Методы и алгоритмы распознавания образов с использованием древовидных представлений многоканальных изображений

  • автор:
  • специальность ВАК РФ: 05.13.01
  • научная степень: Кандидатская
  • год, место защиты: 2013, Москва
  • количество страниц: 172 с. : ил.
  • бесплатно скачать автореферат
  • стоимость: 240,00 руб.
  • нашли дешевле: сделаем скидку
  • формат: PDF
pdf

действует скидка от количества
2 диссертации по 223 руб.
3, 4 диссертации по 216 руб.
5, 6 диссертаций по 204 руб.
7 и более диссертаций по 192 руб.
Титульный лист Методы и алгоритмы распознавания образов с использованием древовидных представлений многоканальных изображений
Оглавление Методы и алгоритмы распознавания образов с использованием древовидных представлений многоканальных изображений
Содержание Методы и алгоритмы распознавания образов с использованием древовидных представлений многоканальных изображений
Вы всегда можете написать нам и мы предоставим оригиналы страниц диссертации для ознакомления
СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. СОСТОЯНИЕ ПРОБЛЕМЫ И ЗАДАЧИ ИССЛЕДОВАНИЯ
1.1. Обзор методов распознавания образов
1.1.1. Байесовские методы
1.1.2. Линейные методы
1.1.3. Метрические методы
1.2. Особенности метрических методов и требования
к исходным данным и алгоритмам классификации
1.2.1. Исходные данные и их представление
1.2.2. Меры различия и сходства и способы объединения решений
1.2.3. Типы ошибок и обучение
1.2.4. Сложность и эффективность алгоритмов распознавания
1.3. Цель и задачи исследования
ГЛАВА 2. ДРЕВОВИДНОЕ ПРЕДСТАВЛЕНИЕ МНОГОКАНАЛЬНЫХ ИЗОБРАЖЕНИЙ И МОДЕЛЬ МЕТРИЧЕСКОГО КЛАССИФИКАТОРА
2.1. Построение многослойных древовидных представлений
2.1.1. Однослойное древовидное представление объектов
2.1.2. Многослойное древовидное представление объектов
2.2. Мера различия объектов на множестве многослойных древовидных представлений и модель классификатора
2.3. Алгоритм направленного поиска решения
и вычислительная сложность
2.4. Результаты и их обсуждение

ГЛАВА 3. ОБУЧЕНИЕ И ОБЪЕДИНЕНИЕ КЛАССИФИКАТОРОВ
3.1 Построение древовидно-структурированных покрытий
3.2 Функция ошибки скользящего контроля
и оптимизация покрытий
3.3 Объединение классификаторов
3.3.1. Оценки параметров меры
3.3.2. Стратегия обобщенной меры различия
для классификации по ансамблю источников
3.3.3. Стратегия взвешенного большинства голосов
для объединения по ансамблю решений
3.4 Результаты и их обсуждение
ГЛАВА 4. БАЗА ИЗОБРАЖЕНИЙ И КОМПЛЕКС ПРОГРАММ
ДЛЯ МОДЕЛИРОВАНИЯ КЛАССИФИКАТОРОВ
4.1. Подготовка базы изображений подписей
4.1.1. Анализ общедоступных баз подписей
4.1.2. Пороговая фильтрация изображений
4.2. Формирование базы изображений лиц
4.2.1. Анализ общедоступных баз лиц
4.2.2. Получение цветных изображений
4.2.3. Выделение информативной области на изображении
4.2.4. Нормализация информативной области
4.2.5. Эквализация изображений по каналам представления
4.3. Основные функции и структура комплекса программ
4.3.1. Трехуровневая структура описания программ
4.3.2. Централизованная схема вызова приложений
4.3.3. Основные функции программ
4.4. Настройка программ для проведения экспериментов
4.5. Результаты и их обсуждение

ГЛАВА 5. МЕТОДИКА ПРОВЕДЕНИЯ ЭКСПЕРИМЕНТОВ
И РЕЗУЛЬТАТЫ РАСПОЗНАВАНИЯ ПОДПИСЕЙ И ЛИЦ
5 Л. Состав и схема проведения экспериментов
5 Л Л. Источники одноканальных изображений
5Л.2. Источники многоканальных изображений
5 Л .3. Ансамбль источников
5.2. Результаты моделирования процедуры обучения классификаторов
5.2.1. Источник полутоновых изображений подписей
5.2.2. Источник цветных изображений лиц
5.2.3. Ансамбль источников изображений подписей и лиц
5.3. Результаты тестирования классификаторов
5.3.1. Распознавание полутоновых изображений подписей
с использованием переборного поиска решения
5.3.2. Распознавание цветных изображений лиц
с использованием переборного поиска решения
5.3.3. Распознавание по ансамблю изображений подписей и лиц
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
ПРИЛОЖЕНИЕ
Приложение 1. Акт внедрения в МГТУ МИРЭА
Приложение 2. Акт внедрения в ОАО «Чувашнефтепродукт»

Соотношение С(е) строится путем исключения параметра / из зависимостей С(7) и е(1). Поведение функции С(е) демонстрирует уменьшение вычислительной сложности и, следовательно, увеличение быстродействия с ростом ошибки классификации. При этом ошибка ограничена снизу величиной £тш, а сверху - величиной £тах. Величина стш достигается при наибольшем разрешении используемых представлений образов (/ = Ь), а величина £тах- при наименьшем разрешении (/ = 1), причем нижняя и верхняя границы ошибки обусловлены способом представления исходных данных и для разных представлений указанные границы различны. В общем случае функция С(£) зависит от критерия классификации и алгоритма принятия решения. Очевидно также, что «лучшим» является тот алгоритм, который при фиксированном значении ошибки классификации е имеет меньшую вычислительную сложность С, либо при заданной сложности С способен обеспечить меньшую ошибку £.
Рис. 1.11. Характер зависимости вычислительной сложности и ошибки классификации от уровня разрешения /
В диссертационной работе изложенный подход к анализу эффективности и сложности классификации применен к источникам многоканальных
Вы всегда можете написать нам и мы предоставим оригиналы страниц диссертации для ознакомления

Рекомендуемые диссертации данного раздела