Dual Feature and Decision Fusion in Texture Classification
محل انتشار: پانزدهمین کنفرانس دانشجویی مهندسی برق ایران
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,376
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISCEE15_590
تاریخ نمایه سازی: 3 آذر 1391
چکیده مقاله:
In multi-texture images, we are using features such as edges, color and texture. Texture is the most important feature to achieve higher accuracy between these features. Inthis paper, a new algorithm is presented for texture classification based on adaptive power spectral density. Otherfeatures extracted by GLCM, GLRLM and purposed filter banks and to achieve a decision in a region each pixel classified by Bayes classifier. First, this algorithm created neural networkper each class, so train for each train sample. Next, Nets update by fisher discrimination popular. The net updates and makes thebest filter per each class. Feature selection processes apply, and the new sets of features use for texture classification. The maximum likelihood classifier (MLC) found similar class. Genetic Algorithms (GA) fused features and decisions. This method costume acceptable time when compared with previous methods. Experimental results show the accuracy and validity of the classification increased up to 88.14%.
کلیدواژه ها:
نویسندگان
Hamed Aghapanah
Tarbiat Modares University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :