INNE EBOOKI AUTORA
Autor:
Format:
ibuk
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 wydania | 2014 |
---|---|
Liczba stron | 148 |
Kategoria | Inne |
Wydawca | Akademicka Oficyna Wydawnicza EXIT Andrzej Lang |
ISBN-13 | 978-83-7837-520-3 |
Numer wydania | 1 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
INNE EBOOKI AUTORA
EBOOKI WYDAWCY
POLECAMY
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 | |