طبقه بندی تصاویر بافتی نویزدار با استفاده از شبکه عصبی عمیق و الگوی دودویی محلی کامل

الگوی دودویی محلی یک توصیفگر پرکاربرد در استخراج ویژگی از تصاویر بافتی است. شبکه های عصبی عمیق کانولوشن نیز از بهترین ابزار طبقه‌بندی با دقت بسیار بالابه شمار می رود. نوآوری اول این پژوهش ارائه یک ساختار برای ترکیب ویژگی‌های الگوی دودویی محلی و شبکه عصبی عمیق کانولوشن برای طبقه بندی تصاویر بافتی نویزدار است که دقت بسیار بالایی را برای طبقه‌بندی تصاویر بافتی نویزدار فراهم می کند. این روش از دو ابزار استخراج ویژگی تشکیل شده است. در یک ابزار، با استفاده از الگوی دودویی محلی کامل ویژگی های محلی تصاویر بافتی، در قالب هیستوگرام سه بعدی استخراج می شود. در ابزار دوم ویژگی های بافتی با استفاده از شبکه عصبی عمیق کانولوشن densenet-121 کاهش داده می شود. این بخش که در فرآیند ترکیب ویژگی‌ها بکارگرفته شده است، با استفاده از شبکه عصبی کانولوشن کم عمق، ابعاد هیستوگرام سه بعدی را ، برای ترکیب با ویژگی‌های عمیق، به صورت قابل توجهی کاهش می دهد. دقت مدل پیشنهادی، روی مجموعه های داده نویزی outex، curet و uiuc با نویز گوسی، نویز نقطه‌ای و نویز   فلفل نمکی با شدت های مختلف، ارزیابی شده است و دقت طبقه بندی روش پیشنهادی برای مقادیر مختلف نویز، بهبودی بین 3 تا 15 درصد داشته است.

noisy textures classification using deep neural network and completed local binary pattern

local binary pattern is one of the most popular descriptor that widely used in feature extraction of texture images. deep convolutional neural network is also one of the best classification methodthat provides very high accuracy. in this research, by combining the features that produced by these two methods, a structure for noisy texture classification is proposed, which provides a very high classification rate. this method is based on two extracted features. the first part uses completed local binary pattern features and in the second part the features of texture images are extracted by using the densenet-121 convolution deep neural network. another motivation of this research related to feature reduction, which significantly reduces the dimensions of extracted features. it employs a shallow convolution neural network to convert the extracted features into lower number of new features. the accuracy of the proposed method has been evaluated on noisy outex, curet and uiuc datasets. the classification accuracy of the proposed method for different level of noise has increased significantly compared to many advanced methods and has improved between 3 and 25%.