Một nghiên cứu so sánh các không gian màu cho nhận dạng hình ảnh đám mây dựa trên đặc trưng LBP và đặc trưng LTP
Dương T H Hà Lâm T T Dzi HCMCOUJS-Kỷ yếu, 17(2), 123-131 123 Một nghiên cứu so sánh khơng gian màu cho nhận dạng hình ảnh đám mây dựa đặc trưng LBP đặc trưng LTP A comparative study of color spaces for cloud images recognition based on LBP and LTP features Dương Thị Hồng Hà1* Lâm Trần Tuấn Dzi1 Trường Đại học Mở Thành phố Hồ Chí Minh, Thành phố Hồ Chí Minh, Việt Nam * Tác giả liên hệ, Email: dthongha@gmail.com THÔNG TIN TĨM TẮT Bài tốn phân loại sử dụng mơ tả texture áp dụng rộng rãi việc nhận dạng hình ảnh đám mây mặt đất hiệu Phương pháp Local Binary Pattern (LBP) biến Ngày nhận: 20/09/2022 thể LBP thường sử dụng để nghiên cứu việc biểu diễn hình ảnh đám mây Sự lựa chọn khơng gian màu thích hợp Ngày nhận lại: 06/10/2022 nâng cao hiệu suất hệ thống nhận dạng cho nhiều ứng Duyệt đăng: 08/10/2022 dụng Trong báo này, đề xuất nghiên cứu so sánh để chọn không gian ứng viên tốt để mã hóa hình ảnh đám mây cách hợp nhiều phương pháp mô tả texture Từ khóa: Phương pháp đề xuất đánh giá sở liệu hình ảnh đám mây mặt đất; SWIMCAT (Singapore Whole-sky IMaging CATegories LBP-LTP; nhận dạng hình ảnh database) DOI:10.46223/HCMCOUJS proc.vi.17.2.2469.2022 đám mây; nhận dạng pattern; phân loại đám mây; tích hợp liệu Keywords: ground-based cloud images; LTP-LBP; cloud images recognition; pattern recognition; cloud classification; data fusion ABSTRACT The classification problem using texture features is applied widely to recognize ground-based cloud images because of its efficiency Local Binary Pattern and their variants are often investigated to extract cloud image features The consistent choice of color space can sharpen the recognition system performance of some applications In this paper, we propose a comparative study to elect the best nominee in color space for coding cloud images by combining multiple texture feature extraction methods The proposed approach is evaluated on the SWIMCAT database Giới thiệu Theo Tổ chức Khí tượng Thế giới (WMO), quan sát nhận dạng đám mây quan trọng nghiên cứu khí tượng khí hậu Ban đầu, thiếu hụt sóng vơ tuyến vệ tinh quan sát dẫn đến việc sử dụng tồn hình ảnh bầu trời mặt đất để quan sát (Feister & ctg., 2010) Những hình ảnh có sẵn có chi phí thấp độ phân giải cao chúng cung cấp thơng tin đám mây cục cách xác (Dev, Savoy, Lee, & Winkler, 2014; Dev, Savoy, Lee, & Winkler, 2015) Gần đây, máy ảnh có mặt khắp nơi mặt đất mở hội để quan sát bầu khí trái đất Hình ảnh từ máy ảnh phần quan trọng, bổ sung cho hình ảnh vệ tinh cách cung cấp cho nhà địa chất liệu rẻ hơn, nhanh tập trung (Dev, Wen, Lee, & Winkler, 2016) 124 Dương T H Hà Lâm T T Dzi HCMCOUJS-Kỷ yếu, 17(2), 123-131 Một chủ đề quan trọng lĩnh vực thị giác máy tính nhận dạng hình ảnh đám mây mặt đất, có nhiều ứng dụng khác dự báo thời tiết, sản xuất lượng mặt trời (Fu & Cheng, 2013), dự báo thời tiết địa phương, theo dõi vệt ngưng tụ (Schumann & ctg., 2013) giảm tín hiệu truyền thơng (Yuan, Lee, & Meng, 2014) Phân loại đám mây mặt đất khó khăn thay đổi xuất đám mây điều kiện khí khác Để giải vấn đề này, nhiều phương pháp nghiên cứu đề xuất