Apports des outils fondés sur les corrélations d'ordre trois à l'analyse de textures
Contribution of Third Order Correlation Tools for Textures Analysis
OPEN ACCESS
This study brings a contribution to non-gaussian textures classification thanks to signatures extracted from high order correlations and/or spectra . The first part exhibits that most of the textures present a non gaussian statistic, well represented for the third order. The chosen normality tests, the Skewness test and the Kurtosis test, have been calibrated for this study. To lower the complexity of algorithms and yet to reach low estimation variances, we choose to focus on third order correlations with the stationary hypothesis : bicorrelation, bispectrum and bicorspectrum. A Row/columns representation of images has been selected . We propose in the second part characterization based on representations describing third order spatial correlations. The last part concerns textures classification using the previous features . Discrimination performances on Mine Brodatz textures are presented and comparison with the results of a coocurence matrix method are provided.
Résumé
Cette étude apporte une contribution à la classification de textures à l'appui de signatures déduites des corrélations et/ou spectres d'ordre élevé. La première partie montre que les textures ont pour la plupart une statistique non gaussienne, bien représentée à l'ordre trois. Les tests de normalité choisis, les tests d'asymétrie et du Kurtosis, ont été calibrés dans cette étude. Pour limiter la complexité calculatoire et obtenir de faibles variances d'estimation, nous nous sommes orientés vers des attributs fondés sur les corrélations d'ordre trois dans un cadre stationnaire : la bicorrélation, le bispectre et le bicorspectre. Nous avons opté pour une stratégie 2D séparable. Nous proposons dans une seconde partie une caractérisation fondée sur des représentations décrivant les corrélations spatiales d'ordre trois. La dernière partie est consacrée à la classification des textures s'appuyant sur les attributs précédents. Nous donnons des performances de discrimination sur neuf textures de Brodatz, en comparant avec les résultats des paramètres, extraits de matrices de cooccurrences, proposés par Haralick.
Textures Classification, Normality tests, Skewness, Kurtosis, Bicorrelation, Bispectrum, Bicospectrum
Mots clés
Classification de textures, tests de normalité, asymétrie, Kurtosis, bicorrélation, bispectre, bicorspectre
[1] all . Special time/frequency. Signal Processing, 36 : 733-750, 1992.
[2] A . Belaid and Y. Belaid, Reconnaissance de formes - Méthodes et applications, Paris InterEdition, 1992.
[3] A . C. Bovic and M. Clark and W. S. Geisler, Multichannel texture analysis using localized spatial filters, IEEE Trans . Pattern Anal. Machine Intel!. 12 : 55-73, 1990.
[4] P. Brodatz. Texture- A photographic album for artists and designers. New York, Reinhold, 1968
[5] C . Coroyer, Apport des corrélations d'ordre élevé à l'analyse de textures non-gaussiennes, Thèse de doctorat, Université de Cergy, 1996.
[6] P. Duvaut and T. Doligez and D . Garreau, Non Gaussian Qarma processes, bicorrelation and bispectrum, non parametric and parametric approches. In IEEE ATHOS Workshop, pages "—", 1993.
[7] P. Duvaut and T. Gouraud, BET, the bicorspectral transform : Definition, Properties, Implementation and Applications. Technical Report ETIS/GS/3N/9403, Equipe de Traitement de Images et du Signal - Cergy, 1994.
[8] J . A . Freeman and D . M . Skapura, Neural Networks -Algorithms, Applications, and Programming Techniques, Addison Wesley, 1991.
[9] A . Gagalowicz, Vers un modèle de texture, Thèse d'état, Université Paris 6 , 1983.
[10] G . Gaillat, Méthodes statistiques de reconnaissance defonnes, Paris, ENSTA , 1983.
[11] S . Geman and D. Geman, Stochastic Relaxation and the Bayesian Restoration of Images, IEEE Trans. Pattern Anal. Machine Intel!., 6 : -, 1984.
[12] P. Hall, The Bootstrap and Edgeworth Expansion, New-York Springer Verlag , 1992.
[13] R. Haralick and K . Shammugam and I . Dinstein, Textural features for image classification, IEEE Trans Syst., man Cyb., 3 : 610-621, 1973 . 1973.
[14] M . G. Kendall and A. Stuart and J. Keith Ord, Kendall's Advanced Theory of Statistics, London, Griffin, 1987.
[15] A. Laine and J . Fan, Texture classification by wavelet packet signatures, IEEE Trans. Pattern Anal. Machine Intell., 15 : 1186-1190, 1993.
[16] C . Nikias and J . M . Mendel, Signal Processing with Higher Order Spectra, IEEE Signal Processing Magazine, pages 10-37, 1993.
[17] M . A . Poletti, The development of a discrete transform for the Wigner distribution and ambiguity function, J . Acoust. Soc M ., 84 : 238-252, 1988.
[18] V. Pugachev, Théorie des probabilités et statistique mathématique, Moscou Editions Mir, 1982.
[19] O . Rioul, Ondelettes régulières : application à la compression d'images fixes, Thèse d'Université, ENST, 1993 . 1993
[20] H. L. Van Trees, Detection, Estimation, and Modulation Theory (Part 1) , John Wiley and Sons, 1968
[21] J. Levy Vehel and J. P. Berroir, Description Multifractale de l'Analyse d'Images, Technical Report INRIA, INRIA - Rocquencourt, 1994.
[22] L. Wang and D . C . Chen, Texture classification using texture spectrum, Pattern Recognition, 23 : 905-910, 1990.