روشی نوین در طبقه بندی مقاوم به نوفه تصاویر بافتی با استفاده از توصیف چند مقیاسه توامان الگوی باینری محلی

نخستین گام در طبقه بندی تصاویر بافتی، توصیف بافت با استفاده از استخراج ویژگی های تصویری مختلف از آن است. تاکنون روش های متعددی برای این موضوع توسعه یافته اند که از جمله مشهورترین آن ها می توان به روش الگوی دودویی محلی اشاره کرد. به منظور استخراج اطلاعات بافتی در مقیاس های مختلف، روش الگوی باینری محلی را می توان در یک چهارچوب چندمقیاسه پیاده سازی کرد. در این حالت، بردارهای ویژگی به دست آمده در سطوح مقیاس مختلف به یکدیگر پیوست می شوند تا یک بردار ویژگی برآیند با طول بیشتر را تولید کند؛ اما چنین روشی دو عیب مهم دارد؛ نخست این که، روش الگوی دودویی محلی به شدت نسبت به نوفه حساس و با افزودن نوفه به تصویر بافتی، بردارهای ویژگی به دست آمده ممکن است به شدت تغییر کنند. دوم این که، با افزایش تعداد مقیاس ها، طول بردار ویژگی به دست آمده نیز افزایش می یابد که این امر ضمن کاهش سرعت فرآیند طبقه بندی بافت، ممکن است دقت طبقه بندی را نیز کاهش دهد. برای رفع و یا کاهش این دو عیب، در این مقاله، روشی مبتنی بر الگوی دودویی محلی چندمقیاسه پیشنهاد می شود که از مقاومت بهتری در مقابل نوفه سفید گوسی برخوردار و در عین حال، طول بردار ویژگی تولیدی به وسیله آن به طوردقیق برابر با طول بردار ویژگی تولیدی به وسیله روش اصلی الگوی دودویی محلی در حالت تک مقیاسه است. آزمایش ها بر روی چهار گروه از پایگاه داده Outex انجام شده که آزمایش های انجام گرفته نشان دهنده برتری روش پیشنهادی نسبت به روش های موجود مشابه است.