文摘

针对复杂图像识别特征提取问题,本文提出了一种基于并行智能服装设计模型伽柏图像特征提取算法。基于智能并行模式,算法的计算过程分解和合并图像伽柏变换,分解整个伽柏图像特征提取的计算过程并行部分和非平行部分,并加速通过使用多核并行的部分。然后综合计算结果实现的目的多核并行加速整个计算过程。其次,考虑的基础上提高智能服装设计系统的实时性能,结合现有多核环境,本文使用智能模型设计和实现图像并行伽柏特征提取算法,利用图像处理和分析技术来分析传统服装的视觉元素和识别和量化评价体系形成一个相对完整的服装视觉元素,它提供了一个基础的大规模收集和自动评价服装视觉效果,以及服装趋势跟踪和预测。实验表明,该算法可以有效地缩短计算时间的伽柏图像特征提取和多核环境中可以获得良好的加速。同时,结合多尺度智能服装分类算法,在VS2008中平台的基础上,结合OpenCV 2.0,设计并实现了一个智能服装设计系统,并进行了实验测试和系统测试。实验结果表明,本文给出的算法能够准确地从背景中织物瑕疵,这证明了检测算法具有良好的检测效果。仿真结果表明,本文提出的算法可以更准确地确定衣服的状态特性,实时性能的智能服装设计在多核环境中已经在一定程度上改善。

1。介绍

图像识别是身份识别的主要技术之一使用生物识别技术,这是用于许多领域。图像识别技术涉及多个专业领域,包括服装工业情报,图像处理和分析,图像编码、模式识别、计算机视觉、生物技术等领域。这是一个主要的研究近年来1]。此外,图像识别技术具有高安全性和高市场需求。它可以应用于服装人事档案管理,怀疑搜索和识别、安全验证和安全系统、证书和信用卡验证,服装机器交互系统、访问控制和自动柜员机,和许多其他场合。因此,图像识别具有更大的理论研究价值和一定的商业发展前景(2]。随着科学技术的发展,计算机技术已经大大发展,但目前的服装工业情报技术并不足以轻松地识别图像(3]。因为每个图像的特征是不同的,当数据被收集,它是受光照的影响,角度,距离,等;每个形象都是不同的;,很难以构建一个与各种不变性描述模型(4]。另外,随着信息化程度的加深,许多应用领域,如电子商务、安全认证和智能环境,提出了更高的要求与图像相关的信息处理(5]。

国内外相关研究单位和服装成员继续对每个模块进行独立研究。模块之间的联系研究仍然是一个新问题,如衣服的自动筛选体型数据根据服装风格,和自动进口服装类别的身体数据到服装CAD的快速模式设计模块,等关键技术问题的数字集成项目的服装设计和开发(6]。由于图像本身的特征的差异和不同的特征提取方法,很难找到一个普遍适用的服装特点模式识别算法。只对特定的特征提取,一个更合适的模式识别算法可以用来获得一个好的识别率(7]。其中,在当前阶段,之前的风格设计是完全智能化,数字化,二维服装风格图仍是服装风格设计的表达方式,和服装结构的技术参数是评价服装风格的服装风格根据服装风格图和服装体型模式技术转换的重要内容8]。因此,研究可靠具有重要意义,快速、高效的智能服装设计算法。现有研究服装特征检测基于服装特征识别率很低,不能满足实时要求的智能服装的设计。基于伽柏图像特征提取可以捕捉服装特性的多尺度特性。多尺度分类算法可以挖掘特征信息在多个特征尺度上获得更好的识别。同时,智能的多核并行计算可以加快检测(9- - - - - -11]。

基于伽柏获得的多尺度特性的图像特征提取算法,提出了一种多尺度服装图像分类算法分类服装特性和nonclothing特征图像。该算法充分考虑多尺度特性的特征向量,并使用衣服的特点特征在不同尺度上的表现也不同。每个尺度上的图像类别判断,然后,判决结果在每个规模组合得到最终的分类结果的服装特点。在图像的预处理、样品的尺寸和分辨率图像首先控制统一的规范和结构形象;然后,二维算法的优缺点和FCM算法在图像分割进行了讨论,改进算法是用于衣服的细分类别和背景,虚拟的缝纫模式,建立样式图,和缺陷的识别和测量。分析的织物图像分割、纹理分析方法,如纹理消除,提高,定向分析和非基本纹理增强是这些研究的共同特征,在分析实验数据,初步建立的转换模型之间的差距腰或臀部侧缝和宽松的衣服在x形的服装风格和h型的身体。同时,该研究使用数学形态学提取的轮廓服装类别和讨论了抵消由于形态因素及其补偿方法。实验结果表明,多尺度分类算法的识别率提出了比现有的智能服装设计方法基于局部特征。

2。相关工作

相关研究主要是利用图像处理和分析方法来提取服装身体的某些部位或平面服装的轮廓分析和解释服装颜色或模式通过颜色图像的空间变化和分析通过数据或模式识别方法。服装设计系统对智能的方向发展以满足个人设计要求,实现服装机交互的设计方法;打破固定模式实现的最大空间再创造和设计应用程序;把风格设计与结构设计和工艺与服装设计和生产效率的提高(12]。

杨et al。13)利用小波分析提取的服装类别图像的轮廓。基于综合利用多尺度小波变换检测图像灰色的一步突变点,小波系数最大值的直方图均衡化是用于自适应选择双阈值,和nonmaximum值点是隐含的边缘。线条优雅,和双阈值是用来跟踪连接边缘点,以获得一个single-pixel-level服装的轮廓图像的身体。陈和杨14]介绍了轮廓误差和支点等概念,提出了一种新的轮廓提取方法,并将结果应用到服装图像与打印模式。首先,初始形态轮廓提取的方法,然后,初始轮廓分为几个单一分支,最后,树枝的结构噪声消除的轮廓误差的计算。基于形态学方法的初始轮廓提取算法可以去除衣服内的像素图像和外部阴影和水印;轮廓误差的计算可以有效地识别纹理噪声数据和修复的影响印刷模式的服装轮廓。温(15)使用环形直方图计算颜色特征在一个计算机辅助设计系统和使用边缘增长算法部分颜色服装模式使用环形直方图量化颜色服装的形象,减少阴影和高光。颜色同现矩阵是用来描述颜色的空间相关性,和出现频率不同颜色的服装质地。在此基础上,衣服上的颜色块区域是凝聚通过区域增长算法,从而达到分解服装结构的目的。

使用数字图像处理技术来检查一些参数在纺织品和服装领域,以及执行性能测试纺织品的外观和内部质量,是数字处理技术的发展和重大进步检验和测试在纺织品和服装行业。随着计算机技术和大规模集成电路技术的发展,数字图像处理技术的软件和硬件环境不断改善,和计算速度的优势,测试精度、数据处理和结果重现性更好。Agrwal et al。16)使用在线手绘草图识别和理解技术来设计和实现一个二维方案设计CAD系统,支持平滑的用户输入。中风在线草图识别和正则化技术适用于处理复杂的草图和可以提高理解草图的过程中工业产品创新。帕蒂尔和库马尔17)第一次使用3 d虚拟服装预处理过程3 d数字服装类别和输出服装原型。然后,映射到三维服装的身体 - - - - - -维平面形成二维轮廓线的衣服的身体,和噪音。用户设计二维服装轮廓实时二维服装虚拟服装的轮廓。三维虚拟服装设计系统收集所需的特征点的轮廓线和分解,将二维服装轮廓线根据特征点和特征点的连接在不同位置的衣服的身体形成一个交叉线和形状。目前,它越来越明显的研究问题通过图像处理技术在纺织和服装领域(18]。范围的研究也逐渐从纤维细度和卷曲度、纱线混纺比和均匀性,织物密度测量缺陷检测,抗起球性,褶皱评估、服装褶皱层面,缝效果评价、三维服装身体测量等等(19- - - - - -21]。

