مقاله انگلیسی رایگان در مورد بازیابی بافت با استفاده از بسته های موجک – IEEE 2019

IEEE

 

مشخصات مقاله
ترجمه عنوان 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
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۱۵ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه IEEE
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۴٫۶۴۱ در سال ۲۰۱۸
شاخص H_index ۵۶ در سال ۲۰۱۹
شاخص SJR ۰٫۶۰۹ در سال ۲۰۱۸
شناسه ISSN ۲۱۶۹-۳۵۳۶
شاخص Quartile (چارک) Q2 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر
گرایش های مرتبط مهندسی الگوریتم و محاسبات
نوع ارائه مقاله
ژورنال
مجله / کنفرانس دسترسی – IEEE Access
دانشگاه  Department of Electrical and Computer Engineering, The University of Texas at Dallas, Richardson, TX 75080, USA
کلمات کلیدی 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
شناسه دیجیتال – doi
https://doi.org/10.1109/ACCESS.2019.2947006
کد محصول  E13862
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
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

 

بخشی از متن 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]–[۲۱]. 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]–[۲۱], including, more recently, deep learning approaches [22], [22]–[۲۶], [۲۶]–[۲۹]. 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].

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.