基于模糊滤波器的鲁棒Laws纹理分类方法

埃及信息学杂志21（2020）37基于模糊滤波器的鲁棒LawsSonali Dasha，Manas Ranjan Senapatiba印度安得拉邦维萨卡帕特南531162 Raghu理工学院电子和通信工程系bVeer Surendra Sai University of Technology，Burla 768018，Odisha，India阿提奇莱因福奥文章历史记录：接收日期：2018年2019年7月13日修订2019年10月15日接受在线发售2019年关键词：模糊过滤律掩码纹理分类纹理特征A B S T R A C TLaws的掩模方法在纹理分析中得到了广泛的应用，但它对噪声的鲁棒性较差。模糊滤波器是众所周知的去噪应用。本文提出了一种鲁棒的Laws通过添加不同值的高斯噪声来破坏图像这些噪声图像通过不同灰度的模糊滤波器转换成模糊图像。然后利用Laws的掩模描述子提取纹理特征。为了研究所提出的技术，两个纹理数据库，即Brodatz和STex。通过比较传统的Laws掩模描述子单独使用和与模糊滤波器结合使用后在噪声图像上的性能来评估这些建议。在分类任务中使用k-最近邻（k-NN）分类器。实验结果表明，该方法比传统的Laws掩模方法具有更高的分类精度因此，验证所提出的方法显着改善噪声纹理分类。©2019 Elsevier B.V.制作和托管代表开罗计算机和信息学院大学这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍图像纹理的研究非常适合于计算机视觉中的一些困难的任务。它的众多应用从对象识别到基于内容的图像检索。20世纪70年代，Haralick提出了纹理分类的第一个工作，主要集中在图像的统计分析上[1]。在1979年，Laws提出了使用卷积的纹理分析[2该方法的主要贡献是使用从一维核向量的组合中创建的特定掩模对图像进行滤波，以评估纹理属性。最初，Laws基于这些卷积的类方差平方测度的期望值对样本进行分类，并将其命名为后来，许多研究人员将Laws的掩模描述符用于为了将Laws的掩模方法扩展*通讯作者。电子邮件地址：sonali. gmail.com（S. Dash）。开罗大学计算机和信息系负责同行审查。频域最近Dash等人推荐了Laws掩码描述符的混合模型Dash等人还提出了通过将双边滤波器与原始Laws的掩模描述符集成来改进纹理分类他们还推荐了一种改进的颜色纹理分类，通过使用同态归一化和通过传统的纹理分析技术（如灰度共生矩阵（GLCM）和Laws掩码）提取纹理特征图像降噪一直是图像处理中的一项重要任务。模糊技术已经应用于图像处理的多个领域。在文献[12与经典滤波器相比，模糊滤波器在降低图像处理任务中的噪声方面提供了更好的结果[16]。在2003年，Kwan引入了七种模糊滤波器来降低噪声，并在图像降噪方面取得了成功[17]。一些作者也将模糊理论用于分类目的[18各种研究人员已经将传统的局部二进制模式（LBP）描述符扩展到具有混合模型的噪声鲁棒描述符[21文献研究还揭示了一些原始的模糊滤波器与现有的滤波器相结合，以减少图像中的噪声。例如，Biradar等人已经提出了具有移动平均中心（TMAV）的三角模糊滤波器和维纳滤波器，https://doi.org/10.1016/j.eij.2019.10.0031110-8665/©2019制作和主办由Elsevier B. V.代表开罗大学计算机和信息学院这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.com38S. 达什先生 Senapati/埃及信息学杂志21（2020）37ðÞPF½xmp;nq]p;q2M半小时]ð Þ ð Þ ðÞ图像中的斑点噪声减少[24]。Santoso等人提出了将现有的模糊滤波器与Frost滤波器相结合的模糊方法来减少斑点噪声。他们已经利用了现有的模糊滤波器，例如具有中值中心的对称三角形的模糊滤波器 （ TMED ） 、 具 有 中 值 中 心 的 不 对 称 三 角 形 的 模 糊 滤 波 器（ ATMED ） 、 具 有 移 动 平 均 中 心 的 三 角 函 数 的 模 糊 滤 波 器（TMAV）和具有移动平均中心的不对称三角函数的模糊滤波器（ATMV）[25]。Russo和Ramponi提出了一种基于模糊规则的双步滤波器来检测和去除大量的脉冲噪声。