Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Khôi phục hình ảnh dựa trên mẫu sử dụng ma trận đồng xuất mức xám (GLCM)
Tóm tắt
Ma trận đồng xuất mức xám (GLCM) là một trong những kỹ thuật cổ điển nhất được sử dụng để phân tích kết cấu. Nó có hai tham số quan trọng, đó là khoảng cách và hướng. Trong bài báo này, các tổ hợp khác nhau của khoảng cách và các góc hướng được sử dụng để tính toán GLCM được phân tích nhằm nhận diện các hình ảnh có mẫu nhất định dựa trên các đặc điểm kết cấu của chúng. Trong phương pháp đề xuất, công việc được chia thành hai mô-đun: xác định mẫu của hình ảnh và lấy mẫu từ tập dữ liệu. Các mẫu được xem xét trong bài báo này bao gồm: sọc ngang, sọc dọc, sọc chéo bên phải và bên trái, bàn cờ và các hình ảnh khác. Để nhận diện mẫu, phương pháp đề xuất đã đạt được tỷ lệ chính xác lần lượt là 96, 98, 96, 90, 96 và 94 đối với các mẫu sọc ngang, sọc dọc, sọc chéo bên phải và bên trái, bàn cờ và các mẫu không đồng nhất khác (không hoàn toàn là sọc). Phương pháp đề xuất có thể được thực hiện một cách thực tiễn trong ngành thời trang nhằm lọc kết quả tìm kiếm theo mẫu của vải.
Từ khóa
#ma trận đồng xuất mức xám #GLCM #phân tích kết cấu #nhận diện mẫu #công nghiệp thời trangTài liệu tham khảo
Khatra A (2013) Content based image retrieval using texture image. IJSER 1:39–41
Guru DS, Sharath YH, Manjunath S (2010) Texture features and KNN in classification of flower images. IJCA Spec Issue RTIPPR 1:21–29
Srivastava D, Rajitha B, Agarwal S (2017) An efficient image classification using bag-of-words based on SURF and texture features. In: 14th IEEE conference on INDICON, IIT Roorkee (presented)
Nailon WH (2010) Texture analysis methods for medical image characterization. INTECH Open Access Publisher, London
Hall-Beyer M (2008) The GLCM texture tutorial [online]. http://www.fp.ucalgary.ca/mhallbey/tutorial.htm
Niblack W et al (1993) The QBIC project: querying images by content using color, texture, and shape. In: Proceedings of SPIE, San Jose, CA, vol 1908, pp 173–187
Srivastava D, Goel S, Agarwal S (2014) Pipelined technique for image retrieval using texture and color. In: Proceedings of 4th international conference on power, control and embedded systems. IEEE, MNNIT Allahabad
Manjunath BS, Ma W-Y (1996) Texture features for browsing and retrieval of image data. IEEE Trans Pattern Anal Mach Intell 18(8):837–842
Zhang D et al (2000) Content based image retrieval using Gabor texture features. In: Proceedings of 1st IEEE Pacific Rim conference on multimedia (PCM’00), pp. 392–395
Takala V, Ahonen T, Pietikinen M (2005) Block-based methods for image retrieval using local binary patterns. In: Scandinavian conference on image analysis. Springer, Berlin, Heidelberg
Partio M et al (2002) Rock texture retrieval using gray level co-occurrence matrix. In: Proceedings of 5th Nordic signal processing symposium, vol 75
Haralick RM, Shanmugam K, Dinstein I (1973) Textural features for image classification. IEEE Trans Syst Man Cybern SMC 3(6):610–621
Haralick RM, Shapiro LG (1992) Computer and robot vision, vol 1, 1st edn. Addison-Wesley Longman Publishing Co., Boston, p 459
Mathworks Matlab [Online]. http://in.mathworks.com/help/images/ref/graycoprops.html
Gebejes A, Huertas R (2013) Texture characterization based on grey-level co-occurrence matrix. In: Proceedings in conference of informatics and management sciences, vol 2
Hu Y, Zhao CX, Wang HN (2008) Directional analysis of texture images using gray level co-occurrence matrix. In: Pacific-Asia workshop on computational intelligence and industrial application, Wuhan, 2008. IEEE, pp 277–281
Cimpoi M, Maji S, Kokkinos I, Mohamed S, Vedaldi A (2014) Describing textures in the wild. In: Proceedings of IEEE conference on computer vision and pattern recognition (CVPR)
http://www2.cs.uregina.ca/dbd/cs831/notes/confusionmatrix/confusionmatrix.html
Pawening RE et al (2015) Classification of textile image using support vector machine with textural feature. In: International conference on information and communication technology and systems (ICTS), 2015. IEEE
Susithra K, Sujaritha M (2016) Clothing pattern recognition based on local and global features. Int J Sci Eng Res 7(3):106–110
Loke KS (2017) Automatic recognition of clothes pattern and motifs empowering online fashion shopping. In: IEEE international conference on consumer electronics-Taiwan (ICCE-TW), 2017. IEEE