设计分类器是目标分类的主要任务和核心研究内容之一。这种情况下，还得调用单分类器方法，将其类别设置为相似度最大的那个类别。第一种分类器常用于目标匹配识别，其性能取决于相似度或距离度量的设计，后两种分类器基本对应于生成模型和判别模型。......
2023-06-28
图像内插实验：利用不同内插器对下取样图像进行重构测试
【摘要】：利用上面介绍的16种内插器即理想、最近邻域、双线性、三次B样条、立方卷积、小波、全相位Ⅰ型，全相位Ⅱ型（共9种）对3幅2∶1下取样图像进行重构实验，其中全相位Ⅱ型除了行列方向使用一维模板分别进行内插恢复外，又可以设计二维模板直接内插重构，因此对应的内插方式共有27种。图8-30 测试图像及谱分布以woman.bmp为例，画出各种内插结果图，其中全相位Ⅱ型只画出了双窗结果。
利用上面介绍的16种内插器即理想、最近邻域、双线性、三次B样条、立方卷积、小波、全相位Ⅰ型，全相位Ⅱ型（共9种）对3幅2∶1下取样图像进行重构实验，其中全相位Ⅱ型除了行列方向使用一维模板分别进行内插恢复外，又可以设计二维模板直接内插重构，因此对应的内插方式共有27种。实验路线图如图8-29所示。
图8-29 内插实验流程
测试使用的3种图像及谱图如图8-30所示。
图8-30 测试图像及谱分布
以woman.bmp为例，画出各种内插结果图（见图8-31），其中全相位Ⅱ型只画出了双窗结果。
图8-31 12种内插器重构图像
设计得到的3种二维加窗模板（只列出双窗时结果）如下：
上面三种模板的时频图如图8-32所示。
图8-32 ap2d内插核时频图
各种算法重构得到的PSNR对比结果如表8-1，表8-2所示。
表8-1 传统方法内插
表8-2 全相位方法内插
对比实验结果可以得到以下结论，3种图像中具有丰富低频成分的rice.png重构效果最好，而高频成分较多的test.png效果最差；采用DWT和DCT的二维全相位内插效果基本高出传统方法（小波除外）至少3dB；在一维方面，效果基本与双线性内插和三次B样条效果相当。需要指出的是，全相位模板内插效果与窗函数的选择有关，上面实验中全部采用三角窗，如果根据图像谱分布情况来自适应选择窗函数以达到优化内插效果的目的，性能将进一步得到提升。
实现上述实验结果的MATLAB代码如下：
有关全相位数字信号处理方法及MATLAB实现的文章
- 详细阅读
-
图像检索实验和结果分析详细阅读
考虑到Corel-10K图像数据库有100个样本类别，共有10 000个样本图像，所以图7-8和图7-9的检索结果展示了本节设计的基于粗略颜色信息和灰度纹理特征相融合的图像检索系统具有良好的检索性能。接下来，给出本节设计的图像检索系统的综合性能评价指标，即查准率和查全率。本节提出的图像检索系统在Corel-10K数据库和Corel-5K数据库上的平均查准率和平均查全率分别如表7-4和表7-5所示。最后，对本节提出的图像检索系统的实时性进行分析。......
2023-06-29
-
利用描点法作出y=sinx函数图像详细阅读
在一个圆周内，可以发现三角函数值具有“周而复始”的变化规律.三角函数的图像是如何反映这种变化规律的呢？下面利用“描点法”作出函数y=sinx，x∈[0，2π]的图像.列表描点连线用一条光滑的曲线把所描的点依次连接起来就画出了y=sinx，x∈[0，2π]的图像，如图2-19所示.图2-19因为终边相同的角的三角函数值相等，所以正弦函数y=sinx在x∈[-2π，0]，x∈[2π，4π]，x∈[4π，6π]，…......
2023-11-22
-
不同输入模型对比实验：基于图像深度信息的识别详细阅读
为了验证张量模型的有效性，采用两种不同输入模型进行对比实验：一种是直接用向量模型作为输入量；另一种是构建张量模型作为输入量。表2.1不同输入模型在MoCap 数据集识别率对比实验过程说明：①实验使用的数据集是Kinect 采集的三维坐标位置信息，选用人体骨架20 个关节点的骨骼模型。实验使用最近邻分类器进行动作分类，动作识别率见表2.1。......
2023-10-28
-
图像检索方法实验结果与分析详细阅读
每一类的100幅图像被设定为识别的标准结果。图像匹配所用到的图像组在平面内旋转的角度范围是30°～45°，视点变化的范围是50°～60°，缩放变化的尺度因子是2～2.5，最终的实验结果是取各个实验数据的平均值。本章将本书提出的图像检索方法与利用以上四种特征的检索方法进行对比，实验结果如图5-17所示。......
2023-06-28
-
利用WisconsinBreastCance详细阅读
Wisconsin Breast Cancer数据集有699条记录，每条记录都是记录一位胸部有肿瘤的病人的特征数据。可以从中随机选择444条良性记录和39条恶性记录组成一数据集。文献[107]描述的是基于聚类的且基于密度局部特异数据挖掘方法—FindCBLOF，在Wisconsin Breast Cancer Data上的实验结果显示了其挖掘特异数据的能力在同类算法中是优越的。结果再次表明Cpecu Find挖掘特异数据的能力略优于pecu Find。表3.4Wisconsin Breast Cancer数据集上的实验结果比较......
2023-06-16
-
如何对不同字体进行分类？详细阅读
我在这里主要讲两种关于字体的基础分类。这是一种拥有很高声誉的字体，它看起来十分经典。在标题处和插图编号处可以使用艺术样式的字体来增加点趣味，特别是当这些字体特别大的时候。在这种情况下，选择使用非衬线字体或者艺术字是十分合适的。根据这些特征，粗的衬线字体可以找到它们自己的定位。“display”的字样都是一些适用于标题、文章开头的字体。......
2023-06-24
-
基于图像深度信息的动作识别实验结果详细阅读
表2.2不同识别算法在MSR-Action3D 数据集识别率对比图2.6在MSR-Action3D 数据集上识别率90.5%的混淆矩阵示意图第二个数据集是微软研究院于2012 年公开的MSRC-12 动作行为数据集[137]。同样使用最近邻分类器进行分类，其实验结果见表2.3，本章所述方法获得的动作识别率相应混淆矩阵如图2.7 所示。......
2023-10-28
相关推荐