Metody klasyfikacji obiektów w wizji komputerowej

1 opinia

Format:

epub, mobi, ibuk

DODAJ DO ABONAMENTU

WYBIERZ RODZAJ DOSTĘPU

51,80  74,00

Format: epub, mobi

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

Cena początkowa: 74,00 zł (-30%)

Najniższa cena z 30 dni: 51,80 zł  


51,80

w tym VAT

TA KSIĄŻKA JEST W ABONAMENCIE

Już od 24,90 zł miesięcznie za 5 ebooków!

WYBIERZ SWÓJ ABONAMENT

Komputerowe systemy wizyjne znajdują liczne zastosowania w zakresie:


• rozpoznawania zdjęć lotniczych i satelitarnych terenu dla celów rejestracji zmian w kartografii i meteorologii,


• badań przesiewowych zdjęć rentgenowskich i innych w medycynie, analizy obrazów mikroskopowych dla wykrycia obecności pewnych faz,


• systemy bioidentyfikacji na podstawie obrazu odcisków palców, tęczówki oka i innych cech biometrycznych,


• kontroli jakości produktów w przemyśle na podstawie obrazu taśmy technologicznej,


• bezpieczeństwa, na przykład w prześwietleniach bagażu,


• sterowania ruchem miejskim.


Podręcznik przedstawia uniwersalne metody klasyfikacji obiektów stosowane w wizyjnych komputerowych systemach rozpoznawania na różnych etapach przetwarzania obrazu. W książce omówiono metody klasyfikacji nadzorowanej i nienadzorowanej, problem wyboru zmiennych oraz metody oceny błędu klasyfikatora. Istotnym walorem dydaktycznym książki jest przedstawione krok po kroku konstruowanie komputerowego systemu wizyjnego dla celów rozpoznawania pacjentów chorych na jaskrę.


Rok wydania2011
Liczba stron224
KategoriaZastosowania informatyki
WydawcaWydawnictwo Naukowe PWN
ISBN-13978-83-01-20399-3
Numer wydania2
Język publikacjipolski
Informacja o sprzedawcyePWN sp. z o.o.

