Классификация текстур с Вейвлетом Изображения рассеянием

В этом примере показов, как классифицировать текстуры, используя вейвлет рассеяния изображений. В сложение к Wavelet Toolbox™ этот пример также требует Parallel Computing Toolbox™ и Image Processing Toolbox™.

В цифровом изображении текстура предоставляет информацию о пространственном расположении интенсивности цвета или пикселя. Конкретные пространственные расположения интенсивности цвета или пикселей соответствуют различным внешним видам и консистенциям отображаемого физического материала. Классификация текстур и сегментация изображений имеет ряд важных областей применения. Особенно важным примером является биомедицинский анализ изображений, где нормальные и патологические состояния часто характеризуются морфологическими и гистологическими характеристиками, которые проявляются как различия в текстуре [4].

Вейвлет Изображения рассеяние

Для задач классификации часто полезно сопоставить данные с некоторым альтернативным представлением, которое отбрасывает нерелевантную информацию с сохранением дискриминационных свойств каждого класса. Вейвлет изображений создает низкодисперсные представления изображений, которые нечувствительны к перемещениям и малым деформациям. Поскольку переводы и небольшие деформации на изображении не влияют на принадлежность к классу, коэффициенты преобразования рассеяния обеспечивают функции, из которых можно создавать устойчивые классификационные модели.

Вейвлет рассеяние работает путем каскадирования изображения через ряд вейвлета преобразований, нелинейностей и усреднения [1] [3] [5]. Результатом этой глубокой редукции данных является то, что изображения в одном и том же классе перемещаются ближе друг к другу в представлении преобразования рассеяния, в то время как изображения, принадлежащие к различным классам, перемещаются дальше друг от друга.

KTH-TIPS

Этот пример использует общедоступную базу данных текстур, базу данных изображений KTH-TIPS (текстуры под различной подсветкой, положение и шкала) [6]. Набор данных KTH-TIPS, используемый в этом примере, является версией в полутоновом цвете. Всего на текстуру приходится 810 изображений с 10 текстурами и 81 изображение. Большинство изображений имеют размер 200 на 200. В этом примере предполагается, что вы загрузили набор данных в полутоновом виде KTH-TIPS и распаковали его так, чтобы 10 классов текстуры содержались в отдельных подпапках общей папки. Каждая подпапка называется для класса текстур, содержащихся в ней. Удаление загруженных kth_tips_grey_200x200.tar достаточно файла, чтобы предоставить папку верхнего уровня и необходимую KTH_TIPS подпапки.

Используйте imageDatastore для чтения данных. Установите location свойство imageDatastore в папку, содержащую базу данных KTH-TIPS, к которой вы имеете доступ.

location = fullfile(tempdir,'kth_tips_grey_200x200','KTH_TIPS');
Imds = imageDatastore(location,'IncludeSubFolders',true,'FileExtensions','.png','LabelSource','foldernames');

Случайным образом выберите и визуализируйте 20 изображений из набора данных.

numImages = 810;
perm = randperm(numImages,20);
for np = 1:20
    subplot(4,5,np)
    im = imread(Imds.Files{perm(np)});
    imagesc(im);    
    colormap gray; axis off;
end

Классификация текстур

Этот пример использует MATLAB™ возможности параллельной обработки через tall интерфейс массива. Запустите параллельный пул, если он не работает в данный момент.

if isempty(gcp)
    parpool;
end
Starting parallel pool (parpool) using the 'local' profile ...
Connected to the parallel pool (number of workers: 6).

Для повторяемости установите генератор случайных чисел. Перетащите файлы набора данных KTH-TIPS и разделите 810 изображений на два случайным образом выбранных набора, один для обучения и один удерживаемый набор для проверки. Используйте приблизительно 80% изображений для создания прогнозирующей модели из преобразования рассеяния и используйте оставшуюся часть для проверки модели.

rng(100)
Imds = imageDatastore(location,'IncludeSubFolders',true,'FileExtensions','.png','LabelSource','foldernames');
Imds = shuffle(Imds);
[trainImds,testImds] = splitEachLabel(Imds,0.8);

Теперь у нас есть два набора данных. Набор обучающих данных состоит из 650 изображений, с 65 изображениями на текстуру. Тестовый набор состоит из 160 изображений с 16 изображениями на текстуру. Чтобы проверить, подсчитайте метки в каждом наборе данных.

countEachLabel(trainImds)
ans=10×2 table
        Label         Count
    ______________    _____

    aluminium_foil     65  
    brown_bread        65  
    corduroy           65  
    cotton             65  
    cracker            65  
    linen              65  
    orange_peel        65  
    sandpaper          65  
    sponge             65  
    styrofoam          65  

countEachLabel(testImds)
ans=10×2 table
        Label         Count
    ______________    _____

    aluminium_foil     16  
    brown_bread        16  
    corduroy           16  
    cotton             16  
    cracker            16  
    linen              16  
    orange_peel        16  
    sandpaper          16  
    sponge             16  
    styrofoam          16  

Создание tall массивы для измененных размеров изображений.

