Моделирование автоматизированной системы сегментации изображений по сложным условиям семантической однородности

Оглавление
Введение
Глава 1. Проблема обучения автоматизированной системы сегментации изображений
1.1. Анализ задачи сегментации изображений
1.1.1. Изображение как способ представления информации
1.1.2. Классы и преобразования изображений
1.1.3. Формальная постановка задачи сегментации
1.1.4. Обзор простейших методов сегментации
1.1.5. Текстура как пример сложного условия семантической однородности областей изображения
1.1.6. Выделение сегмента по локальным данным как пример задачи распознавания образов
1.2. Возможности обучения сегментации
1.2.1. Обучение сегментации по локальным данным как задание функции на изображении
1.2.2. Понятия атрибут, предикат, признак
1.2.3. Методы обучения при распознавании образов
1.2.4. Проблемы при обучении сегментации
1.2.5. Базовые признаки и алгоритмические блоки
1.2.6. Модели интерфейсов для задания диапазона признака
1.2.7. Производные признаки
1.2.8. Проблема формирования понятийного аппарата для заданной области приложений
1.3. Неформализованная структурная модель автоматизированной системы сегментации изображений
1.3.1. Изображения и их элементы
1.3.2. Признаки и алгоритмические блоки
1.3.3. Решающее правило
1.3.4. Декларативное и процедурное описание требуемого результата
1.3.5. Роли пользователя и разработчика в процессе эксплуатации системы
1.3.6. Структурная схема комплекса Выводы по главе
Глава 2. Модель процесса сегментации
2.1. Основные сущности модели
2.1.1. Сегменты
2.1.2. Признаки
2.1.3. Диапазоны признака
2.1.4. Определение диапазона признака по заданному сегменту
2.1.5. Учет взаимозависимости признаков
2.1.6. Алгоритмические блоки
2.2. Модель процесса сегментации
2.2.1. Оператор выделения сегмента и его свойства
2.2.2. Учет форматов представления сегмента
2.2.3. Представление решающего правила в форме графа
2.2.4. Проверка корректности построения решающего правила Выводы по главе
Глава 3. Разработка модели декларативного описания выделяемого сегмента
3.1. Анализ предметной области описания изображений
3.1.1. Категории, используемые для описания сегмента на изображении
3.1.2. Таксономии наиболее важных признаков
3.1.3. Примеры терминов, используемых для описания
3.2. Построение модели декларативного описания
3.2.1. Анализ требований к модели
9 3.2.2. Выбор выразительных средств
3.2.3. Основные сущности модели
3.2.4. Возможные варианты представления декларативного описания
3.2.5. Формальное представление модели
3.2.6. Элементарные операции над ГСО
3.2.7. Условия синтаксической правильности ГСО и алгоритм ее проверки
3.2.8. Условия семантической правильности ГСО и алгоритм ее
проверки
3.2.9. Модельная непротиворечивость
3.3. Свойства декларативного описания
3.3.1. Изоморфизм между ГСО и решающим правилом
3.3.2. Алгоритм построения решающего правила по ГСО
3.3.3. Семантически эквивалентные преобразования ГСО
3.4. Расширение возможностей модели
3.4.1. Анализ выразительных средств модели
3.4.2. Понятийная свертка и подстановка
3.4.3. Стандартная подстановка расположены рядом
3.4.4. Стандартная подстановка является границей
Выводы по главе
Глава 4. Разработка методов оптимизации решающего правила
4.1. Критерий эффективности решающего правила
4.2. Обоснованность применения оптимизации
4.2.1. Понятие потоковой обработки
4.2.2. Критерий отказа от оптимизации
4.3. Оптимизация последовательности вызова алгоритмических , блоков
4.3.1. Сравнение вычислительной сложности последовательного и
квазипараллельного вариантов выделения сегмента
4.3.2. Оптимизация последовательности вызова для нескольких
одноуровневых условий
4.4. Учет взаимозависимости признаков при оптимизации
4.4.1. Взаимное уменьшение диапазонов для зависимых признаков
4.4.2. Выделение и поглощение ослабленного условия
4.4.3. Выдвижение гипотез о подмножестве значимых признаков
4.5. Оптимизация поиска и выделения сцен
4.5.1. Операторы расширения и сжатия сегмента
4.5.2. Учет условий пространственной близости при оптимизации решающего правила
4.6. Оптимизация поиска и выделения областей
4.6.1. Стратегия разреженного поиска
4.6.2. Оператор наращивания областей
4.6.3. Зависимость коэффициента вычислительной сложности от стратегии перебора
4.6.4. Поиск неоднородных областей
4.7. Модель блока оптимизации
4.7.1. Продукционная модель
4.7.2. Интегральный алгоритм оптимизации
Выводы по главе
Глава 5. Экспериментальная проверка разработанной модели
5.1. Описание программного комплекса
5.1.1. Структура программного комплекса
5.1.2. Статистика программного комплекса
5.1.3. Главная форма программы
5.1.4. Блок отображения и редактирования сегментов
5.1.5. Блок отображения и редактирования решающего правила
5.1.6. Алгоритмические блоки для задания диапазона признака, оценки значения признака и сопоставления с диапазоном
5.1.7. Блок выполнения решающего правила
5.1.8. Блок построения декларативного описания
5.1.9. Блок формирования решающего правила по декларативному описанию
5.2. Испытания программного комплекса
5.2.1. Ручная сегментация
5.2.2. Нахождение диапазона признака по выделенному сегменту
5.2.3. Автоматическое формирование решающего правила по декларативному описанию
5.2.4. Построение сложного условия выделения сегмента
. Исследование эффективности разработанных методов оптимизации
5.3.1. Оптимизация последовательности вызовов алгоритмических блоков
5.3.2. Оптимизация поиска и выделения областей
5.3.3. Оптимизация выделения неоднородных областей Выводы по главе
Заключение
Литература