本研究所提出的 CS-ELTP，目標在於提出一種特徵描述子，能夠在辨識率、
抗噪力，以及處理效率三者之間取得平衡，經與其他三種描述子在各種條件下的
LTP-6561 (91.25%)
CS-LTP-81 (88.33%)
CS-LBP-16 (77.92%)
20dB
LBP-256(86.25%)
LTP-6561 (85.42%)
CS-LTP-81 (83.75%)
CS-LBP-16 (67.92%)
40dB
LBP-256(82.08%)
LTP-6561 (79.58%)
CS-LTP-81 (78.75%)
CS-LBP-16 (60.83%)
CS-ELTP-28 (85.42%)
CS-LBP-16 (77.92%)
20dB
ELTP-128 LBP-59 CS-ELTP-28 CS-LBP-16‧
CS-ELTP-28 (75%)
CS-LBP-16 (60.83%) 表 6.1 辨識率排名總整理
抗噪力方面：排名由高到低依序為：CS-ELTP >= ELTP > LBP > CS-LBP。
在先前學者的研究中，已經證明三元編碼的抗噪力是優於二元編碼的，CS-ELTP
LBP-256 (降低 5%)
LTP-6561 (降低 5.83%)
CS-LBP-16 (降低 10%)
40dB
CS-LTP-81(降低 9.08%)
LBP-256 (降低 9.17%)
LTP-6561 (降低 11.67%)
CS-LBP-16 (降低 17.09%) 經降維描述子
訊噪比 抗噪力排名(由高到低)
20dB
CS-ELTP-28 (降低 5%)ELTP-128 (降低 5.83%)
LBP-59 (降低 8.33%)
CS-LBP-16 (降低 10%)
40dB
CS-ELTP-28(降低 10.42%)
ELTP-128 (降低 12.08%)
LBP-59 (降低 14.58%)
CS-LBP-16 (降低 17.09%) 表 6.2 抗噪力排名總整理
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
64
處理效率方面：排名由高到低依序為：CS-LBP > CS-ELTP > LBP > ELTP。
CS-LBP 以簡單的取樣方法，得到 16 個總樣式數，因為本身 16 維的維度已經很 低，並沒有再定義其他的降維方式，在辨識時的處理效率是最快的，但也因為過 低的維度，犧牲了太多的描述力，使得辨識率與其他描述子落差太大。而 CS-ELTP 以 28 維的維度，處理效率略遜於 CS-LBP，但保有良好的描述力，在辨識力方 面遠勝於 CS-LBP。LBP 與 ELTP 則因為需要額外的方法降維，尤其是 ELTP 除 了要先經過 uniform pattern 之外，還要使用複雜的分群方法做最後的降維，處理 一張影像就需要花點相當多的時間。
因此，CS-ELTP 擁有上述的特性，雖然它的辨識率不是最優秀的，但在各 實驗結果中，都保有約 80%以上的辨識率，且它的取樣方式單純，處理效率佳，
非常適合應用在不要求十分精準的辨識，卻需要快速反應的辨識工作上，例如在 許多工業產線皆需要這樣的應用，在檢查產線上的產品良率時，不需要為了低價 的元件做到 99%甚至 100%的準確度，只要維持 80%的準確度就可以接受，快速 的辨識可以得到更大的產能。
本研究針對 CS-ELTP 定義了兩種 uniform pattern，但是得到的結果並不理想，
佔總 pattern 的比例不夠具代表性，是否可以找出更好的定義使得 CS-ELTP 的 uniform pattern 更具代表性，值得再深入探討。
CS-ELTP 是基於原始 LBP 的定義做為取樣方式的參考，但 LBP 除了原始的 定義，還有許多其他延伸的定義，如改變取樣的半徑參考的像素不用侷限於 3x3 的區塊，在面對較大的影像時，利用這樣的取樣方式才不會顯得空間範圍不足，
而這個部分本論文內容雖有提及，但實驗部分尚未完成，也是未來可以嘗試的議 題。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
65
此外，若是在不同的條件之下，例如不同的影像光源、加入雜訊的影像，或 是減少 training image 的數量，以上四種描述子在不同條件之下的效果將如何呈 現，接下來的實驗也將把這些影響辨識率的因素有系統的納入考量，分析在各種 狀況下這幾種描述子的辨識能力孰優孰劣。
最後，本論文實驗的部分，利用描述子融合的概念，將 LBP 及 CS-ELTP 的 特徵合併後，結合兩者各別的優勢，發現在影像受雜訊干擾的環境中，可以大副 提升辨識率，融合的概念應該還有許多的可能性，本研究目前只嘗試了 LBP 與 CS-ELTP 的組合，是否存在其他不同取樣方式的描述子，將它們所描述的不同 變化關係合併，達到截長補短的效果，將是值得後續研究探討的問題。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
參考文獻
[1] D. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,” Int'l J.
Computer Vision, vol. 2, no. 60, pp. 91-110, 2004.
[2] T. Ojala, M. Pietikainen, and T. Maenpaa, “Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 7, pp. 971-987, July 2002.
[3] N. Dalal and B. Triggs, “Histograms of Oriented Gradients for Human Detection”, Proc.IEEE Conf. Computer Vision and Pattern Recognition (CVPR '05), vol. 1, pp. 886-893, 2005.
[4] P. Viola and M. Jones, “Robust Real-Time Object Detection”. Proc. ICCV Second Int'l Workshop Statistical and Computational Theories of Vision Modeling, Learning, Computing, and Sampling, July 2001.
[5] B. S. Manjunath, J.-R. Ohm, V. V. Vasudevan, and A. Yamada ,“Color and texture descriptors,” IEEE Trans. Circuit Syst. Video Technol., vol. 11, pp.
703–715, June 2001
[6] W. H. Liao, “Region Description Using Extended Local Ternary Patterns”, Proceedings of the 20th International Conference on Pattern Recognition, pp.
1003-1006, 2010.
[7] Marko Heikkil¨a, Matti Pietik¨ainen, and Cordelia Schmid, “Description of Interest Regions with Center-Symmetric Local Binary Patterns”, Computer Vision, Graphics and Image Processing(CVPR '06), Volume 4338, pp 58-69, 2006.
‧
[8] X. Tan and B. Triggs. “Enhanced local texture feature sets for face recognition under difficult lighting conditions”. In Analysis and Modeling of Faces and Gestures, volume 4778 of LNCS, pages 168–182. Springer, 2007.
[9] A. Shobeirinejad and Y. S. Gao, “Gender Classification Using Interlaced Derivative Patterns“, Proceedings of the 20th International Conference on Pattern Recognition, pp. 1509-1512, 2010.
[10] M. Heikkilä, M. Pietikäinen and C. Schmid, “Description of Interest Regions with Center-Symmetric Local Binary Patterns”, Computer Vision, Graphics and Image Processing, Lecture Notes in Computer Science, 2006.
[11] J. C. Dunn "A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters", Journal of Cybernetics 3: 32-57, 1973.
[12] Timo Ojala, Topi Mäenpää, Matti Pietikäinen, Jaakko Viertola, Juha Kyllönen and Sami Huovinen, “Outex - New Framework for Empirical Evaluation of Texture Analysis Algorithms”, 21st International Conference on Pattern Recognition, November 11-15, 2012.
[13] Alexander Strehl and Joydeep Ghosh, “Cluster Ensembles - A Knowledge Reuse Framework for Combining Multiple Partitions”, Journal of Machine Learning Research 3, 583-617,2002.
[14] Ulrike von Luxburg, “A Tutorial on Spectral Clustering”, Statistics and Computing, 17 (4), 2007.
[15] Wen-Hung Liao, “Commensurate dimensionality reduction for extended local ternary patterns”, International Conference on Pattern Recognition (ICPR), 2012.
[16] Xiaosheng Wu and Junding Sun, “An Extended Center-Symmetric Local Ternary Patterns for Image Retrieval”, International Conference, CSEE 2011.