POLECAMY
Autor:
Wydawca:
Format:
epub, mobi, ibuk
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 wydania | 2011 |
---|---|
Liczba stron | 224 |
Kategoria | Zastosowania informatyki |
Wydawca | Wydawnictwo Naukowe PWN |
ISBN-13 | 978-83-01-20399-3 |
Numer wydania | 2 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
POLECAMY
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 |