Harron等人已经减少了噪声，以改善使用纹理信息的分类[26]。他们使用递归最小二乘滤波器来减少噪声[27]。Schulte等人提出了两步模糊滤波器，用于减少彩色图像中的脉冲噪声[28]。Mehra等人建议使用模糊和维纳滤波器在小波域中对图像进行去噪[29]。Bansal等人利用阈值技术通过简化的模糊滤波器去除脉冲噪声[30]。Toh和Isa提出了一种噪声自适应模糊切换中值滤波器，用于去除椒盐噪声[31]。文献研究表明，模糊滤波器以多种形式应用于各个领域。然而，与噪声纹理图像的去噪相关的问题仍然是一个巨大的挑战。一般来说，有两种类型的噪声，如脉冲（盐和胡椒）噪声和随机（或高斯）噪声。脉冲噪声用噪声密度表示，而随机噪声用其均值和方差表示。对于脉冲噪声，原始图像的最大部分保持不变，并且图像由一些不同的污染样本区分，这些样本差异很大。与脉冲噪声相比，随机噪声是更具挑战性的噪声类型。因此，有效地降低图像中的随机噪声是一项重要的任务。 在文学中，许多已经提出了线性和非线性滤波技术的类型，1) 取无噪声的纹理图像，将其转换为灰度和子图像。然后，子图像嵌入不同值的高斯噪声。2) 用四种不同窗口大小的模糊滤波器对含噪图像进行滤波，得到模糊变换后的图像。3) 纹理特征的提取有两种方法。在第一种方法中，原始的Laws掩码被用于含噪图像纹理特征的提取。在第二种方法是利用原有的Laws掩模提取模糊变换后图像的纹理特征。4) 通过k-NN分类器进行分类。在有噪和无噪数据库中，将该方法与传统的Laws掩模方法进行了比较。实验结果表明，该方法能够较好地保留去噪后图像的细节，提高纹理分类率。本文的安排如下。第二节简要回顾了传统的Laws第3节详细解释了所提出的噪声鲁棒律实验装置和结果见第4节。第五节给出了最终结论2. 模糊滤波器与Laws掩模法综述2.1. 模糊滤子2002年，Kwan和Cai定义了模糊滤波器，并由此导出了七种不同类型的模糊滤波器[14]。如果xm;n是二维模糊滤波器的输入，则模糊滤波器的输出定义如下。用于去除噪声，例如中值（MED）滤波器和移动平均（MAV）滤波器。中值滤波器的平均性能ym;npp;q2MF½xmp;nq]·xmp;nqð1Þ过滤随机噪声的方法。非线性滤波器滑动平均滤波器在去除随机噪声方面有较好的效果，但不能很好地抑制脉冲噪声，也不能很好地保持图像的边缘。因此，模糊滤波器的隶属函数的移动平均值和中值中心考虑到进一步处理。另外，Laws掩模方法在纹理分类中取得了较好的效果，但还没有设计抗噪声的Laws掩模描述子。因此，为了将传统的Laws掩模描述子扩展到噪声鲁棒性，本文着重设计了一种混合模型，该模型包括现有的模糊滤波器和传统的Laws掩模，用于噪声纹理分析。所提出的方法其中F x m;n是窗函数，M是窗的面积。通过考虑不同的窗函数，导出了中心为中值的对称三角模糊滤波器（TMED）、中心为中值的非对称三角模糊滤波器（ATMED）、中心为移动平均的三角函数模糊滤波器（TMAV）和中心为移动平均的非对称三角函数模糊滤波器（ATMV）2.1.1. TMED该模糊滤波器用一个三角函数和一个窗口内的中值与中心值定义如下。8>1-½jxmp;nq-xmm;nj]=xmmm;n是TMED、ATMED、TMAV和ATMV[15]。 为了验证所提出的描述符在噪声数据集上的有效性，在实验中使用了两个全面的纹理数据库。由于随机噪声（高斯）与脉冲相比是更具挑战性的噪声类型盐和胡椒（Salt因此，高斯噪声被添加到F½xmp;nq]¼对于jxmp;nq-xmedm;nj≤xmmm;nxmm¼0为1ð2Þ图像的纹理数据库，以评估噪声鲁棒性的法律拟议方法的目的xmmm;nnmax½xmaxm;n-xmedm;n;xmedm;n-xminm;n]ð3Þ将模糊滤波器与Laws的掩模描述子相结合，对高斯噪声进行去噪。最初的噪声图像是通过与Brodatz和STex数据库的不同标准偏差值的高斯噪声进行干扰而生成的。然后利用TMED、ATMED、TMAV和ATMV模糊滤波器将污染图像转化为模糊图像。在下一步中，这些模糊图像与Laws的掩模描述子卷积，并提取纹理特征。在分类任务中，使用k-NN分类器。下面介绍用Laws掩码实现综合模糊滤波器的步骤其中，x max m;n、x min m;n和x med m;n分别是窗口M内离散指数m ; n处所有输入值x<$m<$p;n<$q<$n，q2M的最大值、最小值和中值。