Texture is one of the most primitive characteristics of objects. Digital images represent this property as local intensity variations in the image. Consequently, texture is an attribute that is innately present in virtually every digital image; mathematically describing this information leads to a myriad of different applications, from food qualities processing up to medical image analysis. It comes as no surprise that texture has been one of the most researched topics in the computer vision community, and it continues to receive a great deal of attention. One of the most classic approaches to model texture is the statistically-based co-occurrence matrix method. The present dissertation work revolves around a clever variation of the co- occurrence matrix that incorporates rotation-invariance, a very desirable property for texture classification. This variation is taken from previous work in the literature and is used to propose a robust fuzzy orthoimage classifier. Moreover, the original rotation- invariant approach is modified though a generalization and benchmarked with one of the most widely-used texture description methods in the recent literature: the Local Binary Patterns approach. The results indicate that Fuzzy Logic is a powerful tool to build texture-based classifiers that have to deal with diversely-sourced image samples; the results also indicate that the generalization proposal, which originates the here named CCM and RCM texture description methods, offers a significant performance boost that is comparable, and even better than Local Binary Patterns approach when comparing accuracy scores. / A textura é uma das características mais básicas dos objetos. As imagens digitais representam esta propriedade como variações de intensidade locais na imagem. Consequentemente, a textura é um atributo que se encontra presente de forma inerente em praticamente todas as imagens digitais; descrever matematicamente esta informação produz uma série de inúmeras aplicações, desde processamento da qualidade dos alimentos até análise de imagens médicas. Não é surpreendente que a pesquisa em textura seja um dos tópicos mais pesquisados pela comunidade de visão por computador, e ainda continua recebendo muita atenção. Um dos modelos mais clássicos para modelar textura é o método estatístico da matriz de co- ocorrência. Esta dissertação gira em torno a uma modificação inteligente da matriz de co-ocorrência que inclui invariância à rotação, uma característica muito desejável para a classificação de texturas. Esta variação toma-se de um trabalho na literatura e é utilizada para propor um classificador nebuloso de imagens aéreas. Além disso, a definição matemática original é modificada através da generalização dos descritores e se realiza um estudo comparativo com um dos métodos de descrição de textura mais usados na literatura recente: o método Local Binary Patterns. Os resultados indicam que a Lógica Nebulosa é uma ferramenta poderosa para construir classificadores baseados em textura que precisem trabalhar com amostras tomadas de diversas fontes; os resultados também indicam que a proposta de generalização, que leva o nome de método CCM e RCM, oferece um incremento significativo no desempenho que é comparável, inclusive superior, ao método Local Binary Patterns, quando comparadas as taxas de acerto para ambos os métodos.

Texture is one of the most primitive characteristics of objects. Digital images represent this property as local intensity variations in the image. Consequently, texture is an attribute that is innately present in virtually every digital image; mathematically describing this information leads to a myriad of different applications, from food qualities processing up to medical image analysis. It comes as no surprise that texture has been one of the most researched topics in the computer vision community, and it continues to receive a great deal of attention. One of the most classic approaches to model texture is the statistically-based co-occurrence matrix method. The present dissertation work revolves around a clever variation of the co- occurrence matrix that incorporates rotation-invariance, a very desirable property for texture classification. This variation is taken from previous work in the literature and is used to propose a robust fuzzy orthoimage classifier. Moreover, the original rotation- invariant approach is modified though a generalization and benchmarked with one of the most widely-used texture description methods in the recent literature: the Local Binary Patterns approach. The results indicate that Fuzzy Logic is a powerful tool to build texture-based classifiers that have to deal with diversely-sourced image samples; the results also indicate that the generalization proposal, which originates the here named CCM and RCM texture description methods, offers a significant performance boost that is comparable, and even better than Local Binary Patterns approach when comparing accuracy scores. / A textura é uma das características mais básicas dos objetos. As imagens digitais representam esta propriedade como variações de intensidade locais na imagem. Consequentemente, a textura é um atributo que se encontra presente de forma inerente em praticamente todas as imagens digitais; descrever matematicamente esta informação produz uma série de inúmeras aplicações, desde processamento da qualidade dos alimentos até análise de imagens médicas. Não é surpreendente que a pesquisa em textura seja um dos tópicos mais pesquisados pela comunidade de visão por computador, e ainda continua recebendo muita atenção. Um dos modelos mais clássicos para modelar textura é o método estatístico da matriz de co- ocorrência. Esta dissertação gira em torno a uma modificação inteligente da matriz de co-ocorrência que inclui invariância à rotação, uma característica muito desejável para a classificação de texturas. Esta variação toma-se de um trabalho na literatura e é utilizada para propor um classificador nebuloso de imagens aéreas. Além disso, a definição matemática original é modificada através da generalização dos descritores e se realiza um estudo comparativo com um dos métodos de descrição de textura mais usados na literatura recente: o método Local Binary Patterns. Os resultados indicam que a Lógica Nebulosa é uma ferramenta poderosa para construir classificadores baseados em textura que precisem trabalhar com amostras tomadas de diversas fontes; os resultados também indicam que a proposta de generalização, que leva o nome de método CCM e RCM, oferece um incremento significativo no desempenho que é comparável, inclusive superior, ao método Local Binary Patterns, quando comparadas as taxas de acerto para ambos os métodos.