3所示。建设基于伽柏图像识别技术的智能服装设计模型

3.1。伽柏过滤器等级分布

伽柏小波领域的广泛应用机器视觉和结构分析。二维伽柏小波可以模拟轮廓信息感到哺乳动物的视觉神经。识别效果类似于服装的眼睛识别效果,而且可以获得最好的决议在时域,空间领域,规模和方向,所以使用伽柏。图1显示了伽柏的分层拓扑过滤。

subspace-based法是一种提取方法总体特性,也就是说,提取整个图像,然后进行比较分析和识别。它是当前主流的图像识别方法。

根据空间变换是线性的,是否subspace-based算法可分为非线性子空间算法和子空间线性算法。这是一个更有效的提取方法比PCA方法。它提高了图像描述能力而消除像素之间的高阶统计相关性,和独立的组件不需要满足正交关系。

考虑到多个伽柏的伽柏的脸是由卷积过滤器和图像,空间维度和计算量大大增加。在实际使用中,抽样或减少空间维度通常采用减少计算效率提高。

为了减少冗余_f功能设置,优化伽柏滤波器组的方法通常是采用基于线性相关标准。通过分析相关矩阵的伽柏过滤器,发现规模设置当相关矩阵达到最低是V1。可以获得一组优化的过滤器,它可以提高工作效率。

通过计算图像来计算所有极端点在尺度空间中,每个像素与8相邻像素在同一图像和9相邻像素相邻尺度上发现它大于或小于所有像素邻对比点。

通过治疗的非平稳信号处理的叠加一系列短期平稳信号,使用集成的原则,一个窗口设置为实现短期业绩,和整个时间域覆盖率是通过参数的翻译 。

通过缩放和移动功能,满足小波函数的基本条件,一系列的小波函数具有不同中心频率、带宽不同,可以获得不同的方向形成一个家庭的小波函数。构建一系列小波的家庭根据实际需要可以实现信号的多分辨率分析和处理,大大提高了信号处理的效果。

根据其变换特征,伽柏变换也被称为窗口的傅里叶变换和短时傅里叶变换。来自伽柏变换的傅里叶变换窗口,但它是一样的小波变换由于其可伸缩窗口,可调频率和带宽的内核函数。

整个比较过程可以有效地运行,和大部分的点可以删除在最初几个比较。高斯函数是唯一尺度空间的内核。定义函数的尺度空间 照片可以得到图像的卷积 高斯复合函数 。

3.2。图像识别算法

一般来说,灰度图像是256级灰度。图像的二值化阈值处理,需要和原始灰度图像是一个二进制图像所代表的前景色和背景色。视频图像通常需要预处理能够执行特征提取和识别。

预处理工作的质量将直接影响到识别效果。的主要问题要解决图像识别的图像服装功能包括图像二值化、平滑、去噪。动态阈值选择的方法不仅考虑像素的灰度值和周围像素的灰度值,还像素的坐标位置的信息。它可以处理图像图像质量较低,但计算时间较长。

因此,它不用于图像识别。局部阈值和动态阈值可以执行更好的低质量图像二值化处理,但是他们的开销比较大,在实际应用中,图像处理当地的阈值和动态阈值将产生整体阈值不会产生失真。因此,在图像二值化过程中,整体的二值化方法通常用于二值化的过程。表1显示了图像二值化处理的描述属性。

在实际应用中,图像识别身份特征的提取是图像识别中包含从输入图像,然后分析和比较它与图像库中的图像来确定主题的身份。过滤器的大小和分解方向选择和分析,然后,伽柏过滤器由这些参数用于分解织物图像在不同尺度和方向获得多个分解子图象包含不同的信息。一个完整的图像识别系统由图像预处理、特征提取和分类器设计。图2显示了图像识别算法的框架。给定的算法流显示新方法分为两个部分:培训和检测:在训练部分,首先,训练图像样本集是通过平行Gabor小波变换,获得多尺度和多方向的伽柏图像特征矩阵,然后通过特征方向融合得到融合特征向量集。

