Machine Learning appliquée à l’analyse de données texturées en se basant sur les motifs binaires locaux

Abstract

La texture est la caractéristique de base qui apparaît dans chaque surface naturelle. Étant donné que l'analyse/la classification des textures sont importantes dans de nombreuses applications de vision par ordinateur, de nombreuses recherches ont été consacrées au développement de descripteurs de texture efficaces. LBP/leurs dérivés sont des descriptions de texture simples mais efficaces. Cependant, comme il n'utilise que des informations de signe dans la région locale, le LBP est inefficace pour capturer les caractéristiques discriminatoires. La principale contribution de cette thèse est l'introduction de nouvelles variantes de LBP qui nous permettent de surmonter ses limitations initiales/d'obtenir plus de relations entre les voisins, les pixels centraux/les voisins avec les pixels centraux. La première extension nommée «homogeneous LBP» (HLBP). Elle est générée en utilisant le critère d'homogénéité. Une autre extension est proposée, nommée «homogenous rotated LBP» (HRLBP), qui vise à améliorer le côté invariant de rotation de HLBP en utilisant une variante robuste de LBP appelée rotated LBP. La troisième variante de LBP est destinée à la caractérisation de la texture dans le cadre de la classification par télédétection/est connue sous le nom de «completed HLBP» (CHLBP). Les deux derniers variantes proposées de LBP sont connues respectivement sous le nom de «circular parts LBP» (CPLBP)/«corner rhombus shape LBP» (CRSLBP). CPLBP vise à améliorer LBP en étendant la zone de voisinage d'un à une région de voisins à l'aide de coordonnées polaires. Tandis que l'approche CRSLBP vise à traiter non seulement la relation entre les voisins/le centre des pixels, mais également la relation entre le centre/le voisin des pixels centraux du voisinage. Diverses expériences approfondies ont été réalisées qui ont démontré l'efficacité/la robustesse de notre descripteur par rapport à l'état de l'art disponible.