ВВЕДЕНИЕ
ГЛАВА 1. РЕШЕНИЕ ЗАДАЧИ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ
НА ОСНОВЕ МЕТОДОЛОГИИ РАСПОЗНАВАНИЯ ОБРАЗОВ
1.1 Постановка задачи восстановления изображений
1.2. Общая схема преобразования данных
1.3. Постановка задачи построения восстанавливающих процедур с
использованием РЯметодов .
1.4. Выводы и результаты
ГЛАВА 2. ФОРМИРОВАНИЕ ПРИЗНАКОВ НА ИЗОБРАЖЕНИИ
2.1. Эффективно вычисляемые семейства признаков, используемые в РЯ
методах
2.1.1. Локальные обобщенные моменты
2.1.2. Рекурсивно формируемые локальные обобщенные моменты
2.1.3. Моментныс инварианты
2.2. Система признаков, описывающих формуй изображения
2.2.1. Обеспечение инвариантности к повороту для системы признаков,
описывающих форму изображения
2.2.2. Нормализация признаков, описывающих форму, к линейному
преобразованию значений яркости изображегшя в окне
Выводы и результаты
ГЛАВА 3. БЫСТРОЕ РЕКУРСИВНОЕ ВЫЧИСЛЕНИЕ ЗНАЧЕНИЙ
ПРИЗНАКОВ НА ОСНОВЕ РЕКУРСИВНЫХ ФИЛЬТРОВ С КОНЕЧНОЙ ИМПУЛЬСНОЙ ХАРАКТЕРИСТИКОЙ
3.1. Общие сведения из теории линейных рекуррентных соотношений
3.2. Расчет одномерных КИХфильтров
3.2.1. Вычисление одномерной свертки с конечной импульсной
характеристикой, удовлетворяющей ЛРС
3.2.2. Нахождение оптимальных коэффициентов ЛРС, приближающего
заданную конечную импульсную характеристику
3.2.3. Методы улучшения устойчивости алгоритма нахождения
оптимальных коэффициентов ЛРС
3.2.4. Вычисление одномерных сверток с рекуррентными последовательностями специального вида
3.3. Расчет рекурсивных двумерных КИХфильтров
3.3.1. Вычисление двумерной свертки с разделимой рекуррентной последовательностью
3.3.2. Аппроксимация неразделимой импульсной характеристики
разделимыми импульсными характеристиками общего вида
3.3.3. Аппроксимация двумерной неразделимой ИХ произведением разделимых ИХ, удовлетворяющих ЛРС
3.3.4. Алгоритм аппроксимации неразделимой ИХ семейством разделимых ИХ, удовлетворяющих ЛРС
3.4. Экспериментальные исследования методов рекурсивного
вычисления одномерных сверток
Выводы и результаты
ГЛАВА 4. ПОСТРОЕНИЕ КЛАССИФИКАТОРОВ И ЭКСПЕРИМЕНТАЛЬНЫЕ
ИССЛЕДОВАНИЯ ИНФОРМАЦИОННОЙ ТЕХНОЛОГИИ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ
4.1. Линейный классификатор
4.2. Классификатор в виде нейронной сети
4.3. Древовидные классификаторы
4.3.1. Древовидный классификатор с кусочнопостоянной аппроксимацией
4.3.2. Древовидный классификатор с кусочнолинейной аппроксимацией
4.4. Построение древовидных классификаторов
4.4.1. Параметры построения древовидных классификаторов
4.4.2. Способы разбиения признакового пространства
4.4.3. Методы повышения устойчивости вычислительного алгоритма кусочнолинейной аппроксимации
4.5. Соотнесение сложности решающей функции с объемом
обучающей выборки
4.6. Параметрическая оптимизация семейства признаков
4.6.1. Подбор оптимальных параметров значений признаков
4.6.2. Определение оптимального размера окна обработки при
вычислении признаков
4.7. Описание информационной технологии построения восстанавливающих процедур на основе РЛметодов
4.8. Экспериментальные исследования информационной технологии восстановления изображений
4.8.1. Эксперименты по определению достаточного объема выборки
4.8.2. Общее описание экспериментов по оценке эффективности информационной технологии восстановления и фильтрации изображений
4.8.3. Исследование эффективности фильтрации изображений
4.8.4. Исследование эффективности восстановления изображений
4.8.5. Экспериментальные исследования нахождения оптимального
параметра двумерного гауссовского фильтра
4.8.6. Экспериментальное сравнение различных видов
классификаторов
4.9. Выводы и результаты
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
- Киев+380960830922