Một nghiên cứu so sánh các không gian màu cho nhận dạng hình ảnh đám mây dựa trên đặc trưng LBP và đặc trưng LTP

Bài viết Một nghiên cứu so sánh các không gian màu cho nhận dạng hình ảnh đám mây dựa trên đặc trưng LBP và đặc trưng LTP đề xuất một nghiên cứu so sánh để chọn không gian ứng viên tốt nhất để mã hóa hình ảnh đám mây bằng cách hợp nhất nhiều phương pháp mô tả texture. Phương pháp đề xuất được đánh giá trên cơ sở dữ liệu SWIMCAT (Singapore Whole-sky IMaging CATegories database).
Nội dung trích xuất từ tài liệu:
Một nghiên cứu so sánh các không gian màu cho nhận dạng hình ảnh đám mây dựa trên đặc trưng LBP và đặc trưng LTP Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 123 Một nghiên cứu so sánh các không gian màu cho nhận dạng hình ảnh đám mây dựa trên đặc trưng LBP và đặc trưng LTP A comparative study of color spaces for cloud images recognition based on LBP and LTP features Dương Thị Hồng Hà1* và Lâm Trần Tuấn Dzi1 Trường Đại học Mở Thành phố Hồ Chí Minh, Thành phố Hồ Chí Minh, Việt Nam 1 * Tác giả liên hệ, Email: dthongha@gmail.com THÔNG TIN TÓM TẮT DOI:10.46223/HCMCOUJS. Bài toán phân loại sử dụng mô tả texture được áp dụng rộng proc.vi.17.2.2469.2022 rãi trong việc nhận dạng hình ảnh đám mây trên mặt đất do hiệu quả của nó. Phương pháp Local Binary Pattern (LBP) và các biến Ngày nhận: 20/09/2022 thể của LBP thường được sử dụng để nghiên cứu trong việc biểu Ngày nhận lại: 06/10/2022 diễn hình ảnh đám mây. Sự lựa chọn không gian màu thích hợp có thể nâng cao hiệu suất của hệ thống nhận dạng cho nhiều ứng Duyệt đăng: 08/10/2022 dụng. Trong bài báo này, chúng tôi đề xuất một nghiên cứu so sánh để chọn không gian ứng viên tốt nhất để mã hóa hình ảnh đám mây bằng cách hợp nhất nhiều phương pháp mô tả texture. Từ khóa: Phương pháp đề xuất được đánh giá trên cơ sở dữ liệu hình ảnh đám mây trên mặt đất; SWIMCAT (Singapore Whole-sky IMaging CATegories LBP-LTP; nhận dạng hình ảnh database). đám mây; nhận dạng pattern; ABSTRACT phân loại đám mây; tích hợp dữ liệu The classification problem using texture features is applied widely to recognize ground-based cloud images because of its efficiency. Local Binary Pattern and their variants are often Keywords: investigated to extract cloud image features. The consistent choice of color space can sharpen the recognition system performance of ground-based cloud images; some applications. In this paper, we propose a comparative study LTP-LBP; cloud images to elect the best nominee in color space for coding cloud images recognition; pattern recognition; cloud by combining multiple texture feature extraction methods. The classification; data fusion proposed approach is evaluated on the SWIMCAT database. 1. Giới thiệu Theo Tổ chức Khí tượng Thế giới (WMO), quan sát và nhận dạng đám mây rất quan trọng đối với nghiên cứu khí tượng và khí hậu. Ban đầu, do sự thiếu hụt sóng vô tuyến và các vệ tinh quan sát dẫn đến việc sử dụng toàn bộ hình ảnh bầu trời trên mặt đất để quan sát (Feister & ctg., 2010). Những hình ảnh có sẵn này có chi phí thấp và độ phân giải cao và chúng cung cấp thông tin về đám mây cục bộ một cách chính xác (Dev, Savoy, Lee, & Winkler, 2014; Dev, Savoy, Lee, & Winkler, 2015). Gần đây, các máy ảnh có mặt khắp nơi trên mặt đất đã mở ra những cơ hội mới để quan sát bầu khí quyển của trái đất. Hình ảnh từ những máy ảnh này là một phần quan trọng, bổ sung cho hình ảnh vệ tinh bằng cách cung cấp cho các nhà địa chất dữ liệu rẻ hơn, nhanh hơn và tập trung hơn (Dev, Wen, Lee, & Winkler, 2016). 124 Dương T. H. Hà và Lâm T. T. Dzi. HCMCOUJS-Kỷ yếu, 17(2), 123-131 Một trong những chủ đề quan trọng nhất trong lĩnh vực thị giác máy tính là nhận dạng hình ảnh đám mây trên mặt đất, có rất nhiều ứng dụng khác nhau như dự báo thời tiết, sản xuất năng lượng mặt trời (Fu & Cheng, 2013), dự báo thời tiết địa phương, theo dõi các vệt ngưng tụ (Schumann & ctg., 2013) và giảm tín hiệu truyền thông (Yuan, Lee, & Meng, 2014). Phân loại đám mây trên mặt đất là cực kỳ khó khăn do sự thay đổi của sự xuất hiện của đám mây trong các điều kiện khí quyển khác nhau. Để giải quyết vấn đề này, nhiều phương pháp nghiên cứu đã được đề xuất. Wang, Shi, Wang, và Xiao (2018) đã đề xuất một phương pháp trích xuất đặc trưng bằng cách xếp hạng tất cả các tần suất xuất hiện của đặc trưng LBP bất biến xoay vòng để nhận dạng hình ảnh đám mây. Cheng và Yu (2015) đã đề xuất phân chia khối và phân loại khối dựa trên các đặc trưng LBP. Zhen và cộng sự (2015) trích xuất đặc trưng quang phổ và đặc trưng texture dựa trên phân tích thống kê tông màu và ma trận đồng biến mức xám (GLCM). Zhang, Li, Liu, Xiao, và Cao (2018) đề xuất một kỹ thuật trích xuất đặc trưng được gọi là chuyển các LBP có giá trị để giải quyết thay đổi chế độ xem của mạng neural tích chập (CNN) và trích xuất các đặc trưng cục bộ dựa trên bản đồ đặc trưng. Một đặc trưng kế thừa quan trọng là thông tin màu sắc được sự bổ sung cho hình dạng và texture, thường cho hiệu suất tốt hơn (Khan, Anwer, van de Weijer, Felsberg, & Laaksonen, 2015). Do đó, việc kết hợp nhiều bộ đặc trưng texture là cần thiết để đạt được độ chính xác nhận dạng một cách mạnh mẽ. Chúng có thể là các đặc trưng được trích xuất từ một số kênh màu hoặc không gian màu và các loại đặc trưng cục bộ hoặc toàn cục khác nhau (Ta & Truong, 2019). Gần đây, các công trình nghiên cứu khác nhau được đề xuất cho nhiệm vụ nhận dạng pattern khác nhau bằng cách nghiên cứu thông tin màu sắc. Ví dụ, Truong và Rebhi (2018) trình bày một nghiên cứu so sánh về tác động của không gian màu để nhận biết lỗi vải. Hình ảnh vải được biểu diễn bằng đặc trưng LBP dựa trên tám không gian màu. Bianconi, Bello, Fernández, và González (2015) so sánh hiệu suất của mười ...