Để loại ra các khung hình chứa đối tƣợng lỗi, ta tiến hành so sánh đặc trƣng LBP của khung hình chuẩn với các đặc trƣng LBP của các đối tƣợng khung hình liên tiếp mỗi khi đọc một khung hình mới. Để có thể phân loại nhanh theo tốc độ của mỗi khung hình đƣợc đọc vào, ta sử dụng một độ đo tƣơng tự giữa hai đặc trƣng kết cấu. Theo [1] , các nghiên cứu đánh giá của Puzicha (1999) chứng minh rằng phân loại không tham số với thống kê G tỏ ra phù hợp bằng thực nghiệm của các đặc trƣng kết cấu biểu diễn theo phƣơng pháp LBP với các tối ƣu cho yêu cầu thời gian thực. Mặc dù có nhiều phƣơng pháp phân loại khác nhau đƣợc ứng dụng biểu diễn kết cấu dạng toán tử không gian nhƣ bản đồ tự tổ chức (SOM) kết hợp với vector khoảng cách Euclidean hay các phƣơng pháp dựa vào phân loại lân cận gần nhất khác [1,11]. Tuy nhiên với với yêu cầu đơn giản của ứng dụng mẫu, khung hình đối tƣợng chỉ cần phân loại vào hai lớp để xác định chất lƣợng của vải sợi. Thêm nữa với mục đích tối ƣu hóa về tốc độ và các mục tiêu về thời gian thực cho hệ thống điều khiển chất lƣợng sản phẩm, ta sẽ áp dụng
phƣơng pháp sử dụng thống kê G để phân loại và phát hiện ra các đối tƣợng là các khung hình lỗi. Đây cũng là phƣơng pháp đƣợc sử dụng để phân loại các phân bố LBP trong các định nghĩa đầu tiên về toán tử không gian [3,5,10]. Thống kê G đƣợc định nghĩa là :
Ở đây S phân bố rời rạc của mô hình mẫu và M là phân bố của mô hình cần phân loại tƣơng ứng. Sb và Mb tƣơng ứng là các xác suất của bin thứ b trong mô hình mẫu và mô hình cần phân loại. Cho mục đích phân loại, hệ số 2 có thể rút gọn mà mà vẫn không ảnh hƣởng tới tính chất phân loại. Thêm vào đó rút bỏ những hạng tử là hằng số ta đƣợc công thức sau đơn giản để xác định độ tƣơng tự nhƣ sau:
Với các mẫu Mi là các lớp đối tƣợng mẫu đã biết (phân bố LBP), mẫu ảnh đầu vào sẽ đƣợc biểu diễn dƣới dạng kết cấu LBP ký hiệu là S, khi đó ta nói S thuộc lớp Mi
nếu nhƣ S là giống với lớp thứ i nhất, tức là độ đo tƣơng tự nhỏ nhất có thể trong các mẫu:
