使用形态图像分析有效检索具有不规则图案的图像:应用到工业和医疗保健数据集中的应用

科学领域:

• 计算机视觉 计算机视觉
• 图像分析 图像分析
• 模式识别 模式识别

背景情况:

• 图像检索通常使用视觉内容和功能.
• 检索工业/医疗图像中的不规则模式对于故障检查,疾病诊断和维护预测至关重要.
• 现有的方法通常依赖于深层特征,颜色,形状或局部特征.

研究的目的:

• 提出一种新的图像检索框架 (ImR),用于检测类似的不规则模式.
• 提取形态特征 (DefChars) 进行增强的模式识别.
• 根据各种特征提取方法和距离指标评估框架的性能.

主要方法:

• 拟议的框架从图像中提取一组形态特征 (DefChars).
• 数据集包括风力轮机叶片缺陷,COVID-19CT扫描,散热器缺陷和湖冰图像.
• 通过使用多个距离指标,对调整大小的原始图像,本地二进制模式和规模不变的特征转换进行了评估.

主要成果:

• 与曼哈顿距离度量相结合的DefChars功能实现了80%的平均平均精度 (MAP).
• 这种组合在不规则的模式类中显示出 ±0.09 的低标准偏差.
• 在所有数据集中,IMR框架的表现超过了最先进的深度学习方法 (超级全球) 的8.71%.

结论:

• 拟议的IMR框架有效地使用DefChars和曼哈顿距离检索具有不规则模式的图像.
• 这种方法比现有的特征-度量组合和深度学习方法提供了更高的性能.
• 该框架显示了工业检查和医疗诊断领域的重大应用潜力.