This paper deals with bark texture representation at high scale-space levels for tree species identification. The proposed approach, named, a set of statistical radial binary patterns (sSRBP), is based on the combination of a novel scale-space sampling and an LBP-like radial encoding in the distribution level. This method aims at capturing and encoding large bark structure information. The multi-scale neighborhood is formed by a set of concentric ring-shaped scale levels, in each of which the intensity distribution is represented by statistical features that provide a compact and information-preserving representation of the neighborhood. Then, the gradual distribution variation over scale levels is encoded by a macro pattern code. For each bark sample, five statistical descriptors are obtained and contribute to enhancing the texture representativeness and discriminative power. We evaluated the performances of the proposed approach on four different bark datasets and found that the novel scale-space sampling significantly improves the bark structure representation leading to enhanced performances and outperforming competitive state-of-the-art LBP-like methods. Furthermore, experiments on the color representation of bark samples improve the performances on challenging bark datasets. Moreover, comparative study between the handcrafted sSRBP texture descriptor and convolutional neural network features shows interesting generalization results on the very large BarkNet dataset.

本文研究了树皮纹理在高尺度空间水平上的表征。所提出的方法名为一组统计径向二进制模式（sSRBP），它是基于新颖的比例空间采样和分布级别的类似LBP的径向编码的组合。该方法旨在捕获和编码大的树皮结构信息。多尺度邻域由一组同心环形尺度级别构成，在每个同心环形尺度级别中，强度分布由统计特征表示，这些统计特征提供了邻域的紧凑且信息保存的表示。然后，通过宏模式代码对比例等级上的逐渐分布变化进行编码。对于每个树皮样品，获得了五个统计描述符，它们有助于增强纹理的代表性和判别力。我们在四个不同的树皮数据集上评估了该方法的性能，发现新颖的尺度空间采样显着改善了树皮结构表示，从而提高了性能并优于同类LBP同类方法。此外，有关树皮样品颜色表示的实验提高了具有挑战性的树皮数据集的性能。此外，手工制作的sSRBP纹理描述符与卷积神经网络特征之间的比较研究显示，在非常大的BarkNet数据集上，有趣的概括结果。我们在四个不同的树皮数据集上评估了该方法的性能，发现新颖的尺度空间采样显着改善了树皮结构表示，从而提高了性能并优于同类LBP同类方法。此外，有关树皮样品颜色表示的实验提高了具有挑战性的树皮数据集的性能。此外，手工制作的sSRBP纹理描述符与卷积神经网络特征之间的比较研究显示，在非常大的BarkNet数据集上，有趣的概括结果。我们在四个不同的树皮数据集上评估了该方法的性能，发现新颖的尺度空间采样显着改善了树皮结构表示，从而提高了性能并优于同类LBP同类方法。此外，有关树皮样品颜色表示的实验提高了具有挑战性的树皮数据集的性能。此外，手工制作的sSRBP纹理描述符与卷积神经网络特征之间的比较研究显示，在非常大的BarkNet数据集上，有趣的概括结果。树皮样品颜色表示的实验改善了具有挑战性的树皮数据集的性能。此外，手工制作的sSRBP纹理描述符与卷积神经网络特征之间的比较研究显示，在非常大的BarkNet数据集上，有趣的概括结果。树皮样品颜色表示的实验改善了具有挑战性的树皮数据集的性能。此外，手工制作的sSRBP纹理描述符与卷积神经网络特征之间的比较研究显示，在非常大的BarkNet数据集上，有趣的概括结果。