【深度学习每日小知识】Co-occurrence matrix 共现矩阵

这篇具有很好参考价值的文章主要介绍了【深度学习每日小知识】Co-occurrence matrix 共现矩阵。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

共生矩阵或共生分布(也称为:灰度共生矩阵 GLCM)是在图像上定义为共生像素值(灰度值或颜色)分布的矩阵)在给定的偏移量处。它被用作纹理分析的方法,具有多种应用,特别是在医学图像分析中。

方法

给定灰度图像 ,共生矩阵计算具有特定值和偏移量的像素对在图像中出现的频率。

  • 偏移量 ( Δ x , Δ y ) (\Delta x, \Delta y) (Δx,Δy) 是一个位置运算符,可以应用于图像中的任何像素(忽略边缘效应):例如, ( 1 , 2 ) (1,2) (1,2)可以表示“一向下,二向右”。

  • 对于给定的偏移量,具有p个不同像素值的图像将产生一个 p × p p\times p p×p共生矩阵。

  • 共现矩阵的值 ( i , j ) t h (i,j)^{th} (i,j)th给出了图像中像素值 i t h i^{th} ith和像素值 j t h j^{th} jth以偏移给定的关系出现的次数。

对于具有p个不同像素值的图像, p × p p\times p p×p共生矩阵 C 在 n × m n\times m n×m图像 I I I上定义,由偏移量 ( Δ x , Δ y ) (\Delta x, \Delta y) (Δx,Δy) 参数化,如下所示:

C Δ x , Δ y ( i , j ) = ∑ x = 1 n ∑ y = 1 m { 1 , if  I ( x , y ) = i  and  I ( x + Δ x , y + Δ y ) = j 0 , otherwise C_{\Delta x,\Delta y}(i,j) = \sum_{x=1}^{n} \sum_{y=1}^{m} \begin{cases} 1, & \text{if } I(x,y) = i \text{ and } I(x + \Delta x, y + \Delta y) = j \\ 0, & \text{otherwise} \end{cases} CΔx,Δy(i,j)=x=1ny=1m{1,0,if I(x,y)=i and I(x+Δx,y+Δy)=jotherwise

其中: i i i j j j是像素值;x和y是图像 I I I 中的空间位置;偏移量 ( Δ x , Δ y ) (\Delta x, \Delta y) (Δx,Δy)定义了计算该矩阵的空间关系;并 I ( x , y ) I(x,y) I(x,y)表示像素 ( x , y ) (x,y) (x,y)处的像素值。

图像的“值”最初是指指定像素的灰度值,但可以是任何值,从二进制开/关值到 32 位颜色及以上。 (请注意,32 位颜色将产生 2 32 × 2 32 2^{32} \times 2^{32} 232×232 共现矩阵!)

共现矩阵也可以用距离 d d d和角度 t h e t a theta theta来参数化,而不是用偏移量 ( Δ x , Δ y ) (\Delta x, \Delta y) (Δx,Δy)

任何矩阵或矩阵对都可以用来生成共生矩阵,尽管它们最常见的应用是测量图像中的纹理,因此如上所述的典型定义假设矩阵是图像。

还可以跨两个不同的图像定义矩阵。这样的矩阵然后可以用于颜色映射。

别名

共现矩阵也称为:

  • GLCM(灰度共生矩阵)
  • GLCH(灰度共生直方图)
  • 空间相关矩阵

图像分析中的应用

无论是考虑图像的强度或灰度值还是颜色的各个维度,共生矩阵都可以衡量图像的纹理。由于共现矩阵通常较大且稀疏,因此通常采用矩阵的各种度量来获得更有用的特征集。使用此技术生成的特征通常称为 Haralick 特征,以 Robert Haralick 命名。

纹理分析通常涉及检测图像中旋转不变的方面。为了近似这一点,通常会计算对应于相同关系但以各种规则角度(例如 0、45、90 和 135 度)旋转的共生矩阵并求和。

共生矩阵、小波变换和模型拟合等纹理测量尤其在医学图像分析中得到了应用。

应用场景

  1. 自然语言处理(NLP): 共现矩阵在词汇语义分析、主题建模等方面非常有用。它可以帮助理解不同词汇之间的关系,进而用于词义的聚类分析。

  2. 图像处理: 在图像分析中,共现矩阵通常用于纹理特征的提取,可以帮助区分不同的物体或场景。

  3. 数据分析和挖掘: 共现矩阵还可以用于各种数据分析任务,如推荐系统、模式识别等。

具体示例

NLP示例

假设我们有一个简短的文本:“the cat sat on the mat”。我们可以创建一个共现矩阵,其中包含文本中的每个单词(忽略重复),并计算它们共同出现的频率。

图像处理示例

在一张图片中,我们可以计算不同像素值之间的共现频率,这可以帮助我们分析图像的纹理特征。

AI图片示例

为了更直观地解释这一概念,我将创建一张图像来展示共现矩阵在NLP和图像处理中的应用。图像将包括一个简单的NLP共现矩阵示例,以及一个图像处理中的共现矩阵示例。

让我们开始创建这个图像。

【深度学习每日小知识】Co-occurrence matrix 共现矩阵,深度学习术语表专栏,深度学习,矩阵,人工智能
这张图像直观地展示了共现矩阵在自然语言处理和图像处理中的应用。

  • 左半部分展示了一个用于自然语言处理的共现矩阵示例。这里用一个简单的表格表示了几个单词(如’the’, ‘cat’, ‘sat’, ‘on’, ‘mat’)在一个样本句子中的共同出现频率。

  • 右半部分则展示了图像处理中的共现矩阵。这部分用不同灰度的网格表示了在一个样本图像中不同像素值的共现频率。

这样的视觉展示有助于更好地理解共现矩阵的概念和其在不同领域的应用。文章来源地址https://www.toymoban.com/news/detail-823087.html

到了这里,关于【深度学习每日小知识】Co-occurrence matrix 共现矩阵的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • [深度学习]1. 深度学习知识点汇总

    本文记录了我在学习深度学习的过程中遇到过的不懂的知识点,为了方便翻阅,故将其发表于此,随时更新,供大家参考。 在深度学习中, 测试精度 和 训练精度 是两个重要的指标,它们分别代表了模型在 测试集上的分类正确率 和 训练集上的分类正确率 。测试集是用来评

    2024年02月10日
    浏览(45)
  • ad+硬件每日学习十个知识点(10)23.7.21

    doc:放文档 par:quartus Ⅱ的工程文件 rtl:设计输入文件,也就是verilog代码 sim:仿真文件 答:在file里选择新建工程向导 内核电压为1.2V,逻辑单元10320,用户可用引脚数等信息。 这是第三方的EDA工具,不使用直接next。 结束 答:可以双击这里进行修改。 答:在file里选择new,

    2024年02月15日
    浏览(49)
  • ad+硬件每日学习十个知识点(11)23.7.22

    答:在写完代码,进行“分析与综合”,并且分配好引脚之后,就可以编译工程。 答:编译生成sof文件后,点击programmer按键,默认选择当前项目的sof文件。 在这不要点add hardware,双击usb-blaster即可。 答:因为sof文件时烧录到fpga中的,如果想让程序不丢失,需要使用jic文件进

    2024年02月15日
    浏览(35)
  • 机器学习&&深度学习——预备知识(上)

    深大的夏令营已经结束,筛选入营的保研er就筛选了1/3,280多的入营总人数里面双非只有30左右。 最终虽然凭借机试拿到offer了,但是我感受到了自己的明显短板,比如夏令营的舍友就都有一篇核心论文,甚至还有SCI一区一作的。 既然,学历和没过六级这件事在9月份之前都没

    2024年02月16日
    浏览(43)
  • Cadence+硬件每日学习十个知识点(46)23.8.26 (运算放大器)

    答:Vin在放大器的负端输入,所以这个是反相比较器,当输入0的时候,输出1。 这里在放大器的正端输入电压5V,用两个100K的电阻分压,当没有加Rh电阻时,放大器没有迟滞,当Vin为2.5V以下时,输出5V,当Vin为2.5V以上时,输出0V,但是因为存在噪声,所以如下图的左方所示,

    2024年02月10日
    浏览(50)
  • 【Python机器学习】深度学习——一些理论知识

            深度学习在很多机器学习应用中都有巨大的潜力,但深度学习算法往往经过精确调整,只适用于特定的使用场景。先学习一些简单的方法,比如用于分类和回归的多层感知机(MLP),它可以作为研究更复杂的深度学习方法的起点。MPL也被称为(普通)前馈神经网络,

    2024年01月16日
    浏览(48)
  • 预测知识 | 神经网络、机器学习、深度学习

    神经网络 神经网络(neural network)是机器学习的一个重要分支,也是深度学习的核心算法。神经网络的名字和结构,源自人类的大脑构造,即神经网络是模拟生物学中神经元信号传输而形成的一种算法。 机器学习 在开展神经网络或深度学习研究前,需要理清人工智能(AI)、

    2024年02月13日
    浏览(39)
  • 深度学习基础知识笔记

    怎么样提特征 (1)无人驾驶, 计算机视觉 (2)人脸识别 移动端-计算量太大,速度慢,卡。 参数:成千上百万的。 (3)医学 (4)变脸 (5)图像自动上色 有监督的问题, 1 分类: 挑战:照射角度,形状改变,部分遮挡,背景混入 套路:收集数据给定标签,训练分类器

    2024年02月13日
    浏览(62)
  • 深度学习基础知识整理

    Auto-encoders是一种人工神经网络,用于学习未标记数据的有效编码。它由两个部分组成:编码器和解码器。编码器将输入数据转换为一种更紧凑的表示形式,而解码器则将该表示形式转换回原始数据。这种方法可以用于降维,去噪,特征提取和生成模型。 自编码器的训练过程

    2024年01月17日
    浏览(50)
  • ad+硬件每日学习十个知识点(24)23.8.4(时序约束,SignalTap Ⅱ)

    答: 答: 答: 示波器(连续信号)、逻辑分析仪(离散信号) SignalTap Ⅱ用于替换逻辑分析仪 答: *代表任意,过滤器选择综合前,点击list搜索,然后点击node 出去后再设置一下,保存自动导入即可。

    2024年02月14日
    浏览(45)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包