Разработка методов и алгоритмов модулярной фильтрации для задач распознавания и классификации образов

• Автор: Дьяченко, Игорь Васильевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Ставрополь
• Количество страниц: 205 с. : ил.

1.1. Введение.

1.2. Общая характеристика проблемы распознавания и классификации образов

1.3. Основные задачи, решаемые в процессе синтеза систем распознавания и классификации образов.
1.4. Этап экстракции классообразующих признаков в обобщнной системе распознавания образов.
1.5. Аналитический обзор методов экстракции классообразующих признаков из изображений.

1.5.1. Преобразование Фурье

1.5.2. Косинусное преобразование.

1.5.3. Вычисление градиента изображения

1.5.4. Вейвлетпреобразование

1.5.5. Вычисление моментов изображения.

1.6. Сравнительный анализ методов экстракции классообразующих признаков для систем распознавания и классификации образов
1.7. Обоснование целесообразности применения системы остаточных классов для вычисления дискретного вейвлетпреобразования в системах распознавания и классификации образов, функционирующих в реальном режиме времени
1.8. Выводы по первой главе.
1.9. Постановка задачи исследования.
т
Глава 2. Разработка математических моделей вейвлетанализа и
модулярных вычислений для задач распознавания образов.
2.1. Введение
2.2. Вейвлетанализ в системах распознавания изображений.
2.2.1. Кратномасштабиый анализ и вейвлеты
2.2.2. Развитие методов быстрого вейвлетпреобразования с помощью фильтров Добеши Э
2.3. Разработка математических моделей неиозиционного кодирования для цифровой фильтрации.
2.3.1. Модели параллельных вычислений в системе остаточных классов
2.3.2. Разработка методов повышения скорости вычислений в модулярных вычислительных каналах
2.4. Развитие методов КИХфильтрации для ПЛИС
2.5. Выводы по второй главе.
Глава 3. Разработка модулярных алгоритмов вейвлетанализа.
3.1. Введение.
3.2. Разработка методов дискретного вейвлетпреобразования на основе битовой арифметики.
3.3. Модулярный сдвиговый сумматор с накоплением
3.4. Разработка рекурсивного алгоритма дискретного вейвлетпреобразования на основе модулярной арифметики
3.5. Разработка дву фазного рекурсивного модулярного алгоритма дискретного вейвлетнреобразования.
3.6. Разработка параллельного модулярного алгоритма дискретного вейвлетнреобразования с экстенсивным использованием ШТтаблиц
3.7. Выводы по третьей главе
Глава 4. Моделирование и синтез высокоскоростных модулярных структу р
цифровой вейвлетфильтрации на ПЛИС
4.1. Введение.
4.2. Разработка архитектуры цифрового сигнального процессора для
модулярной вейвлетфильтрации.
4.3. Методы организации вычислений в модулярных каналах.
4.3.1. Алгоритмы, основанные на технике быстрой КИХфильтрации
4.3.2. Алгоритмы с техникой демультиплексирования.
4.3.3. Вычислительные архитектуры на основе битовой арифметики
4.4. Методы организации вычисления двумерного дискретного вейвлет
преобразования .
4.5. Моделирование модулярных вычислительных элементов на ПЛИС
4.6. Выбор набора оснований СОК для вейвлетфильтрации
4.7. Исследование производительности разработанных алгоритмов.
4.8. Выводы по четвртой главе
Заключение
Список литературы


На основе анализа частотновременных характеристик рассматриваемых преобразований и возможности кратномасштабного представления информации делается вывод о преимуществах вейвлетанализа для задач распознавания и классификации образов. Сформулирована постановка задачи исследования, а именно, разработка эффективного алгоритма получения коэффициентов вейвлетпреобразования для современных средств организации высокопроизводительных ПЛИСвычислений. Задача распознавания и классификации объектов состоит в указании принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определнным классам. Каждый объект описывается совокупностью признаков свойств, характеристик, параметров А я,,я2,. Если признаки представлены действительными числами, то можно образы векторов рассматривать как точки ТУ мерного пространства 1,4,, , ,,,. Образ это класс объектов. Он может быть задан с помощью некоторого набора различных реализаций, которую называют обучающей выборкой. Различие этих реализаций зависит от многих причин естественных флуктуаций параметров, шумов, погрешностей измерений и т. Те реализации образа, которые не участвовали в создании описания образа, называют контрольной выборкой. Основные, традиционные задачи теории распознавания образов это выбор информативных признаков, выбор решающих функций, предварительная классификация объектов таксономия . Выбор признаков в значительной степени зависит от качества распознавания. Из множества различных характеристик объектов полученных непрсредственными измерениями или какимилибо преобразованиями исходных описаний надо выбрать наиболее существенные, которые позволяют достаточно компактно описать реализации образа и в то же время достаточно точно различать объекты ,,. Решающая функция должна позволять принимать решения отнесения контрольной реализации к одному из классов образов. При построении решающих функций необходимо учитывать закономерности описания образа, выявленные на обучающей выборке, кроме того, решающая функция должна отражать в себе некоторую гипотезу о характере изменения контрольных реализаций образов, которые будут поступать на вход системы в е практической работе. Задачей таксономии является выбор алфавита образов исходя из той или иной задачи обработки информации. Это могут быть, например, сегменты речевого сигнала, фонемы, целые слова. В геометрической интерпретации задача таксономии сводится к разбиению многомерного признакового пространства на определнное число областей. Все три названные задачи тесно взаимосвязаны. Конечная цель состоит в увязке многих противоречивых требований к системе, например, минимальной стоимости и сложности системы при заданном допустимом проценте ошибок распознавания . Метрическое пространство это множество точек, на котормо определена метрика. А,В сВ,А аксиома симметрии. При определении расстояния между точками А и В, заданными своими координатами признаками А а1,а. В Ь,Ь2,. А,ВЪ . А,В 1ха1Ь 1. А,В с,аЪ. Выбор вида метрики зависит от природы образов, от характера изменений признаков. Эти собственные различия реализации могут быть оценены, например, методами психологических исследований на основе закономерностей человеческого восприятия. Окончательным критерием качества метрики при данной системе признаков является минимум числа ошибок распознавания контрольной выборки ,, , . Распознавание представляет собой задачу преобразования входной информации в качестве которой уместно рассматривать некоторые параметры, признаки распознаваемых образов в выходную, представляющую собой заключение о том, к какому классу относится распознаваемый образ. К широко распространнным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация клеток крови. В случае отсутствия обучающей выборки с метками классов, классификация образов без учителя называется кластеризациейкатегоризацией. Алгоритм кластеризации опирается на подобие образов и размещает похожие образы в один кластер 6. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных 6,0,2.