紋理特征提取的案例
53基于matlab的Tamura紋理特征提取 ￥44.9
基于matlab的Tamura紋理特征提取，包括粗糙度、對(duì)比度、方向度、線性度、規(guī)則度、粗糙度六種，可替換自己的數(shù)據(jù)進(jìn)行特征提取。程序已調(diào)通，可直接運(yùn)行。
[轉(zhuǎn)帖]matlab下gabor濾波算法,可以提取圖象紋理特征
[轉(zhuǎn)帖]matlab下gabor濾波算法,可以提取圖象紋理特征
%%%%%%%VERSION 1
%The Gabor filter is basically a Gaussian (with variances sx and sy along x and y-axes respectively)
%modulated by a complex sinusoid (with centre frequencies U and V along x and y-axes respectively)
%described by the following equation
%%
% 1 -1 x ^ y ^
%%% G(x,y) = ---------- * exp ([----{(----) 2+(----) 2}+2*pi*i*(Ux+Vy)])
% 2*pi*sx*sy 2 sx sy
%% Describtion :
%% I : Input image
%% Sx & Sy : Variances along x and y-axes respectively
%% U & V : Centre frequencies along x and y-axes respectively
%% G : The output filter as described above
%% gabout : The output filtered image
%% Author : Ahmad poursaberi e-mail : a.poursaberi@ece.ut.ac.ir
%% Faulty of Engineering, Electrical&Computer Department,Tehran
%% University,Iran,June 2004
展開(kāi) 淺析什么是數(shù)據(jù)分析的特征提取
淺析什么是數(shù)據(jù)分析的特征提取
在機(jī)械故障診斷及壽命預(yù)測(cè)中，我們都會(huì)提到設(shè)備的特征頻率提取，那么通俗的講特征提取是什么意思呢？
01
PART
機(jī)械故障診斷以及壽命預(yù)測(cè)中的特征提取是實(shí)現(xiàn)故障診斷和壽命預(yù)測(cè)的重要環(huán)節(jié)。不論是故障診斷還是壽命預(yù)測(cè)，都是根據(jù)一定的特征進(jìn)行的判斷，而這些特征提取是指的是什么就需要先從故障以及壽命預(yù)測(cè)的基本定義上尋找源頭。
根據(jù)JISC的定義，所謂故障，即對(duì)象（系統(tǒng)及其零部件）喪失規(guī)定功能的狀態(tài)。
一般而言，故障包含兩種狀態(tài)：
第一、 引起對(duì)象（系統(tǒng)及其零部件）馬上丟失其性能的破壞性故障；
第二、 與設(shè)備性能降低有關(guān)的性能性故障。
第一種故障狀態(tài)是設(shè)備功能的丟失，即設(shè)備完全失去性能，不能用了；第二種故障狀態(tài)是指設(shè)備功能的部分喪失，或者說(shuō)是功能的降低，但依然可以使用。用健康管理的常用名詞來(lái)講就是“亞健康”狀態(tài)。
綜上，第一種狀態(tài)是設(shè)備生命周期的終結(jié)，也就是設(shè)備到達(dá)壽命了。此時(shí)的壽命可能是正常壽命（大于等于預(yù)期壽命），也可能是非正常壽命（提前失效等）；
第二種故障是“病態(tài)”或者是“病而未死”的狀態(tài)，如果不處理可能就會(huì)發(fā)展到第一種狀態(tài)。
因此當(dāng)我們察覺(jué)到第二種狀態(tài)，并通過(guò)這種狀態(tài)來(lái)“預(yù)測(cè)”設(shè)備未來(lái)還有“多久”達(dá)到第一種狀態(tài)，就是常說(shuō)的壽命預(yù)測(cè)，而這個(gè)“多久”則是“剩（殘）余壽命”。
闡明機(jī)械故障以及壽命預(yù)測(cè)的含義，有助于了解如何提取特征。
不論是故障還是對(duì)故障的預(yù)判（壽命預(yù)測(cè)），首先都需要對(duì)設(shè)備當(dāng)前的狀態(tài)進(jìn)行觀察。
展開(kāi) Abaqus中的特征值提取
在ABAQUS中tigong了三種提取特征值的求解器：AMS (Automatic Multi-level Substructuring) 求解器、Lanczos特征值求解器和子空間迭代求解器。Lanczos特征值求解器是默認(rèn)的方法。
AMS特征值求解器是一種高效的，針對(duì)大規(guī)模問(wèn)題的能提取大量特征值的方法，主要適用于1百萬(wàn)自由度以上的模型及500階模態(tài)以上。
它包含3個(gè)求解步驟：
（1）生成子結(jié)構(gòu)；
（2）獲得特征值；
（3）從縮減的向量中獲得全部特征向量。在Abaqus中采用AMS特征值求解器的句法（提取100階頻率）
*STEP
*FREQUENCY,ELGENSOLVER=AMS
,,100
對(duì)于傳統(tǒng)的結(jié)構(gòu)，Lanczos是默認(rèn)的特征值提取方法。然而對(duì)于大規(guī)模問(wèn)題，相比AMS方法，Lanczos方法效率較低。使用Lanczos方法，可以指定最大頻率的提取或提取的頻率數(shù)量，也可以指定最小頻率的提取。Lanczos特征值求解器允許計(jì)算到特征值真正的誤差限制時(shí)才終止，可以滿(mǎn)足正常的終止原則。對(duì)于多數(shù)問(wèn)題，相對(duì)誤差為1.E-12數(shù)量級(jí)，因此Lanczos求解器的計(jì)算結(jié)果精度一般要比子空間迭代法高。而子空間迭代法的終止條件是通過(guò)判斷從這一次迭代到下一次迭代過(guò)程中特征值的相對(duì)變化來(lái)實(shí)現(xiàn)的，如果相對(duì)變化小于1.E-5則認(rèn)為已經(jīng)收斂，結(jié)束計(jì)算。
abaqus中的特征值提取.pdf
展開(kāi) 
計(jì)算機(jī)視覺(jué)中的傳統(tǒng)特征提取方法總結(jié)
圖像經(jīng)過(guò)這種遍歷操作后，圖像就被二值化了，每一個(gè)窗口中心的8鄰域點(diǎn)都可以由8位二進(jìn)制數(shù)來(lái)表示，即可產(chǎn)生256種LBP碼，這個(gè)LBP碼值可以用來(lái)反映窗口的區(qū)域紋理信息。LBP具體在生成的過(guò)程中，先將圖像劃分為若干個(gè)子區(qū)域，子區(qū)域窗口可根據(jù)原圖像的尺寸進(jìn)行調(diào)整，而不一定非得為3×3的正方形窗口。一般對(duì)于512×640的圖像，子區(qū)域窗口區(qū)域選取大小為16×16。
②圓形LBP： 經(jīng)典LBP用正方形來(lái)描述圖像的紋理特征，其缺點(diǎn)是難以滿(mǎn)足不同尺寸和頻率的需求。Ojala等人對(duì)經(jīng)典LBP進(jìn)行了改進(jìn)，提出了將3×3的正方形窗口領(lǐng)域擴(kuò)展到任意圓形領(lǐng)域。由于圓形LBP采樣點(diǎn)在圓形邊界上，那么必然會(huì)導(dǎo)致部分計(jì)算出來(lái)的采樣點(diǎn)坐標(biāo)不是整數(shù)，因此這里就需要對(duì)得到的坐標(biāo)像素點(diǎn)值進(jìn)行處理，常用的處理方法是最近鄰插值或雙線性插值。
放一張SIFT/HOG/LBP優(yōu)缺點(diǎn)、適用范圍對(duì)比圖：
5.4 HAAR
人臉檢測(cè)最為經(jīng)典的算法Haar-like特征+Adaboost。這是最為常用的物體檢測(cè)的方法（最初用于人臉檢測(cè)），也是用的最多的方法。
訓(xùn)練過(guò)程： 輸入圖像->圖像預(yù)處理->提取特征->訓(xùn)練分類(lèi)器（二分類(lèi)）->得到訓(xùn)練好的模型；
測(cè)試過(guò)程：輸入圖像->圖像預(yù)處理->提取特征->導(dǎo)入模型->二分類(lèi)（是不是所要檢測(cè)的物體）。
Haar-like特征是很簡(jiǎn)單的，無(wú)非就是那么幾種，如兩矩形特征、三矩形特征、對(duì)角特征。后來(lái)，還加入了邊緣特征、線特征、中心環(huán)繞特征等。使用積分圖可以加速計(jì)算特征。最后，使用集成的方法Adaboost進(jìn)行訓(xùn)練。
展開(kāi) 轉(zhuǎn)子復(fù)合碰摩故障特征提取實(shí)驗(yàn)研究
轉(zhuǎn)子復(fù)合碰摩故障特征提取實(shí)驗(yàn)研究<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-13 07:51:02被malong評(píng)為5星級(jí)，為發(fā)貼者加分100。</Font><BR><Font color=#FF0000><B>點(diǎn)評(píng):</B></Font>
轉(zhuǎn)子復(fù)合碰摩故障特征提取實(shí)驗(yàn)研究.pdf
小波變換02（小波能量特征提取）
摘要：本文用一個(gè)實(shí)例演示小波能量特征提取。本文素材來(lái)自網(wǎng)絡(luò)，筆者作了稍微修改。
01小波包變換
小波包變換是比小波變換更加精細(xì)的變換。小波變換只對(duì)信號(hào)的低頻部分進(jìn)行了分解，為高頻部分并未分解，忽略了信號(hào)的高頻部分（細(xì)節(jié)部分）。小波包變換彌補(bǔ)了這個(gè)不足之處。
257 基于matlab的正態(tài)云模型花卉特征提取 ￥15.9
基于matlab的正態(tài)云模型花卉特征提取，用正向正態(tài)云發(fā)生器和逆向正態(tài)云發(fā)生器來(lái)模擬花卉的部分特征提取。程序已調(diào)通，可直接運(yùn)行。
基于Matlab的纖維圖像特征提取與自動(dòng)分類(lèi)程序?qū)崿F(xiàn)
關(guān)鍵詞：Matlab；GUI界面；App Designer；圖像分類(lèi)；特征提取；
背景
纖維圖像特征提取與分類(lèi)是一個(gè)涉及圖像處理和模式識(shí)別的領(lǐng)域，它在材料科學(xué)、紡織工程、生物醫(yī)學(xué)成像以及任何需要對(duì)纖維結(jié)構(gòu)進(jìn)行分析的領(lǐng)域都有廣泛的應(yīng)用。纖維可能重疊、交叉或糾纏在一起，使得分割和特征提取變得復(fù)雜。不同類(lèi)型的纖維具有不同的特性，需要開(kāi)發(fā)能夠適應(yīng)這種多樣性的算法。自動(dòng)化纖維圖像的分析過(guò)程，減少人工干預(yù)，提高效率和準(zhǔn)確性。
圖像獲取：纖維圖像通常通過(guò)顯微鏡（如光學(xué)顯微鏡、電子顯微鏡或共聚焦顯微鏡）獲取。圖像可以是二維的，也可以是三維的，取決于顯微鏡的類(lèi)型和成像技術(shù)。圖像預(yù)處理：由于實(shí)際獲取的圖像可能包含噪聲、模糊、對(duì)比度不足等問(wèn)題，因此需要進(jìn)行預(yù)處理以提高圖像質(zhì)量。預(yù)處理步驟可能包括去噪、對(duì)比度增強(qiáng)、二值化、濾波等。圖像分割：圖像分割是將圖像中的纖維與背景分離的過(guò)程。可以使用閾值分割、邊緣檢測(cè)、區(qū)域生長(zhǎng)或更高級(jí)的機(jī)器學(xué)習(xí)方法來(lái)實(shí)現(xiàn)。特征提取：特征提取是從分割后的纖維圖像中提取有助于分類(lèi)的定量屬性。常見(jiàn)的特征包括纖維的長(zhǎng)度、寬度、彎曲度、紋理、方向等。圖像分類(lèi)：分類(lèi)是根據(jù)提取的特征將纖維圖像分配到不同的類(lèi)別中。可以使用傳統(tǒng)的機(jī)器學(xué)習(xí)算法（如支持向量機(jī)、決策樹(shù)、隨機(jī)森林）或深度學(xué)習(xí)方法（如卷積神經(jīng)網(wǎng)絡(luò)）進(jìn)行分類(lèi)。應(yīng)用領(lǐng)域：紡織工業(yè)，用于評(píng)估纖維的質(zhì)量，如強(qiáng)度、柔軟度和耐久性。生物醫(yī)學(xué)，在組織工程中分析細(xì)胞外基質(zhì)的纖維結(jié)構(gòu)。材料科學(xué)，研究復(fù)合材料中的纖維排列和取向。法醫(yī)學(xué)，通過(guò)分析纖維來(lái)輔助犯罪現(xiàn)場(chǎng)調(diào)查。