Ciekawe propozycje

Spis treści

  Przedmowa XI
    Literatura XVII
  1. Elementy składowe zadania rozpoznawania    1
    1.1. Metody reprezentacji obiektów    1
    1.2. Zadania klasyfikacji nadzorowanej    4
      1.2.1. Sformułowanie problemu    4
      1.2.2. Przykład: klasyfikator minimalno-odległooeciowy    9
    1.3. Zadanie klasyfikacji nienadzorowanej    14
      1.3.1. Sformułowanie problemu    14
      1.3.2. Miary podobieństwa    18
      1.3.3. Przykład: grupowanie sekwencyjne    21
    Literatura    24
  2. Empiryczne klasyfikatory Bayesa    25
    2.1. Optymalny klasyfikator Bayesa    25
    2.2. Klasyfikatory empiryczne    29
    2.3. Klasyfikatory parametryczne oparte na rozkładzie normalnym    31
    2.4. Klasyfikatory nieparametryczne    38
      2.4.1. Estymacja funkcji gęstości    38
      2.4.2. Estymacja jądrowa    39
      2.4.3. Estymacja metodą najbliższego sąsiada    41
      2.4.4. Klasyfikator z estymatorem jądrowym    41
      2.4.5. Klasyfikator z estymatorem najbliższego sąsiada    45
    Literatura    48
  3. Klasyfikatory definiowane w sposób bezpośredni    49
    3.1. Klasyfikatory liniowe    49
      3.1.1. Perceptronowa reguła uczenia    51
      3.1.2. Liniowa dyskryminacja Fishera    53
      3.1.3. Reguła maksymalizacji marginesu    55
    3.2. Klasyfikatory nieliniowe    61
      3.2.1. Klasyfikator wielomianowy    63
      3.2.2. Nieliniowy klasyfikator SVM    65
      3.2.3. Perceptron wielowarstwowy    70
    3.3. Klasyfikator drzewiasty    78
    3.4. Stabilizowanie klasyfikatorów słabych    81
    Literatura    83
  4. Klasyfikatory definiowane przez struktury symboliczne    85
    4.1. Wprowadzenie    85
    4.2. Podstawowe struktury symboliczne    86
      4.2.1. Ciąg    86
      4.2.2. Graf    87
      4.2.3. Opis relacyjny    90
    4.3. Strukturalne dopasowanie ciągów    91
      4.3.1. Odległość strukturalna    91
      4.3.2. Algorytm dopasowania    92
      4.3.3. Konstrukcja modelu klasy    93
    4.4. Strukturalne dopasowanie grafów oparte na izomorfizmie    95
      4.4.1. Odległość strukturalna    95
      4.4.2. Algorytm dopasowania    97
    4.5. Strukturalne dopasowanie grafów oparte na homeomorfizmie    99
      4.5.1. Odległość strukturalna    100
      4.5.2. Algorytm dopasowania    102
    4.6. Strukturalne dopasowanie oparte na metodach reprezentacji wiedzy    106
      4.6.1. Hybrydowa sieć semantyczna    108
      4.6.2. Algorytm strukturalnego dopasowania    112
    Literatura    116
  5. Klasyfikatory definiowane przez gramatykę    117
    5.1. Wprowadzenie    117
    5.2. Gramatyki ciągowe    118
    5.3. Rozszerzenia gramatyki ciągowej    121
    5.4. Algorytm analizy syntaktycznej Earleya    124
    5.5. Analiza syntaktyczna z korekcją błędów    128
    5.6. Syntaktyczny klasyfikator rysunków liniowych    129
      5.6.1. Symbole terminalne    130
      5.6.2. Korekcja błędów    132
      5.6.3. Produkcje    133
      5.6.4. Analiza syntaktyczna    134
    Literatura    137
  6. Podziałowe algorytmy grupowania    139
    6.1. Algorytmy iteracyjnej optymalizacji    139
      6.1.1. Algorytmy grupowania twardego    140
      6.1.2. Algorytmy grupowania rozmytego    143
      6.1.3. Algorytmy grupowania posybilistycznego    146
    6.2. Algorytmy gęstościowe    151
    6.3. Algorytmy grafowe    156
    6.4. Algorytmy wykorzystujące sieci neuronowe    161
    6.5. Walidacja grupowania    163
    Literatura    165
  7. Hierarchiczne algorytmy grupowania    167
    7.1. Wprowadzenie    167
    7.2. Algomeracyjne algorytmy macierzowe    168
    7.3. Grupowanie dużych zbiorów danych    177
    Literatura    179
  8. Ocena błędu i wybór klasyfikatora    180
    8.1. Przedstawienie problemu    180
    8.2. Metody wykorzystujące statystyczną teorię uczenia    181
    8.3. Metody eksperymentalne    183
    8.4. Uogólnianie, niedouczenie i przeuczenie klasyfikatora    185
    Literatura    188
  9. Ekstrakcja i selekcja cech    189
    9.1. Przedstawienie problemu    189
    9.2. Wstępne przetwarzanie danych    190
    9.3. Ekstrakcja cech    192
    9.4. Selekcja cech    195
    Literatura    198
  10. Komputerowy system wizyjny do rozpoznawania jaskry    199
    10.1. Badanie dna oka    199
    10.2. Podstawy przetwarzania i analizy obrazów cyfrowych    201
      10.2.1. Obraz cyfrowy    201
      10.2.2. Polepszanie jakości obrazu    203
      10.2.3. Segmentacja obrazu    206
      10.2.4. Reprezentacja i opis    207
    10.3. Moduł przetwarzania wstępnego    208
    10.4. Moduł selekcji cech    211
    10.5. Moduł uczenia i testowania klasyfikatora    214
    Literatura    214
  Skorowidz    216
RozwińZwiń