首页 理论教育实时性分析:给你实时表现

实时性分析:给你实时表现

【摘要】:如本章前文的分析,VZ-Joint算法所采用的纹理基元的特征维数较高,这导致VZ-Joint算法的纹理基元学习过程和纹理图像编码过程非常耗时,实时性显著下降;而TEISF算法由于采用复杂的纹理基元学习、纹理图像编码和特征生成方法,虽然能够获得较高的纹理识别精度,但该算法的计算量显著增加,导致算法的实时性下降。

实时性反映了一个算法的计算复杂度,它也是纹理图像特征提取和识别算法的一个重要指标,尤其对实时性要求较高的工程应用场景更为重要。如果一个算法的计算复杂度太高,会导致整个纹理图像的特征提取和识别过程所需的时间很长,该算法就会缺乏真正的应用价值。为了评估本章所提出方法的实时性,本节在CUReT纹理库和KTH-TIPS纹理库上开展实验,计算一个纹理样本图像的平均时间消耗,将其作为本章算法的实时性指标,并把本章方法和其他纹理基元学习方法(VZ-MR8算法、VZ-Joint算法、TEISF算法)的实时性进行比较,具体的结果如表2-3所示。

表2-3 不同纹理基元学习方法的时间消耗(s)

从表2-3可以看出:

(1)对于KTH-TIPS纹理库,本章方法在单个样本上的时间消耗为0.93s;对于CUReT纹理库,本章方法在单个样本上的时间消耗为1.80s,显著少于其他方法在单个样本上的时间消耗。这表明本章所提出方法的实时性最高,并且与其他纹理基元算法(VZ-MR8算法、VZ-Joint算法、TEISF算法)的实时性相比优势非常明显,这是因为本章方法所采用的纹理基元描述向量具有更小的特征维数(7维),纹理基元字典的规模更小(其他方法从每个类别学习40个纹理基元,而本章方法从每个类别学习20个纹理基元,所构建的纹理基元字典规模只有其他方法的1/2),并且采用K-均值聚类算法和最近邻编码的策略,上述这些措施显著降低了本章方法在局部特征提取、纹理基元字典学习和纹理基元编码阶段的计算量,使本章方法获得了更高的实时性。

(2)如本章前文的分析,VZ-Joint算法所采用的纹理基元的特征维数较高(如对于一个7×7像素的图像块,其对应的纹理基元向量的特征维数是7×7=49维),这导致VZ-Joint算法的纹理基元学习过程和纹理图像编码过程非常耗时,实时性显著下降;而TEISF算法由于采用复杂的纹理基元学习、纹理图像编码和特征生成方法,虽然能够获得较高的纹理识别精度,但该算法的计算量显著增加,导致算法的实时性下降。

综合来看,和现有的其他纹理基元学习算法(VZ-MR8算法、VZ-Joint算法、TEISF算法)相比,本章提出的纹理基元学习方法不但能获得较高的纹理识别精度(表2-2),而且在算法的实时性方面获得了显著提升,进一步提高了纹理基元学习方法在纹理图像识别领域的综合性能,这对纹理图像特征提取和识别技术在实际工程中的应用提供了更大的优势。