A classificação de texturas coloridas sob diferentes condições de iluminação é um desafio na área de visão computacional, e depende da eficiência dos descritores de textura em capturar características que sejam discriminantes independentemente das propriedades da fonte de luz incidente sobre o objeto. Visando melhorar o processo de classificação de texturas coloridas iluminadas com diferentes fontes de luz, este trabalho propõe três novos descritores, nomeados Opponent Color Local Mapped Pattern (OCLMP), que combina o descritor de texturas por padrões locais mapeados (Local Mapped Pattern - LMP) com a teoria de cores oponentes; Color Intensity Local Mapped Pattern (CILMP), que extrai as informações de cor e textura de maneira integrada, levando em consideração a textura da cor, combinando estas informações com características da luminância da textura em uma análise multiresolução; e Extended Color Local Mapped Pattern (ECLMP), que utiliza dois operadores para extrair informações de cor e textura de forma integrada (textura da cor) combinadas com informações apenas de textura (sem cor) de uma imagem. Todos esses novos descritores propostos são paramétricos e, sendo o ajuste ótimo de seus parâmetros não trivial, o processo exige um tempo excessivo de computação. Portanto, foi proposto nesta tese a utilização de algoritmos genéticos para o ajuste automático dos parâmetros. A avaliação dos descritores propostos foi realizada em duas bases de dados de texturas coloridas com variação de iluminação: RawFooT (Raw Food Texture Database) e KTH-TIPS- 2b (Textures under varying Illumination, Pose and Scale Database), utilizando-se um classificador. Os resultados experimentais mostraram que os descritores propostos são mais robustos à variação de iluminação do que outros decritores de textura comumente utilizados na literatura. Os descritores propostos apresentaram um desempenho superior aos descritores comparados em 15% na base de dados RawFooT e 4% na base de dados KTH-TIPS-2b. / Color texture classification under varying illumination remains a challenge in the computer vision field, and it greatly relies on the efficiency at which the texture descriptors capture discriminant features, independent of the illumination condition. The aim of this thesis is to improve the classification of color texture acquired with varying illumination sources. We propose three new color texture descriptors, namely: the Opponent Color Local Mapped Pattern (OCLMP), which combines a local methodology (LMP) with the opponent colors theory, the Color Intensity Local Mapped Pattern (CILMP), which extracts color and texture information jointly, in a multi-resolution fashion, and the Extended Color Local Mapped Pattern (ECLMP), which applies two operators to extract color and texture information jointly as well. As the proposed methods are based on the LMP algorithm, they are parametric functions. Finding the optimal set of parameters for the descriptor can be a cumbersome task. Therefore, this work proposes the use of genetic algorithms to automatically adjust the parameters. The methods were assessed using two data sets of textures acquired using varying illumination sources: the RawFooT (Raw Food Texture Database), and the KTH-TIPS-2b (Textures under varying Illumination, Pose and Scale Database). The experimental results show that the proposed descriptors are more robust to variations to the illumination source than other methods found in the literature. The improvement on the accuracy was higher than 15% on the RawFoot data set, and higher than 4% on the KTH-TIPS-2b data set.

