Исследование и разработка алгоритмов интеллектуальной поддержки классификации графической информации

• Автор: Барлит, Александр Васильевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Таганрог
• Количество страниц: 170 с. : ил.

1.1 Методы классификации графической информации.

1.2 Постановка задачи классификации графической информации

1.3. Методы получения, обработки и хранения экспертной информации, методы оптимизации.

1.3.1. Искусственные нейронные сети.

1.3.2. Машины векторной поддержки.

1.3.3. Анализ генетических методов

1.4. Выводы.

Глава 2. СТРУКТУРНОПАРАМЕТРИЧЕСКИЙ СИНТЕЗ СИСТЕМЫ

щ КЛАССИФИКАЦИИ ГРАФИЧЕСКИХ ОБЪЕКТОВ

2.1. Формирование исходного набора признаков графического объекта.

2.2. Разработка алгоритма параметрического синтеза системы

2.2.1. Принципы кодирования и декодирования хромосом
2.2.2. Формирование начальной популяции.
2.2.3. Модифицированные теистические операторы
2.3. Анализ эффективности алгоритма параметрического синтеза
2.4. Выводы.
Глава 3. РАЗРАБОТКА МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ КЛАССИФИКАЦИИ ГРАФИЧЕСКИХ ОБЪЕКТОВ
3.1. Разработка системы классификации изображений
3.1.1. Разработка машины векторной поддержки.
3.1.2. Алгоритм параметрического синтеза машин векторной поддержки.
3.2. Построение алгоритмов улучшения качества решения
3.2.1. Алгоритм активного контура
3.2.2. Детектор границ объектов
3.3. Выводы
Глава 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ И ЕЕ ЭКСПЕРИМЕНТАЛЬНЫЕ
4.1. Архитектура программной системы классификации графических объектов
4.2. Цель экспериментальных исследований.
4.3. Исследование эффективности программы параметрического синтеза.
4.4. Исследование эффективности алгоритма обучения и классификации.
4.5. Исследование эффективности алгоритма обнаружения контуров в изображении
4.5. Исследование эффективности алгоритма активного контура
4.6. Область применения предложенной системы классификации.
4.7. Выводы и рекомендации .
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


В этой работе центральная точка окружности сопоставляется всем точкам окружности. Значение общего соответствия минимизируется в точках, лежащих на границах и в углах. Преимущество этого метода заключается в отказе от использования оператора производной, что уменьшает чувствительность к шуму. Другой интересный нелинейный детектор создан Ницбергом . Он основан на вычислении матрицы 2x2 x, 0VIV1. Характеристическое число этой матрицы дает максимум и минимум изменения яркости. Этот тип детекторов был широко использован для обнаружения углов . Так же он эффективен для выделения текстур. В последнее время предложены нелинейные детекторы, основанные на гистограммах или распределениях , , хорошо работающие с цветными изображениями и текстурами. Окружение точки имеет форму круга и при анализе изображения одна половина круга сравнивается с другой на наличие изменения распределения признаков. Другие нелинейные детекторы включают технику анизотропной диффузии и будут рассмотрены позже. Многие работы посвящены улучшению детекторов границ. Один из таких подходов использует кривые характеристики оперирующего ресивера для эволюции относительного превосходства восьми линейных и нелинейных детекторов границ, включая Канни и . Кривые показывают зависимость процента неверно распознанных границ от процента нераспознанных контуров. Эволюция нелинейных детекторов, основанных на анизотропии, рассмотрена в . В этих сравнительных тестах лучшие результаты получаются с помощью Канни, а так же детектора Хайтгера .