首页 理论教育全局与局部Gabor特征融合的最佳权值参数分析

全局与局部Gabor特征融合的最佳权值参数分析

【摘要】:对全局Gabor特征和局部Gabor特征进行特征融合时,根据本章所采用的线性加权求和的特征融合策略,需要确定加权参数w的最佳值。综上所述可以看出,当w=0.8时,全局Gabor特征和局部Gabor特征实现了最佳的特征融合,实验获得了最高的纹理图像识别精度,所以本章方法设置w=0.8,并在本章后续的实验中均采用这里设置的最佳w参数值。

对全局Gabor特征和局部Gabor特征进行特征融合时,根据本章所采用的线性加权求和的特征融合策略,需要确定加权参数w的最佳值。由于KTH-TIPS纹理库含有丰富的光照、旋转和尺度变化,是一个具有挑战性的纹理库,所以本章选择在KTH-TIPS纹理库上开展仿真实验,以确定最佳的权值w。在实验中通过不断调节权值w,可获得对应情况下不同的纹理识别精度,具体的权值和对应的识别精度实验结果如图3-5所示。

图3-5 特征融合权值w对纹理识别精度的影响

从图3-5可以看出,当w=0时,提取的纹理特征仅利用了局部Gabor特征,没有利用全局Gabor特征的信息,此时的纹理识别精度不太理想;当w从0开始逐渐增大时,逐渐引入更多的全局Gabor特征分量,此时对应的纹理识别精度不断提高;当w=0.8时,全局Gabor特征和局部Gabor特征实现了最佳的特征融合效果,此时获得的融合特征具有最强的鉴别能力,所以此时的纹理识别精度达到最高;当w>0.8时,随着w值的不断增加,纹理识别精度又呈现逐步下降的趋势;当w=1时,提取的纹理特征仅利用了全局Gabor特征,没有利用局部Gabor特征的信息,此时的识别精度也没有达到最高。综上所述可以看出,当w=0.8时,全局Gabor特征和局部Gabor特征实现了最佳的特征融合,实验获得了最高的纹理图像识别精度,所以本章方法设置w=0.8,并在本章后续的实验中均采用这里设置的最佳w参数值。