A classificação de texturas coloridas sob diferentes condições de iluminação é um desafio na área de visão computacional, e depende da eficiência dos descritores de textura em capturar características que sejam discriminantes independentemente das propriedades da fonte de luz incidente sobre o objeto. Visando melhorar o processo de classificação de texturas coloridas iluminadas com diferentes fontes de luz, este trabalho propõe três novos descritores, nomeados Opponent Color Local Mapped Pattern (OCLMP), que combina o descritor de texturas por padrões locais mapeados (Local Mapped Pattern - LMP) com a teoria de cores oponentes; Color Intensity Local Mapped Pattern (CILMP), que extrai as informações de cor e textura de maneira integrada, levando em consideração a textura da cor, combinando estas informações com características da luminância da textura em uma análise multiresolução; e Extended Color Local Mapped Pattern (ECLMP), que utiliza dois operadores para extrair informações de cor e textura de forma integrada (textura da cor) combinadas com informações apenas de textura (sem cor) de uma imagem. Todos esses novos descritores propostos são paramétricos e, sendo o ajuste ótimo de seus parâmetros não trivial, o processo exige um tempo excessivo de computação. Portanto, foi proposto nesta tese a utilização de algoritmos genéticos para o ajuste automático dos parâmetros. A avaliação dos descritores propostos foi realizada em duas bases de dados de texturas coloridas com variação de iluminação: RawFooT (Raw Food Texture Database) e KTH-TIPS- 2b (Textures under varying Illumination, Pose and Scale Database), utilizando-se um classificador. Os resultados experimentais mostraram que os descritores propostos são mais robustos à variação de iluminação do que outros decritores de textura comumente utilizados na literatura. Os descritores propostos apresentaram um desempenho superior aos descritores comparados em 15% na base de dados RawFooT e 4% na base de dados KTH-TIPS-2b. / Color texture classification under varying illumination remains a challenge in the computer vision field, and it greatly relies on the efficiency at which the texture descriptors capture discriminant features, independent of the illumination condition. The aim of this thesis is to improve the classification of color texture acquired with varying illumination sources. We propose three new color texture descriptors, namely: the Opponent Color Local Mapped Pattern (OCLMP), which combines a local methodology (LMP) with the opponent colors theory, the Color Intensity Local Mapped Pattern (CILMP), which extracts color and texture information jointly, in a multi-resolution fashion, and the Extended Color Local Mapped Pattern (ECLMP), which applies two operators to extract color and texture information jointly as well. As the proposed methods are based on the LMP algorithm, they are parametric functions. Finding the optimal set of parameters for the descriptor can be a cumbersome task. Therefore, this work proposes the use of genetic algorithms to automatically adjust the parameters. The methods were assessed using two data sets of textures acquired using varying illumination sources: the RawFooT (Raw Food Texture Database), and the KTH-TIPS-2b (Textures under varying Illumination, Pose and Scale Database). The experimental results show that the proposed descriptors are more robust to variations to the illumination source than other methods found in the literature. The improvement on the accuracy was higher than 15% on the RawFoot data set, and higher than 4% on the KTH-TIPS-2b data set.

Submitted by MARIA JACQUELINE ATOCHE BRAVO (jacqui_mab@hotmail.com) on 2016-05-13T13:28:28Z No. of bitstreams: 1 disertacao__Jacqui.pdf: 8482416 bytes, checksum: 2325158a94282088f873ac31bbd97305 (MD5) / Approved for entry into archive by Felipe Augusto Arakaki (arakaki@reitoria.unesp.br) on 2016-05-16T12:30:13Z (GMT) No. of bitstreams: 1 bravo_mja_me_sjrp.pdf: 8482416 bytes, checksum: 2325158a94282088f873ac31bbd97305 (MD5) / Made available in DSpace on 2016-05-16T12:30:13Z (GMT). No. of bitstreams: 1 bravo_mja_me_sjrp.pdf: 8482416 bytes, checksum: 2325158a94282088f873ac31bbd97305 (MD5) Previous issue date: 2016-03-31 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / No presente trabalho, apresenta-se uma revisão sobre os principais abordagens para análise e classificação de texturas, entre eles o descritor LBP (Local Binary Pattern), o descritor LFP (Local Fuzzy Patterm) e o descritor MSLMP (Multi-scale Local Mapped Pattern), o qual é uma extensão multiescalar do descritor LMP (Local Mapped Pattern). Resultados anteriores presentes na literatura, indicaram que o MSLMP conseguiu resultados superiores aos mencionados anteriormente. Neste trabalho propõe-se uma análise mais abrangente sobre sua viabilidade para concluir que o MSLMP é mais eficaz que os anteriores. Essa análise é feita alterando-se a Matriz de Pesos para os pixels limiarizados. Para avaliar seu desempenho, foi utilizada a base de texturas do Album de Brodatz. Após processá-la pelo descritor MSLMP, com cada uma das matrizes de Pesos propostas neste trabalho, foram comparadas as taxas de acertos alcançadas usando a distância Chi-quadrado. Resultados experimentais mostram um valor de sensibilidade melhor