الگوي انتروپي محلي جهت استخراج ويژگي هاي تصاوير بافتي

Local Entropy Pattern for Feature Extraction of Texture Images

روشهاي زيادي براي استخراج ويژگي از تصاوير بافتي ارائه شده اند، يكي از مهمترين و ساده ترين روش ها، روش هاي مبتني بر الگوي دودويي محلي است كه بدليل سادگي در پياده سازي و استخراج ويژگي هاي مناسب با دقت طبقه بندي بالا، مورد توجه بسياري از متخصصان قرار گرفته است. همچنين از تركيب الگوي دودويي محلي و واريانس محلي ويژگي هايي با نتايج بهتر طبقه بندي توليد شده است. در اينجا از يك روش جديد بنام الگوي انتروپي محلي استفاده شده است. اين روش از آن جهت كه از رابطه اي مشابه انتروپي استفاده مي كند بر اين اساس نامگذاري شده است ولي از برخي جهات با رابطه انتروپي فرق دارد. روش پيشنهادي در مقايسه با الگوي دودويي محلي و واريانس محلي به نويز مقاوم تر است. همچنين تركيب آن با الگوي دودويي محلي نتايج بسيار بهتري نسبت به تركيب واريانس محلي با الگوي دودويي محلي توليد مي كند. الگوي انتروپي محلي همانند واريانس نشان دهنده ميزان غيرهمسان بودن الگوهاي محلي هر همسايگي است. اين روش ضمن اينكه كليه ويژگي هاي مثبت روش هاي موجود مانند غيرحساس بودن به چرخش و تغييرات روشنايي را دارد، نسبت به نويز نيز بسيار مقاوم است.

There are many methods for feature extraction from texture images. Local Binary Pattern (LBP) is one of the most important of these methods. It is a simple method for implementation and can extracttexture features efficiently.LBP can be combined with local variance (VAR) to provide higher classification rate. In this paper, a new method is proposedwhich is named Local Entropy Pattern (LEP). The equation of this method is similar to Entropy literally, butit is differ from Entropy in some issues. The proposed method is more robust to noise than LBP and VAR. In addition, by combiningits features with LBP features the classification rate increases significantly and it provides higher accuracy than LBP/VAR. Local Entropy Pattern shows dissimilarity of a local neighborhood. This approach has all positive points of LBP and some stateofart similar methods. It is not only rotation and grayscale invariant but also noise robust.