Abstract. Local binary patterns (LBP) are well documented in the literature as descriptors of local image texture, and their histograms have been shown to be well-performing texture features. A method for texture description that is based on the α-cutting approach is presented. The presented approach combines basic definitions from the fuzzy set theory with the main concept of LBP descriptors, which resulted in powerful texture features. The general method is introduced and defined and its binary, ternary, and quinary versions evaluated in tests produced excellent results in texture classification. The performance of our method is presented by an extensive evaluation on four datasets—KTH-TIPS2b, UIUC, Virus, and Brodatz. The introduced descriptors are compared with some of the classical approaches—LBP, improved LBP, local ternary pattern, including one very promising LBP variant—median robust extended LBP (MRELBP), as well as with three non-LBP methods, based on deep convolutional neural networks approaches—ScatNet, FV-AlexNet, and fisher vector based very deep VGG. Our method effectively deals with many classification challenges and exceeds most of the other approaches. It outperforms the classical approaches on all datasets, even in its simplest binary version. It outperforms the MRELBP descriptor on the UIUC, KTH-TIPS2b, and Brodatz datasets and reaches a better classification performance than two out of the three deep learning approaches on the KTH-TIPS2b dataset.

中文翻译：

---

基于α-切割方法的局部二元模式

摘要。局部二值模式（LBP）在文献中作为局部图像纹理的描述符得到了很好的记录，并且它们的直方图已被证明是性能良好的纹理特征。提出了一种基于α-切割方法的纹理描述方法。所提出的方法将模糊集理论的基本定义与 LBP 描述符的主要概念相结合，从而产生了强大的纹理特征。介绍并定义了通用方法，其二元、三元和五元版本在测试中评估，在纹理分类中产生了优异的结果。我们的方法的性能通过对四个数据集——KTH-TIPS2b、UIUC、Virus 和 Brodatz 的广泛评估来展示。引入的描述符与一些经典方法进行了比较——LBP、改进的 LBP、局部三元模式、包括一种非常有前途的 LBP 变体——中值稳健扩展 LBP (MRELBP)，以及三种基于深度卷积神经网络方法的非 LBP 方法——ScatNet、FV-AlexNet 和基于非常深 VGG 的 Fisher 向量。我们的方法有效地应对了许多分类挑战，并超越了大多数其他方法。它在所有数据集上都优于经典方法，即使是最简单的二进制版本。它在 UIUC、KTH-TIPS2b 和 Brodatz 数据集上优于 MRELBP 描述符，并且在 KTH-TIPS2b 数据集上的分类性能优于三种深度学习方法中的两种。和基于 Fisher 向量的非常深的 VGG。我们的方法有效地应对了许多分类挑战，并超越了大多数其他方法。它在所有数据集上都优于经典方法，即使是最简单的二进制版本。它在 UIUC、KTH-TIPS2b 和 Brodatz 数据集上优于 MRELBP 描述符，并且在 KTH-TIPS2b 数据集上的分类性能优于三种深度学习方法中的两种。和基于 Fisher 向量的非常深的 VGG。我们的方法有效地应对了许多分类挑战，并超越了大多数其他方法。它在所有数据集上都优于经典方法，即使是最简单的二进制版本。它在 UIUC、KTH-TIPS2b 和 Brodatz 数据集上优于 MRELBP 描述符，并且在 KTH-TIPS2b 数据集上的分类性能优于三种深度学习方法中的两种。