para o descritor MSLMP em comparação aos outros descritores presentes na literatura. / This work, presents a review about the main techniques for analysis and classification of textures, including the LBP descriptor (Local Binary Pattern), the descriptor LFP (Local Fuzzy Pattern) and the descriptor MSLMP (Multi-Scale Local Mapped Pattern), which is a multi-scale extension of the LMP method (Local Mapped Pattern). Previous results present in the literature, indicated that the MSLMP achieved better results than those mentioned above. This work proposes a more comprehensive analysis of its feasibility to conclude that this descriptor is more effective than the others. This analysis is done by changing the weight matrix for the thresholding pixels. To evaluate its performance, it was used the texture base of the Brodatz album. After processing it by the descriptor MSLMP with each of the weights matrices proposed in this work, the achieved hit rates were compared by using the distance Chi-square. Experimental results show a better sensitivity value for MSLMP descriptor in comparison of other descriptors present in the literature. / CNPq: 131632/2014-0

Made available in DSpace on 2015-05-14T12:36:26Z (GMT). No. of bitstreams: 1 parte1.pdf: 2704137 bytes, checksum: 1bc9cc5c3099359131fb11fa1878c22f (MD5) Previous issue date: 2010-08-31 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / This work analyzes methods for textures images classification and segmentation using lossless data compression algorithms models. Two data compression algorithms are evaluated: the Prediction by Partial Matching (PPM) and the Lempel-Ziv-Welch (LZW) that had been applied in textures classification in previous works. The textures are pre-processed using histogram equalization. The classification method is divided into two stages. In the learning stage or training, the compression algorithm builds statistical models for the horizontal and the vertical structures of each class. In the classification stage, samples of textures to be classified are compressed using models built in the learning stage, sweeping the samples horizontally and vertically. A sample is assigned to the class that obtains the highest average compression. The classifier tests were made using the Brodatz textures album. The classifiers were tested for various contexts sizes (in the PPM case), samples number and training sets. For some combinations of these parameters, the classifiers achieved 100% of correct classifications. Texture segmentation process was made only with the PPM. Initially, the horizontal models are created using eight textures samples of size 32 x 32 pixels for each class, with the PPM context of a maximum size 1. The images to be segmented are compressed by the models of classes, initially in blocks of size 64 x 64 pixels. If none of the models achieve a compression ratio at a predetermined interval, the block is divided into four blocks of size 32 x 32. The process is repeated until a model reach a compression ratio in the range of the compression ratios set for the size of the block in question. If the block get the 4 x 4 size it is classified as belonging to the class of the model that reached the highest compression ratio. / Este trabalho se propõe a analisar métodos de classificação e segmentação de texturas de imagens digitais usando algoritmos de compressão de dados sem perdas. Dois algoritmos de compressão são avaliados: o Prediction by Partial Matching (PPM) e o Lempel-Ziv-Welch (LZW), que já havia sido aplicado na classificação de texturas em trabalhos anteriores. As texturas são pré-processadas utilizando equalização de histograma. O método de classificação divide-se em duas etapas. Na etapa de aprendizagem, ou treinamento, o algoritmo de compressão constrói modelos estatísticos para as estruturas horizontal e vertical de cada classe. Na etapa de classificação, amostras de texturas a serem classificadas são comprimidas utilizando modelos construídos na etapa de aprendizagem, varrendo-se as amostras na horizontal e na vertical. Uma amostra é atribuída à classe que obtiver a maior compressão média. Os testes dos classificadores foram feitos utilizando o álbum de texturas de Brodatz. Os classificadores foram testados para vários tamanhos de contexto (no caso do PPM), amostras e conjuntos de treinamento. Para algumas das combinações desses parâmetros, os classificadores alcançaram 100% de classificações corretas. A segmentação de texturas foi realizada apenas com o PPM. Inicialmente, são criados os modelos horizontais usados no processo de segmentação, utilizando-se oito amostras de texturas de tamanho 32 x 32 pixels para cada classe, com o contexto PPM de tamanho máximo 1. As imagens a serem segmentadas são comprimidas utilizando-se os modelos das classes, inicialmente, em blocos de tamanho 64 x 64 pixels. Se nenhum dos modelos conseguir uma razão de compressão em um intervalo pré-definido, o bloco é dividido em quatro blocos de tamanho 32 x 32. O processo se repete até que algum modelo consiga uma razão de compressão no intervalo de razões de compressão definido para o tamanho do bloco em questão, podendo chegar a blocos de tamanho 4 x 4 quando o bloco é classificado como pertencente à classe do modelo que atingiu a maior taxa de compressão.