Resumen

La descomposición de imágenes de textura de fragmentos de porcelana basada en una red neuronal convolucional es un algoritmo funcional basado en la minimización de la energía. Mapea la imagen a un espacio adecuado y puede descomponer eficazmente la estructura de la imagen, la textura y el ruido. Este trabajo realiza una investigación sistemática sobre la descomposición de imágenes basada en el método variacional y la reconstrucción por detección comprimida de la red neuronal convolucional. Este trabajo utiliza el método de descomposición variacional de la imagen en capas para descomponer la imagen en componentes estructurales y componentes de textura y utiliza un algoritmo de detección comprimida basado en una base híbrida para reconstruir los componentes de estructura y textura con grandes datos. En la detección comprimida, para aumentar aún más cada componente de características, se construye la sparseness de la transformada shearlet basada en wavelet de marco estrecho y se combina con átomos de onda como un diccionario sparse conjunto de big data. Bajo la condición de la misma tasa de muestreo, este algoritmo puede retener más detalles de la textura de la imagen y big data que el algoritmo. La producción de big data que cumple con las características del texto de fondo es en realidad un método de normalización basado en la imagen. Este método no es muy sensible a la posición relativa, la densidad, el espaciado y el grosor del texto. Un modelo de superresolución para ciertas características de textura puede mejorar el efecto de restauración de dichas imágenes de textura. Y el conjunto de datos extraído por el método de clasificación utilizado en este trabajo representa el 20% del conjunto total de datos, y al mismo tiempo, el valor PSNR de 0,1 se mejora en promedio. Por lo tanto, teniendo en cuenta los requisitos para el futuro entrenamiento experimental de big data, este artículo utiliza principalmente dos conjuntos de datos estandarizados jpg/csv después de la segmentación. Este conjunto de datos minimiza la diferencia entre el mismo tipo de texto base en el mismo periodo para sentar las bases de un buen reconocimiento de big data en el futuro.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neuronal convolucional, componentes de textura, imagen, papel, diccionario big data, métodos de normalización basados, reconocimiento big data, tipo de base, ciertas características de textura, detalles de textura de la imagen
• Keywords:convolutional neural network, texture components, image, paper, dictionary big data, based normalization methods, big data recognition, type of base, certain texture features, image texture details