Математическое обеспечение процессов сегментации многозональных космических изображений на основе стохастических дифференциальных систем

• Автор: Васильев, Владимир Михайлович
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2000
• Место защиты: Рязань
• Количество страниц: 185 с. : ил.

1. АНАЛИЗ МОДЕЛЕЙ ИЗОБРАЖЕНИЙ В ЗАДАЧАХ IМЕНТАЦИИ

1. Процедурные и статистические модели

1.2. Классическая статистическая модель

1.3. Марковская модель.

1 4 Постановка задач исследования.

Основные результаты

II

.

2. Стохастическая модель многозональных космических

ИЗОБРАЖЕНИЙ
2 1. Описание объектов изображений стохастическими
дифференциальными системами.
2.2. Алгоритмы сканирования изображений.
2 3 Определение типа текстуры объекта на основе
стохастической модели.
2.4. Определение границ объекта на основе стохастической модели
2.5. Выбор адекватной стохастической системы .
Основные результаты.
3. Использование стохастической модой в задачах сегментации многозональных космических изображений
3.1. Система со случайным средним.
3.2. Сегментация облачности и объектов гидросеги
3.3. Комплекснрованнс разнозональной информации.
3.4. Алгоритм поиска аномальных точек.
Основные результаты.
.
.

.

1
з
4. Экспериментальное исследование эффективности
СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ СТОХАСТИЧЕСКОЙ
МОДЕЛИ.I
4.1. Определение соответствия стохастических
дифференциальных систем объектам космических
изображений III
4 2. Исследование эффективности предложенных алгоритмов
сегментации.
4.3. Система автоматической сегментации космических
изображений.
Основные результаты
Заключение
СПИСОК ЛИТЕРАТУРЫ


Классическая модель рассматривает изображение как реализацию случайной величины, а сегментацию как процесс поиска участков изображения с разными распределениями и отнесение каждого из участков к одному из заданных классов объектов Марковская модель обобщает классическую и определяет изображение как реализацию марковского поля, что дает дополнительные возможности для определения вероятностных распределений. Сегментация здесь трактуется как процесс поиска наиболее вероятных реализаций поля меток и производится при помощи поиска минимума так называемой энергетической функции
1. Как показывает анализ нестатистических подходов к сегментации изображений, при создании алгоритмов практически всегда используются понятия статистики, например, частота появления признака Этот факт объясняется чрезвычайно большой изменчивостью реализаций объектов изображений, что придает статистическим моделям особую значимость. Классическая статистическая модель основана на описании объектов изображения пикселов или их окрестностей точками пространства признаков, состоящего из наборов к,,х2,хл, в качестве компонент которого могут выступать скаляры, векторы или функции. При этом порожденное изображением множество точек пространства признаков считается реализацией некоторого случайного элемента . На множестве значений задается вероятностная мера Р1 к, зависящая от некоторого параметра к, который для определенности будем считать дискретным Параметр к определяет некоторую объективную классификацию объектов изображений и рассматривается как номер класса объектов. II мм
где чМ штраф при отнесении объекта к классу к, если на самом деле объект относится к классу А.