例如，对于一个7×7像素的图像块，把所有像素的灰度值排成一列，构成一个49维的列向量，将其作为纹理基元的学习对象，最终学习到的每个纹理基元也是一个49维的列向量，可见，VZ-Joint算法中49维的图像块向量相当于VZ-MR8算法中的局部MR8响应特征。总体来说，将VZ-MR8算法和VZ-Joint算法相比，这两种纹理基元学习方法各有优劣之处，主要体现在以下几个方面。......
2023-06-29
突破传统：纹理基元学习方法的描述和原理
【摘要】：图2-5本章提出的纹理基元学习方法的原理图本章所提出的纹理基元学习方法把纹理图像的局部特征视为潜在的纹理基元，通过对局部纹理图像的特征进行描述，来获取潜在纹理基元的特征向量。因此，本章所提出的纹理基元学习方法预期能够超越传统的纹理基元学习方法，在识别精度和实时性方面实现新的突破。
考虑到纹理基元通常表现为某种局部特征，如果能够对纹理图像的局部特征进行更好的描述、提取更具鉴别力的局部特征，同时不使纹理基元描述向量的维数过高，就可以同时提高纹理图像识别的精度和实时性。从这个角度出发，本章提出一种基于局部特征描述和纹理基元学习的纹理图像特征提取和识别方法。本章所提出方法的系统框图如图2-5所示，其中图2-5（a）是利用带类别标签的训练样本集进行纹理基元字典学习的过程，最终输出一个纹理基元字典，其具体步骤如下：首先，从每个训练样本图像的每个像素位置提取一个局部特征向量，并将同一类纹理样本图像的所有局部特征向量合并到一起，作为一个类别纹理样本的纹理基元学习对象；其次，利用非监督学习方法（如K-均值聚类算法）从所有的局部特征向量中学习到指定数量的纹理基元，并按照上述方法对每个类别的纹理样本图像分别学习到一组纹理基元；最后，把学习到的所有类别的纹理基元合并到一起，作为最终的纹理基元字典。图2-5（b）是利用学习到的纹理基元字典对所有样本（包括训练样本和测试样本）的局部特征进行纹理基元编码并判断类别的过程，其具体步骤如下：首先，对训练样本集提取局部特征向量，再利用学习到的纹理基元字典对训练样本的每个局部特征向量进行编码，获得训练样本的纹理基元编码图像，并计算纹理基元编码图像的直方图，将其作为训练样本的特征描述子；其次，对输入的测试样本提取局部特征向量，再利用学习到的纹理基元字典对测试样本的每个局部特征向量进行编码，获得测试样本的纹理基元编码图像，并计算纹理基元编码图像的直方图，将其作为测试样本的特征描述子；最后，将输入测试样本的纹理基元编码直方图和所有训练样本的纹理基元编码直方图送入分类器，根据某种距离测度准则（如L1或L2范数距离最近准则）获得输入测试样本的类别标签，从而实现对输入的测试纹理图像的类别判定，即实现了对输入纹理图像的识别。
图2-5 本章提出的纹理基元学习方法的原理图
本章所提出的纹理基元学习方法把纹理图像的局部特征视为潜在的纹理基元，通过对局部纹理图像的特征进行描述，来获取潜在纹理基元的特征向量。和现有的纹理基元学习方法相比，本章提出的方法首先提取训练样本在不同位置的局部特征，然后从所提取的局部特征集合中学习一个纹理基元字典，这是本章方法与现有纹理基元学习方法的不同之处。具体来说，VZ-MR8算法需要设计MR8滤波器组并进行多次卷积滤波，而本章方法不需要设计MR8滤波器组和卷积滤波，另外VZ-Joint算法直接将局部图像块（Image Patch）的像素排列向量作为纹理基元的学习对象，一方面这种特征向量的维数高，另一方面这种像素排列形成的特征向量是一种初级的特征描述子，而本章方法是在局部图像块提取一组统计特征，不但能够显著降低特征向量的维数，而且具有更强的特征描述能力。因此，本章所提出的纹理基元学习方法预期能够超越传统的纹理基元学习方法，在识别精度和实时性方面实现新的突破。
有关纹理图像的特征提取和识别的文章
- 详细阅读
-
最佳纹理基元字典规模分析详细阅读
纹理基元字典的规模是指纹理基元字典中含有纹理基元的个数，纹理基元字典规模的大小在字典学习算法中具有重要的影响，主要体现在以下两个方面。所以，纹理基元字典的规模过大会使纹理基元字典的学习过程和纹理基元编码过程非常耗时，导致算法的实时性降低。因此，必须为本章方法确定一个最佳的纹理基元字典规模，以便充分有效地提取原始纹理图像中所包含的特征信息，同时能获得良好的纹理图像识别精度和实时性。......
2023-06-29
-
纹理图像局部纹理特征的描述方法详细阅读
纹理基元通常表现为一种局部特征，因此对局部特征的描述就是对潜在的纹理基元进行描述。因此，本章方法利用这5个特征量构造一个局部特征向量，用这个局部特征向量来描述每个像素所在区域的局部纹理特征，并将其作为纹理基元的学习对象。......
2023-06-29
-
学习纹理基元字典的方法与应用详细阅读
图2-7展示了本章所采取的逐类学习纹理基元，最终构建纹理基元字典的实现过程。按照上述步骤的方法，依次从每个类别的训练样本中学习Nt个纹理基元，然后把从所有类别学习到的纹理基元进行合并，将其作为纹理基元字典。最后，需要对纹理基元字典中非常相似的纹理基元进行删除。因此，必须删除纹理基元字典中冗余的纹理基元。......
2023-06-29
-
纹理基元编码与特征向量构建详细阅读
在获得输入图像I的纹理基元编码图像之后，为了方便送入分类器进行类别的判断，需要将编码图像转换成一个特征向量，将其作为原始纹理图像的最终特征描述。显然，利用纹理基元编码图像计算出的直方图特征向量，其特征维数和纹理基元字典的规模是相同的，即每个直方条对应纹理基元字典中的一种纹理基元，直方图的数值则体现了纹理基元编码图像中每个纹理基元出现的频率大小。......
2023-06-29
-
流体的性质和速度描述详细阅读
流体力学主要是研究流体在静止或流动时性质变化以及流体流动时对流场内的物体造成的影响，因此在式学习流体力学前必须对流体的性质与速度有一定的认识，才能对后续的学习内容有清楚而完整的认识。显然，流体的比容ν为流体的密度ρ的倒数，并可表示为。......
2023-06-29
-
突破传统：多元服饰时代的到来详细阅读
虽然二者都是对于自己服饰传统的革命，都是在实现女装的现代化，但是中法两国女装的服饰传统是不同的，从样式、结构的角度来讲，中国传统女装属于“宽衣文化”体系，法国女装属于“窄衣文化”体系。因此，现代中国女装的演进要远比法国女装剧烈得多，它是在受到外来文化的急剧冲击的情况下，在很大程度上自觉或不自觉地割断了自己的服饰文化传统，而基本接受了西方服饰文化的观念和形式。......
2023-06-23
-
特征的判别性和特征学习方法详细阅读
特征的判别性则要求样本的特征分布为类内紧凑和类间可分。类内距离的loss项即centerloss[4]，公式如式所示：式中，cyi∈Rd表示第yi类深度学习特征的中心。类间距离的loss项公式如式所示：目标是最小化类内距离与最大化类间距离，将LC与LW结合得到判别特征loss，如式所示：对于每次迭代，需要计算LD关于xi的梯度用于计算卷积网络的反向梯度用于更新权值，同样需要更新cyi，分别如式、式所示。......
2023-10-21
相关推荐