«上一篇
文章快速检索     高级检索
下一篇»
  应用科技  2019, Vol. 46 Issue (2): 25-29  DOI: 10.11991/yykj.201809006
0

引用本文  

张磊, 陈昊, 王岩松, 等. 自适应权重联合多尺度LBPV2纹理分类方法 [J]. 应用科技, 2019, 46(2), 25-29. DOI: 10.11991/yykj.201809006.
ZHANG Lei, CHEN Hao, WANG Yansong, et al. A adaptive weight joint multi-scale LBPV2 for texture classification [J]. Applied Science and Technology, 2019, 46(2), 25-29. DOI: 10.11991/yykj.201809006.

基金项目

国家自然科学基金项目(51809056)

通信作者

王岩松,E-mail:wangyansong0451@163.com

作者简介

张磊,男,硕士研究生;
李一兵,男,教授,博士生导师

文章历史

收稿日期:2018-09-06
网络出版日期:2018-11-01
自适应权重联合多尺度LBPV2纹理分类方法
张磊1, 陈昊2, 王岩松3, 李一兵1    
1. 哈尔滨工程大学 信息与通信工程学院,黑龙江 哈尔滨 150001;
2. 南卡罗莱纳州立大学 电子工程学系,南卡罗莱纳州 哥伦比亚 29204;
3. 国家无线电监测中心 上海监测站,上海 201419
摘要:传统的局部二值模式仅局限于局部纹理信息的提取,忽略了全局纹理信息的表达,造成最终的纹理分类效果并不理想。为了解决以上问题,借鉴局部二值模式方差(LBPV)的优势,在此基础上提出了一种新的基于自适应权重联合多尺度LBPV2的纹理图像分类方法。该方法将方差平方作为直方图累积权重取代原来的方差权重,并采用自适应权重联合多尺度方案来实现多尺度纹理信息提取,进一步提升了纹理图像描述子的分类性能。在国际公认的Outex纹理数据集上的仿真实验表明,提出的这种新的基于自适应权重联合多尺度LBPV2的纹理图像分类方法能够实现纹理分类性能的显著改善。
关键词局部二值模式    纹理分类    自适应权重    联合多尺度方案    特征提取    局部方差    统计直方图    纹理数据集    
A adaptive weight joint multi-scale LBPV2 for texture classification
ZHANG Lei1, CHEN Hao2, WANG Yansong3, LI Yibing1    
1. College of Information and Communication Engineering, Harbin Engineering University, Harbin 150001, China;
2. Department of Electronic Engineering, University of South Carolina, Columbia SC 29204, USA;
3. National Radio Monitoring Center, Shanghai Monitoring Station, Shanghai 201419, China
Abstract: Local binary pattern (LBP) has been widely used in texture classification, however, traditional local binary pattern is limited in extracting local texture information, and it loses sight of the representation of global texture information, which make the texture classification task not doing well. In order to solve this problem, by taking advantage of local binary pattern variance (LBPV), this paper proposes a new texture image classification method based on the adaptive weight joint multi-scale LBPV2. In this method, it considers the square of variance as histogram cumulative weight instead of traditional variance weight, and it also uses the adaptive weight joint multi-scale scheme to extract the multi-scale texture information, thereby the texture classification performance is further improved. The simulation experiments conducted on popular Outex benchmark texture database indicate that the proposed adaptive weight joint multi-scale LBPV2(AWJLBPV2) can greatly improve the texture classification performance.
Keywords: local binary pattern    texture classification    adaptive weight    joint multi-scale scheme    feature extraction    local variance    histogram    texture database    

纹理分析是计算机视觉和模式识别领域中的一个基本的视觉问题,有着非常广泛的应用,例如物体识别[1]、遥感[2]、基于内容的图像检索[3]以及医学图像分析[4]等。

纹理分类在纹理分析领域扮演着重要的角色。在过去的20年里,研究人员已经提出了关于纹理图像分类的很多算法。例如统计方法中,最流行的纹理分析二阶矩阵统计特征灰度共生矩阵(gray-level co-occurrence matrix,GLCM)方法、基于模型的马尔可夫随机场方法、基于分形的方法等。其中,局部二值模式(local binary pattern, LBP)[5]方法最为常用,LBP是一种简单且有效的纹理特征描述子,在许多纹理数据集上取得了非常好的分类效果。LBP方法编码了中心像素和其邻域像素之间的带符号局部差异信息,其计算简单且对图像灰度级的单调变化具有不变性。由于其描述图像的计算简单、表达高效等优势,该方法已经被成功应用于各种不同的视觉任务中,如纹理分类、人脸分析、视频背景以及特定区域的描述等。

