Utilisateur:Mmleilco/Brouillon
Etat de l’art sur les bases de données images de référence pour la classification de textures couleur[modifier | modifier le code]
L'analyse de texture est un domaine très important de la vision par ordinateur et des domaines connexes. Un très grand nombre de bases de données images est développé par plusieurs groupes de recherches dans plusieurs domaines: Analyse médicale, Robotique, Reconnaissance, Traitement d'image, etc[1].
Texture d'images[modifier | modifier le code]
La texture est une des caractéristiques importantes utilisées dans l'identification des objets d'intérêt ou des régions dans une image ( Alam et Faruqui 2011[2] ). La texture est une caractéristique importante de la propriété de surface dans les scènes visuelles et est un indice de puissance dans la perception visuelle ( Zhu et al., 1997[3] ). Il est considéré comme un assembler des images d'apparitions de texture similaires.
On peut qualifier la texture d'images par la définition "littéraire" de motif répété de manière plus ou moins homogène sur une région avec des propriétés sur la densité de répétition, l’orientation et la forme de ce motif. Dans cette approche de définition on trouve deux expressions qui caractérisent la difficulté de l’extraction de la texture : "motif" et "plus ou moins homogène". La notion de motif, tout d’abord nécessiterait de mettre en commun les informations de plusieurs pixels pour constituer un motif, puis d’analyser son caractère répétitif [4]
Classification de textures couleurs[modifier | modifier le code]
La classification consiste à calculer la probabilité d’appartenance de chaque pixel à une texture de l’image en utilisant l’énergie d’interaction du pixel en question avec ses pixels voisins dans l’espace des attributs. La classification consiste à appliquer les règles de décision afin de classer la texture analysée en lui assignant une étiquette. Il existe un grand nombre de méthodes de classification de données multidimensionnelles qui peuvent alors être appliquées à la texture couleur comme, par exemple, les réseaux de neurones, les machines à vecteurs de supports2, les k plus proches voisins (k-PPV3), les nuées dynamiques (k-moyennes4)... Dans certaines approches, plusieurs classificateurs sont combinés afin d’assigner à une classe, la texture couleur analysée.[5]
Les bases de classification de texture couleur les plus utilisées[modifier | modifier le code]
Cette partie décrit les caractéristiques des ensembles d’images issus des bases les plus utilisés dans le cadre de la classification d’images de textures couleur.
Base VisTex[modifier | modifier le code]
La base VisTex est une collection d’images de texture couleur extraites de scènes naturelles[6]
Référence | Nombre de classes | Nombre total d’images | Nombre d’images par classe | Taille des images |
Hernandez 2005[7] | 73 | 7680 | Variable | 64×64 |
Khotanzad 2006[8] | 16 | 1024 | 64 | 64×64 |
Khotanzad 2006 [9] | 16 | 1024 | 64 | 16×16 |
Pietikäinen 2002 [10] | 54 | 864 | 16 | 128×128 |
Mäenpää 2004 [11] | ||||
Arvis 2004 [12] | ||||
Iakovidis 2005[13] | ||||
Drimbarean 2001[14] | 16 | 8640 | 540 | 32×32 |
Palm 2002 2004 [15] | 30 | 1920 | 64 | 64×64 |
Van de Wouwer 1999[16] | ||||
Palm 2000[17] | 30 | 900 | 30 | 64×64 |
Hiremath 2006[18] | 20 | 1280 | 64 | 64×64 |
Münzenmayer 2002[19] | 32 | 320 | 10 | 64×64 |
Münzenmayer 2005[20] | 32 | 640 | 20 | 64×64 |
Sengur 2008[21] | 16 | 1920 | 120 | 128×128 |
Permuter 2006[22] | 24 | 6144 | 256 | 32×32 |
Qazi 2009[23] |
Base Outex[modifier | modifier le code]
La base d’images de texture couleur OuTex a été créée dans le but de fournir un large panel de textures pour les applications de traitement d’images [24]. Tout comme la base VisTex, la base OuTex contient un grand nombre d’objets différents, à savoir 29 catégories d’images de texture couleur
Référence | Nombre de classes | Nombre total des images | Nombre d’images par classe | Taille des images |
Pietikäinen 2002[25] | 68 | 1360 | 20 | 128×128 |
Mäenpää 2004[26] | ||||
Arvis 2004[27] | ||||
Iakovidis 2005[28] | ||||
Xu 2005[29] | ||||
Xu et al., 2006a,b, 2009a,b, 2010[30] | 319 | 51678 | 162 | 516×716 |
Base BarkTex[modifier | modifier le code]
La taille de la base BarkTex est plus importante que celle de la base VisTex. Les résultats obtenus sont donc plus significatifs et plus représentatifs de la qualité de la méthode de classi- fication considérée.
