《表3 实验结果对比：多模式共生的彩色纹理图像分类方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《多模式共生的彩色纹理图像分类方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由表3可知，本文方法在维度提升不大的情况下正确率比LIOP有很大提升。由于LIOP算法需对图像进行两次高斯滤波，导致纹理信息丢失较为严重，其用于图像分类时效果欠佳。本文SLIOP算法考虑到纹理图像颜色通道的特点，未进行高斯滤波，并将其与CLBP算法共生，同时利用颜色信息和纹理特征，使得分类成功率较LIOP有很大提升。分类具体的准确率方面:相比于Outex-13数据库，本文方法在Outex-14数据库上的准确率只下降了0.2%，证明了此方法对于光照变化具有很强的鲁棒性。此外，本文方法在Outex-14数据库上的准确率相较于CLBP、LCVBP、LBP+LCC、IOCLBP、MRELBP、CELBP以及LIOP算法分别提高了2.0%、9.6%、8.0%、0.4%、1.9%、11.2%、84.8%。在具有复杂的旋转变化和光照变化的CURe T数据库上本文方法较之于CLBP、LCVBP、LBP+LCC、IOCLBP、CELBP以及LIOP算法分别提升了2.3%、1.5%、5.0%、3.4%、1.4%、4.9%、54.9%，表明其对同时具有光照和旋转变化的纹理图像具有较强的鲁棒性。ALOT数据库不仅存在剧烈的光照变化，还存在旋转变化和视角的变化，在此数据库上，相比于CLBP、LCVBP、LBP+LCC、IOCLBP、CELBP以及LIOP算法，本文方法分类准确率分别提高了2.4%、1.9%、9.5%、1.9%、4.6%、65.5%，仅比MRELBP算法低了0.1%，表明其不仅对光照和旋转有很强的鲁棒性，对于视角的变化也具有一定的鲁棒性。在同时存在光照、旋转以及尺度变化的KTH-TIPS2b数据库上，相较于CLBP、LCVBP、LBP+LCC、IOCLBP、MRELBP、CELBP以及LIOP算法，本文方法识别率分别高出了1.5%、1.8%、3.5%、0.9%、1.3%、3.2%、54.9%，表明其对尺度变化亦有较强的鲁棒性。如图8所示，在选用数据库的分类准确率上，本文方法较其他七种算法普遍有可观的提升。由表3可知，本文方法的特征维度仅有424维，较分类准确率最为接近的IOCLBP和MRELBP算法降低很多，故在提高识别率的同时可以有效提升计算效率，有利于快速地进行特征提取与纹理分类。