Автоматический анализ изображений и распознавание образов на основе принципа репрезентационной минимальной длины описаны

• Автор: Потапов, Алексей Сергеевич
• Шифр специальности: 05.11.07
• Научная степень: Докторская
• Год защиты: 2008
• Место защиты: Санкт-Петербург
• Количество страниц: 299 с. : ил.

Оглавление
Оглавление
Введение
Глава 1. Анализ проблемы интерпретации и распознавания
изображений
1.1. Введение
1.2. Подходы к представлению изображений
1.2.1. Низкоуровневые методы анализа изображений
1.2.2. Контурные методы анализа изображений
1.2.3. Структурные методы анализа изображений
1.2.4. Методы, основанные на знаниях
1.2.5. Анализ изображений на основе признаков
1.2.6. Иерархические представления изображений
1.3. Байесовский подход к анализу изображений
1.3.1. Использование байесовского подхода для построения низкоуровневых моделей изображений
1.3.2. Байесовский подход к построению геометрических элементов
1.3.3. Использование байесовского подхода для построения поля скоростей по серии изображений
1.4. Теоретико-информационный подход к анализу изображений
1.4.1. Энтропийные методы анализа изображений
1.4.2. Теория информации Колмогорова и принцип минимальной длины описания в анализе изображений
1.4.3. Построение геометрических элементов с использованием принципа МДО
1.4.4. Построение поля скоростей но серии изображений с использованием принципа МДО
Выводы по первой главе
Глава 2. Теоретические основы использования принципа
репрезентационной МДО при исследовании представлений
изображений и решении задач их автоматического анализа
2.1. Принцип репрезентационной минимальной длины описания

2.2. Принцип РМДО как основа методологии исследования представления
изображений
2.2.1. Выбор модели изображения в рамках заданного представления: независимость критерия РМДО от УМТ
2.2.2. Представление как модель предметной области
2.2.3. Степень априорной неопределенности как характеристика задачи анализа
2.2.4. Инвариантность методов анализа изображений
2.2.5. Достоверность результатов интерпретации
2.2.6. Исследование представлений изображений с использованием критерия РМДО
2.3. Введение обратных связей в иерархических системах интерпретации
изображений на основе теоретико-информационной модели адаптивного резонанса
2.3.1. Теория адаптивного резонанса
2.3.2. Байесовский подход к введению обратных связей
2.3.3. Теоретико-информационная модель адаптивного резонанса
Выводы по второй главе
Глава 3. Анализ и синтез методов распознавания образов на основе принципа репрезентационной минимальной длины описания
3.1. Постановка задач распознавания образов как задач индуктивного вывода
3.2. Задача классификации единичного образа
3.2.1. Метод эталонных образов
3.2.2. Метод ближайшего соседа
3.2.3. Классификация на основе правила Байеса
3.2.4. Классификация с помощью решающих функций
3.3. Распознавание образов как выбор оптимального представления
3.3.1. Метод эталонных образов
3.3.2. Степень априорной неопределенности в задаче распознавания
3.3.3. Метод ближайшего соседа
3.3.4. Байесовские методы распознавания образов
3.3.5. Связь понятий дивергенции классов и достоверности выбора
3.3.6. Обобщенные решающие функции

3.3.7. Метод опорных векторов
3.3.8. Методика синтеза и анализа методов распознавания образов
3.4. Группирование образов в пространстве признаков
3.4.1. Метод к внутригрупповых средних
3.4.2. Анализ метода конечных смесей
3.5. Задачи регрессии и сегментации
3.5.1. Анализ задачи регрессии
3.5.2. Анализ задачи сегментации
3.6. Дискретные методы распознавания образов
3.6.1. Восстановление наборов правил
3.6.2. Восстановление деревьев решений
3.7. Синтаксические методы распознавания образов и восстановление формальных грамматик
Выводы по третьей главе
Глава 4. Инвариантные представления изображений при высокой априорной неопределенности
4.1. Основне элементы иерархического представления изображений
4.1.1. Предположения Д. Марра
4.1.2. Интерпретация предположений Д. Марра в рамках принципа РМДО
4.2. Сегментация изображений: первый уровень представления
4.2.1. Построение целевой функции
4.2.2. Алгоритм сегментации
4.2.3. Расширение представления посредством введения семейств регрессионных моделей
4.2.4. Расширение представления посредством моделей текстуры на основе Габоровских функций
4.3. Построение структурных элементов на основе контуров: второй уровень представления
4.3.1. Выбор представления контуров
4.3.2. Алгоритм сегментации контуров
4.4. Верхний структурный уровень
4.4.1. Подходы к объединению структурных элементов
4.4.2. Критерий качества для представления групп структурных элементов

предположения о свойствах изображений, такие как инвариантность к масштабу или стационарность (см., напр., [84]). Это позволяет задавать более адекватные скрытые переменные Хл?) и соответствующие распределения
р(/ [ ч). Однако остается нерешенным вопрос, каким образом следует задавать априорные вероятности р{ч).
Для сравнительно простых стохастических моделей задание априорных вероятностей может осуществляться на основе анализа статистик естественных сцен, чему посвящена отдельная ветвь исследований [96-98]. Наличие четкой связи между организацией нейронов в естественных зрительных системах и статистиками естественных сцен показывает [99-101], что эту априорную информацию действительно следует закладывать в системы анализа изображений.
Однако при усложнении стохастической модели оценивание распределения априорных вероятностей р{ ч) по обучающей выборке изображений становится проблематичным. При этом если содержание изображения произвольно, то ввести такие скрытые переменные (Хы-чХл?) с заданным в явном виде распределением р(/ | ч), которые бы описывали содержание изображения, а не его общие статистические свойства, оказывается на практике невозможным. Как показывают попытки построения единой стохастической модели изображений [84], выбор и исследование представлений изображений в рамках байесовского подхода затруднительны.
1.3.2. Байесовский подход к построению геометрических элементов
Построение произвольной стохастической модели изображения является весьма общей задачей, поэтому, естественно, при ее решении возникают трудности. Однако аналогичные трудности проявляются (хоть и в меньшей степени) при применении байесовского подхода к другим задачам. Рассмотрим задачу построения геометрического элемента.