Многоканальная нейросетевая модель системы компьютерного зрения для задач текстурной сегментации

Многоканальная нейросетевая модель системы компьютерного зрения для задач текстурной сегментации

Автор: Цымбал, Дмитрий Александрович

Шифр специальности: 05.13.18

Научная степень: Кандидатская

Год защиты: 2005

Место защиты: Великий Новгород

Количество страниц: 121 с. ил.

Артикул: 2947518

Автор: Цымбал, Дмитрий Александрович

Стоимость: 250 руб.

Многоканальная нейросетевая модель системы компьютерного зрения для задач текстурной сегментации  Многоканальная нейросетевая модель системы компьютерного зрения для задач текстурной сегментации 

ГЛАВА 1. Одноканальная модель. Многоканальная схема. ГЛАВА 2. Алгоритм настройки одноканального фильтра. Модель Райса. Постобработка. Эффективность вычислений. ГЛАВА 3. Многоканальный принцип построения. Многомерная Гауссовская статическая модель. Выводы по главе 3
ГЛАВА 4. Самоорганизующиеся карты Кохонена. Алгоритмы обучении карты Кохонена. Алгоритм Кохонена. Выбор параметров обучения карты Кохонена. Использование карты Кохонена в системе компьютерного 4 зрения для текстурной сегментации изображений. Кохонена. ГЛАВА 5. Работа различных классификаторов. Пример работы классификатора с учетом Нплоскости. Выводы по главе 5. СПИСОК ЛИТЕРАТУРЫ. Второе свойство заключаются в том, что вектора, схожие в исходном пространстве, находятся рядом и на карте. Л значит, самоорганизующаяся карта Кохонена производит классификацию входных векторов. Карта представляет собой пространство невысокой размерности, что позволяет легко визуализировать результат. Более того, когда размещение нейронов закончено карта может быть отображена.


Статистические методы методы, использующие корреляционные и ковариационные характеристики текстур. Геометрические методы двумерные соты Вороного и методы, использующие структурные характеристики текстуры. Методы, использующие фрактальные параметры и случайные поля. Методы, основанные на цифровой обработке сигналов пространственночастотная фильтрация и вейвлетпреобразования. В данной работе для формирования пространства характерных признаков применен метод пространственночастотной фильтрации. Рассмотрим принцип текстурного анализа изображения на основе фильтрации 5, 8. Рисунок 1. Текстурный анализ изображения на основе фильтрации. Рисунок 2. Иллюстрация типичного процесса формирования пространства признаков. Сначала исходное изображение подвергается фильтрации рис. Для простоты, предположим, что фильтр высокочастотный рис. Ь получен строчной разверткой изображения а образованного двумя текстурами. В результате получается сигнал с, видно, что для левой текстуры отклик фильтра имеет малое значение энергии, а для правого большое. Однако если попытаться классифицировать каждый пиксель изображения, основываясь на реакции фильтра, то получится большая ошибка классификации, вследствие того, что некоторые значения энергии для отфильтрованной правой текстуры совпадают с левой. Поэтому применяется локальное энергетическое преобразование, состоящее из нелинейной операции , преобразующей отрицательные и положительные амплитуды в положительные операция модуля или возведение в квадрат, и сглаживания е. В результате получается признаковое изображение 0, которое теперь с успехом может быть классифицировано. В общем случае текстурный анализ строится по многоканальной схеме, чтобы уменьшить ошибку классификации, так как количество текстур в исходном изображении обычно больше двух. Выходом нелинейного энергетического преобразования является набор признаковых изображений, по одному изображению на фильтр. Для классификации векторов, образующих пространство признаков, т. Наибольшее распространение получили пороговые методы, методы, основанные на определении границ или областей, различные кластерные алгоритмы например, метод АТусреднений, подходы, основанные на оценке вероятностных характеристик, и различные классификаторы на основе нейронных сетей. Применение нейронных сетей для решения задач классификации позволяет избежать сложных и громоздких расчетов при оперировании большими объемами многомерных данных. При решении задачи классификации с помощью нейронной сети необходимо выбрать подходящий тип сети и провести ее обучение с использованием набора обучающих данных. Одно из основных свойств нейронной сети заключается в ее способности к обобщению данных. Правильно и хорошо обученная сеть способна генерировать решения, сходящиеся к решениям, получаемым на основе других подходов 4, , . Среди нейронных сетей существует целый класс самоорганизующихся нейронных сетей. Основу самоорганизации таких сетей составляет подмеченная закономерность, что глобальное упорядочение сети становится возможным в результате самоорганизующихся операций, независимо друг от друга проводящихся в различных локальных сегментах сети. В соответствии с поданными входными сигналами осуществляется активация нейронов, которые вследствие изменения значений их весов адаптируются к поступающим обучающим выборкам. В процессе обучения наблюдается тенденция к росту значений весов, изза которой создается своеобразная положительная обратная связь более мощные возбуждающие импульсы более высокие значения весов большая активность нейронов. При этом происходит естественное расслоение нейронов на различные группы. В классе самоорганизующихся сетей выделяются сети особого типа, которые называются картами Кохонена или самоорганизующимися картами признаков , . Карта Кохонена обладает рядом исключительных свойств, позволяющих применить ее для классификации данных. Первое свойство карты Кохонена состоит в том, что каждый вектор из многомерного входного пространства проецируется в определенную точку карты, имеющей намного меньшую размерность обычно это одно или двухмерные карты.

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: 0.396, запросов: 244