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
POLECAMY
Ciekawe propozycje
Ukryte blizny
do koszyka
Ukryte ciała
do koszyka
Ukryte działania
do koszyka
Ukryte intencje
do koszyka
Ukryte marzenia
do koszyka
Ukryte Miasto
do koszyka
Ukryte miejsca
do koszyka
Ukryte myśli
do koszyka
Ukryte na widoku
do koszyka
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 | |