Моделирование автоматизированной системы сегментации изображений по сложным условиям семантической однородности

Моделирование автоматизированной системы сегментации изображений по сложным условиям семантической однородности

Автор: Середа, Сергей Геннадиевич

Шифр специальности: 05.13.18

Научная степень: Кандидатская

Год защиты: 2004

Место защиты: Великий Новгород

Количество страниц: 198 с. ил.

Артикул: 2737966

Автор: Середа, Сергей Геннадиевич

Стоимость: 250 руб.

Оглавление
Введение
Глава 1. Проблема обучения автоматизированной системы сегментации изображений
1.1. Анализ задачи сегментации изображений
1.1.1. Изображение как способ представления информации
1.1.2. Классы и преобразования изображений
1.1.3. Формальная постановка задачи сегментации
1.1.4. Обзор простейших методов сегментации
1.1.5. Текстура как пример сложного условия семантической однородности областей изображения
1.1.6. Выделение сегмента по локальным данным как пример задачи распознавания образов
1.2. Возможности обучения сегментации
1.2.1. Обучение сегментации по локальным данным как задание функции на изображении
1.2.2. Понятия атрибут, предикат, признак
1.2.3. Методы обучения при распознавании образов
1.2.4. Проблемы при обучении сегментации
1.2.5. Базовые признаки и алгоритмические блоки
1.2.6. Модели интерфейсов для задания диапазона признака
1.2.7. Производные признаки
1.2.8. Проблема формирования понятийного аппарата для заданной области приложений
1.3. Неформализованная структурная модель автоматизированной системы сегментации изображений
1.3.1. Изображения и их элементы
1.3.2. Признаки и алгоритмические блоки
1.3.3. Решающее правило
1.3.4. Декларативное и процедурное описание требуемого результата
1.3.5. Роли пользователя и разработчика в процессе эксплуатации системы
1.3.6. Структурная схема комплекса Выводы по главе
Глава 2. Модель процесса сегментации
2.1. Основные сущности модели
2.1.1. Сегменты
2.1.2. Признаки
2.1.3. Диапазоны признака
2.1.4. Определение диапазона признака по заданному сегменту
2.1.5. Учет взаимозависимости признаков
2.1.6. Алгоритмические блоки
2.2. Модель процесса сегментации
2.2.1. Оператор выделения сегмента и его свойства
2.2.2. Учет форматов представления сегмента
2.2.3. Представление решающего правила в форме графа
2.2.4. Проверка корректности построения решающего правила Выводы по главе
Глава 3. Разработка модели декларативного описания выделяемого сегмента
3.1. Анализ предметной области описания изображений
3.1.1. Категории, используемые для описания сегмента на изображении
3.1.2. Таксономии наиболее важных признаков
3.1.3. Примеры терминов, используемых для описания
3.2. Построение модели декларативного описания
3.2.1. Анализ требований к модели
9 3.2.2. Выбор выразительных средств
3.2.3. Основные сущности модели
3.2.4. Возможные варианты представления декларативного описания
3.2.5. Формальное представление модели
3.2.6. Элементарные операции над ГСО
3.2.7. Условия синтаксической правильности ГСО и алгоритм ее проверки
3.2.8. Условия семантической правильности ГСО и алгоритм ее
проверки
3.2.9. Модельная непротиворечивость
3.3. Свойства декларативного описания
3.3.1. Изоморфизм между ГСО и решающим правилом
3.3.2. Алгоритм построения решающего правила по ГСО
3.3.3. Семантически эквивалентные преобразования ГСО
3.4. Расширение возможностей модели
3.4.1. Анализ выразительных средств модели
3.4.2. Понятийная свертка и подстановка
3.4.3. Стандартная подстановка расположены рядом
3.4.4. Стандартная подстановка является границей
Выводы по главе
Глава 4. Разработка методов оптимизации решающего правила
4.1. Критерий эффективности решающего правила
4.2. Обоснованность применения оптимизации
4.2.1. Понятие потоковой обработки
4.2.2. Критерий отказа от оптимизации
4.3. Оптимизация последовательности вызова алгоритмических , блоков
4.3.1. Сравнение вычислительной сложности последовательного и
квазипараллельного вариантов выделения сегмента
4.3.2. Оптимизация последовательности вызова для нескольких
одноуровневых условий
4.4. Учет взаимозависимости признаков при оптимизации
4.4.1. Взаимное уменьшение диапазонов для зависимых признаков
4.4.2. Выделение и поглощение ослабленного условия
4.4.3. Выдвижение гипотез о подмножестве значимых признаков
4.5. Оптимизация поиска и выделения сцен
4.5.1. Операторы расширения и сжатия сегмента
4.5.2. Учет условий пространственной близости при оптимизации решающего правила
4.6. Оптимизация поиска и выделения областей
4.6.1. Стратегия разреженного поиска
4.6.2. Оператор наращивания областей
4.6.3. Зависимость коэффициента вычислительной сложности от стратегии перебора
4.6.4. Поиск неоднородных областей
4.7. Модель блока оптимизации
4.7.1. Продукционная модель
4.7.2. Интегральный алгоритм оптимизации
Выводы по главе
Глава 5. Экспериментальная проверка разработанной модели
5.1. Описание программного комплекса
5.1.1. Структура программного комплекса
5.1.2. Статистика программного комплекса
5.1.3. Главная форма программы
5.1.4. Блок отображения и редактирования сегментов
5.1.5. Блок отображения и редактирования решающего правила
5.1.6. Алгоритмические блоки для задания диапазона признака, оценки значения признака и сопоставления с диапазоном
5.1.7. Блок выполнения решающего правила
5.1.8. Блок построения декларативного описания
5.1.9. Блок формирования решающего правила по декларативному описанию
5.2. Испытания программного комплекса
5.2.1. Ручная сегментация
5.2.2. Нахождение диапазона признака по выделенному сегменту
5.2.3. Автоматическое формирование решающего правила по декларативному описанию
5.2.4. Построение сложного условия выделения сегмента
. Исследование эффективности разработанных методов оптимизации
5.3.1. Оптимизация последовательности вызовов алгоритмических блоков
5.3.2. Оптимизация поиска и выделения областей
5.3.3. Оптимизация выделения неоднородных областей Выводы по главе
Заключение
Литература


