Метод и алгоритмы анализа контурных изображений в визуальных информационных системах на основе неоднородной нечеткой семантической сети

Метод и алгоритмы анализа контурных изображений в визуальных информационных системах на основе неоднородной нечеткой семантической сети

Автор: Вершинина, Валентина Владимировна

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2004

Место защиты: Рыбинск

Количество страниц: 176 с. ил.

Артикул: 2621432

Автор: Вершинина, Валентина Владимировна

Стоимость: 250 руб.

Метод и алгоритмы анализа контурных изображений в визуальных информационных системах на основе неоднородной нечеткой семантической сети  Метод и алгоритмы анализа контурных изображений в визуальных информационных системах на основе неоднородной нечеткой семантической сети 

Содержание
Введение
1 Обзор и анализ методов распознавания и понимания изображений
1.1 Анализ методов распознавания изображений.
1.1.1 Классификация методов распознавания
1.1.2 Анализ систем оптического распознавания символов
1.1.3 Анализ информационнопоисковых систем.
1.2 Анализ систем представления знаний.
1.3 Анализ методов понимания изображений
1.3.1 Парадигмы процесса восприятия визуальной информации
1.3.2 Анализ подходов к моделированию памяти человека
1.3.3 Анализ возможностей моделирования мнемонических процессов Выводы .
2 Разработка и исследование метода семантического анализа изображений.
2.1 Разработка метода семантического анализа изображений.
2.1.1 Выбор непроизводных структурных элементов
2.1.2 Методика построения геометрического описания
2.1.3 Методика построения семантического описания
2.1.4 Метод семантического анализа изображений.
2.2 Разработка неоднородной нечеткой семантической сети
2.2.1 Неоднородная нечеткая семантическая сеть
2.2.2 Вывод на неоднородной нечеткой семантической сети путем сопоставления ее фрагментов.
2.2.3 Пополнение неоднородной нечеткой семантической сети.
2.3 Разработка геометрической модели объекта и структуры базы знаний
2.3.1 Геометрическая модель объекта
2.3.2 Модель библиотеки специальных понятий
2.3.3 Модель библиотеки примитивов.
2.3.4 Модель лингвистических шкал .
2.3.5 Модель структуры аннотаций.
Выводы .
3 Разработка и исследование алгоритмов семантического анализа изображений.
3.1 Разработка алгоритма построения геометрической модели объекта
3.1.1 Поиск особых точек.
3.1.2 Описание взаимного положения особых точек
3.1.3 Поиск геометрических элементов.
3.1.4 Описание размеров геометрических элементов
3.1.5 Поиск обособленных частей контура .
3.1.6 Описание взаимного положения обособленных частей контура
3.1.7 Алгоритм построения геометрической модели объекта
3.2 Разработка алгоритма восстановления визуального образа по геометрической модели объекта.
3.3 Разработка алгоритма сопоставления геометрических моделей
Выводы .
4 Анализ эффективности и экспериментальная оценка
алгоритмов семантического анализа изображений
4.1 Исследование алгоритма построения геометрической модели объекта
4.2 Исследование алгоритма восстановления визуального образа по геометрической модели объекта .
4.3 Исследование алгоритма сопоставления геометрических моделей
4.4 Программная система для семантического анализа контурных изображений
Выводы .
Заключение
Список использованных источников


Поиск перепадов яркости выполняется с помощью операторов Лапласа, Робертса, Собеля, Превитта и др. Контуры изображения, воспринимаемые человеком, двухмерны, но дают достаточную информацию о форме, количестве и местоположении изображенных объектов. Данные ограничения обоснованы существованием специальных методов и средств выделения на изображении одиночных объектов, в том числе ими решается задача выделения только смысловых контуров этих объектов [2]. Контурный препарат (контурный остов) изображения может быть получен двумя способами: отслеживанием или утончением [,]. Отслеживание границ предполагает получение ограничивающего область контура, т. Утончение контура основано на нахождении крайних точек области изображения и их удалении, при условии, что это не нарушит основные размеры и топологию области. Алгоритмы отслеживания границ в качестве результата дают линии контура неодинаковой ширины, поэтому после отслеживания контура его утончают. Выбор способа получения контурного остова зависит от класса анализируемых изображений. Для символов, например, целесообразно использовать утончение, для фотопортретных изображений - отслеживание. Из-за различного рода помех при печати и считывании на изображении появляются случайные отклонения, которые вносят искажения в контурный препарат. К таким отклонениям относятся: шум в виде одиночных элементов, «бахрома» контуров, пустоты внутри линий, разрывы линий. Для устранения случайных отклонений выделение контура сопровождается применением алгоритмов удаления шума и заполнения пустот []. Для векторизации контурного изображения - выделения на контуре известных примитивных элементов контура (кривых, характерных точек) - используются алгоритмы векторизации: алгоритм соединения локальных разрывов, глобальный эвристический поиск, преобразование Хоу (Hough), алгоритм Монтанари [,]. По мнению автора, алгоритм Монтанари является наиболее полезным для решения задачи описания структуры контура известными геометрическими примитивами (таблица 1. По характеру зависимости между описаниями и классами методы распознавания делятся на детерминированные, вероятностные и нечеткие [,,]. В детерминированных методах близость объектов и явлений к известным классам определяется точными мерами, соответственно процедуры вычисления и сравнения этих мер принадлежат классической алгебре и геометрии: евклидово расстояние, расстояние по Хэммингу, взвешенные расстояния и т. Таблица 1. Алгоритмы эвристического поиска Состоят в последовательном просмотре изображения и идентификации кривых нужной формы. Невозможно распараллеливание процесса анализа. Преобразование Хоу Является параллельным, результатом применения являются коэффициенты уравнений прямых в полярных координатах, которые аппроксимируют контур. Алгоритм Монтанари Является параллельным, решает задачу выделения оптимально гладкой кривой. В вероятностных методах между признаками объектов и классами строятся вероятностные, в нечетких - нечеткие зависимости. Соответственно процедуры оценки вероятностных и нечетких мер заимствуются из теории статистических решений и нечеткой алгебры. Вероятностные и нечеткие методы анализа позволяют сделать процесс распознавания менее чувствительным к искажению изображений, уменьшить процент отказов. Исходя из специфики языка описания анализируемых объектов и их классов, методы распознавания делятся на признаковые, растровые, структурные, методы, моделирующие нейронные сети, и методы инвариантов [-,-]. Сравнительная характеристика этих методов дана в таблице 1. Проведенный анализ методов распознавания позволяет сделать вывод, что структурные методы потенциально обладают наилучшими характеристиками. Во-первых, структурные методы ориентированы на анализ изображений сложных объектов (фотопортретов, рукописных текстов), и вводят в процесс анализа понятие целостного объекта, описываемого совокупностью структурных элементов и отношений между ними. Во-вторых, структурные методы хорошо подходят для распознавания образов, независимо от их размеров и ориентации.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.239, запросов: 244