Référence | Nombre de classes | Nombre total des images | Nombre d’images par classe | Taille des images |
Palm 2002 2004[31][32] | 6 | 408 | 68 | 200×300 |
Münzenmayer 2002[33] | 6 | 1632 | 272 | 64×64 |
Porebski 2007 2008[34][35][36][37] | 6 | 408 | 68 | 80×140 |
Base CURet[modifier | modifier le code]
La base de données CURet (développée à l'Université Columbia et à l'Université d'Utrecht ) est une autre base de données bien connu et très difficile. C'est une amélioration considérable de la collection Brodatz.
Référence | Nombre de classes | Nombre total des images | Nombre d’images par classe | Taille des images |
Crosier and Griffin, 2008[38][39] | 61 | 5704 | 92 | 512×512 |
K. Dana, B. Van-Ginneken, S. Nayar, and J. Koenderink[40] | 61 | 14030 | 230 | 512×512 |
Base KTH-TIPS[modifier | modifier le code]
La base de données d'image KTH-TIPS (textures sous différents Illumination, Pose et Scale) a été créée afin d'étendre la base de données CUReT dans deux directions, en fournissant des variations d'échelle ainsi que les conditions d'acquisition et d'éclairage, et par la prise d'autres échantillons d'un sous-ensemble de ses matériaux dans différents contextes.
Référence | Nombre de classes | Nombre total des images | Nombre d’images par classe | Taille des images |
Alireza Tavakoli Targhi, Jan-Mark Geusebroek, Andrew Zisserman[41] | 11 | 1188 | 108 | 512×512 |
Base Brodatz[modifier | modifier le code]
La base Brodatz est le premier standard pour l’évaluation des algorithmes de texture tels que la classification, la segmentation, la reconnaissance d’objets, etc.
Référence | Nombre de classes | Nombre total d’images | Nombre d’images par classe | Taille des images |
Carkacioglu,2003 | 112 | 12544 | 112 | 512×512 |
Brodatz 1[42] | 14 | - | Variable (En moyenne10) | 512×512 Ou
1024×1024 |
Brodatz 2[43] | 111 | - | Variable | 512×512 |
Base Alot[modifier | modifier le code]
ALOT est une collection d’images de couleurs enregistrées à des fins scientifiques. Cette collection est dans le même esprit que la collection CURET.
Référence | Nombre de classes | Nombre total des images | Nombre d’images par classe | Taille des images | Méthode de partition |
G. J. Burghouts and J. M. Geusebroek 2009[44] | 250 | 25000 | 100 | 512×512 |
Base DynTex[modifier | modifier le code]
La base DynTex est une reference pour la reconnaissance de textures dynamiques. Différents sous-ensembles de données ont été compilées et étiquetés. Chaque séquence comporte une seule texture dynamique unique.
Référence | Nombre de classes | Nombre total des images | Nombre d’images par classe | Taille des images |
ALPHA[45] | 3 | 60 | 20 | 640×480 |
BETA[46] | 10 | 162 | Variable | 640×480 |
GAMMA[47] | 10 | 275 | Variable | 640×480 |
Autres bases de classification de texture couleur selon le domaine de l'application[modifier | modifier le code]
Textures Biomédicales[modifier | modifier le code]
Dans le domaine biomédical, la quantité d'images numériques générées à des fins diagnostiques et thérapeutiques est en constante augmentation. Malheureusement, la plupart des données ne sont pas publiques, par conséquent, il est difficile réaliser de grandes comparaisons expérimentales dans les enquêtes sur l'état de l'art.
Le tableau suivant présente quatre bases provenant de différentes régions d’examens biomédicaux.
Base | Nombre de classes | Nombre total d’images | Nombre d’images par classe | Taille des images | Résolution en pixels |
Epistroma [48] | 2 | 720 | - | 24 | Variable |
IICBU lymphoma[49] | 2 | - | - | 24 | 1388x1040 |
IICBU Liver[50] | 11 | - | - | 48 | 1388x1040 |
Messidor [51] | 12 | 1200 | - | 24 | 1440x960 ou 2240x1488 ou 2304x1536 |
Textures naturelles[modifier | modifier le code]
Les trois ensembles de données inclus dans cette section sont composées de classes de texture hétérogènes principalement composés par des scènes de la vie quotidienne comme la végétation, bâtiments, murs, plantes. La caractéristique commune des trois bases est que les images ont été acquises dans des conditions d'éclairage et de luminosité incontrôlés.
Base | Nombre de classes | Nombre total d’images | Nombre d’images par classe | Taille des images | Résolution en pixels |
Mayang [52] | 9 | 4350 | - | 24 | Variable |
STex[53] | - | 476 | - | 24 | 1024x1024 |
USPTex [54] | - | 191 | 12 | 24 | 128x128 |
Texture de matériaux[modifier | modifier le code]
Dans cette section, nous présentons sept bases d'images de texture représentant les matériaux de la vie réelle. Certains ensembles de données comprennent un type de matériau, comme le bois le granit et de la céramique et les matériaux synthétiques.
Base | Nombre de classes | Nombre total d’images | Nombre d’images par classe | Taille des images | Résolution en pixels |
BTF Bonn ‘ATRIUM’ [55] | 4 | 6561 | - | - | 800x800 |
BTF Bonn ‘UBO2003’[56] | 6 | 6561 | - | - | 256x256 |
Forest species [57] | 112 | 112 | 37 soft woods
75 hardwoods |
24 | 1024x768 |
Kylberg Sintorn [58] | 25 | - | - | 32 | 5184x3456 |
Mondial Marmi[59] | 12 | 48 | 4 | 24 | 544x544 |
Parquet [60] | 14
Chaque classe comporte 2à 4 sous classes |
295 | 6 à 8 | 24 | Variable |
VxC TSG[61] | 14
Chaque classe comporte 3 sous classes |
- | 14 à 30 | 2 | Variable |
Références[modifier | modifier le code]
- Shahera Hossain, http://www.sciencedirect.com/science/article/pii/S0167865513000536#b0010
- Alam, F., Faruqui, R., 2011. Optimized calculations of Haralick texture features. Euro. J. Scientific Res. 50 (4), 543–553.
- Zhu, S., Wu, Y., Mumford, D., 1997. Minimax entropy principle and its application to texture modeling. Neural Comput. 9 (8), 1627–1660.
- J. Beck, "Similarity Grouping and Peripheral Discriminability under Uncertainty", The American Journal of Psychology, 85, 1, p. 1--19, 1972.
- Enguerran Grandchamp, LAMIA - Laboratoire de Mathématiques Informatique et Applications et Mohamed Abadi, SIC. XLIM - XLIM, Université de Poitiers, Traitement du Signal, Gretsi, 2009, 26 (2), pp.00 https://hal.archives-ouvertes.fr/hal-00509496
- R. Picard, C. Graczyk, S. Mann, J. Wachman, L. Picard, et L. Campbell. Base d’images couleur texturées Vistex. Media Laboratory, Massachusetts Institute of Technology (MIT), Cambridge, http ://vismod.media.mit.edu/pub/VisTex/VisTex.tar.gz
- O.J. Hernandez, J. Cook, M. Griffin, C. De Rama, et M. McGovern. Classification of color textures with random field models and neural networks. Journal of Computer Science & Technology, 5(3) :150–157, 2005.