Ttrain = tall(trainImds);
Ttest = tall(testImds);

Создайте среду рассеяния для входа изображения 200 на 200 с InvarianceScale из 150. Гиперпараметр инвариационной шкалы является единственным, который мы задаем в этом примере. Для других гиперпараметров преобразования рассеяния используйте значения по умолчанию.

sn = waveletScattering2('ImageSize',[200 200],'InvarianceScale',150);

Чтобы извлечь функции для классификации для каждого обучающего и тестового наборов, используйте helperScatImages_mean функция. Код для helperScatImages_mean находится в конце этого примера. helperScatImages_mean изменяет размер изображений на общий размер 200 на 200 и использует среду рассеяния, sn, для получения матрицы функций. В этом случае каждая матрица функции составляет 391 на 7 на 7. Существует 391 пути рассеяния и каждое изображение коэффициента рассеяния 7 на 7. Наконец, helperScatImages_mean получает среднее значение по 2-ым и 3-ьим размерностям, чтобы получить вектор функции 391 элемента для каждого изображения. Это значительное сокращение данных с 40 000 элементов до 391.

trainfeatures = cellfun(@(x)helperScatImages_mean(sn,x),Ttrain,'Uni',0);
testfeatures = cellfun(@(x)helperScatImages_mean(sn,x),Ttest,'Uni',0);

Использование tall<reservedrangesplaceholder0> возможность, собрать все векторы обучающих и тестовых функций и объединить их в матрицы.

Trainf = gather(trainfeatures);
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 1 min 39 sec
Evaluation completed in 1 min 39 sec
trainfeatures = cat(2,Trainf{:});
Testf = gather(testfeatures);
Evaluating tall expression using the Parallel Pool 'local':
- Pass 1 of 1: Completed in 23 sec
Evaluation completed in 23 sec
testfeatures = cat(2,Testf{:});

Предыдущий код приводит к двум матрицам с размерностями строк 391 и размерностью столбца, равными количеству изображений в наборах обучения и тестов, соответственно. Таким образом, каждый столбец является вектором функции.

Модель PCA и предсказание

Этот пример создает простой классификатор, основанный на основных компонентах векторов функций рассеяния для каждого класса. Классификатор реализован в функциях helperPCAModel и helperPCAClassifier. Функция helperPCAModel определяет основные компоненты для каждого класса цифр на основе функций рассеяния. Код для helperPCAModel находится в конце этого примера. Функция helperPCAClassifier классифицирует задержанные тестовые данные путем нахождения ближайшего соответствия (лучшая проекция) между основными компонентами каждого вектора тестовой функции с набора обучающих данных и присвоения класса соответственно. Код для helperPCAClassifier находится в конце этого примера.

model = helperPCAModel(trainfeatures,30,trainImds.Labels);
predlabels = helperPCAClassifier(testfeatures,model);

После построения модели и классификации тестового набора определите точность классификации тестового набора.

accuracy = sum(testImds.Labels == predlabels)./numel(testImds.Labels)*100
accuracy = 99.3750

Мы достигли 99,375% правильной классификации или 0,625% вероятности ошибок для 160 изображений в тестовом наборе. График матрицы неточностей показывает, что наша простая модель неправильно классифицировала одну текстуру.

figure
confusionchart(testImds.Labels,predlabels)

Сводные данные

В этом примере мы использовали вейвлет изображений, чтобы создать низкодисперсные представления текстур для классификации. Используя преобразование рассеяния и классификатор простых основных компонентов, мы достигли 99,375% правильной классификации на удерживаемом тестовом наборе. Этот результат сопоставим с современной эффективностью базы данных KTH-TIPS. [2]

Ссылки

[1] Бруна, Дж., и С. Маллат. «Инвариантные сети свертки рассеяния». Транзакции IEEE по шаблонному анализу и машинному анализу. Том 35, № 8, 2013, с. 1872-1886.

[2] Хейман, Э., Б. Капуто, М. Фриц и Й. О. Эклунд. «О значении реальных условий классификации материалов». В Компьютерное зрение - ECCV 2004, под редакцией Томаса Пайдлы и Йиржи Матаса, 3024: 253-66. Берлин, Гейдельберг: Спрингер Берлин Гейдельберг, 2004. https://doi.org/10.1007/978-3-540-24673-2_21.

