Color–Texture Pattern Classification Using Global–Local Feature Extraction, an SVM Classifier, with Bagging Ensemble Post-Processing
Distintas aplicaciones en análisis de imágenes requieren la clasificación precisa de patrones complejos que incluyen color y textura. En esta tesis se propone un nuevo método para la clasificación de patrones mediante información de color y textura. El método propuesto incluye la división de cada im...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2020 |
| País: | Chile |
| OAI Identifier: | oai:repositorio.anid.cl:10533/249753 |
| Acceso en línea: | https://hdl.handle.net/10533/249753 |
| Access Level: | acceso abierto |
| Palabra clave: | Ingeniería y Tecnología Ingeniería Eléctrica, Ingeniería Electrónica, Informática Ingeniería Eléctrica y Electrónica |
| Sumario: | Distintas aplicaciones en análisis de imágenes requieren la clasificación precisa de patrones complejos que incluyen color y textura. En esta tesis se propone un nuevo método para la clasificación de patrones mediante información de color y textura. El método propuesto incluye la división de cada imagen en particiones globales y locales, la extracción de características de textura y color de las particiones usando estadísticos de Haralick y el método binario de preservación del momento de cuaterniones (BQMP), una etapa de clasificación usando máquinas de soporte vectorial (SVM) y una etapa final de post-procesamiento empleando un conjunto combinado (Bagging). Una de las principales contribuciones de este método es la partición de imágenes, que permite la representación de imágenes en características globales y locales. Esta partición captura la mayor parte de la información presente en la imagen para la clasificación de texturas con color, mejorando los resultados de clasificación. El método propuesto se probó en bases de datos ampliamente utilizadas: Brodatz, VisTex, Outex y KTHTIPS2b, obteniendo tasas de clasificación correctas de 99,88%, 100%, 98,97% y 95,75%, respectivamente. Estos resultados fueron comparados con los mejores resultados publicados previamente en las mismas bases de datos, encontrando mejoras significativas en todos los casos. |
|---|