为了对本章提出的纹理图像特征提取和识别方法的性能进行评估，本节选择在两个常用的标准纹理图像数据库上进行实验，即CUReT纹理库[46]和KTH-TIPS纹理库[96]。图2-11CUReT纹理库的识别挑战性KTH-TIPS纹理库由10个类别的纹理材料组成，具体包括铝箔、砂纸、海绵、灯芯绒、亚麻布、棉织物、面包、橘子皮、聚苯乙烯泡沫和薄脆饼干。......
2023-06-29
彩色纹理图像数据库和实验设置优化方案
【摘要】：为了评估本章所提出方法的性能，本节在标准的CUReT彩色纹理图像数据库和KTH-TIPS彩色纹理图像数据库上开展实验。因此，KTH-TIPS纹理库一共含有810个样本图像。在开展实验时，对CUReT和KTH-TIPS这两个彩色纹理图像数据库的实验设置如下：在CUReT纹理库上进行实验时，从每个纹理类别随机挑选N2=46个样本作为训练数据，每个纹理类别剩下的92-N2=46个样本作为测试数据。
为了评估本章所提出方法的性能，本节在标准的CUReT彩色纹理图像数据库和KTH-TIPS彩色纹理图像数据库上开展实验。
CUReT彩色纹理库的拍摄对象是真实世界中存在的61类纹理材料（如毛毡、皮革、砂纸、丝绒、毛玻璃、草皮、铝箔、海绵、动物皮毛和面包等），每个类别包含92个纹理样本图像，即该纹理库一共有5 612个纹理样本图像，并且每个样本图像的分辨率均为200×200，这些样本图像是在不同的光照条件和不同的视角下拍摄的。对CUReT纹理库而言，其特征提取和识别的难度在于该纹理库的很多样本具有较大的类内差异和较小的类间差异，同时光照条件等因素的影响以及CUReT纹理库的样本类别数目较多，这些因素都增加了CUReT纹理库中样本图像特征提取和识别的难度，使CUReT纹理库成为一个富有挑战性的标准纹理图像数据库。关于CUReT纹理库特征的详细描述可见本书第2.4.1节的介绍。
KTH-TIPS彩色纹理库由10个类别的纹理材料组成，具体包括铝箔、砂纸、海绵、灯芯绒、亚麻布、棉织物、面包、桔子皮、聚苯乙烯泡沫和薄脆饼干。对每个类别的纹理材料，在3种不同的照明条件、3个不同的视角和9个不同的尺度下进行拍摄，所以每个类别可获取3 ×3 ×9 =81个样本图像。因此，KTH-TIPS纹理库一共含有810个样本图像。在拍摄样本图像时，通过改变相机与样本的距离来改变尺度参数，大部分样本图像的分辨率为200×200。和CUReT纹理库相比，虽然KTH-TIPS纹理库的样本类别数目减少了（CUReT纹理库含有61个纹理类别，而KTH-TIPS纹理库含有10个纹理类别），但KTH-TIPS纹理库最大的挑战性是引入了CUReT纹理库所不具有的大范围的尺度变化，这些因素增加了KTH-TIPS纹理库中纹理样本的识别难度，使在KTH-TIPS纹理库上开展纹理图像的特征提取和识别任务变得更具挑战性。关于KTH-TIPS纹理库特征的详细描述可见本书第2.4.1节的介绍。
在开展实验时，对CUReT和KTH-TIPS这两个彩色纹理图像数据库的实验设置如下：
（1）在CUReT纹理库上进行实验时，从每个纹理类别随机挑选N2=46个样本作为训练数据，每个纹理类别剩下的92-N2=46个样本作为测试数据。
（2）在KTH-TIPS纹理库上进行实验时，从每个纹理类别随机挑选N1=40个样本作为训练数据，每个纹理类别剩下的81-N1=41个样本作为测试数据。
（3）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，每次划分独立进行一次实验，然后计算这100次独立实验结果的平均值，将其作为最终的纹理识别结果。
需要说明的是，本书第2章至第4章所涉及的纹理图像特征提取和识别方法只利用了KTH-TIPS和CUReT纹理库的灰度纹理特征，没有使用颜色信息，而本章提出的方法同时使用了这两个纹理库的颜色信息和灰度纹理特征，即把灰度纹理特征和粗略的颜色信息进行级联融合，作为彩色纹理图像的特征描述子，并用于纹理图像识别。
在提取灰度纹理特征时，采用本书第4章提出的对光照强度、图像旋转和尺度变化具有稳健性的改进CLBP方法，与该算法相关的参数设置如下：高斯滤波次数n=2，高斯滤波器的尺寸为13×13，高斯滤波器的标准差σ=2，DDT-CLBP算法的参数R=[1， 3， 5]，P=[8， 12， 16]。
实验平台：一台计算机（Intel Core i3-6100 CPU @ 3.70GHz， 4GB RAM），MATLAB R2016b软件，Windows 10操作系统。
有关纹理图像的特征提取和识别的文章
- 详细阅读
-
纹理数据库和实验设置探讨详细阅读
本章实验采用的标准纹理图像数据库是CUReT纹理库和KTH-TIPS纹理库，这两个纹理图像数据库的主要特点如下所述。在CUReT纹理库上进行实验时，从每个纹理类别随机挑选N1=46个样本作为训练样本，每个类别剩下的92-N1=46个样本作为测试样本。......
2023-06-29
-
树皮纹理库和实验设置的优化详细阅读
为了评估本节所提出方法的识别性能，这里利用BarkTex纹理库[134， 135]提供的树皮纹理图像进行实验。图7-2BarkTex纹理库6个类别的树皮纹理样本由于BarkTex纹理库的原始样本个数较少，为了方便开展实验，本节将每个原始的树皮纹理样本划分为4个子图像，将其作为同一个类别的4个新的树皮纹理样本，从而增加了树皮纹理样本的个数。然后，需要将BarkTex纹理库的树皮纹理样本划分为训练样本集和测试样本集，此时可采用两种划分方法[135]，如图7-3所示。......
2023-06-29
-
彩色纹理图像特征提取方法研究详细阅读
由于本书第2章至第4章已经提出了三种灰度纹理图像的特征提取方法，并且HSV颜色空间中的亮度分量V就是灰度纹理图像，可将本书第2章至第4章提出的灰度纹理图像特征提取方法直接应用于HSV颜色空间中的V分量，从而实现灰度纹理特征的提取。......
2023-06-29
-
纹理数据库及实验设定探析详细阅读
为了验证本节方法的性能，选择在4个不同类型的纹理数据库上开展广泛的实验。UIUC纹理图像数据库含有25个纹理类别，包括花岗岩、木材、砖块、水流、大理石、砂砾、石头、玻璃、地毯、树皮、纸张、动物的皮毛、织物等。UIUC纹理库：每类20个训练样本，10个验证样本，10个测试样本。为了获得稳定的实验结果，在每个纹理库上开展实验时，独立进行10次实验，计算这10次实验结果的平均值，将其作为最终的纹理识别结果。......
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
-
图像检索实验和结果分析详细阅读
考虑到Corel-10K图像数据库有100个样本类别，共有10 000个样本图像，所以图7-8和图7-9的检索结果展示了本节设计的基于粗略颜色信息和灰度纹理特征相融合的图像检索系统具有良好的检索性能。接下来，给出本节设计的图像检索系统的综合性能评价指标，即查准率和查全率。本节提出的图像检索系统在Corel-10K数据库和Corel-5K数据库上的平均查准率和平均查全率分别如表7-4和表7-5所示。最后，对本节提出的图像检索系统的实时性进行分析。......
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