Алгоритмы подбора параметров комбинирования ациклических графов соседства в задачах обработки текстурных изображений

• Автор: Динь Вьет Шанг
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Тула
• Количество страниц: 156 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
1 ЗАДАЧА РАСПОЗНАВАНИЯ ОБРАЗОВ В МАССИВАХ ВЗАИМОСВЯЗАННЫХ ДАННЫХ
1.1 Классическая задача распознавания образов
1.2 Задача распознавания в массивах взаимосвязанных данных и минимизация среднего риска
1.3 Распознавание образов в массивах взаимосвязанных данных в случае ациклического графа соседства
1.4 Частная модель скрытого марковского случайного поля принадлежностей объектов к классам
1.5 Итерационный алгоритм повторения ациклического графа и комбинирование ациклических графов соседства
1.6 Натуральные и структурные параметры модели в задаче выбора модели..
1.7 Минимизация гиббсовской энергии взаимодействия элементов марковского случайного поля
1.8 Основные цели и задачи исследования
2 ЗАДАЧА ПОДБОРА ПАРАМЕТРОВ ДРЕВОВИДНОГО МАРКОВСКОГО СЛУЧАЙНОГО ПОЛЯ
2.1 Постановка задачи подбора диагонального элемента в случае ациклического графа соседства
2.2 Предельные значения диагонального элемента
2.3 Алгоритм подбора диагонального элемента для ациклического графа,
основанный на независимом обучении
2.5 Алгоритм подбора диагонального элемента для ациклического графа по схеме Гаусса-Зайделя
3 ЗАДАЧА ПОДБОРА ПАРАМЕТРОВ КОМБИНИРОВАНИЯ АЦИКЛИЧЕСКИХ ГРАФОВ СОСЕДСТВА
3.1 Свойства алгоритма подбора весов ациклических графов в их линейной комбинации
3.1.1 Предварительные эксперименты в случае однократного распознавания..
3.1.2 Предварительные эксперименты в случае многократного распознавания.
3.2 Алгоритмы подбора параметров комбинирования ациклических графов соседства

3.2.1 Алгоритм подбора единственного диагонального элемента и весов ациклических
графов соседства
3.2.2 Первая схема подбора диагональных элементов и весов ациклических графов соседства
3.2.3 Вторая схема подбора диагональных элементов и весов ациклических графов соседства
3.2.4 Сходимость алгоритмов подбора параметров комбинирования ациклических графов соседства
4 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ АЛГОРИТМОВ
4.1 Модельные текстурные изображения
4.2 Сравнение алгоритмов подбора диагонального элемента для ациклического графа
4.3 Зависимость скорости сходимости от значения диагонального элемента
4.4 Сравнение алгоритмов подбора параметров комбинирования ациклических графов соседства
4.5 Проверка статистической гипотезы о равенстве средних уровня ошибок распознавания
4.6 Распознавание неподходящих изображений
5 ОЦЕНКА ОШИБКИ РАСПОЗНАВАНИЯ МЕТОДОМ СКОЛЬЗЯЩЕГО КОНТРОЛЯ
5.1 Упрощенная схема скользящего контроля
5.2 Алгоритмы подбора диагонального элемента по ациклическому графу
5.3 Алгоритмы подбора параметров комбинирования ациклических графов соседства
6 РАСПОЗНАВАНИЕ РЕАЛЬНЫХ ИЗОБРАЖЕНИЙ
6.1 Интерактивная схема выбора данных учителя
6.2 Схема независимого обучения с использованием информации о расположении объектов классов в поле носителя
6.3 Сравнение алгоритмов при распознавании реальных изображении
6.4 Обновление апостериорных маргинальных распределений
6.5 Обработка изображений известных баз
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ

ВВЕДЕНИЕ
В настоящее время сохраняется большой интерес исследователей к задачам компьютерной обработки массивов данных, таких как сигналов, двумерных изображений, а также многомерных кубов данных.
Изображения являются одним из наиболее распространенных видов информации, ставшим в последние десятилетия типовым объектом применения компьютеров для анализа данных. Широко известны системы распознавания отпечатков пальцев, анализа электрокардиограмм, а что касается программ автоматического чтения печатного текста, то их использование стало массовым.
Особый интерес к компьютерной обработке именно изображений в значительной мере определяется тем фактом, что это естественный вид организации потоков информации о внешнем мире, получаемой человеком и другими высшими животными через органы чувств, главным образом, посредством зрения, и играющей фундаментальную роль в формировании их поведения.
Изображение не может быть представлено в компьютере иначе, как совокупность чисел, и эта совокупность упорядочена вдоль осей двух переменных, либо даже трех, если анализу подлежит изображение, изменяющееся во времени, как это, вообще говоря, и имеет место в зрительных системах человека и животных.
Одной из известных задач обработки изображений является задача сегментации изображений [26] - разделение плоскости изображения на непе-ресекающиеся области, которые в некотором смысле однородны.
В данной задаче необходимо принять решение о принадлежности каждой точки изображения к тому или иному классу текстуры. В классической теории распознавания образов [2, 16, 26] объекты, подлежащие распознаванию, рассматриваются независимо друг от друга. Поэтому в классической задаче распознавания, в частности, не делается никаких предположений о порядке предъявления объектов. Однако во многих задачах объектами, под-
Рассмотрим марковские параметры. Если рассматривать марковские параметры как натуральные, то их оценка как оценка натуральных параметров скрытой марковской модели [21, 42] может осуществляться по принципу максимального правдоподобия. В таком подходе параметры скрытой марковской модели оцениваются, как правило, ЕМ-алгоритмом. Тем не менее, если оценивать статистические свойства решений рассмотренным способом [21, 42], то немедленно потребуется применить процедуру скользящего контроля и (что более принципиально) решить, какие из оцениваемых марковских параметров претендуют на роль структурных.
Если рассматривать марковские параметры как структурные, то необходимо решить проблему вычислительной трудоемкости из-за многократного повторения обучения при настройке структурных параметров по схеме скользящего контроля.
Чтобы избежать чрезмерной трудоемкости вычислительных экспериментов, в данной работе предложен «гибкий» подход, который заключается в подборе марковских параметров как натуральных, но качество решающего правила проверяется на основе схемы скользящего контроля, примененной при настройке структурных параметров. Для этого сначала мы построим алгоритмы подбора марковских параметров по отдельному изображению. Потом применим упрощенную схему скользящего контроля для выбора значений марковских параметров и для оценки ошибки на генеральной совокупности.
1.7 Минимизация гиббсовской энергии взаимодействия элементов марковского случайного поля
Другим подходом к решению задачи распознавания образов в массивах взаимосвязанных данных является минимизация гиббсовской энергии.
В [31 ] введены понятия клики графа соседства и распределения Гиббса. Согласно [31], пусть Т - ^ е Т} - это множество элементов, и пусть С - граф соседства, который представляет собой отношения соседства между элементами множества Т. Подмножество СсГ называется кликой, если каждая