圖1 天然纖維分類(lèi)
Harris特征點(diǎn)檢測(cè)
Harris角點(diǎn)檢測(cè)算法是一種在計(jì)算機(jī)視覺(jué)中用于識(shí)別圖像角點(diǎn)的流行技術(shù)。角點(diǎn)是圖像中兩條邊緣或邊界的交點(diǎn)，它們?cè)趫D像分析中扮演著關(guān)鍵角色，因?yàn)樗鼈兺ǔ?biāo)志著物體的角落或邊界的轉(zhuǎn)折點(diǎn)。
展開(kāi) 轉(zhuǎn)子復(fù)合碰摩故障特征提取實(shí)驗(yàn)研究
轉(zhuǎn)子復(fù)合碰摩故障特征提取實(shí)驗(yàn)研究<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-12 22:02:04被malong評(píng)為3星級(jí)，為發(fā)貼者加分60。</Font><BR><Font color=#FF0000><B>點(diǎn)評(píng):</B></Font>
轉(zhuǎn)子復(fù)合碰摩故障特征提取實(shí)驗(yàn)研究.pdf
基于第二代小波變換的轉(zhuǎn)子碰摩故障特征提取方法
摘要:為了能夠提取隱含在振動(dòng)信號(hào)中的故障特征,利用第二代小波對(duì)稱(chēng)、緊支撐和沖擊振蕩衰減的特點(diǎn),有效地
提取具有沖擊響應(yīng)特性的故障特征。實(shí)驗(yàn)證明,即使采用較小支撐區(qū)間的此類(lèi)小波,也可獲得理想的效果。另外,
為了獲得與原始信號(hào)相同的時(shí)間分辨率,采用單支重構(gòu)的方法分別對(duì)逼近信號(hào)和細(xì)節(jié)信號(hào)處理,得到了轉(zhuǎn)子碰摩
故障的時(shí)域響應(yīng)特征,為故障診斷和預(yù)示提供了一種分離故障時(shí)域特征的方法。
關(guān)鍵詞:第二代小波變換;碰摩;特征提取;重構(gòu)
基于第二代小波變換的轉(zhuǎn)子碰摩故障特征提取方法.pdf
展開(kāi) 
Ansys Workbench ACT插件，由窗口選中體單元，提取體積和表面積，計(jì)算幾何特征尺寸 ￥20
而是只需要所有選中體單元的外表面和，對(duì)與中心區(qū)域的體單元其表面積不參與特征尺寸的計(jì)算。這就進(jìn)一步降低了由體單元直接獲得有效表面積的可能性。
解決方法：
筆者這里使用一種較為笨的方法進(jìn)行選中體單元的特征尺寸提取方法：
1. 在Workbench界面，根據(jù)用戶(hù)在圖形窗口選定的網(wǎng)格體單元。由腳本程序依次提取，每個(gè)單元的角點(diǎn)數(shù)量和位置坐標(biāo)；
2. 再由Workbench中python腳本調(diào)用ADPL經(jīng)典界面，并自動(dòng)運(yùn)行特征值提取宏命令；
3. APDL宏命令會(huì)，根據(jù)Workbench選中單元體信息，依次由每個(gè)單元體的角點(diǎn)坐標(biāo)，創(chuàng)建實(shí)體單元；
4. 再將實(shí)體單元合并，最后獲得幾何體積和表面積，并輸出。
5. 由Workbench腳本，讀取APDL宏輸出的幾何信息，并顯示。
展開(kāi) 基于高級(jí)統(tǒng)計(jì)量的碰摩不對(duì)中故障特征提取
基于高級(jí)統(tǒng)計(jì)量的碰摩不對(duì)中故障特征提取<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2006-10-13 15:55:00被malong評(píng)為4星級(jí)，為發(fā)貼者加分80。</Font><BR><Font color=#FF0000><B>點(diǎn)評(píng):</B></Font>
