یک رویکرد جدید برای تجزیه و تحلیل و طبقه بندی بافت با چرخش ثابت و مقاوم در مقابل نویز

تجزیه و تحلیل و طبقه بندی تصاویر، مانند تصاویر بافت، یکی از زمینه های مهم و اساسی در پردازش تصویر است. با توجه به اثرات مخرب چرخش تصویر و نویز، ثبات و کارایی تجزیه و تحلیل بافت و روش های طبقه بندی، از زمینه های تحقیقاتی مهم هستند. در این مقاله، یک روش جدید برای تجزیه و تحلیل بافت و طبقه بندی پیشنهاد شده است که براساس ترکیبی خاص از تبدیل های موجک، ریجلت و فوریه و همچنین ماشین بردار پشتیبان می باشد. روش پیشنهادی برای ۱۳ مجموعه داده بافت تولید شده توسط سه مجموعه داده اصلی که شامل ۲۵ و ۱۱۱ بافت اصلی از پایگاه داده بروداتز (Brodatz) و ۲۴ بافت اصلی از پایگاه اوتکس(OUTEX) می باشند، ارزیابی شده است.این مجموعه داده ها به ترتیب شامل ۴۱۵۵۸۴ و ۹۳۶۰۰ تصویر بافت بدون نویز و با نویز برای پایگاه داده Brodatz و همچنین ۴۹۹۲۰ تصویر بافت بدون نویز برای پایگاه داده OUTEX می باشند. نتایج شبیه سازی نشان دهنده قابلیت، کارایی و همچنین پایداری روش پیشنهاد شده به ویژه برای تجزیه و تحلیل و طبقه بندی بافت با چرخش ثابت بلادرنگ و مقاوم در برابر نویز می باشد.

The analysis and classification of images, such as texture images, is one of the substantial and important fields in image processing. Due to destructive effects of image rotation and noise, the stability and efficiency of texture analysis and classification methods are an important research area. In this paper, a new method for texture analysis and classification has been proposed which is based on a particular combination of wavelet, ridgelet and Fourier transforms as well as support vector machine. The proposed method has been evaluated for 13 texture datasets produced by three original datasets containing 25 and 111 original textures from Brodatz database and 24 original textures from OUTEX database. These datasets comprise 415584 and 93600 rotated noise-free and noisy texture images for Brodatz database and also 49920 noisy and 4320 noise-free texture images for OUTEX database, respectively. Simulation results demonstrate the capability, efficiency and also stability of the propos