بازیابی بافت با استفاده از بسته های موجک
ترجمه نشده

بازیابی بافت با استفاده از بسته های موجک

عنوان فارسی مقاله: ویژگی های متمایز کننده برای بازیابی بافت با استفاده از بسته های موجک
عنوان انگلیسی مقاله: Discriminative Features for Texture Retrieval Using Wavelet Packets
مجله/کنفرانس: دسترسی – IEEE Access
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: مهندسی الگوریتم و محاسبات
کلمات کلیدی فارسی: نمایه سازی بافت، بسته های موجک، حداقل احتمال خطا، تنظیم پیچیدگی، هرس درختی حداقل هزینه
کلمات کلیدی انگلیسی: Texture indexing, wavelet packets, minimum probability of error, complexity regularization, minimum cost tree pruning
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals List – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1109/ACCESS.2019.2947006
دانشگاه: Department of Electrical and Computer Engineering, The University of Texas at Dallas, Richardson, TX 75080, USA
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 4.641 در سال 2018
شاخص H_index: 56 در سال 2019
شاخص SJR: 0.609 در سال 2018
شناسه ISSN: 2169-3536
شاخص Quartile (چارک): Q2 در سال 2018
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 15
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E13862
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

ABSTRACT


I. INTRODUCTION


II. PRELIMINARIES


III. WAVELET PACKET BASED TEXTURE RETRIEVAL


IV. WAVELET PACKET BASIS SELECTION


V. SUMMARY OF THE MODELING STAGE


VI. EXPERIMENTAL ANALYSI


VII. DISCUSSION: CONNECTION WITH CNN


VIII. CONCLUSION AND FUTURE WORK


APPENDIX WAVELET PACKETS ANALYSIS


ACKNOWLEDGMENT


REFERENCES

نمونه متن انگلیسی مقاله

ABSTRACT


Wavelet Packets (WPs) bases are explored seeking new discriminative features for texture indexing. The task of WP feature design is formulated as a learning decision problem by selecting the filter-bank structure of a basis (within a WPs family) that offers an optimal balance between estimation and approximation errors. To address this problem, a computationally efficient algorithm is adopted that uses the tree-structure of the WPs collection and the Kullback-Leibler divergence as a discrimination criterion. The adaptive nature of the proposed solution is demonstrated in synthetic and real data scenarios. With synthetic data, we demonstrate that the proposed features can identify discriminative bands, which is not possible with standard wavelet decomposition. With data with real textures, we show performance improvements with respect to the conventional Wavelet-based decomposition used under the same conditions and model assumptions.


INTRODUCTION


In the current information age, we have access to unprecedented sources of digital image content. Consequently, being able to index and organize these documents based solely on the content extracted from the signals without relying on metadata or expensive human annotations has become a central problem [1]–[21]. In this context, an important task in image processing is texture retrieval. This problem has been richly studied over the last two decades with different frameworks and approaches [3]–[21], including, more recently, deep learning approaches [22], [22]–[26], [26]–[29]. In a nutshell, the texture retrieval problem can be formulated in two stages. The first stage, feature extraction (FE), implies the creation of low-dimensional descriptions of the image (i.e., the dimensionality reduction phase) with the objective of capturing the semantic high-level information that discriminates relevant texture classes. The second stage proposes a similarity measure (SM) on the feature space to compare and organize the images in terms of their signal content. For the FE stage, the Wavelet transform (WT) has been widely adopted as a tool to decompose and organize the signal content in sub-spaces associated with different levels of resolution (or scale) information [30], [31]. Based on this sub-space decomposition, energy features have been used as a signature that represents the salient texture attributes for texture indexing [32].

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

بازیابی بافت با استفاده از بسته های موجک
نوشته های مرتبط
مقالات جدید
لوگوی رسانه های برخط

logo-samandehi

پیوندها