Инвариантный анализ двумерных сигналов

• Автор: Фам Чунг Зунг
• Шифр специальности: 05.12.04
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Москва
• Количество страниц: 102 с.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. РАСПОЗНАВАНИЕ ПРЯМЫХ ИЗОБРАЖЕНИЙ
1.1. Предварительная обработка изображений
1.2. Подготовка данных для экспериментов
1.3. Классификаторы
1.4. Результаты экспериментов
Выводы по главе
ГЛАВА 2. РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ
МОМЕНТОВ ЗЕРНИКЕ И ПСЕВДО-ЗЕРНИКЕ
2.1. Предварительная обработка изображений
2.2. Моменты Зернике
2.3. Моменты псевдо-Зернике
2.4. Постановка и результаты экспериментов
2.5. Влияние дискретизации угла поворота изображений и числа
нейронов в скрытом слое на эффективность распознавания
Выводы по главе
ГЛАВА 3. РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ
КОМБИНИРОВАННОЙ НЕЙРОННОЙ СЕТЬЮ
3.1. Структура системы распознавания; предварительная
обработка
3.2. Комбинированная нейронная сеть
3.3. Постановка и результаты экспериментов
3.4. Сравнение с распознаваниями «прямых» изображений,
моментов Зернике и псевдо-Зернике
Выводы по главе
ГЛАВА 4. НОВЫЙ МЕТОД ИНВАРИАНТНОГО РАСПОЗНАВАНИЯ ДВУМЕРНЫХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ КОМБИНИРОВАННОЙ НЕЙРОННОЙ СЕТИ
4.1. Метод нейросетевого формирования инвариантных к повороту признаков для распознавания изображений
4.1.2. Формирование вектора «кругового» изображения
4.1.2. Построение инвариантной нейронной сети
4.2. Постановка и экспериментальные результаты
Выводы по главе
ГЛАВА 5. СРАВНИТЕЛЬНЫЙ АНАЛИЗ ЭФФЕКТИВНОСТИ
КЛАССИФИКАЦИИ С ИСПОЛЬЗОВАНИЕМ ОБУЧАЮЩЕГОСЯ ВЕКТОРНОГО КВАНТОВАТЕЛЯ
5.1. Обучающийся векторный квантователь
5.2. Постановка и экспериментальные результаты
5.3. Области применения систем нейросетевого
распознавания изображений
Выводы по главе
ЗАКЛЮЧЕНИЕ
СПИСОК СОКРЕЩЕНИЙ
СПИСОК ЛИТЕРАТУРЫ
ВВЕДЕНИЕ
Актуальность темы
Рассматриваемый в диссертационной работе двумерный сигнал - совокупность значений функции двух дискретных пространственных переменных (координат) на ограниченной прямоугольной области. Под анализом двумерных сигналов понимается отнесение наблюдаемого двумерного сигнала к одному из заранее описанных теми или иными средствами классов сигналов. Следует отметить, что термины «двумерный сигнал» и «анализ» в значительной степени адекватны терминам «изображение» и «распознавание», которые и будут использоваться в дальнейшем. Вопросы исследования задач распознавания изображений объектов и построения эффективных автоматических систем распознавания продолжают оставаться, безусловно, актуальными. Распознавание изображений является важным направлением в обработке изображений. Системы распознавания изображений используются в разнообразных областях, например, таких как робототехника, локация (оптическая, радио-, акустическая, подповерхностная), обработка документов, автоматизация производства. Процесс распознавания изображений обычно можно разделить на четыре основных этапа. Первый - это получение изображения и его преобразование в массив чисел, с которым сможет работать компьютер. Второй — предварительная обработка, включающая удаление шума, повышение качества изображения и, если необходимо, сегментирование изображения на значащие области для их отдельного анализа. Третий —

моментами псевдо-Зернике и полиномами псевдо-Зернике соответственно.
2.4. Постановка и результаты экспериментов
В качестве данных эксперимента использовались обучающие и тестирующие выборки, приготовленные в разд.
1.2. При использовании моментов Зернике и псевдо-Зернике надо выбирать максимальный порядок. В работе [17] показано, что чем больше порядок моментов, тем выше точность воспроизведения изображения, но тем меньше способность стабильной работы под действием шума. Выбор максимального порядка должен быть компромиссом двух вышеуказанных свойств. Для выбора максимального порядка целесообразно проводить моделирование с малой эталонной выборкой. Существуют два метода выбора максимального порядка. Во-первых, можно постепенно увеличивать порядок момента до того значения, при котором получаем требуемую точность классификации изображений с определенным уровнем шума. Во-вторых, можно проводить восстановление изображения из моментов. Если различие между исходным и восстановленным изображениями меньше определенного уровня, то выбранный порядок считаем рациональным. Здесь мы используем первый метод и проводим моделирование для пяти изображений самолётов. После моделирования выбран максимальный порядок моментов Зернике, равный 12. По таблице 2.1 получаем 47 значений моментов Зернике для одного изображения. Тогда нейронная сеть будет иметь 47 входов, 5 скрытых нейронов и 5 выходов. Число моментов псевдо-Зернике выбрано равным