Texture Classification using Block Intensity and Gradient Difference (BIGD) Descriptor
Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们提出了一个有效的和独特的局部描述符,即块强度和梯度差(BIGD)。在一个图像块中,我们随机抽取多尺度块对,并利用块对的亮度和梯度差来构造局部BIGD描述子。随机抽样策略和多尺度框架帮助BIGD描述符捕获不同方向和空间粒度水平的斑块的独特模式。我们使用局部聚集描述符(VLAD)或改进的Fisher向量(IFV)的矢量编码到一个完整的图像描述符,然后输入到一个线性支持向量机(SVM)分类器的纹理分类的局部BIGD描述符。我们比较建议的描述符与典型的和国家的最先进的,通过评估其分类性能的五个公共纹理数据集,包括Brodatz,CURET,KTH-TIPS,和KTH-TIPS-2a和-2b。实验结果表明,BIGD纹理描述子的分类精度比传统的密集微块差分(DMD)纹理描述子高0.12% ~ 6.43%。
2020-02-04 cs.CV eess.IV
TEEP-RCNN: Texture-Enhanced Edge-aware Perception for Steel Surface Defect Detection via Improved Convolutional Block Attention in Faster R-CNN
针对钢材表面缺陷检测中纹理差异细微和类别不平衡问题,提出基于改进CBAM的Faster R-CNN两阶段检测器TEEP-RCNN,通过注意力增强和推理优化,在NEU-DET上以10个训练周期达到73.3% mAP@50,媲美百周期训练的YOLOv11m。
2026-09-24 cs.CV
Texture Segmentation Based Video Compression Using Convolutional Neural Networks
Purdue University(普渡大学);Google, Inc.(谷歌公司)
近年来,随着对基于web的视频观看量的需求的增加,对使用不同的方法来提高现代视频编解码器的编码效率的兴趣越来越大。在本文中,我们提出了一种基于模型的方法,使用纹理分析/合成重建块的纹理区域的视频,以实现潜在的编码增益使用的AV 1编解码器开发的开放媒体联盟(AOM)。该方法使用卷积神经网络提取帧中的纹理区域,然后使用全局运动模型重建。我们的初步结果表明,在编码效率的提高,同时保持令人满意的视觉质量。
2018-02-08 cs.CV
A New Approach for Texture based Script Identification At Block Level using Quad Tree Decomposition
Jadavpur University(贾达普大学)
在为印度文字开发单语OCR系统方面已经取得了相当大的成功。但在印度这样的国家,多脚本场景很普遍,事先识别脚本成为强制性的。在本文中,我们提出的意义,Gabor小波滤波器在提取方向能量和熵分布的11个官方手写体,即孟加拉语,梵文,古吉拉特语,Gurumukhi,卡纳达语,马拉雅拉姆语,奥里亚语,泰米尔语,泰卢固语,乌尔都语和罗马。实验是在块级进行的四叉树分解方法的基础上,并使用六个不同的知名分类器进行评估。最后,最好的识别准确率为96.86%的多层感知器(MLP)分类器的3倍交叉验证水平-2分解。结果有助于建立本方法的手写体印度文字分类的有效性
2020-09-16 cs.CV cs.LG
Crowd Density Estimation using Novel Feature Descriptor
University of Hail(哈伊勒大学);International Gamming Lab(国际游戏实验室)
人群密度估计是人群监测的重要任务。已经进行了许多努力来自动化从图像和视频估计人群密度的过程。尽管作出了一系列努力,但这仍然是一项具有挑战性的任务。在本文中,我们提出了一种新的基于纹理特征的方法来估计人群密度的基础上完成局部二进制模式(CLBP)。我们首先将图像划分为块,然后将块重新划分为单元。对于每个单元,我们计算CLBP,然后将它们连接起来以描述相应块的纹理。然后,我们训练一个多类支持向量机(SVM)分类器,它将每个图像块分为四个类别之一,即非常低,低,中,高。我们在PETS 2009数据集上评估了我们的技术,从实验中,我们证明了所提出的描述符的准确率达到95%。我们还比较了其他国家的最先进的纹理描述符,并从实验结果中,我们表明,我们提出的方法优于其他国家的最先进的方法。
2019-05-15 cs.CV
Generative Blocks World: Moving Things Around in Pictures
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Johns Hopkins University(约翰霍普金斯大学)
