第四章 比例式降維法之實驗結果
4.1 紋理影像辨識
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四章
比例式降維法之實驗結果
第三章說明了比例式降維法，討論了使用不同降維方式可能造成的影響。本章將從實驗 驗證其在各種方法在描述力、抗噪性等上的差異，實驗將包含紋理影像辨識、人臉辨識，
以及紋理影像的抗噪性分析。
4.1 紋理影像辨識
本實驗將比較各種描述方法，在紋理影像辨識上的準確率。而測試資料，採用的是Brodatz 紋理影像資料庫中的影像，我們取出了其中相異度較大的 36 張進行實驗，部分樣本如 圖4.1 所示。
圖4.1 紋理影像辨識實驗使用的部分樣本
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
這些測試影像的原始尺寸為640x640，在實驗之前，為了增加樣本數目，我們在每 張影像中，隨機取出尺寸為96x96 的 patch 各 300 張，其中一半做為訓練樣本，一半做 為測試樣本。
以下，將分成幾組進行實驗，比較各種方法的辨識準確率。而除了以測試樣本原圖 實驗以外，也將加入數種程度之雜訊，比較各種方法在影像到受雜干擾後的表現。而影 像在受到雜訊干擾後的變化如圖4.2 所示，其中，左上角為原始影像，其餘影像中的數 字為其訊噪比(SNR)，圖中可看出 SNR 約在 30 以下即可明顯看出差異。此外，實驗中 使用的分類器是以RBF 為 kernel 之 SVM。
圖4.2 影像受到雜訊干擾後之變化
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
首先比較維度設定在59 維的 CDR-ELTP，與相同維度下之 ELTP，以及利用 uniform pattern 降維之 LBP。在以下將分別使用 CDR-ELTP-59、ELTP-58+1 以及 ULBP-58+1 表 示之，結果如表4.1 及圖 4.3 所示。
表4.1 各描述方式在影像受到不同雜訊干擾下的分類準確率
圖4.3 各描述方式在影像受到不同雜訊干擾下的分類準確率
由圖4.2 中可以清楚的看出，在未加入雜訊的情況下，三種描述方式的分類準確率 皆非常高，然而加上了輕微的雜訊後，即可看出明顯的差異。首先，ELTP 對於雜訊，
確實有高於LBP 的容忍度。另外，CDR-ELTP 的準確率也明顯高於其他兩者，可以說明，
SNR ULBP-58+1 ELTP-58+1 CDR-ELTP-59
w/o noise 99.76 99.78 99.85
44.45 90.19 95.86 98.88
38.72 80.96 88.39 93.24
35.25 74.78 85.15 89.94
32.81 71.46 81.5 87.12
30.91 69.12 77.51 82.62
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
比例式降維法確實更精準的利用了uniform pattern 帶來的描述力。
以下結果比較的則是CDR-ELTP 在 59 維、128 維及 256 維等不同維度之下的表現，
如表4.2 及圖 4.4 所示。
表4.2 CDR-ELTP 在不同維度下的表現
圖4.4 CDR-ELTP 在不同維度下的表現
由圖4.4 中可以看出，CDR-ELTP 的維度設定在 128 維及 256 維時，辨識率的表現 均比59 維佳。而前兩者在不同程度的雜訊影響下互有高明，並沒有明顯差異。不過，
SNR CDR-ELTP-59 CDR-ELTP-128 CDR-ELTP-256
w/o noise 99.85 99.9 99.91
44.45 98.88 99.71 99.64
38.72 93.24 94.74 95.64
35.25 89.94 92.31 92.91
32.81 87.12 90.48 90.45
30.91 82.62 88.76 88.1
‧
成的影響。也就是比較以Hamming distance 及 H2 distance 做為樣式間距離的定義時，對 描述力的影響。結果如表4.3 及圖 4.5 所示。表4.3 CDR-ELTP 在不同樣式間距離下的表現
圖4.5 CDR-ELTP 在不同樣式間距離下的表現
SNR Hamming H2
w/o noise 99.91 99.96
44.30 99.89 99.98
42.11 99.91 99.93
39.63 99.43 99.74
37.34 97.17 98.11
35.06 94.43 95.48
33.49 91.89 93.83
30.74 87.96 90.59
29.16 84.89 88.56
27.85 81.48 86.50
‧
但若對照表3.6，以兩者的分群指標來看，Hamming distance 定義下的分群結果是較 好的，這點則與實驗結果不一致。討論可能的原因，其一是可能是前述造成的影響遠勝 於分群差異帶來的影響，其二則也有可能是所使用的分群指標並不適用在本研究的樣式 分群中。
第四個實驗比較了256 維的 CDR-ELTP，使用兩種分群所法造成的差異。比較的演 算法是Spectral clustering 及 K-medoids clustering 兩者，實驗結果如表 4.4 及圖 4.6 所示。
而在此，樣式間距離定義用的是前述效果較好的H2 distance。
表4.4 CDR-ELTP 中使用不同分群演算法於紋理影像辨識的準確率
SNR spectral K-medoids
w/o noise 99.96 99.98
44.30 99.98 99.89
42.11 99.93 99.94
39.63 99.74 99.46
37.34 98.11 97.19
35.06 95.48 94.46
33.49 93.83 92.31
30.74 90.59 88.06
29.16 88.56 85.17
27.85 86.50 81.63
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖4.6 CDR-ELTP 中使用不同分群演算法的於紋理影像辨識的準確率比較圖
從圖4.6 中可以看出，樣式以 spectral clustering 分群，在辨識率上高於利用 k-medoids clustering 分群之樣式，對照表 3.7 中的分群指標來看，雖然後者具有較好的分群結果，
但對描述子卻沒有正面的影響。討論其原因，有可能所使用的分兩個分群指標確實不適 用在評估本研究中的樣式分群。