研究目的
探究图像可见性图(IVG/IHVGs)在图像处理与图像分类中的实用性,展示其封装结构信息的能力以及作为有效滤波器和特征提取方法的效能。
研究成果
图像可见性图(IVG/IHVG)为图像滤波和特征提取提供了一种稳健高效的方法,在各类任务中实现了较高的分类准确率。IHVG的全局特征与IVG的局部特征具有特别丰富的信息量。该方法具有普适性和计算可扩展性,通过采用高阶图像块和多重网络分析有望实现进一步优化。
研究不足
该研究聚焦于低阶可见性块(p=3),可能无法捕捉所有复杂特征;更高阶数或能提升性能。该方法仅在特定数据集上测试,未必适用于所有图像类型。计算效率虽呈线性,但可能受图像尺寸制约。针对RGB图像的复用特征,其层间相关性尚未充分探究。
1:实验设计与方法选择:
本研究采用图像可见性图(IVG和IHVG)将图像映射为图结构,通过图论分析进行特征提取。方法包括定义IVG/IHVG、提取度分布等全局特征,并引入可见性块等局部特征。
2:样本选择与数据来源:
数据集包含Kylberg纹理数据集(材料纹理)、2D HeLa(生物医学纹理)及自然纹理数据集(Upstex、Brodatz彩色、多波段)。图像为灰度或RGB格式,具有特定尺寸和类别。
3:实验设备与材料清单:
计算资源(如2.5GHz英特尔酷睿i7处理器)、软件(用于分类的Matlab)及标准图像数据集。
4:5GHz英特尔酷睿i7处理器)、软件(用于分类的Matlab)及标准图像数据集。
实验流程与操作步骤:
4. 实验流程与操作步骤:步骤包括将图像映射为IVG/IHVG、计算图属性(如度、聚类系数)、应用滤波器、提取特征,并使用支持向量机(SVM)、K近邻(KNN)等分类器配合交叉验证。
5:数据分析方法:
统计分析包含主成分分析(PCA)降维、计算分类准确率、AUC及模型平均准确率。特征提取算法(如PatchProfile)实现线性时间复杂度。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容