Color texture classification plays

Color texture classification plays an important role in real world computer-vision applications, where the images are acquired under different ambient illuminations. The current work tests different normalization algorithms to achieve illuminance invariance, combined with different color spaces, and different color and texture features. We also compare the integrative and parallel color texture classification approaches on the 6 most popular public color texture datasets. The experiments outlined illustrate that parallel approaches are superior to integrative approaches for color texture classification. For parallel approaches, the best options use different color spaces and normalization to compute the intensity texture and pure color features: specifically, the illuminance–chrominance color spaces (Lab or Lab2) combined with Local Binary Patterns (vector MLBP) and normalization RGBcb to compute the intensity texture features, and the color space RGB combined with First Order Statistics (FOS) and normalization Lmax to compute pure color features. For integrative approaches, the luminance–chrominance color spaces (Lab and Lab2) combined with wavelet texture features and normalization RGBib achieve the best performance. Regarding computational efficiency, the
parallel vectors are also faster than the integrative vectors.
The behavior in relation to texture features depends of the type of approach used to compute the color texture features. Hence, the features based on Local Binary Patterns are the best among parallel approaches, which compute texture features on a intensity version of the color image, while the wavelet family features provide the best results for integrative approaches. The good results of MLBP and wavelet feature vectors are due to their ability to capture efficiently the local spatial relation defined by a texture and to discriminate between different relations. Gabor filters provide intermediate results for both approaches, and fractal features work very bad in both cases. From the elapsed time viewpoint, MLBP and Daub4 are relatively fast, only four times slower than the fastest method (LBP, which works bad), while Gabor filter are twenty six times slower. In relation to pure color features, the discrimination power of FOS (First Order Statistics) is superior to the features based on histograms (Table 2). When the pure color features are used in parallel approaches, a paired T-Test shows that FOS is significantly better than the histogram features. The elapsed time of FOS vector is in intermediate, much faster than JCHXX and slower than CCHXX and CHPXX.
Regarding the normalization of a color image before transforming to other color space, the color balance (RGBcb) in the parallel approach and the intensity balance (RGBib) in the integrative approach seem to be superior to other normalizations, although the differences with respect to absence of normalization are not statistically significant, and they are the slowest ones. Nevertheless, this results might be due to the fact that the datasets are acquired under very controlled conditions (Outex, ALOT and CUReT datasets) or maximizing contrast (VisTex and USPTex), so that the training set contains samples with the same, or very close, acquisition conditions as the test set. Hence, for dataset Outex14, where the training set do not contain images with the illuminance of testing test, the normalization increases the accuracy nearly 5 points for intensity texture classification for all color spaces, from 4.4 up to 31.9 points for pure color and more than 16 points for color texture classification and all color spaces (see the last column in Tables 1 and 6).
Although the classification was developed using a 1-Nearest Neighbor classifier, the conclusions of our study have been confirmed by further experiments using a Random Forest classifier. Among learning methods, VZ-PATCH gives the best results on the four smallest datasets (see Section 4.2) for intensity texture classification, but its high computational cost avoided its application to the four bigger datasets. However, for color image classification (see Section 4.10) the direct methods achieve better performance than learning methods on gray level images with much lower computational cost.
A future research should: (1) develop further insights into the application of learning methods for color texture images; (2) study the influence of normalization on ill-defined problems, underexposed, overexposed, different illuminance, scales and view angles images, without incorporating similar samples in the training set; (3) analyze the influence of the “clipping” percentage (5% of pixels in this work) in normalization methods RGBcb and RGBib, which gave the best results; and (4) extend this comparison applying convolutional neural networks for image classification.

ผลลัพธ์ (ไทย) 1:

การจำแนกสีเนื้อมีบทบาทสำคัญในการใช้งานจริงคอมพิวเตอร์วิทัศน์ ซึ่งภาพที่ได้มาภายใต้แสงไฟโดยรอบแตกต่างกัน การทำงานปัจจุบันทดสอบอัลกอริทึมฟื้นฟูแตกต่างกันเพื่อให้บรรลุความสว่าง invariance รวมกับพื้นที่สีที่แตกต่าง และคุณสมบัติที่แตกต่างของสีและพื้นผิว นอกจากนี้เรายังเปรียบเทียบวิธีการจัดประเภทเนื้อสีที่ผสมผสาน และขนานบนชุดข้อมูล 6 แห่งสาธารณะสีเนื้อ การทดลองที่ระบุไว้แสดงว่า วิธีขนานเป็นแนวทางบูรณาการจำแนกเนื้อสีดีกว่า สำหรับวิธีแบบขนาน ตัวเลือกที่ดีที่สุดใช้พื้นที่สีต่าง ๆ และฟื้นฟูในการคำนวณความเข้มพื้นผิวและคุณสมบัติของสีบริสุทธิ์: โดยเฉพาะ พื้นที่สีสว่าง – chrominance (แล็บหรือ Lab2) ร่วมกับท้องถิ่นรูปแบบไบนารี (เวกเตอร์ MLBP) และฟื้นฟู RGBcb คำนวณคุณสมบัติเนื้อเข้ม และพื้นที่สี RGB รวมกับสถิติลำดับแรก (FOS) และฟื้นฟู Lmax จะคำนวณคุณสมบัติสีที่บริสุทธิ์ สำหรับแนวทางบูรณาการ สว่าง – chrominance สีช่องว่าง (ห้องปฏิบัติการและ Lab2) รวมกับคุณสมบัติเนื้อเดียวและฟื้นฟู RGBib บรรลุประสิทธิภาพสูงสุด เกี่ยวกับการคำนวณประสิทธิภาพ การยังเร็วกว่าบูรณาการเวกเตอร์เวกเตอร์ขนานไว้ลักษณะการทำงานสัมพันธ์กับคุณลักษณะเนื้อขึ้นกับชนิดของวิธีการที่ใช้ในการคำนวณคุณสมบัติของเนื้อสี ด้วยเหตุนี้ คุณสมบัติตามรูปแบบไบนารีในท้องถิ่นที่ดีสุดในบรรดาวิธีการขนาน ซึ่งคำนวณคุณสมบัติเนื้อบนรุ่นความเข้มของภาพสี ในขณะเดียวการ คุณลักษณะครอบครัวให้ผลลัพธ์ที่ดีสุดสำหรับแนวทางบูรณาการ ผลดีของคุณลักษณะ MLBP และเดียวเวกเตอร์เนื่องจากความสามารถในการจับภาพได้อย่างมีประสิทธิภาพเป็นความสัมพันธ์เชิงพื้นที่ท้องถิ่นกำหนด โดยให้เนื้อสัมผัส และ การแยกแยะระหว่างความสัมพันธ์ที่แตกต่างกัน Gabor กรองผลลัพธ์ที่ระดับกลางให้ทั้งสองวิธี เศษส่วนคุณสมบัติ และทำงานดีมากในทั้งสองกรณี จากจุดชมวิวเวลา MLBP และ Daub4 จะค่อนข้างรวดเร็ว เพียงสี่ครั้งช้ากว่าวิธีที่เร็วที่สุด (แอลบีพี ที่ทำงานไม่ดี), ในขณะที่กรอง Gabor จะยี่สิบหกครั้งช้า สัมพันธ์กับคุณสมบัติสีบริสุทธิ์ อำนาจแบ่งแยกของ FOS (สถิติใบสั่งครั้งแรก) จะดีกว่าคุณสมบัติอิงฮิสโตแกรม (ตาราง 2) เมื่อใช้คุณสมบัติสีที่บริสุทธิ์ในแนวขนาน T-ทดสอบการจับคู่แสดงว่า FOS เป็นอย่างดีกว่าคุณสมบัติฮิสโตแกรม เวลาที่ผ่านไปของเวกเตอร์ FOS อยู่ในระดับปานกลาง เร็วกว่า JCHXX และช้ากว่า CCHXX และ CHPXXเกี่ยวกับการฟื้นฟูของภาพสีก่อนการเปลี่ยนแปลงสู่พื้นที่อื่น ๆ สี สมดุลสี (RGBcb) ในแนวขนานและดุลความเข้ม (RGBib) ในวิธีบูรณาการดูเหมือนจะเหนือกว่า normalizations อื่น ๆ แม้ว่าความแตกต่างเกี่ยวกับการขาดการปรับสภาพไม่มีนัยสำคัญทางสถิติ และพวกเขาก็คือช้าที่สุด อย่างไรก็ตาม นี้อาจจะเนื่องจากความจริงที่ว่าชุดข้อมูลได้มาภายใต้สภาพควบคุมมาก (Outex, ALOT และ CUReT datasets) หรือเพิ่มความคมชัด (VisTex และ USPTex), เพื่อให้ชุดการฝึกอบรมประกอบด้วยตัวอย่างเดียวกัน หรือใกล้ชิด การตั้งค่าเงื่อนไขการซื้อเป็นการทดสอบ ดังนั้น สำหรับชุดข้อมูลที่การตั้งค่าของการฝึกอบรม Outex14 ไม่ประกอบด้วยภาพ มีความสว่างของการทดสอบการทดสอบ การฟื้นฟูเพิ่มความแม่นยำเกือบ 5 คะแนนสำหรับการจำแนกเนื้อความเข้มสำหรับพื้นที่สีทั้งหมด จาก 4.4 ถึง 31.9 คะแนนสำหรับสีที่บริสุทธิ์ และมากกว่า 16 คะแนนสำหรับการจำแนกสีเนื้อและสีทั้งหมดพื้นที่ (ดูคอลัมน์สุดท้ายในตารางที่ 1 และ 6)แม้ว่าการจัดประเภทที่ถูกพัฒนาโดยใช้เป็น 1 ใกล้บ้านลักษณนาม ได้รับการยืนยันข้อสรุปของการศึกษาของเรา โดยใช้ลักษณนามที่ป่าสุ่มทดลองเพิ่มเติม ระหว่างวิธีการเรียนรู้ VZ แพทช์ให้ผลลัพธ์ที่ดีสุดในชุดข้อมูลที่เล็กที่สุดที่สี่ (ดูส่วนที่ 4.2) สำหรับการจำแนกเนื้อความเข้ม แต่สูงคำนวณต้นทุนหลีกเลี่ยงการใช้งานไป datasets ใหญ่สี่ อย่างไรก็ตาม สำหรับการจัดประเภทภาพสี (ดูส่วน 4.10) วิธีการโดยตรงบรรลุประสิทธิภาพที่ดีกว่าเรียนรู้วิธีบนสีเทาระดับภาพด้วยต้นทุนที่คำนวณต่ำกว่ามากการวิจัยในอนาคตควร: (1) พัฒนาต่อไปเป็นการประยุกต์การเรียนรู้วิธีสำหรับภาพสีเนื้อ (2) ศึกษาอิทธิพลของการฟื้นฟูจากปัญหา ill-defined เกิด สว่างสว่างเกินไป แตกต่าง เครื่องชั่งน้ำหนัก และดูมุม ภาพ โดยผสมผสานคล้ายตัวอย่างในการฝึกอบรม ตั้ง (3) วิเคราะห์อิทธิพลของ "รูปวาด" เปอร์เซ็นต์ (5% ของพิกเซลในงานนี้) ในวิธีการฟื้นฟู RGBcb และ RGBib ซึ่งทำให้ผลลัพธ์ที่ดีสุด และ (4) ขยายการเปรียบเทียบนี้ใช้เครือข่ายประสาทสลับลำดับข้อมูลการจัดภาพ

ผลลัพธ์ (ไทย) 2:

การจำแนกประเภทเนื้อสีมีบทบาทสำคัญในโลกแห่งความจริงการใช้งานคอมพิวเตอร์วิสัยทัศน์ที่ภาพจะได้มาตาม illuminations แวดล้อมที่แตกต่างกัน การทำงานในปัจจุบันการทดสอบขั้นตอนวิธีการฟื้นฟูที่แตกต่างกันเพื่อให้เกิดการแปรเปลี่ยนความสว่างรวมกับพื้นที่สีที่แตกต่างกันและสีและพื้นผิวคุณสมบัติแตกต่างกัน นอกจากนี้เรายังเปรียบเทียบการจำแนกประเภทเนื้อสีแบบบูรณาการและแนวทางในการขนาน 6 ที่นิยมมากที่สุดชุดข้อมูลพื้นผิวสีสาธารณะ การทดลองที่ระบุไว้แสดงให้เห็นว่าวิธีการแบบคู่ขนานจะดีกว่าวิธีการแบบบูรณาการสำหรับการจำแนกประเภทเนื้อสี สำหรับวิธีการแบบคู่ขนานตัวเลือกที่ดีที่สุดใช้ช่องว่างสีที่แตกต่างและการฟื้นฟูการคำนวณเนื้อเข้มและบริสุทธิ์คุณสมบัติสี: โดยเฉพาะอย่างยิ่งสว่าง-chrominance สีช่องว่าง (แล็บหรือ Lab2) ร่วมกับรูปแบบท้องถิ่นไบนารี (เวกเตอร์ MLBP) และ RGBcb บรรทัดฐานในการคำนวณ คุณสมบัติพื้นผิวเข้มและ RGB พื้นที่สีรวมกับสถิติการสั่งซื้อครั้งแรก (FOS) และการฟื้นฟู Lmax คำนวณคุณสมบัติสีที่บริสุทธิ์ สำหรับแนวทางบูรณาการพื้นที่สีสว่าง-chrominance (แล็บและ Lab2) รวมกับคุณสมบัติพื้นผิวและฟื้นฟูเวฟ RGBib บรรลุประสิทธิภาพที่ดีที่สุด เกี่ยวกับประสิทธิภาพการคำนวณที่
เวกเตอร์ขนานนี้ยังเร็วกว่าเวกเตอร์แบบบูรณาการ
ลักษณะการทำงานที่เกี่ยวข้องกับคุณสมบัติพื้นผิวขึ้นอยู่กับประเภทของวิธีการที่ใช้ในการคำนวณคุณสมบัติพื้นผิวสี ดังนั้นคุณสมบัติที่ขึ้นอยู่กับรูปแบบไบนารีท้องถิ่นที่ดีที่สุดในวิธีการแบบคู่ขนานซึ่งคำนวณคุณสมบัติเนื้อกับรุ่นความเข้มของภาพสีในขณะที่คุณสมบัติเวฟครอบครัวให้ผลลัพธ์ที่ดีที่สุดสำหรับวิธีการแบบบูรณาการ ผลดีของการ MLBP และเวกเตอร์เวฟคุณลักษณะนี้เนื่องจากมีความสามารถในการจับภาพได้อย่างมีประสิทธิภาพความสัมพันธ์เชิงพื้นที่ท้องถิ่นที่กำหนดโดยพื้นผิวและการแยกแยะระหว่างความสัมพันธ์ที่แตกต่างกัน ฟิลเตอร์บอร์ให้ผลกลางสำหรับวิธีการทั้งสองและคุณลักษณะเศษส่วนทำงานที่เลวร้ายมากในทั้งสองกรณี จากมุมมองของเวลาที่ผ่านไป, MLBP และ Daub4 ค่อนข้างรวดเร็วเพียงสี่ครั้งช้ากว่าวิธีที่เร็วที่สุด (LBP ซึ่งทำงานที่ไม่ดี) ในขณะที่ตัวกรอง Gabor ยี่สิบหกครั้งช้าลง ในความสัมพันธ์กับคุณลักษณะสีบริสุทธิ์อำนาจจำแนกของ FOS (ตอนแรกสถิติการสั่งซื้อ) จะดีกว่าคุณสมบัติที่อยู่บนพื้นฐานของ histograms (ตารางที่ 2) เมื่อคุณสมบัติสีที่บริสุทธิ์ที่ใช้ในวิธีการแบบคู่ขนานคู่ t-test แสดงให้เห็นว่า FOS เป็นอย่างดีกว่าคุณสมบัติแท่ง เวลาที่ผ่านไปของ FOS เวกเตอร์ที่อยู่ในระดับปานกลางเร็วกว่า JCHXX และช้ากว่า CCHXX และ CHPXX
เกี่ยวกับการฟื้นฟูของภาพสีก่อนที่จะเปลี่ยนไปยังพื้นที่สีอื่น ๆ ที่สมดุลสี (RGBcb) ในวิธีการแบบคู่ขนานและความสมดุลของความเข้ม (RGBib) ในวิธีการแบบบูรณาการที่ดูเหมือนจะดีกว่า normalizations อื่น ๆ ถึงแม้ว่าความแตกต่างที่เกี่ยวกับการขาด ฟื้นฟูไม่ได้อย่างมีนัยสำคัญทางสถิติและพวกเขาเป็นคนที่ช้าที่สุด อย่างไรก็ตามผลการนี้อาจเนื่องมาจากความจริงที่ว่าชุดข้อมูลที่มีการได้มาภายใต้สภาวะควบคุมมาก (Outex, ALOT และ CUReT ชุดข้อมูล) หรือการเพิ่มความคมชัด (VisTex และ USPTex) เพื่อให้ชุดการฝึกอบรมมีตัวอย่างแบบเดียวกับที่หรือใกล้เคียงมาก เงื่อนไขการเข้าซื้อกิจการเป็นชุดทดสอบ ดังนั้นสำหรับชุดข้อมูล Outex14 ที่ชุดการฝึกอบรมไม่ได้มีภาพที่มีความสว่างของการทดสอบการทดสอบการฟื้นฟูเพิ่มความแม่นยำเกือบ 5 คะแนนสำหรับการจำแนกประเภทเนื้อเข้มสำหรับพื้นที่สีจาก 4.4 ถึง 31.9 คะแนนสำหรับสีที่บริสุทธิ์และอื่น ๆ กว่า 16 คะแนนสำหรับการจำแนกสีเนื้อและสีช่องว่างทั้งหมด (ดูคอลัมน์สุดท้ายในตารางที่ 1 และ 6)
แม้ว่าการจัดหมวดหมู่ได้รับการพัฒนาโดยใช้ 1 ที่ใกล้ที่สุดลักษณนามเพื่อนบ้านข้อสรุปของการศึกษาของเราได้รับการยืนยันจากการทดลองเพิ่มเติมได้โดยใช้ลักษณนามสุ่มป่า ในวิธีการเรียนรู้ VZ แพทช์ให้ผลลัพธ์ที่ดีที่สุดในสี่ชุดข้อมูลที่เล็กที่สุด (ดูมาตรา 4.2) สำหรับการจำแนกประเภทเนื้อเข้ม แต่ค่าใช้จ่ายในการคำนวณสูงหลีกเลี่ยงการประยุกต์ใช้กับสี่ชุดข้อมูลขนาดใหญ่ อย่างไรก็ตามสำหรับการจัดหมวดหมู่ภาพสี (ดูมาตรา 4.10) วิธีการโดยตรงบรรลุประสิทธิภาพที่ดีขึ้นกว่าการเรียนรู้วิธีการในภาพระดับสีเทาที่มีค่าใช้จ่ายในการคำนวณที่ต่ำกว่ามาก
การวิจัยในอนาคตควรปฏิบัติดังนี้ (1) การพัฒนาข้อมูลเชิงลึกต่อไปในการประยุกต์ใช้วิธีการเรียนรู้สำหรับภาพพื้นผิวสี; (2) ศึกษาอิทธิพลของการฟื้นฟูปัญหาป่วยกำหนด, แสง, overexposed ที่แตกต่างกันความสว่าง, เครื่องชั่งน้ำหนักและดูมุมภาพได้โดยไม่ต้องใช้มาตรการตัวอย่างที่คล้ายกันในการฝึกอบรมชุดนั้น (3) วิเคราะห์อิทธิพลของ "ตัด" ร้อยละ (5% ของพิกเซลในงานนี้) ในวิธีการฟื้นฟูและ RGBcb RGBib ซึ่งทำให้ผลลัพธ์ที่ดีที่สุดนั้น และ (4) การขยายการเปรียบเทียบนี้ใช้เครือข่ายประสาทสับสนสำหรับการจำแนกประเภทของภาพ

ผลลัพธ์ (ไทย) 3:

การจำแนกพื้นผิวสีมีบทบาทสำคัญในการมองเห็นคอมพิวเตอร์โลกจริง ซึ่งภาพที่ได้มาภายใต้สภาวะแสงที่แตกต่างกัน การทดสอบงานที่แตกต่างกันเพื่อให้บรรลุการฟื้นฟูขั้นตอนวิธีการแปรเปลี่ยน รวมกับเป็นสีที่แตกต่างกันและคุณสมบัติต่างสีและพื้นผิว นอกจากนี้เรายังศึกษาแบบบูรณาการและวิธีการในการจำแนกสีพื้นผิวแบบ 6 สีเนื้อข้อมูลสาธารณะที่ได้รับความนิยมมากที่สุด . การทดลองที่ระบุไว้ แสดงให้เห็นว่าแนวทางขนานเหนือกว่าวิธีการแบบบูรณาการสำหรับการจำแนกเนื้อสี สำหรับแนวทางขนาน , ตัวเลือกที่ดีที่สุดที่ใช้เป็นสีต่าง ๆ และการฟื้นฟูเพื่อคำนวณความเข้มเนื้อผ้าและคุณสมบัติสีบริสุทธิ์ โดยเฉพาะ ความสว่างและสีเป็น ( Lab หรือ lab2 โครมิแนนซ์ ) รวมกับรูปแบบไบนารีท้องถิ่น ( mlbp เวกเตอร์ ) และการฟื้นฟู rgbcb คำนวณพื้นผิวเข้มลักษณะและพื้นที่สี RGB เพื่อรวมกับสถิติ แรก ( FOS ) และการฟื้นฟู Lmax คำนวณคุณสมบัติสีบริสุทธิ์ สำหรับแนวทางบูรณาการ ความสว่าง และสีเป็นโครมิแนนซ์ ( Lab และ lab2 ) รวมกับเวฟเนื้อคุณลักษณะและการฟื้นฟู rgbib บรรลุประสิทธิภาพที่ดีที่สุด เกี่ยวกับประสิทธิภาพของคอมพิวเตอร์ ,เวกเตอร์ขนานยังเร็วกว่าเวกเตอร์แบบบูรณาการพฤติกรรมในความสัมพันธ์กับลักษณะพื้นผิว ขึ้นอยู่กับชนิดของวิธีการที่ใช้ในการคำนวณพื้นผิวสีคุณสมบัติ ดังนั้น คุณสมบัติตามรูปแบบไบนารีที่ท้องถิ่นจะดีที่สุดในแนวขนาน ซึ่งคำนวณคุณสมบัติเนื้อในรุ่นที่ความเข้มของภาพสี ในขณะที่ครอบครัวเวฟคุณลักษณะให้ผลลัพธ์ที่ดีที่สุดสำหรับแนวทางบูรณาการ ผลลัพธ์ที่ดีและคุณลักษณะของ mlbp เวฟเวกเตอร์เนื่องจากความสามารถของพวกเขาที่จะจับภาพได้อย่างมีประสิทธิภาพ ท้องถิ่นมิติสัมพันธ์ที่กำหนดไว้ตามพื้นผิวและแยกแยะระหว่างความสัมพันธ์ที่แตกต่างกัน กาบอร์กรองให้ผล สื่อกลางสำหรับทั้งสองวิธี และคุณสมบัติเศษส่วนทำงานไม่ดีมากในทั้งสองกรณี จากเวลาที่ผ่านไป และจุดชมวิว mlbp daub4 รวดเร็วค่อนข้างช้ากว่าวิธีที่เร็วที่สุดเพียงสี่ครั้ง ( LBP ซึ่งผลงานไม่ดี ) ในขณะที่ตัวกรองกาบอร์เป็นยี่สิบครั้งช้าๆ ในความสัมพันธ์กับคุณลักษณะของสีที่บริสุทธิ์และค่าอำนาจจำแนกของ FOS ( สถิติการสั่งซื้อครั้งแรก ) เป็น superior กับคุณลักษณะตามปี ( ตารางที่ 2 ) เมื่อสีบริสุทธิ์คุณสมบัติใช้ในแนวขนาน , Paired t-test แสดงให้เห็นว่า FOS เป็นอย่างมีนัยสำคัญดีกว่ากราฟคุณสมบัติ เวลาที่ผ่านไปของเวกเตอร์ผสมอยู่ในระดับกลาง เร็วกว่า และช้ากว่าและ jchxx cchxx chpxx .เกี่ยวกับการฟื้นฟูของภาพสีก่อนที่จะเปลี่ยนพื้นที่สี อื่น ๆ , ความสมดุลของสี ( rgbcb ) ในแบบขนานและสมดุลความเข้ม ( rgbib ) ในการบูรณาการที่ดูเหมือนจะเหนือกว่า normalizations อื่น ๆแม้ว่าความแตกต่างด้วยความเคารพไม่มีบรรทัดฐานไม่ได้ อย่างมีนัยสำคัญ และพวกเขาเป็นคนที่ช้าที่สุด อย่างไรก็ตาม ผลการทดลองนี้อาจจะเนื่องจากความจริงที่ว่าข้อมูลจะได้รับภายใต้เงื่อนไขควบคุม ( outex เยอะมาก และ ขูดข้อมูล ) หรือ เพิ่มความคมชัด ( vistex และ usptex ) เพื่อให้ชุดการฝึกมีตัวอย่างด้วยเหมือนกัน หรือใกล้ๆ ซื้อเงื่อนไขเป็นแบบทดสอบชุด ดังนั้น สำหรับข้อมูล outex14 ที่ชุดฝึกอบรมไม่ประกอบด้วยภาพที่มีความสว่างของการทดสอบการทดสอบการฟื้นฟูเพิ่มความแม่นยำเกือบ 5 จุดสำหรับการจำแนกเนื้อความเข้มเป็นสีทั้งหมด จาก 4.4 ถึง 31.9 คะแนนสำหรับสีที่บริสุทธิ์และกว่า 16 จุดสีพื้นผิวและการจำแนกเป็นสีทั้งหมด ( ดูที่คอลัมน์ สุดท้ายในตารางที่ 1 และ 6 )แม้ว่าการได้รับการพัฒนาโดยใช้ 1-nearest เพื่อนบ้านลักษณนาม ผลสรุปของการศึกษาของเราได้ถูกยืนยันโดยการทดลองเพิ่มเติม โดยใช้การสุ่มป่าลักษณนาม ระหว่างวิธีการเรียน vz-patch ให้ผลลัพธ์ที่ดีที่สุดบนสี่เล็กข้อมูล ( ดูมาตรา 4.2 ) สำหรับการจำแนกประเภทเนื้อเข้ม แต่ต้นทุนการคำนวณสูงหลีกเลี่ยงการไปสี่ใหญ่ ชุดข้อมูล อย่างไรก็ตาม สำหรับประเภทภาพสี ( ดูมาตรา 4.10 ) วิธีการโดยตรงบรรลุประสิทธิภาพดีกว่าวิธีภาพระดับสีเทาที่เรียนที่ต่ำกว่าการคำนวณต้นทุนวิจัยในอนาคตควร ( 1 ) พัฒนาข้อมูลเชิงลึกเพิ่มเติมลงในโปรแกรมของการเรียนรู้วิธีการภาพพื้นผิวสี ; ( 2 ) ศึกษาอิทธิพลของบรรทัดฐานที่ป่วยกำหนดปัญหา แสงโอเวอร์ที่แตกต่างกัน , ความสว่าง , เครื่องชั่งและดูมุมภาพโดยรวมอย่างที่คล้ายกันในชุดฝึกอบรม ( 3 ) ศึกษาอิทธิพลของ " ตัด " เปอร์เซ็นต์ ( 5 % ของพิกเซลในงานนี้ ) ในการฟื้นฟู rgbcb วิธีการและ rgbib ซึ่งให้ผลดีที่สุด และ ( 4 ) การเปรียบเทียบนี้ใช้ขยายโครงข่ายขดสำหรับหมวดหมู่ภาพ