利用混沌映射重组局部图像特征：在纹理识别中的应用

尽管卷积神经网络近期在纹理识别中取得了成功，但基于模型的 descriptors 仍具竞争力，尤其是在我们无法获取大量标注数据进行训练且模型可解释性至关重要的情况下。在基于模型的方法中，分形几何一直最为流行，特别是在生物应用中。然而，分形只是更广泛的一类模型——即混沌理论中研究的非线性算子——的一部分。在此背景下，我们提出了一种基于混沌的局部 descriptor 用于纹理识别。具体而言，我们将图像映射到三维欧几里得空间，在该三维结构上迭代混沌映射，并将其转换回原始图像。对于每次迭代得到的这种混沌变换图像，我们提取局部 descriptors（此处使用局部二值模式），这些 descriptors 共同构成纹理的特征表示。我们的方法性能在基准数据库分类以及基于叶面表面纹理的巴西植物物种识别中得到了验证。所得结果证实了我们的预期，即即便与文献中某些基于学习的现代方法相比，也具有竞争性性能。