Borah et al. (2007) proposed a Wave

Borah et al. (2007) proposed a Wavelet Texture Analysis (WTA) based texture feature estimation technique for discriminating images of eight different grades of CTC (cutting, tearing, and curling) tea. This technique conjugates the feature information of one group of images along with the information of rest of the groups. This was executed by considering the range of different groups of images of the same granule size. The ranges were estimated using the existing statistical texture features, namely variance, entropy and energy, in difference form. Daubechies' wavelets transform (WT) based sub-band images were utilized for calculating these statistical features. For calculating the final feature set, a simplified version of Mahalanobis distance calculation was adopted. This provided the difference between two images in terms of texture variations. This dissimilarity measurement was carried out among the images of same group of the eight tea databases. For data visualization, principal component analysis (PCA) was used to visualize the existing classes of textures and distinguishable characteristics were observed among the new feature sets. Authors claimed that the unsupervised clustering algorithm viz. self organization map (SOM) successfully classified the images efficiently into appropriate clusters. Two neural networks, namely multi-layer perceptron (MLP) network and learning vector quantization (LVQ) used for texture classifications exhibited a classification accuracy of 74.67% and 80% in MLP and LVQ, respectively. The results received by MLP and LQV outperformed the results received by using existing statistical texture features. This algorithm mainly focused on analysis using tailor made uniform sized samples and did not consider other attributes such as presence of stalk and bold, etc., in the tea sample.6. Conclusion

Results (Thai) 1:

Borah et al, (2007) เสนอเวฟเนื้อวิเคราะห์ (WTA) ตามคุณลักษณะเนื้อเทคนิคการประมาณค่าสำหรับการจำแนกภาพของแปดเกรดที่แตกต่างกันของ CTC (ตัดการฉีกขาดและการดัดผม) ชา เทคนิคนี้ conjugates ข้อมูลคุณสมบัติของกลุ่มหนึ่งของภาพพร้อมกับข้อมูลส่วนที่เหลือของกลุ่มที่ นี้ได้รับการดำเนินการโดยพิจารณาช่วงของกลุ่มที่แตกต่างของภาพที่มีขนาดเม็ดเดียวกัน ช่วงประมาณโดยใช้ที่มีอยู่คุณสมบัติพื้นผิวทางสถิติคือแปรปรวนเอนโทรปีและพลังงานในรูปแบบที่แตกต่างกัน แสง Daubechies' เปลี่ยน (WT) ตามภาพย่อยวงถูกนำมาใช้สำหรับการคำนวณทางสถิติคุณสมบัติเหล่านี้ สำหรับการคำนวณชุดคุณลักษณะสุดท้ายรุ่นที่เรียบง่ายของการคำนวณระยะทาง Mahalanobis ถูกนำมาใช้ นี้ทำให้ความแตกต่างระหว่างสองภาพในแง่ของรูปแบบพื้นผิว การวัดความแตกต่างกันนี้ได้มีการดำเนินการในหมู่ภาพของกลุ่มเดียวกันในฐานข้อมูลที่ชาแปด สำหรับการแสดงข้อมูล, การวิเคราะห์องค์ประกอบหลัก (PCA) ถูกนำมาใช้เพื่อให้มองเห็นชั้นเรียนที่มีอยู่ของพื้นผิวและลักษณะที่แตกต่างถูกตั้งข้อสังเกตในหมู่ชุดคุณลักษณะใหม่ ผู้เขียนอ้างว่าใกล้ชิดการจัดกลุ่มอัลกอริทึม ได้แก่ แผนที่การจัดการตนเอง (SOM) จัดประสบความสำเร็จในภาพได้อย่างมีประสิทธิภาพเข้ามาในกลุ่มที่เหมาะสม สองเครือข่ายประสาทคือหลายชั้นตรอน (MLP) เครือข่ายและการเรียนรู้เวกเตอร์ (LVQ) ใช้สำหรับการจำแนกประเภทเนื้อแสดงความถูกต้องของการจำแนกประเภทของ 74.67% และ 80% ใน MLP และ LVQ ตามลำดับ ผลที่ได้รับจาก MLP และ LQV เฮงผลที่ได้รับจากการใช้ที่มีอยู่คุณลักษณะเนื้อสถิติ อัลกอริทึมนี้ส่วนใหญ่มุ่งเน้นไปที่การวิเคราะห์โดยใช้ตัดทำตัวอย่างขนาดสม่ำเสมอและไม่ได้พิจารณาคุณสมบัติอื่น ๆ เช่นการปรากฏตัวของก้านและหนา ฯลฯ ในตัวอย่างชา

6. บทสรุป

Results (Thai) 2:

Borah et al. (๒๐๐๗) นำเสนอเทคนิคการประเมินผลการวิเคราะห์ของเกสร (WTA) บนพื้นผิวที่มีคุณสมบัติการประมาณการเพื่อให้ภาพที่แตกต่างกันแปดเกรดของ CTC (ตัดฉีกขาดและดัด) ชา เทคนิคนี้จะแสดงข้อมูลคุณลักษณะของกลุ่มภาพหนึ่งพร้อมกับข้อมูลส่วนที่เหลือของกลุ่ม นี้ถูกดำเนินการโดยการพิจารณาช่วงของกลุ่มที่แตกต่างกันของภาพที่มีขนาดเม็ดเดียวกัน ช่วงที่ได้รับการประเมินโดยใช้คุณสมบัติของพื้นผิวทางสถิติที่มีอยู่คือความแปรปรวนเอนโทรปีและพลังงานในรูปแบบความแตกต่าง การเปลี่ยนแปลง wavelets (WT) โดยใช้รูปภาพย่อยของวงดนตรีที่ใช้ในการคำนวณคุณสมบัติทางสถิติเหล่านี้ สำหรับการคำนวณชุดคุณลักษณะสุดท้ายการคำนวณระยะทางของมหาวิษณุถูกนำมาใช้ ซึ่งมีความแตกต่างระหว่างสองภาพในแง่ของการเปลี่ยนแปลงของพื้นผิว การวัดความคล้ายคลึงกันนี้ถูกดำเนินการในรูปภาพของฐานข้อมูลชาแปดตัว สำหรับการแสดงผลข้อมูลการวิเคราะห์คอมโพเนนต์หลัก (PCA) ถูกนำมาใช้ในการแสดงภาพชั้นเรียนที่มีอยู่ของพื้นผิวและแยกแยะลักษณะที่ไม่สามารถแยกแยะได้ในหมู่ชุดคุณลักษณะใหม่ ผู้เขียนอ้างว่าอัลกอริทึมการทำงานแบบคลัสเตอร์ที่ไม่ได้อยู่ภายใต้การ viz แผนผังองค์กร (SOM) ประสบความสำเร็จในการจัดรูปภาพให้มีประสิทธิภาพเป็นกลุ่มที่เหมาะสม เครือข่ายประสาทที่สองคือเครือข่ายแบบหลายชั้น (MLP) และการเรียนรู้แบบเวกเตอร์ (LVQ) ที่ใช้สำหรับการจัดประเภทพื้นผิวแสดงความถูกต้องของการจำแนกประเภทของ๗๔.๖๗% และ๘๐% ใน MLP และ LVQ ตามลำดับ ผลลัพธ์ที่ได้รับโดย mlp และ lqv กลายให้ผลลัพธ์ที่ได้รับโดยใช้คุณลักษณะของเนื้อสัมผัสทางสถิติที่มีอยู่ อัลกอริทึมนี้เน้นการวิเคราะห์โดยใช้ตัวอย่างขนาดที่ทำสม่ำเสมอและไม่ได้พิจารณาคุณลักษณะอื่นๆเช่นการปรากฏตัวของก้านและหนาเป็นต้น, ในตัวอย่างชา.

6. สรุป

Results (Thai) 3:

โบราห์และคนอื่นๆ พื้นผิวคุณสมบัติการประมาณค่าเทคนิคตามวิธีการวิเคราะห์พื้นผิวที่นำเสนอเพื่อระบุแปดเกรดที่แตกต่างกันของ CTC ชา เทคนิคนี้รวมชุดของข้อมูลลักษณะของภาพกับชุดอื่นๆของข้อมูลลักษณะของภาพ นี้จะกระทำโดยการพิจารณาช่วงของกลุ่มภาพที่มีขนาดอนุภาคเดียวกัน ใช้สถิติที่มีอยู่คุณสมบัติพื้นผิวเช่นความแปรปรวนเอนโทรปีและพลังงานเพื่อประเมินช่วงในรูปแบบของความแตกต่าง คุณสมบัติทางสถิติเหล่านี้จะถูกคำนวณโดยใช้เวฟเล็ตเวฟเล็ต ในการคำนวณคุณลักษณะสุดท้ายชุดง่ายรุ่นของ mahalanobis ระยะทางที่ใช้ นี้มีความแตกต่างระหว่างสองภาพในการเปลี่ยนแปลงพื้นผิว การวัดความแตกต่างนี้จะดำเนินการในชุดเดียวกันของภาพแปดใบชาฐานข้อมูล ในการแสดงข้อมูลประเภทพื้นผิวที่มีอยู่จะถูกมองเห็นโดยการวิเคราะห์องค์ประกอบหลักและคุณสมบัติที่แตกต่างกันระหว่างคุณลักษณะใหม่ที่ถูกสังเกต ผู้เขียนคิดว่าไม่มีการตรวจสอบการจัดกลุ่มขั้นตอนวิธี ส้มได้อย่างมีประสิทธิภาพแบ่งภาพออกเป็นกลุ่มที่เหมาะสม สองชนิดของโครงข่ายประสาทเทียมที่ใช้สำหรับการจำแนกพื้นผิวเช่นเครือข่าย MLP และ lvq การเรียนรู้ความถูกต้องของการจำแนกใน MLP และ lvq เป็น 74.67 เปอร์เซ็นต์และ 80s เปอร์เซ็นต์ ผลลัพธ์ที่ได้จาก MLP และ LQV ดีกว่าที่ได้จากการใช้คุณสมบัติเนื้อทางสถิติที่มีอยู่ ขั้นตอนวิธีนี้ส่วนใหญ่มุ่งเน้นไปที่การวิเคราะห์ตัวอย่างที่มีขนาดสม่ำเสมอที่กำหนดเองและไม่ได้พิจารณาคุณสมบัติอื่นๆของตัวอย่างชาเช่นลำต้นและตัวหนา
หก ข้อสรุป