Metody klasyfikacji obiektów w wizji komputerowej Trzcińsko-Zdrój

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: Okładka Strona tytułowa Strona redakcyjna Spis treści Przedmowa Literatura 1. Elementy składowe zadania rozpoznawania 1.1. Metody reprezentacji obiektów 1.2. Zadanie klasyfikacji nadzorowanej 1.2.1. Sformułowanie problemu 1.2.2. Przykład: klasyfikator minimalno-odległościowy 1.3. Zadanie klasyfikacji nienadzorowanej 1.3.1. Sformułowanie problemu 1.3.2. Miary podobieństwa 1.3.3. Przykład: grupowanie sekwencyjne Literatura 2. Empiryczne klasyfikatory Bayesa 2.1. Optymalny klasyfikator Bayesa 2.2. Klasyfikatory empiryczne 2.3. Klasyfikatory parametryczne oparte na rozkładzie normalnym 2.4. Klasyfikatory nieparametryczne 2.4.1. Estymacja funkcji gęstości 2.4.2. Estymacja jądrowa 2.4.3. Estymacja metodą najbliższego sąsiada 2.4.4. Klasyfikator z estymatorem jądrowym 2.4.5. Klasyfikator z estymatorem najbliższego sąsiada Literatura 3. Klasyfikatory definiowane w sposób bezpośredni 3.1. Klasyfikatory liniowe 3.1.1. Perceptronowa reguła uczenia 3.1.2. Liniowa dyskryminacja Fishera 3.1.3. Reguła maksymalizacji marginesu 3.2. Klasyfikatory nieliniowe 3.2.1. Klasyfikator wielomianowy 3.2.2. Nieliniowy klasyfikator SVM 3.2.3. Perceptron wielowarstwowy 3.3. Klasyfikator drzewiasty 3.4. Stabilizowanie klasyfikatorów słabych Literatura 4. Klasyfikatory definiowane przez struktury symboliczne 4.1. Wprowadzenie 4.2. Podstawowe struktury symboliczne 4.2.1. Ciąg 4.2.2. Graf 4.2.3. Opis relacyjny 4.3. Strukturalne dopasowanie ciągów 4.3.1. Odległość strukturalna 4.3.2. Algorytm dopasowania 4.3.3. Konstrukcja modelu klasy 4.4. Strukturalne dopasowanie grafów oparte na izomorfizmie 4.4.1. Odległość strukturalna 4.4.2. Algorytm dopasowania 4.5. Strukturalne dopasowanie grafów oparte na homeomorfizmie 4.5.1. Odległość strukturalna 4.5.2. Algorytm dopasowania 4.6. Strukturalne dopasowanie oparte na metodach reprezentacji wiedzy 4.6.1. Hybrydowa sieć semantyczna 4.6.2. Algorytm strukturalnego dopasowania Literatura 5. Klasyfikatory definiowane przez gramatykę 5.1. Wprowadzenie 5.2. Gramatyki ciągowe 5.3. Rozszerzenia gramatyki ciągowej 5.4. Algorytm analizy syntaktycznej Earleya 5.5. Analiza syntaktyczna z korekcją błędów 5.6. Syntaktyczny klasyfikator rysunków liniowych 5.6.1. Symbole terminalne 5.6.2. Korekcja błędów 5.6.3. Produkcje 5.6.4. Analiza syntaktyczna Literatura 6. Podziałowe algorytmy grupowania 6.1. Algorytmy iteracyjnej optymalizacji 6.1.1. Algorytmy grupowania twardego 6.1.1. Algorytmy grupowania rozmytego 6.1.3. Algorytmy grupowania posybilistycznego 6.2. Algorytmy gęstościowe 6.3. Algorytmy grafowe 6.4. Algorytmy wykorzystujące sieci neuronowe 6.5. Walidacja grupowania Literatura 7. Hierarchiczne algorytmy grupowania 7.1. Wprowadzenie 7.2. Aglomeracyjne algorytmy macierzowe 7.3. Grupowanie dużych zbiorów danych Literatura 8. Ocena błędu i wybór klasyfikatora 8.1. Przedstawienie problemu 8.2. Metody wykorzystujące statystyczną teorię uczenia 8.3. Metody eksperymentalne 8.4. Uogólnianie, niedouczenie i przeuczenie klasyfikatora Literatura 9. Ekstrakcja i selekcja cech 9.1. Przedstawienie problemu 9.2. Wstępne przetwarzanie danych 9.3. Ekstrakcja cech 9.4. Selekcja cech Literatura 10. Komputerowy system wizyjny do rozpoznawania jaskry 10.1. Badania dna oka 10.2. Podstawy przetwarzania i analizy obrazów cyfrowych 10.2.1. Obraz cyfrowy 10.2.2. Polepszanie jakości obrazu 10.2.3. Segmentacja obrazu 10.2.4. Reprezentacja i opis 10.3. Moduł przetwarzania wstępnego 10.4. Moduł selekcji cech 10.5. Moduł uczenia i testowania klasyfikatora Literatura Przypisy