Ukryte modele Markowa w rozpoznawaniu dwuwymiarowych wzorców na obrazach cyfrowych

Ukryte modele Markowa w rozpoznawaniu dwuwymiarowych wzorców na obrazach cyfrowych

1 opinia

Format:

ibuk

RODZAJ DOSTĘPU

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

Cena początkowa:

Najniższa cena z 30 dni: 25,00 zł  


25,00

w tym VAT

TA KSIĄŻKA JEST W ABONAMENCIE

Już od 24,90 zł miesięcznie za 5 ebooków!

WYBIERZ SWÓJ ABONAMENT

Rozwój technik komputerowych i urządzeń do przetwarzania obrazów umożliwił budowania zaawansowanych systemów wizyjnych przetwarzających obrazy. Analiza i rozpoznawanie obrazów pozwala na budowanie systemów korzystających z modułów do rozpoznawania wzorców na obrazach, które znajdują coraz powszechniejsze zastosowanie.


Rozpoznawanie wzorców jest działem sztucznej inteligencji zajmującym się klasyfikacją obserwacji. Celem rozpoznawania jest klasyfikowanie danych (wzorców) na podstawie wiedzy a priori lub na podstawie informacji statystycznych uzyskanych z wzorca. Jedną z wielu metod rozpoznawania wzorca są ukryte modele Markowa.


Rok wydania2014
Liczba stron148
KategoriaInne
WydawcaAkademicka Oficyna Wydawnicza EXIT Andrzej Lang
ISBN-13978-83-7837-520-3
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyePWN sp. z o.o.

Ciekawe propozycje

Spis treści

  1. Wprowadzenie do rozpoznawania wzorców
  2. Charakterystyka metod rozpoznawania wzorców
  
  2.1. Budowa systemów rozpoznawania wzorców
  2.2. Statystyczne metody klasyfikacji wzorców
  2.3. Problem wymiarowości w statystycznych metodach rozpoznawania wzorców
  
  3. Ekstrakcja cech wzorców za pomocą transformacji obrazów
  
  3.1. Transformacja Fouriera
  3.2. Transformacja falkowa
  3.3. Metoda komponentów głównych
  3.4. Transformacja Radona
  3.5. Transformacja Hough'a
  
  4. Wprowadzenie do ukrytych modeli Markowa
  
  4.1. Łańcuch i proces Markowa
  4.2. Ukryte modele Markowa
  4.3. Parametry i topologie modeli Markowa
  4.4. Tworzenie systemu rozpoznawania wzorca na bazie UMM
  4.5. Definiowanie prototypowych modeli UMM
  4.6. Estymacja parametrów ukrytych modeli Markowa
  4.7. Testowania modeli
  4.8. Przykłady UMM
  
  5. Dwuwymiarowy ukryty model Markowa z danymi dwuwymiarowymi
  
  5.1. Założenia konstrukcji 2D UMM dla danych dwuwymiarowych
  5.2. Struktura 2D UMM dla danych dwuwymiarowych
  5.3. Estymacja parametrów ukrytych modeli Markowa
  5.4. Prawdopodobieństwo wygenerowania obserwacji
  
  6. Eksperymentalne potwierdzenie poprawności dwuwymiarowych ukrytych modeli Markowa z danymi dwuwymiarowymi
  
  6.1. Charakterystyka danych eksperymentalnych
  6.2. Eksperyment 1 - Wybór transformaty do ekstrakcji cech
  6.3. Eksperyment 2 - Wybór funkcji falkowej
  6.4. Eksperyment 3 - Dobór podstawowych parametrów 2D UMM
  6.5. Eksperyment 4 - Badania poprawności rozpoznawania wzorca metodą 2D UMM
  6.6. Eksperyment 5 - Wybór klasyfikatora minimalno-odległościowego dla metody PCA
  6.7. Eksperyment 6 - Porównanie metod rozpoznawania wzorca
  6.8. Eksperyment 7 - Wpływ rozmiaru obrazu wzorca na poprawność rozpoznania
  6.9. Eksperyment 8 - Wpływ progu błędu uczenia na poprawność rozpoznania
  
  Podsumowanie
  Literatura
  Spis rysunków
  Spis tabel
RozwińZwiń
Informacja o cookies
Strona ibuk.pl korzysta z plików cookies w celu dostarczenia Ci oferty jak najlepiej dopasowanej do Twoich oczekiwań i preferencji, jak również w celach marketingowych i analitycznych.
Nasi partnerzy również mogą używać ciasteczek do profilowania i dopasowywania do Ciebie pokazywanych treści na naszych stronach oraz w reklamach.
Poprzez kontynuowanie wizyty na naszej stronie wyrażasz zgodę na użycie tych ciasteczek. Więcej informacji, w tym o możliwości zmiany ustawień cookies, znajdziesz w naszej Polityce Prywatności.

Nie pokazuj więcej tego powiadomienia