- A. Khotanzad et O.J. Hernandez. A classification methodology for color textures using multispectral random field mathematical models. Mathematical and Computational Applications, 11(2) :111–120, 2006.
- A. Khotanzad et O.J. Hernandez. A classification methodology for color textures using multispectral random field mathematical models. Mathematical and Computational Applications, 11(2) :111–120, 2006.
- M. Pietikäinen, T. Mäenpää, et J. Viertola. Color texture classification with color histograms and local binary patterns. In Proceedings of the 2nd International Workshop on Texture Analysis and Synthesis, pages 109–112, 2002.
- T. Mäenpää et M. Pietikäinen. Classification with color and texture : jointly or separately ? Pattern Recognition, 37(8) :1629–1640, 2004.
- V. Arvis, C. Debain, M. Berducat, et A. Benassi. Generalization of the cooccurrence matrix for colour images : application to colour texture classification. Image Analysis and Stereology, 23 :63–72, 2004.
- D. Iakovidis, D. Maroulis, et S. Karkanis. A comparative study of color-texture image features. In Proceedings of 12th International Workshop on Systems, Signals & Image Processing (IWSSIP’05), pages 203–207, Chalkida, Greece, 2005.
- A. Drimbarean et P.F. Whelan. Experiments in colour texture analysis. Pattern Recognition Letters, 22(10) :1161–1167, 2001.
- C. Palm. Color texture classification by integrative co-occurrence matrices. Pattern Recognition, 37(5) :965–976, 2004. C. Palm et T.M. Lehmann. Classification of color textures by gabor filtering. Machine Graphics and Vision International Journal, 11(2) :195–219, 2002.
- G. Van de Wouwer, P. Scheunders, S. Livens, et D. Van Dyck. Wavelet correlation signatures for color texture characterization. Pattern Recognition, 32 :443– 451, 1999.
- C. Palm, D. Keysers, T.M. Lehmann, et K. Spitzer. Gabor filtering of complex hue saturation images for color texture classification. In Proceedings of the 5th Joint Conference on Information Science, pages 45–49, 2000.
- P.S. Hiremath, S. Shivashankar, et J. Pujari. Wavelet based features for color texture classification with application to CBIR. International Journal of Computer Science and Network Security (IJCSNS), 6(9) :124–133, 2006.
- C. Münzenmayer, H. Volk, C. Küblbeck, K. Spinnler, et T. Wittenberg. Multispectral texture analysis using interplane sum- and difference-histograms. In German Association for Pattern Recognition Symposium, pages 42–49. Editions Springer-Verlag, 2002.
- C. Münzenmayer, S. Wilharm, J. Hornegger, et T. Wittenberg. Illumination invariant color texture analysis based on sum- and difference-histograms. In German Association for Pattern Recognition Symposium, pages 17–24. Editions Springer-Verlag, 2005.
- A. Sengur. Wavelet transform and adaptive neuro-fuzzy inference system for color texture classification. Expert Systems with Applications, 34(3) :2120– 2128, 2008.
- H. Permuter, J. Francos, et I. Jermyn. A study of gaussian mixture models of color and texture features for image classification and segmentation. Pattern Recognition, 39 :695–706, 2006.
- I.U.H. Qazi, O. Alata, J.C. Burie, et C. Fernandez-Maloigne. Colour spectral analysis for spatial structure characterization of textures in IHLS colour space. Pattern Recognition, 2009.
- T. Ojala, T. Mäenpää, M. Pietikäinen, J. Viertola, J. Kyllönen, et S. Huovinen. Outex new framework for empirical evaluation of texture analysis algorithms. In Proceedings of the 16th International Conference on Pattern Recognition, volume 1, pages 701–706, 2002
- M. Pietikäinen, T. Mäenpää, et J. Viertola. Color texture classification with color histograms and local binary patterns. In Proceedings of the 2nd International Workshop on Texture Analysis and Synthesis, pages 109–112, 2002.
- T. Mäenpää et M. Pietikäinen. Classification with color and texture : jointly or separately ? Pattern Recognition, 37(8) :1629–1640, 2004.
- V. Arvis, C. Debain, M. Berducat, et A. Benassi. Generalization of the cooccurrence matrix for colour images : application to colour texture classification. Image Analysis and Stereology, 23 :63–72, 2004.
- D. Iakovidis, D. Maroulis, et S. Karkanis. A comparative study of color-texture image features. In Proceedings of 12th International Workshop on Systems, Signals & Image Processing (IWSSIP’05), pages 203–207, Chalkida, Greece, 2005.
- Q. Xu, J. Yang, et S. Ding. Color texture analysis using the wavelet-based hidden markov model. Pattern Recognition Letters, 26 :1710–1719, 2005.
- Ojala, T., Mäenpää, T., Pietikäinen, M., Viertola, J., Kyllönen, J., Huovinen, S., 2002. Outex – New framework for empirical evaluation of texture analysis algorithms. In: ICPR, pp. 701–706. (Ojala et al., 2002; Burghouts and Geusebroek, 2009; Corani et al., 2010; Shi and Manduchi, 2005) (http://www.outex.oulu.fi/)
- C. Palm et T.M. Lehmann. Classification of color textures by gabor filtering. Machine Graphics and Vision International Journal, 11(2) :195–219, 2002.
- C. Palm. Color texture classification by integrative co-occurrence matrices. Pattern Recognition, 37(5) :965–976, 2004.
- C. Münzenmayer, H. Volk, C. Küblbeck, K. Spinnler, et T. Wittenberg. Multispectral texture analysis using interplane sum- and difference-histograms. In German Association for Pattern Recognition Symposium, pages 42–49. Editions Springer-Verlag, 2002.
- A. Porebski, N. Vandenbroucke, et L. Macaire. Neighborhood and haralick feature extraction for color texture analysis. In Proceedings of the 4th European Conference on Colour in Graphics, Imaging and Vision (CGIV’08), pages 316– 321, Terrassa - Barcelona, Spain, 2008.
- A. Porebski, N. Vandenbroucke, et L. Macaire. Sélection automatique d’attributs pour la classification de textures couleur. In Proceedings du onzième congrès francophone des jeunes chercheurs en vision par ordinateur (ORASIS’07), Obernai, France, 2007
- A. Porebski, N. Vandenbroucke, et L. Macaire. Iterative feature selection for color texture classification. In Proceedings of the 14th IEEE International Conference on Image Processing (ICIP’07), volume 3, pages 509–512, San Antonio, Texas, USA, 2007.
- A. Porebski, N. Vandenbroucke, et L. Macaire. Haralick feature extraction from LBP images for color texture classification. In Proceedings of the first IEEE International Workshops Image Processing Theory, Tools & Applications (IPTA’08), pages 1–8, Sousse, Tunisia, 2008.
- Ojala et al., 2002; Burghouts and Geusebroek, 2009; Corani et al., 2010; Shi and Manduchi, 2005) (http:// www.outex.oulu.fi/)
- Crosier, M., Griffin, L., 2008. Texture classification with a dictionary of basic image features. In: IEEE CVPR.
