Algorithms for image classification using wavelets and fusion methods

Abstract

This work presents a set of algorithms for feature extraction and image classification using wavelet transform and fusion methods. First we use wavelet transform as a feature extraction method. We present some basic definitions and theoretical background of the problem and proposed methodologies for solving it. We decompose the image to a second level decomposition giving us the coefficients of approximation, diagonal, horizontal and vertical. We used nine different wavelet filters in order to test how the classification performed depending on the filters, images and coefficients used. The algorithms used for image classification are Euclidean Distance, Maximum Likelihood and K-Nearest Neighbor. Then all of the results from the algorithms individually go to a fusion center where we use Majority Voting. Images from the Brodatz album and an image of Mayagüez Bay are used. Different experiments were done trying to aim at the best results possible. We got really interesting results for some of the textures. Some of them gave us really good results for the classifiers and filters, but the others did not. We normalized all of the samples in order to achieve a better discrimination.

Este trabajo presenta un conjunto de algoritmos para “feature extraction” y “clasificación de imágenes” utilizando “transformadas de wavelet” y “métodos de fusión”. Primeramente utilizamos las transformadas de wavelet como método de “feature extraction”. Presentamos algunas definiciones básicas y un marco teórico del problema y los métodos propuestos para la solución del mismo. Descomponemos la imagen hasta el segundo nivel de descomposición, obteniendo los coeficientes de aproximación, diagonales, verticales y horizontales. Utilizamos nueve filtros diferentes para probar el desempeño del proceso de clasificación, dependiendo de los filtros, imágenes y coeficientes utilizados. Los algoritmos utilizados para la clasificación de las imágenes son el “Euclidean Distance”, “Maximun Likelihood” y “K- Nearest Neighbor”. Luego los resultados de estos algoritmos son llevados a un centro de fusión, donde utilizamos “Majority Voting”. Utilizamos imágenes del “Brodatz album” y una imagen de la bahía de Mayagüez. Realizamos varios experimentos tratando de alcanzar los mejores resultados posibles. Obtuvimos resultados realmente interesantes para algunas texturas. Algunos de ellos nos dieron resultados muy buenos para los clasificadores y los filtros, aunque con otros no los obtuvimos. Normalizamos todas las muestras con el fin de obtener una mejor discriminación.