曝光和照明对纹理分类的影响 基于原始光谱波器阵列图像

科学领域:

• 计算机视觉 计算机视觉
• 图像处理 图像处理
• 机器学习 机器学习

背景情况:

• 光谱波器阵列 (SFA) 摄像机提供便携式光谱成像,但纹理分类依赖于demozaicing.
• 脱色质量会影响SFA成像中的纹理分类准确性.
• 直接分析原始SFA图像可以提高纹理分类的稳定性.

研究的目的:

• 为了研究直接应用于原始光谱波器阵列 (SFA) 图像的纹理分类方法.
• 为了比较卷积神经网络 (CNN) 与本地二进制模式 (LBP) 方法的性能,用于原始SFA图像纹理分类.
• 评估集成时间和照明对分类性能的影响.

主要方法:

• 在来自HyTexiLa数据库的原始SFA图像上训练一个卷积神经网络 (CNN).
• 将CNN的性能与局部二进制模式 (LBP) 方法进行比较.
• 用真实的SFA图像进行实验,而不是模拟数据.
• 分析整合时间和照明水平对分类准确性的影响.

主要成果:

• 卷积神经网络 (CNN) 在质地分类方面显著优于局部二进制模式 (LBP) 方法.
• 美国有线电视新闻网 (CNN) 即使使用少量的训练数据,也实现了高性能.
• 美国有线电视新闻网 (CNN) 展示了适应不同环境条件的能力,包括照明和曝光设置.
• 功能分析揭示了CNN识别各种形状,图案和纹理中的标记的能力.

结论:

• 使用CNNs从原始SFA图像中直接分类纹理是一种可行的和有效的方法.
• 与SFA纹理分析的LBP等传统方法相比,CNN提供了卓越的稳定性和适应性.
• 这种方法提高了纹理分类的准确性和可靠性,特别是在具有挑战性的环境条件下.