Texture analysis of images using principal component analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Extracting texture/roughness information from grayscale or multispectral images for off-line quality control, or on-line feedback control is a difficult problem. Several statistical, structural & spectral texture analysis approaches for grayscale images (using various pre-defined filters etc.) have been suggested in the literature1, 2 In this paper we propose a new approach based on Multivariate Image Analysis techniques using multi-way Principal Component Analysis. Prior to analysis the grayscale images are transformed into three-dimensional pixel intensity arrays through spatial shifting of the image in several directions followed by stacking the shifted images on top of each other. The resulting three -dimensional image data is a multivariate image where the third (i.e. variable) dimension is the spatial shifting index. Multi-way PCA is then used to extract features (PC scores), which contain the greatest amount of variation. Plots of the observed values of these scores against one another define a score space. Certain regions of this score space contain the texture information of the grayscale image. By masking these regions and tracking the number of pixels having features that fall in these regions, or by comparing the score spaces with template exemplars, one is able to monitor changes in the image surface textural properties. The approach is illustrated using a set of grayscale images of the surface of steel sheet. Based on the textural features extracted from the surface images a simple classification scheme is devised in which each sample image is assigned into one of two classes representing good or bad surface characteristics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle