《表2 不同Q模式下的分类效果》

  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

《基于局部二值差异激励模式的木材缺陷分类》

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

表2总结了不同Q模式下LB＿DEP在测试集上的效果。其中前7种Q模式为本文在图8中定义的形式。可以看到，在Q=8模式下，获得最大的Recall和最小的FNR，分别为86.3%和13.7%。当Q为‘2|'模式时获得最高的Precision，为94.3%。而Q为‘2-’模式时，3个参数均给出了与其他模型相比最差的结果，其Recall，Precision和FNR分别为59.1%，46.1%，40.9%。说明裂缝和矿物线在水平方向的纹理和差异激励的分布形式非常相似。然而，由图8可见，Q=8模式中参与计算的图像范围是包含了Q=2-模式的计算范围的，因此设想将Q=8模式中的Q=2-模式图像部分去除会得到更好的效果。根据这个设想，本文建立了新的Q模式，如图10（a），称之为Q=6模式。然后按照与其他Q模式同样的方法在测试数据上对其效果进行了测试。图10（b）、（c）分别为在训练数据库上获得的Q=6模式下LBP和LB＿DEP的参考直方图。测试的结果如表2中最后一行所示。可以看到，Q=6模式时算法的Recall，Precision和FNR分别为88.2%，90.1%和11.8%，其中指标Recall是所有Q模式中最高的，FNR是所有Q模式中最低的。表明其相对于其它Q模式具有更好的效果。