Мультиагентный подход к анализу изображений

Мультиагентный подход к анализу изображений

Автор: Цибульский, Геннадий Михайлович

Год защиты: 2005

Место защиты: Красноярск

Количество страниц: 297 с. ил.

Артикул: 3300341

Автор: Цибульский, Геннадий Михайлович

Шифр специальности: 05.13.11

Научная степень: Докторская

Стоимость: 250 руб.

Мультиагентный подход к анализу изображений  Мультиагентный подход к анализу изображений 

ВВЕДЕНИЕ
1. Представление видеоинформации, методы и системы анализа изображений
1.1. Представление изображений на уровне пикселов
1.2. Основные категории иконических признаков
1.3. Методы анализа текстур
1.3.1. Признаки текстур, основанные на измерении пространственных частот
1.3.2. Одномерные признаки текстур, основанные на статистических характеристиках уровней интенсивности элементов разложения
1.3.3. Гистограммные признаки второго порядка. Признаки Харалика
1.3.4. Признаки на основе обобщнных матриц совместного появления
1.3.5. Метод Кпреобразований
1.3.6. Структурные методы описания текстур. Метод локальных экстремумов
1.3.7. Структурные методы описания текстур. Метод длин серий
1.4. Представление изображений на уровне сегментов
1.4.1. Классификация методов сегментации
1.4.2. Методы кластеризации
1.4.3. Наращивание областей
1.4.4. Основные категории геометрических признаков.
Топологические и метрические признаки
1.4.5. Факторы формы
1.4.6. Параметрические описания
1.5. Системы цифровой обработки изображений директивного типа
1.6. Системы цифровой обработки изображений,
основанные на знаниях
1.7. Выводы
2. Решающие системы, среда и проблема поиска
2.1. Общая характеристика решающей системы
и е окружения среды
2.1.1. Пространство состояний
2.1.2. Пространство задач
2.1.3. Факторизованные пространства
2.1.4. Фиксированное множество иерархических пространств ф 2.1.5. Изменяющееся множество иерархических пространств
2.1.6. Метапространство в иерархии пространств
2.1.7. Альтернативные пространства
2.1.8. Динамические миры
2.1.9. Множественные модели
2.2. Агентные модели решающей системы
2.2.1. Классический подход архитектуры агента, основанные на знаниях делиберативные архитектуры
2.2.2. Альтернативные подходы реактивные архитектуры
2.2.3. Гибридные архитектуры
2.3. Распределнные среды решения задач
2.4. Типология планирования
2.4.1. Слепые методы
ф 2.4.2. Методы, использующие простейшие эвристики
2.4.3. Методы, основанные на оценочных функциях
2.4.4. Поиск, направляемый данными
2.4.5. Поиск, направляемый целями
2.4.6. Комбинированный поиск
2.5. Выводы
3. Теория агента системы анализа изображений
3.1. Понятие задачи и решающей системы
3.2. Задачи решающих систем второго рода
3.3.Типовые задачи опознавания
3.4. Агент системы анализа изображений и задачи агента
ф 3.5. Задача обучения агента
3.6. Уровни адаптации агента
ф 3.7. Задача порождения агента
3.8. Агентное обобщение и ограничение
3.9. Среда агента и коллектива агентов
3.9.1. Среда коллектива агентов
3.9.2. Структура изображения как элемента среды коллектива агентов
3.9.3. Среда агента
3 Структура агента
3 Выводы
4. Возникающие структуры агентов
4.1 .Обобщнная схема взаимодействия агентов
4.2. Постановка задачи картирования космофотоснимков

4.3. Построение дерева целей
4.4. Формирование коллектива агентов
ф 4.5. Выводы
5. Экспериментальное исследование мультиагентного подхода к решению задач анализа и интерпретации металлографических изображений ФСЛЗАС
5.1. Цели исследования
5.2. Модели синтаксиса уровня пятен
5.3. Модели синтаксиса уровня сегментов
5.4. Схема взаимодействия агентов системы анализа изображений ФСЛЗАС
5.5. Интерактивная методика анализа металлографических
изображений
5.6. Описание экспериментальных исследований
5.7. Выводы
Заключение
Список использованной литературы