本文提出生成块世界方法,通过操控简单几何抽象交互生成图像场景,利用不同数量的凸3D基元表示场景,结合流式生成方法生成图像,改进纹理提示提升视觉质量和可编辑性。
2026-03-20 cs.CV cs.GR
TextureDiffusion: Target Prompt Disentangled Editing for Various Texture Transfer
Shenzhen International Graduate School Tsinghua University(清华大学深圳国际研究生院)
针对现有文本引导图像编辑方法难以迁移复杂纹理的问题,提出无需调优的TextureDiffusion方法,通过提示解耦、结构特征保留与编辑定位技术,实现多样纹理的和谐迁移及结构、背景的有效保留。
2025-01-14 cs.CV
A Sub-block Based Image Retrieval Using Modified Integrated Region Matching
Rajagiri College of Social Sciences(拉吉吉里社会科学学院);Cochin University of Science and Technology(科钦科技大学)
本文提出了一种基于内容的图像检索系统(CBIR),该系统利用选定图像子块的局部颜色和纹理特征以及图像的全局颜色和形状特征。通过将图像分割成不同配置的分区来粗略地识别图像子块,使用边缘阈值化然后进行形态学膨胀来找到每个分区中的边缘密度。分别从量化的HSV颜色空间和灰度共生矩阵(GLCM)的直方图中计算所识别区域的颜色和纹理特征。计算每个区域的颜色和纹理特征向量。从边缘直方图描述符(EHD)计算的形状特征。一种改进的综合区域匹配算法(IntegratedRegionMatching,简称IRFM)被用来寻找查询子块和目标图像子块之间的最小距离。实验结果表明,该方法比现有的一些检索方法具有更好的检索效果。
2013-07-05 cs.CV cs.IR
Amoeba Techniques for Shape and Texture Analysis
University for Health Sciences, Medical Informatics and Technology (UMIT)(健康科学、医学信息与技术大学(UMIT))
形态变形虫是图像自适应结构元素的形态和其他局部图像滤波器介绍Lerallut等人。他们的建设是基于结合空间距离与对比度信息到一个图像相关的度量。变形虫滤波器显示出有趣的相似之处,图像滤波方法的基础上偏微分方程(PDE),这可以证实的渐近等价的结果。在计算变形虫时,生成的图结构包含有关局部图像纹理的信息。本文回顾和总结了作者和他的合著者的工作形态变形虫,特别是他们的关系PDE过滤器和纹理分析。它提出了一些扩展,并指出了未来的研究方向。
2015-06-10 cs.CV
Deep Fusion Network for Image Completion
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Megvii Technology(旷视科技)
深度图像完成通常无法将恢复的图像和谐地混合到现有内容中,特别是在边界区域。本文从创建平滑过渡的新角度来处理这个问题,并提出了一个简洁的深度融合网络(DFNet)。首先,引入融合块来生成用于组合已知区域和未知区域的灵活的α组成图。融合块不仅提供了恢复和现有内容之间的平滑融合,而且还提供了一个注意力地图,使网络更多地关注未知像素。通过这种方式,它为结构和纹理信息搭建了一座桥梁,使信息可以自然地从已知区域传播到完整区域。此外,融合块被嵌入到网络的几个解码器层中。在各层上引入可调损耗约束,获得了更准确的结构信息。我们在Places2和CelebA数据集上定性和定量地比较了我们的方法与其他最先进的方法。实验结果表明,DFNet在纹理过渡协调性、纹理细节和语义结构一致性等方面具有较好的性能。我们的源代码将在以下网址提供:\url{https://github.com/hughplay/DFNet}
2019-04-17 cs.CV
Learned Multi-View Texture Super-Resolution
ETH Zurich(苏黎世联邦理工学院);IBM Research Zurich(IBM苏黎世研究院);Microsoft Zurich(微软苏黎世)
我们提出了一种超分辨率的方法,能够创建一个高分辨率的纹理映射的虚拟3D对象从一组较低分辨率的图像,该对象。我们的架构统一了以下概念:(i)基于重叠视图冗余的多视图超分辨率和(ii)基于高分辨率(HR)图像结构的学习先验的单视图超分辨率。多视点超分辨率的原理是反转图像形成过程,从多个较低分辨率的投影中恢复潜在的HR纹理。我们将逆问题映射到一个适当设计的神经网络层块中,并将其与标准的编码器-解码器网络相结合,用于学习单图像超分辨率。将图像形成模型连接到网络中可以避免学习从纹理到图像的透视映射,并优雅地处理不同数量的输入视图。实验表明,多视角观察和学习的先验知识的组合产生改进的纹理图。
2020-01-14 cs.CV
Block-Matching Optical Flow for Dynamic Vision Sensor- Algorithm and FPGA Implementation
ETH Zurich(苏黎世联邦理工学院)
快速、低功耗的光流(OF)计算在机器人技术中具有潜在的应用价值。动态视觉传感器(DVS)事件相机产生快速和稀疏的输出,并且具有高动态范围,但是传统的OF算法是基于帧的,并且不能直接与基于事件的相机一起使用。先前的DVS OF方法不能很好地与密集纹理输入一起工作,并且被设计用于在逻辑电路中实现。本文从MPEG视频压缩中的运动估计方法中得到启发,提出了一种新的基于块匹配的DVS OF算法。该算法在软件和FPGA上实现。对于每个事件,它将运动方向计算为9个方向之一。运动的速度由采样间隔设置。结果表明,与以往的方法相比,平均角度误差可提高30%。在FPGA上以50 MHz的时钟频率计算出的OF值为0.2us/事件(11个时钟周期),比在PC上运行的Java软件快20倍。样本数据表明,该方法的工作原理的边缘,稀疏的功能,和密集的纹理占主导地位的场景。
2017-06-16 cs.CV
MCBlock: Boosting Neural Radiance Field Training Speed by MCTS-based Dynamic-Resolution Ray Sampling
Peking University(北京大学)
针对NeRF训练采样效率低的问题,提出基于MCTS的动态分辨率光线采样算法MCBlock,通过分块训练优化采样粒度,在Nerfstudio中实现2.33倍训练加速,可适配锥光线追踪NeRF模型。
2025-04-14 cs.CV
GTFMN: Guided Texture and Feature Modulation Network for Low-Light Image Enhancement and Super-Resolution
1 Graduate School of Engineering, Tohoku University, Sendai, Japan 2 Dept. of Radiology \& Biomedical Imaging, Yale University, New Haven, CT, USA 3 Dept. of Computer Science;Information Engineering, National Taiwan University, Taipei, Taiwan 4 Graduate Institute of Communication Engineering, National Taiwan University, Taipei, Taiwan 5 Research Center for Information Technology Innovation, Academia Sinica, Taipei, Taiwan
GTFMN通过分离照明估计和纹理恢复任务,提升低光照图像的增强和超分辨率效果。
2026-01-27 cs.CV
Efficient texture retrieval using multiscale local extrema descriptors and covariance embedding
IRISA - Université Bretagne Sud(IRISA(法国信息与随机系统研究所)-南布列塔尼大学)
提出了一种基于局部极值关键点的多尺度特征提取和嵌入的纹理检索方法。其思想是首先表示每个纹理图像的局部最大值和局部最小值像素。然后将图像划分为规则的重叠块,每个块的特征在于由其局部极值的辐射、几何和结构信息构造的特征向量。所有的特征向量最终嵌入到一个协方差矩阵,将利用检索任务中的相异性测量。由于该方法的简单性,多尺度方案可以很容易地实现,以提高其尺度空间表示能力。我们认为,我们的手工制作的功能很容易实现,运行速度快,但可以提供非常有竞争力的性能相比,手工制作和基于CNN的学习描述符从文献。特别是,该框架提供了高度竞争力的检索率为几个纹理数据库,包括94.95%的MIT Vistex,79.87%的Stex,76.15%的Outex TC-00013和89.74%的USPtex。
2018-08-03 cs.CV
Decoupled Spatial-Temporal Transformer for Video Inpainting
CUHK-SenseTime Joint Laboratory, The Chinese University of Hong Kong(香港中文大学-商汤科技联合实验室,香港中文大学);SenseTime Research(商汤科技研究院);Zhejiang University(浙江大学);School of CST, Xidian University(西安电子科技大学计算机科学与技术学院)
视频修复的目标是用逼真的外观来填充给定的时空空洞,但即使有繁荣的深度学习方法,这仍然是一项具有挑战性的任务。最近的工作将有前途的Transformer架构引入到深度视频修复中,并取得了更好的性能。然而,它仍然遭受合成模糊的纹理以及巨大的计算成本。为此,我们提出了一种新的解耦时空Transformer(DSTT),以提高视频修复的效率。我们提出的DSTT将时空注意力的学习任务分解为两个子任务:一个是在相同空间位置的不同帧上关注时间对象运动,这是通过时间解耦的Transformer块实现的,另一个是在所有空间位置的相同帧上关注相似的背景纹理,这是通过空间解耦的Transformer块实现的。这两个块的交织堆栈使我们提出的模型更精确地关注背景纹理和移动对象,从而可以传播所关注的合理和时间连贯的外观来填充漏洞。此外,在Transformer块堆栈之前采用分层编码器,用于学习保持多层次局部空间结构的鲁棒和分层特征,从而产生更具代表性的令牌向量。这两种新设计的无缝结合形成了一个更好的时空注意力方案,我们提出的模型实现了更好的性能比最先进的视频修复方法,具有显着提高效率。
2021-04-14 cs.CV
RomanTex: Decoupling 3D-aware Rotary Positional Embedded Multi-Attention Network for Texture Synthesis
Tencent Hunyuan(腾讯混元);ShanghaiTech University(上海科技大学)
RomanTex提出一种结合三维感知旋转位置嵌入的多注意力网络,通过解耦特性和几何相关CFG机制,实现高质量、一致的多视图纹理合成,达到最先进水平。
2025-03-24 cs.CV
A Content Transformation Block For Image Style Transfer
Heidelberg Collaboratory for Image Processing, IWR, Heidelberg University(海德堡大学图像处理器协作实验室(Heidelberg Collaboratory for Image Processing, IWR, Heidelberg University), 海德堡大学图像处理器协作实验室(IWR), 海德堡大学(Heidelberg University))
风格转移最近受到了很多关注,因为它允许研究图像理解和合成中的基本挑战。最近的工作显着提高了颜色和纹理的表示和计算速度和图像分辨率。然而,图像内容的显式转换大多被忽视:虽然艺术风格影响图像的形式特征,如颜色,形状或纹理,但它也会变形,添加或删除内容细节。本文明确地集中在内容和风格感知的风格化的内容图像。因此,我们在编码器和解码器之间引入了内容转换模块。此外,我们利用类似的内容出现在照片和风格样本,以了解如何风格改变内容的细节,我们推广到其他类的细节。此外,这项工作提出了一种新的归一化层的高分辨率图像合成的关键。我们的模型的鲁棒性和速度,使视频风格化的实时和高清晰度。我们进行了广泛的定性和定量评估,以证明我们的方法的有效性。
2020-03-18 cs.CV
Semantic Image Translation for Repairing the Texture Defects of Building Models
Southwest Jiaotong University(西南交通大学)
提出一种规律感知的多域语义图像翻译方法,结合频率信息、角点图与SEAN块,修复建筑模型纹理缺陷并合成结构化立面纹理,实验证明其优于现有方法。
2023-04-01 cs.CV
Differentiable Blocks World: Qualitative 3D Decomposition by Rendering Primitives
LIGM, Ecole des Ponts, Univ Gustave Eiffel(LIGM,巴黎高科桥梁学校,古斯塔夫·埃菲尔大学);UC Berkeley(加州大学伯克利分校)
提出可微积木世界方法,通过可微渲染将图像分解为带纹理超二次曲面图元,实现可解释、可编辑的三维表示,并在DTU等数据集上验证了其有效性和鲁棒性。
2023-12-26 cs.CV
Shape and Texture Recognition in Large Vision-Language Models
研究发现大规模视觉-语言模型在识别抽象形状和纹理时表现不足,而人类和简单网络表现更佳。
2025-12-09 cs.CV
Directing Mamba to Complex Textures: An Efficient Texture-Aware State Space Model for Image Restoration
University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
针对现有图像复原方法难以兼顾长程建模、纹理退化差异与效率的问题,提出 TAMambaIR,通过纹理感知状态空间模型和多方向感知块,在超分辨率、去雨和低光增强任务上实现 SOTA 性能与更高效率。
2025-06-11 cs.CV
TTRD3: Texture Transfer Residual Denoising Dual Diffusion Model for Remote Sensing Image Super-Resolution
针对遥感图像超分辨率面临的多尺度特征提取难、语义不一致、几何精度与视觉质量权衡失衡问题,提出TTRD3模型,通过多尺度特征聚合块、稀疏纹理迁移引导模块及双扩散框架,在多源数据集上实现优于最优方法的性能。
2025-04-17 cs.CV
Image forgery detection based on the fusion of machine learning and block-matching methods
University Federico II of Naples(那不勒斯费德里科二世大学)
密集的局部描述符和机器学习已经成功地应用于几个应用中,如纹理分类、隐写分析和伪造检测。我们开发了一种新的图像伪造检测器的建设上最近提出的一些描述符在隐写分析领域适当合并一些这样的描述符,并优化SVM分类器上可用的训练集。尽管非常好的性能,非常小的fork几乎从未被检测到,因为它们对描述符的贡献非常小。因此,我们还开发了一个简单的,但非常具体的,复制移动检测器的基础上,区域匹配和融合的决定,以减少漏检率。总的结果似乎极为令人鼓舞。
2013-11-27 cs.CV
An Attention-Based Approach for Single Image Super Resolution
Southeast University(东南大学);Nanjing Institute of Communications Technologies(南京通信技术研究院);Nanjing University(南京大学);Federation University Australia(澳大利亚联邦大学)
单幅图像超分辨率(SISR)的主要挑战是对微小纹理等高频细节的恢复。然而,大多数最先进的方法缺乏特定的模块来识别高频区域,导致输出图像模糊。我们提出了一个基于注意力的方法,给纹理区域和光滑区域之间的歧视。在定位高频细节的位置之后,进行高频补偿。这种方法可以与以前提出的SISR网络。通过提供高频增强,实现更好的性能和视觉效果。我们还提出了自己的SISR网络组成的DenseRes块。该块提供了一种有效的方法来组合低级别特征和高级别特征。广泛的基准测试结果表明,我们提出的方法实现了显着的改善,在SISR的国家的最先进的作品。
2018-07-18 cs.CV
Saliency Based Fire Detection Using Texture and Color Features
Isfahan University of Technology(伊斯法罕理工大学)
由于产业布局和城市区域的延伸,预警系统在紧急情况下发挥着至关重要的作用。火灾是一种可以迅速蔓延并造成伤害、死亡和破坏的事件。早期发现火灾可以大大减少这些伤害。与传统火灾探测器相比,视频火灾探测具有成本低、速度快的优点。现有的火灾探测方法大多存在误报率高、准确率低的问题。在本文中,我们通过使用空间和时间特征来提高精度。捕获的视频序列被划分成时空块。然后利用显著图和颜色纹理特征进行火灾区域检测。我们使用HSV颜色模型作为空间特征,LBP-TOP用于火灾纹理的时间处理。在公开数据集上的火灾检测测试表明了该算法的准确性和鲁棒性。
2019-12-20 cs.CV eess.IV
Deep Implicit Volume Compression
Google(谷歌)
我们描述了一种新的方法,用于压缩截断符号距离场(TSDF)存储在三维体素网格,及其相应的纹理。为了压缩TSDF,我们的方法依赖于端到端训练的基于块的神经网络架构,实现了最先进的率失真权衡。为了防止拓扑错误,我们对TSDF的符号进行有损压缩,这也通过体素大小来上限重建误差。为了压缩相应的纹理,我们设计了一个快速的基于块的UV参数化,生成连贯的纹理图,可以有效地使用现有的视频压缩算法压缩。我们在两个4D性能捕获数据集上展示了我们的算法的性能,与最先进的技术相比,对于相同的失真,将比特率降低了66%,或者对于相同的比特率,将失真降低了50%。
2020-05-18 cs.CV cs.LG eess.IV
Early Fire Detection Using HEP and Space-time Analysis
Southwest Jiaotong University(西南交通大学)
本文通过对现场烟气的监测,研制了一种基于视频的火灾早期报警系统。在这项工作中有两个主要贡献。首先,找到最好的纹理特征烟雾检测,一个通用的框架,命名为直方图的等效模式(HEP),实现了广泛的各种纹理特征的评价。其次,提出了描述烟雾时空特性的\emph{Block based Inter-Frame Difference}(BIFD)和改进的LBP-TOP模型。为了减少误报,利用烟雾历史图像(SHI)登记候选烟雾块的最近分类结果。实验结果表明,与现有的方法相比,该方法具有更高的准确率和更少的虚警率。
2013-10-07 cs.CV cs.MM
Summarisation of Short-Term and Long-Term Videos using Texture and Colour
NICTA;University of Queensland(昆士兰大学);Queensland University of Technology(昆士兰科技大学)
我们提出了一种新的视频摘要方法,利用袋的视觉纹理(BoT)的方法。提出了两个系统,一个仅基于BoT方法,另一个利用颜色信息和BoT功能。在来自开放视频项目的50个短期视频上,我们表明我们的BoT和融合系统都达到了最先进的性能,分别获得了0.83和0.86的平均F测量,与之前的最先进水平相比,相对提高了9%和13%。当应用于包含33个长期视频的新水下监控数据集时,所提议的系统将连续镜头的数量减少了27倍,而信息内容只有轻微的退化。视频数据的这一数量级减少代表了在手动审查此类镜头时在时间和潜在劳动力成本方面的显著节省。
2014-03-03 cs.CV stat.AP
A Novel Feature Map Enhancement Technique Integrating Residual CNN and Transformer for Alzheimer Diseases Diagnosis
University of Engineering and Applied Sciences (UEAS)(工程与应用科学大学)
提出一种融合残差CNN与Transformer的FME-Residual-HSCMT技术,通过特征图增强和空间注意力机制,在Kaggle数据集上以98.42%准确率实现阿尔茨海默病MRI高效诊断。
2024-05-25 cs.AI cs.CV eess.IV
Super-resolved Chromatic Mapping of Snapshot Mosaic Image Sensors via a Texture Sensitive Residual Network
Data61-CSIRO(联邦科学与工业研究组织 Data61);Deakin University(迪肯大学)
本文介绍了一种新的方法,同时超分辨率和颜色预测的快照镶嵌传感器获得的图像。这些传感器允许使用低功耗、小外形、固态CMOS传感器采集光谱图像,这些传感器可以以视频帧速率工作,而无需复杂的光学设置。尽管它们具有理想的特性,但它们的主要缺点是这些传感器获得的图像的空间分辨率低。此外,快照马赛克传感器中的色度映射不是简单的,因为由传感器传递的频带往往是窄的并且在它们操作的范围上不均匀地分布。我们解决这个缺点,适用于彩色映射,通过使用残差通道注意力网络配备了纹理敏感块。我们的方法显着优于传统的方法插值图像,然后,应用颜色匹配函数。这项工作在这一领域建立了最先进的技术,同时也为研究界提供了一个包含296个注册立体多光谱/RGB图像对的数据集。
2019-09-05 cs.CV eess.IV
White-Box Cartoonization Using An Extended GAN Framework
University of Mumbai(孟买大学)
在本研究中,我们建议通过对抗过程实现一个新的框架来估计生成模型,以扩展现有的GAN框架并开发一个白盒可控图像卡通化,它可以从真实世界的照片和视频中生成高质量的卡通图像/视频。我们的系统的学习目的是基于三个不同的表示:表面表示,结构表示和纹理表示。表面表示是指图像的光滑表面。结构表示涉及稀疏颜色块并压缩通用内容。纹理表示卡通图像中的纹理、曲线和特征。生成对抗网络(GAN)框架将图像分解为不同的表示,并从中学习以生成卡通图像。这种分解使框架更加可控和灵活,允许用户根据所需的输出进行更改。这种方法克服了任何以前的系统在保持清晰度,颜色,纹理,图像的形状,但显示卡通图像的特性。
2021-07-09 cs.CV cs.LG
A Review of Visual Descriptors and Classification Techniques Used in Leaf Species Identification
RMD Engineering College(RMD工程学院)
植物对生命至关重要。植物科学的主要研究领域包括植物物种识别,使用高光谱图像进行杂草分类,监测植物健康和跟踪叶片生长,以及叶片信息的语义解释。植物学家很容易通过区分叶的形状、叶尖、叶基部、叶缘和叶脉,以及复叶的质地和小叶的排列来识别植物物种。由于对专家的需求和对生物多样性的要求越来越高,人们需要智能系统来识别和表征叶片,以便仔细检查特定的物种,影响它们的疾病,叶片的生长模式,等等.我们回顾了几种图像处理方法在叶片的特征提取,鉴于特征提取是计算机视觉的关键技术.由于计算机无法理解图像,因此需要通过单独分析图像的形状,颜色,纹理和时刻将其转换为特征。看起来相同的图像可能在几何和光度变化方面有所不同。在我们的研究中,我们还讨论了某些机器学习分类器,用于分析不同种类的叶子。
2020-09-13 cs.AI cs.CV cs.MM