基于高級(jí)統(tǒng)計(jì)量的碰摩不對(duì)中故障特征提取.pdf
經(jīng)驗(yàn)?zāi)Ｊ椒纸饽：?em>特征提取的支持向量機(jī)混合診斷模型
摘要：為解決機(jī)械故障小樣本模式識(shí)別問(wèn)題，有效地提高分類(lèi)的準(zhǔn)確率，提出了一種基于經(jīng)驗(yàn)?zāi)Ｊ椒纸? 模糊特征提取的支持向量機(jī)混合診斷模型。
該模型通過(guò)對(duì)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)Ｊ椒纸猓?em>提取信號(hào)的本征模式分量并轉(zhuǎn)化為模糊特征向量!對(duì)機(jī)器故
障進(jìn)行診斷，然后將模糊特征向量輸入到多分類(lèi)的支持向量機(jī)中，實(shí)現(xiàn)了對(duì)機(jī)器不同故障類(lèi)型的
識(shí)別。
將該模型應(yīng)用于汽輪發(fā)電機(jī)組的!種工作狀態(tài)的識(shí)別中，測(cè)試結(jié)果表明，同原有的未經(jīng)過(guò)任何特征
提取以及經(jīng)過(guò)小波包模糊特征提取的#種多分類(lèi)支持向量機(jī)方法相比，該模型將分類(lèi)準(zhǔn)確率從原
有的53.3%和86.67%提高到100%，有效地改善了分類(lèi)的準(zhǔn)確性。
同時(shí)，該模型還為汽輪發(fā)電機(jī)組的故障確診提供了有力依據(jù)。
請(qǐng)享用！
展開(kāi) 提高檢測(cè)小型透明注塑件缺陷的方法
如，針對(duì)具有較強(qiáng)紋理特征的注塑件，LIU 等采用截?cái)嗥娈愔捣纸夂托〔ǚ纸饧夹g(shù)，實(shí)現(xiàn)注塑件的紋理特征提取，并建立外觀缺陷的檢測(cè)模型 [1] ；GAHLEITNER 等利用數(shù)字圖像處理技術(shù)和狀光源成像技術(shù)實(shí)現(xiàn)產(chǎn)品指定位置的紋理檢測(cè) [2] 。對(duì)具有縮痕缺陷的注塑件，GRUBER等建立產(chǎn)品縮強(qiáng)度與產(chǎn)品外觀圖像的二階微分之間的定量關(guān)系與模型，實(shí)現(xiàn)注塑件縮痕缺陷的自動(dòng)檢測(cè) [3] 。針對(duì)透注塑件的外觀檢測(cè)，SATORRES 等結(jié)合定制的照明硬件系統(tǒng)與可配置組合的軟件模塊，實(shí)現(xiàn)前照燈透鏡的自動(dòng)檢測(cè) [4] 。相關(guān)學(xué)者結(jié)合改進(jìn)的霍夫變換、輪擬合與亞像素處理等技術(shù)實(shí)現(xiàn)小型齒輪類(lèi)注塑件的披鋒、缺齒與翹曲等缺陷的自動(dòng)檢測(cè) [5-6] ；也有學(xué)結(jié)合模板匹配與圖像分割技術(shù)，實(shí)現(xiàn)平板類(lèi)注塑件的外觀缺陷檢測(cè) [7-8] 。在注塑成形工業(yè)的模具保護(hù)方，通過(guò)模板匹配、特征匹配與輪廓檢測(cè)等技術(shù)實(shí)現(xiàn)模內(nèi)異物或產(chǎn)品殘留的自動(dòng)檢測(cè) [9] 。綜上所述，基于傳統(tǒng)器視覺(jué)的檢測(cè)技術(shù)大多針對(duì)特性類(lèi)型產(chǎn)品、特定外觀缺陷的檢測(cè)，模型可遷移性不強(qiáng)。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的檢測(cè)技術(shù)已逐漸取代傳統(tǒng)的機(jī)器視覺(jué)檢測(cè)技術(shù)，并廣泛應(yīng)用于圖像分類(lèi) [10] 、測(cè) [11] 與分割 [12] 等領(lǐng)域。
近年來(lái)，專(zhuān)家學(xué)者針對(duì)如何利用深度學(xué)習(xí)技術(shù)準(zhǔn)確識(shí)別注塑件缺陷進(jìn)行了大量研究，但針對(duì)小型透明注塑件缺陷檢測(cè)的文獻(xiàn)鮮有報(bào)道。
展開(kāi) 