Метод построения процедуры локальной обработки изображений на основе иерархической регрессии

Введение
Раздел I. Задачи локальной обработки изображений и методы их решения
1.1 Классы задач локальной нелинейной обработки сигналов и изображений.
1.1.1 Классы задач с линейной локальной функцией регрессии.
1Л .2 Классы задач с нелинейной локальной регрессионной зависимостью
1.1.3 Классы задач с дискретной локальной регрессионной зависимостью
1.2 Локальная нелинейная обработка изображений с использованием дерева регрессии
1.2.1 Схема локальной обработки изображений.
1.2.2 Классификация деревьев регрессии по типу преобразования, используемого в терминальных вершинах
1.2.3 Общее описание информационной технологии построения процедуры
обработки на основе иерархических структур.
1.3 Существующие подходы к реализации универсальной схемы преобразования.
1.3.1 Основные группы признаков.
1.3.2 Общие параметры построения древовидных структур.
1.3.2 Структура данных в узлах дерева.
1.4 Основные проблемы, возникающие при использовании универсальной схемы преобразования.
1.4.1 Выбор признаков.
1.4.2 Выбор окна локального преобразования
1.4.3 Выбор модели регрессии
1.4.4 Проблемы недообучения и переобучения
1.4.5 Объемы выборочных данных при обучении.
1.4.6 Вычислительная сложность универсального преобразования
1.4.7 Предлагаемые методы решения обозначенных проблем.
1.5 Выводы и результаты.
Раздел 2. Эффективные локальные признаки на основе локальных дискрегных вейвлетпреобразований.
2.1 Эффективный расчет признаков на основе дискретного локального вейвлет
преобразования
2.1.1 Эффективные алгоритмы расчега локального дискретного вейвлетпреобразования одномерного сигнала на примере вейвлетбазиса Хаара.
2.1.2 Эффективный расчет локального дискретного 2х мерного вейвлетпреобразования на примере вейвлетбазиса Хаара
2.3.3 Использование базиса Хаара с масштабирующим коэффициентом 3
2.1.4 Сравнение вычислительной сложности модифицированного и эффективного алгоритмов вычисления локального дискретного вейвлетпреобразования
2.3.4 Эффективное вычисление биортогональных полиномиальных сплайнвейвлетов с конечными носителями.
2.2 Параметрическая настройка признаков.
2.3 Определение оптимального размера окна обработки при вычислении
признаков
2.4 Выводы и результаты.
Раздел 3. Разработка алгоритма автоматического построения процедуры локальной обработки изображений на основе иерархической регрессии.
3.2 Анализ обобщающей способности древовидной модели
3.2.1 Статистический подход.
3.2.2 Комбинаторный подход
3.2.3 Остановка процесса перебора различных сочетаний обучающей и
контрольной выборок.
3.3 Особенности построения дерева регрессии.
3.3.1 Особенности построения элементарной регрессии в узлах.
3.3.2 Зависимость древовидной модели от алгоритмов локального
дискретного вейвлетпреобразован
3.4 Анализ вычислительной сложности универсального алгоритма с
признаками на основе дискретного локального вейвлетпреобразования.Ю
3.4.1 Расчет признаковМ
3.4.2 Иерархическая регрессия.Ю
3.5 Алгоритм автоматического построения универсального преобразования с
ограничениями по сложности и качеству исполнения
3.6 Тестирование алгоритма построения процедуры локальной обработки с
ограничениями.
3.7 Выводы и результаты.1 Ю
Раздел 4. Исследование эффективности вычислительной процедуры локальной обработки изображений на основе иерархической регрессии
4.1 Определение достаточного объема выборки.
4.2 Фильтрация изображений.
4.2.1 Зависимость эффективности фильтрации от соот ношения сигналшум.
4.2.2 Сравнение различных типов аппроксимации в терминальных вершинах при фильтрации изображений
4.2.3 Сравнение метода иерархической регрессии с нейронной сетью в задачах фильтрации изображений.
4.3 Восстановление изображений.
4.4 Задачи классификации отсчетов изображения
4.5 Задачи выделения контуров
4.6 Выводы и результаты
Заключение.
Список использованных источников