http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 주제어 : Gray level grouping (검색결과 2 건)
- 무료
- 기관 내 무료
- 유료
-
Yang, Hyeonseok,Park, Jinwook,Moon, Youngshik The Institute of Electronics and Information Engin 2014 IEIE Transactions on Smart Processing & Computing Vol.3 No.6
This paper proposes a method that reduces the flickering effect caused by A-GLG (Adaptive Gray-Level Grouping) during video contrast enhancement. Of the GLG series, A-GLG shows the best contrast enhancement performance. The GLG series is based on histogram grouping. Histogram grouping is calculated differently between the continuous frames with a similar histogram and causes a subtle change in the transformation function. This is the reason for flickering effect when the video contrast is enhanced by A-GLG. To reduce the flickering effect caused by A-GLG, the proposed method calculates a modified transformation function. The modified transformation function is calculated using a previous and current transformation function applied with a weight separately. The proposed method was compared with A-GLG for flickering effect reduction and video contrast enhancement. Through the experimental results, the proposed method showed not only a reduced flickering effect, but also video contrast enhancement.
-
이재만(Jae-Man Lee),김선종(Seon-Jong Kim),김동필(Dong-Pil Kim) 한국정보기술학회 2013 Proceedings of KIIT Conference Vol.2013 No.5
본 논문에서는 수피의 질감특징을 분석하고 분류 성능이 우수한 특색 있는 질감의 수피들을 그룹화 하는 방법을 제안하고, 수피를 그룹화 함으로써 효과적인 분류기를 만들 수 있는 기반을 제공한다. 질감을 추출하기 위하여 웨이블릿을 이용하였으며 변환된 웨이블릿을 이용하여 GLCM 질감특징을 추출하였다. 웨이블릿은 LL, LH, HL, HH으로 분할하였으며 GLCM은 0˚, 45˚, 90˚, 135˚ 방향을 고려하여 매트릭스를 구성하였으며 이 매트릭스에 질감특징 중 대표적인 entropy, energy, inertia, variance, homogeneity, cluster prominence, maximum probability에 대하여 분석하였다. 성능이 우수한 entropy를 선택하여 20종 400장의 수피를 가지고 실험한 결과 12종만으로 그룹화 하였을 때 가장 우수한 89%의 성능을 얻었다. This paper proposes an efficient method that make groups to classify a bark. We analysed the texture applied by the wavelets and their GLCM. We have the distinct texture with the best performance for bark classification. To do this, we partitioned the image into LL, LH, HL, HH wavelets, and we extracted the features of GLCM matrix with 0˚, 45˚, 90˚, and 135˚ directions from each wavelet, respectively, GLCM features, that is, entropy, energy, inertia, variance, homogeneity, cluster prominence, and maximum probability are analysed. The results of experiments for the proposed method with 400 images of 20 classes, can be shown that the group with 12 classes is the best performance with 89%.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
