Temat: GLCM - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: OS-GLCM computer system designed to generate a GLCM matrix for the digital image of oilseed rape
System informatyczny OS-GLCM przeznaczony do generowania macierzy GLCM opisującej teksturę obrazów cyfrowych rzepaku
Autorzy:: Okoń, P.
Boniecki, P.
Kozłowski, R. J.
Górna, K.
Jurek, P.
Fojud, A.
Powiązania:: https://bibliotekanauki.pl/articles/336570.pdf
Data publikacji:: 2017
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: GLCM matrix
disease
oilseed rape
macierz GLCM
choroba
rzepak
Opis:: The purpose of this paper is to produce original software for calculating the GLCM matrix and its properties. Application mechanics is based on two AForge.Net library for image segmentation, and the Accord.Net library for calculating the GLCM matrix. The application mechanics have included the ability to calculate the GLCM matrix at the given accounts. The application is equipped with functions that calculate the properties of the matrix as a full complement of the problem. Generated matrix properties are saved to a CSV file, or added to an existing one according to user preferences. Digital images of rape leaves constitute a research material used in the work.
Celem niniejszej pracy jest wytworzenie oryginalnego oprogramowania do obliczania macierzy GLCM, oraz jej właściwości. Mechanika aplikacji opiera się na dwóch bibliotekach AForge.Net do segmentacji obrazu, oraz biblioteka Accord.Net do obliczania macierzy GLCM. W mechanice aplikacji uwzględniono możliwość obliczania macierzy GLCM przy zadanych kontach. Aplikacja została wyposażona w funkcje obliczające właściwości macierzy, co pełni formę uzupełnienia zagadnienia. Wygenerowane właściwości macierzy zastają zapisane do pliku CSV, lub dopisane do już istniejącego wedle preferencji użytkownika. Materiałem badawczym wykorzystanym w pracy, są obrazy cyfrowe liści rzepaku.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2017, 62, 4; 41-44
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Automatic detection of brain tumors using genetic algorithms with multiple stages in magnetic resonance images
Autorzy:: Annam, Karthik
Kumar, Sunil G.
Babu, Ashok P.
Domala, Narsaiah
Powiązania:: https://bibliotekanauki.pl/articles/27314266.pdf
Data publikacji:: 2022
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
Tematy:: MRI brain tumor
GLCM
SURF
genetic optimization
advanced machine learning
Opis:: The field of biomedicine is still working on a solution to the challenge of diagnosing brain tumors, which is now one of the most significant challenges facing the profession. The possibility of an early diagnosis of brain cancer depends on the development of new technologies or instruments. Automated processes can be made possible thanks to the classification of different types of brain tumors by utilizing patented brain images. In addition, the proposed novel approach may be used to differentiate between different types of brain disorders and tumors, such as those that affect the brain. The input image must first undergo pre-processing before the tumor and other brain regions can be separated. Following this step, the images are separated into their respective colors and levels, and then the Gray Level Co-Occurrence and SURF extraction methods are used to determine which aspects of the photographs contain the most significant information. Through the use of genetic optimization, the recovered features are reduced in size. The cut-down features are utilized in conjunction with an advanced learning approach for the purposes of training and evaluating the tumor categorization. Alongside the conventional approach, the accuracy, inaccuracy, sensitivity, and specificity of the methodology under consideration are all assessed. The approach offers an accuracy rate greater than 90%, with an error rate of less than 2% for every kind of cancer. Last but not least, the specificity and sensitivity of each kind are higher than 90% and 50%, respectively. The usage of a genetic algorithm to support the approach is more efficient than using the other ways since the method that the genetic algorithm utilizes has greater accuracy as well as higher specificity.
Źródło:: Journal of Automation Mobile Robotics and Intelligent Systems; 2022, 16, 4; 36--43
1897-8649
2080-2145
Pojawia się w:: Journal of Automation Mobile Robotics and Intelligent Systems
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Analysis of impact of an edge effect on efficacy of selected texture analysis methods
Analiza wpływu efektu krawędzi na skuteczność wybranych metod analizy tekturowej
Autorzy:: Kupidura, P.
Górski, K.
Jeżowska, W.
Jankowska, A.
Powiązania:: https://bibliotekanauki.pl/articles/132337.pdf
Data publikacji:: 2015
Wydawca:: Polskie Towarzystwo Geograficzne
Tematy:: teledetekcja
tekstura
efekt krawędzi
GLCM
operacje Laplace’a
analiza granulometryczna
remote sensing
texture
edge effect
Laplace
granulometric analysis
Opis:: This paper presents the comparison of efficacy of three selected methods of texture analysis: Grey Level Co-occurence Matrix (GLCM) based entropy, Laplace operations and granulometric analysis, in the context of the edge effect. This effect means identifying edges of objects in an image as places of high texture, regardless of the real nature of the texture of the objects. It can significantly decrease the efficacy of selected methods of texture analysis. The article provides a brief presentation of the principal cause of this effect and also, shortly, the basics of the tested methods of texture analysis. The experiments were carried out on the VHR satellite image Pleiades (2m GSD), on the selected samples (test areas) of four land use/cover classes having different texture. The separation of these test areas in different texture images was assessed using Jeffries-Matusita distance. The results prove the significance of impact of the edge effect on the selected methods of texture analysis (GLCM entropy and Laplace operations), but they also show that a granulometric analysis is generally insusceptible to this effect, and thereby it provides the best discrimination of land use/cover classes of different texture.
Źródło:: Teledetekcja Środowiska; 2015, 53; 15-26
1644-6380
Pojawia się w:: Teledetekcja Środowiska
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "GLCM" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język