intTypePromotion=1
ADSENSE

Một nghiên cứu so sánh các không gian màu cho nhận dạng hình ảnh đám mây dựa trên đặc trưng LBP và đặc trưng LTP

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:9

17
lượt xem
1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Một nghiên cứu so sánh các không gian màu cho nhận dạng hình ảnh đám mây dựa trên đặc trưng LBP và đặc trưng LTP đề xuất một nghiên cứu so sánh để chọn không gian ứng viên tốt nhất để mã hóa hình ảnh đám mây bằng cách hợp nhất nhiều phương pháp mô tả texture. Phương pháp đề xuất được đánh giá trên cơ sở dữ liệu SWIMCAT (Singapore Whole-sky IMaging CATegories database).

Chủ đề:
Lưu

Nội dung Text: Một nghiên cứu so sánh các không gian màu cho nhận dạng hình ảnh đám mây dựa trên đặc trưng LBP và đặc trưng LTP

  1. Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 123 Một nghiên cứu so sánh các không gian màu cho nhận dạng hình ảnh đám mây dựa trên đặc trưng LBP và đặc trưng LTP A comparative study of color spaces for cloud images recognition based on LBP and LTP features Dương Thị Hồng Hà1* và Lâm Trần Tuấn Dzi1 Trường Đại học Mở Thành phố Hồ Chí Minh, Thành phố Hồ Chí Minh, Việt Nam 1 * Tác giả liên hệ, Email: dthongha@gmail.com THÔNG TIN TÓM TẮT DOI:10.46223/HCMCOUJS. Bài toán phân loại sử dụng mô tả texture được áp dụng rộng proc.vi.17.2.2469.2022 rãi trong việc nhận dạng hình ảnh đám mây trên mặt đất do hiệu quả của nó. Phương pháp Local Binary Pattern (LBP) và các biến Ngày nhận: 20/09/2022 thể của LBP thường được sử dụng để nghiên cứu trong việc biểu Ngày nhận lại: 06/10/2022 diễn hình ảnh đám mây. Sự lựa chọn không gian màu thích hợp có thể nâng cao hiệu suất của hệ thống nhận dạng cho nhiều ứng Duyệt đăng: 08/10/2022 dụng. Trong bài báo này, chúng tôi đề xuất một nghiên cứu so sánh để chọn không gian ứng viên tốt nhất để mã hóa hình ảnh đám mây bằng cách hợp nhất nhiều phương pháp mô tả texture. Từ khóa: Phương pháp đề xuất được đánh giá trên cơ sở dữ liệu hình ảnh đám mây trên mặt đất; SWIMCAT (Singapore Whole-sky IMaging CATegories LBP-LTP; nhận dạng hình ảnh database). đám mây; nhận dạng pattern; ABSTRACT phân loại đám mây; tích hợp dữ liệu The classification problem using texture features is applied widely to recognize ground-based cloud images because of its efficiency. Local Binary Pattern and their variants are often Keywords: investigated to extract cloud image features. The consistent choice of color space can sharpen the recognition system performance of ground-based cloud images; some applications. In this paper, we propose a comparative study LTP-LBP; cloud images to elect the best nominee in color space for coding cloud images recognition; pattern recognition; cloud by combining multiple texture feature extraction methods. The classification; data fusion proposed approach is evaluated on the SWIMCAT database. 1. Giới thiệu Theo Tổ chức Khí tượng Thế giới (WMO), quan sát và nhận dạng đám mây rất quan trọng đối với nghiên cứu khí tượng và khí hậu. Ban đầu, do sự thiếu hụt sóng vô tuyến và các vệ tinh quan sát dẫn đến việc sử dụng toàn bộ hình ảnh bầu trời trên mặt đất để quan sát (Feister & ctg., 2010). Những hình ảnh có sẵn này có chi phí thấp và độ phân giải cao và chúng cung cấp thông tin về đám mây cục bộ một cách chính xác (Dev, Savoy, Lee, & Winkler, 2014; Dev, Savoy, Lee, & Winkler, 2015). Gần đây, các máy ảnh có mặt khắp nơi trên mặt đất đã mở ra những cơ hội mới để quan sát bầu khí quyển của trái đất. Hình ảnh từ những máy ảnh này là một phần quan trọng, bổ sung cho hình ảnh vệ tinh bằng cách cung cấp cho các nhà địa chất dữ liệu rẻ hơn, nhanh hơn và tập trung hơn (Dev, Wen, Lee, & Winkler, 2016).
