Теория и методы морфологического анализа изображений

Теория и методы морфологического анализа изображений

Автор: Визильтер, Юрий Валентинович

Шифр специальности: 05.13.17

Научная степень: Докторская

Год защиты: 2008

Место защиты: Москва

Количество страниц: 323 с. ил.

Артикул: 4581459

Автор: Визильтер, Юрий Валентинович

Стоимость: 250 руб.

Теория и методы морфологического анализа изображений  Теория и методы морфологического анализа изображений 

Содержание
Введение
1. Морфологический подход к анализу данных н его применение в компьютерном и машинном зрении
1.1. Общая характеристика задач анализа данных.
1.1.1. Задача фильтрации преобразования данных
1.1.2. Задача компрессиидекомпрессии сегментацииреконструкции данных
1.1.3. Задача классификации данных тестирования гипотез, распознавания образов
1.1.4. Задача обнаружения объектов локализации гипотез в пределах
одного наблюдения
1.1.5. Задачи обучения алгоритмов анализа данных автоматического конструирования моделей
1.2. Морфологический подход к обработке и анализу данных.
1.3. Морфологический подход к обработке и анализу изображений
1.3.1. Форма записи и семантический смысл критериев, используемых в анализе изображений.
1.3.2. Основные виды описаний, используемых в анализе изображений.
1.4. Задача построения единог о морфологического формализма для
разработки методов и алгоритмов анализа изображений.
2. Морфологический анализ на базе проективных разложений.
2.1. Алгебраические основы проективной морфологии
2.1.1. Проект ивное пространство образов
2.1.2. Проект ивная морфология,.
2.1.3. Типы проективных морфологий
2.2. Морфологический анализ изображений
2.2.1. Яркостногеометрические модели процедур структурного анализа изображений.
2.2.2. Проективная морфология изображений.
2.2.3. Структурный анализ изображений с использованием проективных морфологий .
2.3. Конструирование алгоритмов обнаружения объектов на изображениях
2.3.1. Аккумулирование свидетельств.
2.3.2. Декомпозиция и редукция вектора параметров.
2.3.3. Структурное загрубление модели объекта
2.3.4. А стоматическое конструирование морфологических алгоритмов обнаружения объектов методом генетического отбора.
2.3.5. Иерархический структурный анализ.
2.4. Конструирование алгоритмов морфологической фильтрации.
2.4.1. Модульные монотонные морфологии,.
2.4.2. Схема построения алыперативных монотонных морфологических фильтров.
2.4.3. Модульные схемы построения проективных морфологий1 Об
2.4.4. Математическая морфология на базе преобразования Хафа и обобщенного преобразования Хафа
2.4.5. Морфологическая фильтрация на базе рекуррентного преобразования Хафа в скользящем окне.
2.5. Конструирование морфологических операторов сегментации и сжатия
2.5.1. Постановка задачи морфологической сегментации.
2.5.2. Морфологические операторы сегментации без потери информации. Дескрипторы минимального объема.
2.5.3. Морфологические операторы сегментации с потерей информации
на базе проекторов минимального расстояния.
2.5.4. Морфологические операторы сегментации с потерей информации
на базе монотонных проекторов
2.5.5. Сегментация на базе преобразования Хафа. Информационноэнтропийные критерии и выбор параметров сегментации
2.5.6. Обобщенные схемы морфологической сегментации. Выбор морфологической системы
3. Критериальные проективные морфологии.
3.1. Обобщенная проективная морфология
3.1.1. Алгебраические основы обобщенной проективной морфологии.
3.1.2. Схема построения проективных операторов на основе
оптимальных критериев
3.1.3. Проекторы минимального расстояния максимального сходства
3.1.4. Проекторы максимальной нормы проекции
3.1.5. Квазтюнотонные проекторы максимума обобщенной нормы.
3.1.6. Проекторы на базе предиката качества и хорошо определенной функции соответствия.
3.1.7. Проекторы на базе предикатов
3.1.8. Проекторы на базе признаковых описаний и параметрических моделей Д
3.1.9. Морфологии функций. Критерии на базе функционалов.
Вычислительная эффективность.
3.2. Морфологический анализ изображений на основе неоднородных структурных моделей, описываемых логическими предикатами
3.2.1. Метод конструирования процедур обнаружения структурных объектов, основанный на преобразованиях модельных описаний.
3.2.2. Проективные морфологии на базе неоднородных структурных
моделей
3.2.3. Морфологическое сравнение изобраэкений с неоднородными моделями.У
3.3. Проективные морфологии на базе операторов фильтрации и сегментации изображений, вычислимых методом динамического программирования.
3.3.1. Фильтрация и сегментация одномерных функций методом динамического программирования.
3.3.2. Фильтрация и сегментация двумерных кривых контуров бинарных изображений методом динамического
программирования.
3.3.3. Филътрация и сегментация двумерных функций методом динамического программирования.
3.3.4. Построение проективной морфологии на базе среднеквадратичной ДПсегментации.
3.3.5. Построение проективной морфологии на базе монотонной ДПсегментации.
3.3.6. Проективные морфологии на базе унитарных операторов фильтрации и сегментации.
