Please use this identifier to cite or link to this item:
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΧαρίση, Ίναel
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.subjectΕπεξεργασία εικόναςel
dc.subjectΨηφιακές τεχνικέςel
dc.subjectImage processingen
dc.subjectDigital techniquesen
dc.titleΤαξινόμηση εικόνων με bag of words LBP descriptorel
dc.titleImage classification with bag of words LBP descriptorsen
heal.type.enMaster thesisen
heal.type.elΜεταπτυχιακή εργασίαel
heal.classificationΕπεξεργασία εικόνας -- Ψηφιακές τεχνικές.-
heal.recordProviderΠανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μηχανικών Η/Υ & Πληροφορικήςel
heal.bibliographicCitationΒιβλιογραφία: σ. 55-56el
heal.abstractΗ εργασία αυτή διερευνά μια νέα μέθοδο ταξηνόμησης και επεξεργασίας εικόνων που βασίζε- ται σε ένα LBP πρότυπο με χρήση του μοντέλου Bag of Words για να βελτιώσει την απόδοση ταξινόμησης διάφορων κατηγόριων αντικείμενων εικόνων. Αρχικά όλες οι εικόνες φιλτράρονται από πρότυπα Lbp,όπως θα δούμε παρακάτω. Έτσι αντί να χρησιμοποιούμε τις κανονικές εικόνες, γίνεται χρήση των Lbp εικόνων. Τα Lbp είναι μέθο- δοι ανάλυσης υφής, αποτυπώνουν και κωδικοποιούν τοπικά χαρακτηριστικά των εικόνων, τη γειτονιά, δηλαδή, γύρω από κάθε εικονοστοιχείο. Η κατανομή τους χαρακτηρίζει τις ει- κόνες. Το γεγονός ότι οι διαβαθμίσεις του γκρι στις περισσότερες εικόνες περιέχουν κάποιο είδος θορύβου τις καθιστά χρήσιμες, καθώς παραμένουν αναλλοίωτες οι αποχρώσεις του γκρι. Υπαρχουν πολλές παραλλαγές τις βασικής μεθόδου LBP. Έπειτα κατασκευάζεται ο Bag of Word Descriptor,οπού συγκεντρώνονται κάποιες περιοχές των φιλτραρισμένων εικόνων από LBP μεθόδους, που έχουν εξαχθεί στην αρχική φάση. Ακο- λουθεί Δειγματοληψία, δηλαδή επιλέγονται κάποιες περιοχές για κάθε LBP εικόνα. Οι περιο- χές αυτές θα πρέπει να ομαδοποιηθούν με βάση τα κοινά χαρακτηριστικά του, αυτό γίνεται με χρήση του Αλγορίθμου K-Means. Το στάδιο αυτό είναι το στάδιο της εξαγωγής χαρακτηρι- στικών. Άρα ο BoWL Descriptor είναι μια δομή με σημαντικά χαρακτηριστικά για τις εικόνες viπου θα ταξινομηθούν. Τα νέα αυτά χαρακτηριστικά αποτελούν κωδικο-λέξεις με σημαντική πληροφορία και Bow Descriptor είναι στην ουσία ένα λεξικό. Σε τρίτη φάση, έχουμε την αναπαράσταση των εικόνων ως προς τα χαρακτηριστικά στο λεξικό, για κάθε εικονοστοιχείο (antization). Κάθε εικόνα θα πρέπει να έχει τα εικονοστοι- χεία της χαρακτηρισμένα ως προς κάποια λέξη. Αναγράφονται νέες τιμές σε κάθε εικόνα, για κάθε pixel, προκύπτουν εκ νέου άλλες εικόνες. Ακολουθεί η εξαγωγή ιστογραμμάτων για κάθε εικόνα. Τέλος αυτό που απομένει να γίνει είναι η ταξινόμηση στα ιστογράμματα που έχουν προκύψει. Γίνεται χρήση κάποιων γνωστών αλγορίθμων ταξινόμησης όπως Knn,Νaive Bayes κτλ. Για κάθε λειτουργιά LBP και αλγόριθμο ταξινόμησης έχει γίνει μια σειρά από πειράματα με διάφορες αλλαγές εσωτερικών χαρακτηριστικών, των αλγορίθμων. Εδώ θα κριθεί η αποτε- λεσματικότητα και αν ο στόχος της προτεινόμενης μεθοδολογίας, επιτευχθεί. Προβλήματα που προέκυψαν και σημεία για το πως θα μπορούσαμε να έχουμε καλύτερη απόδοση.el
heal.abstractThis work investigates a new method of image classification and processing, that is based on Local Binary Patterns (LBP) using Bag of Words (BoW) method to improve the efficiency of the classification of various categories of image items. Initially all images are filtered by LBP filters. This way, LBP images are used instead of normal images. The Lbp are texture analysis methods, which capture and encode local features of images, neighborhood, i.e., around each pixel. their distribution characterizes images. The fact that the grayscale in most images contain a noise type makes them useful as they remain unchanged to shades of gray. there are many variations of the basic LBP method. In a second stage the Bag of Word Descriptor (BoW) is constructed, where some areas of the filtered pictures that were extracted, in initial phase are being concentrated. As a result BoWL Descriptor is a structure with features of high significance for the pictures that are to be classified. Sampling is following , some areas for each LBP image are selected. these areas should be grouped based on common characteristics, it is done by Algorithm K-Means. this step is the step of extracting features. So the BoWL Descriptor is a structure with important features for the images. These new features can called code-words with significant information and Bow Descriptor is essentially a dictionary. viiiIn a thirred phase, representation of the images according to features in the BoWL Lexicon or Descriptor, for each pixel (Qantization) is to be done. Each pixel of an image, must labeled with a word from the lexicon. New values in each image, for each pixel, are entered, resulting again to different images, so the histograms for each image, are exported. Finally, what remains to be done is to classify the histograms which have arisen. Known sorting algorithms as Knn, Naive Bayes etc are used. For each LBP function and classification algorithm series of experiments have been done. Here the and if the aim of the proposed methodology, achieved,are judged. Problems and solution for methodology improvement are discussed.en
heal.advisorNameΜπλέκας, Κωνσταντίνοςel
heal.committeeMemberNameΜπλέκας, Κωνσταντίνοςel
heal.academicPublisherΠανεπιστήμιο Ιωαννίνων. Σχολή Θετικών Επιστημών. Τμήμα Μηχανικών Η/Υ & Πληροφορικήςel
heal.numberOfPages58 σ.-
Appears in Collections:Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΥ

Files in This Item:
File Description SizeFormat 
Μ.Ε. ΧΑΡΙΣΗ ΙΝΑ 2015 .pdf2.62 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons