阿文德·雅达夫（Arvind R.Yadav）。;R.S.阿南德。;杜瓦尔，M.L。;桑吉塔·古普塔 基于DWT混合纹理特征提取技术的阔叶树种分类。 （英语） Zbl 1339.94015号 萨达纳 40，第8期，2287-2312（2015）. 摘要：本文采用基于离散小波变换（DWT）的混合纹理特征提取技术，将阔叶树种显微图像分为75类。最初，使用Daubechies（db3）小波作为分解滤波器，使用DWT将图像分解到7级。此外，还使用一阶统计量（FOS）和四种局部二进制模式（LBP）描述符来获取这些图像在不同层次上的不同特征。采用线性支持向量机（SVM）、径向基函数（RBF）核SVM和随机森林分类器进行分类。比较了使用各种分类器的最新和基于DWT的混合纹理特征获得的分类精度。基于DWT的FOS-均匀局部二值模式（DWTFOSLBP）纹理特征在图像分解的第四层产生了97.67（\pm）0.79%和98.40（\pm\）064%的最佳分类精度灰度和RGB图像分别使用线性SVM分类器。采用最小冗余最大相关（mRMR）特征选择方法对特征数据集进行约简，对于基于DWT的FOS-LBP直方图傅里叶特征（DWTFOSLBP-HF），其最佳分类精度分别为99.00\pm\0.79%和99.20\pm\0.42%该技术在第5级和第6级分别对灰度和RGB图像进行图像分解，使用线性SVM分类器。使用mRMR方法选择的DWTFOSLBP-HF特征也在基于DWT的混合纹理特征提取技术中确立了优势，该技术用于将数据库随机划分为不同比例的训练和测试数据集。 引用于1文件 MSC公司： 94A08型 信息与通信理论中的图像处理（压缩、重建等） 94A11号机组 正交函数和其他特殊函数的应用 68单位10 图像处理的计算方法 关键词：混合纹理特征;线性支持向量机;RBF核支持向量机;局部二进制模式;一阶统计量;离散小波变换 软件：伦敦银行支持向量机;LIBLINEAR银行 PDF格式BibTeX公司 XML格式引用 \textit{A.R.Yadav}等人，《萨达纳40》，第8期，第2287-2312页（2015年；Zbl 1339.94015） 全文： 内政部 链接 参考文献： [1] Ahmad A和Yusof R 2013蚂蚁聚类算法（ACA）在热带木材物种聚类和分类中的应用。载：《IEEE信号图像技术与基于互联网的系统国际会议论文集》，第720-725页 [2] Ahonen T，Matas J，He C和Pietikäinen M 2009使用局部二进制模式直方图傅立叶特征的旋转不变图像描述。《图像分析》，施普林格-柏林-海德堡出版社，第61-70页 [3] Ai F-F，Bin J，Zhang Z-M，Huang J-H，Wang J-B，Liang Y-Z，Yu L和Yang Z-Y 2014应用随机森林根据脂肪酸组成选择优质植物油。食品化学。143: 472-478 ·doi:10.1016/j.foodchem.2013.08.013 [4] Alexandre L A 2010性别识别：多尺度决策融合方法。模式识别器。莱特。31: 1422-1427 ·doi:10.1016/j.patrec.2010.02.010 [5] Baas P、Wheeler E和Gasson P 1989 IAWA硬木鉴定用显微镜特征列表。IAWA公牛。（NS）10:219-332·doi:10.1163/22941932-90000496 [6] Bond B 2002原产于田纳西州的硬木和软木树种的木材鉴定。田纳西大学农业推广服务·Zbl 1373.94493号 [7] Breiman L 2001随机森林。机器。学习。45: 5-32 ·Zbl 1007.68152号 ·doi:10.1023/A:1010933404324 [8] Bremananth R、Nithya B和Saipriya R 2009使用GLCM和相关性识别木材种类。摘自：IEEE通信和计算最新技术进展国际会议论文集，第615-619页 [9] Cavalin P R、Kapp M N、Martins J和Oliveira L E 2013森林物种识别的多特征向量框架。摘自：第28届ACM应用计算年会论文集，第16-20页 [10] Chandrashekar G和Sahin F 2014特征选择方法调查。计算。选举人。工程40（1）：16-28·doi:10.1016/j.compleceng.2013.11.024 [11] Chang C-C和Lin C-J 2011 LIBSVM：支持向量机库。ACM事务处理。智力。系统。Technol公司。（TIST）2（3）：27 [12] Chowdhury S、Sing J K、Basu D K和Nasipuri M 2011使用广义二维FLD方法和多类支持向量机进行人脸识别。申请。软计算。11: 4282-4292 ·doi:10.1016/j.asoc.2010.12.002 [13] Chu W-S，Huang C-R和Chen C-S 2013使用支持子空间从未对齐人脸图像进行性别分类。信息科学。221: 98-109 ·doi:10.1016/j.ins.2012.09.008 [14] Cortes C和Vapnik V 1995支持向量网络。机器。学习。20: 273-297 ·Zbl 0831.68098号 [15] Coussement K和Van den Poel D 2008年订阅服务中的流失预测：支持向量机的应用，同时比较两种参数选择技术。专家系统。申请。34(1): 313-327 ·doi:10.1016/j.eswa.2006.09.038 [16] Crammer K和Singer Y 2002关于多类问题输出代码的可学习性和设计。机器。学习。47（2-3）：201-233·Zbl 1012.68155号 ·doi:10.1023/A:1013637720281 [17] DiFranco M D、O’Hurley G、Kay E W、Watson R W G和Cunningham P 2011使用颜色纹理特征进行全滑前列腺癌概率映射的基于集成的系统。计算。医学成像图35（7）：629-645·doi:10.1016/j.compmedimag.2010.12.005 [18] Doshi N P和Schaefer G 2012旋转不变局部二元模式纹理分类。摘自：IEEE ELMAR会议记录，第71-74页 [19] Fan R E、Chang K W、Hsieh C J、Wang X R和Lin C J 2008 LIBLINEAR:大型线性分类库。J.马赫。学习。决议9:1871-1874·Zbl 1225.68175号 [20] 盖瑟S 1993预测推断。CRC压力机·Zbl 0824.62001号 [21] Gonzalez R C和Woods R E 2011数字图像处理。普伦蒂斯大厅第三版 [22] Haghighat M、Zonouz S和Abdel-Mottaleb M 2013使用加密生物特征识别。图像和图案的计算机分析，Springer，第440-448页 [23] Haralick R M、Shanmugam K和Dinstein I H 1973图像分类的纹理特征。IEEE传输。系统。人类网络。3(6): 610-621 ·doi:10.1109/TSMC.1973.4309314 [24] HeikkiläM、Pietikäinen M和Schmid C 2009使用本地二进制模式描述感兴趣区域。模式识别器。42(3): 425-436 ·Zbl 1181.68237号 ·doi:10.1016/j.patcog.2008.08.014 [25] Hermanson J C和Wiedenhoeft A C 2011在木材自动识别系统的背景下对机器视觉的简要回顾。IAWA期刊32（2）：233-250 [26] Huang D，Shan C，Ardabilian M，Wang Y和Chen L 2011局部二值模式及其在面部图像分析中的应用：一项调查。IEEE传输。系统。人类网络。C部分申请。版本41（6）：765-781·doi:10.1109/TSMCC.2011.2118750 [27] Jadhav D V和Holambe R S 2009使用Radon和小波变换进行特征提取，并应用于人脸识别。神经计算72（7）：1951-1959·Zbl 1267.11120号 ·doi:10.1016/j.neucom.2008.05.001 [28] Jaiantilal A 2010 randomforest-matlab v0.02http://code.google.com/p/randomforest-matlab/ [29] Kanan C和Cottrell G W 2012彩色到灰度：该方法在图像识别中重要吗？公共科学图书馆·综合7（1）：1e297401-7e29740 [30] Khairuddin A S M，Khalid M和Yusof R 2011使用两阶段分类改进热带木材物种识别系统。载：《第四届智能交互式多媒体系统与服务国际会议论文集》，第305-314页 [31] Khalid M、Lee E L Y、Yusof R和Nadaraj M 2008智能木材种类识别系统的设计。国际期刊模拟。系统。科学。Technol公司。9(3): 9-19 [32] Koenderink J J 1984图像结构。生物、网络。50(5): 363-370 ·Zbl 0537.92011号 ·doi:10.1007/BF000336961 [33] Liu M，Wang M，WangJ和Li D 2013电子舌数据分类中随机森林、支持向量机和反向传播神经网络的比较：应用于橙汁饮料和中国醋的识别。传感器执行器，B：化学。177: 970-980 ·doi:10.1016/j.snb.2012.11.071 [34] Livens S、Schenders P、Van de Wower G和Van Dyck D 1997纹理分析小波，概述。In:IET第六届国际图像处理及其应用会议记录第581-585页 [35] MäenpääT 2003纹理分析的局部二进制模式方法：扩展和应用。电子论文博士论文，美国大学学报C 187，http://herkules.oulu.fi/isbn9514270762/ [36] Mallat S G 1989多分辨率信号分解理论：小波表示。IEEE传输。模式分析。机器。智力。11(7): 674-693 ·Zbl 0709.94650号 ·数字对象标识代码：10.1109/34.192463 [37] Martins J、Oliveira L、Nisgoski S和Sabourin R 2013森林物种自动分类数据库。机器。愿景应用。24: 567-578 ·文件编号：10.1007/s00138-012-0417-5 [38] Nanni L、Lumini A和Brahnam S 2012年基于LBP的纹理描述符图像分类调查。专家系统。申请。39(3): 3634-3641 ·doi:10.1016/j.eswa.2011.09.054 [39] 基于局部二进制模式的Nasirzadeh M、Khazael A A和Khalid M 2010 Woods识别系统。在：IEEE第二届计算智能、通信系统和网络国际会议论文集，第308-313页·Zbl 1225.68175号 [40] Nikam S B和Agarwal S 2008小波能量特征和基于GLCM特征的指纹防滑。摘自：IEEE第二届小波分析和模式识别国际会议论文集，第717-723页 [41] Ojala T、Pietikainen M和Harwood D 1994基于分布的Kullback判别分类的纹理度量性能评估。摘自：IEEE第12届IAPR计算机视觉和图像处理国际会议记录，第582-585页 [42] Ojala T、Pietikäinen M和Harwood D，1996年，基于特征分布分类的纹理度量的比较研究。模式识别器。29(1): 51-59 ·doi:10.1016/0031-3203（95）00067-4 [43] Ojala T、Pietikainen M和Maenpaa T 2002使用局部二进制模式进行多分辨率灰度和旋转不变纹理分类。IEEE传输。模式分析。机器。智力。24(7): 971-987 ·doi:10.1109/TPAMI.2002.1017623 [44] Ojansivu V和HeikkiläJ 2008使用局部相位量化进行模糊不敏感纹理分类。图像和信号处理，Springer，第236-243页。 [45] Pan S和Kudo M 2012基于方向不敏感特征集的木材孔隙度识别。事务处理。机器。学习。数据挖掘5:45-62 [46] Paula Filho P L、Oliveira L S、Nisgoski S和Britto Jr A S 2014使用宏观图像进行森林物种识别。机器。愿景应用。25(4): 1019-1031 ·doi:10.1007/s00138-014-0592-7 [47] 彭H，龙F和丁C 2005基于最大相关性、最大相关性和最小冗余的互信息准则的特征选择。IEEE传输。模式分析。机器。智力。27(8): 1226-1238 ·doi:10.1109/TPAMI.2005.159 [48] Pietikäinen M、Ojala T和Xu Z 2000使用特征分布进行旋转不变纹理分类。模式识别器。33(1): 43-52 ·doi:10.1016/S0031-3203（99）00032-1 [49] Pietikäinen M、Hadid A、Zhao G和Ahonen T 2011使用本地二进制模式的计算机视觉。施普林格出版社 [50] Platt J C、Cristianini N和Shawe-Taylor J 1999用于多类分类的大边距DAG。NIPS 12:547-553 [51] Prasad A M、Iverson L R和Liaw A 2006年更新的分类和回归树技术：生态预测的袋装和随机森林。生态系统9（2）：181-199·doi:10.1007/s10021-005-0054-1 [52] Saeys Y、Inza I和Larrañaga P 2007生物信息学特征选择技术综述。生物信息学23（19）：2507-2517·doi:10.1093/bioinformatics/btm344 [53] Shan C、Gong S和McOwan P W 2009基于局部二进制模式的面部表情识别：一项综合研究。图像视觉计算。27: 803-816 ·doi:10.1016/j.imavis.2008.08.005 [54] Sripath D 2003使用FPGA高效实现离散小波变换。电子论文，佛罗里达州立大学理学硕士rsity网址：http://diginole.lib.fsu.edu/etd/1599 [55] Soh L K和Tsatsoulis C 1999使用灰度共生矩阵对SAR海冰图像进行纹理分析。IEEE传输。地质科学。遥感器37（2）：780-795·doi:10.1109/36.752194 [56] Tou J Y、Lau P Y和Tay Y H 2007基于计算机视觉的木材识别系统。摘自：高级图像技术国际研讨会论文集 [57] Tou J Y、Tay Y H和Lau P Y 2009通过木材种类验证进行旋转不变木材种类识别。摘自：IEEE智能信息和数据库系统国际会议记录，第115-120页·Zbl 1373.94493号 [58] Uppuluri A 2010 GLCM_功能4http://in.mathworks.com/matlabcentral/fileexchange/22354/ [59] Wang J Z、Wiederhold G、Firschein O和Wei S X 1998使用Daubechies小波进行基于内容的图像索引和搜索。国际数字图书馆期刊1：311-328·doi:10.1007/s007990050026 [60] Wang B H，Wang H J和Qi H N 2010基于灰度共生矩阵的木材识别。摘自：IEEE计算机应用和系统建模国际会议论文集，第V1-269-272页 [61] Wang H J，Qi H N和Wang X F 2012基于gabor熵的木材识别新方法。《人工智能方面的高级智能计算理论和应用》，斯普林格出版社，第435-440页 [62] Wang H J，Zhang G Q和Qi H N 2013使用图像纹理特征进行木材识别。公共服务热线8:e76101·doi:10.1371/journal.pone.0076101 [63] 惠勒E A和Baas P 1998木材鉴定：综述。IAWA Jl.公司。（NS）19:241-264·doi:10.1163/22941932-90001528 [64] Yadav A R、Dewal M、Anand R和Gupta S 2013使用ANN分类器对硬木物种进行分类。摘自：IEEE计算机视觉、模式识别、图像处理和图形国际会议论文集，第1-5页 [65] Yadav A R、Anand R、Dewal M和Gupta S 2014基于Coiflet DWT特征提取和WEKA工作台的硬木物种分析和分类。摘自：IEEE信号处理和集成网络国际会议记录，第9-13页 [66] Yaghouby F和Ayatollahi A 2010基于心率变异信号的选定特征和基于支持向量机的分类器的心律失常分类方法。世界医学物理和生物医学工程大会，德国慕尼黑，施普林格，pp.1928-1931 [67] You M和Cai C 2009基于PCA、2DPCA、（2D）2PCA和LDA的木材分类。摘自：IEEE第二届知识获取和建模国际研讨会论文集，第371-374页·Zbl 1007.68152号 [68] Yuan G-X，Ho C-H和Lin C-J 2012大规模线性分类的最新进展。收录：IEEE 100（9）会议录：2584-2603 [69] Yusof R、Rosli N R和Khalid M 2010使用Gabor滤波器作为热带木材物种识别系统的图像乘法器。载：《IEEE第12届国际计算机建模与仿真会议论文集》，第289-294页 [70] Yusof R、Khalid M和Khairuddin A S M 2013a核遗传算法作为非线性特征选择在热带树种识别系统中的应用。计算。电子。农业。93分：68比77·doi:10.1016/j.compag.2013.01.007 [71] Yusof R、Khalid M和Khairuddin A S M 2013b基于模糊逻辑的热带树种识别系统预分类器。机器。愿景应用。24: 1589-1604 ·doi:10.1007/s00138-013-0526-9 [72] Zhao G、Ahonen T、Matas J和Pietikainen M 2012使用局部二进制模式特征的旋转不变图像和视频描述。IEEE传输。图像处理21（4）：1465-1477·Zbl 1373.94493号 ·doi:10.1109/TIP.2011.2175739 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。