توضیحات
شبیه سازی استخراج ویژگی بافت از GLCM در متلب
در این پروژه شبیه سازی استخراج ویژگی بافت از GLCM در متلب انجام شده است. این پروژه ویژگی های بافت را از GLCM های ورودی محاسبه می کند.
GLCM ها در یک ماتریس i x j x n ذخیره می شوند، که در آن n تعداد GLCM هایی است که معمولاً به دلیل جهت گیری و جابجایی های مختلف استفاده شده در الگوریتم محاسبه می شود. معمولاً مقادیر i و j برابر با پارامتر ‘NumLevels’ تابع محاسباتی GLCM است. توجه داشته باشید که مقادیر کوانتیزاسیون متلب به مجموعه {۱,…, NumLevels} تعلق دارد و نه از {۰,…,(NumLevels-1)} همانطور که در برخی مراجع ارائه شده است.
اگرچه یک تابع graycoprops() در جعبه ابزار پردازش تصویر متلب وجود دارد که چهار پارامتر Contrast، Correlation، Energy و Homogeneity را محاسبه می کند، مقاله Haralick چند پارامتر دیگر را پیشنهاد می کند که در اینجا نیز محاسبه می شوند. این کد برداری نیست و از این رو پیاده سازی کارآمدی به نظر نمیرسد، اما اضافه کردن ویژگی های جدید بر اساس GLCM با استفاده از این کد آسان است. این کد از glcms سه بعدی مراقبت می کند (چند glcms در یک آرایه سه بعدی).
برای اجرای این پروژه فقط کافی است فایل demo را ران کنید.
منابع:
۱٫ R. M. Haralick, K. Shanmugam, and I. Dinstein, Textural Features of Image Classification, IEEE Transactions on Systems, Man and Cybernetics, vol. SMC-3, no. 6, Nov. 1973
۲٫ L. Soh and C. Tsatsoulis, Texture Analysis of SAR Sea Ice Imagery Using Gray Level Co-Occurrence Matrices, IEEE Transactions on Geoscience and Remote Sensing, vol. 37, no. 2, March 1999.
۳٫ D A. Clausi, An analysis of co-occurrence texture statistics as a function of grey level quantization, Can. J. Remote Sensing, vol. 28, no.1, pp. 45-62, 2002
شبیه سازی استخراج ویژگی بافت از GLCM در متلب
توسط متخصصان گروه پروماد انجام شده است.فایلهای نرم افزاری پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.