图模型在彩色纹理分类中的应用

纹理分析中往往将彩色图像转换为灰度图以降低计算复杂度,这样就忽略了颜色信息。而利用主成分分析的方法来降维彩色纹理,则可以尽可能地保留颜色和纹理信息。高斯图模型(Gaussian Graphical Models,GGM)可以很好地描述有交互作用的高维数据,因此可用来建立图像纹理模型。根据局部马尔可夫性和高斯变量的条件回归之间的关系,可将复杂的模型选择转变为较简单的变量选择。通过惩罚正则化方法,其邻域选择和参数估计可同步进行,然后提取纹理特征进行彩色纹理分类,实验显示其具有很好的效果。因此,结合主成分分析和高斯图模型来构建彩色纹理模型有很好的发展前景。

基于四元数傅里叶梅林变换的旋转不变彩色纹理分类

提出一种基于四元数傅里叶梅林变换(Quaternion Fourier-Mellin Transform,QFMT)的旋转不变彩色纹理分类方法。该方法首先对彩色图像各分量图像进行对数极坐标变换,然后将经过变换后的3幅分量图像表示成四元数,并对其进行四元数傅里叶变换(Quaternion Fourier Transform,QFT),最后对幅度谱分别统计其环形特征量和楔形特征量作为纹理分类的特征向量,利用最近邻分类器进行分类。实验结果表明,本文提出的方法分类准确率更高,且具有良好的旋转不变纹理分析性能。

小波散射网络在各种彩色空间进行图像纹理分类的性能比较(英文)

为了寻找利用小波散射网络进行彩色图像处理的最佳彩色空间,用小波散射网络对KTH_TIPS_COL彩色图像数据库进行了图像纹理分类研究.采用将彩色图像从RGB彩色空间转换到其他各种彩色空间的方法,研究了彩色空间的选择对于小波散射网络用于彩色图像纹理分类的影响.实验结果表明:在不同的彩色空间对彩色图像纹理进行分类,分类成功率往往差别较大;在基于竞争机制的红绿蓝彩色空间中进行小波散射变换比其他彩色空间具有更好的分类性能.考虑到彩色空间可以互相转换,对于彩色纹理图像的分类,推荐将彩色空间转化到基于竞争机制的红绿蓝彩色空间后再输入小波散射网络.