检测部分,首先检测图像也经历了平行Gabor小波变换和方向特征融合,获得融合特征向量,然后检测图像融合特征向量进行多尺度融合特征向量集的分类训练样本,最后,综合判断。伽柏小波变换图像的过程将原始图像进行卷积40种不同伽柏核心,这需要大量的计算。智能服装设计系统,实时需求的一个重要指标检测系统的性能。

3.3。服装设计元素的成分

服装通常是支持的肩膀。除了一个舒适健康的实用目的,肩膀的形状也是服装美学的一个重要组成部分。肩膀的形状也有一个很大的影响服装的整体形状。不同肩形状不仅可以突出胸部和腰部的s形曲线软还模仿男性倒三角形显示强烈的现代女性的态度。在服装结构中,肩斜角度和肩斜下降通常是作为最基本的肩膀的形状参数。首先,分析谱图中的每个亮点的意义,然后通过阈值分割,提取特征坐标点描述织物纹理,最后计算织物纹理的频率范围。本研究使用图像处理方法来识别肩斜角度和肩膀的数量下降的服装类别,提供基础的视觉元素的提取的肩膀。在轮廓识别的问题,每个段的平均宽度从图像中提取的特征量,和一个形状的特性公式,T形状,H形状,X形状,建立了形状。特定配置文件的特征值越大,越接近服装的外轮廓是概要文件。这个设计的原因,本研究认为,任何类型的服装轮廓是相对的; that is, there is a gradual transition between various silhouettes without clear boundaries. Therefore, under this scheme, five eigenvalues are output when identifying any valid sample. If you want to investigate whether the clothing silhouette is obvious, you can judge by the characteristic coefficient corresponding to the maximum characteristic value. Figure3显示服装的属性分布地图配置文件特性系数。特征系数越接近于1,更明显的概要文件。

是否有一个明显的腰围的服装类别,和腰围的高度和宽度也重要轮廓元素。关键问题是确定腰部的位置,然后,它的高度和宽度可以很容易得到。与服装的视觉经验,我们发现,如果有一个明显的腰的衣服的身体,然后,腰部应该在CW的中间部分。边也是一个重要轮廓元素。它可能是裙子或哼哼。下摆的高度计算的关键是确认下摆的位置。根据视觉体验,我们把位置宽度的变化和部分哼哼。首先,删除最亮的点(起源)中心的形象,然后选择一个合适的阈值来分割图像,消除雪花形背景点。阈值分割是提出图像分割技术,尤其适用于图像目标和背景占据不同灰度级范围。活动轮廓模型提取图像轮廓图像的基于能量的功能信息;目标对象的边缘,通过使用连续曲线,描述,在此基础上,定义能量函数。边缘的能量函数曲线是一个独立的变量。解决过程中能量函数的最小值是轮廓线的过程。在正常情况下,该函数需要解决的是欧拉方程,和能量函数的最小值转化为求解欧拉方程。当欧拉方程获得的能量达到最小值,曲线的位置的位置目标物体的轮廓。

3.4。模型加权因子更新

在高维多模问题,很难保证算法的收敛性,运用聚类和其他分类方法,和的计算量非常大。基于距离的分类器显示其优势等问题。步骤是首先把图像子空间的特征提取,伽柏特性和NMF(非负矩阵分解)获得31-dimensional向量和使用所表示的图像样本向量作为神经网络分类器的输入。距离分类器的通用应用程序模式是第一组的统计平均每种类型的模式的模式向量作为参考模板的类型,然后比较测试样本识别参考模板的每种类型的模式。同时,根据识别的需要,可以设置阈值,可以拒绝校准根据获得的相对距离的信息在每个类别。64年的相关系数伽柏过滤器组成 矩阵。在这个时候,我们会发现,这个矩阵是一个对称矩阵,对角元素都是1,相关系数的范围是[1]。图4显示了直方图的相关系数伽柏的子空间特征的图像。如果[0,1]映射到Di学位规模区间[0,255],这对称矩阵已经明显的特点。

