Непараметрические методы обнаружения и оценивания сигналов и изображений

• Автор: Райфельд, Михаил Анатольевич
• Шифр специальности: 05.13.17
• Научная степень: Докторская
• Год защиты: 2009
• Место защиты: Новосибирск
• Количество страниц: 367 с. : ил.

1.1. Задачи непараметрического обнаружения полезного сигнала, наблюдаемого на фоне шума.

1.2. Непараметрический подход в задачах классификации и сегментации изображений

1.3. Непараметрические подходы к оцениванию и фильтрации сигналов и изображений

1.4. Выводы к главе

Глава 2. Непараметрические критерии обнаружения полезного сигнала,

на фойе шума, отличающегося дисперсией.

2.1. Построение выбеливающего фильтра

2.2. Непараметрические статистики масштаба, основанные на превышающих наблюдениях.

2.3. Улучшение характеристик критерия превышающих наблюдений

с помощью алгоритма группировки исходных наблюдений

2.3.1. Использование принципа группировки исходных данных для случая масштабных различий гипотезы и альтернативы.
2.3.2. Бинарное правило принятия решения, основанное на
линейно взвешенном суммировании Т статистик групп
2.4. Выводы к главе.
Глава 3. Синтез непараметрических статистик на основе проективного подхода.
3.1. Синтез непараметрической процедуры принятия решения, основанный на методе проекций.
3.2. Способ измерения проекций по исходным наблюдениям
3.3. Алгоритмы принятия решения о различии средних значений и дисперсий наблюдений выборок, основанные на измерении вектора проекций.
3.4. Выводы к главе
Глава 4. Адаптация ранговых алгоритмов при зависимых наблюдениях.
4.1. Исследование влияния зависимости исходных наблюдений на ранговые распределения с использованием детерминированной
модели возникновения совпадений.
4.1.1. Оценка параметра зависимости наблюдений г
для детерминированной модели
4.2. Исследование влияния зависимости исходных наблюдений на ранговые распределения на основе стохастической модели возникновения совпадений
4.2.1. Оценивание параметра а модели зависимых наблюдений.
4.3. Модели зависимости исходных наблюдений, применяемые
для двухвыборочных ранговых статистик.
4.3.1. Исследование влияния зависимости исходных наблюдений на распределения многомерных ранговых статистик с использованием детерминированной модели возникновения совпадений на примере статистики Вилкоксоиа,.
4.3.2. Исследование влияния зависимости исходных наблюдений на распределения многомерных ранговых статистик с использованием стохастической модели возникновения совпадений на примере статистики Вилкоксона
4.4. Выводы к главе.
Глава 5. Ранговые алгоритмы бинарной сегментации одномерных сигналов
и изображений.
5.1. Постановка задачи ранговой бинарной сегментации одномерных сигналов и изображений
5.2. Синтез алгоритма ранговой бинарной сегментации одномерных
сигналов.
5.3. Рабочие характеристики алгоритмов ранговой бинарной сегментации одномерных сигналов и изображений
5.4. Сравнение алгоритмов ранговой бинарной сегментации одномерных сигналов и изображений с известными правилами сегментации
наблюдений.
5.5. Одномерные алгоритмы ранговой многоуровневой сегментации
5.6. Использование одномерных алгоритмов ранговой бинарной сегментации при решении некоторых задач обработки сигналов
и изображений
5.6.1. Использование алгоритма ранговой бинарной сегментации
для классификации типа нарушения в сейсмической охранной системе
5.6.2. Использование алгоритма ранговой бинарной сегментации для выделения последовательностей буквенных и цифровых символов, нанесенных на борта железнодорожных вагонов.
5.7. Выводы к главе
Глава 6. Ранговая бинарная сегментация многомерных сигналов
и изображений
6.1. Постановка задачи ранговой бинарной сегментации многомерных сигналов и изображений.
6.2. Синтез алгоритма ранговой бинарной сегментации многомерных сигналов.
6.3. Сравнение результатов бинарной сегментации сигналов и оценивания параметров выборки, получаемых с использованием одномерного
и многомерного двухмерного ранговых алгоритмов.
6.4. Ранговая многоуровневая сегментация многомерных сигналов
и изображений
6.5. Ранговая сегментация векторных изображений
6.6. Выводы к главе
Стр.
7. Заключение.
8. Список использованных источников.
Приложение
ВВЕДЕНИЕ
Актуальность


Так, например , предлагается критерий, основанный на равенстве моментов исходного и сегментированного изображений. Метод 4 минимизирует ошибку аппроксимации исходного изображения двухуровневым изображением. Кроме кластерного анализа при сегментации изображений часто используются различные методы наращивания и слияния расщепления областей , , , 2, 3. Отправной точкой для этих методов является некоторое начальное разбиение изображения на области, либо разметка стартовых точек для процедуры наращивания областей. Затем для смежных областей вычисляется расстояние между ними в смысле какойлибо заранее выбранной меры близости и в зависимости от величины указанного расстояния происходит слияние наращивание, либо расщепление анализируемых областей. Метод слияния требует после каждой перегруппировки данных пересчта характеристик, которые используются в качестве меры однородности. Наиболее часто в качестве такой меры используют среднюю яркость сегмента. В отличии от наращивания, однородность в процессе дробления оценивается, например, по такой характеристике как разброс яркостей. Существуют критерии однородности, требующие, чтобы распределение яркости области изображения соответствовало определнному закону, например, нормальному . В ряде случаев проверяют сходство свойств отдельных кусков сегмента между собой и со всеми сегментами. По результатам проверки принимается решение о дроблении сегмента. Дробление осуществляется, как правило, на квадраты. Использование такого способа расщепления при кратных размерах квадратов носит название пирамидального анализа . Отметим, что в этом анализе используются и процедуры слияния. Методы слияния расщепления хорошо работают на простых изображениях, когда области обладают глобальным контрастом и имеется априорная информация о количестве областей для определения момента останова. Существенным недостатком наращивания является тот факт, что наличие слабоконтрастного участка границы может привести к объединению разнородных областей . Качество сегментации процедур слияния расщепления существенно зависит от того, насколько удачно выполнено первоначальное разбиение, либо разметка стартовых точек. МНОГОМерццдй характер каждого наблюдения трхмерный для большинства используйтухых на практике цветовых моделей , , V и т. Данная особенность означает существенное повышение вычислительной сложность алгоритмов сегментации. На практике процедуры автоматичен окой сегментации изображений широко применяются для обработки дешифрирования снимков земной поверхности из космоса, поэтому значительное количество работ, посвящнных сегментации, относятся ьс этой области 8, 9,, , , ,5,6. Рассмотрим характеристики одной прикладной проблемы, для решения которой необходимо использовать процедуру сегментации изобраэхсения. Проблема состоит в создании информационной системы, используемом для считывания и распознавания буквенноцифровой информации, нанеснной на борт транспортного средства, например, железнодорожного вагона. Информация считывается при проезде транспортного средства мимо пункта контроля. Первичная обработка изображений, регистрируемых видеокамерой пункта контроля, и представляет собой их яркостную сегментацию, выполняемую с целью выделения надписей. Необходимо отметить ряд проблем, с которыми приходится сталкиваться, при создании алгоритма сегментации, работающего в реальных условиях эксплуатации подобной системы. Вопервых, алгоритм сегментации должен работать в условиях непараметрической априорной неопределенности, поскольку распределение отсчетов регистрируемых изображений заранее неизвестно и может Меняться от кадра к кадру. Предполагается, что надписи имеют локальный яркостный контраст по отношению к фону, на котором они наблюдаются. Значительные изменения яркостных характеристик изображений связаны также с изменением освещнности. Эти изменения можно рассматриддгь, как монотонное нелинейное преобразование функции яркости изображения. Место расположения буквенноцифровой информации ыа борту транспортного средства не является фиксированным.