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。......
2023-06-29
纹理识别的精度分析优化
【摘要】：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。
为了进一步评估本章所提出的方法在纹理图像特征提取和识别上的性能，本章在CUReT和KTH-TIPS这两个标准的纹理图像数据库上进行实验，把本章提出的方法与传统的Gabor滤波方法、基于Gabor滤波和LBP算法结合的LGWBP算法，以及一些先进的基于LBP的算法和基于纹理基元学习的算法进行比较。
在CUReT纹理库上，从每个纹理类别随机选取N1=46个样本作为训练数据，每个纹理类别剩下的92-N1=46个样本作为测试数据。在KTH-TIPS纹理库上，从每个纹理类别随机选取N2=40个样本作为训练数据，每个纹理类别剩下的81-N2=41个样本作为测试数据。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。具体的实验结果如表3-2所示，其中相关文献中没有报道的纹理识别精度用“——”进行标记，并用加粗字体对每个纹理数据库上的最高识别精度进行标记。
表3-2 本章提出的改进Gabor滤波方法与其他方法的纹理识别精度对比（%）
续 表
从表3-2的对比结果可以看出：
（1）在KTH-TIPS纹理库和CUReT纹理库上，本章提出的改进Gabor滤波方法分别取得了99.36%和99.60%的纹理识别精度，均为这两个纹理数据库上的最高识别精度，一致超过了其他所有参与比较的算法，展示了本章所提出的方法在纹理识别精度方面的优越性能。
（2）和传统的Gabor滤波方法相比，本章提出的改进Gabor滤波方法在纹理识别精度上获得了显著的提升，即传统Gabor滤波方法在KTH-TIPS纹理库和CUReT纹理库上的识别精度分别为91.48%和94.89%，而本章所提出的方法将识别精度分别提高到99.36%和99.60%，即纹理识别精度的提升幅度大约为8%和5%，证明本章所提出的方法显著优于传统的Gabor滤波方法。
（3）本章提出的改进Gabor滤波方法也超过了一些先进的基于深度学习的方法（如CNN+PCA算法、T-CNN算法、ScatNet_CLBP算法）的识别精度，这主要是因为深度学习方法必须利用大规模的训练样本对深度学习模型进行训练，只有在充分训练的情况下深度学习模型才能具备良好的识别能力，如果对深度学习模型的训练不充分，则模型的识别能力不佳。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。而大部分基于深度学习的算法都是利用大规模的ImageNet通用图像数据集训练出来的CNN模型进行纹理特征提取和识别，但ImageNet数据集不是纹理图像数据集，不是针对纹理图像的特征提取和识别任务而设计的，无法充分挖掘图像中丰富的纹理特征。因此，利用ImageNet数据集训练出来的深度CNN模型在纹理图像的特征提取和识别任务中不能保证获得最佳的结果。
因此，上述的实验结果表明，和传统的Gabor滤波方法、基于Gabor滤波和LBP算法结合的LGWBP算法，以及一些先进的基于深度学习的算法、基于LBP的算法、基于纹理基元学习的算法相比，本章方法提取的纹理图像特征具有更强的鉴别能力，对光照和尺度变化也具有较好的稳健性，因此能够获得更好的纹理识别精度。
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
-
机械加工精度优化措施详细阅读
机械加工后，零件实际几何参数与理想零件相符合的程度称为加工精度。这是人为地制造一种误差，去抵消另一种原始误差，从而达到加工精度的目的。用刀具的相应尺寸来保证加工表面的尺寸精度。加工工件时，获得形状精度的方法有下列三种。常见的滚齿、插齿等齿轮加工方法均属展成法。......
2023-06-28
-
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
-
圆柱齿轮精度优化设计详细阅读
圆柱齿轮精度设计一般包括下列内容：①确定齿轮的精度等级；②确定齿轮的强制性检测精度指标的公差；③确定齿轮的侧隙指标及其极限偏差；④确定齿面的表面粗糙度轮廓幅度参数及上限值；⑤确定齿轮坯公差。除此以外，还应包括确定齿轮副中心距的极限偏差和两轴线的平行度公差。任务实施确定齿轮精度等级。参考表7-19，该齿轮属于小批量生产，中等精度，无特殊要求，可选第一组。图7-24小齿轮零件图......
2023-06-15
-
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
相关推荐