  2. 124 Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 Một trong những chủ đề quan trọng nhất trong lĩnh vực thị giác máy tính là nhận dạng hình ảnh đám mây trên mặt đất, có rất nhiều ứng dụng khác nhau như dự báo thời tiết, sản xuất năng lượng mặt trời (Fu & Cheng, 2013), dự báo thời tiết địa phương, theo dõi các vệt ngưng tụ (Schumann & ctg., 2013) và giảm tín hiệu truyền thông (Yuan, Lee, & Meng, 2014). Phân loại đám mây trên mặt đất là cực kỳ khó khăn do sự thay đổi của sự xuất hiện của đám mây trong các điều kiện khí quyển khác nhau. Để giải quyết vấn đề này, nhiều phương pháp nghiên cứu đã được đề xuất. Wang, Shi, Wang, và Xiao (2018) đã đề xuất một phương pháp trích xuất đặc trưng bằng cách xếp hạng tất cả các tần suất xuất hiện của đặc trưng LBP bất biến xoay vòng để nhận dạng hình ảnh đám mây. Cheng và Yu (2015) đã đề xuất phân chia khối và phân loại khối dựa trên các đặc trưng LBP. Zhen và cộng sự (2015) trích xuất đặc trưng quang phổ và đặc trưng texture dựa trên phân tích thống kê tông màu và ma trận đồng biến mức xám (GLCM). Zhang, Li, Liu, Xiao, và Cao (2018) đề xuất một kỹ thuật trích xuất đặc trưng được gọi là chuyển các LBP có giá trị để giải quyết thay đổi chế độ xem của mạng neural tích chập (CNN) và trích xuất các đặc trưng cục bộ dựa trên bản đồ đặc trưng. Một đặc trưng kế thừa quan trọng là thông tin màu sắc được sự bổ sung cho hình dạng và texture, thường cho hiệu suất tốt hơn (Khan, Anwer, van de Weijer, Felsberg, & Laaksonen, 2015). Do đó, việc kết hợp nhiều bộ đặc trưng texture là cần thiết để đạt được độ chính xác nhận dạng một cách mạnh mẽ. Chúng có thể là các đặc trưng được trích xuất từ một số kênh màu hoặc không gian màu và các loại đặc trưng cục bộ hoặc toàn cục khác nhau (Ta & Truong, 2019). Gần đây, các công trình nghiên cứu khác nhau được đề xuất cho nhiệm vụ nhận dạng pattern khác nhau bằng cách nghiên cứu thông tin màu sắc. Ví dụ, Truong và Rebhi (2018) trình bày một nghiên cứu so sánh về tác động của không gian màu để nhận biết lỗi vải. Hình ảnh vải được biểu diễn bằng đặc trưng LBP dựa trên tám không gian màu. Bianconi, Bello, Fernández, và González (2015) so sánh hiệu suất của mười hai không gian màu để phân loại hình ảnh đá. Nguyen và Truong (2019) nghiên cứu mười bốn không gian màu để trích xuất các đặc trưng nhằm kiểm nghiệm mối tương quan. Duong và Truong (2019) sử dụng các đặc trưng được mã hóa để trích xuất hình ảnh hạt giống lúa trong nhiều không gian màu bằng cách sử dụng phương pháp HOG. Sandid và và Douik (2016) cho thấy rằng việc lựa chọn không gian màu tốt nhất phụ thuộc vào cơ sở dữ liệu hình ảnh được sử dụng và từ đó ứng dụng được xem xét. Trong công việc