[3] Mallat, S. «Group Invariant Scattering». Коммуникации в чистой и прикладной математике. Том 65, № 10, 2012, с. 1331-1398.

[4] Пужоль, О., и П. Радева. «Контролируемая классификация текстуры для характеристики внутрисосудистой ткани». В Справочнике по анализу биомедицинских изображений под редакцией Джасджита С. Сури, Дэвида Л. Уилсона и Свэми Лаксминараяна, 57-109. Бостон, Массачусетс: Springer US, 2005. https://doi.org/10.1007/0-306-48606-7_2.

[5] Sifre, L., and S. Mallat. «Вращение, масштабирование и деформация инвариантного рассеяния для дискриминации текстур». 2013 IEEE Conference on Компьютерное Зрение and Pattern Recognition. 2013, стр. 1233-1240. 10.1109/CVPR.2013.163.

[6] Домашняя страница баз изображений KTH-TIPS. https://www.csc.kth.se/cvap/databases/kth-tips/

Приложение - Вспомогательные функции

helperScatImages_mean

function features = helperScatImages_mean(sf,x)
x = imresize(x,[200 200]);
smat = featureMatrix(sf,x);
features = mean(mean(smat,2),3);
end

helperPCAModel

function model = helperPCAModel(features,M,Labels)
% This function is only to support wavelet image scattering examples in 
% Wavelet Toolbox. It may change or be removed in a future release.
% model = helperPCAModel(features,M,Labels)

% Copyright 2018 MathWorks

% Initialize structure array to hold the affine model
model = struct('Dim',[],'mu',[],'U',[],'Labels',categorical([]),'s',[]);
model.Dim = M;
% Obtain the number of classes
LabelCategories = categories(Labels);
Nclasses = numel(categories(Labels));
for kk = 1:Nclasses
    Class = LabelCategories{kk};
    % Find indices corresponding to each class
    idxClass = Labels == Class;
    % Extract feature vectors for each class
    tmpFeatures = features(:,idxClass);
    % Determine the mean for each class
    model.mu{kk} = mean(tmpFeatures,2);
    [model.U{kk},model.S{kk}] = scatPCA(tmpFeatures);
    if size(model.U{kk},2) > M
        model.U{kk} = model.U{kk}(:,1:M);
        model.S{kk} = model.S{kk}(1:M);
        
    end
    model.Labels(kk) = Class;
end

function [u,s,v] = scatPCA(x,M)
	% Calculate the principal components of x along the second dimension.

	if nargin > 1 && M > 0
		% If M is non-zero, calculate the first M principal components.
	    [u,s,v] = svds(x-sig_mean(x),M);
	    s = abs(diag(s)/sqrt(size(x,2)-1)).^2;
	else
		% Otherwise, calculate all the principal components.
        % Each row is an observation, i.e. the number of scattering paths
        % Each column is a class observation
		[u,d] = eig(cov(x'));
		[s,ind] = sort(diag(d),'descend');
		u = u(:,ind);
	end
end
end

helperPCAClassifier

function labels = helperPCAClassifier(features,model)
% This function is only to support wavelet image scattering examples in 
% Wavelet Toolbox. It may change or be removed in a future release.
% model is a structure array with fields, M, mu, v, and Labels
% features is the matrix of test data which is Ns-by-L, Ns is the number of
% scattering paths and L is the number of test examples. Each column of
% features is a test example.

% Copyright 2018 MathWorks

labelIdx = determineClass(features,model); 
labels = model.Labels(labelIdx); 
% Returns as column vector to agree with imageDatastore Labels
labels = labels(:);


%--------------------------------------------------------------------------
function labelIdx = determineClass(features,model)
% Determine number of classes
Nclasses = numel(model.Labels);
% Initialize error matrix
errMatrix = Inf(Nclasses,size(features,2));
for nc = 1:Nclasses
    % class centroid
    mu = model.mu{nc};
    u = model.U{nc};
    % 1-by-L
    errMatrix(nc,:) = projectionError(features,mu,u);
end
% Determine minimum along class dimension
[~,labelIdx] = min(errMatrix,[],1);   


%--------------------------------------------------------------------------
function totalerr = projectionError(features,mu,u)
    %
    Npc = size(u,2);
    L = size(features,2);
    % Subtract class mean: Ns-by-L minus Ns-by-1
    s = features-mu;
    % 1-by-L
    normSqX = sum(abs(s).^2,1)';
    err = Inf(Npc+1,L);
	err(1,:) = normSqX;
    err(2:end,:) = -abs(u'*s).^2;
    % 1-by-L
    totalerr = sqrt(sum(err,1));
end
end
end


	
	

См. также

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте