III. GABOR WAVELETThis paper presen

III. GABOR WAVELET
This paper presents the texture analysis using Gabor
filters, evaluating also the performance in identifying
models in a large database of images representing textures.
These images are compared with other representations of
existing textures. A simple algorithm for a neural network is
used to discover the similarities between the texture’s space
segmentation [4,5]. The performance of finding similar
models increases significantly by the discovery of
similarities [6]. An important aspect of this process is its use
on real images. The extraction of texture patterns and the
discovery of similarities are used in searching in high
dimensional digital images.As mentioned, a function to measure the similarities is
necessary; this function works in two steps: Feature
Extraction – FE and Similarity Measurement – SM.
As an example, we may consider two texture models: a
weaver model, which may be studied by frequency analysis,
and a grass model, which may be analyzed throughout
statistic descriptions [7]. Still, these models correspond to
extreme cases that do not fit in real images. The general FE
and SM methods define constrains: the pattern must be
small sized, it must correctly characterize the texture, and
the numeric value that defines similarity must be accurate
and small for similar features; in opposition, a large pattern
is needed for the other cases. Also, the features may be set
as invariant to translations and rotations, in order to accept
two textures as being equivalent, one deriving from another
by translation or rotation [8].
Gabor functions are Gaussian functions modulated by
complex sinusoids. In two dimensions, they may be defined
as follows:

ผลลัพธ์ (ไทย) 1:

III. กาบอร์ WAVELETเอกสารนี้นำเสนอการวิเคราะห์พื้นผิวที่ใช้กาบอร์ตัวกรอง การประเมินประสิทธิภาพในการระบุยังแบบจำลองในฐานข้อมูลขนาดใหญ่ของภาพแสดงพื้นผิวภาพเหล่านี้จะเปรียบเทียบกับอื่น ๆ แทนพื้นผิวที่มีอยู่ เป็นอัลกอริทึมแบบง่ายสำหรับเครือข่ายประสาทใช้สัมผัสความเหมือนระหว่างพื้นที่ของพื้นผิวแบ่ง [4,5] ประสิทธิภาพของการค้นหาที่คล้ายกันรุ่นเพิ่มขึ้นอย่างมีนัยสำคัญ โดยการค้นพบความคล้ายคลึง [6] ข้อมูลด้านต่าง ๆ ที่สำคัญของกระบวนการนี้เป็นการใช้ในภาพจริง สกัดลวดลายพื้นผิวและค้นพบความเหมือนที่ใช้ในการค้นหาในสูงรูปภาพดิจิทัลดังกล่าว เป็นฟังก์ชันการวัดความคล้ายคลึงที่ความจำเป็น ฟังก์ชันนี้ทำงานสองขั้นตอน: คุณลักษณะสกัด – FE และคล้ายวัด – SMเป็นตัวอย่าง เราอาจพิจารณาพื้นผิวแบบจำลองที่สอง: การช่างทอผ้ารุ่น ซึ่งอาจจะศึกษา โดยวิเคราะห์ความถี่และ รุ่นหญ้า ซึ่งอาจจะวิเคราะห์ตลอดอธิบายสถิติ [7] ยังคง โมเดลเหล่านี้สอดคล้องกับกรณีที่ไม่พอดีกับภาพจริง FE ทั่วไปและกำหนดวิธีการ SM จำกัด: รูปแบบต้องขนาดเล็ก จึงต้องถูกกำหนดลักษณะพื้นผิว และค่าตัวเลขที่กำหนดมิใช่น้อยต้องถูกต้องและขนาดเล็กสำหรับคุณลักษณะที่คล้ายกัน ในการต่อต้าน ลายใหญ่เป็นสิ่งจำเป็นสำหรับกรณีอื่น ๆ ยัง อาจกำหนดคุณลักษณะเป็นบล็อกการแปลและการหมุนเวียน การยอมรับพื้นผิวทั้งสองเป็นเทียบเท่า บริษัทฯ หนึ่งจากโดยการแปลหรือหมุน [8]กาบอร์ฟังก์ชันเป็นฟังก์ชัน Gaussian สันทัดโดยsinusoids ซับซ้อน ในสองมิติ พวกเขาอาจกำหนดดังนี้:

ผลลัพธ์ (ไทย) 3:

III . กาบอร์เวฟ
บทความนี้นำเสนอการวิเคราะห์พื้นผิวโดยใช้ตัวกรอง กาบอร์
, ประเมินสมรรถนะในการระบุด้วย
รูปแบบฐานข้อมูลขนาดใหญ่ของภาพที่เป็นตัวแทนของพื้นผิว .
ภาพเหล่านี้เปรียบเทียบกับตัวแทนอื่น ๆของ
พื้นผิวที่มีอยู่ ขั้นตอนวิธีอย่างง่ายสำหรับเครือข่ายประสาท
เคยค้นพบความคล้ายคลึงกันระหว่างพื้นผิวพื้นที่
) [ 4 , 5 ]ประสิทธิภาพของการค้นหารุ่นที่คล้ายกัน
เพิ่มขึ้นอย่างมาก โดยการค้นพบของ
ความคล้ายคลึงกัน [ 6 ] กว้างยาวสำคัญของกระบวนการนี้คือ
ใช้ภาพที่แท้จริง การสกัดของรูปแบบพื้นผิวและ
ค้นพบความคล้ายคลึงกันจะใช้ในการค้นหาภาพดิจิตอลสูง
มิติดังกล่าว ฟังก์ชันการวัดความคล้ายคลึงกันคือ
จำเป็น ; ฟังก์ชันนี้ทำงานสองขั้นตอน :การสกัดคุณลักษณะ
) Fe และความเหมือน–การวัด SM .
เป็นตัวอย่าง เราอาจพิจารณาสองพื้นผิวโมเดล :
ทอรูปแบบซึ่งอาจจะศึกษาโดยการวิเคราะห์ความถี่
และหญ้ารูปแบบซึ่งอาจจะวิเคราะห์ตลอด
อธิบายสถิติ [ 7 ] แต่โมเดลเหล่านี้สอดคล้องกับ
กรณีที่มากที่สุดที่ไม่เข้ากับภาพที่แท้จริง เหล็กทั่วไป
และวิธีการ SM กำหนดเขียน :รูปแบบต้อง
ขนาดเล็ก มันต้องถูกต้องลักษณะพื้นผิวและ
ค่าตัวเลขที่กำหนดความเหมือนต้องถูกต้อง
และขนาดเล็กในลักษณะคล้ายคลึงกัน ในการต่อสู้ ,
รูปแบบขนาดใหญ่เป็นสิ่งจำเป็นสำหรับกรณีอื่น ๆ นอกจากนี้ คุณสมบัติอาจจะตั้งค่า
เป็นค่าคงที่การแปลและหมุนเพื่อรับ
สองพื้นผิวเป็นเทียบเท่าหนึ่งหลังจากที่อื่น
โดยการแปลหรือการหมุน [ 8 ] . ฟังก์ชันกาบอร์เป็น Gaussian ฟังก์ชันปรับโดย

sinusoids ซับซ้อน ใน 2 มิติ พวกเขาอาจจะหมายถึง
ดังนี้