Metody klasyfikacji obiektów w wizji komputerowej

Katarzyna Stąpor

Uzyskaj dostęp

Zakup książkę

ISBN/ISSN:

978-83-01-20399-3

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2011

Liczba stron:

234

XML:ISBN/ISSN:

ONIX MARC21

Bibliografia:

Stąpor, Katarzyna. Metody klasyfikacji obiektów w wizji komputerowej. Red. . Warszawa: Wydawnictwo Naukowe PWN, 2011, 234 s. ISBN 978-83-01-20399-3

Bibliografia refWorks:

RT Book, Whole

SR Electronic(1)

A1 Stąpor, K.

T1 Metody klasyfikacji obiektów w wizji komputerowej

PB Wydawnictwo Naukowe PWN

PP Warszawa

YR 2011

SN 978-83-01-20399-3

Bibliografia BibTex:

@Book{ 5549, author = "Stąpor, Katarzyna", editor = "", title = "Metody klasyfikacji obiektów w wizji komputerowej", publisher = "Wydawnictwo Naukowe PWN", year = "2011", address = "Warszawa", isbn = "978-83-01-20399-3" }

Bibliografia endNote:

TY - BOOK

AU - Stąpor, Katarzyna

ED -

TI - Metody klasyfikacji obiektów w wizji komputerowej

PB - Wydawnictwo Naukowe PWN

CY - Warszawa

PY - 2011

SN - 978-83-01-20399-3

ER -

Netografia (standard APA):

Stąpor, Katarzyna. Metody klasyfikacji obiektów w wizji komputerowej [baza danych online] Warszawa: Wydawnictwo Naukowe PWN, 2011 [dostęp: 01 05 2024]. Dostęp w Ibuk Libra: https://libra.ibuk.pl/reader/metody-klasyfikacji-obiektow-w-wizji-komputerowej-katarzyna-stapor-5549.

informatyka, komputer, obraz, systemy wizyjne

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 rentgeno...

Więcej

ISBN/ISSN:

978-83-01-20399-3

DOI:

Wydawnictwo:

Wydawnictwo Naukowe PWN

Rok wydania:

2011

Liczba stron:

234

XML:ISBN/ISSN:

ONIX MARC21

Przedmowa11
1. Elementy składowe zadania rozpoznawania16
1.1. Metody reprezentacji obiektów16
Literatura17
1.2. Zadania klasyfikacji nadzorowanej19
1.2.1. Sformułowanie problemu19
1.2.2. Przykład: klasyfikator minimalno-odległooeciowy24
1.3. Zadanie klasyfikacji nienadzorowanej29
1.3.1. Sformułowanie problemu29
1.3.2. Miary podobieństwa33
1.3.3. Przykład: grupowanie sekwencyjne36
Literatura39
2. Empiryczne klasyfikatory Bayesa40
2.1. Optymalny klasyfikator Bayesa40
2.2. Klasyfikatory empiryczne44
2.3. Klasyfikatory parametryczne oparte na rozkładzie normalnym46
2.4. Klasyfikatory nieparametryczne53
2.4.1. Estymacja funkcji gęstości53
2.4.2. Estymacja jądrowa54
2.4.3. Estymacja metodą najbliższego sąsiada56
2.4.4. Klasyfikator z estymatorem jądrowym56
2.4.5. Klasyfikator z estymatorem najbliższego sąsiada60
Literatura63
3. Klasyfikatory definiowane w sposób bezpośredni64
3.1. Klasyfikatory liniowe64
3.1.1. Perceptronowa reguła uczenia66
3.1.2. Liniowa dyskryminacja Fishera68
3.1.3. Reguła maksymalizacji marginesu70
3.2. Klasyfikatory nieliniowe76
3.2.1. Klasyfikator wielomianowy78
3.2.2. Nieliniowy klasyfikator SVM80
3.2.3. Perceptron wielowarstwowy85
3.3. Klasyfikator drzewiasty93
3.4. Stabilizowanie klasyfikatorów słabych96
Literatura98
4. Klasyfikatory definiowane przez struktury symboliczne100
4.1. Wprowadzenie100
4.2. Podstawowe struktury symboliczne101
4.2.1. Ciąg101
4.2.2. Graf102
4.2.3. Opis relacyjny105
4.3. Strukturalne dopasowanie ciągów106
4.3.1. Odległość strukturalna106
4.3.2. Algorytm dopasowania107
4.3.3. Konstrukcja modelu klasy108
4.4. Strukturalne dopasowanie grafów oparte na izomorfizmie110
4.4.1. Odległość strukturalna110
4.4.2. Algorytm dopasowania112
4.5. Strukturalne dopasowanie grafów oparte na homeomorfizmie114
4.5.1. Odległość strukturalna115
4.5.2. Algorytm dopasowania117
4.6. Strukturalne dopasowanie oparte na metodach reprezentacji wiedzy121
4.6.1. Hybrydowa sieć semantyczna123
4.6.2. Algorytm strukturalnego dopasowania127
Literatura131
5. Klasyfikatory definiowane przez gramatykę132
5.1. Wprowadzenie132
5.2. Gramatyki ciągowe133
5.3. Rozszerzenia gramatyki ciągowej136
5.4. Algorytm analizy syntaktycznej Earleya139
5.5. Analiza syntaktyczna z korekcją błędów143
5.6. Syntaktyczny klasyfikator rysunków liniowych144
5.6.1. Symbole terminalne145
5.6.2. Korekcja błędów147
5.6.3. Produkcje148
5.6.4. Analiza syntaktyczna149
Literatura152
6. Podziałowe algorytmy grupowania154
6.1. Algorytmy iteracyjnej optymalizacji154
6.1.1. Algorytmy grupowania twardego155
6.1.2. Algorytmy grupowania rozmytego158
6.1.3. Algorytmy grupowania posybilistycznego161
6.2. Algorytmy gęstościowe166
6.3. Algorytmy grafowe171
6.4. Algorytmy wykorzystujące sieci neuronowe176
6.5. Walidacja grupowania178
Literatura180
7. Hierarchiczne algorytmy grupowania182
7.1. Wprowadzenie182
7.2. Algomeracyjne algorytmy macierzowe183
7.3. Grupowanie dużych zbiorów danych192
Literatura194
8. Ocena błędu i wybór klasyfikatora195
8.1. Przedstawienie problemu195
8.2. Metody wykorzystujące statystyczną teorię uczenia196
8.3. Metody eksperymentalne198
8.4. Uogólnianie, niedouczenie i przeuczenie klasyfikatora200
Literatura203
9. Ekstrakcja i selekcja cech204
9.1. Przedstawienie problemu204
9.2. Wstępne przetwarzanie danych205
9.3. Ekstrakcja cech207
9.4. Selekcja cech210
Literatura213
10. Komputerowy system wizyjny do rozpoznawania jaskry214
10.1. Badanie dna oka214
10.2. Podstawy przetwarzania i analizy obrazów cyfrowych216
10.2.1. Obraz cyfrowy216
10.2.2. Polepszanie jakości obrazu218
10.2.3. Segmentacja obrazu221
10.2.4. Reprezentacja i opis222
10.3. Moduł przetwarzania wstępnego223
10.4. Moduł selekcji cech226
10.5. Moduł uczenia i testowania klasyfikatora229
Literatura229
Skorowidz231