Classificação de imagens de textura, especialmente aquelas com mudanças significativas de rotação, iluminação, escala e ponto de vista, é um problema fundamental e desafiador na área de visão computacional. Esta tese propõe dois descritores de imagem simples, porém eficientes, chamados de Sampled Local Mapped Pattern Magnitude (SLMP_M) e Completed Local Mapped Pattern (CLMP) aplicados na classificação de textura. Os descritores propostos são parte de um aprimoramento do descritor Local Mapped Pattern (LMP) para trabalhar de maneira eficiente com imagens de textura rotacionadas. Os métodos propostos necessitam de um pré-ajuste de parâmetros que utiliza o método de otimização por enxame de partículas, e são discriminativos e robustos para a descrição de texturas rotacionadas em ângulos arbitrários. Para a validação dos descritores propostos duas bases de imagens são utilizadas, Kylberg Sintorn Rotation Dataset e Brodatz Texture Rotation Dataset, uma nova base de dados desenvolvida pela autora, formada por imagens de texturas rotacionadas do Álbum de Brodatz. As duas bases contêm imagens de texturas naturais que foram rotacionadas fisicamente no momento da captura e rotacionadas por processos computacionais. É feita também uma avaliação da influência de métodos de interpolação no processo de rotação das imagens e são comparados com diferentes descritores presentes na literatura. Cinco métodos de interpolação são investigados: Lanczos, B-spline, Cúbica, Linear e Nearest Neighbor. Os resultados experimentais demonstram que os descritores propostos nesta tese superam o desempenho dos descritores Completed Local Binary Pattern (CLBP), e dos descritores que combinam a versão generalizada das características de Fourier com variações do descritor Local Binary Pattern (LBP), LBPDFT, ILBPDFT, LTPDFT e ILTPDFT. Os resultados também demonstram que a escolha do método de interpolação no processo de rotação das imagens influencia na capacidade de reconhecimento. / Texture image classification, especially those with significant changes of rotation, illumination, scale and point of view, is a fundamental and challenging problem in the field of computer vision. This thesis proposes two simple, but efficient, image descriptors called Sampled Local Mapped Pattern Magnitude (SLMP_M) and Completed Local Mapped Pattern (CLMP) applied in texture classification. The proposed descriptors are part of an enhancement to the Local Mapped Pattern (LMP) descriptor to work efficiently with rotated texture images. The descriptors proposed requires a parameter preset by the particle swarm optimization method, they are discriminating and robust for the description of rotated textures at arbitrary angles. For the validation of the proposed descriptors two image datasets are used: Kylberg Sintorn Rotation Dataset and Brodatz Texture Rotation Dataset, a new texture dataset introduced, which contains rotated texture images from Brodatzs Album. Both databases contain images of natural textures that have been rotated by Hardware and computational procedures. An evaluation of the influence of interpolation methods on the image rotation process is also presented and compared with different descriptors in the literature. Five interpolation methods are investigated: Lanczos, B-spline, Cubic, Linear and Nearest Neighbor. The experimental results show that the descriptors proposed in this thesis outperform the performance of the Completed Local Binary Pattern (CLBP) descriptors, and the descriptors that combine the generalized version of the Fourier characteristics with variations of the descriptor Local Binary Pattern (LBP), LBPDFT, ILBDFT, LTPDFT e ILTPDFT compared. The results also prove that the selection of the interpolation method in the image rotation process influences the recognition capability.

Classificação de imagens de textura, especialmente aquelas com mudanças significativas de rotação, iluminação, escala e ponto de vista, é um problema fundamental e desafiador na área de visão computacional. Esta tese propõe dois descritores de imagem simples, porém eficientes, chamados de Sampled Local Mapped Pattern Magnitude (SLMP_M) e Completed Local Mapped Pattern (CLMP) aplicados na classificação de textura. Os descritores propostos são parte de um aprimoramento do descritor Local Mapped Pattern (LMP) para trabalhar de maneira eficiente com imagens de textura rotacionadas. Os métodos propostos necessitam de um pré-ajuste de parâmetros que utiliza o método de otimização por enxame de partículas, e são discriminativos e robustos para a descrição de texturas rotacionadas em ângulos arbitrários. Para a validação dos descritores propostos duas bases de imagens são utilizadas, Kylberg Sintorn Rotation Dataset e Brodatz Texture Rotation Dataset, uma nova base de dados desenvolvida pela autora, formada por imagens de texturas rotacionadas do Álbum de Brodatz. As duas bases contêm imagens de texturas naturais que foram rotacionadas fisicamente no momento da captura e rotacionadas por processos computacionais. É feita também uma avaliação da influência de métodos de interpolação no processo de rotação das imagens e são comparados com diferentes descritores presentes na literatura. Cinco métodos de interpolação são investigados: Lanczos, B-spline, Cúbica, Linear e Nearest Neighbor. Os resultados experimentais demonstram que os descritores propostos nesta tese superam o desempenho dos descritores Completed Local Binary Pattern (CLBP), e dos descritores que combinam a versão generalizada das características de Fourier com variações do descritor Local Binary Pattern (LBP), LBPDFT, ILBPDFT, LTPDFT e ILTPDFT. Os resultados também demonstram que a escolha do método de interpolação no processo de rotação das imagens influencia na capacidade de reconhecimento. / Texture image classification, especially those with significant changes of rotation, illumination, scale and point of view, is a fundamental and challenging problem in the field of computer vision. This thesis proposes two simple, but efficient, image descriptors called Sampled Local Mapped Pattern Magnitude (SLMP_M) and Completed Local Mapped Pattern (CLMP) applied in texture classification. The proposed descriptors are part of an enhancement to the Local Mapped Pattern (LMP) descriptor to work efficiently with rotated texture images. The descriptors proposed requires a parameter preset by the particle swarm optimization method, they are discriminating and robust for the description of rotated textures at arbitrary angles. For the validation of the proposed descriptors two image datasets are used: Kylberg Sintorn Rotation Dataset and Brodatz Texture Rotation Dataset, a new texture dataset introduced, which contains rotated texture images from Brodatzs Album. Both databases contain images of natural textures that have been rotated by Hardware and computational procedures. An evaluation of the influence of interpolation methods on the image rotation process is also presented and compared with different descriptors in the literature. Five interpolation methods are investigated: Lanczos, B-spline, Cubic, Linear and Nearest Neighbor. The experimental results show that the descriptors proposed in this thesis outperform the performance of the Completed Local Binary Pattern (CLBP) descriptors, and the descriptors that combine the generalized version of the Fourier characteristics with variations of the descriptor Local Binary Pattern (LBP), LBPDFT, ILBDFT, LTPDFT e ILTPDFT compared. The results also prove that the selection of the interpolation method in the image rotation process influences the recognition capability.

Texture analysis is an active area of research and plays an important role in computer vision applications. Texture, along with color and shape, contains important features of an image. Texture analysis allows to characterize regions inside an image by using descriptors. These descriptors are applied in the study of texture classification, in which the goal is to identify features that characterize a particular texture and assign a label to an image based on these features. Because of the importance of texture analysis in computer vision, researchers are continually devising and developing new descriptors, with the aim to improve the discriminative power of texture features of an image. A difficult task in texture analysis is to compare these descriptors and verify which are the most suitable for each type of image. The lack of a good review and comparison of descriptors cause that some applications do not use the most appropriate descriptor for a specific type of texture. Therefore, in this dissertation it was developed a research and collaboration platform for the analysis and comparison of texture descriptors and texture datasets. The platform aims to support the researchers in the area of texture analysis, specifically in texture classification. The platform was useful to perform an extensive comparison of texture descriptors and various texture datasets. Using the platform, in some datasets the results produced were better than those previously found in the literature. The results indicate that the classification accuracy varies according to the descriptor and classifier employed. By varying the parameters of texture descriptors it was possible to get different, yet better, classification accuracies. / A análise de textura é uma área ativa de pesquisa que desempenha um papel importante em aplicações de visão computacional. A textura, juntamente com a cor e a forma, contém características importantes de uma imagem. A análise de textura permite caracterizar regiões dentro de uma imagem usando descritores. Esses descritores são aplicados no estudo de classificação de texturas, no qual o objetivo é identificar características que distingam uma determinada textura e atribuir um rótulo a uma imagem baseada nessas características. Devido à importância da análise de textura na visão computacional, os pesquisadores estão continuamente criando e desenvolvendo novos descritores, com o objetivo de melhorar o poder discriminativo dessas características em uma imagem. Uma tarefa difícil na análise de textura é comparar esses descritores e verificar quais são os mais adequados para cada tipo de tipo de imagem. A falta de uma boa revisão e comparação de descritores de textura pode fazer com que algumas aplicações não utilizem o descritor mais adequado para um tipo específico de textura. Portanto, nesta dissertação foi desenvolvida uma plataforma de pesquisa e colaboração para a análise e comparação de descritores de textura e conjuntos de dados de textura. A plataforma visa apoiar os pesquisadores na área de análise de textura, especificamente na classificação de texturas. A plataforma foi útil para realizar uma comparação extensiva de descritores de textura e vários conjuntos de dados de textura. Com essa plataforma, em alguns conjuntos de dados os resultados encontrados foram melhores que aqueles encontrados anteriormente na literatura. Os resultados indicam que a acurácia de classificação muda segundo o descritor e o classificador usado. Mudando os valores dos parâmetros dos descritores de textura foi possível obter acurácias diferentes e até melhores.