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
树皮纹理库和实验设置的优化
【摘要】：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。
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。BarkTex纹理库由6个类别的树皮纹理图像组成，即白桦树（Betula Pendula）、山毛榉（Fagus Silvatica）、挪威云杉（Picea Abies）、银松（Pinus Silvestris）、栎树（Quercus Robus）和槐树（Robinia Pseudacacia）的树皮纹理图像。每个类别有68个样本图像，一共有6 ×68 =408个样本图像，分辨率均为128×192。图7-2展示了BarkTex纹理库的6个树皮类别，每列是一个树皮类别的三个样本图像。从图7-2可以看出，对于不同类别的树木，其树皮的纹理特征具有显著的差异，因此利用树皮的纹理特征对树木的种类进行鉴别具有可行性。
图7-2 BarkTex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。
图7-3 树皮纹理训练样本集和测试样本集的两种划分方法
第一种划分方法：将一个原始的纹理样本划分为4个子图像，然后把其中两个子图像加入训练样本集，另外两个子图像加入测试样本集。在这种情况下，训练样本集和测试样本集中存在非常相似的子图像（来自同一个原始的树皮纹理样本），从而使训练样本集和测试样本集具有较强的相关性，此时容易获得较高的识别精度。
第二种划分方法：将一个原始的纹理样本划分为4个子图像，这4个子图像要么全部加入训练样本集，要么全部加入测试样本集。在这种情况下，训练样本集和测试样本集的相关程度明显降低，使树皮纹理图像的识别任务变得更加困难。
对比以上两种划分方法可以看出，第二种划分方法更具挑战性，并且更加具有实用价值，因此本节采用第二种方法来划分训练样本集和测试样本集，从而构建一个新的BarkTex纹理库，即New-BarkTex纹理库[135]。在New-BarkTex纹理库中，同样含有6个树皮类别，每个类别含有68×4=272个子图像，一共有272 ×6=1632个子图像，即1 632个样本，每个样本的图像分辨率为64×64；在这1 632个样本图像中，816个样本图像用作训练数据，剩下的816个样本图像用作测试数据。
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
-
彩色纹理图像数据库和实验设置优化方案详细阅读
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。......
2023-06-29
-
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
-
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
-
MySQL数据库：声明和设置变量详细阅读
但是与PHP不同，MySQL要求指定这些变量的类型并显式进行声明。本节展示何声明和设置变量。还要注意变量的作用范围限制在声明该变量的代码块中，这很重要，因为程序中可能有多个BEGIN/END块。DECLARE关键字还用于声明某种条件和处理器。默认地，MySQL使用分号来确定一个语句是否结束。......
2023-10-29
-
多个纹理标签的使用方法及属性设置详细阅读
如果对象被指定了多个材质，会出现多个纹理标签。图6-30 多个纹理标签单击“纹理”标签，“属性窗口”中将显示“标签属性”。选择新创建的纹理标签属性，在选集栏输入“C1”，注意字母为大写。......
2023-11-21
-
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
相关推荐