Метод формирования признаков текстурных изображений на основе марковских моделей

• Автор: Пластинин, Анатолий Игоревич
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Самара
• Количество страниц: 208 с. : ил.

Содержание

Введение
Раздел 1. Формирование признаков текстурных изображений на основе модели марковских случайных полей с использованием процедуры обучения
1.1. Определение текстурных изображений
1.2. Модель марковского случайного поля
1.2.1. Модель изображения
1.2.2. Модель марковского случайного поля
1.2.3. Анализ векторов окрестностей
1.3. Обзор существующих методов анализа текстур
1.3.1. Признаки Габора
1.3.2. Метод цветовых гистограмм
1.3.3. Автокорреляционный метод
1.3.4. Метод матрицы взаимного вероятностного распределения
1.3.5. Признаки Тимура
1.4. Постановка задачи распознавания текстурных изображений
1.5. Регрессионные признаки изображений
1.6. Объект и задачи исследований
1.6.1. Диагностические изображения клеток крови
1.6.2. Диагностические изображения в металлографии
1.7. Выводы
Раздел 2. Вычисление признаков текстурных изображений
2.1. Метод построения признаков
2.1.1. Восстановление регрессии

2.1.2. Метод простой регрессии
2.1.3. Метод гребневой регрессии
2.2. Экспериментальные исследования текстурных признаков
2.3. Модели искажений
2.3.1. Модель аддитивного стационарного гауссова шума
2.3.2. Модель импульсного шума
2.4. Исследования метода формирования признаков, основанного
на простой регрессии
2.4.1. Влияние аддитивного шума яркости на качество классификации набора тестовых изображений
2.4.2. Влияние аддитивного шума яркости на качество классификации набора натурных изображений
2.4.3. Влияние импульсного шума на качество классификации
набора тестовых изображений
2.4.4. Влияние импульсного шума на качество классификации
набора натурных изображений
2.5. Исследования метода формирования признаков, основанного
на гребневой регрессии
2.6. Исследования методов формирования признаков на тесте МеазТех
2.7. Выводы
Раздел 3. Оценка мер сходства текстурных изображений
3.1. Сравнение текстурных изображений
3.1.1. /-дивергенция
3.1.2. Дивергенция Кульбака—Лейблера
3.1.3. Интегральные вероятностные метрики
3.2. Ядра на пространстве текстурных изображений

3.3. Формирование признаков с использованием дискриминантного
анализа
3.4. Экспериментальные исследования методов основанных на мерах
схожести текстур
3.4.1. Характеристики разделимости классов
3.4.2. Исследование метрики на основе дивергенции Кульба-
ка—Лейблера
3.4.3. Исследование расстояния Васерштейна
3.4.4. Исследование метрики Дадли
3.4.5. Исследование ММ Б метрики
3.5. Исследование признаков построенных на основе дискриминантного анализа
3.6. Исследование метрик в задаче классификации
3.6.1. Исследование метрики на основе дивергенции Кульба-
ка—Лейблера
3.6.2. Исследование расстояния Васерштейна
3.6.3. Исследование метрики Дадли
3.6.4. Исследование ММБ метрики
3.7. Выводы
Раздел
4.1. Постановка задачи выделения неоднородностей
4.2. Выделение текстурных неоднородностей
4.2.1. Квантиль-функция и множество минимального объема
4.2.2. Метод обнаружения новизны
4.3. Экспериментальные исследования метода обнаружения локальных текстурных неоднородностей

(а) (б)
Рис. 1.11. Фрактография металла шва разнородного сварного соединения: (а) металл без повреждений, (б) наличие усталостных разрушений в мелкозернистой части сварного шва
структуры и морфологических особенностей покрытий деталей для проверки качества и структуры поверхности на соответствие с требованиями документации [45|. Например, на рисунке 1.12 изображена поверхность титанового диска под разными увеличениями. Проведенное исследование поверхности выявило наличие значительных неровностей поверхности, заполненных инородными включениями.
(«) {б)
Рис. 1.12. Поверхность титанового диска: (а) — увеличение 200 мкм, (б) увеличение 5 мкм
Однако следует отметить, что данный метод в значительной степени еубъ-