Класс 4 точки и многоугольники множества изолированных точек, отстоящих друг от друга достаточно далеко. Отличие этого класса от предыдущих определяется формой представления. Изображения этого класса чаще всего используются в машинной графике, причем, несмотря на то, что воспроизводится изображение классов 1 или 2, внутреннее представление относится к данному классу. Такая ситуация типична для анализа описаний трехмерных объектов, проектируемых на плоскость экрана для получения воспроизводимого изображения. Рассмотрение приведенных выше классов изображений позволяет описывать процедуры обработки и анализа изображений как преобразования, переводящие изображения и класса в класс или несколько реже не изменяющие их классовую принадлежность . Переход из класса 1 в класс 2 представляет собой сегментацию и позволяет выделить области с приблизительно одинаковыми значениями какоголибо признака. Чаще всего в этой роли выступает яркость или цветовой тон. Ситуации, когда для сегментации выбираются более сложные признаки, исследованы гораздо менее детально. Переход из класса 2 в класс 3 обеспечивается двумя основными видами преобразований построением контура и утончением. Первое отображает область в замкнутую кривую, а второе в граф, который называют остовом области. Данные преобразования часто используются при анализе формы области. Переход из класса 3 в класс 4 обеспечивается преобразованиями, определяющими критические точки контура сегментацию кривых. В случае многоугольников критическими точками контура являются вершины. Переход из класса 4 в класс 3 обеспечивается преобразованиями типа интерполяции проведение гладкой кривой через ряд точек и приближения проведение гладкой кривой вблизи заданных точек. Переход из класса 3 в класс 2, если входное изображение представляет контур, обеспечивается преобразованием заполнение, которое часто принимает форму преобразования затенение, когда яркость или цвет области изменяются в соответствии с известным законом если входное изображение представляет остов, то область может быть восстановлена с помощью преобразования расширение. Переход из класса 2 в класс 1. Представление изображения малым числом цветов часто неприемлемо из эстетических соображений, так как глаз человека легко обнаруживает контуры. Сгладить такое изображение можно низкочастотной фильтрацией или добавлением низкочастотного шума. Обычно переходы 1 2, 2 3, 3 4 происходят при распознавании, и связаны с представлением исходного изображения в более компактной и удобной для анализа форме. Переходы , , при решении задач машинной графики, когда по компактной модели сцены требуется построить ее реалистичное изображение. В общем случае распознавание а также обработка изображений включает преобразования в обоих направлениях, а также внутри классов. В силу специфики решаемой в данной работе задачи, нам придется иметь дело лишь с первыми тремя классами изображений, оставляя без внимания весь богатый мир трехмерных моделей и связанных с ними преобразований. Необходимо сказать также несколько слов о форматах хранения изображений. Для каждого из перечисленных классов существует несколько различных форматов хранения. Можно считать, что на сегодня все эти задачи достаточно успешно решены, поэтому далее мы ограничимся тем минимумом форматов представления изображений, который будет необходим для дальнейшего изложения. Для задачи выделения сегмента можно принять допущение, что исходное изображение без изменений хранится в памяти и каждая из его точек доступна в любой момент. Тогда для представления недостающей информации о выделяемом сегменте или области на изображении, будет достаточно использовать изображение класса 2, а именно бинарное изображение. Иногда его еще называют битовой матрицей. Для анализа формы областей нам придется привлекать изображения класса 3, т. Итак, в содержательном плане сегментация это снижение присущей исходному изображению информационной избыточности путем разбиения его на области, которые для целей дальнейшего анализа можно считать семантически однородными. Определение 1.

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: 0.234, запросов: 244