Иерархические структурные методы автоматического анализа аэрокосмических изображений

• Автор: Потапов, Алексей Сергеевич
• Шифр специальности: 05.11.07
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Санкт-Петербург
• Количество страниц: 158 с. : ил.

Глава 1. Обзор современного состояния проблем интерпретации в
автоматическом анализе изображений
1.1. Введение
1.2. Представления изображений в виде необработанных данных
1.3. Низкоуровневые представления
1.3.1. Функциональные модели
1.3.2. Вероятностные модели
1.3.3. Сопоставления изображений на пиксельном уровне
1.4. Средний уровень: структурные методы
1.4.1. Контурные представления изображений
1.4.2. Непроизводные структурные элементы
1.4.3. Составные структурные элементы
1.4.4. Сопоставление символьных описаний
1.5. Верхний уровень: методы, основанные на знаниях
1.6. Иерархические представления изображений
Выводы из первой главы
Глава 2. Разработка методов автоматического построения иерархических структурных описаний изображений
2.1. Введение
2.2. Критерий сравнения гипотез в индуктивном выводе
2.2.1. Байесовский вывод
2.2.2. Принцип минимальной длины описания
2.2.3. Интерпретация изображений как минимизация длины описания
2.2.4. Выводы
2.3. Модели общих типов
2.3.1. Регрессионные модели
2.3.2. Модели, использующиеся в задачах распознавание и группирование
2.3.3. Модели сегментация
2.3.4. Выводы
2.4. Формирование пространства моделей изображений
2.4.1. Предположения Д. Марра
2.4.2. Сведение предположений Д. Марра к моделям общих классов
2.4.3. Выводы
2.5. Сегментация изображений как переход к контурным представлениям
2.5.1. Построение целевой функции
2.5.2. Алгоритм сегментации
2.5.3. Расширение класса регрессионных моделей в алгоритме сегментации
2.5.4. Выводы
2.6. Построение структурных элементов на основе контуров
2.6.1. Выбор представления контуров
2.6.2. Алгоритм сегментации контуров
2.6.3. Выводы
2.7. Верхний структурный уровень
2.7.1. Подходы к объединению структурных элементов
2.7.2. Группирование элементов по их подобию и регулярности расположения
2.7.3. Формирование составных структурных элементов
2.7.4. Выводы
Выводы из второй главы
Глава 3. Автоматическое структурное сопоставление изображений в
условиях их сезонно-суточного и спектрального несоответствия
3.1. Компоненты методов сопоставления изображений
3.2. Определение пространства поиска
3.2.1. Выбор характерных признаков изображений для сопоставления
3.2.2. Выбор класса взаимных пространственных преобразований
3.2.3. Выводы
3.3. Стратегия поиска оптимального сопоставления
3.3.1. Критерий качества сопоставления
3.3.2. Многоуровневый алгоритм поиска оптимального сопоставления
3.3.3. Выводы
3.4. Экспериментальная проверка метода сопоставления изображений
3.4.1. Сопоставление изображений, полученных в разное время года и при
использовании сенсоров различных типов
3.4.2. Робастность алгоритма структурного сопоставления
3.4.3. Временные характеристики алгоритма сопоставления
3.4.4. Выводы
Выводы из третьей главы
Глава 4. Метод локальной корреляции для совмещения изображений с
высокой точностью
4.1. Введение
4.2. Метод локальной корреляции
4.2.1. Установление соответствия между опорными точками
4.2.2. Алгоритм локальной корреляции
4.2.3. Выводы
4.3. Экспериментальная проверка метода локальной корреляции
4.3.1. Исправление ошибок структурного сопоставления и расширение класса
допустимых взаимных пространственных преобразований изображений
4.3.2. Устойчивость и точность алгоритма локальной корреляции
4.3.3. Выводы
4.4. Практическое применение
4.4.1. Введение
4.4.2. Синтез панорамных снимков
4.4.3. Восстановление информации в загороженных областях изображений
4.4.4. Выявление изменений
4.4.5. Геокодирование
4.4.6. Автоматическое извлечение изображений из баз данных
4.4.7. Распознавание отпечатков пальцев
4.4.8. Выводы
Выводы из четвертой главы
Основные результаты и выводы
Литература
Приложение А. Целевая функция для задачи сегментации контуров
Приложение Б. Вывод формул влияния взаимных геометрических
искажений на вид кросскорреляционного поля
Помимо того, что в- информационном подходе решается проблема априорных вероятностей, он также удобнее статистического подхода и по другой причине. Как входными, так и выходными данными процедуры интерпретации здесь оказываются строки символов. Это позволяет привлекать одни и те же методы для работы на различных уровнях (пиксельном, символьном и структурном) и использовать единую целевую функцию, основанную на длине описания.
Принцип МДО имеет широкое применение в различных задачах анализа данных. Мы проиллюстрируем суть этого принципа на трех общих задачах построения модели: регрессии, группирования и сегментация, - которые потребуются для разработки алгоритмов интерпретации изображений.
2.2.4. Выводы
В целях автоматической интерпретации изображений использование информационного подхода и принципа МДО корректно и имеет ряд преимуществ перед Байесовским подходом.
2.3. Модели общих типов
2.3.1. Регрессионные модели
Одной из классических проблем построения модели является задача регрессии. Как правило, эта задача характеризуется тем, что искомая модель является отображением из одного непрерывного множества в другое. Это отображение (регрессионная модель) обычно служит для предсказания по значениям независимых переменных значений зависимых переменных. Однако в задачах интерпретации изображений в качестве основного результата выступает именно сама модель.
Здесь мы сформулируем задачу линейной регрессии. Пусть 2 и У — случайные векторы, причем 2 - это вектор независимых переменных, а У -вектор зависимых переменных. И пусть есть обучающая выборка - набор из М пар векторов {г„уХ,,, являющихся отсчетами соответствующих случайных