Масштабируйте матрицу совместной встречаемости
Масштабная матрица совпадений (SCM) — это метод извлечения признаков изображения в масштабном пространстве после вейвлет-преобразования , предложенный Ву Цзюнем и Чжао Чжунмином (Институт приложений дистанционного зондирования, Китай ). На практике мы сначала выполняем дискретное вейвлет-преобразование для одного серого изображения и получаем субизображения с разными масштабами. Затем мы строим серию параллельных матриц на основе масштаба, каждая из которых описывает изменение уровня серого между двумя соседними шкалами. Наконец, мы используем выбранные функции (например, статистический подход Харриса) для расчета измерений с помощью SCM, а также выделения и классификации признаков. Одной из основ метода является тот факт: способ изменения информации о текстуре от одного масштаба к другому может в некоторой степени представлять эту текстуру, поэтому его можно использовать в качестве критерия для извлечения признаков. Матрица фиксирует отношения объектов между разными масштабами, а не объекты в одном масштабном пространстве, что может лучше отражать масштабные свойства текстуры. Кроме того, есть несколько экспериментов, показывающих, что с помощью него можно получить более точные результаты классификации текстур, чем при традиционной классификации текстур. [1]
Фон
[ редактировать ]Текстуру можно рассматривать как группу сходств в изображении. Традиционный анализ текстур можно разделить на четыре основные задачи: извлечение признаков, различение текстур, классификация текстур и форма на основе текстуры (для восстановления геометрии трехмерной поверхности на основе информации о текстуре). Для извлечения традиционных признаков подходы обычно делятся на структурные, статистические, основанные на моделях и преобразования. [2] Вейвлет-преобразование — популярный метод численного и функционального анализа, который собирает информацию как о частоте, так и о местоположении. Матрица совпадения уровней серого обеспечивает важную основу для построения SCM. SCM, основанный на дискретном вейвлет-преобразовании кадров, использует как корреляции, так и информацию о признаках, что сочетает в себе структурные и статистические преимущества.
Дискретный вейвлет-кадр (DWF)
[ редактировать ]Чтобы выполнить SCM, нам нужно сначала использовать преобразование дискретного вейвлет-кадра (DWF), чтобы получить серию дополнительных изображений. Дискретные вейвлет-кадры почти идентичны стандартному вейвлет-преобразованию. [3] за исключением того, что фильтры повышаются, а не понижаются. Учитывая изображение, DWF разлагает свой канал, используя тот же метод, что и вейвлет-преобразование, но без процесса субдискретизации. В результате получаются четыре отфильтрованных изображения того же размера, что и входное изображение. Затем разложение продолжается в каналах LL только так же, как и в вейвлет-преобразовании, но поскольку изображение не подвергается субдискретизации, фильтр необходимо повышать дискретизацию путем вставки нулей между его коэффициентами. Количество каналов и, следовательно, количество функций для DWF определяется как 3 × l - 1. [4] Одномерный дискретный вейвлет-кадр разлагает изображение следующим образом:
![{\displaystyle d_{i}(k)=[[g_{i}]^{T}x],\quad (i=1,\ldots,N)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/44d6e8a828eea8332e792e5721c02103851a50cf)
Пример
[ редактировать ]Если есть два дополнительных изображения X 1 и X 0 из родительского изображения X (на практике X = X 0 ), X 1 = [1 1; 1 2], X 2 = [1 1; 1 4], оттенки серого будут 4, так что мы можем получить k = 1, G = 4. X 1 (1,1), (1,2) и (2,1) равны 1, а X 0 (1,1), (1,2) и (2,1) равны 1, поэтому Φ 1 (1 ,1) = 3; Аналогично, Φ 1 (2,4) = 1.SCM выглядит следующим образом:
| Г=4 | Уровень серого 0 | Уровень серого 1 | Уровень серого 2 | Уровень серого 3 | Уровень серого 4 |
|---|---|---|---|---|---|
| Уровень серого 0 | 0 | 0 | 0 | 0 | 0 |
| Уровень серого 1 | 3 | 0 | 0 | 0 | 0 |
| Уровень серого 2 | 0 | 0 | 0 | 0 | 0 |
| Уровень серого 3 | 0 | 0 | 0 | 0 | 0 |
| Уровень серого 4 | 0 | 0 | 1 | 0 | 0 |
Внешние ссылки
[ редактировать ]- Тао Чен; Кай-Куанг Ма; Ли-Хуэй Чен (1998). «Дискретные вейвлет-кадровые представления особенностей цветовой текстуры для запроса изображения». 1998 г. Второй семинар IEEE по обработке мультимедийных сигналов (кат. № 98EX175) . ИИЭЭ . стр. 45–50. дои : 10.1109/MMSP.1998.738911 . ISBN 0-7803-4919-9 . S2CID 1833240 .
- Учебное пособие по матрице совместного возникновения MATLAB
- Матрица совпадений
Ссылки
[ редактировать ]- ^ Ву, Цзюнь; Чжао, Чжунмин (март 2001 г.). «Масштабирование матрицы совпадений для анализа текстур с использованием вейвлет-преобразования» . Журнал дистанционного зондирования . 5 (2): 100.
- ^ Дуда, Р.О. (9 февраля 1973 г.). Классификация образов и анализ сцен . Уайли. ISBN 978-0471223610 .
- ^ Кевин, Лунд; Курт, Берджесс (июнь 1996 г.). «Создание многомерных семантических пространств на основе лексического совпадения». Методы исследования поведения . 28 (2): 203–208.
- ^ Маллат, С.Г. (1989). «Теория разложения сигналов с несколькими разрешениями: вейвлет-представление» . Транзакции IEEE по анализу шаблонов и машинному интеллекту . 11 (7): 674–693. Бибкод : 1989ITPAM..11..674M . дои : 10.1109/34.192463 .