为进一步研究基于字典学习的机织物纹理表征算法的稳定性与可比性,提出用离散余弦变换(DCT)过完备字典稀疏表征算法来重构织物纹理图像。重点探讨了稀疏度、子窗口大小、字典个数对纹理表征效果的影响,利用均方根误差和峰值信噪比指标...为进一步研究基于字典学习的机织物纹理表征算法的稳定性与可比性,提出用离散余弦变换(DCT)过完备字典稀疏表征算法来重构织物纹理图像。重点探讨了稀疏度、子窗口大小、字典个数对纹理表征效果的影响,利用均方根误差和峰值信噪比指标对机织物原图与重构图像之间的近似程度进行量化,并确定最终优选的稀疏度为10,子窗口大小为8像素×8像素,字典个数为256。实验结果表明,所提方法不仅方便快捷,还可得到较好的表征效果。此外,其DCT过完备字典峰值信噪比值仅次于基于训练的自适应学习字典,且优于主成分分析和非稀疏表征算法约4 d B。展开更多
文摘为进一步研究基于字典学习的机织物纹理表征算法的稳定性与可比性,提出用离散余弦变换(DCT)过完备字典稀疏表征算法来重构织物纹理图像。重点探讨了稀疏度、子窗口大小、字典个数对纹理表征效果的影响,利用均方根误差和峰值信噪比指标对机织物原图与重构图像之间的近似程度进行量化,并确定最终优选的稀疏度为10,子窗口大小为8像素×8像素,字典个数为256。实验结果表明,所提方法不仅方便快捷,还可得到较好的表征效果。此外,其DCT过完备字典峰值信噪比值仅次于基于训练的自适应学习字典,且优于主成分分析和非稀疏表征算法约4 d B。