Classificação de imagens de textura, especialmente aquelas com mudanças significativas de rotação, iluminação, escala e ponto de vista, é um problema fundamental e desafiador na área de visão computacional. Esta tese propõe dois descritores de imagem simples, porém eficientes, chamados de Sampled Local Mapped Pattern Magnitude (SLMP_M) e Completed Local Mapped Pattern (CLMP) aplicados na classificação de textura. Os descritores propostos são parte de um aprimoramento do descritor Local Mapped Pattern (LMP) para trabalhar de maneira eficiente com imagens de textura rotacionadas. Os métodos propostos necessitam de um pré-ajuste de parâmetros que utiliza o método de otimização por enxame de partículas, e são discriminativos e robustos para a descrição de texturas rotacionadas em ângulos arbitrários. Para a validação dos descritores propostos duas bases de imagens são utilizadas, Kylberg Sintorn Rotation Dataset e Brodatz Texture Rotation Dataset, uma nova base de dados desenvolvida pela autora, formada por imagens de texturas rotacionadas do Álbum de Brodatz. As duas bases contêm imagens de texturas naturais que foram rotacionadas fisicamente no momento da captura e rotacionadas por processos computacionais. É feita também uma avaliação da influência de métodos de interpolação no processo de rotação das imagens e são comparados com diferentes descritores presentes na literatura. Cinco métodos de interpolação são investigados: Lanczos, B-spline, Cúbica, Linear e Nearest Neighbor. Os resultados experimentais demonstram que os descritores propostos nesta tese superam o desempenho dos descritores Completed Local Binary Pattern (CLBP), e dos descritores que combinam a versão generalizada das características de Fourier com variações do descritor Local Binary Pattern (LBP), LBP^DFT, ILBP^DFT, LTP^DFT e ILTP^DFT. Os resultados também demonstram que a escolha do método de interpolação no processo de rotação das imagens influencia na capacidade de reconhecimento.

Texture image classification, especially those with significant changes of rotation, illumination, scale and point of view, is a fundamental and challenging problem in the field of computer vision. This thesis proposes two simple, but efficient, image descriptors called Sampled Local Mapped Pattern Magnitude (SLMP_M) and Completed Local Mapped Pattern (CLMP) applied in texture classification. The proposed descriptors are part of an enhancement to the Local Mapped Pattern (LMP) descriptor to work efficiently with rotated texture images. The descriptors proposed requires a parameter preset by the particle swarm optimization method, they are discriminating and robust for the description of rotated textures at arbitrary angles. For the validation of the proposed descriptors two image datasets are used: Kylberg Sintorn Rotation Dataset and Brodatz Texture Rotation Dataset, a new texture dataset introduced, which contains rotated texture images from Brodatzs Album. Both databases contain images of natural textures that have been rotated by Hardware and computational procedures. An evaluation of the influence of interpolation methods on the image rotation process is also presented and compared with different descriptors in the literature. Five interpolation methods are investigated: Lanczos, B-spline, Cubic, Linear and Nearest Neighbor. The experimental results show that the descriptors proposed in this thesis outperform the performance of the Completed Local Binary Pattern (CLBP) descriptors, and the descriptors that combine the generalized version of the Fourier characteristics with variations of the descriptor Local Binary Pattern (LBP), LBPDFT, ILBDFT, LTPDFT e ILTPDFT compared. The results also prove that the selection of the interpolation method in the image rotation process influences the recognition capability.