3D Image representation is an important topic in computer vision and pattern recognition. Recently, 3D image analysis by fractional-order orthogonal moments has provided a new research direction, which has prompted researchers to think about efficient and fast classification. In this paper, the authors derived novel sets of fractional-order Legendre moment invariants (FrLMIs), for 3D object description and recognition. Therefore, an analysis of the performance of reconstruction and classification based on fractional-order moment invariants and Deep Neural Networks (DNNs) by changing the number of descriptors was presented. Accordingly, the performance of these proposed fractional-order moments and moment invariants are evaluated through several appropriate experiments, including 3D image reconstruction, region of interest feature extraction, invariance with respect to the geometric transformations and noisy, and 3D Object classification using different fractional parameters. The superiority of the proposed method is verified by comparing the classification percentages obtained by varying the amount of data used during the training process in comparison with the existing methods. The work presented will help to create new neural network architectures that take advantage of the descriptive capacity of 3D fractional-order moments. Finally, these fractional-order moments are very fast and computationally inexpensive which could be useful in many computer vision applications. Based on these characteristics, the proposed FrOLMs and FrLMIs outperformed all existing orthogonal moments.

3D 图像表示是计算机视觉和模式识别中的一个重要课题。最近，分数阶正交矩的3D图像分析提供了一个新的研究方向，促使研究人员思考高效快速的分类问题。在本文中，作者推导出了一组新颖的分数阶勒让德矩不变量 (FrLMIs)，用于 3D 对象描述和识别。因此，通过改变描述符的数量，提出了基于分数阶矩不变量和深度神经网络 (DNN) 的重建和分类性能的分析。因此，这些提出的分数阶矩和矩不变量的性能通过几个适当的实验进行评估，包括 3D 图像重建、感兴趣区域特征提取、几何变换和噪声的不变性，以及使用不同分数参数的 3D 对象分类。通过与现有方法相比，通过改变训练过程中使用的数据量获得的分类百分比来验证所提出方法的优越性。所呈现的工作将有助于创建新的神经网络架构，以利用 3D 分数阶矩的描述能力。最后，这些分数阶矩非常快且计算成本低，可用于许多计算机视觉应用。基于这些特性，提出的 FrOLM 和 FrLMI 优于所有现有的正交矩。和使用不同分数参数的 3D 对象分类。通过与现有方法相比，通过改变训练过程中使用的数据量获得的分类百分比来验证所提出方法的优越性。所呈现的工作将有助于创建新的神经网络架构，以利用 3D 分数阶矩的描述能力。最后，这些分数阶矩非常快且计算成本低，可用于许多计算机视觉应用。基于这些特性，提出的 FrOLM 和 FrLMI 优于所有现有的正交矩。和使用不同分数参数的 3D 对象分类。通过与现有方法相比，通过改变训练过程中使用的数据量获得的分类百分比来验证所提出方法的优越性。所呈现的工作将有助于创建新的神经网络架构，以利用 3D 分数阶矩的描述能力。最后，这些分数阶矩非常快且计算成本低，可用于许多计算机视觉应用。基于这些特性，提出的 FrOLM 和 FrLMI 优于所有现有的正交矩。通过与现有方法相比，通过改变训练过程中使用的数据量获得的分类百分比来验证所提出方法的优越性。所呈现的工作将有助于创建新的神经网络架构，以利用 3D 分数阶矩的描述能力。最后，这些分数阶矩非常快且计算成本低，可用于许多计算机视觉应用。基于这些特性，提出的 FrOLM 和 FrLMI 优于所有现有的正交矩。通过与现有方法相比，通过改变训练过程中使用的数据量获得的分类百分比来验证所提出方法的优越性。所呈现的工作将有助于创建新的神经网络架构，以利用 3D 分数阶矩的描述能力。最后，这些分数阶矩非常快且计算成本低，可用于许多计算机视觉应用。基于这些特性，提出的 FrOLM 和 FrLMI 优于所有现有的正交矩。这些分数阶矩非常快且计算成本低，可用于许多计算机视觉应用。基于这些特性，提出的 FrOLM 和 FrLMI 优于所有现有的正交矩。这些分数阶矩非常快且计算成本低，可用于许多计算机视觉应用。基于这些特性，提出的 FrOLM 和 FrLMI 优于所有现有的正交矩。