này, chúng tôi áp dụng kỹ thuật trích xuất đặc trưng LBP và kỹ thuật trích xuất đặc trưng LTP (Local Ternary Patter) - biến thể của LBP - để trích xuất đặc trưng hình ảnh màu của đám mây. Sau đó, áp dụng chiến lược hợp nhất các đặc trưng và mã hóa trong các không gian màu khác nhau. Phần còn lại của bài viết này được tổ chức và cấu trúc như sau: Mục 2 giới thiệu ngắn gọn về phương pháp trích xuất đặc trưng LBP và trích xuất đặc trưng LTP. Mục 3 xem xét các không gian màu phổ biến được sử dụng trong nhận dạng pattern. Mục 4 giới thiệu kết quả thử nghiệm trên bộ dữ liệu SWIMCAT. Cuối cùng, kết luận được thảo luận trong Mục 5. 2. Local Binary Pattern và biến thể của nó Phương pháp rút trích đặc trưng Local Binary Pattern (LBP) được đề xuất bởi Ojala và cộng sự đã được biết đến như một trong những phương pháp thống kê thành công nhất do hiệu suất nhận dạng của nó, mạnh mẽ chống lại sự nhiễu sáng và tính toán rút trích tương đối nhanh (Ojala, Pietikainen, & Maenpaa, 2002). Toán tử này tính toán mã hóa LBP thông qua cấu trúc vùng lân cận cục bộ bằng cách sử dụng các sử dụng các pixel lân cận trong mỗi khối ảnh vuông 3×3 pixels. Giá trị mã hóa 〖LBP〗_(P,R) (x_c,y_c) cho mỗi pixel (x_c,y_c) có được bằng cách
  3. Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 125 so sánh giá trị thang màu xám g_c của pixel trung tâm với giá trị thang màu xám {g_i }_(i=0)^(p-1) của những pixel p lân cận. Công thức tính LBP như sau: 𝑝−1 𝐿𝐵𝑃𝑃,𝑅 (𝑥𝑐 , 𝑦𝑐 ) = ∑𝑖=0 (𝑔𝑖 − 𝑔𝑐 ) × 2𝑖 (1) trong đó, là hàm ngưỡng của toán tử được định nghĩa: 1 nếu (𝑔𝑖 − 𝑔𝑐 ) ≥ 0 (𝑔𝑖 − 𝑔𝑐 ) = { (2) 0 nếu (𝑔𝑖 − 𝑔𝑐 ) < 0 LBP chống lại các hiệu ứng ánh sáng theo nghĩa là nó bất biến đối với các phép biến đổi mức xám đơn điệu, và LBP đã được chứng minh là có hiệu quả phân biệt cao trong phân loại texture. Tuy nhiên, vì ngưỡng chính xác giá trị của pixel trung tâm có xu hướng nhạy cảm với nhiễu, đặc biệt là ở các vùng hình ảnh “phẳng”. Nhiều tác giả đã đề xuất một số biến thể LBP bằng cách thay đổi sơ đồ ngưỡng hoặc số lượng mã hóa để tăng khả năng chống nhiễu và tăng độ phân biệt một các tối ưu. Một trong những biến thể phổ biến để biểu diễn hình ảnh đám mây là Local Ternary Patterns (LTP) do Tan và cộng sự đề xuất (Tan & Triggs, 2007). Họ đề xuất mã hóa pixel trung tâm theo ba ngưỡng {-1,0,1} cụ thể như sau: 1 nếu (𝑔𝑖 − 𝑔𝑐 ) ≥ 𝑡 ′  (𝑔𝑖 − 𝑔𝑐 ) = { 0 nếu (𝑔𝑖 − 𝑔𝑐 ) < 𝑡 (3) −1 nếu (𝑔𝑖 − 𝑔𝑐 ) ≤ 𝑡 Trong hướng tiếp cận này, bổ sung vào một tham số t là ngưỡng do người dùng định nghĩa để tăng khả năng chống lại nhiễu. Mỗi ternary sau đó được chia thành hai phần, mỗi phần được coi là một LBP riêng biệt, sau đó đem đi tính toán để tạo ra histogram và cuối cùng thì ghép hai histogram này lại với nhau. 3. Không gian màu Màu sắc trong hệ thống thị giác máy tính được tạo ra từ sự kết hợp của 03 kênh màu cụ thể gọi là một không gian màu. Đối với các công việc nhận dạng hình ảnh như phát hiện, phục hồi và nhận dạng đối tượng, các không gian màu khác nhau có mức độ phân biệt một cách mạnh mẽ bởi nó có các đặc tính vật lý, sinh lý và tâm lý thị giác khác nhau. Một số không gian màu cho hiệu suất nhận dạng hiệu quả tốt bằng cách tính toán từ không gian RGB thông qua các phép biến đổi tuyến tính hoặc phi tuyến tính (Truong & Porebski, 2018). Chúng có thể được chia thành bốn nhóm: - Không gian màu cơ bản: RGB, XYZ. - Không gian màu trục độc lập: I1I2I3. - Không gian màu thành phần sáng - màu (Luminance–Chrominance): Luv, Lab, YUV, YIQ. - Không gian màu tri giác: HSI, HLS, HSV, bwrgby, HLS. 4. Kết quả thực nghiệm Mặc dù vấn đề phân loại hình ảnh đám mây trên mặt đất đã được nghiên cứu trong nhiều năm, nhưng có rất ít bộ dữ liệu hình ảnh đám mây có sẵn và được công khai. SWIMCAT (Dev, Lee, & Winkler, 2015) là viết tắt của Singapore Whole-sky IMaging CATegories databas, chứa 784 hình ảnh về bầu trời/mây, được phân thành 05 loại: trời trong xanh, mây có hoa văn, mây đen dày, mây trắng dày và mây che phủ (xem Hình 1).
  4. 126 Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 Hình 1. 05 loại ảnh mây/bầu trời trong bộ dữ liệu SWIMCAT: (a) trời trong xanh, (b) mây có hoa văn, (c) mây đen dày, (d) mây trắng dày, (e) mây che phủ Những hình ảnh này được hiểu chỉnh trong khoảng thời gian 17 tháng từ tháng 01 năm 2013 đến tháng 05 năm 2014, mỗi ảnh có kích thước 125×125 pixel. Năm loại bầu trời được xác định dựa trên các đặc điểm trực quan của điều kiện bầu trời/đám mây, tham khảo ý kiến các chuyên gia từ Dịch vụ Khí tượng Singapore. Chúng tôi sử dụng mười bốn không gian màu (RGB, bwrgby, HLS, HSV, I1I2I3, IHLS, Lab, Luv, rgb, XYZ, YcbCr, YIQ, YUV) để thể hiện hình ảnh của bộ dữ liệu SWIMCAT. Ba loại đặc trưng (LBP, LTP và LBP + LTP) được sử dụng để trích xuất đặc trưng từ hình ảnh đám mây trong bộ dữ liệu SWIMCAT và đem so sánh hiệu quả phân loại thu được. Kỹ thuật kiểm chứng chéo được chạy thử nghiệm 05 lần (5-fold cross validation) được áp dụng để khởi tạo bộ dữ liệu và chia bộ dữ liệu thành hai tập (tập train và tập test). Như chúng tôi đã đề cập trong Mục 1 , thông tin màu sắc rất hữu ích để trích xuất các đặc trưng. Wang và cộng sự (2018) xem xét hình ảnh mức xám để trích xuất đặc trưng LBP và LTP. Ở đây, chúng tôi trích xuất đặc trưng từ 03 kênh màu của mỗi không gian màu và cuối cùng ghép lại để xây dựng một vector đặc trưng cho mỗi hình ảnh đám mây. Điều này làm cho chiều của vector đặc trưng dài gấp ba lần so với (Wang & ctg., 2018) trích xuất đặc trưng LBP hoặc LTP mà sử dụng hình ảnh xám. Bằng cách thay đổi giá trị R và giá trị P, chúng ta có thể tính toán các đặc trưng LBP với texture ở các tỷ lệ khác nhau. Ví dụ, 𝐿𝐵𝑃16,2 dùng đến 16 pixel lân cận với bán kính 2. Đặc trưng LBP xuất ra các giá trị 2^P khác nhau và 2^P- chiều histogram. Trong công việc này, chúng tôi thay đổi giá trị của R (R ∈ {1,2, … ,5}) và P (P ∈ {4,8,12}) cho các đặc trưng LBP, LTP và LBP + LTP. Ở đây, chúng tôi đặt giá trị của t = 1 cho đặc trưng LTP. Bảng 1 trình bày kết quả phân loại trên bộ dữ liệu SWIMCAT. Chúng tôi chỉ báo cáo độ chính xác tốt nhất cho những không gian màu cụ thể của từng loại đặc trưng. Giá trị in đậm chỉ độ chính xác tốt nhất của mỗi hàng. Giá trị in nghiêng cho biết độ chính xác tốt nhất của mỗi cột. Bằng cách quan sát bảng này, chúng ta có thể thấy không có sự xuất hiện của không gian màu RGB trong khi đó không gian màu HLS, HSV và IHLS thì đạt được hiệu suất phân loại tốt. Vì vậy, không gian màu có thành phần sáng và màu (Luminance-Chrominance) phù hợp để biểu diễn đặc trưng texture đám mây. Độ chính xác cao nhất là 99.2 ± 0.8 có được từ đặc trưng LBP (2,12). Kết quả này khẳng định thêm một lần nữa rằng đặc trưng LBP và LTP thích hợp và cần được xem xét thêm ở một số ứng dụng (Truong & Rebhi, 2018).
  5. Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 127 Bảng 1 Kết quả phân loại của ba loại đặc trưng (LBP, LTP và LBP + LTP) khi dùng kỹ thuật kiểm chứng chéo được chạy thử nghiệm 05 lần (5-fold cross validation). Độ chính xác có được dựa trên kết quả tốt nhất được thực hiện trên một không gian màu cụ thể hoặc trên một cặp giá trị (P, R) được chọn. Giá trị in đậm chỉ độ chính xác tốt nhất của mỗi hàng. Giá trị in nghiêng cho biết độ chính xác tốt nhất của mỗi cột. Giá trị màu đỏ biểu thị giá trị tốt nhất của từng loại đặc trưng. Việc so sánh chi tiết các không gian màu của luận án sau đó được đưa ra trong Hình 2. Chúng tôi chọn độ chính xác tốt nhất thu được cho mỗi cặp (P, R) để so sánh hiệu suất của các không gian màu khác nhau. Các không gian màu cơ bản bao gồm RGB và XYZ không cho hiệu suất tốt so với các không gian khác. Hiệu suất ổn định ở mức 98.0% khi chúng tôi kết hợp các đặc trưng LBP và LTP. Chúng tôi tóm tắt kết quả và so sánh với các công trình trước đây được nêu trong Bảng 2. Bằng cách kết hợp thông tin màu sắc và nghiên cứu các không gian màu khác nhau, chúng tôi cải thiện hơn 2% so với các nghiên cứu trước. Lưu ý rằng chúng tôi áp dụng chiến lược phân chia trong bài (Wang & ctg., 2018) để phân chia dữ liệu. Ý nghĩa thống kê của các kết quả mà chúng tôi có được có độ tin cậy hơn vì độ lệch chuẩn là ít hơn.
  6. 128 Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 Bảng 2 So sánh với các công trình nghiên cứu trước đây Đặc trưng Không gian màu Độ chính xác LBP (1,8) (Ojala, Pietikäinen, & Harwood, 1996) Gray 79.3 ± 3.9 DLBP (Liao, Law, & Chung, 2009) Gray 81.8 ± 4.2 CLBP (Guo, Zhang, & Zhang, 2010) Gray 84.2 ± 1.0 SaLBP (Liao & ctg., 2009) Gray 89.1 ± 1.9 SLBP (Wang & ctg., 2018) Gray 97.1 ± 1.7 LBP (Ojala & ctg., 2002) YUV 99.2 ± 0.8 LTP (Bài báo này) HLS 99.0 ± 0.9 LBP+LTP (Bài báo này) IHLS 99.0 ± 0.9 Color spaces Color spaces (a) LBP (2,12) (b) LTP (4,8) Color spaces Color spaces (c) LTP (3,12) (d) LBP+LTP (3,4) Hình 2. So sánh hiệu suất của các loại đặc trưng khác nhau với những tham số truyền vào khách nhau: (a) LBP (2,12), (b) LTP (4,8), (c) LTP (3,12), (d) LBP+LTP (3,4)
  7. Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 129 5. Kết luận Chúng tôi đề xuất kết hợp thông tin màu để trích xuất đặc trưng từ đặc trưng LBP và LTP. Các không gian màu khác nhau sau đó được nghiên cứu để so sánh hiệu suất trong phân loại hình ảnh đám mây. Trước đây, có nhiều thuật toán xử lý hình ảnh, phân loại ảnh chủ yếu dựa vào hệ màu RGB. Tuy nhiên, trong việc phân loại ảnh mây/bầu trời, dường như hệ màu RGB lộ ra nhiều nhược điểm và không phải là ứng viên tốt để phân loại. Nghiên cứu được đánh giá trên bộ dữ liệu SWIMCAT đã cho thấy hiệu quả của phương pháp đề xuất. Chúng tôi cải thiện hơn 2% so với các nghiên cứu trong tài liệu trước đây. Tuy nhiên, chiều không gian của đặc trưng được trích xuất tăng lên do thêm thông tin màu sắc và ghép các đặc trưng. Vấn đề này cần được giải quyết trong tương lai để loại bỏ các đặc trưng không liên quan. Tài liệu tham khảo Bianconi, F., Bello, R., Fernández, A., & González, E. (2015). On comparing colour spaces from a performance perspective: Application to automated classification of polished natural stones. In V., Murino, E., Puppo, D., Sona, M., Cristani & C. Sansone (Eds.), Lecture notes in computer science (Vol. 9281). doi:10.1007/978-3-319-23222-5_9 Cheng, H.-Y., & Yu, C.-C. (2015). Block-based cloud classification with statistical features and distribution of local texture features. Atmospheric Measurement Techniques, 8(3), 1173- 1182. doi:10.5194/amt-8-1173-2015 Dev, S., Lee, Y. H., & Winkler, S. (2015). Categorization of cloud image patches using an improved texton-based approach. 2015 IEEE International Conference on Image Processing (ICIP), 422-426. doi:10.1109/ICIP.2015.7350833 Dev, S., Savoy, F. M., Lee, Y. H., & Winkler, S. (2014). WAHRSIS: A low-cost high-resolution whole sky imager with near-infrared capabilities. In Infrared imaging systems: Design, analysis, modeling, and testing XXV (Vol. 9071, pp. 510-519). doi:10.1117/12.2052982 Dev, S., Savoy, F. M., Lee, Y. H., & Winkler, S. (2015). Design of low-cost, compact and weather-proof whole sky imagers for high-dynamic-range captures. 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 5359-5362. doi:10.1109/IGARSS.2015.7327046 Dev, S., Wen, B., Lee, Y. H., & Winkler, S. (2016). Machine learning techniques and applications for ground-based image analysis. doi:10.48550/ARXIV.1606.02811 Duong, T. H., & Truong, V. H. (2019). Dimensionality reduction based on feature selection for rice varieties recognition. 2019 4th International Conference on Information Technology (InCIT), 199-202. doi:10.1109/INCIT.2019.8912121 Feister, U., Möller, H., Sattler, T., Shields, J., Görsdorf, U., & Güldner, J. (2010). Comparison of macroscopic cloud data from ground-based measurements using VIS/NIR and IR instruments at Lindenberg, Germany. Atmospheric Research, 96(2/3), 395-407. doi:10.1016/j.atmosres.2010.01.012
