Promocja

Ebook Metody klasyfikacji obiektów w wizji komputerowej Katarzyna Stąpor

63,55 zł 74,00 zł

Najniższa cena z 30 dni: 63,55 zł

Dodaj do ulubionych

Opis treści

Komputerowe systemy wizyjne znajdują liczne zastosowania w zakresie:

• rozpoznawania zdjęć lotniczych i satelitarnych terenu dla celów rejestracji zmian w kartografii i meteorologii,

• badań przesiewowych zdjęć rentgenowskich i innych w medycynie, analizy obrazów mikroskopowych dla wykrycia obecności pewnych faz,

• systemy bioidentyfikacji na podstawie obrazu odcisków palców, tęczówki oka i innych cech biometrycznych,

• kontroli jakości produktów w przemyśle na podstawie obrazu taśmy technologicznej,

• bezpieczeństwa, na przykład w prześwietleniach bagażu,

• sterowania ruchem miejskim.

Podręcznik przedstawia uniwersalne metody klasyfikacji obiektów stosowane w wizyjnych komputerowych systemach rozpoznawania na różnych etapach przetwarzania obrazu. W książce omówiono metody klasyfikacji nadzorowanej i nienadzorowanej, problem wyboru zmiennych oraz metody oceny błędu klasyfikatora. Istotnym walorem dydaktycznym książki jest przedstawione krok po kroku konstruowanie komputerowego systemu wizyjnego dla celów rozpoznawania pacjentów chorych na jaskrę.

Spis treści ebooka Metody klasyfikacji obiektów w wizji komputerowej

Przedmowa XI
Literatura XVII
1. Elementy składowe zadania rozpoznawania 1
1.1. Metody reprezentacji obiektów 1
1.2. Zadania klasyfikacji nadzorowanej 4
1.2.1. Sformułowanie problemu 4
1.2.2. Przykład: klasyfikator minimalno-odległooeciowy 9
1.3. Zadanie klasyfikacji nienadzorowanej 14
1.3.1. Sformułowanie problemu 14
1.3.2. Miary podobieństwa 18
1.3.3. Przykład: grupowanie sekwencyjne 21
Literatura 24
2. Empiryczne klasyfikatory Bayesa 25
2.1. Optymalny klasyfikator Bayesa 25
2.2. Klasyfikatory empiryczne 29
2.3. Klasyfikatory parametryczne oparte na rozkładzie normalnym 31
2.4. Klasyfikatory nieparametryczne 38
2.4.1. Estymacja funkcji gęstości 38
2.4.2. Estymacja jądrowa 39
2.4.3. Estymacja metodą najbliższego sąsiada 41
2.4.4. Klasyfikator z estymatorem jądrowym 41
2.4.5. Klasyfikator z estymatorem najbliższego sąsiada 45
Literatura 48
3. Klasyfikatory definiowane w sposób bezpośredni 49
3.1. Klasyfikatory liniowe 49
3.1.1. Perceptronowa reguła uczenia 51
3.1.2. Liniowa dyskryminacja Fishera 53
3.1.3. Reguła maksymalizacji marginesu 55
3.2. Klasyfikatory nieliniowe 61
3.2.1. Klasyfikator wielomianowy 63
3.2.2. Nieliniowy klasyfikator SVM 65
3.2.3. Perceptron wielowarstwowy 70
3.3. Klasyfikator drzewiasty 78
3.4. Stabilizowanie klasyfikatorów słabych 81
Literatura 83
4. Klasyfikatory definiowane przez struktury symboliczne 85
4.1. Wprowadzenie 85
4.2. Podstawowe struktury symboliczne 86
4.2.1. Ciąg 86
4.2.2. Graf 87
4.2.3. Opis relacyjny 90
4.3. Strukturalne dopasowanie ciągów 91
4.3.1. Odległość strukturalna 91
4.3.2. Algorytm dopasowania 92
4.3.3. Konstrukcja modelu klasy 93
4.4. Strukturalne dopasowanie grafów oparte na izomorfizmie 95
4.4.1. Odległość strukturalna 95
4.4.2. Algorytm dopasowania 97
4.5. Strukturalne dopasowanie grafów oparte na homeomorfizmie 99
4.5.1. Odległość strukturalna 100
4.5.2. Algorytm dopasowania 102
4.6. Strukturalne dopasowanie oparte na metodach reprezentacji wiedzy 106
4.6.1. Hybrydowa sieć semantyczna 108
4.6.2. Algorytm strukturalnego dopasowania 112
Literatura 116
5. Klasyfikatory definiowane przez gramatykę 117
5.1. Wprowadzenie 117
5.2. Gramatyki ciągowe 118
5.3. Rozszerzenia gramatyki ciągowej 121
5.4. Algorytm analizy syntaktycznej Earleya 124
5.5. Analiza syntaktyczna z korekcją błędów 128
5.6. Syntaktyczny klasyfikator rysunków liniowych 129
5.6.1. Symbole terminalne 130
5.6.2. Korekcja błędów 132
5.6.3. Produkcje 133
5.6.4. Analiza syntaktyczna 134
Literatura 137
6. Podziałowe algorytmy grupowania 139
6.1. Algorytmy iteracyjnej optymalizacji 139
6.1.1. Algorytmy grupowania twardego 140
6.1.2. Algorytmy grupowania rozmytego 143
6.1.3. Algorytmy grupowania posybilistycznego 146
6.2. Algorytmy gęstościowe 151
6.3. Algorytmy grafowe 156
6.4. Algorytmy wykorzystujące sieci neuronowe 161
6.5. Walidacja grupowania 163
Literatura 165
7. Hierarchiczne algorytmy grupowania 167
7.1. Wprowadzenie 167
7.2. Algomeracyjne algorytmy macierzowe 168
7.3. Grupowanie dużych zbiorów danych 177
Literatura 179
8. Ocena błędu i wybór klasyfikatora 180
8.1. Przedstawienie problemu 180
8.2. Metody wykorzystujące statystyczną teorię uczenia 181
8.3. Metody eksperymentalne 183
8.4. Uogólnianie, niedouczenie i przeuczenie klasyfikatora 185
Literatura 188
9. Ekstrakcja i selekcja cech 189
9.1. Przedstawienie problemu 189
9.2. Wstępne przetwarzanie danych 190
9.3. Ekstrakcja cech 192
9.4. Selekcja cech 195
Literatura 198
10. Komputerowy system wizyjny do rozpoznawania jaskry 199
10.1. Badanie dna oka 199
10.2. Podstawy przetwarzania i analizy obrazów cyfrowych 201
10.2.1. Obraz cyfrowy 201
10.2.2. Polepszanie jakości obrazu 203
10.2.3. Segmentacja obrazu 206
10.2.4. Reprezentacja i opis 207
10.3. Moduł przetwarzania wstępnego 208
10.4. Moduł selekcji cech 211
10.5. Moduł uczenia i testowania klasyfikatora 214
Literatura 214
Skorowidz 216