2.1.2. ATMED该模糊滤波器具有非对称三角函数和窗口内的中值，其中心值定义如下。：>S. 达什先生 Senapati/埃及信息学杂志21（2020）3739ð Þ ð Þ ðÞð Þ ð Þ ðÞð Þ ðÞ×---×F½xmp;nq]¼8><>：1-½jxmedm;n-xmimp;nqj]=½xmedm;n-xminm;n]对于xminm;n≤xmp;nq≤x medm;n1-½jxmp;nq-xmedm;nj]=xmaxm;n-xmedm;n对于xmedm;n≤xmp;nq≤x maxm;n1，适用于x中位数m;n=0-x最小值m;n =0或x最大值m;n =0-x中位数m;n= 0ð4Þ在这里，不对称的程度取决于x mediumm;n-x minm;n和xmaxm;n-x medm;n. x max m;n、x min m;n和x med m;n表示离散索引m ; n处窗口M内所有输入值x<$m<$p;n<$q<$n，q 2M的最大值、最小值和中值。2.1.3. TMAV以窗口内的移动平均值为中心值的对称三角模糊滤波器表示为8>1- 1/2jxmp;nq-xmavm;nj]=xmvm;n来吧！L5¼½1;4;6;4;1]¼L3ωL3点点！S5<$1/2-1;0;2;0;-1]<$-E3ωE3<$L3ωS3涟漪！R5¼½ 1;- 4; 6;- 4; 1]¼S 3ωS 3边缘！E5¼½- 1;- 2;0;2; 1]¼L 3ωE 3哇！W51/2-1;2;0;-2;1] 1/4-E3ωS3其中 * 表示卷积运算。25个数字的不同二维卷积掩码可以通过每个垂直向量与水平向量的卷积来生成。这些二维掩模被称为LawsF½xmp;nq]¼对于jxmp;nq-xmavm;nj≤xmvm;n：1，对于xmv¼0获得纹理图像xmvm;nmax½xmaxm;n-xmavm;n;xmavm;n-xminm;n]ð5Þð6Þ3. 拟议方法本节详细介绍了所提出的描述符，其原理如图1所示的框图所示。模糊滤波器能够抑制噪声，但边缘不能x max m;n，x min m;n 且x mavm;n 表示最大值，最小值，以及窗口M内离散指数m ;n的所有输入值x<$m<$p;n<$q<$的移动平均值。3.1.1. ATMAV以窗内移动平均值为中心值的非对称三角模糊滤波器表示为F½xmp;nq]¼保存。另一方面，在一套法则的面具中，尤其以边缘保护而闻名。因此，建议将Laws模板的边缘保持能力和模糊滤波器的降噪能力结合起来，在保持边缘的同时降低高斯噪声。对以中值或移动平均为中心的模糊隶属度函数进行了非对称和对称估计.提出的基于模糊滤波器的Laws8><>：1-½jxmavm;n-xmp;nqj]=½xmavm;n-xminm;n]对于xminm;n≤xmp;nq≤xma vm;n1-½jxmp;nq-xmavm;nj]=xmaxm;n-xmavm;n对于xmavm;n≤xmp;nq≤x maxm;n1，适用于x最大值m;n≥-x最小值m;n≥ 0或x最大值m;n≥-x最大值m;n≥0ð7Þ不对称的程度取决于x mavm;n-x minm;n和x maxm;n-x mavm;n之间的差异。 x max;m;n;x min; m;n和x max;m;n表示窗口M内离散索引m; n处的所有输入值x max; m; p ; n; q;的最大值、最小值和移动平均值。2.2.劳1980年，Kenneth Ivan Laws提出了一种用于提取纹理特征的方法，该方法描述了纹理特性，例如规则性、均匀性、密度、粗糙度等，用一组过滤器[2]。最初，他推荐了13个向量，例如L3 = [1，2，1]用于平均，E3 = [1，0，1]用于边缘，S3 = [1，2，1]用于斑点。一维向量被卷积，反过来又与自身或彼此转置，15个矢量与助记符水平，边缘，现货，波，和撕裂- ple如下所示。Fig. 1. 所提出方法的框图。>40S. 达什先生 Senapati/埃及信息学杂志21（2020）37LMx¼1y ¼1×××ðÞ×LMx¼1y ¼1PtPSDEF¼LMx¼1y ¼1P高斯噪声，（2）模糊滤波，（3）特征提取-L M通过Laws的掩码描述符进行操作1. 高斯噪声：噪声参数包含高斯噪声均方误差≤1X XI2x;y≤ 12L M标准差（rG）。对纹理图像进行不同高斯噪声值的人工嵌入，得到含噪图像。2. 模糊滤波：为了将Laws的掩模描述符扩展在实验中，四种不同类型的模糊滤波器，即TMED，ATMED，TMAV，和ATMAV被用来产生模糊变换图像。在实验中使用了尺寸为MM像素的方形窗口实验采用了三种不同宽度的窗口（M = 3，5，7）除了降噪之外，模糊滤波步骤的目的是保留边缘和图像细节。3. 通过Laws的掩码描述符进行特征提取用Laws的掩模方法对得到的模糊图像进行卷积。在我们的实验中，我们只选择了四个掩模，排除了波掩模。这些矢量以15种不同的方式组合，以执行与模糊图像的卷积，例如E5S5、L5E5、L5R5等。在与特定掩模进行一系列卷积之后，输出通过纹理能量测量（TEM）滤波器。该算法采用具有移动非线性窗口操作的统计描述子作为能量测量滤波器，通过与局部邻域像素的比较来替换每个像素。实验中采用了平均值、绝对平均值和标准差三种统计描述符作为纹理能量测量滤波器。平均能量滤波器称为MEF，绝对平均能量滤波器称为AMEF，标准偏差能量滤波器称为SDEF。一旦一系列特定卷积与选定的滤波器掩模完成，然后卷积输出应用于三种不同类型的纹理能量测量滤波器，用于调查每个像素的纹理属性[6]。过滤器定义如下。熵1××其中I x;y是像素值，L和M是图像的维度。最后，使用k-近邻分类器进行分类，以评估所建议的方法的效率。4. 实验设置和结果讨论在本节中，将检查所提出的技术的可行性为了证明所提出的技术的性能进行了三个不同的实验上的两个基准数据库：Brodatz和STex。Brodatz数据集是一个非常古老且具有挑战性的分类、呈现和分析平台，因为一些纹理具有令人兴奋的多重性和感知相似性[32]。在这个数据库中，一些纹理属于同一类，但在不同的尺度，而其他人是如此不均匀，人类观察者可能无法正确地分组他们的样本。基于这些解释，我们选择了Brodatz数据集，从其中随机选择了24个大小为640 - 640像素的图像，如图2所示。将每个图像分割成25个大小为128 × 128像素的不重叠子图像。因此，得到600个贴片。其中288个补丁用于训练，312个补丁用于测试。第二个数据集是从STex数据库中收集的，该数据库包含大小为512512像素的476个不同颜色的纹理图像[33]。这些图像是使用三种不同的相机拍摄的：佳能IXUS 70，佳能EOS 450D和尼康D40。为了分析的目的，如图3所示，从该数据库中选择25个不同的纹理图像。对于该数据集，图像也被细分为16个128× 128像素的非重叠样本，MEFPP相邻像素每200个样品用于训练和测试。8公司简介实验#1：实验#1研究纹理分类-利用传统的法律AMEF¼PPabs相邻像素vuPNeighbouringpixels-mean2其中P表示窗口大小。ð9Þð10Þ两个数据集上的掩码描述符。训练图像和测试图像都与15个掩码进行卷积。将卷积输出分布在大小为15x15的三种类型的TEM滤波器上，然后执行归一化并评估纹理特征。因此，每个图像产生45个特征。原始Laws掩码描述符的分类结果的性能结果两个不同的数据集如图所示。 四、观察到从这三个纹理能量测量滤波器产生的输出使用最小最大归一化技术进行归一化。对于每个归一化特征向量，如下评估纹理参数，诸如绝对平均值MEF在Brodatz数据集和STex数据集上的分类正确率分别为93.27%和68.50% 。 AMEF 在 Brodatz 数 据 集 上 的 分 类 率 为 86.22%SDEF 在Brodatz和STex数据上的分类率分别为89.42%和61.00%L M 集分别。ABSM¼1X XjIx;yj 11实验#2：实验#2使用传统的图二. 24类Brodatz。S. 达什先生 Senapati/埃及信息学杂志21（2020）3741图三. 25类STex。表1原始Laws掩码方法在Brodatz和STex数据集上的结果表2两个数据集上不同噪声水平下传统Laws掩码描述符的结果分类成功率特征（%）MEF AMEFSDEF纹理参数的确定方法总数不同噪音水平Brodatz数据库未使用过的口罩45 93.27 86.22 89.42STex数据库提取Brodatz数据集特征rG= 10rG= 15rG= 20rG= 25rG= 30使用无波口罩45 68.50 60.00 61.00埃及法郎45 92.31 91.03 89.42 88.70 87.18法国农业部45 86.86 86.22 86.00 85.80 82.05SDEF45 88.78 87.82 87.42 86.54 81.09STex数据集埃及法郎45 61.00 59.50 56.50 54.00 50.00AMEF45 59.50 51.50 48.50 40.00 36.00SDEF45 57.00 56.00 52.00 44.00 37.00图四、传统Laws掩码描述子的分类率劳斯选择不同水平的高斯噪声标准偏差（例如，rG通过添加具有如上所述的两个数据库的不同值对于特征提取，遵循与实验#1中所表2显示了两个数据集上噪声图像的分类率从分类结果中可以观察到，随着噪声水平的增加，所有三种分类的分类率都相应地降低TEM滤光片两个数据库中不同噪声水平的噪声图像结果如图所示。 5和图第六章实验3：该实验是为了研究所提出的方案对噪声纹理分析的鲁棒性，使用两个数据集。通过遵循实验#2的步骤损坏图像。然后，污染的图像通过TMED，ATMED，TMAV和ATMAV模糊滤波器，以获得模糊变换图像。模糊变换后的图像是使用宽度值的不同窗口（例如M = 3、5、7）获得的。使用不同窗值的目的是验证不同窗值下各种噪声水平的影响。实验的第二部分是利用传统的Laws掩模描述子从模糊图像中提取纹理特征。对于特征提取，遵循与图五、Brodatz数据集上噪声图像的传统Laws掩模结果图第六章STex数据集上噪声图像的传统Laws掩模结果42S. 达什先生 Senapati/埃及信息学杂志21（2020）37实验#1。在Brodatz和STex数据集上的不同方法的结果分别讨论如下。4.1. Brodatz数据集表3表3示出了所建议的基于TMED模糊滤波器的Laws掩模方法的分类成功率。结果显示当rG= 10时，均值滤波器在M = 3时的最大分类率为93.59%。当rG= 15时，M = 3时，MEF的分类率最高，达92.06%。对于高噪声图像，分类准确度的改善发生在更高的窗口大小，即当rG= 20时，M = 5时分类率为89.52%，当rG= 25时，M = 7时分类率为89.10%，当rG= 30时，M =7时分类率为89.26%。然而，对于AMEF，根本没有观察到分类率的任何改善。对于SDEF，仅在窗口大小M = 3时获得较高的分类率。对于噪声表3在Brodatz数据集上建议的TMED模糊规则掩码方法的结果纹理参数提取方法特征总数分类精度（%）不同噪声水平rG= 10rG= 15rG= 20rG= 25rG= 30MEFTMEDLaw（M = 3）4593.5990.0688.7886.2283.65TMEDLaw（M = 5）4591.6790.3889.5288.1484.62TMEDLaw（M = 7）4591.3589.1087.1889.1089.26AMEFTMEDLaw（M = 3）4586.2285.2685.5884.6279.49TMEDLaw（M = 5）4582.3782.3781.7380.1376.92TMEDLaw（M = 7）4579.4780.4577.5677.8876.92SDEFTMEDLaw（M = 3）4590.7188.7892.3187.5084.94TMEDLaw（M = 5）4588.7887.1884.2984.2981.09TMEDLaw（M = 7）4585.9088.1485.2684.9480.13表4在Brodatz数据集上建议的ATMED模糊规则掩码方法的结果纹理参数提取方法特征总数分类精度（%）不同噪声水平rG= 10rG= 15rG= 20rG= 25rG= 30MEFATMEDLaw（M = 3）4595.1992.3192.6389.7487.50ATMEDLaw（M = 5）4592.6390.7191.6789.4289.74ATMEDLaw（M = 7）4589.7488.4686.8685.2687.18AMEFATMEDLaw（M = 3）4585.2688.1485.2685.5882.69ATMEDLaw（M = 5）4581.7381.0977.2483.9781.41ATMEDLaw（M = 7）4580.0179.8178.2177.8878.21SDEFATMEDLaw（M = 3）4589.7488.8689.2390.7183.33ATMEDLaw（M = 