  8. 130 Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 Fu, C.-L., & Cheng, H.-Y. (2013). Predicting solar irradiance with all-sky image features via regression. Solar Energy, 97, 537-550. doi:10.1016/j.solener.2013.09.016 Guo, Z., Zhang, L., & Zhang, D. (2010). A completed modeling of local binary pattern operator for texture classification. IEEE Transactions on Image Processing, 19(6), 1657-1663. doi:10.1109/TIP.2010.2044957 Khan, F. S., Anwer, R. M., van de Weijer, J., Felsberg, M., & Laaksonen, J. (2015). Compact color–texture description for texture classification. Pattern Recognition Letters, 51, 16-22. doi:10.1016/j.patrec.2014.07.020 Liao, S., Law, M. W. K., & Chung, A. C. S. (2009). Dominant local binary patterns for texture classification. IEEE Transactions on Image Processing, 18(5), 1107-1118. doi:10.1109/TIP.2009.2015682 Nguyen, T. V., & Truong, V. H. (2019). Kinship verification based on local binary pattern features coding in different color space. 2019 26th International Conference on Telecommunications (ICT), 376-380. doi:10.1109/ICT.2019.8798781 Ojala, T., Pietikäinen, M., & Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions. Pattern Recognition, 29(1), 51-59. doi:10.1016/0031-3203(95)00067-4 Ojala, T., Pietikainen, M., & Maenpaa, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7), 971-987. doi:10.1109/TPAMI.2002.1017623 Sandid, F., & Douik, A. (2016). Robust color texture descriptor for material recognition. Pattern Recognition Letters, 80, 15-23. doi:10.1016/j.patrec.2016.05.010 Schumann, U., Hempel, R., Flentje, H., Garhammer, M., Graf, K., Kox, S., … Mayer, B. (2013). Contrail study with ground-based cameras. Atmospheric Measurement Techniques, 6(12), 3597-3612. doi:10.5194/amt-6-3597-2013 Ta, H. M. N., & Truong, V. H. (2019). Feature fusion by using LBP, HOG, GIST descriptors and Canonical Correlation Analysis for face recognition. 2019 26th International Conference on Telecommunications (ICT), 371-375. doi:10.1109/ICT.2019.8798816 Tan, X., & Triggs, B. (2007). Enhanced local texture feature sets for face recognition under difficult lighting conditions. In S. K. Zhou, W. Zhao, X. Tang & S. Gong (Eds.), Analysis and modeling of faces and gestures (Vol. 4778, pp. 168-182). doi:10.1007/978-3-540- 75690-3_13 Truong, V. H., & Porebski, A. (2018). Multi color space LBP-based feature selection for texture classification. Journal of Electronic Imaging, 27(1). doi:10.1117/1.JEI.27.1.011010 Truong, V. H., & Rebhi, A. (2018). On comparing color spaces for fabric defect classification based on local binary patterns. 2018 IEEE 3rd International Conference on Signal and Image Processing (ICSIP), 297-300. doi:10.1109/SIPROCESS.2018.8600419 Wang, Y., Shi, C., Wang, C., & Xiao, B. (2018). Ground-based cloud classification by learning stable local binary patterns. Atmospheric Research, 207, 74-89. doi:10.1016/j.atmosres.2018.02.023
  9. Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 131 Yuan, F., Lee, Y. H., & Meng, Y. S. (2014). Comparison of radio-sounding profiles for cloud attenuation analysis in the tropical region. 2014 IEEE Antennas and Propagation Society International Symposium (APSURSI), 259-260. doi:10.1109/APS.2014.6904461 Zhang, Z., Li, D., Liu, S., Xiao, B., & Cao, X. (2018). Multi-view ground-based cloud recognition by transferring deep visual information. Applied Sciences, 8(5), Article 748. doi:10.3390/app8050748 Zhen, Z., Wang, F., Sun, Y., Mi, Z., Liu, C., Wang, B., & Lu, J. (2015). SVM based cloud classification model using total sky images for PV power forecasting. 2015 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT), 1-5. doi:10.1109/ISGT.2015.7131784 Creative Commons Attribution-NonCommercial 4.0 International License.
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2