- k. dana, b. van-ginneken, s. nayar, and j. koenderink reference Reflectance and texture of real-world surfaces. ACM transactions on Graphics. 18(1): 1-34. January 1999
- Alireza Tavakoli Targhi, Jan-Mark Geusebroek, Andrew Zisserman, Texture Classification with Minimal Training Images, http://www.csc.kth.se/~att/Site/Material.html
- Najlae Idrissi. La navigation dans les bases d’images : prise en compte des attributs de texture. Interface homme-machine [cs.HC]. Universit´e de Nantes; Facult´e des sciences de Rabat, 2008. Fran¸cais. https://tel.archives-ouvertes.fr/tel-00465960/document
- Najlae Idrissi. La navigation dans les bases d’images : prise en compte des attributs de texture. Interface homme-machine [cs.HC]. Universit´e de Nantes; Facult´e des sciences de Rabat, 2008. Fran¸cais. https://tel.archives-ouvertes.fr/tel-00465960/document
- G. J. Burghouts and J. M. Geusebroek, Material-specific adaptation of color invariant features, Pattern Recognition Letters, vol. 30, 306-313, 2009
- Une base de données complète des textures dynamiques Renaud Péteri, Sándor Fazekas et Mark J. Huiskes. Motif de reconnaissance Lettres , Volume 31, numéro 12, 1er septembre 2010, Pages 1627 à 1632.
- Une base de données complète des textures dynamiques Renaud Péteri, Sándor Fazekas et Mark J. Huiskes. Motif de reconnaissance Lettres , Volume 31, numéro 12, 1er septembre 2010, Pages 1627 à 1632.
- Une base de données complète des textures dynamiques Renaud Péteri, Sándor Fazekas et Mark J. Huiskes. Motif de reconnaissance Lettres , Volume 31, numéro 12, 1er septembre 2010, Pages 1627 à 1632.
- [1] Epistroma, Egfr colon stroma classification – webmicroscope. Available online at <http://fimm.webmicroscope.net/supplements/epistroma>, 2012. (accessed 28.10.13. An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- IICBU, IICBU biological image repository. Available online at <http:// ome.grc.nia.nih.gov/iicbu2008/> 2008. (accessed 25.10.13). An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- IICBU, IICBU biological image repository. Available online at <http:// ome.grc.nia.nih.gov/iicbu2008/> 2008. (accessed 25.10.13). An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- MESSIDOR, Méthodes d’evaluation de systèmes de segmentation et d’indexation dédiées à l’ophtalmologie rétinienne. Available online at <http://messidor.crihan.fr/index.php>, 2005. (accessed 5.11.13) An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- Mayang, Mayang’s free texture library. Available online at <http:// www.mayang.com/textures/>, 2001. (accessed 24.10.13). An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- STex, Salzburg texture image database (STex). Available online at <http:// wavelab.at/sources/STex/>, 2009. (accessed 28.10.13. An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- USPTex, USPTex dataset. Available online at <http://fractal.ifsc.usp.br/dataset/ USPtex.php>, 2012. (accessed 30.10.13). An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- BTF-Bonn, BTF Bonn database. Available online at <http://cg.cs.uni-bonn.de/ en/projects/btfdbb/download/>, 2003. (accessed 24.10.13). An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- BTF-Bonn, BTF Bonn database. Available online at <http://cg.cs.uni-bonn.de/ en/projects/btfdbb/download/>, 2003. (accessed 24.10.13). An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- Forest species, Forest species database. Available online at <http:// web.inf.ufpr.br/vri/image-and-videos-databases/forest-species-database>, 2013. An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- Kylberg-Sintorn, Kylberg Sintorn Rotation dataset. Available online at <http:// www.cb.uu.se/gustaf/KylbergSintornRotation/>, 2013. (accessed 24.10.13). An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- MondialMarmi, Mondial Marmi: a granite image database for colour and texture analysis. v1.1. Available online at <http://dismac.dii.unipg.it/mm>, 2011. (accessed 24.10.13). An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- Parquet, Parquet image database. Available online at <http://dismac.dii.unipg. it/parquet/data.html>, 2012. (accessed 13.11. 13). An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb
- VxC TSG, VxC TSG image database for surface grading. Available online at <http://miron.disca.upv.es/vision/vxctsg>, 2005. (accessed 24.05.13). An appendix to ‘‘Texture databases – A comprehensive survey’’q Francesco Bianconia,⇑, Antonio Fernándezb