Gray-level Texture Characterization Based on a New Adaptive Nonlinear Auto-Regressive Filter
Notice bibliographique
Résumé
In this paper, we propose a new nonlinear exponential adaptive two-dimensional (2-D) filter for texturecharacterization. The filter adaptive coefficients are updated with the Least Mean Square (LMS) algorithm. Theproposed nonlinear model is used for texture characterization with a 2-D Auto-Regressive (AR) adaptive model. Themain advantage of the new nonlinear exponential adaptive 2-D filter is the reduced number of coefficients used tocharacterize the nonlinear image regarding the 2-D second-order Volterra model. Whatever the degree of the nonlinearity,the problem results in the same number of coefficients as in the linear case. The characterization efficiency ofthe proposed exponential model is compared to the one provided by both 2-D linear and Volterra filters and the cooccurrencematrix method. The comparison is based on two criteria usually used to evaluate the features discriminatingability and the class quantification in characterization techniques. The first criterion is proposed to quantify theclassification accuracy based on a weighted Euclidean distance classifier. The second criterion is the characterizationdegree based on the ratio of ";;;;;;;between-class";;;;;;; variances with respect to ";;;;;;;within-class";;;;;;; variances of the estimatedcoefficients. Extensive experiments proved that the exponential model coefficients give better results in texturediscrimination than several other parametric characterization methods even in a noisy context.Key words: Image Analysis, 2-D nonlinear filter, 2-D adaptive filter, texture characterization.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».