Wang, Shi, Wang, Xiao (2018) đề xuất phương pháp trích xuất đặc trưng cách xếp hạng tất tần suất xuất đặc trưng LBP bất biến xoay vịng để nhận dạng hình ảnh đám mây Cheng Yu (2015) đề xuất phân chia khối phân loại khối dựa đặc trưng LBP Zhen cộng (2015) trích xuất đặc trưng quang phổ đặc trưng texture dựa phân tích thống kê tông màu ma trận đồng biến mức xám (GLCM) Zhang, Li, Liu, Xiao, Cao (2018) đề xuất kỹ thuật trích xuất đặc trưng gọi chuyển LBP có giá trị để giải thay đổi chế độ xem mạng neural tích chập (CNN) trích xuất đặc trưng cục dựa đồ đặc trưng Một đặc trưng kế thừa quan trọng thông tin màu sắc bổ sung cho hình dạng texture, thường cho hiệu suất tốt (Khan, Anwer, van de Weijer, Felsberg, & Laaksonen, 2015) Do đó, việc kết hợp nhiều đặc trưng texture cần thiết để đạt độ xác nhận dạng cách mạnh mẽ Chúng đặc trưng trích xuất từ số kênh màu không gian màu loại đặc trưng cục toàn cục khác (Ta & Truong, 2019) Gần đây, cơng trình nghiên cứu khác đề xuất cho nhiệm vụ nhận dạng pattern khác cách nghiên cứu thơng tin màu sắc Ví dụ, Truong Rebhi (2018) trình bày nghiên cứu so sánh tác động không gian màu để nhận biết lỗi vải Hình ảnh vải biểu diễn đặc trưng LBP dựa tám không gian màu Bianconi, Bello, Fernández, González (2015) so sánh hiệu suất mười hai khơng gian màu để phân loại hình ảnh đá Nguyen Truong (2019) nghiên cứu mười bốn khơng gian màu để trích xuất đặc trưng nhằm kiểm nghiệm mối tương quan Duong Truong (2019) sử dụng đặc trưng mã hóa để trích xuất hình ảnh hạt giống lúa nhiều khơng gian màu cách sử dụng phương pháp HOG Sandid và Douik (2016) cho thấy việc lựa chọn không gian màu tốt phụ thuộc vào sở liệu hình ảnh sử dụng từ ứng dụng xem xét Trong công việc này, áp dụng kỹ thuật trích xuất đặc trưng LBP kỹ thuật trích xuất đặc trưng LTP (Local Ternary Patter) - biến thể LBP - để trích xuất đặc trưng hình ảnh màu đám mây Sau đó, áp dụng chiến lược hợp đặc trưng mã hóa khơng gian màu khác Phần cịn lại viết tổ chức cấu trúc sau: Mục giới thiệu ngắn gọn phương pháp trích xuất đặc trưng LBP trích xuất đặc trưng LTP Mục xem xét không gian màu phổ biến sử dụng nhận dạng pattern Mục giới thiệu kết thử nghiệm liệu SWIMCAT Cuối cùng, kết luận thảo luận Mục Local Binary Pattern biến thể Phương pháp rút trích đặc trưng Local Binary Pattern (LBP) đề xuất Ojala cộng biết đến phương pháp thống kê thành công hiệu suất nhận dạng nó, mạnh mẽ chống lại nhiễu sáng tính tốn rút trích tương đối nhanh (Ojala, Pietikainen, & Maenpaa, 2002) Tốn tử tính tốn mã hóa LBP thơng qua cấu trúc vùng lân cận cục cách sử dụng sử dụng pixel lân cận khối ảnh vng 3×3 pixels Giá trị mã hóa 〖LBP〗_(P,R) (x_c,y_c) cho pixel (x_c,y_c) có cách Dương T H Hà Lâm T T Dzi HCMCOUJS-Kỷ yếu, 17(2), 123-131 125 so sánh giá trị thang màu xám g_c pixel trung tâm với giá trị thang màu xám {g_i }_(i=0)^(p-1) pixel p lân cận Cơng thức tính LBP sau: 𝑝−1 𝐿𝐵𝑃𝑃,𝑅 (𝑥𝑐 , 𝑦𝑐 ) = ∑𝑖=0 (𝑔𝑖 − 𝑔𝑐 ) × 2𝑖 (1) đó, hàm ngưỡng tốn tử định nghĩa: (𝑔𝑖 − 𝑔𝑐 ) = { (𝑔𝑖 − 𝑔𝑐 ) ≥ 0 (𝑔𝑖 − 𝑔𝑐 ) < (2) LBP chống lại hiệu ứng ánh sáng theo nghĩa bất biến phép biến đổi mức xám đơn điệu, LBP chứng minh có hiệu phân biệt cao phân loại texture Tuy nhiên, ngưỡng xác giá trị pixel trung tâm có xu hướng nhạy cảm với nhiễu, đặc biệt vùng hình ảnh “phẳng” Nhiều tác giả đề xuất số biến thể LBP cách thay đổi sơ đồ ngưỡng số lượng mã hóa để tăng khả chống nhiễu tăng độ phân biệt tối ưu Một biến thể phổ biến để biểu diễn hình ảnh đám mây Local Ternary Patterns (LTP) Tan cộng đề xuất (Tan & Triggs, 2007) Họ đề xuất mã hóa pixel trung tâm theo ba ngưỡng {-1,0,1} cụ thể sau: (𝑔𝑖 − 𝑔𝑐 ) ≥ 𝑡 (𝑔𝑖 − 𝑔𝑐 ) = { (𝑔𝑖 − 𝑔𝑐 ) < 𝑡 −1 (𝑔𝑖 − 𝑔𝑐 ) ≤ 𝑡 ′ (3) Trong hướng tiếp cận này, bổ sung vào tham số t ngưỡng người dùng định nghĩa để tăng khả chống lại nhiễu Mỗi ternary sau chia thành hai phần, phần coi LBP riêng biệt, sau đem tính tốn để tạo histogram cuối ghép hai histogram lại với Không gian màu Màu sắc hệ thống thị giác máy tính tạo từ kết hợp 03 kênh màu cụ thể gọi không gian màu Đối với cơng việc nhận dạng hình ảnh phát hiện, phục hồi nhận dạng đối tượng, không gian màu khác có mức độ phân biệt cách mạnh mẽ có đặc tính vật lý, sinh lý tâm lý thị giác khác Một số không gian màu cho hiệu suất nhận dạng hiệu tốt cách tính tốn từ khơng gian RGB thơng qua phép biến đổi tuyến tính phi tuyến tính (Truong & Porebski, 2018) Chúng chia thành bốn nhóm: - Khơng gian màu bản: RGB, XYZ - Không gian màu trục độc lập: I1I2I3 - Không gian màu thành phần sáng - màu (Luminance–Chrominance): Luv, Lab, YUV, YIQ - Không gian màu tri giác: HSI, HLS, HSV, bwrgby, HLS Kết thực nghiệm Mặc dù vấn đề phân loại hình ảnh đám mây mặt đất nghiên cứu nhiều năm, có liệu hình ảnh đám mây có sẵn cơng khai SWIMCAT (Dev, Lee, & Winkler, 2015) viết tắt Singapore Whole-sky IMaging CATegories databas, chứa 784 hình ảnh bầu trời/mây, phân thành 05 loại: trời xanh, mây có hoa văn, mây đen dày, mây trắng dày mây che phủ (xem Hình 1) 126 Dương T H Hà Lâm T T Dzi HCMCOUJS-Kỷ yếu, 17(2), 123-131 Hình 05 loại ảnh mây/bầu trời liệu SWIMCAT: (a) trời xanh, (b) mây có hoa văn, (c) mây đen dày, (d) mây trắng dày, (e) mây che phủ Những hình ảnh hiểu chỉnh khoảng thời gian 17 tháng từ tháng 01 năm 2013 đến tháng 05 năm 2014, ảnh có kích thước 125×125 pixel Năm loại bầu trời xác định dựa đặc điểm trực quan điều kiện bầu trời/đám mây, tham khảo ý kiến chuyên gia từ Dịch vụ Khí tượng Singapore Chúng tơi sử dụng mười bốn không gian màu (RGB, bwrgby, HLS, HSV, I1I2I3, IHLS, Lab, Luv, rgb, XYZ, YcbCr, YIQ, YUV) để thể hình ảnh liệu SWIMCAT Ba loại đặc trưng (LBP, LTP LBP + LTP) sử dụng để trích xuất đặc trưng từ hình ảnh đám mây liệu SWIMCAT đem so sánh hiệu phân loại thu Kỹ thuật kiểm chứng chéo chạy thử nghiệm 05 lần (5-fold cross validation) áp dụng để khởi tạo liệu chia liệu thành hai tập (tập train tập test) Như đề cập Mục , thơng tin màu sắc hữu ích để trích xuất đặc trưng Wang cộng (2018) xem xét hình ảnh mức xám để trích xuất đặc trưng LBP LTP Ở đây, chúng tơi trích xuất đặc trưng từ 03 kênh màu không gian màu cuối ghép lại để xây dựng vector đặc trưng cho hình ảnh đám mây Điều làm cho chiều vector đặc trưng dài gấp ba lần so với (Wang & ctg., 2018) trích xuất đặc trưng LBP LTP mà sử dụng hình ảnh xám Bằng cách thay đổi giá trị R giá trị P, tính tốn đặc trưng LBP với texture tỷ lệ khác Ví dụ, 𝐿𝐵𝑃16,2 dùng đến 16 pixel lân cận với bán kính Đặc trưng LBP xuất giá trị 2^P khác 2^P- chiều histogram Trong công việc này, thay đổi giá trị R (R ∈ {1,2, … ,5}) P (P ∈ {4,8,12}) cho đặc trưng LBP, LTP LBP + LTP Ở đây, đặt giá trị t = cho đặc trưng LTP Bảng trình bày kết phân loại liệu SWIMCAT Chúng báo cáo độ xác tốt cho khơng gian màu cụ thể loại đặc trưng Giá trị in đậm độ xác tốt hàng Giá trị in nghiêng cho biết độ xác tốt cột Bằng cách quan sát bảng này, thấy khơng có xuất khơng gian màu RGB khơng gian màu HLS, HSV IHLS đạt hiệu suất phân loại tốt Vì vậy, khơng gian màu có thành phần sáng màu (Luminance-Chrominance) phù hợp để biểu diễn đặc trưng texture đám mây Độ xác cao 99.2 ± 0.8 có từ đặc trưng LBP (2,12) Kết khẳng định thêm lần đặc trưng LBP LTP thích hợp cần xem xét thêm số ứng dụng (Truong & Rebhi, 2018) Dương T H Hà Lâm T T Dzi HCMCOUJS-Kỷ yếu, 17(2), 123-131 127 Bảng Kết phân loại ba loại đặc trưng (LBP, LTP LBP + LTP) dùng kỹ thuật kiểm chứng chéo chạy thử nghiệm 05 lần (5-fold cross validation) Độ xác có dựa kết tốt thực không gian màu cụ thể cặp giá trị (P, R) chọn Giá trị in đậm độ xác tốt hàng Giá trị in nghiêng cho biết độ xác tốt cột Giá trị màu đỏ biểu thị giá trị tốt loại đặc trưng Việc so sánh chi tiết khơng gian màu luận án sau đưa Hình Chúng tơi chọn độ xác tốt thu cho cặp (P, R) để so sánh hiệu suất không gian màu khác Các không gian màu bao gồm RGB XYZ không cho hiệu suất tốt so với không gian khác Hiệu suất ổn định mức 98.0% kết hợp đặc trưng LBP LTP Chúng tơi tóm tắt kết so sánh với cơng trình trước nêu Bảng Bằng cách kết hợp thông tin màu sắc nghiên cứu không gian màu khác nhau, cải thiện 2% so với nghiên cứu trước Lưu ý áp dụng chiến lược phân chia (Wang & ctg., 2018) để phân chia liệu Ý nghĩa thống kê kết mà chúng tơi có có độ tin cậy độ lệch chuẩn 128 Dương T H Hà Lâm T T Dzi HCMCOUJS-Kỷ yếu, 17(2), 123-131 Bảng So sánh với cơng trình nghiên cứu trước Đặc trưng Khơng gian màu Độ xác LBP (1,8) (Ojala, Pietikäinen, & Harwood, 1996) Gray 79.3 ± 3.9 DLBP (Liao, Law, & Chung, 2009) Gray 81.8 ± 4.2 CLBP (Guo, Zhang, & Zhang, 2010) Gray 84.2 ± 1.0 SaLBP (Liao & ctg., 2009) Gray 89.1 ± 1.9 SLBP (Wang & ctg., 2018) Gray 97.1 ± 1.7 LBP (Ojala & ctg., 2002) YUV 99.2 ± 0.8 LTP (Bài báo này) HLS 99.0 ± 0.9 LBP+LTP (Bài báo này) IHLS 99.0 ± 0.9 Color spaces (a) LBP (2,12) Color spaces (b) LTP (4,8) Color spaces Color spaces (c) LTP (3,12) (d) LBP+LTP (3,4) Hình So sánh hiệu suất loại đặc trưng khác với tham số truyền vào khách nhau: (a) LBP (2,12), (b) LTP (4,8), (c) LTP (3,12), (d) LBP+LTP (3,4) Dương T H Hà Lâm T T Dzi HCMCOUJS-Kỷ yếu, 17(2), 123-131 129 Kết luận Chúng đề xuất kết hợp thơng tin màu để trích xuất đặc trưng từ đặc trưng LBP LTP Các không gian màu khác sau nghiên cứu để so sánh hiệu suất phân loại hình ảnh đám mây Trước đây, có nhiều thuật tốn xử lý hình ảnh, phân loại ảnh chủ yếu dựa vào hệ màu RGB Tuy nhiên, việc phân loại ảnh mây/bầu trời, dường hệ màu RGB lộ nhiều nhược điểm ứng viên tốt để phân loại Nghiên cứu đánh giá liệu SWIMCAT cho thấy hiệu phương pháp đề xuất Chúng cải thiện 2% so với nghiên cứu tài liệu trước Tuy nhiên, chiều không gian đặc trưng trích xuất tăng lên thêm thơng tin màu sắc ghép đặc trưng Vấn đề cần giải tương lai để loại bỏ đặc trưng không liên quan Tài liệu tham khảo Bianconi, F., Bello, R., Fernández, A., & González, E (2015) On comparing colour spaces from a performance perspective: Application to automated classification of polished natural stones In V., Murino, E., Puppo, D., Sona, M., Cristani & C Sansone (Eds.), Lecture notes in computer science (Vol 9281) doi:10.1007/978-3-319-23222-5_9 Cheng, H.-Y., & Yu, C.-C (2015) Block-based cloud classification with statistical features and distribution of local texture features Atmospheric Measurement Techniques, 8(3), 11731182 doi:10.5194/amt-8-1173-2015 Dev, S., Lee, Y H., & Winkler, S (2015) Categorization of cloud image patches using an improved texton-based approach 2015 IEEE International Conference on Image Processing (ICIP), 422-426 doi:10.1109/ICIP.2015.7350833 Dev, S., Savoy, F M., Lee, Y H., & Winkler, S (2014) WAHRSIS: A low-cost high-resolution whole sky imager with near-infrared capabilities In Infrared imaging systems: Design, analysis, modeling, and testing XXV (Vol 9071, pp 510-519) doi:10.1117/12.2052982 Dev, S., Savoy, F M., Lee, Y H., & Winkler, S (2015) Design of low-cost, compact and weather-proof whole sky imagers for high-dynamic-range captures 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 5359-5362 doi:10.1109/IGARSS.2015.7327046 Dev, S., Wen, B., Lee, Y H., & Winkler, S (2016) Machine learning techniques and applications for ground-based image analysis doi:10.48550/ARXIV.1606.02811 Duong, T H., & Truong, V H (2019) Dimensionality reduction based on feature selection for rice varieties recognition 2019 4th International Conference on Information Technology (InCIT), 199-202 doi:10.1109/INCIT.2019.8912121 Feister, U., Möller, H., Sattler, T., Shields, J., Görsdorf, U., & Güldner, J (2010) Comparison of macroscopic cloud data from ground-based measurements using VIS/NIR and IR instruments at Lindenberg, Germany Atmospheric Research, 96(2/3), 395-407 doi:10.1016/j.atmosres.2010.01.012 130 Dương T H Hà Lâm T T Dzi HCMCOUJS-Kỷ yếu, 17(2), 123-131 Fu, C.-L., & Cheng, H.-Y (2013) Predicting solar irradiance with all-sky image features via regression Solar Energy, 97, 537-550 doi:10.1016/j.solener.2013.09.016 Guo, Z., Zhang, L., & Zhang, D (2010) A completed modeling of local binary pattern operator for texture classification IEEE Transactions on Image Processing, 19(6), 1657-1663 doi:10.1109/TIP.2010.2044957 Khan, F S., Anwer, R M., van de Weijer, J., Felsberg, M., & Laaksonen, J (2015) Compact color–texture description for texture classification Pattern Recognition Letters, 51, 16-22 doi:10.1016/j.patrec.2014.07.020 Liao, S., Law, M W K., & Chung, A C S (2009) Dominant local binary patterns for texture classification IEEE Transactions on Image Processing, 18(5), 1107-1118 doi:10.1109/TIP.2009.2015682 Nguyen, T V., & Truong, V H (2019) Kinship verification based on local binary pattern features coding in different color space 2019 26th International Conference on Telecommunications (ICT), 376-380 doi:10.1109/ICT.2019.8798781 Ojala, T., Pietikäinen, M., & Harwood, D (1996) A comparative study of texture measures with classification based on featured distributions Pattern Recognition, 29(1), 51-59 