Filtry teksturalne w procesie automatycznej klasyfikacji obiektów

• Autorzy: Marmol U. , Lenda G.

Warianty tytułu

EN

Texture filters in the process of automatic object classification

• Języki publikacji: PL

Abstrakty

PL

Badanie tekstury jest istotne w wielu zastosowaniach związanych z analizą obrazów dla klasyfikacji, detekcji i segmentacji obiektów. Tekstura stanowi lokalny wzorzec przestrzenny, trudny do zdefiniowania w sposób ścisły. Nie oznacza to jednak, że cecha ta, ze względu na swoją niejednoznaczność, może być ignorowana i pomijana w badaniach nad informacją pochodzącą z obrazów. Tematem przeprowadzonych prac jest interpretacja ortofotomapy prawdziwej (ang. trueortho) w celu automatycznego wykrycia obiektów zabudowy i roślinności. Elementy te na obrazach charakteryzują się różnorodnym kształtem, kolorem i teksturą. W niniejszych badaniach podjęto próbę udowodnienia tezy, że tekstura może stanowić dobry wyznacznik wydzielenia obiektów takich jak drzewa od elementów zabudowy. Procedury teksturalne można podzielić na trzy kategorie: strukturalne, statystyczne i bazujące na filtracji. W niniejszym artykule skupiono się na filtrach teksturalnych – filtrach Gabora, wzmocnionych z wykorzystaniem „energii teksturalnej” Lawsa. Energia teksturalna reprezentuje ilość zmian wewnątrz rozpatrywanego okna na obrazach poddanych określonemu wariantowi filtru. Filtr Gabora jest filtrem liniowym, wykorzystywanym do detekcji krawędzi. Stanowi on uogólnienie transformaty Fouriera, jego reprezentacja częstotliwościowa jest zbliżona do obrazowania systemu wizyjnego człowieka i może być przydatna w procesie opisywania i rozróżniania tekstur. W badaniach wykorzystano dane pozyskane podczas nalotu nad miastem Espoonlahti w Finlandii: dane obrazowe o rozdzielczości terenowej 0.06 m, zarejestrowane kamerą cyfrową Rollei i dane laserowe z systemu TopEye MK II o gęstości 30 punktów/m2.

EN

The texture analysis is important in many applications of image analysis for classification, detection and segmentation of objects. Texture is the local spatial pattern, which is difficult to define strictly. This doesn’t mean, however, that this feature can be ignored and neglected in research on information derived from images, because of its ambiguity. The theme of the study is the interpretation of true orthophoto for automatic detection of building objects and vegetation. These elements are characterized in the image by a variety of shape, color and texture. In the present study the authors attempt to prove the thesis that the texture can be a good indicator for separation of objects such as trees from building elements. Textural procedures can be divided into three categories: structural, statistical and filter based approaches. The paper is focused on the textural filters – the Gabor filters, strengthened by the use of Laws’ "texture energy". The texture energy represents the number of changes within the window in an image subjected to a particular filter variant. The Gabor filter is linear, used for edge detection. It is a generalization of the Fourier transform, its frequency representation is similar to the imaging of human visual system and may be useful in the process of describing and differentiating textures. The data used for study have been collected during a flight over the Finland town Espoonlathi. They were as follow: image data with a spatial resolution of 0.06 m, acquired with a digital camera Rollei, and laser data from the TopEye MK II system with a resolution of 30 points/m2.

Słowa kluczowe

PL

analiza tekstury; klasyfikacja obiektów; filtry Lawsa; filtry Gabora

EN

texture analysis; object classification; Laws filters; Gabor filters

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2010
• Tom: Vol. 21
• Strony: 235--243
• Opis fizyczny: Bibliogr. 13 poz.

Twórcy

autor

Marmol U.

• Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, Akademia Górniczo-Hutnicza

autor

Lenda G.

• Katedra Geodezji Inżynieryjnej i Budownictwa, Akademia Górniczo-Hutnicza

Bibliografia

• 1.Borkowski A., Tymków P., 2007. Wykorzystanie danych lotniczego skaningu laserowego i zdjęć lotniczych do klasyfikacji pokrycia terenu. Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 17a, s. 93–103.
• 2.Campbell F. W., Robson J. G., 1968. Application of Fourier analysis to the visibility of gratings. J. Physiology, vol. 197, s. 551–566.
• 3.Clausi D. A., Jernigan M. E., 2000. Designing Gabor filters for optimal texture separability. Pattern Recognition 33, s. 1835–1849.
• 4.Hammouda K., Jernigan E., 2010. Texture segmentation using Gabor filters. citeseerx. ist.psu.edu/viewdoc/download?doi=10.1.1.112.6669.pdf
• 5.Iwaniak A., Kubik T., Paluszyński W., Tymków P., 2005. Classification of features in highresolution aerial photographs using neural network. XXII Int. Cartographic Conference: Mapping Approaches Into A Changing World. A Coruna.
• 6.Jain A. K., Farrokhnia F., 1991. Unsupervised texture segmentation using gabor filters. Pattern Recognition, vol. 16, s. 1167–1186.
• 7.Laws K. I., 1980a. Texture image segmentation. Ph.D. dissertation, Dept. Of Engineering, University of Southern California.
• 8.Laws K. I., 1980b. Rapid texture identification. Proc. SPIE vol. 238, s. 376–380.
• 9.Przybyło J., 2008. Automatyczne rozpoznawanie elementów mimiki w obrazie twarzy i analiza ich przydatności do sterowania. Rozprawa doktorska, AGH.
• 10.Randen T., 1997. Filter and filter bank design for image texture recognition. Ph.D. Thesis. Norwegian University of Science and Technology.
• 11.Recio Recio J. A., Ruiz Fernández L. A., Fernández-Sarriá, 2005. Use of Gabor filters for texture classification of digital image. Física de la Tierra 17, s. 47–59.
• 12.Weldon T. P., Higgins W. E., 1998. An algorithm for designing multiple Gabor filters for segmenting multi-textured images. IEEE Int. Conf. On Image Processing, s. 333–337.
• 13.Włodarczyk M., Matuszczak T., 2009. Rozpoznawanie człowieka przy pomocy wzorca tęczówki oka. Raport z projektu kursu metody i algorytmy sztucznej inteligencji. Politechnika Wrocławska.