近年来,很多学者针对不同的研究问题,提出了许多LBP变体。Liao等[6]于2009年提出了主导LBP模式,依据经验从所有模式中选择出主导模式。Guo等[7]提出了LBPV,该算法采用局部方差信息和全局匹配方案将局部对比信息表达到纹理图像的直方图中。同年,Guo等[8]还提出一种完整局部二值模式(completed local binary pattern,CLBP),该算子由3个互补的成分组成:CLBP_S、CLBP_M和CLBP_C,并采用联合概率分布的方式将3个互补的成分结合到一起,以提升分类性能。2012年,Liu[9]提出了扩展LBP,提升了传统局部二值模式的抗噪性能和纹理表达效果。2013年,相关学者在传统LBP的基础上,提出了像素块采样结构和局部邻域强度关系模式用于纹理分类[10],并明显地提升了效果。2017年,Wu等[11]提出了一种多尺度LBP,该方法不仅能够描述微观的纹理结构,同时还能很好地表达较大区域的宏观纹理结构,克服了传统LBP的表达局限。

虽然,LBP和其变体已经取得了不错的纹理分类结果,但仍有很多潜在的缺陷。例如,大部分LBP变体都只局限于描述局部的纹理信息,几乎丢失了全局信息的表达,这就导致了相应的纹理分类效果并不理想。文中提出了一种新的基于自适应权重联合多尺度LBPV2的纹理图像分类方法,该方法将方差平方作为直方图累积权重取代LBPV算法中的方差权重,并通过引入自适应权重,实现了多个尺度纹理信息的融合,从而有效改善了纹理分类性能。

1 LBP及其变体 1.1 LBP方法

LBP算子描述了纹理图像的局部空间结构,在图像中,给定一个中心像素,通过比较中心像素值和其邻域像素值来计算对应的局部二值模式:

${X_{{\rm{LB}}{{\rm{P}}_{P,R}}}} = \sum\limits_{p = 0}^{P - 1} {s\left( {{g_p} - {g_c}} \right)} {2^p}$

式中: $s\left( x \right) = \left\{ {\begin{array}{*{20}{c}} {1,x \geqslant 0} \\ {0,x < 0} \end{array}} \right.$ ${g_c}$ 是中心像素的灰度值; ${g_p}$ 是邻域像素的灰度值,其中 $p$ 是参与当前二值编码的像素点, $p = 0,1, \cdots, P - 1$ $P$ 是邻域像素点的数目;R是邻域半径。若 ${g_c}$ 的坐标为 $\left( {0,0} \right)$ ,则 ${g_p}$ 的坐标为 $\left( {{\rm{ - }}R{\rm{sin}}\left( {{{2{\rm{{\text π} }}p}/P}} \right),R{\rm{cos}}\left( {{{2{\rm{\text π }}p}/P}} \right)} \right)$ 。对于没有落在网格中心的邻域点的灰度值,我们采用插值法来估计其值。对于大小为 $m \times n$ 的图像,其直方图计算公式为:

$h\left( k \right) = \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {\delta \left( {{X_{LB{P_{P,R}}}}\left( {i,j} \right) - k} \right)} } $

式中: $\left( {i,j} \right)$ 代表编码像素的坐标; $k\left( {0 \leqslant k \leqslant {2^P} - 1} \right)$ 是LBP的十进制码; $\delta \left( x \right){\rm{ = }}\left\{ {\begin{array}{*{20}{c}} {1,x = 0} \\ {0,x \ne 0} \end{array}} \right.$

旋转不变局部二值模式 ${X_{{{\rm LBP}}_{{ P,R}}^{\rm ri}}}$ 定义为:

${X_{{\rm{LBP}}_{P,R}^{\rm ri}}} = \min \left\{ {S\left( {{X_{{\rm{LB}}{{\rm{P}}_{P,R}}}},t} \right),t = 0,1, \cdots ,P - 1} \right\}$

式中: $S\left( {x,t} \right)$ 是在LBP二值编码上执行的循环比特移位; $t$ 代表右移的比特数。

统一旋转不变局部二值模式 ${X_{{\rm{LBP}}_{P,R}^{{\rm{riu2}}}}}$ 定义如下

${X_{{\rm{LBP}}_{P,R}^{{\rm{riu}}2}}} = \left\{ {\begin{array}{*{20}{l}} {{X_{{\rm{LB}}{{\rm{P}}_{P,R}}}},T\left( {{X_{{\rm{LB}}{{\rm{P}}_{P,R}}}}} \right) \le 2}\\ {P + 1,\;{\rm{否则}}} \end{array}} \right.$

式中 $T\left( {{X_{{\rm{LB}}{{\rm{P}}_{P,R}}}}} \right)$ 是原始LBP二值编码中0和1之间比特变换的总数。

1.2 LBPV方法

2010年,Guo等[7]提出了一种新的LBPV描述子来解决量化过程中可能存在的问题。LBPV描述子从纹理图像的局部区域来计算方差值(variance, VAR),并将其累计到LBP直方图的bins中,这也可以理解为沿VAR坐标的积分投影。理论分析和仿真实验表明,LBPV描述子能够大大减小特征提取方法对于大量训练样本的需求和依赖。

我们将纹理图像的局部方差定义为

${X_{{\rm{VA}}{{\rm{R}}_{P,R}}}}{\rm{ = }}\frac{1}{P}\sum\limits_{p = 0}^{P - 1} {{{\left( {{g_p} - \mu } \right)}^2}} $
$\mu {\rm{ = }}\frac{1}{P}\sum\limits_{p = 0}^{P - 1} {{g_p}} $

式中 $\mu $ 是邻域采样点的均值。

在LBPV描述子中,作者将局部方差 ${X_{{\rm{VA}}{{\rm{R}}_{P,R}}}}$ 作为一个自适应权重来调整直方图计算LBP编码的贡献值。假设纹理图像大小为 $m \times n$ ,LBPV的直方图可以通过下面的公式来计算:

${X_{{\rm{LBP}}{{\rm{V}}_{P,R}}}} = \sum\limits_{i = 1}^n {\sum\limits_{j = 1}^m {w\left( {{X_{{\rm{LB}}{{\rm{P}}_{P,R}}}}\left( {i,j} \right),k} \right)} } ,{\rm{ }}k \in \left[ {0,K} \right]$
$w\left( {{X_{{\rm{LB}}{{\rm{P}}_{P,R}}}}\left( {i,j} \right),k} \right) = \left\{ \!\!\!\! {\begin{array}{*{20}{c}} {{X_{{\rm{VA}}{{\rm{R}}_{P,R}}}}\left( {i,j} \right),\;\;{\rm{ }}{X_{{\rm{LB}}{{\rm{P}}_{P,R}}}}\left( {i,j} \right) = k}\\ {0, \; \text{否则}}\quad\quad\quad\quad\quad \quad \quad \quad \end{array}} \right.$

式中 $w$ 为直方图累计的权重。如果将 ${X_{{\rm{LB}}{{\rm{P}}_{P,R}}}}$ ${X_{{\rm{VA}}{{\rm{R}}_{P,R}}}}$ 看作是坐标系2个正交的坐标轴,我们可以将 ${X_{{\rm{LBP}}{{\rm{V}}_{P,R}}}}$ 看作是沿 ${X_{{\rm{VA}}{{\rm{R}}_{P,R}}}}$ 坐标轴的积分投影。

2 基于自适应权重联合多尺度LBPV2 2.1 LBPV2方法

为进一步提升LBPV算法的性能,在本节对传统的LBPV描述子进行算法改进,以提升其分类性能。传统的LBPV描述子中,采用方差作为直方图累积的权重。然而在仿真实验中发现,如果引入更大的权重对比,往往会产生更好的效果。因此在本节中,引入了方差的平方作为直方图的累积权重取代原来的方差权重,以改进传统的LBPV描述子。将改进后的基于方差平方的直方图累积权重的LBPV记为LBPV2,LBPV2标准直方图计算的数学定义式如下:

${X_{{\rm{LBPV}}_{P,R}^2}} = \sum\limits_{i = 1}^n {\sum\limits_{j = 1}^m {\varpi \left( {{X_{{\rm{LB}}{{\rm{P}}_{P,R}}}}\left( {i,j} \right),k} \right)} } $
$\varpi \left( {{X_{{\rm{LB}}{{\rm{P}}_{P,R}}}}\left( {i,j} \right),k} \right) = \left\{ \!\!\!{\begin{array}{l} {{X_{{\rm{VA}}{{\rm{R}}_{P,R}}}}^2\left( {i,j} \right),{\rm{ }}{X_{{\rm{LB}}{{\rm{P}}_{P,R}}}}\left( {i,j} \right) = k}\\ {0, \quad \text{否则}} \end{array}} \right.$

式中 $\varpi $ 是采用方差平方的新直方图累积权重。

2.2 基于自适应权重联合多尺度LBPV2方法

文献[11]提出的多尺度LBP通过简单算术求和将多尺度纹理信息融合到一起,使多尺度LBP能够具有同时描述多尺度纹理结构的优势。然而,通常较大的局部区域携带了更多的纹理信息,反之亦然。文献[7]中,不同尺度(指不同半径)的纹理信息以相同权重(权重为1)被融合到一起,并没有考虑局部区域携带信息量的多少。

为了解决这一问题,并进一步提升LBPV2纹理描述子的分类性能,提出了一种新的基于自适应权重联合多尺度LBPV2(adaptive weight joint multi-scale LBPV2 descriptor, AWJLBPV2)。

针对AWJLBPV2,以拓扑结构(P, R1, R2)为例,我们可以得到相应的统一AWJLBPV2纹理描述子( ${\rm{AWJLBP}}{{\rm{V}}_{P,R_1,R_2}^{2\_{\rm u}2}}$ )和旋转不变统一AWJLBPV2纹理描述子( ${\rm{AWJLBP}}{{\rm{V}}_{P,R_1,R_2}^{2\_ {\rm riu2}}}$ )。

在实验中,我们重点分析 ${\rm{AWJLBP}}{{\rm{V}}_{P,R_1,R_2}^{2\_ {\rm riu2}}}$ 的纹理分类性能。具体定义式如下:

$\begin{array}{l} {X_{\rm{AWJLBPV}}{_{P,R_1,R_2}^{2\_ {\rm riu2}}}}{\rm{ = }}\\ \left\{ \!\!\!{\begin{array}{*{20}{c}} {\sum\limits_{i = 0}^{P - 1} {s\left( {{w_1}{g_{i,{R_1}}} + {w_2}{g_{i,{R_2}}} - {g_c}} \right)} {2^i}{\rm{, }}\;\;U\left( {{X_{{\rm{AWJLB}}{{\rm{P}}_{P,{R_1},{R_2}}}}}} \right) \leqslant 2}\\ {P{\rm{ + }}1, \;\; \text{否则}}\qquad\qquad\qquad \qquad \qquad \qquad\quad\quad \end{array}} \right. \end{array}$

式中 $U$ 代表二值编码中0和1之间比特变换的数目,

$\begin{gathered} U\left( {{X_{{\rm{AWJLBP}}{{\rm{V}}^2}_{P,{R_1},{R_2}}}}} \right){\rm{ = }}\left| {s\left( {{g_{P - 1}} - {g_c}} \right) - s\left( {{g_0} - {g_c}} \right)} \right|{\rm{ + }} \\ \qquad \qquad \qquad\quad{\rm{ }}\sum\limits_{i = 1}^{P - 1} {\left| {s\left( {{g_i} - {g_c}} \right) - s\left( {{g_{i - 1}} - {g_c}} \right)} \right|} \\ \end{gathered} $

基于局部圆形区域半径的自适应权重 ${w_1}$ ${w_2}$ 的定义式为

${w_1} = \frac{{{R_1}}}{{{R_1} + {R_2}}}$
${w_2} = \frac{{{R_2}}}{{{R_1} + {R_2}}}$

式中 ${R_1}$ ${R_2}$ 分别为参与多尺度合并的2个半径。

假设图像大小为 $m \times n$ ,AWJLBPV2纹理描述子的特征统计直方图可以通过如下公式来计算:

${X_{{\rm{AWJLBP}}{{\rm{V}}_{P,{R_1},{R_2}}^2}}} = \sum\limits_{i = 1}^n {\mathop \sum \limits_{j = 1}^m } \left( {X_{\rm{AWJLBPV}}{_{P,R_1,R_2}^{2\_ {\rm riu2}}}}\left( {i,j} \right),k\right) $
$\begin{array}{l} w\left( {{X_{{\rm{AWJLBP}}{{\rm{V}}_{P,{R_1},{R_2}}^2}}}\left( {i,j} \right),k} \right) = \\ \left\{ \!\!\!{\begin{array}{*{20}{c}} {{X_{{\rm{VA}}{{\rm{R}}_{P,{R_1}}}}}\left( {i,j} \right),\;\;{\rm{ }}{X_{{\rm{AWJLBP}}{{\rm{V}}_{P,{R_1},{R_2}}^2}}}\left( {i,j} \right) = k}\\ {0, \;\; \text{其他}}\qquad\qquad\qquad\qquad\qquad\qquad \end{array}} \right. \end{array}$
3 仿真实验 3.1 纹理分类数据集

Outex数据集是业界公认的有效的纹理分析工具,对于不同类型的纹理分析问题提供了多个现成的训练测试组。在本文中,使用2个训练测试组:OutexTC10和OutexTC12(包括OutexTC12_000和OutexTC12_001)。其中的纹理图像包含了3种不同的光照、6种不同的分辨率以及9种变化的角度。表1给出了Outex数据集的详细总结,图1给出了Outex数据集的24类纹理图像。

表 1 Outex纹理集总结
Download:
图 1 Outex数据集24类纹理图像示意
3.2 仿真实验

通过理论分析可知,通过对纹理描述子引入基于局部区域半径的自适应权重,为携带较多纹理信息的较大局部区域赋予较大的权重,为较小的局部区域分配较小的权重,为多尺度局部纹理信息的融合引入基于区域半径的自适应权重,得到了AWJLBPV2纹理描述子。

为了进一步验证AWJLBPV2纹理描述子,对于纹理分类任务的性能优势,在本节中,我们将通过一系列纹理分类实验来进一步验证AWJLBPV2的纹理图像分类性能。

在对比纹理分类分析实验中,我们分别在OutexTC10、OutexTC12_000和OutexTC12_001纹理子集上进行对比实验评估。考虑到计算量的问题,仅采用2个半径尺度的拓扑结构参数局部纹理信息特征的融合。对于AWJLBPV2纹理描述子,我们以尺度(P, R1, R2)=(8,1,3)为例;而对于LBP及其变体,以尺度(P, R)=(8,1)为例。表2给出了在Outex纹理数据集上AWJLBPV2与LBP及其变体的对比实验结果;表3给出了本文所提方法与经典算法对比结果。

表 2 AWJLBPV2_riu与LBP及其变体在Outex纹理数据集上的对比实验结果
表 3 本文所提方法与经典算法对比结果

表2中可以看出,AWJLBPV2_riu在Outex纹理数据集上的纹理分类性能要明显优于LBP及其变体。首先,在OutexTC10上,虽然AWJLBPV2_riu没有取得最优效果,但是其分类性能紧随LBPVriu(91.56%)其后,并取得了90.05%的分类精度,明显优于传统LBPriu以及LBPV2_riu。其次,在OutexTC12的2个测试组上,AWJLBPV2_riu都取得了最佳的分类效果。在OutexTC12_000上,本文提出的方法达到了77.80%的分类精度,明显优于其他3种方法;在OutexTC12_001上,本文提出的方法实现了79%的分类精度,比传统LBPriu方法高出了15.25%。

通过以上的对比实验可以看出,AWJLBPV2_riu对于纹理分类任务具有明显的性能优势。其主要原因在于AWJLBPV2纹理描述子不仅继承了LBPV2对于纹理特征提取的优势,而且具备了多尺度LBP算法对于不同尺度特征融合的优越性。此外,本文提出的自适应权重使得算法不同尺度的特征融合更为合理、有效。基于以上的性能优势,使得AWJLBPV2成为了一种优越的纹理描述子。

通过表3与经典纹理分类算法的对比可以看出,本文提出的AWJLBPV2_riu与传统LBP及其变体相比,具有明显的性能优势。AWJLBPV2纹理描述子不仅继承了传统LBP纹理描述子在计算量、计算效率、对旋转和光照变化具有鲁棒性的优势等特点,还兼顾了LBPV和LBPV2纹理描述子在直方图累积阶段对于不同局部区域分配不同累积权重的特征表达优势。此外,自适应权重使得相应纹理描述子能够将不同尺度的特征更加合理、有效地融合到一起。因此,AWJLBPV2纹理描述子在理论上集成了多方优势。通过仿真实验也可以看出,其具有明显的纹理分类性能优势。

4 结论

本文针对传统局部二值模式对于纹理信息提取过于局限于局部信息提取的问题,提出了一种新的基于自适应权重联合多尺度LBPV2纹理分类方法。1)该方法将方差平方作为直方图的累积权重,使得特征的直方图累计更加合理;2)该方法采用自适应权重联合多尺度方案来实现多尺度纹理信息提取,有效地改善了纹理分类性能。实验表明,本文提出的方法有效地集成了多方优势,实现了多尺度信息有效、合理的融合。在下一步的研究中,计划探索提高AWJLBPV2描述子的抗噪声性能的方法。

参考文献
[1] WOZNIAK M, POLAP D. Object detection and recognition via clustered features[J]. Neurocomputing, 2018, 320: 76-84. DOI:10.1016/j.neucom.2018.09.003 (0)
[2] SARMA J N, SHARMA S. Neotectonic activity of the Bomdila Fault in northeastern India from geomorphological evidences using remote sensing and GIS[J]. Journal of earth system science, 2018, 127(8): 1-9. (0)
[3] LI Ying, KONG Xiangwei, FU Haian, et al. Aggregating hierarchical binary activations for image retrieval[J]. Neurocomputing, 2018, 314: 65-77. DOI:10.1016/j.neucom.2018.06.014 (0)
[4] AGARWAL M, SINGHAL A, LALL B. 3D local ternary co-occurrence patterns for natural, texture, face and bio medical image retrieval[J]. Neurocomputing, 2018, 313: 333-345. DOI:10.1016/j.neucom.2018.06.027 (0)
[5] OJALA T, PIETIKÄINEN M, MÄENPÄÄ T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE transactions on pattern analysis and machine intelligence, 2002, 24(7): 971-987. DOI:10.1109/TPAMI.2002.1017623 (0)
[6] LIAO S, LAW M W K, CHUNG A C S. Dominant local binary patterns for texture classification[J]. IEEE transactions on image processing, 2009, 18(5): 1107-1118. DOI:10.1109/TIP.2009.2015682 (0)
[7] GUO Zhenhua, ZHANG Lei, ZHANG D. Rotation invariant texture classification using LBP variance (LBPV) with global matching[J]. Pattern recognition, 2010, 43(3): 706-719. DOI:10.1016/j.patcog.2009.08.017 (0)
[8] GUO Zhenhua, ZHANG Lei, Zhang D. A completed modeling of local binary pattern operator for texture classification[J]. IEEE transactions on image processing, 2010, 19(6): 1657-1663. DOI:10.1109/TIP.2010.2044957 (0)
[9] LIU Li, ZHAO Lingjun, LONG Yunli, et al. Extended local binary patterns for texture classification[J]. Image and vision computing, 2012, 30(2): 86-99. DOI:10.1016/j.imavis.2012.01.001 (0)
[10] WANG Kai, BICHOT C, ZHU Chao, et al. Pixel to patch sampling structure and local neighboring intensity relationship patterns for texture classification[J]. IEEE signal processing letters, 2013, 20(9): 853-856. DOI:10.1109/LSP.2013.2270405 (0)
[11] WU Xiaosheng, SUN Junding. Joint-scale LBP: a new feature descriptor for texture classification[J]. The visual computer, 2017, 33(3): 317-329. DOI:10.1007/s00371-015-1202-z (0)
[12] ZHAO Yang, JIA Wei, HU Rongxiang, et al. Completed robust local binary pattern for texture classification[J]. Neurocomputing, 2013, 106: 68-76. DOI:10.1016/j.neucom.2012.10.017 (0)
[13] SONG Kechen, YAN Yunhui, ZHAO Yongjie, et al. Adjacent evaluation of local binary pattern for texture classification[J]. Journal of visual communication and image representation, 2015, 33: 323-339. DOI:10.1016/j.jvcir.2015.09.016 (0)