CN113392854A - 一种图像纹理特征提取分类方法 - Google Patents

一种图像纹理特征提取分类方法 Download PDF

Info

Publication number
CN113392854A
CN113392854A CN202110760798.XA CN202110760798A CN113392854A CN 113392854 A CN113392854 A CN 113392854A CN 202110760798 A CN202110760798 A CN 202110760798A CN 113392854 A CN113392854 A CN 113392854A
Authority
CN
China
Prior art keywords
image
feature extraction
pixel
glcm
texture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110760798.XA
Other languages
English (en)
Inventor
陈旭
高亚洲
陈守静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110760798.XA priority Critical patent/CN113392854A/zh
Publication of CN113392854A publication Critical patent/CN113392854A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像纹理特征提取分类方法，包括以下步骤：对输入的图像进行gamma校正；将校正后的图像进行自适应对比度增强算法(ACE)处理；使用基于T‑GLCM和Tamura融合的特征提取方法，对处理后的图像进行纹理特征提取并生成特征矩阵；利用支持向量机(SVM)对不同材质的纹理信息进行分类识别；本发明提出基于T‑GLCM和Tamura融合特征的纹理材质分类方法，对传统灰度共生矩阵(GLCM)进行改进，提出了具有改善旋转不变性和减少冗余信息的改进的灰度共生矩阵T‑GLCM算法，通过gamma校正与自适应对比度增强(ACE)处理再建立样本集与测试集，使用支持向量机(SVM)进行分类，由实验结果可以得出，融合的特征提取方法较单一的纹理提取方法更加高效。

Description

一种图像纹理特征提取分类方法
技术领域
本发明涉及图像纹理提取方法领域，具体为一种图像纹理特征提取分类方法。
背景技术
纹理特征提取是图像处理、图像分析、计算机视觉等诸多领域的基础研究之一。纹理特征的类内差异性及类间相似性决定了仅依靠单一的提取算法无法准确真实的表现图像的纹理特征，因此，通过多种纹理特征提取算法的融合来提高提取的效率和准确率是当前研究的热点。这些年随着研究的不断深入，图像纹理的分类在诸多领域都得到了很重要的应用，例如在虚拟现实触觉再现领域，通过再现设备可以识别不同的材质，得到更加真实的触觉体验，增加使用者的沉浸感和真实感。
现有的纹理特征提取方法采用单一的纹理提取算法，此举不能准确的描述图像纹理的问题，而且冗余信息较多，现有的纹理特征提取方法的计算效率低、鲁棒性差、提取精度低，较难对错误的图像进行有效的区分，为此，提出一种图像纹理特征提取分类方法。
发明内容
本发明的目的在于提供一种图像纹理特征提取分类方法，以解决上述背景技术中提出的现有的纹理特征提取方法采用单一的纹理提取算法，此举不能准确的描述图像纹理的问题，而且冗余信息较多，现有的纹理特征提取方法的计算效率低、鲁棒性差、提取精度低，较难对错误的图像进行有效的区分的问题。
为实现上述目的，本发明提供如下技术方案：一种图像纹理特征提取分类方法，包括以下步骤：
S1、对输入的图像进行gamma校正，将部分灰度区域映射到更宽或更窄的区域，对输入图像的灰度值进行指数变换；
S2、将校正后的图像进行自适应对比度增强算法(ACE)处理，采用反锐化掩膜技术，把图像分为低频的反锐化掩膜以及高频部分，用原图减去反锐化掩膜获取高频部分，最后将高频部分加入反锐化掩膜并加上增益系数G(i,j)，得到增强的图像；
S3、使用基于T-GLCM和Tamura融合的特征提取方法，对经过gamma校正和自适应对比度增强的图像使用基于T-GLCM和Tamura融合的特征提取方法对图像纹理特征进行提取并生成特征矩阵；
S4、采用支持向量机(SVM)对纹理材质进行分类，通过带高斯径向基函数的支持向量机对不同材质的纹理图像进行分类。
优选的，在S1中，gamma校正的表达式为:
Figure BDA0003148995190000021
其中，A为常数，Vin为原图像，Vout为校正后的图像，γ为校正值。
优选的，在S2中，设x(i,j)是原像素，通过自适应对比度增强后的像素值为：
f(i,j)＝mx(i,j)+G(i,j)[x(i,j)-mx(i,j)]
获取图像的反锐化掩膜即低频部分通过求取图像中心各像素点为中心的局部区域的像素平均值求得，中心像素点的低频部分的像素值通过下列公式计算得到：
Figure BDA0003148995190000022
其中，(i,j)、(k,l)分别为像素点和像素点周围邻域的坐标；
局部增益G(i,j)的值是恒大于1的，所以[x(i,j)-mx(i,j)]就会变大，局部增益的计算公式如下：
Figure BDA0003148995190000031
Figure BDA0003148995190000032
其中，D为一个常数，D取值为图像的全局均方差；σx(i,j)为局部均方差。
优选的，在S3中，对图像纹理特征进行提取并生成特征矩阵的此阶段分为如下两个步骤：
S3.1、基于改进的灰度共生矩阵(T-GLCM)特征提取：
首先对传统的灰度共生矩阵(GLCM)进行转置操作后与GLCM取平均值得到GLCM1；
然后对GLCM1从0°、45°、90°和135°四个方向上得到的各个矩阵进行相加取平均值得到最终的共生矩阵T-GLCM；采用的四种纹理特征统计量分别为能量(ASM)、熵(ENT)、对比度(CON)和逆差分矩(IDM)；
S3.2、基于Tamura特征提取，通过计算对比度、方向度和粗糙度三个特征对图像纹理进行分析。
优选的，在S3.1中，所述能量(ASM)、熵(ENT)、对比度(CON)和逆差分矩(IDM)，四个特征统计量的计算方法公式分别为：
能量(ASM)：
Figure BDA0003148995190000033
熵(ENT)：
Figure BDA0003148995190000034
对比度(CON)：
Figure BDA0003148995190000035
逆差分矩(IDM)：
Figure BDA0003148995190000041
优选的，在S3.2中，对比度是图像中最亮与最暗两部分的灰度之差，对比度的计算步骤如下：
a、像素(x,y)的3*3邻域像素的平均值为：
Figure BDA0003148995190000042
其中，f(i,j)为像素点，(i,j)为灰度值，
b、标准差为：
Figure BDA0003148995190000043
c、四阶矩为：
Figure BDA0003148995190000044
d、对比度为：
Figure BDA0003148995190000045
优选的，在S3.2中，方向度是图像中的纹理沿着某个方向呈现出某种形态，具有一定的方向性，通过计算梯度向量来计算出方向度，方向度的计算步骤如下：
a、像素点(x,y)的梯度向量的模以及方向如下：
|ΔG(x,y)|＝(|ΔH|+|ΔV|)/2
Figure BDA0003148995190000046
其中，ΔH和ΔV分别表示对图像进行卷积后的结果，矩阵分别为：
Figure BDA0003148995190000051
和
Figure BDA0003148995190000052
b、设定阈值t＝12，像素点(x,y)的方向角d(x,y)计算公式如下：
Figure BDA0003148995190000053
c、像素点(x,y)的3*3邻域所有像素的方向角均值：
Figure BDA0003148995190000054
d、像素点(x,y)的方向角为：
d'(x,y)＝|d(x,y)-μ(x,y)|。
优选的，在S3.2中，粗糙度的计算方法是用线性量化代替指数量化又可以降低算法的复杂度，粗糙度的计算步骤如下：
a、以像素(i,j)为中心，水平方向平均灰度方差为：
En,u(i,j)＝|An(i-n,j)-An(i+n,j)|
b、垂直方向平均灰度方差为：
En,v(i,j)＝|An(i,j-n)-An(i,j+n)|
其中，A(i,j)为平均灰度值，n为1,2,3,4,5，
c、不分方向得到最大值：
Sbest(i,j)＝max{En,m(i,j)|n∈[1,5],m＝u,v}
d、以像素(i,j)为中心的3*3邻域平均粗糙度为：
Figure BDA0003148995190000055
e、像素粗糙度与平均粗糙度差的绝对值就是该像素的粗糙度度量。
优选的，所述GLCM1计算公式为
Figure BDA0003148995190000061
式中得到的GLCM1具有旋转不变性。
优选的，所述高斯径向基函数的公式为:
Figure BDA0003148995190000062
其中，x'是内核函数中心，σ是函数的宽度参数，控制函数的径向范围。
与现有技术相比，本发明的有益效果是：本发明提出基于T-GLCM和Tamura融合特征的纹理材质分类方法，对传统灰度共生矩阵(GLCM)进行改进，提出了具有改善旋转不变性和减少冗余信息的改进的灰度共生矩阵T-GLCM算法，通过gamma校正与自适应对比度增强(ACE)处理再建立样本集与测试集，使用支持向量机(SVM)进行分类，由实验结果可以得出，融合的特征提取方法较单一的纹理提取方法更加高效、分类精度更高且鲁棒性也更好，而且可以对错误的图像进行有效的区分。
附图说明
图1为本发明的算法流程图。
具体实施方式
下面将结合本发明实施例中的内容，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
本发明提供一种技术方案：一种图像纹理特征提取分类方法，包括以下步骤：
S1、对输入的图像进行gamma校正，将部分灰度区域映射到更宽或更窄的区域，以达到增强图像的效果，目的是校正图像的亮度偏差,从而减少因图像亮度偏差对纹理提取精度的影响，方法是对输入图像的灰度值进行指数变换；gamma校正的表达式为:
Figure BDA0003148995190000071
其中，A为常数，Vin为原图像，Vout为校正后的图像，γ为校正值；
S2、将校正后的图像进行自适应对比度增强算法(ACE)处理，采用反锐化掩膜技术，把图像分为低频的反锐化掩膜以及高频部分，用原图减去反锐化掩膜获取高频部分，最后将高频部分加入反锐化掩膜并加上增益系数G(i,j)，得到增强的图像，设x(i,j)是原像素，通过自适应对比度增强后的像素值为：
f(i,j)＝mx(i,j)+G(i,j)[x(i,j)-mx(i,j)]
获取图像的反锐化掩膜即低频部分通过求取图像中心各像素点为中心的局部区域的像素平均值求得，中心像素点的低频部分的像素值可以通过下列公式计算得到：
Figure BDA0003148995190000072
其中，(i,j)、(k,l)分别为像素点和像素点周围邻域的坐标，局部增益G(i,j)的值是恒大于1的，所以[x(i,j)-mx(i,j)]就会变大，局部增益的计算公式如下：
Figure BDA0003148995190000073
Figure BDA0003148995190000074
其中，D为一个常数，它的值可以选择全局平均值或者是全局均方差，本文的D取值为图像的全局均方差；σx(i,j)为局部均方差；
S3、使用基于T-GLCM和Tamura融合的特征提取方法，为了提高纹理特征分类的精准度，对经过gamma校正和自适应对比度增强的图像使用基于T-GLCM和Tamura融合的特征提取方法对图像纹理特征进行提取并生成特征矩阵；本阶段具体分为两个步骤；
步骤一：基于改进的灰度共生矩阵(T-GLCM)特征提取；直接采用传统的灰度共生矩阵(GLCM)存在一个问题，其特征值随旋转角度的改变而变化且存在大量冗余信息；为了解决传统GLCM存在的不足，提高特征提取的精度，本文提出了一种改进的灰度共生矩阵(T-GLCM)；改进的灰度共生矩阵的具体方法如下：首先对传统的灰度共生矩阵(GLCM)进行转置操作后与GLCM取平均值得到GLCM1；
然后对GLCM1从0°、45°、90°和135°四个方向上得到的各个矩阵进行相加取平均值，得到最终的共生矩阵T-GLCM；
Figure BDA0003148995190000081
式中得到的GLCM1具有旋转不变性；进一步得到共生矩阵T-GLCM，常用的纹理特征统计量有14个，经常采用的四种特征统计量分别为能量(ASM)、熵(ENT)、对比度(CON)和逆差分矩(IDM)，四个特征统计量的计算方法公式分别为：
能量ASM：
Figure BDA0003148995190000082
熵ENT：
Figure BDA0003148995190000083
对比度CON：
Figure BDA0003148995190000084
逆差分矩IDM：
Figure BDA0003148995190000085
步骤二是基于Tamura特征提取，方法为对该图像进行基于Tamura特征提取，本发明应用对比度、方向度和粗糙度三个特征对图像纹理进行分析，图像中最亮与最暗两部分的灰度之差就是对比度；对比度越大，图像更清晰，反之，对比度越小，效果越模糊；对比度的计算方法如下：
a、像素(x,y)的3*3邻域像素的平均值为：
Figure BDA0003148995190000091
其中，f(i,j)为像素点，(i,j)为灰度值，
b、标准差为：
Figure BDA0003148995190000092
c、四阶矩为：
Figure BDA0003148995190000093
d、对比度为：
Figure BDA0003148995190000094
方向度是图像中的纹理沿着某个方向呈现出某种形态，具有一定的方向性，其可以通过计算梯度向量来计算出方向度；计算步骤如下：
a、像素点(x,y)的梯度向量的模以及方向如下：
|ΔG(x,y)|＝(|ΔH|+|ΔV|)/2
Figure BDA0003148995190000095
其中，ΔH和ΔV分别表示对图像进行卷积后的结果，矩阵分别为：
Figure BDA0003148995190000096
和
Figure BDA0003148995190000097
b、设定阈值t＝12，像素点(x,y)的方向角d(x,y)计算公式如下：
Figure BDA0003148995190000101
c、像素点(x,y)的3*3邻域所有像素的方向角均值：
Figure BDA0003148995190000102
d、像素点(x,y)的方向角为：
d'(x,y)＝|d(x,y)-μ(x,y)|；
粗糙度的计算方法是用线性量化代替指数量化又可以降低算法的复杂度，粗糙度的计算步骤如下：
a、以像素(i,j)为中心，水平方向平均灰度方差为：
En,u(i,j)＝|An(i-n,j)-An(i+n,j)|
b、垂直方向平均灰度方差为：
En,v(i,j)＝|An(i,j-n)-An(i,j+n)|
其中，A(i,j)为平均灰度值，n为1,2,3,4,5，
c、不分方向得到最大值：
Sbest(i,j)＝max{En,m(i,j)|n∈[1,5],m＝u,v}
d、以像素(i,j)为中心的3*3邻域平均粗糙度为：
Figure BDA0003148995190000103
e、像素粗糙度与平均粗糙度差的绝对值就是该像素的粗糙度度量；
S4、利用支持向量机(SVM)对不同材质的纹理信息进行分类识别，支持向量(SVM)是一种在分类和回归的情况下进行预测的技术，在模式识别、分类和非线性回归方面得到了广泛的应用；支持向量机是一种与学习算法相关的监督模型，对于给定的一组训练集，每个不同的示例被标记为两个类别中的一个，SVM将新的示例分配给其中一个类别，使得其成为非概率二进制线性分类器；依赖于被称为结构风险最小化(SRM)的机制，利用支持向量机将输入向量映射到高维空间，计算两组样本之间的最佳分离超平面；SVM需要一组参数，包括支持向量机的类型、核函数的类型、罚因子和训练停止的标准；其中，SVM的核心是核函数；核函数的类型有很多，经过不断的研究表明，高斯径向基函数在纹理图像分类方面取得了较高的分类精度，并且高斯径向基函数计算复杂度低；其公式如下：
Figure BDA0003148995190000111
其中，x'是内核函数中心，σ是函数的宽度参数，控制函数的径向范围。
所以本文选择带高斯径向基函数的支持向量机对不同材质的纹理图像进行分类，而且系统将采用网格搜索方法获得最优参数，以此提升训练精度，采用交叉验证方法来提高预测精度。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种图像纹理特征提取分类方法，其特征在于：包括以下步骤：
S1、对输入的图像进行gamma校正，将部分灰度区域映射到更宽或更窄的区域，对输入图像的灰度值进行指数变换；
S2、将校正后的图像进行自适应对比度增强算法(ACE)处理，采用反锐化掩膜技术，把图像分为低频的反锐化掩膜以及高频部分，用原图减去反锐化掩膜获取高频部分，最后将高频部分加入反锐化掩膜并加上增益系数G(i,j)，得到增强的图像；
S3、使用基于T-GLCM和Tamura融合的特征提取方法，对经过gamma校正和自适应对比度增强的图像使用基于T-GLCM和Tamura融合的特征提取方法对图像纹理特征进行提取并生成特征矩阵；
S4、采用支持向量机(SVM)对纹理材质进行分类，通过带高斯径向基函数的支持向量机对不同材质的纹理图像进行分类。
2.根据权利要求1所述的一种图像纹理特征提取分类方法，其特征在于：在S1中，gamma校正的表达式为:
Figure FDA0003148995180000011
其中，A为常数，Vin为原图像，Vout为校正后的图像，γ为校正值。
3.根据权利要求1所述的一种图像纹理特征提取分类方法，其特征在于：在S2中，设x(i,j)是原像素，通过自适应对比度增强后的像素值为：
f(i,j)＝mx(i,j)+G(i,j)[x(i,j)-mx(i,j)]
获取图像的反锐化掩膜即低频部分通过求取图像中心各像素点为中心的局部区域的像素平均值求得，中心像素点的低频部分的像素值通过下列公式计算得到：
Figure FDA0003148995180000012
其中，(i,j)、(k,l)分别为像素点和像素点周围邻域的坐标；
局部增益G(i,j)的值是恒大于1的，所以[x(i,j)-mx(i,j)]就会变大，局部增益的计算公式如下：
Figure FDA0003148995180000021
Figure FDA0003148995180000022
其中，D为一个常数，D取值为图像的全局均方差；σx(i,j)为局部均方差。
4.根据权利要求1所述的一种图像纹理特征提取分类方法，其特征在于：在S3中，对图像纹理特征进行提取并生成特征矩阵的此阶段分为如下两个步骤：
S3.1、基于改进的灰度共生矩阵(T-GLCM)特征提取：
首先对传统的灰度共生矩阵(GLCM)进行转置操作后与GLCM取平均值得到GLCM1；
然后对GLCM1从0°、45°、90°和135°四个方向上得到的各个矩阵进行相加取平均值得到最终的共生矩阵T-GLCM；采用的四种纹理特征统计量分别为能量(ASM)、熵(ENT)、对比度(CON)和逆差分矩(IDM)；
S3.2、基于Tamura特征提取，通过计算对比度、方向度和粗糙度三个特征对图像纹理进行分析。
5.根据权利要求4所述的一种图像纹理特征提取分类方法，其特征在于：在S3.1中，所述能量(ASM)、熵(ENT)、对比度(CON)和逆差分矩(IDM)，四个特征统计量的计算方法公式分别为：
能量(ASM)：
Figure FDA0003148995180000023
熵(ENT)：
Figure FDA0003148995180000031
对比度(CON)：
Figure FDA0003148995180000032
逆差分矩(IDM)：
Figure FDA0003148995180000033
6.根据权利要求4所述的一种图像纹理特征提取分类方法，其特征在于：在S3.2中，对比度是图像中最亮与最暗两部分的灰度之差，对比度的计算步骤如下：
a、像素(x,y)的3*3邻域像素的平均值为：
Figure FDA0003148995180000034
其中，f(i,j)为像素点，(i,j)为灰度值，
b、标准差为：
Figure FDA0003148995180000035
c、四阶矩为：
Figure FDA0003148995180000036
d、对比度为：
Figure FDA0003148995180000037
7.根据权利要求4所述的一种图像纹理特征提取分类方法，其特征在于：在S3.2中，方向度是图像中的纹理沿着某个方向呈现出某种形态，具有一定的方向性，通过计算梯度向量来计算出方向度，方向度的计算步骤如下：
a、像素点(x,y)的梯度向量的模以及方向如下：
|ΔG(x,y)|＝(|ΔH|+|ΔV|)/2
Figure FDA0003148995180000041
其中，ΔH和ΔV分别表示对图像进行卷积后的结果，矩阵分别为：
Figure FDA0003148995180000042
和
Figure FDA0003148995180000043
b、设定阈值t＝12，像素点(x,y)的方向角d(x,y)计算公式如下：
Figure FDA0003148995180000044
c、像素点(x,y)的3*3邻域所有像素的方向角均值：
Figure FDA0003148995180000045
d、像素点(x,y)的方向角为：
d'(x,y)＝|d(x,y)-μ(x,y)|。
8.根据权利要求4所述的一种图像纹理特征提取分类方法，其特征在于：在S3.2中，粗糙度的计算方法是用线性量化代替指数量化又可以降低算法的复杂度，粗糙度的计算步骤如下：
a、以像素(i,j)为中心，水平方向平均灰度方差为：
En,u(i,j)＝|An(i-n,j)-An(i+n,j)|
b、垂直方向平均灰度方差为：
En,v(i,j)＝|An(i,j-n)-An(i,j+n)|
其中，A(i,j)为平均灰度值，n为1,2,3,4,5，
c、不分方向得到最大值：
Sbest(i,j)＝max{En,m(i,j)|n∈[1,5],m＝u,v}
d、以像素(i,j)为中心的3*3邻域平均粗糙度为：
Figure FDA0003148995180000051
e、像素粗糙度与平均粗糙度差的绝对值就是该像素的粗糙度度量。
9.根据权利要求4所述的一种图像纹理特征提取分类方法，其特征在于：所述GLCM1计算公式为
Figure FDA0003148995180000052
式中得到的GLCM1具有旋转不变性。
10.根据权利要求1所述的一种图像纹理特征提取分类方法，其特征在于：所述高斯径向基函数的公式为:
Figure FDA0003148995180000053
其中，x'是内核函数中心，σ是函数的宽度参数，控制函数的径向范围。
CN202110760798.XA 2021-07-06 2021-07-06 一种图像纹理特征提取分类方法 Pending CN113392854A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110760798.XA CN113392854A (zh) 2021-07-06 2021-07-06 一种图像纹理特征提取分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110760798.XA CN113392854A (zh) 2021-07-06 2021-07-06 一种图像纹理特征提取分类方法

Publications (1)

Publication Number Publication Date
CN113392854A true CN113392854A (zh) 2021-09-14

Family

ID=77625177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110760798.XA Pending CN113392854A (zh) 2021-07-06 2021-07-06 一种图像纹理特征提取分类方法

Country Status (1)

Country Link
CN (1) CN113392854A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870120A (zh) * 2021-12-07 2021-12-31 领伟创新智能系统(浙江)有限公司 一种基于pq-mean分布的加工表面纹理倾斜校正方法
CN114549902A (zh) * 2022-02-23 2022-05-27 平安普惠企业管理有限公司 一种图像分类方法、装置、计算机设备及存储介质
CN116258608A (zh) * 2023-05-15 2023-06-13 中铁水利信息科技有限公司 融合gis和bim三维技术的水利实时监测信息管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198171A (zh) * 2017-12-27 2018-06-22 大连理工大学 一种基于服务器表面热状态的运行状态诊断的方法
CN109934287A (zh) * 2019-03-12 2019-06-25 上海宝尊电子商务有限公司 一种基于lbp与glcm的服装纹理识别分类方法
CN110837802A (zh) * 2019-11-06 2020-02-25 齐鲁工业大学 一种基于灰度共生矩阵的面部图像特征提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198171A (zh) * 2017-12-27 2018-06-22 大连理工大学 一种基于服务器表面热状态的运行状态诊断的方法
CN109934287A (zh) * 2019-03-12 2019-06-25 上海宝尊电子商务有限公司 一种基于lbp与glcm的服装纹理识别分类方法
CN110837802A (zh) * 2019-11-06 2020-02-25 齐鲁工业大学 一种基于灰度共生矩阵的面部图像特征提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王清涛 等: "应用改进的灰度共生矩阵识别木材纹理多重特征值", 《西北林学院学报》, vol. 34, no. 03, pages 191 - 195 *
高源: "虹膜纹理的特征提取方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 07, pages 138 - 1401 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113870120A (zh) * 2021-12-07 2021-12-31 领伟创新智能系统(浙江)有限公司 一种基于pq-mean分布的加工表面纹理倾斜校正方法
CN113870120B (zh) * 2021-12-07 2022-03-01 领伟创新智能系统(浙江)有限公司 一种基于pq-mean分布的加工表面纹理倾斜校正方法
CN114549902A (zh) * 2022-02-23 2022-05-27 平安普惠企业管理有限公司 一种图像分类方法、装置、计算机设备及存储介质
CN116258608A (zh) * 2023-05-15 2023-06-13 中铁水利信息科技有限公司 融合gis和bim三维技术的水利实时监测信息管理系统
CN116258608B (zh) * 2023-05-15 2023-08-11 中铁水利信息科技有限公司 融合gis和bim三维技术的水利实时监测信息管理系统

Similar Documents

Publication Publication Date Title
CN113392854A (zh) 一种图像纹理特征提取分类方法
CN111553837B (zh) 一种基于神经风格迁移的艺术文本图像生成方法
CN111753828B (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN106991689B (zh) 基于fhog和颜色特征的目标跟踪方法及gpu加速
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN105184763B (zh) 图像处理方法和装置
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
CN109522908A (zh) 基于区域标签融合的图像显著性检测方法
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN106709964B (zh) 基于梯度修正和多向纹理提取的素描画生成方法及装置
CN113033398B (zh) 一种手势识别方法、装置、计算机设备及存储介质
Zheng et al. Improvement of grayscale image 2D maximum entropy threshold segmentation method
CN110991547A (zh) 一种基于多特征最优融合的图像显著性检测方法
CN107301643A (zh) 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法
CN117557565B (zh) 一种锂电池极片的检测方法及其装置
CN115829942A (zh) 基于非负性约束稀疏自编码器的电子电路缺陷检测方法
CN117593323B (zh) 一种基于非局部特征的图像分割方法、系统、介质和设备
CN116802683A (zh) 图像的处理方法和系统
CN108491883B (zh) 一种基于条件随机场的显著性检测优化方法
CN114283431A (zh) 一种基于可微分二值化的文本检测方法
CN109902692A (zh) 一种基于局部区域深度特征编码的图像分类方法
CN112101283A (zh) 一种交通标志智能识别方法及系统
CN117078956A (zh) 一种基于点云多尺度并行特征提取和注意力机制的点云分类分割网络
US20230386023A1 (en) Method for detecting medical images, electronic device, and storage medium
CN115294424A (zh) 一种基于生成对抗网络的样本数据增强方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination