Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "textural features" wg kryterium: Temat


Wyświetlanie 1-3 z 3
Tytuł:
Study of Selected Textural Features Properties on Asbestos Roof Images
Badania własności wybranych cech teksturalnych na podstawie fragmentów obrazów dachów azbestowych
Autorzy:
Książek, J.
Powiązania:
https://bibliotekanauki.pl/articles/386168.pdf
Data publikacji:
2018
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
tekstura obrazu
dachy azbestowe
image texture
asbestos roof
image processing
orthophotomap
textural features
Opis:
This research concentrated on an assessment of the sensitivity of five selected textural feature groups focused on changes in contrast, brightness, sharpness, and rotation of image. The analyzed texture images were real samples of asbestos roofs. During the study, MaZda software was used for determining 259 different textural features. The obtained results were analyzed to indicate insensitive parameters while transforming the sample image. There were no textural features found in the received results, which were simultaneously resistant to all of the implemented changes.
Przedstawione prace badawcze dotyczyły oceny wrażliwości wybranych pięciu grup cech teksturalnych na zmiany kontrastu, jasności, ostrości oraz obrotu obrazu. Obraz tekstury stanowiły rzeczywiste próbki dachów azbestowych. W trakcie badań korzystano z oprogramowania MaZda, które pozwoliło wyznaczyć 259 różnych cech teksturalnych. Przeanalizowano otrzymane wyniki pod kątem parametrów niewrażliwych na przekształcenia obrazu próbki. W uzyskanych wynikach nie znaleziono cech tekstury, które są równocześnie odporne na wszystkie czynniki powodujące ich zmianę.
Źródło:
Geomatics and Environmental Engineering; 2018, 12, 4; 45-54
1898-1135
Pojawia się w:
Geomatics and Environmental Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Multi-feature ensemble system in the renal tumour classification task
Autorzy:
Osowska-Kurczab, Aleksandra Maria
Markiewicz, Tomasz
Dziekiewicz, Miroslaw
Lorent, Malgorzata
Powiązania:
https://bibliotekanauki.pl/articles/2173572.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
medical imaging
renal cell carcinoma
convolutional neural networks
textural features
support vector machine
computer vision
deep learning
technika deep learning
obrazowanie medyczne
rak nerkowokomórkowy
konwolucyjne sieci neuronowe
cechy tekstury
maszyna wektorów nośnych
wizja komputerowa
głęboka nauka
Opis:
Recently, the analysis of medical imaging is gaining substantial research interest, due to advancements in the computer vision field. Automation of medical image analysis can significantly improve the diagnosis process and lead to better prioritization of patients waiting for medical consultation. This research is dedicated to building a multi-feature ensemble model which associates two independent methods of image description: textural features and deep learning. Different algorithms of classification were applied to single-phase computed tomography images containing 8 subtypes of renal neoplastic lesions. The final ensemble includes a textural description combined with a support vector machine and various configurations of Convolutional Neural Networks. Results of experimental tests have proved that such a model can achieve 93.6% of weighted F1-score (tested in 10-fold cross validation mode). Improvement of performance of the best individual predictor totalled 3.5 percentage points.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 3; art. no. e136749
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Multi-feature ensemble system in the renal tumour classification task
Autorzy:
Osowska-Kurczab, Aleksandra Maria
Markiewicz, Tomasz
Dziekiewicz, Miroslaw
Lorent, Malgorzata
Powiązania:
https://bibliotekanauki.pl/articles/2128157.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
medical imaging
renal cell carcinoma
convolutional neural networks
textural features
support vector machine
computer vision
deep learning
technika deep learning
obrazowanie medyczne
rak nerkowokomórkowy
konwolucyjne sieci neuronowe
cechy tekstury
maszyna wektorów nośnych
wizja komputerowa
głęboka nauka
Opis:
Recently, the analysis of medical imaging is gaining substantial research interest, due to advancements in the computer vision field. Automation of medical image analysis can significantly improve the diagnosis process and lead to better prioritization of patients waiting for medical consultation. This research is dedicated to building a multi-feature ensemble model which associates two independent methods of image description: textural features and deep learning. Different algorithms of classification were applied to single-phase computed tomography images containing 8 subtypes of renal neoplastic lesions. The final ensemble includes a textural description combined with a support vector machine and various configurations of Convolutional Neural Networks. Results of experimental tests have proved that such a model can achieve 93.6% of weighted F1-score (tested in 10-fold cross validation mode). Improvement of performance of the best individual predictor totalled 3.5 percentage points.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 3; e136749, 1--8
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-3 z 3

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies