Second-order statistical methods in

Second-order statistical methods include graylevel co-occurrence matrices (GLCM) (Haralick
et al., 1973) and gray-level run-length matrices (Dasarathy and Holter, 1991). Haralick et al.
(1973) proposed a set of 14 features calculated from a co-occurrence matrix, whose elements represent estimates of the probability of transitions from one gray level to another in a given direction at a given inter-pixel distance. The features derived from GLCM include contrast, entropy, angular
second moment, sum average, sum variance and measures of correlation. Parkkinen and Oja
(1990) showed thatGLCM can be applied on different inter-pixel distances to reveal periodicity in the
texture. However, there is an inherent problem to choose the optimal inter-pixel distance in a given
situation. Also, the GLCM method, in general, is not efficient since a new co-occurrence matrix needs
to be calculated for every selected angle and interpixel distance. However, all these feature extraction
methods increase the computational time of the classification process (Haering and Lobo, 1999).

ผลลัพธ์ (ไทย) 1:

วิธีการทางสถิติสองสั่งรวมเมทริกซ์เกิดร่วม graylevel (GLCM) (Haralicket al. 1973) และระดับสีเทายาวเรียกเมทริกซ์ (Dasarathy และ Holter, 1991) Haralick et al(1973) นำเสนอชุดของคุณลักษณะที่ 14 คำนวณเมทริกซ์เกิดร่วม ที่มีองค์ประกอบแสดงค่าประมาณของความน่าเป็นของการเปลี่ยนจากระดับสีเทาที่หนึ่งไปยังอีกในทิศทางที่กำหนดที่ระยะห่างระหว่างเซลกำหนด คุณสมบัติที่ได้มาจาก GLCM รวมถึงความคมชัด เอนโทรปี เชิงมุมช่วงเวลาสอง รวมเฉลี่ย ผลต่าง และมาตรการของความสัมพันธ์ Parkkinen และ Oja(1990) พบว่า thatGLCM จะสามารถใช้กับระยะทางระหว่างพิกเซลแตกต่างกันเพื่อแสดงระยะเวลาในการทำการเนื้อ อย่างไรก็ตาม ไม่มีปัญหาโดยการเลือกระยะห่างระหว่างเซลที่ดีที่สุดในการกำหนดสถานการณ์ นอกจากนี้ วิธี GLCM ทั่วไป ไม่มีประสิทธิภาพเนื่องจากต้องอาศัยเกิดร่วมใหม่ที่จะคำนวณสำหรับเลือกมุมและระยะทาง interpixel อย่างไรก็ตาม นี้การดึงวิธีเพิ่มเวลาการคำนวณของกระบวนการจัดประเภท (Haering และ Lobo, 1999)

ผลลัพธ์ (ไทย) 2:

ประการที่สองการสั่งซื้อวิธีการทางสถิติ ได้แก่ graylevel การฝึกอบรมร่วมที่เกิดขึ้น (GLCM) (Haralick
et al., 1973) และสีเทาระดับการฝึกอบรมการทำงานที่มีความยาว (Dasarathy และ Holter, 1991) Haralick et al.
(1973) ได้เสนอชุดของ 14 คุณสมบัติที่คำนวณได้จากเมทริกซ์ร่วมที่เกิดขึ้นซึ่งมีองค์ประกอบที่เป็นตัวแทนของประมาณการของความน่าจะเป็นของการเปลี่ยนจากระดับสีเทาหนึ่งไปยังอีกในทิศทางที่กำหนดที่ระยะห่างระหว่างพิกเซลที่กำหนด คุณสมบัติที่ได้มาจาก GLCM ได้แก่ ตรงกันข้ามเอนโทรปีเชิงมุม
ขณะที่สองรวมเฉลี่ยรวมแปรปรวนและมาตรการความสัมพันธ์ Parkkinen และ Oja
(1990) แสดงให้เห็น thatGLCM สามารถนำมาใช้ในระยะห่างระหว่างพิกเซลที่แตกต่างกันที่จะเปิดเผยระยะเวลาใน
เนื้อ แต่มีปัญหาที่เกิดขึ้นโดยธรรมชาติเพื่อเลือกระยะทางระหว่างพิกเซลที่ดีที่สุดในการรับ
สถานการณ์ นอกจากนี้วิธีการ GLCM โดยทั่วไปไม่ได้มีประสิทธิภาพตั้งแต่เมทริกซ์ใหม่ร่วมเกิดความต้องการที่
จะนำไปคำนวณเพื่อให้ได้มุมที่เลือกทุก interpixel และระยะทาง แต่ทั้งหมดเหล่านี้มีการสกัด
วิธีการเพิ่มเวลาในการคำนวณของกระบวนการการจัดหมวดหมู่ (Haering และ Lobo, 1999)

ผลลัพธ์ (ไทย) 3:

อันดับ graylevel สถิติรวมถึงการเมทริกซ์ ( glcm ) ( haralicket al . , 1973 ) และระดับสีเทาความยาวเมทริกซ์ ( dasarathy และ holter , 1991 ) haralick et al .( 1973 ) เสนอชุดของ 14 คุณสมบัติจากการคำนวณเมทริกซ์ที่มีองค์ประกอบของการประเมินความน่าจะเป็นของการเปลี่ยนจากสีเทาระดับอื่นที่ระบุในทิศทางที่ได้รับระหว่างพิกเซลระยะทาง คุณสมบัติที่ได้จาก glcm รวมถึงความคมชัด , เอนโทรปี , เชิงมุมช่วงเวลาที่สองผลรวมค่าเฉลี่ย ความแปรปรวนรวมและมาตรการ ) oja parkkinen และ( 1990 ) พบ thatglcm สามารถใช้ในที่แตกต่างกันระหว่างระยะทางของพิกเซลที่จะเปิดเผยกำหนดออกในพื้นผิว อย่างไรก็ตาม มีปัญหาในการเลือกที่ดีที่สุดระหว่างระยะทางที่ระบุในพิกเซลสถานการณ์ นอกจากนี้ glcm วิธีทั่วไปไม่มีประสิทธิภาพเนื่องจากความต้องการเมทริกซ์การใหม่จะสามารถเลือก interpixel ทุกมุมและระยะทาง อย่างไรก็ตาม การสกัดคุณลักษณะเหล่านี้ทั้งหมดวิธีเพิ่มเวลาที่ใช้ในการคำนวณของกระบวนการหมวดหมู่ ( ฮอเออริ่ง และ โลโบ , 1999 )