Nilsback and Zisserman [2] noted th

Nilsback and Zisserman [2] noted that color and shape are the major features in flower classification. This is true only
when the flower classes considered have little intra-class variation. However, if there is a large variation within a class,
for example where species of the same type have different colors, then color may not be the best suitable feature. Hence,
in this work, we investigate the suitability of texture features in designing a system for flower classification. The flower
is segmented using a threshold-based method, and texture features, namely the color texture moments (CTMs), gray level
co-occurrence matrix (GLCM), and Gabor responses, are extracted from the segmented image and used for classification. In
considering the color texture moments, we extract moments from different color spaces of the flower images. In the gray
level co-occurrence matrix, features such as contrast, energy, entropy, correlation, and homogeneity are taken into account.
In the Gabor analysis, we have extracted the first three moments of each of the Gabor responses obtained for different scales
and orientations. These features are used for training and classification using a probabilistic neural network.

ผลลัพธ์ (ไทย) 1:

Nilsback และ Zisserman [2] กล่าวว่า สีและรูปร่างเป็นคุณสมบัติที่สำคัญในการจัดประเภทของดอกไม้ นี้เป็นจริงเท่านั้นเมื่อเรียนดอกไม้ถือว่า มีความแปรปรวนเล็กน้อยภายในคลาส อย่างไรก็ตาม ถ้ามีการเปลี่ยนแปลงขนาดใหญ่ในชั้นเรียนตัวอย่าง ที่พันธุ์ชนิดเดียวกันมีสีแตกต่างกัน แล้วสีไม่ได้คุณลักษณะเหมาะสุด ดังนั้นในงานนี้ เราตรวจสอบความเหมาะสมของเนื้อในการออกแบบระบบการจัดดอกไม้ ดอกไม้จะถูกแบ่งเป็นช่วงโดยใช้วิธีตามขีดจำกัด และลักษณะพื้นผิว ได้แก่สีเนื้อช่วง (CTMs), ระดับสีเทาเมตริกซ์เกิดร่วม (GLCM), กาบอร์ตอบ สกัดจากภาพแบ่งส่วน และใช้สำหรับการจัดประเภท ในพิจารณาช่วงเวลาสีเนื้อ เราแยกช่วงเวลาจากช่องสีต่าง ๆ รูปดอกไม้ เป็นสีเทาเกิดร่วมระดับเมตริกซ์ คุณลักษณะเช่นความคมชัด พลังงาน เอนโทรปี ความสัมพันธ์ และ homogeneity จะนำมาพิจารณาในการวิเคราะห์กาบอร์ เราได้สกัดช่วงแรกสามของแต่ละการกาบอร์ได้ระดับที่แตกต่างกันและแนว คุณลักษณะเหล่านี้จะใช้สำหรับการฝึกอบรมและการจัดประเภทการใช้เครือข่ายประสาท probabilistic

ผลลัพธ์ (ไทย) 2:

Nilsback และ Zisserman [2] ตั้งข้อสังเกตว่าสีและรูปร่างเป็นคุณสมบัติที่สำคัญในการจัดหมวดหมู่ดอกไม้ นี่คือความจริงเท่านั้น
เมื่อเรียนดอกไม้ถือว่ามีการเปลี่ยนแปลงภายในระดับเล็ก ๆ น้อย ๆ แต่ถ้ามีการเปลี่ยนแปลงขนาดใหญ่ที่อยู่ในชั้นเรียน
เช่นที่สายพันธุ์ของชนิดเดียวกันมีสีที่แตกต่างกันแล้วสีอาจจะไม่เป็นคุณลักษณะที่เหมาะสมที่สุด ดังนั้น
ในงานนี้เราจะตรวจสอบความเหมาะสมของคุณสมบัติพื้นผิวในการออกแบบระบบการจัดดอกไม้ ดอกไม้
จะแบ่งโดยใช้วิธีการตามเกณฑ์และคุณสมบัติเนื้อคือช่วงเวลาที่เนื้อสี (CTMS) ระดับสีเทา
เมทริกซ์ร่วมเกิดขึ้น (GLCM) และการตอบสนอง Gabor, ที่สกัดจากภาพที่แบ่งกลุ่มและใช้สำหรับการจัดหมวดหมู่ ใน
ช่วงเวลาที่พิจารณาเนื้อสีที่เราดึงมาจากช่วงเวลาที่พื้นที่สีที่แตกต่างของภาพดอกไม้ สีเทา
ระดับเมทริกซ์ร่วมการเกิดลักษณะเช่นตรงกันข้ามพลังงานเอนโทรปีของความสัมพันธ์และความเป็นเนื้อเดียวกันถูกนำเข้าบัญชี.
ในการวิเคราะห์ Gabor เราได้สกัดครั้งแรกที่สามช่วงเวลาของแต่ละการตอบสนอง Gabor ได้รับสำหรับเครื่องชั่งน้ำหนักที่แตกต่างกัน
และ การหมุน คุณสมบัติเหล่านี้ถูกนำมาใช้สำหรับการฝึกอบรมและการจำแนกโดยใช้เครือข่ายประสาทความน่าจะเป็น

ผลลัพธ์ (ไทย) 3:

nilsback zisserman [ 2 ] และสังเกตสีและรูปร่างที่เป็นคุณสมบัติที่สำคัญในการจัดดอกไม้ นี้เป็นจริงเพียง
เมื่อดอกไม้เรียนถือว่าน้อยภายในห้องต่างๆ อย่างไรก็ตาม หากมีการเปลี่ยนแปลงขนาดใหญ่ในคลาส
ตัวอย่างเช่นที่ชนิดของชนิดเดียวกันสีแล้วสีอาจเป็นคุณลักษณะที่เหมาะสมที่สุด ดังนั้น
ในงานนี้เราตรวจสอบความเหมาะสมของลักษณะพื้นผิวในการออกแบบระบบการจัดดอกไม้ ดอกไม้
เป็นแบ่งโดยใช้เกณฑ์ วิธีการที่ใช้ และลักษณะเนื้อ คือ เนื้อสี ช่วงเวลา ( ctms ) , สีเทา (
การเมทริกซ์ ( glcm ) และการตอบสนอง กาบอร์ , สารสกัดจากภาพแบ่งและใช้ในการจำแนก ใน
พิจารณาสีพื้นผิวช่วงเวลาเราแยกช่วงเวลาจากสีอื่นเป็นของดอกไม้ภาพ ในสีเทา
ระดับการเมทริกซ์คุณสมบัติเช่นความคมชัด , พลังงาน , ค่าสหสัมพันธ์และความสม่ำเสมอจะเข้าบัญชี .
ในการวิเคราะห์ กาบอร์ เรามีสามวินาทีแรกของ กาบอร์ ตอบสนองได้สำหรับ
ระดับต่างๆ และการอบรมสกัดคุณสมบัติเหล่านี้จะใช้สำหรับการฝึกและการจำแนกโดยใช้โครงข่ายประสาทเทียม