Abstract
本篇論文提出一個階層式(hierarchical)的紋理分類(texture classification)方法。在以前的分類方法中, 一般均存在三大問題: 一是資料依存性(data dependence),二是旋轉變化性(rotationvariancy), 三是明暗度平移變化性(gray level translation variancy), 本文的目標之一就是解決這三大問題。我們的方法分成兩大部份:一是以像素為基礎的分析(pixel-based analysis)。二是以區域為基礎的分析(region-based analysis) 。前者講座學習取樣(learning sample)和測試取樣(test sample)明暗度分佈的相似程度, 飲食了區間(local)平均值的常態分佈(normal distribution)均方差比率檢驗(Variance ratio test)和整體(global)柱狀圖(histogram)的K-S檢驗法。后者討論學習取樣和測試取樣紋理元素(texton)分布的相似程度, 先以頻譜分析檢驗周期性(periodicity), 若有周期性則以基本頻率(fundamental frequencies) 代表, 若無周期性則先將影像二值化, 然后標識出紋理元素, 計算它們的特徵分佈, 并以K-S 檢驗法計算最大差異量。我們以Brodatz 的紋理相片集當實驗材料, 取40種各式各樣的紋理, 每一種取6張, 以第一張為學習取樣, 其余為測試取樣(經過任意角度的旋轉), 在200測試取樣中, 我們的方法正確地分類了196張, 證明本方法的可行性。