Методы, нечеткие алгоритмы и модели в задачах распознавания визуальной информации с привлечением человеко-машинных информационных технологий

Методы, нечеткие алгоритмы и модели в задачах распознавания визуальной информации с привлечением человеко-машинных информационных технологий

Автор: Аникин, Игорь Вячеславович

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2001

Место защиты: Казань

Количество страниц: 176 с. ил

Артикул: 317736

Автор: Аникин, Игорь Вячеславович

Стоимость: 250 руб.

Методы, нечеткие алгоритмы и модели в задачах распознавания визуальной информации с привлечением человеко-машинных информационных технологий  Методы, нечеткие алгоритмы и модели в задачах распознавания визуальной информации с привлечением человеко-машинных информационных технологий 

ВВЕДЕНИЕ. ГЛАВА 1. АНАЛИЗ СТРУКТУРНЫХ МЕТОДОВ И МЕТОДОВ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ В ЗАДАЧЕ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ. ОБЩАЯ ХАРАКТЕРИСТИКА ЗАДАЧ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ И ЛОКАЛИЗАЦИИ. Постановка задач распознавания изображений и локализации с позиций структурного подхода. Подсистема предварительной обработки изображения. Этап сегментации. ПРОБЛЕМА ЭФФЕКТИВНОГО ОПИСАНИЯ ПРИМИТИВОВ В РАМКАХ ПСИХОФИЗИОЛОГИЧЕСКОГО ПОДХОДА К РАСПОЗНАВАНИЮ. Теория нечетких множеств. Анализ методов построения функции принадлежности. Нечеткие алгоритмы. ВЫВОДЫ. ГЛАВА 2. Математическая формализация структуры ГСО иолсмсюмы распознавания примитивов
2. Метод распознавания. Структура подсистемы распознавания примитивов и ее БЗ при НЛО примитивов. ГЛАВА 3. ФОРМИРОВАНИЕ ОСНОВНОГО НАБОРА ПОНЯТИЙ СЛОВАРЯ ЭКСПЕРТНОГО КВАЗИЕЯ ДЛЯ ЗАДАЧИ РАСПОЗНАВАНИЯ 2ППРИМИТИВОВ. ПРОБЛЕМА ФОРМАЛИЗАЦИИ НКП ФОРМ. УНИВЕРСАЛЬНОГО ХАРАКТЕРА. ФУНКЦИЯ КРИВИЗНЫ КОНТУРА 2ЭФОРМЫ. Нечеткая модель принятия решений для задачи распознавания примитивов в условиях размытости.


В данном подходе подразумевается, что всякое изображение можно представить состоящим из некоторого множества непроизводных элементов примитивов, связанных между собой определенными отношениями. Совокупность примитивов и отношений между ними определяет структуру изображения и позволяем однозначно распознать его среди других в данной предметной области. Структурные методы, как правило, инвариантны к группе аффинных преобразований плоскости, адаптивны шумам и деформациям, не требуют высоких вычислительных затрат. Таким образом, структурный подход к распознаванию реальных изображений и локализации достаточно хорошо зарекомендовал себя. Он в наиболее полной мере отражает специфику реальных изображений. Рассмотрим следующую постановку задач распознавания изображений и локализации в рамках структурного подхода. Известна предметная область распознаваемых изображений . Априорно задан рабочий алфавит классов К К, . Кроме этого, вводится особый класс Х, принадлежность к которому означает отказ от распознавания. В задаче локализации классы К,еК определяют множество локализуемых объектов. Априорно задано множество примитивных элементов входящих в структуру изображений предметной области X, и множество ВОЗМОЖНЫХ отношений связей Я Я, между ними. Задана дескриптивная модель 9, в рамках которой формализованы описания классов АТ. А в виде ЯЩК1 0Р Я Ц . Рс Р подмножество примитивов изображений класса К. К с подмножество отношений между примитивами, связывающих примитивы Р па изображениях класса К,, С некоторая структура.

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: 0.241, запросов: 244