图像预处理后,标准归一化图像可以获得。在模式识别和分类、图像特征提取需要执行。图像特征提取算法有很多,很多算法在一定程度上取得了良好的效果。特征选择和提取的任务是找到最有效的特征向量进行分类。合理的特征向量提取算法可以提取识别算法更有利于特性分类根据不同的应用程序。系统获得的数字图像灰色织物通过线性扫描相机。伽柏过滤方法用于处理图像为了提高检测效果,并最终结果分析得到几何特征的模式识别和分类。轮廓跟踪可以用来实现目标轮廓的提取二进制图像。有两种类型的像素,目标和背景,在二进制图像。轮廓跟踪的过程生成轮廓链码的过程,也就是说,选择一个种子轮廓点,然后穿越区域的轮廓点顺时针或逆时针方向,和记录历史信息为轮廓链码。 A contour chain code is obtained every time, and by adjusting the strategy of finding the first edge pixel, the remaining contours can be tracked in the same way. Image detection methods are mainly divided into two categories: one is based on statistics, which treats the image as a multidimensional vector, and converts the image detection problem into a detection problem of signal distribution in a multidimensional space; the other is based on the standard class, according to the basic characteristics of the image; we establish corresponding standards to transform the image detection problem into a hypothesis/verification problem.

4所示。应用程序和基于伽柏分析智能服装的设计模型图像识别技术

4.1。伽柏图像数据处理

当使用Gabor变换,分析织物结构,为了消除在中心频率分辨率的影响,织物结构的频率范围是归一化到0 ~ 1,织物结构的频率,织物纹理的最大频率,所以归一化后的图像分辨率的中心频率没有影响。因此,如果你不知道图像分辨率,可以直接正常频率为0 ~ 1确定伽柏滤波器的中心频率。如果你需要提取图像的频带信息,然后你需要进行低通滤波,带通滤波、高通滤波。提取不同的图像特征,不同图像预处理操作是必需的。背景必须首先删除,然后几何归一化灰度归一化。几何归一化处理后实际上是所有服装面旋转定位到相同的角度和他们同样大小的调整,而调整图像灰度归一化处理是指相同的亮度和对比度,以避免照明的变化。图5显示了直方图特征向量中心频率值的伽柏形象。从特征提取的角度,伽柏过滤可以被认为是提取图像的各种特性从不同尺度和方向。如果你使用5-scale八向伽柏波,然后过滤图像得到40组特征向量的不同属性和简单的级联这40组特征向量的特征向量。很长一段时间了 ;然后,特征向量进行学习和识别分类。

本研究中提取图像的一般特征从500年服装和服装的图像分类和计算每个样本之间的差异的范围和图像的一般特征。这些样品尝试包括主体与不同属性(性别、肤色、服装类别,等等)为了推广自己的特点,但他们仍可能不适用于特殊人群(如儿童)。如果要应用于一个特殊的群体,有必要重新审视头和躯干的比例变化和提取一般特征。该方法首先使用校准板上标有数字来完成每个相机的标定。然后,在共同的帮助下分区域相邻摄像机捕捉到,当地的世界坐标系之间的关系找到相邻的摄像头,以完成数据拼接,实现整个系统的校准。特征提取部分,选择的特征尺寸会影响最终的识别率。通常,识别率会增加随着特征维数的增加,但在一个特定的特征维度,识别率不会继续增加。因此,ORL映像库的不同特征尺寸(包括20、25、30、35岁和39尺寸),使用了相同的训练样本,10仿真实验的检测样品,和200个训练样本是随机选择为每个模拟实验(5样品/服装类别),剩下的200份作为测试样本,10次的平均值作为最终结果。在PCA特征提取部分,费雪的脸,和伽柏特性,分别;主成分分析是在同样的训练和检测条件下获得的。 The feature dimension with the highest recognition rate is 39, and the Gabor feature is 30. The experimental results are obtained.

