Utilisateur:BCDbiblio/Brouillon

Etat de l'art des attributs de texture invariants aux changements d'illuminant

modifier

Introduction

modifier

Dans le domaine du traitement de l'image, de nombreuses recherches sur les textures, et plus particulièrement leurs attributs afin de déterminer si elles sont invariantes à la rotation ou au changement d'illuminant. Ce dernier point est le corps de l'article. Ces deux propriétés propres aux textures sont recherchées notamment en vue d'utilisation dans l'industrie.

Attributs invariants aux changement d'illuminant

modifier

Les chercheurs du traitement de l'image opèrent une série de test afin de déterminer,par différentes méthodes, le taux de classification appelé "accuracy". Ce taux indique le degré d'invariance (par rotation ou changement d'illuminant par exemple) de l'attribut de texture utile.

Attributs de textures

modifier

Une texture est une matière non homogène au sens physique. La rugosité, la dimension, la forme, la viscosité, la dureté sont de façon non exhaustive des éléments confirmant la non homogénéité des textures.

Méthodes d'analyse

modifier

Afin de déterminer le taux de classification des attributs de texture, plusieurs méthodes ont été déterminées :

Steerable

modifier

Bases de données

modifier

Afin d'étudier dans une certaine mesure les propriétés physiques des attributs de texture, les images présentant ces textures ont été regroupées dans des bases de données standardisées.

Contrib

modifier

Tableau de résultat

modifier
Référence de l'article Attributs de texture invariants Bases d'image (datasets) Taux de classification (accuracy) Spécificité de l'illuminant

Effect of illumination on automatic expression recognition : a novel 3D relightable facial database

Illumination-Invariant Texture Classification Using Single Training Images 2005

Texture AAJ

PhoTex Database

Their method Barsky

first correct

81,2%

85,2%

correct within first 3

95,8%

98,2%

light slants 30◦ ,45◦ ,60◦, 75◦

Combining color and Shape Information for illumination viewpoint invariant object recognition 2006

Coil-100 (Corel) 25 catégories : 2600 images

Illumination-invariant recognition of texture in color images, Glenn Healey and Lizhi Wang, 1995

constructed a database by acquiring color images of 20 textures

white illumination obtained by using a Newport model 765 tungsten–halogen light source filtered by a Corion BG-38 blue–green filter.

A Class of Photometric Invariants: Separating Material from Shape and Illumination, Srinivasa G. Narasimhan, Visvanathan Ramesh, Shree K. Nayar

Lambertian or matte surfaces (normalized RGB, [3, 27, 11, 1, 8], reflectance ratios [16], intrinsic images [26], color invariants [7, 6, 24])

Local spiking pattern and its application to rotation- and illumination-invariant texture classification, 08/2016 Harvard

Rotation Invariant Classification of 3D Surface Texture Using Photometric

Stereo

Jiahua Wu B.Eng

A Comparison of Photometric Normalisation Algorithms for Face Verification

Yale B database, The XM2VTS database, The BANCA database.

Olivier Losson – Ludovic Macaire CrossMark, 2014

CFA LBP

Outex-TC-00014 2,856K incandescent light

2.300K horizon sunlight

4.000K fluorescent TL84 light

Contrib_TC_00006

Outex_TC_00013

LBP(8,1) et LBP(16,2)

Xu et al, 2009

descriptors SI and AI are invariant to, respectively, local similarities and local affine transforms

texture class T19 and T17, IJCV invariant texture

UMD Database

Barsky

BTF texture

method <0°,30°> <45°,65°> 75° average

Gabor

97,6

75,2

24,4

64,9

Steerable

82,5

49,2

27,4

50,2

CAR

84,1

73,3

67,2

73,9

GMRF

92,8

80,5

69

79,8

IJCV invariant texture

MFS (multifractal spectrum vector)

Synthèses

modifier

Dans le cadre de la recherche des attributs de texture invariants aux changements d'illuminant, des recherches ont été menées par différents chercheurs et laboratoires. Le taux de classification (accuracy) doit être le plus proche de 100% afin d'obtenir des résultats exploitables. Les différentes méthodes présentées dans le tableau de résultat permettent de déterminer le taux de classification. Une étude statistique moyenne permettrait d'obtenir des résultats plus proches de la réalité.

Sources et liens externes

modifier

Etude sur la texture BTF [1]

Présentation des méthodes CAR et GMRF [2]

Etude comparative des bases d'image Barsky et PhoTex [3]

Etude comparative des bases LBP(8,1) et LBP(16,2) [4]

Présentation de la méthode MFS [5]

Etude des méthodes Extended Yale-B et FERET [6]

Etude comparatives de nombreuses méthodes sur plusieurs bases d'image [7]

Etude comparatives de nombreuses méthodes sur plusieurs bases d'image [8]

Etude comparative de nombreuses méthodes sur la base d'image ALOT [9]

Etude de reconnaissance de texture faciale [10]

Etude menée sur la base Outex [11]