دسته بندی بافت غیرحساس به چرخش با استفاده از واریانس الگوی باینری محلی مبتنی بر تطبیق سراسری بهبود یافته با روش بهینه سازی ازدحام ذرات

معمولا از روش استخراج ویژگی عدم وابسته به چرخش محلی یا سراسری در کاربردهایی همچون طبقه بندی بافت استفاده می شود. ویژگی های محلی ثابت (نامتغیر) همچون الگویی باینری محلی (lbp) دارای مشکل عدم استفاده از اطلاعات مکانی سراسری می باشد درحالیکه ویژگی های سراسری، علاوه بر اطلاعات مکانی سراسری، اطلاعات محلی بافت را نیز در نظر می گیرند. از اینرو در این مقاله از روشی هیبریدی برای لحاظ نمودن اطلاعات سراسری در روش الگوی باینری محلی بهره گرفته می شود و برای این منظور از رویکرد تطبیق سراسری عدم وابسته به چرخش در ویژگی الگوی باینری متغیر استفاده می شود. ابتدا با استفاده از توزیع lbp به تخمین جهت های اصلی بافت تصویر پرداخته می شود سپس از نتایج تخمین برای تراز هیستوگرام های lbp استفاده می کند. بنابراین برای تشخیص اطلاعات کنتراست محلی در هیستورگرام lbp تک بعدی، توصیفگر بافت نوینی مبتنی بر واریانس lbp پویا شده به روش بهینه سازی ازدحام ذرات پیشنهاد می شود. روش پیشنهادی نیازمند هیچ گونه کوانتیزه سازی نیست و بدون آموزش است. به منظور افزایش سرعت رویکرد پیشنهادی نیز از روش کاهش بعد ویژگی با استفاده از معیار فاصله استفاده شد. نتایج ازمایشی نشان دهنده بهبود ده درصدی راندمان روش طبقه بندی پیشنهادی در مقایسه بار روش lbp محلی عدم وابسته به چرخش معمول می باشد.