R 2014

RSurf Texture Descriptor

MAJTNER, Tomáš, Roman STOKLASA and David SVOBODA

Basic information

Original name

RSurf Texture Descriptor

Name in Czech

Popisovač textúry RSurf

Authors

MAJTNER, Tomáš (703 Slovakia, belonging to the institution), Roman STOKLASA (703 Slovakia, belonging to the institution) and David SVOBODA (203 Czech Republic, guarantor, belonging to the institution)

Edition

2014

Other information

Language

English

Type of outcome

Software

Field of Study

20206 Computer hardware and architecture

Country of publisher

Czech Republic

Confidentiality degree

není předmětem státního či obchodního tajemství

References:

RIV identification code

RIV/00216224:14330/14:00074012

Organization unit

Faculty of Informatics

Keywords in English

image descriptor; Pattern recognition; RSurf; HEp-2 cells;

Technical parameters

Software pre výpis vlastností textúry snímku, ktoré je možné použiť pre rozpoznanie a následnú klasifikáciu vstupného obrázku. Program bol vyvinutý pre spracovanie obrázkov HEp-2 buniek nasnímaných fluorescenčným mikroskopom ale obecne je možné ho použiť pre ľubovolný vstup. Implementácia je realizovaná v jazyku C++. Zodpovedné osoby: Tomáš Majtner <majtner@ics.muni.cz> a Roman Stoklasa <rstoki@seznam.cz> Adresa: Fakulta informatiky Masarykovy univerzity, Botanická 68a, 602 00 Brno.

Tags

Tags

International impact
Změněno: 29/10/2014 13:48, RNDr. Ing. Bc. Tomáš Majtner, Ph.D.

Abstract

V originále

In biomedical image analysis, object description and classification tasks are very common. Our work relates to the problem of classification of Human Epithelial (HEp-2) cells. Since the crucial part of each classification process is the feature extraction and selection, much attention should be concentrated to the development of proper image descriptors. In this article, we introduce a new efficient texture-based image descriptor for HEp-2 images. We compare proposed descriptor with LBP, Haralick features (GLCM statistics) and Tamura features using the public MIVIA HEp-2 Images Dataset. Our descriptor outperforms all previously mentioned approaches and the kNN classifier based solely on the proposed descriptor achieve the accuracy as high as 91.1%.

Links

GBP302/12/G157, research and development project
Name: Dynamika a organizace chromosomů během buněčného cyklu a při diferenciaci v normě a patologii
Investor: Czech Science Foundation
MUNI/A/0855/2013, interní kód MU
Name: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace III. (Acronym: FI MAV III.)
Investor: Masaryk University, Category A