圖像紋理分類理論與方法

目錄
前言
第1章 緒論 1
1.1 紋理與紋理分類 1
1.1.1 紋理的定義 1
1.1.2 紋理分類 3
1.2 基礎(chǔ)理論和工具 6
1.2.1 圖像的多尺度幾何變換 6
1.2.2 特征提取與分類器設(shè)計 11
1.3 本書的結(jié)構(gòu) 13
參考文獻 14
第2章 基于局部二進制模式的紋理分類 19
2.1 紋理單元與度量比較 19
2.1.1 紋理單元 19
2.1.2 紋理度量比較 20
2.2 LBP方法 22
2.3 改進的LBP方法 28
2.3.1 主局部二值模式方法 29
2.3.2 完整局部二值模式方法 32
2.3.3 局部三值模式方法 41
2.3.4 成對旋轉(zhuǎn)不變共生LBP方法 43
2.3.5 排序連續(xù)LBP方法 48
2.3.6 多道解碼LBP方法 51
2.3.7 其他改進的方法 53
參考文獻 54
第3章 基于小波域局部能量直方圖建模的紋理分類 59
3.1 基于小波域直方圖比對的紋理分類 59
3.1.1 小波域中的局部能量特征提取 59
3.1.2 局部能量直方圖 60
3.1.3 相似度度量 61
3.2 實驗結(jié)果與分析 62
3.3 小波子帶不平衡問題 67
3.3.1 加權(quán)對稱 Kullback-Leibler散度與圖像間的相似性度量 67
3.3.2 實驗結(jié)果與分析 69
參考文獻 72
第4章 基于輪廓波域乘積伯努利分布的紋理分類 73
4.1 輪廓波域的乘積伯努利分布建模 74
4.2 差異度測量和分類器 76
4.3 實驗結(jié)果與分析 76
4.3.1 性能評估 77
4.3.2 計算花費 79
參考文獻 80
第5章 基于輪廓波域泊松混合模型的紋理分類 81
5.1 泊松混合模型及其BYY和諧學習算法 82
5.2 輪廓波域泊松混合模型與貝葉斯紋理分類器 84
5.2.1 基于輪廓波變換的特征提取 84
5.2.2 基于泊松混合模型的貝葉斯紋理分類器 89
5.3 實驗結(jié)果與分析 90
5.3.1 分類效果 90
5.3.2 與現(xiàn)存方法的比較 93
5.3.3 對紋理分類時間的討論 98
參考文獻 99
第6章 基于輪廓波域聚類的紋理分類 101
6.1 非隨機初始化的c-均值聚類 101
6.2 基于輪廓波子帶聚類的特征提取 103
6.2.1 基于非隨機初始化的c-均值聚類的特征提取 103
6.2.2 傳統(tǒng)特性的提取 105
6.2.3 特征向量的相似性度量 105
6.2.4 分類 106
6.3 實驗結(jié)果與分析 106
6.3.1 分類效果 106
6.3.2 與現(xiàn)存方法的比較 109
6.3.3 對紋理分類時間的討論 112
參考文獻 112
第7章 基于輪廓波域統(tǒng)計特征的紋理檢索 115
7.1 輪廓波子帶的統(tǒng)計特征化 116
7.2 圖像間的相似性度量與紋理檢索 118
7.3 實驗結(jié)果與分析 119
7.3.1 檢索效果 119
7.3.2 大數(shù)據(jù)集上的檢索效果與比較 121
參考文獻 122
第8章 基于剪切波域線性回歸模型的紋理分類與檢索 124
8.1 基于剪切波域線性回歸模型的紋理分類 124
8.1.1 剪切波子帶依賴性的線性回歸建模 125
8.1.2 殘差分析和相似性度量 129
8.1.3 實驗結(jié)果與分析 131
8.2 基于剪切波域線性回歸模型和偽反饋的紋理檢索 134
8.2.1 思想與步驟 135
8.2.2 基于統(tǒng)計輪廓波子帶特征的預檢索 136
8.2.3 實驗結(jié)果與分析 138
參考文獻 140
第9章 基于非負多分辨表示的紋理圖像分類 141
9.1 小波子帶局部特征的增量相異直方圖 142
9.1.1 局部特征提取 142
9.1.2 增量相異直方圖 142
9.1.3 非負多分辨表示 144
9.2 海賽正則判別非負矩陣因子化 144
9.2.1 目標函數(shù) 145
9.2.2 更新規(guī)則 146
9.2.3 收斂分析 147
9.2.4 快速梯度下降 148
9.2.5 在紋理分類中的應(yīng)用 148
9.3 實驗結(jié)果與分析 149
9.3.1 分類性能 150
9.3.2 在更大數(shù)據(jù)集上的比較 152
9.3.3 計算花費 156
參考文獻 157
第10章 結(jié)論與展望 159
索引 162
彩圖