为了获得稳定的实验结果，将上述对训练数据集和测试数据集的随机划分独立重复进行100次，每次独立划分进行一次独立的实验，并计算这100次独立实验结果的平均值，将其作为最终的纹理识别精度。但是，在纹理图像识别领域，目前还不存在一个大规模的、专用于纹理图像识别任务的纹理图像数据库，因此无法对深度学习模型进行充分的训练。......
2023-06-29
纹理识别的精度分析
【摘要】：纹理识别精度通常是纹理图像识别算法中最重要的性能指标。表2-2不同纹理基元学习方法的识别精度（%）从表2-2可以看出，本章提出的方法在KTH-TIPS纹理库上获得了99.12%的识别精度，在CUReT纹理库上获得了98.86%的识别精度。与最近先进的TEISF算法相比，本章方法在KTH-TIPS纹理库上取得了最高的识别精度99.12%，而TEISF算法在CUReT纹理库上取得了最高的识别精度99.54%，这两种算法的识别性能比较接近。
纹理识别精度通常是纹理图像识别算法中最重要的性能指标。为了评估本章方法的识别精度，接下来在CUReT和KTH-TIPS这两个标准的纹理数据库上开展实验，并将本章提出的方法与现有的纹理基元学习方法（VZMR8算法、VZ-Joint算法、TEISF算法）的识别精度进行比较，具体的实验结果如表2-2所示。
表2-2 不同纹理基元学习方法的识别精度（%）
从表2-2可以看出，本章提出的方法在KTH-TIPS纹理库上获得了99.12%的识别精度，在CUReT纹理库上获得了98.86%的识别精度。与传统的VZ-MR8算法和VZ-Joint算法相比，本章提出的方法在KTH-TIPS和CUReT纹理库上都取得了最高的识别精度，一致超过了VZ-MR8算法和VZ-Joint算法的识别精度。与最近先进的TEISF算法相比，本章方法在KTH-TIPS纹理库上取得了最高的识别精度99.12%，而TEISF算法在CUReT纹理库上取得了最高的识别精度99.54%，这两种算法的识别性能比较接近。综合分析上述实验结果可以看出，本章方法所提取的纹理图像特征具有很好的鉴别能力和稳健性，原因如下：
（1）本章方法采用5个局部特征量（熵Ent、方差Var、最大变化幅度MR、局部差分符号计数LDSC、局部差分幅值计数LDMC）对局部的纹理图像特征（即潜在的纹理基元）进行描述，这5个局部特征量能够同时提取局部纹理图像的宏观特征和微观特征，并且实现了宏观特征和微观特征的融合，进一步提高了所提取特征的鉴别能力。
（2）本章方法所提取的局部特征向量LF对单调的光照变化和图像旋转具有不变性，这是因为LF向量中的每个分量都不受单调光照变化和图像旋转的影响，这使本章方法所提取的图像特征在复杂的工程应用场景中仍然具有很好的稳健性，能够保持较高的识别能力。
（3）采用小半径（R=2）和大半径（R=6）相结合的方法提取不同尺度的纹理特征，实现了在小尺度（R=2）和大尺度（R=6）上对纹理图像特征的联合检测，不但提高了对尺度变化的适应性，而且能够捕获更加丰富的纹理特征，从而提高了特征的鉴别能力。
有关纹理图像的特征提取和识别的文章
- 详细阅读
-
纹理识别的精度分析：挖掘关键点详细阅读
表5-1不同彩色纹理图像识别算法的纹理识别精度（%）续 表从表5-1可以看出，本章提出的方法在KTH-TIPS和CUReT这两个标准的彩色纹理图像数据库上均取得了最高的纹理识别精度，分别为99.98%和99.70%，一致超过了其他所有参与比较的算法的纹理识别精度。尤其在KTH-TIPS纹理库上，本章方法获得了99.98%的近乎完美的纹理识别精度，这充分表明本章方法所提取的彩色纹理特征具有很强的鉴别能力，在彩色纹理图像的识别任务中具有优良的性能。......
2023-06-29
-
纹理识别精度分析优化方案详细阅读
在表4-2中，其他参与对比的算法的纹理识别精度来自提出这些算法的原始文献以及综述文献[59]。具体来说，在Outex TC-10、KTH-TIPS和CUReT这三个纹理库上，本章方法分别取得了99.95%、99.66%和99.67%的识别精度，位列第一，超过了其他所有参与比较的方法的识别精度；在Outex TC-12、UMD和UIUC这三个纹理库上，本章方法分别取得了99.44%、99.43%和98.80%的识别精度，位列第二，仅次于MRELBP算法在Outex TC-12纹理库和SSLBP算法在UMD、UIUC纹理库上的识别精度。......
2023-06-29
-
基于纹理特征识别的纸币鉴别系统设计详细阅读
图7-10本节提出的纸币鉴别系统的原理图本节提出的纸币鉴别系统的具体实现流程如下所述。对测试纸币的红外图像进行灰度纹理特征提取。对测试纸币进行真伪鉴别。根据上述第步确定的测试纸币的面额，将上述第步提取的测试纸币的红外图像灰度纹理特征与标准真币特征数据库中相同面额真币的红外图像灰度纹理特征进行比较，根据预先设定的特征距离计算准则和判别阈值，鉴定测试纸币的真伪。......
2023-06-29
-
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
-
车床夹具类型及连接精度对回转精度影响分析详细阅读
根据这一加工特点和夹具在机床上安装的位置，可将车床夹具分为以下两种基本类型。车床夹具按使用范围，可分为通用车床夹具、专用车床夹具和组合车床夹具三类。这类车床夹具的夹具体一般呈角铁状，其结构不对称，称这样的夹具为角铁式车床夹具。车床夹具与车床主轴的连接精度对夹具的回转精度有决定性的影响。......
2023-06-29
-
精度与经济精度选择下的轴类零件加工路线分析详细阅读
对于黑色金属材料，精度要求高和表面粗糙度值要求较小、零件需要淬硬时，其后续工序只能用磨削而采用的加工路线。轴类零件的主要加工表面是外圆表面，还有常见的特殊形表面，因此针对各种精度等级和表面粗糙度要求，按经济精度选择加工方法。轴类零件的预加工是指加工的准备工序，即车削外圆之前的工艺，主要有校直、切断、切端面和钻中心孔。②轴类零件加工的定位基准和装夹。现以此轴为例进行机械加工工艺分析。......
2023-06-29
-
纹理数据库与实验设计分析详细阅读
关于CUReT纹理库特征的详细描述可见本书2.4.1节的介绍。Outex纹理图像数据库是由芬兰奥鲁大学的机器视觉和媒体处理中心拍摄的，在Outex纹理图像数据库中，最常用的是Outex TC-10和Outex TC-12这两个纹理库子集。图4-9UIUC纹理库的25个纹理类别图4-10UIUC纹理库的视角、尺度变化和非刚性变形UMD纹理图像数据库也由25个纹理类别组成，包括货架上的商品、树叶、苹果、树皮、地板、鹅卵石路等，每类纹理有40个样本图像。......
2023-06-29
相关推荐