Алгоритмы сегментации изображений и их применение при создании автоматических систем распознавания объектов

Алгоритмы сегментации изображений и их применение при создании автоматических систем распознавания объектов

Автор: Верденская, Наталья Владимировна

Шифр специальности: 05.13.18

Научная степень: Кандидатская

Год защиты: 2001

Место защиты: Москва

Количество страниц: 144 с. ил

Артикул: 2299937

Автор: Верденская, Наталья Владимировна

Стоимость: 250 руб.

Алгоритмы сегментации изображений и их применение при создании автоматических систем распознавания объектов  Алгоритмы сегментации изображений и их применение при создании автоматических систем распознавания объектов 

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА I. ЗАДАЧА СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ КАК ЗАДАЧА БАЙЕСОВСКОГО ОЦЕНИВАНИЯ РАЗБИЕНИЯ ОБЛАСТИ
1.1. ФОРМАЛЬНАЯ ПОСТАНОВКА ЗАДАЧИ СЕГМЕНТАЦИИ.
1.2. Решающая функция, функция потерь.
1.3. Задание распределения на пространстве разбиений, априорное распределение.
1.4. Функция риска, априорный и апостериорный риск
1.5. Примеры вычисления среднего риска для некоторых моделей изображения и решающих функций.
ГЛАВА 2. АДАПТИВНАЯ ПРОЦЕДУРА ПОРОГОВОЙ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ.
2.1 Выбор модели изображения
2.2. Наилучшая пороговая процедура
2.3. Оценка параметров распределений, отвечающих элементам разбиения
2.4. Использование алгоритмов разделения смеси распределений для получения оценок параметров распределений
2.5. Выбор начального приближения. Энтропийная функция
2.6. Получение экспоненциальновзвешенных оценок параметров нормальных распределений, отвечающих элементам разбиения
ГЛАВА 3. МОДЕЛЬ ДЛЯ ПРИБЛИЖЕННОГО ОПИСАНИЯ ЕГАУССОВСКИХ ЗАКОНОВ РАСПРЕДЕЛЕН ИЯ ВЕРОЯТНОСТЕЙ.
3.1. Семейство модельных распределений
3.2.1 Приближение заданной плотности распределения с помощью плотностей типа или II
3.3. Оценивание параметров распределений типа 1 или II но выборочным данным.
3.4. Примеры
ГЛАВА 4. МОДИФИКАЦИЯ БАЙЕСОВСКОЙ ПРОЦЕДУРЫ СЕГМЕНТАЦИИ ПРИ УТОЧНЕННОЙ МОДЕЛИ ИЗОБРАЖЕНИЯ
4.1. Использование БЕМалгоритма для формирования списка гипотез
4.2. Использование байесовской процедуры проверки гипотез для сег ментации изображения
4.3. Итерационный алгоритм байесовской сегментации без использования априорной информации о параметрах распределений элементов разбиения.
ГЛАВА 5. АЛГОРИТМЫ ВЫДЕЛЕНИЯ ОБЛАСТЕЙ СВЯЗНОСТИ.
5.1. Алгоритм полного обхода цепного кода.
5.2. Быстрый алг оритм выделения связных областей.
ГЛАВА 6. ПРИМЕНЕНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ СЕГМЕНТАЦИИ ДЛЯ ОБРАБОТКИ МИКРОСКОПИЧЕСКИХ И РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ.
6.1. Решение задачи сегментации микроскопических изображений мазка периферической крови в
ПРИБОРЕ АВТОМАТИЧЕСКОГО АНАЛИЗА КОЛИЧЕСТВЕННОГО СОСТАВА ПЕРИФЕРИЧЕСКОЙ КРОВИ АСПЕК
6.1.1. Автоматизация общего клинического анализа крови
6.1.2. Состав прибора А СПЕК
6.1.3. Сегментация изображений в приборе АСПЕК
6.1.4. Сегментация исходного кадра
6.1.5. Выделение связных областей на изображении
6.1.6. Сегментация лейкоцита выделение внутриклеточных структур.
6.2. РЕШЕНИЕ ЗАДАЧИ СЕГМЕНТАЦИИ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ ОБРАБОТКЕ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ.
6.2.1. Особенности радиоизображений земной поверхности
6.2.2. Малоразмерные объекты
6.2.3. Сложные объекты
6.2.4. Протяженные объекты
6.2.5. Выбор модели для описания изображений участков земной поверхности
6.2.6. Алгоритм обнаружения малоразмерных объектов
6.2.7. Обнаружение блестящих точек
6.2.8. Формирование сложного объекта
6.2.9. Алгоритм обнаружения протяженных объектов
ОСНОВНЫЕ РЕЗУЛЬТАТЫ ГЛАВЫ 6.
ЗАКЛЮЧЕНИЕ
ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИИ .
ПРИЛОЖЕНИЕ 1. ОБЗОР ЛИТЕРАТУРЫ СЕГМЕНТАЦИЯ СОВРЕМЕННОЕ СОСТОЯНИЕ ВОПРОСА. .
ПРИЛОЖЕНИЕ 2.
ЛИТЕРАТУРА


