《图像工程之图像分析》285面,章毓晋著
首先计算区域纹理描述符,然后计算11个纹理描述符
未经说明默认参数为:<o:p></o:p>
灰度级压缩为32<o:p></o:p>
位置算子采用默认位置算子,即offset=[0 1;0 5;1 0;5 0;1 1;1 -1;5 5;5 -5;2 5;2 -5;4 5;4 -5;5 2;5 -2;5 4;5 -4];16个<o:p></o:p>
每个位置算子对应提取特征11个<o:p></o:p>
<o:p> </o:p>
<o:p> </o:p>
编号
|
变参
|
花费时间(s)
|
检测率
|
误检率
|
训练错误率
|
1
|
灰度级压缩为8;<o:p></o:p>
|
633
|
0.8222
|
0.2911
|
0.1470
|
2
|
灰度级压缩为16<o:p></o:p>
|
645
|
0.8747
|
0.2937
|
0.1120
|
3<o:p></o:p>
|
灰度级压缩为32<o:p></o:p>
|
668<o:p></o:p>
|
0.8917<o:p></o:p>
|
0.2378<o:p></o:p>
|
0.0940<o:p></o:p>
|
4
|
灰度级压缩为64<o:p></o:p>
|
877
|
0.9032
|
0.2024
|
0.0650
|
5
|
位置算子1<o:p></o:p>
|
717
|
0.9048
|
0.2456
|
0.0900
|
6
|
位置算子2<o:p></o:p>
|
618
|
0.8635
|
0.2410
|
0.0740
|
7
|
位置算子3<o:p></o:p>
|
641
|
0.8919
|
0.2322
|
0.1020
|
8
|
位置算子4<o:p></o:p>
|
979
|
0.9275
|
0.2429
|
0.0820
|
9
|
matlab自带函数提取四个特征<o:p></o:p>
|
674
|
0.8684
|
0.3259
|
0.1280
|
<o:p> </o:p>
灰度级压缩系数增大(编号1-4)后,检测率依次增长,误检率下降,但花费时间亦随之增加;通过实验,将灰度级压缩系数选取32。<o:p></o:p>
默认位置算子与位置算子1均是采用较小的间隔,位置算子2是采用较大的间隔,位置算子3则是涵盖较小与较大间隔,位置算子4是在默认位置算子基础上增加若干中等距离间隔算子。<o:p></o:p>
位置算子2采用较大的位置算子,花费时间会减少,但准确率亦会下降(编号3、5、6);
位置算子3的位置算子涵盖了更大的间隔算子,但效果改变非常小(编号3、7);
位置算子4选取了24组位置算子,但其检测率仅增加了2%,误检率几乎保持不变(编号3、8);
采用matlab自带的函数提取4个特征,效果显著下降;
<o:p> </o:p>
编号3为最佳选择。
<o:p> </o:p>
默认位置算子
|
位置算子1
|
位置算子2
|
位置算子3
|
位置算子4
|
offset =
0 1
0 5
1 0
5 0
1 1
1 -1
5 5
5 -5
2 5
2 -5
4 5
4 -5
5 2
5 -2
5 4
5 -4
|
offset =<o:p></o:p>
0 1<o:p></o:p>
1 0<o:p></o:p>
1 1<o:p></o:p>
1 -1<o:p></o:p>
0 2<o:p></o:p>
2 0<o:p></o:p>
2 2<o:p></o:p>
2 -2<o:p></o:p>
0 3<o:p></o:p>
3 0<o:p></o:p>
3 3<o:p></o:p>
3 -3<o:p></o:p>
0 4<o:p></o:p>
4 0<o:p></o:p>
</spa> |
分享到:
相关推荐
针对此种情况,结合瓷砖图像的灰度共生矩阵和统计几何特征,将这些特征输入支持向量机进行特征分层分类。采用基于径向基核函数和[K]交叉验证法所得到的最优参数构造支持向量机,解决瓷砖纹理特征具有非线性的分类...
针对这一问题,有许多方法可以得到旋转不变性特征,例如:几何矩,正交矩,灰度共生矩阵等,然而,前两种方法计算量很大,第三种方法效果也不令人满意。提出了一种基于灰度-梯度共生矩阵的方法来得到旋转不变特征量...
分别采用非下采样Contourlet变换和灰度共生矩阵方法提取轮胎花纹特征;组合两种方法所提取的特征作为图像特征,并从中提取5个有效特征作为最终识别特征;运用提取的5个特征和多级支持向量机分类器完成轮胎花纹的分类...
首先采用H/α和Freeman两种分解算法提取极化特征参数,采用灰度共生矩阵提取纹理特征参数;然后将提取的所有特征进行不同的组合,构成不同的特征集;最后采用随机森林模型对不同特征集合进行分类和精度评估.结果表明...
深入研究灰度共生矩阵算法,结合和差统计法对其进行改进。编码实现改进的图像纹理提取算法,并采用基于径向基内积函数内核的支持向量机方法对图像分类效果进行实验。通过训练和测试证明,该系统能减少特征提取的计算...
在特征提取方面,本文采用了灰度共生矩阵和图像均值作为特征参数,能够很好地描述海底底质的纹理特征。灰度共生矩阵可以描述纹理现象中各灰度级的空间依赖关系,而图像均值能够直观地反映出图像的明亮程度。 在实验...
以最大似然法为例,通过引入归一化植被指数(NDVI)、基于灰度共生矩阵的纹理特征等进行不同特征组合的分类,探讨其对分类的影响。研究表明,NDVI、对比度、均值参与分类后,对分类精度都有不同程度的提高,而三者与...
基于MATLAB实现SVM分类仿真完整源码+数据(高分课程设计).zip 基于灰度共生矩阵的图形纹理检测及路面状况的SVM分类实现,图像的特征提取是图像的识别和分类、基于内容的图像检索、图像数据挖掘等研究内容的基础性...
摘要:受相干斑噪声的影响,传统的SAR图像分类方法很难得到较好的分类效果。文中提出一种 SAR 图像自动分类算法,该算法基于灰度共生矩阵提取特征,结合了 Ada
半色调图像的先验性对于图像的逆半调过程有重要的意义,分析了现有的半色调图像识别方法之后,在传统的灰度共生矩阵GLCM进行改进提出BGLCM。BGLCM适用于二值图像的特征提取,省略了传统共生矩阵特征值计算的过程,将...
深入研究灰度共生矩阵算法,结合和差统计法对其进行改进。编码实现改进的图像纹理提取算法,并 采用基于径向基内积函数内核的支持向量机方法对图像分类效果进行实验。通过训练和测试证明,该系统能减 少特征提取的计算...
灰度共生矩阵(Gray Level Co-occurrence Matrix)是一种图像特征提取算法,用于描述图像的纹理信息。灰度共生矩阵可以捕捉到图像中的纹理信息,然后将其作为卷积神经网络的输入。 Bhattacharyya 距离是一种度量两...
然后基于灰度共生矩阵进行纹理特征提取;最后用17维综合特征向量对工业仪表图像进行Bp_adaboost分类学习和测试。实验结果表明,该方法对液位控制系统工业仪表与液位容器设备图像能取得较好的分类结果。
首先利用基于图块的帧差法进行前景检测,接着计算前景区域的灰度共生矩阵,进而提取前景区域的二阶统计特征,最后透过基于二阶统计量特征的支持向量机分类器进行行人检测。通过仿真实验对比表明文中的算法有较好的...
首先,对训练图像进行TOI选取,用灰度共生矩阵模型提取TOI的纹理特征,再结合灰度特征,组成多维特征向量集,以簇内相似度最高、数据分布密度最大为准则,生成“视觉词袋”。其次,对测试图像,依据已生成的“视觉词...
征,如图像面积熵、灰度共生矩阵、图像 细小纹理区域个数等,并通过设计模糊聚 类、BP 神经网络图像分类器,实现对 CT 图 像、MR 图像、X 线图像及 B 超图像的分类。 结果表明本文提出的分类器对医学图像的 分类识别...
采用大津(OTSU)法结合灰度拉伸对图像进行阈值去噪处理,提取目标灰度共生矩阵(GLCM)特征以及Tamura特征,并针对时频图差异进行特征优化,最后使用支持向量机(SVM)实现飞机目标分类。仿真数据分类结果表明:...
基于灰度共生矩阵技术,研究了可用于合成孔径雷达图像分类的灰度共生矩阵中差方差、差熵、对比度、能量、方差等纹理特征量,分析了其特征提取和分类特性。运用类内类间距准则,通过计算图像特征值的类内类间距,得到...
采用高斯模型对其进行精确拟合提取纹理特征,针对各子带数据的离散程度进行加权处理,为分类能力强的特征量赋予较大的权值,并加入在低频子带上提取的灰度—平滑共生矩阵统计量,来形成最终的特征向量,以两幅图像...