Ortsschild Muster

Abbildungen zum Berechnen von LBP- und CLBP-Features für 8-Nachbarschaftspixel. a) Der Standard-LBP-Operator (siehe (1)). b) Das Gerüst des CLBP-Operators (siehe ,3) und (5)). c) Beispiel zum Abrufen der Vorzeichen- und Magnitudenmusterkomponente aus CLPB (siehe (1) und (4)). Die Brodatz-Datenbank [28] enthält 112 Texturklassen von Bildern. Die Größe jeder Texturklasse des Bildes beträgt 640 x 640, die weiter in 25 128 x 128 nicht überlappende Unterbilder unterteilt ist. Daher besitzt die Datenbank 112 Kategorien mit 2800 (112 x 25) Bildern und jede Kategorie umfasst 25 Bilder. Die Beispielbilder von Brodatz sind in Abb. 4 dargestellt. Die vorgeschlagene Methode wird getestet, indem die Fenstergröße von 9 x 9 bis 15 x 15 variiert wird. Wenn eine Fenstergröße kleiner ist, können die Texturmuster in alle Richtungen nicht effektiv charakterisiert werden. Daher verschlechtert sich die ARR der vorgeschlagenen Methode leicht mit der Fenstergröße von 9 x 9 und 11 x 11.

Wenn die Fenstergröße auf 15 x 15 erhöht wird, verschlechtert sich die Leistung der vorgeschlagenen Methode im Vergleich zu 13 x 13 leicht. Aus Tabelle 1 geht daher hervor, daß die vorgeschlagene Methode mit der Fenstergröße von 13 x 13 eine höhere ARR erreicht. Ren J, Jiang X, Yuan J (2013) Geräuschresistentes lokales binäres Muster mit einem eingebetteten Fehlerkorrekturmechanismus. IEEE Trans Image Process 22(10):4049–4060 Y. Kaya, L. Kayci, M. Uyar, Automatische Identifizierung von Schmetterlingsarten basierend auf lokalen binären Mustern und künstlichen neuronalen Netzwerken. Appl. Soft Comput. 28, 132–137 (2015) S.

Hegenbart, A. Uhl, A scale- and orientation-adaptive extension of local binary patterns for texture classification. Muster Recogn. 48, 2633–2644 (2015) Suruliandi A, Murugeswari G, Arockia Jansi Rani P (2015) Empirische Auswertung von generischen gewichteten Kabinenmustern und LBP-Derivaten zur Abnormalitätsdetektion in Mammogrammbildern. Int J Image Graph 15:1550001 Local binary pattern (LBP) ist ein effektiver Bilddeskriptor, der in verschiedenen Computer-Vision-Anwendungen wie Erkennung von Gesichtern, Objektklassifizierung, Zielerkennung, Bildabruf usw. verwendet wird. Diese Techniken leiten das Muster aus dem vordefinierten Satz von Bildpixeln ab, die die Menge der von ihnen erfassten Informationen einschränken. In dieser Arbeit wird ein neuer Ansatz vorgeschlagen, bei dem die Bildpixel, die zum Ableiten des Musters verwendet werden, basierend auf den Bildeigenschaften ausgewählt werden. Diese Technik verwendet Bildlinien-/Kurvenmerkmale, um das lokale Muster abzuleiten, das wir als lokales Kurvenmuster bezeichnen. Die Linien- und Kurveneigenschaften werden berücksichtigt, da sie die dominierenden Komponenten eines Bildes sind und verwendet werden, um das Bild effektiv darzustellen. Die vorgeschlagene Methode wird anhand von drei verschiedenen Datenbanken (viz Corel 1K, Corel 10K und Brodatz) bewertet, und das experimentelle Ergebnis zeigt, dass die vorgeschlagene Methode besser abschneidet als die herkömmlichen lokalen Mustertechniken. Die etablierten subzellulären Standortmerkmale (SLFs) wurden für AI-PSLP umfassend als wirksam nachgewiesen [7, 22].

In dieser Studie werden Haralick-Funktion und DNA-Funktion als globale Merkmale verwendet. Haralick Textur-Features und DNA-Verteilungs-Features werden aus den getrennten Protein- und DNA-Kanälen extrahiert.