(3.237.97.64) 您好!臺灣時間:2021/03/03 08:08
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:陳美玲
研究生(外文):Mei-ling Chen
論文名稱:重要區塊對影像分類影響之研究
論文名稱(外文):A study of influence of important regions in the image classification
指導教授:李朱慧李朱慧引用關係
指導教授(外文):Chu-hui Lee
學位類別:碩士
校院名稱:朝陽科技大學
系所名稱:資訊管理系碩士班
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:40
中文關鍵詞:場景感興趣區域黃金切割影像分類
外文關鍵詞:Golden SectionRegion of Interestsceneimage classification
相關次數:
  • 被引用被引用:0
  • 點閱點閱:222
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:20
  • 收藏至我的研究室書目清單書目收藏:0
隨著數位時代的來臨,數位相機硬體技術不斷的進步,加上使用者對於相機的接受度提升,數位相機已成為生活中的必需品。現在大部份使用者皆會習慣使用相機內建的智慧型自動場景辨識功能,由系統自動分辨情境並選擇最佳拍攝設定,希望能更輕鬆地拍攝完美影像,但是我們發現目前使用自動辨識情境的正確率仍然不足夠,因大部份影像可能同時包含了許多不同的場景,可能既是屬於建築物的場景,也同時包含有風景的場景,這些不同主題的組合,在影像分類上往往會造成困難。因此,本研究提出以黃金比例來截取影像重要區塊,以及由使用者直接選取重點區塊的感興趣區域(Region of Interest, ROI)的兩種方式,來進行影像分類的改善。經本研究實驗後發現,此兩種機制將影像中的關鍵範圍萃取出來,均可提高影像分類的準確性,並且減少需要運算的區域,可加速分析處理的時間,讓影像分類出來的結果更貼近使用者的需求。
With the development of information technology, digital camera hardware technology continues to progress and User acceptance has been gradually enhanced, digital camera has become a necessity of life. Most users are accustomed to use digital camera with the built-in automatic intelligent scene recognition function, by the system automatic scene recognition and selecting the best shooting settings, hope to capture perfect images more easily. But we found that the current automatic recognition correct rate is still not enough. The scene classification of image may not belong to only one class. The image may belong to the Buildings scene, also include the landscape scene. Therefore, it is a difficult challenge to classify the scene images accurately. This thesis is proposed using the golden ratio to intercept the important region in image, or using the region of interest (ROI) method to allow users to directly select important region, to improve the precision of scene image classification. The experiments in thesis use these two methods to intercept the important region and remove the unnecessary region, the process time can be reduce for the smaller computing image region, also the result of image classification is closer to the user''s requirement.
目錄
摘要 I
Abstract II
目錄 III
圖目錄 V
表目錄 VI
第一章 緒論 1
1.1研究動機 1
1.2研究目的 2
1.3研究架構 3
第二章 文獻探討 4
2.1黃金比例切割法 4
2.2感興趣區域 8
2.3低階影像特徵 9
2.3.1顏色特徵 9
2.3.2紋路特徵 11
第三章 影像切割 12
3.1黃金切割 12
3.2感興趣區域 15
3.3影像低階特徵 16
3.4場景影像分類 17
第四章 實驗結果 18
4.1 實驗環境 18
4.2 實驗結果的評估方式 19
4.3 實驗結果 20
4.3.1 顏色特徵之實驗結果 21
4.3.2 紋路特徵之實驗結果 26
4.3.3 顏色與紋路特徵之實驗結果 31
五、結論與未來研究方向 36
5.1 結論 36
5.2 未來研究方向 37
參考文獻 38

圖目錄
圖一、黃金比例 4
圖二、鸚鵡螺的內部結構 5
圖三、黃金矩形與對數螺線 5
圖四、巴特農神殿 6
圖五、達文西畫像 7
圖六、感興趣區域(ROI) 8
圖七、HSV顏色空間模型 10
圖八、黃金切割之黃金交叉點 13
圖九、黃金區域 13
圖十、ROI區域 15
圖十一、六種場景的範例影像 19
圖十二、顏色特徵-六類場景之分類正確率比較 25
圖十三、紋路特徵-六類場景之分類正確率比較 30
圖十四、顏色與紋路特徵-六類場景之分類正確率比較 35

表目錄
表一、顏色特徵-原圖之各類場景分類正確率 21
表二、顏色特徵-黃金切割之各類場景分類正確率 22
表三、顏色特徵-ROI之各類場景分類正確率 23
表四、顏色特徵-六類場景之分類正確率 25
表五、紋路特徵-原圖之各類場景分類正確率 26
表六、紋路特徵-黃金切割之各類場景分類正確率 27
表七、紋路特徵-ROI之各類場景分類正確率 28
表八、紋路特徵-六類場景之分類正確率 29
表九、顏色與紋路特徵-原圖之各類場景分類正確率 31
表十、顏色與紋路特徵-黃金切割之各類場景分類正確率 32
表十一、顏色與紋路特徵-ROI之各類場景分類正確率 33
表十二、顏色與紋路特徵-六類場景之分類正確率 35
參考文獻
[1]李維歐(Mario Livio) (2004),丘宏義譯,黃金比例,遠流出版社。
[2]何素貞 (2008),大自然演繹-時尚形象,碩士論文,實踐大學時尚與媒體設計研究所,臺北。
[3]林榮章 (1999),都會區多解像力遙測影像之紋理分析,碩士論文,中興大學土木工程學系,臺中。
[4]周里津 (2008), 時間形狀化的可能性-應用於概念計時器設計,碩士論文,臺灣師範大學,臺北。
[5]徐英峰 (2001),可變撓性傳動系統之控制器設計,碩士論文,中山大學,高雄。
[6]徐曉佩譯 (2005),數位影像處理,高立圖書有限公司。
[7]許志宏 (2008),使用有效率的低階特徵選取於場景分類,碩士論文,朝陽科技大學資訊管理所,臺中。
[8]陳炯良 (2002),利用影像分類法之快速影像檢索系統,碩士論文,逢甲大學電機工程所,臺中。
[9]管德明、崔榮榮 (2008),服裝設計美學, 中國紡織出版,北京,第77頁。
[10]蔣佳欣 (2006),室內/戶外與建築物/自然風景之影像分類研究,碩士論文,南台科技大學資訊工程所,臺南。
[11]A.Bosch,J.Freixenet and X.Munoz (2007), ”Segmentation and description of natural outdoor scenes,” Image and Vision Computing, Vol.25, pp. 727-740.
[12]A. Casals, J. Batlle, J. Freixenet and J. Marti (2000), “A review on strategies for recognizing natural objects in colour images of outdoor scenes,” Image and Vision Computing, Vol 18, pp. 515-530.
[13]Charilaos Christopoulos,Athanassios Skodras and Touradj Ebrahimi (2000) , “THE JPEG2000 STILL IMAGE CODING SYSTEM:AN OVERVIEW,” IEEE Trans, Consumer Electronics, Vol.46, No.4, pp. 1103-1127.
[14]C. Connolly and T. Fliess (1997), “A study of efficiency and accuracy in the transformation from RGB to CIELAB color space,” IEEE Transactions on Image Processing, Vol. 6, No. 7.
[15]G. Giocca, I. Gagaliardi and R. Schettini (2001), “Quicklook2: An integrated multimedia system,” Journal of visual languages and computing, Vol. 12, pp. 81-103.
[16]R.M. Haralick. K. Shanmugam. I. Dinstiein (1973), “Texture features for image classification,” IEEE Transactions on Systems, Man and Cybernetics, Vol. 3, No. 6, pp. 610-621.
[17]O. Huseyin, T. u (2001), “Perfermance Evaluation of Multiple Regions-of-Inter Accessing Image Databases”,Proceedings of 2001 International Symposium on Intelligent Multimedia, Video and Speech Processing, Hong Kong, May 2-4.
[18]J. Kennedy and R. C. Eberhart (1995), “Particle Swarm Optimization,” Proceedings IEEE Int’l. Conf. on Neural Networks, IV, pp.1942-1948.
[19]J. H. Lim, and J. S. Jin (2005), “Combining Intra-Image And Inter-Class Semantics for Consumer Image Retrieval,” Pattern Recognition, Vol.38, Issue 6, June, pp. 847-864.
[20]B. M. Mehtre, M. S. Kankanhalli and W. F. Lee (1998), “Content-based image retrieval using a composite color-shape approach,” Information Processing & Management, Vol. 34, No. 1, pp. 109-120.
[21]H. Nezamabadi-pour and E. Kabir (2004), "Image retrieval using histograms of uni-color and bi-color blocks and directional changes in intensity gradient," Pattern Recognition Letters, Vol. 25, pp. 1547-1557
[22]G. Paschos (2001). “Perceptually uniform color spaces for color texture analysis: An empirical evaluation,” IEEE Transactions on Image Processing, Val. 10, No. 6, pp. 932-937.
[23]H. Permuter, J. Francos and I. Jermyn (2006), “Astudy of Gaussian mixture models of color and texture features for image classification and segmentation,” Pattern Recognition, Vol. 39, pp. 695-706
[24]A.E. Savakis, A. Singhal and J. Luo (2005), “A Bayesian network-based framework for semantic image understanding,” Pattern Recognition, Vol.38, pp. 919-934.
[25]J. Sun, X. Zhang, J. Cui and L. Zhou (2006), “Image retrieval based on color distribution entropy,” Pattern Recognition Letters, Vol. 27, pp. 1122-1126.
[26]M. J. Swain and D. H. Ballard (1991), “Color indexing,” International Journal of Computer Vision, Vol. 7, No. 1, pp. 11-32.
[27]J. Wales (2002), HSV Color Space, Wikipedia encyclopedia.
[28]H. Zhai, P. Chavel, Y Wang, S. Zhang and Y. Liang (2005), “Weighted fuzzy correlation for similarity measure of color-histograms,” Optics Communications, Vol. 247, pp. 49-55.
[29]Image.vary.jpg.tar (2008), www-db.Stanford.edu.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