4.2。实现服装设计模型模拟

实验平台的具体配置本文中使用如下:处理器是英特尔奔腾E5200;显卡支持Direct3,显存是1 g (RAM DDR2 800 2 g硬盘320 g;1 SD相机;Windows XP系统和Matlab 7.1版本)。ORL数据库收集总共40服装的图片,他们都在不同的时间,不同的背景灯光,不同的表情,睁着眼睛,闭着眼睛,有些微笑,有些严重。其中,每个服装类别有10件,共计400件,灰度是256,和图像大小 。识别方法是一样的确认和计量方法的模型高度的袖长确认和计量程序。然后,开始确定的数量差距在臀部检测区域,从左上角第一个像素的检测区域,扫描它列列沿列方向,并找到红色像素找到臀部的位置。

在每个位置,滑动窗口的大小逐渐改变,并在窗口图像的特征矩阵提取并与图像的一般特征。结果被填充到一个匹配的表,它包含三个字段的位置坐标,大小,和差异;也就是说,它包含不同的值对应于不同大小在每个位置。图6显示了伽柏的中心频率偏移曲线图像。搜索匹配表,考虑不同的条目小于6(略大于5.73)的最大区别是图像特征区域;如果有几个功能区域的位置重叠,只有最小的选择差异。这个方法是确定纹理基元,提取少量的正常纹理特征参数,建立相应的结构模型,然后分析了图像进行测试发现异常信息来确定是否存在缺陷。根据这个过程,计算机程序被用来检测剩余的400张照片,命中率达到99.5%。确定分解,计算中的主要频率谱图0.14周期/毫米。根据主要频率和频率范围之间的关系,确定分解的规模伽柏过滤器3范围内,可获得根据半峰切条件。当 角,每个滤波器的中心频率在横轴上是0.08,0.16,和0.31,水平轴上的标准偏差为0.02,0.04,和0.09,和垂直轴上的标准偏差为0.02,0.03,和0.07,每个规模时的中心频率和标准偏差 决心,过滤器可以通过其他角度旋转。可以看出,采样因子对识别率有一定影响,但影响不是很大。当每个图片的尺寸抽样超过103后,利用主成分分析法(PCA)的时间消耗处理迅速上升,表明图像特征维度的PCA处理时间有很大的影响。因此,在实际应用中,必须找到一个合适的采样因素。本文是更合适的采样因素更改为100。

4.3。示例应用程序和分析

本文使用112种不同的服装类别的基于“增大化现实”技术的数据库;每个服装类别有13个样本图像;手动切每个图像的边缘,减少图片的大小48 x20的,并将基于“增大化现实”技术的图像库划分为两个子程序库。两个子程序库是由112个不同的服装类别,每个服装类别包含10个样本图片。伽柏转换后,原始图像和伽柏内核函数的卷积,维度变得非常高,达到 ,和计算的数据量大大增加。出于这个原因,必须找到最能代表图像的最基本特征。根据前一章中的讨论,采样处理是必需的。采样因子的大小之间的关系和识别率和PCA处理时间显示在文本中。训练样本的数量是5,和关键特性的数量是80。图7展示了服装图像的波动幅度的分布的因素。对称的波动幅度计算每个样品都是0.12 - -0.39倍。耶鲁图像库包含15个不同的服装类别,和每个服装类别有11个样本(图片),包括各种表情如惊讶,皱着眉头,和笑声;在这篇文章中,它是每个特性的维数(从20到39)。在每个仿真,75个样本(5为每个服装类别样本)随机选择训练样本,剩下的90作为测试样本。因此,当使用滑动窗口扫描图像时,对称的因素首先计算,只有当吗 (略小于0.12)它可以用作一个特征区域的特征矩阵提取和比较确定。此外,当提取特征矩阵,只有左滑动窗口的一半计算。因为有大量的nonfeature地区现场图像和特征区域只占一小部分的区域,这种方法可以缩短计算时间60%以上。

我们运行程序的识别和测量数量的差距的侧缝衣服的腰围在MATLAB 7.0中,分别识别和衡量服装和服装之间的缺口量体的侧缝腰线在每个服装样式图,和腰围左边和右边。观察实验数据,腰围变得宽松,在腰围端接缝的差距也变得更大,但由于不同的样式,每组数据和增加变化的大小也不同。高频信息在频域对应的信号变化剧烈的空间域,而低频信号对应于空间域信号变化缓慢。如果图像本身具有空间周期性,傅里叶谱的峰值能量浓度对应的主要方向纹理模式。然而,每组孔隙的数量增加而基本上相同不同的腰围和增加相同的值。75组数据被导入到SPSS数据处理软件进行分析。首先,分析了两者之间的相关性。皮尔森相关分析进行的分析,并得到了分析结果。从数据可以看出,在相同的腰部松弛,空白的腰侧缝的不同风格是不同的。这是因为孔隙的数量有直接的关系与特定的服装风格,比如腰围的分布位置和分布数量的衣服。 Therefore, in order to obtain a more accurate regression model, a more detailed style grouping is required.

这个实验的主要目的是比较两个图像识别算法伽柏+主成分分析和主成分分析,进一步验证伽柏+ PCA算法的优点。在实验中,选择相同的实验条件下,也就是说,同样的训练样本和测试样本。对实验的准确性,减少到形象 进行任何处理之前,和实验进行了不同数量的主要元素。图8显示了伽柏的二维散射点分布图像空间特征识别率。它可以发现,当样本数量的增加从60到160年,提高识别率的速度是最快的;然后随着样本数量的增加,提高识别率的速度开始减慢;当样品的数量是280,识别率最高,达到了96.6%。为了避免标志线不扩展到图像的边缘,从第十列的像素图像,检测完成。考虑噪声的干扰,像素的RGB值之间的差异和背景颜色的RGB值判断是否第一个红色标记线。可以看出,正确识别率的最近邻分类器基于PCA,费雪的脸,和伽柏特性降低了0.85%,2.8%,和0.55%,分别和纠错减少0.55%,二级分类器是降低了0.25%,0.7%,0.45%。可以看出,无论哪一个特性是使用,减少的特征维度在二级分类器的影响也最小。当训练样本的数量大于280,识别率也减少。

5。结论

基于几个图像识别算法的研究,伽柏小波变换的原理,及其在图像特征提取中的应用,本文使用Gabor小波变换,构造一个图像弹性图来确定图像特征模板;然后,一个简单的图像识别系统设计结合主成分分析,并进行相应的实验图像数据库。伽柏小波变换后,维数将会变得非常高,不利于图像识别。因此,一个简单的图像识别系统设计基于伽柏+ PCA。服装风格的识别,本文提取图像上的每个部分的宽度,并使用段的宽度的比值提出剖面系数的概念,用于描述服装风格的亲密各种常见服装轮廓。轮廓线两边的部分进行了分析,和方向提出了序列的概念,揭示了肩肩的颈部的特征点和高程点的肩膀。分析的基础上的时频特征伽柏过滤器,一个椭圆形的多尺度和多方向的伽柏滤波器组设计的纯灰色织物疵点图像滤波器组是用来过滤织物疵点图像在频域。同时,识别和量化的方法探讨了服装的视觉元素,形成一个相对完整的识别和评价体系,并在此基础上,进行了软件和硬件设计,服装视觉元素收集和分析系统实现了利用计算机编程和自动化技术。它提供了理论基础和实践平台的自动评价服装视觉效果的跟踪和预测服装时尚潮流。通过实验验证,主成分分析可以解决图像识别和谨慎选择的学习问题降维后的维度。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。