《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
灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)是图像处理中的一种重要工具,主要用于分析图像的纹理特征。这种矩阵记录了图像中像素对的...这些工具对于理解和应用灰度共生矩阵在实际问题中的效果至关重要。
灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)是一种在图像处理领域中用于分析图像纹理特征的统计方法。在MATLAB中,我们可以利用内置的`graycomatrix`函数来创建灰度共生矩阵。这个函数可以帮助我们计算...
在遥感图像处理中,灰度共生矩阵不仅用于纹理特征的提取,还能帮助实现图像的分类。具体而言,基于灰度共生矩阵的纹理分析过程包括以下几个关键步骤: **1. 小窗口生成:** 通过在图像上滑动一个小窗口,可以生成一...
在图像处理领域,灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)是一种广泛使用的纹理分析方法,尤其在模式识别、图像分类和图像理解中具有重要作用。它通过统计像素之间的灰度共生关系来捕获图像的纹理...
在提供的文档中,你可能会更深入地了解到如何计算和利用灰度共生矩阵,以及其在实际应用中的效果和案例。通过阅读这些文档,你可以掌握如何利用GLCM来描述和分析图像纹理,为你的项目或研究提供强大的工具。
综上所述,基于灰度共生矩阵的图像分割方法不仅能够有效地提取图像中的纹理特征,还能够通过特征分类和区域融合等手段实现准确的图像分割。这种方法在实际应用中展现出了较高的准确性和实用性,特别是在处理具有明显...
在IT领域,尤其是在医学图像分析和机器学习应用中,"灰度共生矩阵"(Gray Level Co-occurrence Matrix, GLCM)是一种常见的图像纹理特征提取方法。它通过统计图像像素值之间的关系来描述图像的纹理特性,对于识别...
在本项目"Experiment1_灰度共生矩阵_C++_bayes_"中,我们探讨的是一个使用C++编程语言实现的人脸识别系统,该系统依赖于灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)和贝叶斯分类器进行特征提取与分类。...
本篇将深入探讨"MATLAB灰度共生矩阵纹理特征提取"这一主题,包括其基本原理、计算方法以及在实际应用中的意义。 灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)是一种统计纹理特征的方法,它通过分析图像...
其中,灰度共生矩阵(Grey Level Co-occurrence Matrix, GLCM)是一种常用的方法来提取纹理特征。这个压缩包文件包含的是关于如何使用MATLAB进行纹理复杂度计算以及灰度共生矩阵纹理特征提取的源代码。 灰度共生...
灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)是图像处理中用于分析纹理特征的一种重要工具,尤其在图像分割领域具有广泛的应用。它通过统计相邻像素对的灰度值关系来提取图像的纹理信息,从而为图像分类...
灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)是一种在图像处理领域中用于分析纹理特征的重要工具。它通过统计图像中像素对在特定方向和距离上的出现频率,来提取反映图像纹理结构的统计特性。这个压缩包...
对于纹理特征的提取,灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)是一种广泛应用且效果显著的方法。GLCM能够描述图像中像素灰度级之间的关系,为纹理分析提供了丰富的信息。 灰度共生矩阵的基本思想是...
在二值图像或灰度图像中,灰度共生矩阵记录了任意两个像素之间的灰度级关系,以及它们在特定距离和方向上的相对位置。这个矩阵的行和列对应于灰度级,而每个元素表示的是在特定偏移量和方向上,对应灰度级对出现的...
灰度共生矩阵(Gray-level Co-occurrence Matrix, GLCM)是图像处理中用于分析纹理特征的一种统计方法。它通过计算图像中像素对在特定距离和方向上的出现频率,来揭示图像的局部模式和结构。这种方法特别适用于描述...