多重特徵

這節會先探討具有互補性的特徵抽取結合是否能提升環境變化的強健性及原由，選 用的特徵抽取分別為 LPCM 與 TBA。從特徵抽取的特性圖 4.2 可知，LPCM 與 TBA 對 於不同的環境變化表現差異大，且能解決對方無法解決的環境變化問題，故此認定兩者 特徵抽取具有互補性。接著探討不具互補性的特徵抽取結合是否能提升環境變化的強健

29

性及原由，選用的特徵抽取為 GLCM 與 LBP。從特性圖 4.2 可知，GLCM 與 LBP 對於 不同的環境變化表現差異不大，當遇到無法解決的問題，無法利用另一個特徵抽取解決，

故此認定兩者特徵抽取的特性較為相似。

4.4.1 TBA 與 LPCM 多重特徵實驗

此實驗先將圖片經由 TBA 與 LPCM 進行特徵抽取，再經由公式(4.1)將兩者的特徵 結合。訓練資料的多重特徵經由 SVM 學習得到分類模型，再將環境變化測試資料的多 重特徵，經由分類模型得到分類結果如圖 4.5。觀測光亮及尺度環境變化，LPCM+TBA 多重特徵的強健性雖然比 TBA 較為遜色，卻彌補 LPCM 無法抵抗尺度變化的缺點，並 且提升 LPCM 對於光亮變化的強健性。接著觀測旋轉環境變化，發現 LPCM+TBA 多重 特徵的旋轉強健性比 LPCM 略低，但是卻大幅降低 TBA無法抵抗旋轉環境變化的缺點，

增加強健性。會發生上述的兩種情況是因為 LPCM 與 TBA 的特性具有互補。因此當其 中一個特徵無法辨識環境變化時候，能倚靠其他特徵抽取方式進行彌補，使得環境變化 的強健性大幅提升。然而因為將無法辨識的特徵與其結合，造成原本具有抵抗環境變化 的特徵，因無效資訊參雜，使得其強健性略為下降。然而進步幅度比下降幅度大，因此 總體的強健性仍能有效提升。

圖 4.5LPCM+TBA 的多重特徵特性

30

4.4.2 GLCM 與 LBP 的多重特徵

接著進行 GLCM 與 LBP 多重特徵的特性實驗，結果如圖 4.6 所示。對光亮環境變 化，GLCM+LBP 多重特徵雖然損失部分 LBP 對光亮環境變化的強健性，仍能大幅降低 GLCM 無法抵抗光亮環境變化的缺點。在尺度環境變化下 GLCM+LBP 多重特徵雖提升 LBP 強健性但提升幅度不大，而原本表現較好的 GLCM 強健性則大幅拉低，造成整體 特徵對各類別環境變化的強健性被拉低，但是觀測在光亮環境變化下 GLCM 的辨識準 確度不高，因此其在光亮變化的強健性並不具代表意義，造成上述情況發生。

由上述情況發現 GLCM+LBP 多重特徵除了在光亮環境變化下能提升其強健性，而 其他環境變化提升幅度有限。其中尺度變化發生上述問題不能具有代表性。造成上述狀 況推測 GLCM 與 LBP 特性過於相似，所以當其中一種特徵抽取方式無法抵抗環境變化 的問題，而另一特徵抽取方式也無法抵抗相同環境變化問題，造成多重特徵無法提升整 體強健性。

圖 4.6GLCM+LBP 多重特徵特性

經由上述兩種實驗可以證實，當結合的特徵抽取方式具有明顯互補性，多重特徵能 有效提升特徵抽取方式的優點並且降低其缺點，藉此提升特徵抽取方式對於環境變化的 強健性。然而當結合的特徵抽取方式較為相似，則多重特徵無法降低特徵抽取方式的缺

31

點，導致環境變化的強健性無法提升。下章節將用實驗驗證當強健性上升時，能提升材 質變識準確度。

32