纹理识别精度分析优化方案

2023-06-29 理论教育版权反馈

【摘要】：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。

为了全面地评估本章所提出的改进CLBP方法的纹理识别精度，本节在Outex TC-10纹理库、Outex TC-12纹理库、KTH-TIPS纹理库、CUReT纹理库、UMD纹理库和UIUC纹理库上开展了广泛的、综合的实验，并将本章所提出方法的纹理识别精度与现有的其他先进的纹理图像特征提取和识别方法的识别精度进行比较，具体的实验结果如表4-2所示。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]。另外，由于部分算法在有些纹理库上的识别精度在相关的文献中没有报道，并且这些算法也没有公开的源代码可利用，很难对这些算法进行重复实验来复现对应的纹理识别结果，所以对这些未在相关文献中报道的纹理识别精度在表4-2中均用“——”进行标记。

表4-2　本章提出的改进CLBP算法与其他算法的纹理识别精度对比（%）

pagenumber_ebook=104,pagenumber_book=96

从表4-2中不同算法的纹理识别精度对比可以获得以下结论：

（1）本章提出的方法在所有参与实验的纹理库上一致取得了很高的纹理识别精度，具有较好的通用性。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。这充分表明本章提出的方法具有很强的纹理特征鉴别能力，对纹理图像中存在的光照变化、图像旋转和尺度变化也具有很好的稳健性。

（2）与经典的纹理基元学习类算法（如VZ-MR8算法、VZ-Joint算法）和LBP类算法（如CLBP、LBPV、CLBC、LBPriu2、COV_LBPD、LTPriu2、LBPriu2/VAR、DLBP+NGF、disCLBP和ELBP等算法）相比，本章提出的方法较大幅度地超越了上述算法的纹理识别精度，具有显著的优越性，这进一步展现了本章方法在应对纹理图像的光照变化、图像旋转和尺度变化时具有更好的综合稳健性。

（3）本章提出的方法也超过了一些基于深度学习的方法（如ScatNet、CNN+PCA、T-CNN、ScatNet_CLBP等算法），这主要是因为在纹理图像识别领域，目前还没有一个大规模的、专用的纹理图像数据库，无法对深度学习模型进行充分的训练，在缺乏充分训练的情况下，深度学习模型的识别性能较差；而现有的大部分深度学习算法都是利用ImageNet数据集训练出来的CNN模型进行纹理特征提取和识别，而ImageNet数据集不是专门的纹理图像数据库，不是针对纹理图像的特征提取和识别问题而设计的。因此，利用ImageNet数据集训练出来的CNN模型无法捕获纹理图像中最本质的纹理特征，导致现有的深度学习算法在纹理图像的特征提取和识别任务中性能不太理想。

（4）和最近提出的一些先进算法（如MRELBP、AECLBP、SSLBP、ScatNet_CLBP、CDLF+AHA、2DLBP、SLGP_CR_RR等算法）相比，本章方法的识别精度也具有一定的优越性。其中，MRELBP算法在Outex TC-12纹理库上获得了最高的识别精度，但是该方法对纹理图像的尺度变化不具有稳健性，而本章提出的方法通过构造多尺度图像空间来模拟纹理图像的尺度变化情况，并对不同尺度的直方图特征进行跨尺度取每个模式的最大值，从而获得了更好的尺度稳健性。因此，在参与实验的其他几个纹理库上，本章所提出的方法都获得了比MRELBP算法更高的纹理识别精度。另外，SSLBP算法在参与实验的所有纹理库上也都取得了很高的识别精度，但是SSLBP算法为了确定主导模式信息，需要对一定数量的训练样本进行预先学习，而本章提出的方法不需要进行预先学习，这在训练样本数量较少的场合更具应用价值。

纹理识别精度分析优化方案

相关推荐