Структура изображений уровня пикселов есть дискретная рештка, на которой задано отношение соседства и семейство функций, характеризующих свойства локальной окрестности пиксела и его координаты. Представление изображения на уровне сегментов также как и предшествующие представления характеризуют синтаксис анализируемого изображения, но на более высоком уровне абстракции. Нередко сегментное представление изображения сопровождается некоторой семантической меткой. Под сегментом будем понимать односвязную область изображения, имеющую в свом составе п1 примитивов и характеризующуюся семантической меткой. Б есть множество сегментов, на котором задано семейство функций Р и отношений соседства СзхБ, а также множество семантических предикатов, каждый из который указывает на наличие, либо отсутствие у сегмента определнной метки. По аналогии с семейством функций, заданных на примитивах, Рб также можно разделить на два класса. Значения функций первого класса дают интегральную характеристику значений соответствующих функций 0, измеренных на примитивах элементах сегмента. Функции второго класса характеризуют форму и размер сегментов. Множество отношений соседства, заданных на сегментах наследует множество отношений, заданных на пятнах. Отношения соседства, заданные на сегментах, обладают определнной семантической насыщенностью вводятся отношения типа слева от, над, в и т. Для представления сегментов используются те же средства, что и для представления пятен массивы хорд и т. К методам преобразования сегментированных изображений следует отнести некоторые методы из дискретной геометрии, операции над областями алгоритм прослеживания связности операции построения скелета и остова операции математической морфологии, операции над контурами алгоритм прослеживания контура цепное кодирование операции построения функциональнопараметрических описаний. Все процессы рассматриваемого уровня разделяются на процессы выделения областей, процессы выделения граничных элементов, прослеживания границ и процессы означивания навешивания семантических меток, процессы преобразования структур уровня сегментов операции математической морфологии, преобразования сегментного представления областей в контурное и наоборот, построение остовов и скелетов и т. Оформы, интегральных характеристик текстуры и т. Согласование условий однородности и связности главная проблема в разработке методов сегментации постановка задачи сегментации приведена в приложении 2. Выделим 3 группы методов сегментации кластеризация, наращивание, анализ границ и рассмотрим, как в них поразному согласуются эти условия. При применении традиционных методов кластеризации пространство признаков элементов изображения разбивается на области кластеры и РА1, когда все хеА входят в один кластер. Все хеХ распределяются по кластерам, а затем в сегменты А объединяются связные элементы одного кластера. В этом методе в первую очередь рассматривается однородность. Методика наращивания областей. Задано исходное разбиение А, например тривиальное разбиение на отдельные элементы Ах. Предполагается, что еА ЕА 1, т. А только дробит, но не сливает искомые области. В качестве комбинаций сегментов В в условии 4 рассматриваются только пары соседних сегментов, А Ау Процесс наращивания состоит в объединении таких А А, что i1. Он прекращается, когда условие 4 выполнено. Тут на первом месте связность. Метод анализа границ состоит в том, что на изображении отыскиваются границы однородных областей, т. Е. Компоненты полученного подграфа составляют искомые сегменты. Пусть выявлено множество ребер Ус Ц таких, что хуеУ х и у не могут быть объединены в однородную область например, велика разность яркостей, кх ДУIЬ. Получим сегментацию АА, ХиА, где А компонента в подграфе X, ЦУ. Гу I Ь, то получается сегментация А2А1, иА 0, где А, компонента в порожденном подграфе в. В этом случае граничные элементы 7 не отнесены к сегментам и результат сегментации принципиально не может получиться в точности идентичным результату, полученному другими методами.

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: 0.195, запросов: 244