Исследование и оптимизация когерентных оптических систем автоматического распознавания образов

• Автор: Тихомирова, Тамара Анатольевна
• Шифр специальности: 01.04.04
• Научная степень: Кандидатская
• Год защиты: 1998
• Место защиты: Москва
• Количество страниц: 138 с. : ил.

Введение
ГЛАВА I. ПРОБЛЕМЫ И МЕТОДЫ СИНТЕЗА ЕДИНОГО ОБОБЩЕННОГО
ЭТАЛОНА
IЛ. Обобщенный голографический коррелятор
1.2. Основные методы синтеза обобщенных эталонов
1.3. Метода сжатия данных и сокращения объема вычислений
при синтезе обобщенного эталона
1.3.1 Размер тестовой выборки
1.3.2 Выбор тестовых изображений
1.3.3 Проблемы вычислений
1.3.4 Метода снижения размерности
1.4. Обсуждение
1.3. Вывода
ГЛАВА 2. КОНЦЕПЦИИ МНОГОКАНАЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ И
ПРОБЛЕМА СИНТЕЗА БАНКА ЭТАЛОНОВ
2,1. Специфика применения ОА и ЭЦ средств при обработке изображений
2.2 Физические особенности многоканальной оптической
фильтрации
2.3. Концепция постобработки “lock-&-tumbler"
2.4. Общие проблемы синтеза банка эталонов
2.5 Статистическое и векторное сжатые представления
2.6 Методы кластеризации и выделения признаков
2.6.1 Упорядочение признаков, Преобразование кластеризации
2.6.2 Классификация образов с помощью функции расстояния
2.6.3 Выявление кластеров
2.6.4 Обсуждение
2.7 Выводы
ГЛАВА 3, АЛГОРИТМ СИНТЕЗА БАНКА ЭТАЛОНОВ ДЛЯ ПООТОБРАБОТЕЙ
‘' 1 о о к - &-1 атЪ 1 е г11
3 Л. Построение отдельных эталонов
3.2. Формирование пакета фильтров
3,3 Управляющие параметры алгоритма
Результаты главы 3
ГЛАВА 4. РЕЗУЛЬТАТЫ ЧИСЛЕННОГО МОДЕЛИРОВАНИЯ
4.1 Анализ процедуры построения пакета
4.2 Результаты обработки входных сцен
4.3 Моделирование муль-тилакетной обработки
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
ЗАКЛЮЧЕНИЕ
ПРИЛОЖЕНИЕ I
СПИСОК ЛИТЕРАТУРЫ
ВВЕДЕНИЕ
Главным фактором, сдерживающим практическое применение оптико-цифровых систем распознавания образов (ОЦС РО), является отсутствие надежных методов оптимизации таких систем для работы в реальном масштабе времени.
В настоящее время имеется богатый опыт решения сложных задач распознавания компьютерными средствами . Известны также метода оптимизации соответствующих алгоритмов по числу элементарных операций , необходимых для получения требуемого качества решения, в том числе с применением нескольких параллельно включенных процессоров. Однако полученные результаты не могут быть непосредственно использованы при оптимизации ОЦС РО реального времени.
Одной из причин является существенное различие оптических аналоговых и электронный цифровых средств по ряда ключевых параметров - быстродействию, точности. помехозащищенности
структуре носителей базы данных и т.д. Другая причина заключается в том, что прикладные ОЦС РО должны удовлетворять весьма жестким ограничениям по быстродействию, массо-габаритам, энергопотреблению , себестоимости и прочее.
Эта проблема может быть решена путем разработки комплексных методов "сжатия" компьютерных алгоритмов с учетом указанных особенностей оптико-цифровых систем. Однако такой подход требует больших усилий и из-за высокой себестоимости разработки, может быть использован лишь при создании уникальных систем [1-7 ].
В тоже время очевидно, что при всем многообразии прикладных алгоритмов для задач РО "сжатые” версии будут различаться тем меньше, чем более лимитированы средства реализации. Поэтому
обобщен на другие виды искажений. Необходимо провести это обобщение и определить методы ОДФ, которые с точки зрения данного анализа имеют преимущества по сравнению с простым РКП ОДФ,
Когда I становится большим, РКП ОДФ существенно приближается усредненому по всем углам поворота з(х,у) из-за требования инвариантности к искажениям. Однако в результате композитное изображение становится просто кругом и не допускает никаких возможностей распознавания. Теорический анализ, проведенный Китаг и РосЬарзку [34] , ограничился задачей обнаружения изображения на фоне искажений и наложенных шумов. Аналогичный теоретический анализ должен быть проведен для задачи распознавания и целеуказания как условных критериев.
1.3.3. Выбор тестовых изображений
Имея грубую оценку для числа тестовых изображений I, необходимо подобрать набор тестовых изображений для дальнейших исследований. Первый подход состоит в том, чтобы распределить N изображений равномерно по пространству ожидаемых искажений. Это метод довольно широко используется на практике. Однако в случае таких искажений , как неплоское вращение .процедура получения однородной выборки тестовых изображений может быть не вполне подходящей. Например, может потребоваться больше фронтальный видов объекта , чем боковых видов. Такая необходимость приводит к концепции выбора тестовых изображений,основанной на некотором пороге корреляции Т.. Один из методов такого выбора описан ниже.
Вначале все имеющиеся изображения нормируются на единичную энергию (на этот счет существуют противоположные мнения, хотя в