--

17 (2) 2022

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


Tác giả - Nơi làm việc:
Dương Thị Hồng Hà - Trường Đại học Mở Thành phố Hồ Chí Minh, Thành phố Hồ Chí Minh , Việt Nam
Lâm Trần Tuấn Dzi - Trường Đại học Mở Thành phố Hồ Chí Minh, Thành phố Hồ Chí Minh , Việt Nam
Tác giả liên hệ, Email: Dương Thị Hồng Hà - dthongha@gmail.com
Ngày nộp: 20-09-2022
Ngày duyệt đăng: 08-10-2022
Ngày xuất bản: 01-11-2022

Tóm tắt
Bài toán phân loại sử dụng mô tả texture được áp dụng rộng 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 thể của LBP thường được sử dụng để nghiên cứu trong việc biểu 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 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. Phương pháp đề xuất được đánh giá trên cơ sở dữ liệu SWIMCAT (Singapore Whole-sky IMaging CATegories database).

Từ khóa
hình ảnh đám mây trên mặt đất; LBP-LTP; nhận dạng hình ảnh đám mây; nhận dạng pattern; phân loại đám mây; tích hợp dữ liệu

Toàn văn:
PDF

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


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


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



DOI: https://doi.org/10.46223/HCMCOUJS.proc.vi.17.2.2469.2022
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.