3.4. Проективные морфологии изображений на базе моделей, описываемых структурирующими функционалами.
3.4.1. Сопоставление отождествление фрагментов одномерных
функций методом динамического программирования
3.4.2. Сопоставление отождествление фрагментов двумерных
функций методом динамического программирования
3.4.3. Морфологическое проектирование функции на функцию на базе сравненияотождествления фрагментов двумерных функций
методом динамического программирования
3.4.4. Проективные морфологии на базе структурирующих функций и функционалов.
3.4.5. Проективные морфологии ансамблей функций на базе функционалов
3.5. Проективные морфологии на базе методов интерполяции.
3.5.1. Проективная морфология на базе интерполяционных многочленов
3.5.2. Проективная морфология на базе кусочнолинейной интерполяции.
3.5.3. Описание формы изображения и операция сравнения по форме.
3.5.4. Проективная морфология на базе оптимальной кусочнолинейной интерполя ции
3.5.5. Проективные морфологии на базе критериальной структурной интерполяции образов.
4. Морфологический анализ свидетельств
4.1. Метод морфологического анализа свидетельств.
4.1.1. Вероятностное обобщение методов проективного анализа изображений
4.1.2. Признаки как достаточные статистики. Независимые признаки.
4.1.3. Максимально вероятные морфологические разложения и морфологические фильтры
4.1.4. Задача локализации. Задача распознавания. Инвариантность. Локализующие признаки
4.1.5. Параметризованные модели. События и гипотезы. Анализ морфологических свидетельств.
4.1.6. Методы повышения вычислительной эффективности процедур голосования
4.1.7. Методика разработки алгоритмов анализа морфологических свидетельств.
4.2. Модель Марковских реляционных гиперграфов
4.2.1. Неоднородные вероятностные структурные модели.
4.2.2. Объединение свидетельств при индексации неоднородной модели
4.2.3. Марковские реляционные гиперграфы.
4.3. Схема объединения свидетельств для общего случая сложных гипотез.
4.3.1. Тестирование сложных гипотез
4.3.2. Связь с подходом ДемпстераШафера.
4.3.3. Тестирование сложных гипотез. Случай неравномощного свидетельствования.
4.3.4. Тестирование сложных гипотез. Случай неортогональных гипотез
4.3.5. Тестирование сложных гипотез. Случай несобираемых гипотез,
4.3.6. Тестирование сложных гипотез. Числовой пример.
5. Разработка специализированных методов морфологического анализа
изображений и практических приложений машинного зрения.
5.1. Метод обнаружения продольных линий дорожной разметки на стереоизображениях дорожных сцен
5.2. Метод обнаружения штриховых кодов и текстовых областей на изображениях
5.2.1. Модифицированное преобразование Хафа
5.2.2. Особенности модифицированного преобразования Хафа.
5.2.3. Проверка обнаруженных объемлющих прямоугольников
5.3. Разработка элементов систем автоматизированного документооборота и систем автоматической идентификации.
5.3.1. Система автоматического поиска и считывания штриховых кодов.
5.3.2. Система автоматического распознавания машиночитаемых документов.
5.3.3. Системы контроля защищенных документов
5.3.4. Системы контроля денежных банкнот.
5.3.5. Система считывания регистрационных номеров автомобилей
5.3.6. Система считывания номеров железнодорожных вагонов и цистерн
5.4. Разработка элементов систем автоматизированного промышленного производства и конгрольноизмерительных систем
5.4.1. Система автоматического измерения угла схождения сварного шва.
5.4.2. Система автоматизированного бесконтактного измерения объема круглых лесоматериалов.
5.4.3. Система автоматического выделения и фильтрации следа частиц
5.4.4. Система автоматического распознавания и подсчета некондиционных кристаллов на круглой пластине.
5.5. Разработка элементов антитеррористических и биометрических систем
5.5.1. Системы обнаружения движущихся объектов и оставленных
появившихся предметов
5.5.2. Система автоматического выделения человеческого лица и слежения
за его чертами .
5.5.3. Система распознавания жестов руки человека.
5.5.4. Система слежения за положением головы и направлением взгляда ребенка.
5.5.5. Система автоматического определения и сохранения стандартизованных цифровых изображений лица оформляемых пассажиров в пунктах пограничного, билетного и другого
визуального контроля па транспорте
5.5.6. Программное обеспечение и программноаппаратный комплекс для автоматизированного контроля соответствия цифровых фотографических изображений лица требованиям стандарта
II .
5.6. Разработка элементов медицинских компьютерных систем
5.6.1. Проекты в области анализа и обработки медицинских
изображений.
5.6.2. Система компьютерного анализа томографических изображений для диагностики воспалительных заболеваний пазух и полости
носа синуитов.
5.6.3. Система компьютерного анализа томографических изображений
для оценки степени ожирения у мужчин
5.6.4. Система компьютерного анализа медицинской рентгенографической информации для ранней диагностики остеопороза.
5.6.5. Система автоматизированного анализа цифровых рентгеновских маммографических изображений.3
Заключение
Литература