5）4585.9088.4686.2284.9483.33ATMEDLaw（M = 7）4582.0581.0981.6480.1382.37表5在Brodatz数据集上建议的TMAV模糊规则掩模方法的结果纹理参数提取方法特征总数分类精度（%）不同噪声水平rG= 10rG= 15rG= 20rG= 25rG= 30MEFTMAVLaw（M = 3）4595.9191.3991.0388.4684.62TMAVLaw（M = 5）4592.0590.7192.9591.6788.46TMAVLaw（M = 7）4593.9192.3190.7188.8888.14AMEFTMAVLaw（M = 3）4589.7488.4686.8685.8580.13TMAVLaw（M = 5）4590.7186.5487.1879.1779.17TMAVLaw（M = 7）4592.9589.7487.5087.8282.41SDEFTMAVLaw（M = 3）4589.4288.5088.4687.1881.09TMAVLaw（M = 5）4590.7188.1888.4687.6583.01TMAVLaw（M = 7）4589.4287.9288.9485.5884.94S. 达什先生 Senapati/埃及信息学杂志21（2020）3743表6在Brodatz数据集上建议的ATMAV模糊规则掩模方法的结果纹理参数提取方法特征总数分类精度（%）不同噪声水平rG= 10rG= 15rG= 20rG= 25rG= 30MEFATMAVLaw（M = 3）4594.2391.9990.3890.3888.82ATMAVLaw（M = 5）4592.3191.0388.4689.1088.14ATMAVLaw（M = 7）4588.1485.9087.8289.9487.82AMEFATMAVLaw（M = 3）4589.1387.7688.1888.7884.62ATMAVLaw（M = 5）4586.5485.5885.5887.6783.97ATMAVLaw（M = 7）4581.7381.4181.4183.0183.65SDEFATMAVLaw（M = 3）4586.5487.8289.4286.6584.29ATMAVLaw（M = 5）4583.9785.5887.5087.8284.62ATMAVLaw（M = 7）4582.6982.0583.0191.6785.26表7在STex数据集上建议的TMED模糊规则掩码方法的结果纹理参数提取方法特征总数分类精度（%）不同噪声水平rG= 10rG= 15rG= 20rG= 25rG= 30MEFTMEDLaw（M = 3）4564.0062.5052.0047.0047.00TMEDLaw（M = 5）4560.0061.5054.0051.5048.00TMEDLaw（M = 7）4558.0058.0056.5053.0048.50AMEFTMEDLaw（M = 3）4552.0047.0040.5037.5031.00TMEDLaw（M = 5）4550.5044.5040.5040.0035.00TMEDLaw（M = 7）4547.0046.5046.5041.0038.00SDEFTMEDLaw（M = 3）4557.0050.0044.0039.5031.00TMEDLaw（M = 5）4546.5045.5039.0038.0038.50TMEDLaw（M = 7）4550.5049.0042.5047.0040.50表8STex数据集上建议的ATMED模糊规则纹理参数提取方法特征总数分类精度（%）不同噪声水平rG= 10rG= 15rG= 20rG= 25rG= 30MEFATMEDLaw（M = 3）4563.0062.0057.5054.5052.50ATMEDLaw（M = 5）4560.0061.0057.0058.5058.50ATMEDLaw（M = 7）4562.5058.5058.5058.0053.50AMEFATMEDLaw（M = 3）4554.5047.5049.5042.0039.50ATMEDLaw（M = 5）4550.5047.0049.0040.5039.50ATMEDLaw（M = 7）4550.0048.0049.0051.0043.50SDEFATMEDLaw（M = 