Vzhled reálných scén velmi závisí na aktuálních podmínkách jako osvětlení a úhlu pohledu, což značně komplikuje automatickou analýzu obrázků těchto scén. V této práci představujeme nové texturní příznaky pro robustní rozpoznávání přírodních a umělých materiálů (textur), obsažených v reálných scénách. Tyto příznaky jsou založené na efektivním modelovaní prostorových vztahů pomocí modelů Markovovského náhodného pole a dokázali jsme, že naše příznaky jsou invariantní vzhledem k barvě osvětlení, vrženým stínům, a rotaci textury. Navíc, jsou navržené příznaky robustní ke změně směru osvětlení a degradaci Gaussovským šumem a také souvisí s lidským vnímáním textur.

Příznaky jsme s úspěchem otestovali na aktuálních texturních databázích (Outex, Bonn BTF, CUReT, ALOT, and KTH-TIPS2), kde překonali nejlepší stávající metody (včetně oponentních Gaborových příznaků, LBP, LBP-HF, a MR8-LINC) ve skoro všech experimentech, např. výsledky na texturní databázi ALOT byly zlepšeny o 20%. Naše příznaky jsme využili při konstrukci systému pro vyhledávaní podobných obkladů a dlažeb, optimalizaci parametrů metod pro kompresi textur ve shodě s lidským vnímáním, invariantní segmentaci vícemodálních textur a rozpoznávání glaukomu na snímcích sítnice.

Představené metody mohou být využity ke zlepšení stávajících systémů pro prohledávání obrazových databází nebo ve specializovaných systémech zaměřených na strukturní/texturní podobnost. Další možnosti aplikací jsou v počítačovém vidění, protože analýza reálných scén často vyžaduje rozpoznávání textur v různých podmínkách.

Prohledávání obrazové databáze se spustí kliknutím na zvolený obraz a systém najde obrazy co nejvíce podobné. Obrazy jsou považovány za podobné pokud mají podobnou strukturu, bez ohledu podmínky při jejich pořízení (např. různé osvětlení - specifikováno napravo). Porovnání s alternativními metodami je možné zapnout po kliknutí na tlačítko "settings". První demonstrace ukazuje úspěšnost klasifikace (zobrazuje nejbližší trénovací vzorky), zatímco ostatní hledají co nejpodobnější obrazy v databázi.

P. Vacha, M. Haindl, and T. Suk. Colour and rotation invariant textural features based on Markov random fields, Pattern Recognition Letters, vol. 32, pp. 771-779, 2011. doi: 10.1016/j.patrec.2011.01.002,

P. Vacha and M. Haindl. Texture Recognition using Robust Markovian Features, in: LNCS proc. of MUSCLE International Workshop on Computational Intelligence for Multimedia Understanding 2011, pp. 1-12, in press. (ústní prezentace).

P. Vacha and M. Haindl. Natural Material Recognition with Illumination Invariant Textural Features, in: Proc. of International Conference on Pattern Recognition (ICPR'10), pp. 858-861, 2010. doi: 10.1109/ICPR.2010.216, (ústní prezentace).

R. Kolar and P. Vacha. Texture analysis of the retinal nerve fiber layer in fundus images via Markov Random Fields, in: Proc. of IFMBE World Congress on Medical Physics and Biomedical Engineering, vol. 25/XI, pp. 247-250, 2009. doi: 10.1007/978-3-642-03891-4_66, (ústní prezentace).

P. Vacha and M. Haindl. Illumination Invariants Based on Markov Random Fields, in: Proc. of International Conference on Pattern Recognition (ICPR'08), pp. 1-4, 2008. doi: 10.1109/ICPR.2008.4761375, (ústní prezentace).