W książce przedstawiono teoretyczne podstawy i praktyczne zastosowanie rozpoznawania obrazów. Opisano klasyfikatory statystyczne i metody ich uczenia. Dużo miejsca poświęcono zastosowaniu analizy dyskryminacyjnej w rozpoznawaniu obrazów, gdzie opisano nowe sformułowania kryterium Fishera dwuklasowego i wieloklasowego. Przeprowadzono szeroką dyskusję różnych przypadków szczególnych, które wynikają z wymienionych kryteriów. Następnie opisano iteracyjną metodę uczenia klasyfikatora ze szczególnym zwróceniem uwagi na praktyczne znaczenie algorytmu uczenia optymalnego dla klasyfikatorów liniowych i nieliniowych. Alternatywnym podejściem do uczenia iteracyjnego jest zastosowanie klasyfikatorów minimalnoodległościowych. Na przykładach zilustrowano graficznie tworzone obszary decyzyjne i przeprowadzono dyskusję własności różnych metryk. Ostatni rozdział poświęcony jest metodom uczenia i klasyfikacji obrazów o strukturze macierzowej (np. w postaci bitmap). Opisano adaptację trzech grup metod (SDF, Fishera, Watanabego) do uczenia i klasyfikacji takich obrazów. Przeprowadzone eksperymenty wypadły pomyślnie i zachęcają do dalszych badań.
Książka jest przeznaczona dla studentów informatyki i automatyki oraz szerokiego grona pracowników naukowych i doktorantów zainteresowanych rozpoznawaniem obrazów.
Wstęp
Wykaz ważniejszych oznaczeń
1. Wprowadzenie do teorii systemów rozpoznających
1.1. Klasyfikacja systemów rozpoznających
1.2. Model matematyczny klasyfikatora obrazów
1.3. Struktury klasyfikatorów
1.4. Kryteria jakości klasyfikacji
2. Klasyfikatory statystyczne
2.1. Wpływ informacji wstępnej na wybór metody uczenia
2.2. Klasyfikatory binarne
2.3. Klasyfikatory obrazów o rozkładach normalnych
2.4. Klasyfikatory k-najbliższych sąsiadów (kNN)
3. Metody analizy dyskryminacyjnej
3.1. Wstęp
3.2. Dwuklasowe kryterium Fishera
3.3. Wieloklasowe kryterium Fishera
3.4. Sekwencyjny algorytm uczenia i klasyfikacji
3.5. Uogólniony algorytm separacji klas
3.6. Wyniki eksperymentów
4. Problemy uczenia klasyfikatorów liniowych
4.1. Zasady formułowania zadania
4.2. Algorytm znajdowania miejsca minimum
4.3. Miara jakości algorytmów
4.4. Wybrane algorytmy uczenia
4.5. Algorytmy uczenia i klasyfikacji, gdy liczba klas L>2
4.6. Zakończenie
5. Klasyfikatory minimalnoodległościowe
5.1. Wprowadzenie
5.2. Przykłady klasyfikatorów
5.3. Dyskusja własności metryk
6. Macierzowe struktury danych w rozpoznawaniu obrazów
6.1. Wprowadzenie
6.2. Modyfikacje struktur danych
6.3. Zastosowanie funkcji samopodobieństwa do uczenia klasyfikatora
6.4. Kryterium Fishera dla danych macierzowych
6.5. Metoda Watanabego
6.6. Zakończenie
Literatura
Załącznik
Informacja dotycząca wprowadzenia produktu do obrotu:
Ten produkt został wprowadzony na rynek przed 13 grudnia 2024 r. zgodnie z obowiązującymi wówczas przepisami (Dyrektywą o ogólnym bezpieczeństwie produktów). W związku z tym może on być nadal sprzedawany bez konieczności dostosowania do nowych wymogów wynikających z Rozporządzenia o Ogólnym Bezpieczeństwie Produktów (GPSR). Produkt zachowuje pełną legalność w obrocie, a jego jakość i bezpieczeństwo pozostają zgodne z obowiązującymi wcześniej standardami.
Information regarding product placement on the market:
This product was placed on the market before December 13, 2024, in accordance with the applicable regulations at the time (the General Product Safety Directive). As a result, it can continue to be sold without needing to meet the new requirements introduced by the General Product Safety Regulation (GPSR). The product remains fully compliant with all previously valid legal standards, ensuring its continued quality and safety.
Szybka wysyłka