3）4552.5048.0053.5044.5045.00ATMEDLaw（M = 5）4541.5041.5042.5040.5039.50ATMEDLaw（M = 7）4542.5046.0043.0048.0040.50表9STex数据集上建议的TMAV模糊规则掩码方法的结果纹理参数提取方法特征总数分类精度（%）不同噪声水平rG= 10rG= 15rG= 20rG= 25rG= 30MEFTMAVLaw（M = 3）4562.5059.5357.5054.5052.00TMAVLaw（M = 5）4563.0062.5057.5055.5056.50TMAVLaw（M = 7）4564.5062.0061.0057.5053.00AMEFTMAVLaw（M = 3）4554.5047.5043.5037.0037.50TMAVLaw（M = 5）4556.5047.0043.5035.5042.50TMAVLaw（M = 7）4551.0043.5046.0040.0043.00SDEFTMAVLaw（M = 3）4556.5052.0044.5040.5037.00TMAVLaw（M = 5）4554.5051.0043.5043.0038.00TMAVLaw（M = 7）4559.0057.0053.0049.0039.5044S. 达什先生 Senapati/埃及信息学杂志21（2020）37表10STex数据集上建议的ATMAV模糊规则掩码方法的结果纹理参数提取方法特征总数分类精度（%）不同噪声水平rG= 10rG= 15rG= 20rG= 25rG= 30MEFATMAVLaw（M = 3）4564.0063.0061.5058.5059.50ATMAVLaw（M = 5）4562.0063.5058.5059.5057.50ATMAVLaw（M = 7）4563.0060.0058.5057.0054.50AMEFATMAVLaw（M = 3）4553.5052.5049.0047.5042.00ATMAVLaw（M = 5）4550.5050.5051.0043.0041.50ATMAVLaw（M = 7）4548.0053.0054.0050.0042.00SDEFATMAVLaw（M = 3）4548.0053.5046.5044.0041.00ATMAVLaw（M = 5）4545.0049.5049.0044.0044.50ATMAVLaw（M = 7）4545.5045.0054.5046.5045.00在rG= 10、rG= 15、rG= 20、rG= 25和rG= 30水平下，SDEF在M =3时的分类准确率分别为90.71%、88.78%、92.31%、87.50%和84.94%表4中给出了所建议的基于ATMED模糊滤波器的Laws从从表中可以观察到，对于窗口大小M = 3，获得了所有噪声级的最大分类精度。对于噪声水平rG= 10、rG= 15、rG= 20、rG= 25和rG=30，在M = 3时，相应的分类准确率分别为95.91%、92.31%、92.63%、89.74%和87.50%。图第七章TMED模糊过滤器基于两个数据库上的Laws掩码的分类率（a）MEF（b）AMEF（c）SDEF。S. 达什先生 Senapati/埃及信息学杂志21（2020）3745MEF。此外，对于窗口大小M = 5，除了MEF的rG= 20之外，对于所有噪声水平都注意到较高的分类率对于AMEF，仅在两个噪声水平下注意到较高的分类率即rG= 15时为88.14%，rG= 30时为82.69%类似地，对于SDEF，在每个噪声水平下对于窗口大小M = 3获得增加的分类率。对于噪声水平rG= 10、rG= 15、rG= 20、rG= 25和rG= 30，对于SDEF，在M =3时实现的相应分类准确率分别为89.74%、88.86% 、89.23%、90.71%和83.33%。表5给出了建议的基于TMAV模糊滤波器的Laws掩模方法的分类成功率。 对于MEF，当rG= 10、rG= 15和rG= 20，M = 3时，最大分类率分别为95.91%、91.39%和91.03%。 随着噪声水平的增加，即当r = 25和r = 30时，观察到对于窗口大小M = 3，分类率没有提高。对于较高的噪声水平，如rG= 20，rG= 25，相应的分类精度达到92.95%，91.67%，88.46%，M = 5的MEF。类似地，对于所有噪声水平，窗口大小M =7，对于MEF，即对于噪声水平rG= 10，rG= 15，rG= 20，rG= 25和rG= 30时，对应的分类率分别为93.91%、91.39%、90.71%、88.88%和88.14%。对于AMEF，最大-在冬季连续达到最高分类精度，对于所有噪声级，dow size M = 7。在此条件下，分类率分别为92.95%、89.74%、87.50%、87.82%和82.41当M = 7时，AMEF的rG= 10，rG= 15，rG= 20，rG= 25，rG然而，对于窗口大小M = 3和M= 5，注意到分类率的改善用于较低水平的噪声。类似地，对于SDEF，对于窗口大小M = 5和M = 7的所有噪声水平，实现了最大分类当rG=10、rG= 15、rG= 20、rG= 25和rG= 30时，M = 5时，SDEF的分类正确率分别为90.71%、88.18%、88.46%、87.65%和83.01%。当rG=10、rG= 15、rG= 20、rG= 25和rG= 30时，M = 7时，SDEF的分类正确率分别为89.42%、87.92%、88.94%、86.63%和84.94%。此外，对于SDEF的较低噪声水平，在窗口大小M = 3的情况下也获得了较高的分类率表6给出了所建议的基于LAWS模糊滤波器的LAWS掩模方法的分类成功率对于这种方法，对于MEF的窗口大小M = 3的所有噪声水平当rG= 10、rG= 15、rG= 20、rG= 25和rG= 30时，MEF的分类率分别为94.23%、91.99%、90.78%、90.38%和88.82%分类率没有提高，对于MEF，窗口大小M = 5和M = 7的噪声水平较低。然而，对于较高的噪声水平，即当rG= 25时，图八、基于LAWS掩码的ATMED模糊过滤器在两个数据库上的分类率（d）MEF（e）AMEF（f）SDEF。46S. 达什先生 Senapati/埃及信息学杂志21（2020）37rG= 30时，MEF的分类正确率在M = 5时分别为89.10%、88.14%，在M = 7时分别为89.94%、87.82%。同样地，对于AMEF，在M = 3时，当rG= 10、rG= 15、rG= 20、rG= 25和rG然而，对于较高的噪声水平，即当rG= 25和rG= 30时，对于AMEF分别获得了87.67%、83.97%（M = 5）和83.65%（M = 7）的分类率。在噪声级rG= 10和rG= 15时，SDEF的分类率没有增加。然而，观察到对于较高的噪声水平，即当rG= 20、rG= 25和rG= 30时，对于SDEF，分类精度在M = 3时分别增加到89.42%、86.65%和84.29%，在M = 5时分别增加到当窗口尺寸M = 7时，当 rG= 25和 rG= 30时，SDEF的分类准确率分别提高到91.67%和86.65%。4.2. STex数据集表7表7中给出了所建议的基于TMED模糊滤波器的Laws掩码方法的分类成功率对于这种方法，仅对于具有窗口大小的两个噪声水平，即对于MEF，M = 3和M = 5，分类精度增加。当rG= 10时，M = 3的分类率为64.00%和62.50%，M = 5的分类率为对于MEF，rG对于其余的噪声级，使用任何窗口大小都不能提高分类精度对于较低的噪声，分类率没有提高使用任何窗口大小的AMEF水平。当rG= 25和rG= 30时，AMEF的分类率分别提高到41.00%和38.00%。在SDEF中也出现了类似的情况，当rG= 25和rG= 30时，M = 7时的分类率分别提高到47.00%和40.50%。表8中给出了所建议的基于ATMED模糊滤波器的Laws掩码方法的分类成功率从表中可以看出，对于MEF，对于窗口大小M = 3和M= 5，获得了所有噪声水平的最大分类精度。对于噪声水平rG= 10，rG= 15，在rG= 20、rG= 25和rG= 30时，相应的分类准确率分别为63.00%、62.00%、57.50%、54.50%和50.00%。M = 3时为52.50%，60.00%、61.00%、57.00%、58.50%和58.50%对于MEF，M = 5对于窗口大小M = 7，较高的类图第九章 TMAV模糊滤波器的分类率基于两个数据库的Laws（g）MEF（h）AMEF（i）标准偏差滤波器。S.