image-classification:使用python进行纹理图像分类

上传者: 42120563 | 上传时间: 2022-05-23 15:49:47 | 文件大小: 328KB | 文件类型: ZIP
图像分类 使用Python和MATLAB进行纹理图像分类 图片来源: : (使用“灰度PNG图片”链接-23MB) 使用的图像:铝箔,灯芯绒和橙皮。 纹理图像 火车组:120张图像(每个班级40张图像) 测试集:120张图像(每个班级40张图像) 功能(使用Matlab提取): 灰度共生矩阵(GLCM):能量和熵。 快速傅立叶变换(FFT):均值和方差。 分类方法: K近邻 高斯朴素贝叶斯 评估:分类准确性 食谱 用Matlab提取特征 下载纹理图像数据集 收集在一个文件夹中,重命名images3。 运行.m文件 保存dataku.mat文件(不用担心!这里提供了dataku.mat文件)。 要了解有关该细节的更多信息,我准备稍后再上传MATLAB代码。 功能数量:4: 属性1:GLCM的熵 属性2:GLCM的能量 属性3:FFT的均值 属性4:FFT的方差 分

文件下载

资源详情

[{"title":"( 12 个子文件 328KB ) image-classification:使用python进行纹理图像分类","children":[{"title":"image-classification-master","children":[{"title":"texture.jpg <span style='color:#111;'> 52.06KB </span>","children":null,"spread":false},{"title":"Report_knn_kmeans.txt <span style='color:#111;'> 1.41KB </span>","children":null,"spread":false},{"title":"dataku.mat <span style='color:#111;'> 5.53KB </span>","children":null,"spread":false},{"title":"result_all.jpg <span style='color:#111;'> 27.71KB </span>","children":null,"spread":false},{"title":"result2.jpg <span style='color:#111;'> 78.56KB </span>","children":null,"spread":false},{"title":"result1.jpg <span style='color:#111;'> 97.74KB </span>","children":null,"spread":false},{"title":"imageclassification3_knn.py <span style='color:#111;'> 1.18KB </span>","children":null,"spread":false},{"title":"imageclass_kmeans.py <span style='color:#111;'> 1.24KB </span>","children":null,"spread":false},{"title":"imageclass_knn_kmeans.py <span style='color:#111;'> 1.20KB </span>","children":null,"spread":false},{"title":"README.md <span style='color:#111;'> 1.92KB </span>","children":null,"spread":false},{"title":"result3.jpg <span style='color:#111;'> 99.80KB </span>","children":null,"spread":false},{"title":"imageclassification4_gnb.py <span style='color:#111;'> 1.25KB </span>","children":null,"spread":false}],"spread":false}],"spread":true}]

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明