纹理识别的精度分析优化

2025-09-29 理论教育版权反馈

【摘要】：为了获得稳定的实验结果，将上述对训练数据集和测试数据集的随机划分独立重复进行100次，每次独立划分进行一次独立的实验，并计算这100次独立实验结果的平均值，将其作为最终的纹理识别精度。但是，在纹理图像识别领域，目前还不存在一个大规模的、专用于纹理图像识别任务的纹理图像数据库，因此无法对深度学习模型进行充分的训练。

为了进一步评估本章所提出的方法在纹理图像特征提取和识别上的性能，本章在CUReT和KTH-TIPS这两个标准的纹理图像数据库上进行实验，把本章提出的方法与传统的Gabor滤波方法、基于Gabor滤波和LBP算法结合的LGWBP算法，以及一些先进的基于LBP的算法和基于纹理基元学习的算法进行比较。

在CUReT纹理库上，从每个纹理类别随机选取N1=46个样本作为训练数据，每个纹理类别剩下的92-N1=46个样本作为测试数据。在KTH-TIPS纹理库上，从每个纹理类别随机选取N2=40个样本作为训练数据，每个纹理类别剩下的81-N2=41个样本作为测试数据。为了获得稳定的实验结果，将上述对训练数据集和测试数据集的随机划分独立重复进行100次，每次独立划分进行一次独立的实验，并计算这100次独立实验结果的平均值，将其作为最终的纹理识别精度。具体的实验结果如表3-2所示，其中相关文献中没有报道的纹理识别精度用“——”进行标记，并用加粗字体对每个纹理数据库上的最高识别精度进行标记。

表3-2　本章提出的改进Gabor滤波方法与其他方法的纹理识别精度对比（%）

pagenumber_ebook=74,pagenumber_book=66

续　表

pagenumber_ebook=75,pagenumber_book=67 (https://www.chuimin.cn)

从表3-2的对比结果可以看出：

（1）在KTH-TIPS纹理库和CUReT纹理库上，本章提出的改进Gabor滤波方法分别取得了99.36%和99.60%的纹理识别精度，均为这两个纹理数据库上的最高识别精度，一致超过了其他所有参与比较的算法，展示了本章所提出的方法在纹理识别精度方面的优越性能。

（2）和传统的Gabor滤波方法相比，本章提出的改进Gabor滤波方法在纹理识别精度上获得了显著的提升，即传统Gabor滤波方法在KTH-TIPS纹理库和CUReT纹理库上的识别精度分别为91.48%和94.89%，而本章所提出的方法将识别精度分别提高到99.36%和99.60%，即纹理识别精度的提升幅度大约为8%和5%，证明本章所提出的方法显著优于传统的Gabor滤波方法。

（3）本章提出的改进Gabor滤波方法也超过了一些先进的基于深度学习的方法（如CNN+PCA算法、T-CNN算法、ScatNet_CLBP算法）的识别精度，这主要是因为深度学习方法必须利用大规模的训练样本对深度学习模型进行训练，只有在充分训练的情况下深度学习模型才能具备良好的识别能力，如果对深度学习模型的训练不充分，则模型的识别能力不佳。但是，在纹理图像识别领域，目前还不存在一个大规模的、专用于纹理图像识别任务的纹理图像数据库，因此无法对深度学习模型进行充分的训练。而大部分基于深度学习的算法都是利用大规模的ImageNet通用图像数据集训练出来的CNN模型进行纹理特征提取和识别，但ImageNet数据集不是纹理图像数据集，不是针对纹理图像的特征提取和识别任务而设计的，无法充分挖掘图像中丰富的纹理特征。因此，利用ImageNet数据集训练出来的深度CNN模型在纹理图像的特征提取和识别任务中不能保证获得最佳的结果。

因此，上述的实验结果表明，和传统的Gabor滤波方法、基于Gabor滤波和LBP算法结合的LGWBP算法，以及一些先进的基于深度学习的算法、基于LBP的算法、基于纹理基元学习的算法相比，本章方法提取的纹理图像特征具有更强的鉴别能力，对光照和尺度变化也具有较好的稳健性，因此能够获得更好的纹理识别精度。

纹理识别的精度分析优化

相关推荐