Пусть дано множество наблюдений и наблюдается некоторое конкретное наблюдение ЕеО. Пусть также задано множество возможных описаний Л и для элементов определены процедуры описания е и реконструкции 5 подобно тому, как это было описано выше. ЕаЛ ФпЕЛКтгЕЛ,5Л,хМХ,НхМНшахХ А. А, где ФЯЕД критерий оптимальной интерпретации подвыборки данных, а остальные элементы выражения имеют смысл, аналогичный описанному Выше. ПфЕХ Ф,ЕЛК7сЕЛ,5Я. МЛ,НхМНтахХ ХеА. В литературе по машинному зрению результатом сегментации или выделения объекта часто называют не елФЕ, а лЕ,елФЕ вырезанное изображение искомого объекта. В заключение краткого обзора задач анализа данных необходимо отметить, что над всеми перечисленными задачами существует еще один слой проблем, также требующих специальной разработки, а именно задачи обучения автоматического формирования алгоритмов анализа данных. Как правило, отталкиваться приходится от некоторой обучающей выборки, представляющей собой набор зарегистрированных данных, имеющих определенное отношение к интересующим нас объектам. При этом желательно, чтобы некий эксперт vi установил соответствие между конкретными наблюдениями и тестируемыми гипотезами для данных из обучающей выборки. В таком случае решаемая задача автоматического обучения процедур анализа данных называется задачей обучения с учителем. Такая задача автоматического обучения процедур анализа данных называется задачей обучения без учителя. Естественно, обучение на примерах особенно обучение с учителем может использоваться не только при разработке процедур распознавания, но также и при создании любых других алгоритмов анализа данных. На примерах можно обучать алгоритмы фильтрации желаемому качеству фильтрации, алгоритмы сжатия необходимому качеству сжатия, алгоритмы сегментации тем первичным элементам, на основе которых следует строить предметные описания, а алгоритмы обнаружения различным типам объектов, подлежащих локализации. При этом для методов анализа данных, основанных на моделях данных, а не моделях алгоритмов, задача обучения алгоритмов имеет смысл задачи автоматического формирования выбора характерных моделей данных на основе некоторого заданного более широкого класса моделей путем анализа данных из обучающей выборки. Приведенная выше краткая характеристика основных задач обработки и анализа данных позволяет сформулировать некоторый унифицированный подход, основанный на использовании при решении всех перечисленных типов задач единый тип алгоритмов, непосредственно связанных с соответствующими моделями данных. В силу значительного сходства основных идей этого подхода с базовыми идеями морфологических теорий Серра 6,7 и Пытьева , данный подход предложено назвать морфологическим подходом к анализу данных. С самой общей точки зрения морфологический анализ данных отличается от других схем анализа данных тем, что в качестве обязательного этапа предполагает обоснованное т. Иными словами, в морфологическом подходе обязательным этапом решения любого типа задач является сегментация данных, допускающая их последующую полную или частичную реконструкцию. Формализуем этот подход. Пусть имеются мноэсество возможных наблюдений и множество модельных описаний некоторого типа Л. Вазовой формальной операцией морфологической сегментации данных называется однозначное отображение е Л. Базовой формальной сопряженной операцией реконструкции данных называется однозначное отображение вида 5 Л, V9 е5еЕеЕ. Базовый морфологический фильтр по построению является алгебраическим проектором i фс6Ефе5фе5Е. Набор элементов 9i,,,5 определяет частную формальную или 9морфологию. Необходимо отметить, что в наиболее общем виде алгебраические системы, изоморфные морфологиям, описаны, видимо, в работах М. Павель 1, где для их описания используется теория категорий. Однако для целей данной работы вполне достаточным является и стандартное алгебраическое описание. Итак, пусть формальное морфологическое описание данных 9 задано. Однако это описание потому и называется формальным, что оно пока никак в явном виде не учитывает специфику решаемой задачи анализа данных.

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: 0.205, запросов: 244