility for use in each of these problems, besides proposing a modification to this descriptor, adapting it to capture patterns in multiresolution, the Sampled LFP. The LFP and Sampled LFP performance evaluation when applied to the problem of texture classification was conducted by applying a series of tests involving images samples, rotated or not, from image databases such as Outex, the Brodatz album and Vistex, where the sensitivity obtained by these descriptors were compared with a reference descriptor, the variant Local Binary Pattern (LBP) best suited to running the test. The results indicated the LFP as a descriptor not suitable for applications who work exclusively with non-rotated samples, since the LBP showed greater efficacy for this problem kind. As for rotated samples analysis, the Sampled LFP proved the best descriptor among those compared. However, it was determined that the Sampled LFP only overcomes the LBP when the analysis resolutions are greater or equal to 32x32 pixels, besides that, the first descriptor is more sensitive to the number of training samples than the latter, therefore, this descriptor is indicated for the problem of rotated samples classification, where it is possible to work with resolution from 32x32 pixels while maximizing the number of samples used for training.