В такой ситуации точность процедуры оказывается более важной чем быстродействие, тем более, что размеры обрабатываемого в этом случае участка невелики по сравнению с размером всего изображения. Для решения задачи сегментации таких участков необходимо разработать оптимальные или квазиоптимальные процедуры сегментации без ограничений на затраты времени. До сих пор эта задача не была решена изза отсутствия критерия качества процедуры сегментации. Наконец, при обработке изображений необходимо решить задачу выделения связных участков на отсегментированном изображении. Известный алгоритм цепного кода не дает удовлетворительного решения этой задачи, так как при обработке больших массивов данных является слишком медленным. Данная диссертация посвящена решению указанных задач, что позволит в определенной степени заполнить существующие пробелы в проблеме сегментации изображений. Поэтому тема диссертации представляется весьма актуальной. Плотностями из этого семейства можно, с заданной точностью, аппроксимировать произвольные плотности из указанного класса распределений. АСПЕК, предназначенном для проведения автоматического анализа крови. I. Постановка задачи сегментации плоских изображений как задачи оценивания разбиения области изображения. Использование априорного апостериорного риска при байесовском оценивании разбиения как характеристики качества сегментации. Построение байесовской процедуры сегментации в ограниченном классе правил. Устойчивая, быстродействующая, адаптивная пороговая процедура сегментации, рассматриваемая в рамках гауссовской модели изображения. Процедура включает наилучшее в смысле рассмотренной в п. Для получения начального приближения параметров используется процедура максимизации энтропийной функции, затем процедура экспоненциальновзвешенного оценивания параметров распределений, отвечающих областям однородности. Семейство распределений, имеющих непрерывную или кусочнонепрерывную плотность распределения вероятностей, сосредоточенную на конечном отрезке. Возможность приближения плотности распределения вероятностей, удовлетворяющей ряду условий, плотностью распределения, принадлежащей указанному семейству распределений, с заданной точностью. Метод оценивания параметров названного семейства распределений. Быстрый алгоритм выделения связных областей на отсегментированном изображении, в котором каждый элемент изображения анализируется не более двух раз. Процедура выделения структур на локальных участках изображения, включающая формирование списка гипотез из распределений, принадлежащих указанному семейству распределений, моделирующих изображение на элементах разбиения, и байесовскую в рамках выбранной модели процедуру сегментации. Итерационная процедура сегментации с автоматическим формированием набора распределений, описывающих изображение на элементах разбиения. Блок программ, предназначенный для автоматической сегментации микроскопических изображений мазка периферической крови в анализаторе крови АСПЕК. Использование названных алгоритмов сегментации при обнаружении и распознавании объектов на радиолокационных изображениях земной и морской поверхности. Достоверность результатов подтверждается практическим использованием алгоритмов, построенных на основании приведенных результатов, в программном обеспечении системы анализа радиолокационных изображений, полученных космической радиолокационной станцией с синтезированной апертурой, и в программном обеспечении медицинского прибора автоматического анализа крови АСПЕК. Материалы диссертации докладывались и обсуждались на пятнадцати союзных, российских и международных конференциях и симпозиумах. По материалам данной работы опубликовано научных работ, из них 7 статей в различных научных журналах, один патент Российской Федерации, 4 научнотехнических отчета, один патент Российской Федерации и восемнадцать тезисов докладов на союзных, российских и международных конференциях и симпозиумах. Диссертация состоит из введения, шести глав, заключения, списка литературы, содержащего наименований, и двух приложений.

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: 0.270, запросов: 244