Performance evaluation of Self-Quotient image methods

Abstract

Нормалізація освітлення є дуже важливою проблемою в системах розпізнавання зображень, оскільки різні умови освітлення можуть істотно змінити результати розпізнавання, а нормалізація освітлення дає змогу мінімізувати негативні наслідки різних умов освітлення. У цій роботі ми оцінюємо ефективність розпізнавання декількох методів нормалізації освітлення, заснованих на методі самооцінювання зображення SQI (англ. Self-Quotient Image method), запровадженому Haitao Wang, Stan Z. Li, Yangsheng Wang, та Jianjun Zhang. Для оцінки ми вибрали оригінальну реалізацію та найперспективніші модифікації оригінального методу SQI, в т.ч. й метод Gabor Quotient ImagE(GQI), запропонований Sanun Srisuk та Amnart Petpon у 2008 році, а також метод Fast Self-Quotient ImagE(FSQI) та його модифікації, запропоновані авторами статті в попередніх роботах. У цій роботі ми запропонували модель оцінки, яка використовує Cropped Extended Yale Face Database B, що дає змогу показати відмінність результатів розпізнавання для різних умов освітлення. Також ми перевіряємо всі результати за допомогою двох класифікаторів: класифікатора найближчих сусідів (англ. Nearest Neighbor Classifier) та лінійного класифікатора опорних векторів (англ. Linear Support Vector Classifier). Такий підхід дає змогу не тільки обчислити точність розпізнавання для кожного методу та вибрати найкращий метод, але й показати важливість правильного вибору методу класифікації, який може мати значний вплив на результати розпізнавання. Нам вдалося показати значне зменшення точності розпізнавання для необроблених (RAW) зображень із збільшенням кута між джерелом освітлення та нормаллю до об'єкта. З іншого боку, наші експерименти показали майже рівномірний розподіл точності розпізнавання для зображень, оброблених методами нормалізації освітлення на підставі методу SQI. Ще одним отриманим, проте очікуваним результатом, представленим у цій роботі, є підвищення точності розпізнавання із збільшенням розміру ядра фільтра. Однак великі розміри ядра фільтра є більш обчислювально-затратні і можуть спричинити негативні ефекти на вихідних зображеннях. Окрім цього, в наших експериментах було показано, що друга модифікація методу FSQI, яку ми скорочено позначаємо як FSQI3, краща майже в усіх випадках для всіх розмірів ядра фільтра, особливо якщо ми використовуємо лінійний класифікатор опорних векторів для класифікації.

Lighting Normalization is an especially important issue in the image recognitions systems since different illumination conditions can significantly change the recognition results, and the lighting normalization allows minimizing negative effects of various illumination conditions. In this paper, we are evaluating the recognition performance of several lighting normalization methods based on the Self-Quotient Image(SQI) method introduced by Haitao Wang, Stan Z. Li, Yangsheng Wang, and Jianjun Zhang. For evaluation, we chose the original implementation and the most perspective latest modifications of the original SQI method, including the Gabor Quotient Image(GQI) method introduced by Sanun Srisuk and Amnart Petpon in 2008, and the Fast Self-Quotient Image(FSQI) method and its modifications proposed by authors in previous works. We are proposing an evaluation framework which uses the Cropped Extended Yale Face Database B, which allows showing the difference of the recognition results for different illumination conditions. Also, we are testing all results using two classifiers: Nearest Neighbor Classifier and Linear Support Vector Classifier. This approach allows us not only to calculate recognition accuracy for each method and select the best method but also show the importance of the proper choice of the classification method, which can have a significant influence on recognition results. We were able to show the significant decreasing of recognition accuracy for un-processed (RAW) images with increasing the angle between the lighting source and the normal to the object. From the other side, our experiments had shown the almost uniform distribution of the recognition accuracy for images processed by lighting normalization methods based on the SQI method. Another showed but expected result represented in this paper is the increasing of the recognition accuracy with the increasing of the filter kernel size. However, the large filter kernel sizes are much more computationally expensive and can produce negative effects on output images. Also, we were shown in our experiments, that the second modification of the FSQI method, called FSQI3, is better almost in all cases for all filter kernel sizes, especially, if we use Linear Support Vector Classifier for classification.