doi:10.1016/0031-3203(95)00067-4 Ojala, T., Pietikainen, M., & Maenpaa, T (2002) Multiresolution gray-scale and rotation invariant texture classification with local binary patterns IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7), 971-987 doi:10.1109/TPAMI.2002.1017623 Sandid, F., & Douik, A (2016) Robust color texture descriptor for material recognition Pattern Recognition Letters, 80, 15-23 doi:10.1016/j.patrec.2016.05.010 Schumann, U., Hempel, R., Flentje, H., Garhammer, M., Graf, K., Kox, S., … Mayer, B (2013) Contrail study with ground-based cameras Atmospheric Measurement Techniques, 6(12), 3597-3612 doi:10.5194/amt-6-3597-2013 Ta, H M N., & Truong, V H (2019) Feature fusion by using LBP, HOG, GIST descriptors and Canonical Correlation Analysis for face recognition 2019 26th International Conference on Telecommunications (ICT), 371-375 doi:10.1109/ICT.2019.8798816 Tan, X., & Triggs, B (2007) Enhanced local texture feature sets for face recognition under difficult lighting conditions In S K Zhou, W Zhao, X Tang & S Gong (Eds.), Analysis and modeling of faces and gestures (Vol 4778, pp 168-182) doi:10.1007/978-3-54075690-3_13 Truong, V H., & Porebski, A (2018) Multi color space LBP-based feature selection for texture classification Journal of Electronic Imaging, 27(1) doi:10.1117/1.JEI.27.1.011010 Truong, V H., & Rebhi, A (2018) On comparing color spaces for fabric defect classification based on local binary patterns 2018 IEEE 3rd International Conference on Signal and Image Processing (ICSIP), 297-300 doi:10.1109/SIPROCESS.2018.8600419 Wang, Y., Shi, C., Wang, C., & Xiao, B (2018) Ground-based cloud classification by learning stable local binary patterns Atmospheric Research, 207, 74-89 doi:10.1016/j.atmosres.2018.02.023 Dương T H Hà Lâm T T Dzi HCMCOUJS-Kỷ yếu, 17(2), 123-131 131 Yuan, F., Lee, Y H., & Meng, Y S (2014) Comparison of radio-sounding profiles for cloud attenuation analysis in the tropical region 2014 IEEE Antennas and Propagation Society International Symposium (APSURSI), 259-260 doi:10.1109/APS.2014.6904461 Zhang, Z., Li, D., Liu, S., Xiao, B., & Cao, X (2018) Multi-view ground-based cloud recognition by transferring deep visual information Applied Sciences, 8(5), Article 748 doi:10.3390/app8050748 Zhen, Z., Wang, F., Sun, Y., Mi, Z., Liu, C., Wang, B., & Lu, J (2015) SVM based cloud classification model using total sky images for PV power forecasting 2015 IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT), 1-5 doi:10.1109/ISGT.2015.7131784 Creative Commons Attribution-NonCommercial 4.0 International License ... dựng vector đặc trưng cho hình ảnh đám mây Điều làm cho chiều vector đặc trưng dài gấp ba lần so với (Wang & ctg., 2018) trích xuất đặc trưng LBP LTP mà sử dụng hình ảnh xám Bằng cách thay đổi... trưng LBP LTP Các khơng gian màu khác sau nghiên cứu để so sánh hiệu suất phân loại hình ảnh đám mây Trước đây, có nhiều thuật tốn xử lý hình ảnh, phân loại ảnh chủ yếu dựa vào hệ màu RGB Tuy... {4,8,12}) cho đặc trưng LBP, LTP LBP + LTP Ở đây, đặt giá trị t = cho đặc trưng LTP Bảng trình bày kết phân loại liệu SWIMCAT Chúng tơi báo cáo độ xác tốt cho không gian màu cụ thể loại đặc trưng