Andere Kunden interessierten sich auch für
![Estimativa de processamento de imagem-moção baseada em TMS320DM642]( "Estimativa de processamento de imagem-moção baseada em TMS320DM642")
Estimativa de processamento de imagem-moção baseada em TMS320DM64223,99 €![Baseado em máquina de vetores de suporte Reconhecimento de emoções de fala]( "Baseado em máquina de vetores de suporte Reconhecimento de emoções de fala")
Baseado em máquina de vetores de suporte Reconhecimento de emoções de fala39,99 €![Análise de Doenças das Folhas usando Técnicas de Super-Resolução de Imagem]( "Análise de Doenças das Folhas usando Técnicas de Super-Resolução de Imagem")
Análise de Doenças das Folhas usando Técnicas de Super-Resolução de Imagem33,99 €![Reconhecimento de gestos de mão usando processamento de imagem]( "Reconhecimento de gestos de mão usando processamento de imagem")
Reconhecimento de gestos de mão usando processamento de imagem29,99 €![Restauração de Imagem usando Técnica de Pintura Digital de Imagem]( "Restauração de Imagem usando Técnica de Pintura Digital de Imagem")
Restauração de Imagem usando Técnica de Pintura Digital de Imagem29,99 €![Solar basesolautomação residencial baseada em energia solar usando o aplicativo nodemcu & blynk - w]( "Solar basesolautomação residencial baseada em energia solar usando o aplicativo nodemcu & blynk - w")
Solar basesolautomação residencial baseada em energia solar usando o aplicativo nodemcu & blynk - w29,99 €![Identificação de falhas em painéis solares fotovoltaicos usando aprendizado de máquina]( "Identificação de falhas em painéis solares fotovoltaicos usando aprendizado de máquina")
Identificação de falhas em painéis solares fotovoltaicos usando aprendizado de máquina29,99 €
Content Based Image Retrieval (CBIR) é uma tendência em desenvolvimento no Processamento Digital de Imagem para pesquisa e recuperação da imagem da consulta a partir de uma vasta gama de bases de dados. Os esquemas convencionais de recuperação de imagem com base no conteúdo (CBIR) têm as seguintes limitações: 1. É lento 2. é difícil rotular exemplos negativos; 3. a precisão é fraca num único passo; propomos uma nova estratégia de dois passos em que o primeiro passo é a extracção de características utilizando características de baixo nível (cor, forma e textura) enquanto que o classificador SVM é utilizado no segundo passo para lidar com os exemplos positivos ruidosos. Assim, um algoritmo eficiente de recuperação de imagem baseado em cor-correlograma para extracção de características de cor, transformação wavelet para extracção de características de forma e Gabor wavelet para extracção de características de textura.