Rozpoznawanie obrazów

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. WstępWykaz ważniejszych oznaczeń1. Wprowadzenie do teorii systemów rozpoznających1.1. Klasyfikacja systemów rozpoznających1.2. Model matematyczny klasyfikatora obrazów1.3. Struktury klasyfikatorów1.4. Kryteria jakości klasyfikacji2. Klasyfikatory statystyczne2.1. Wpływ informacji wstępnej na wybór metody uczenia2.2. Klasyfikatory binarne2.3. Klasyfikatory obrazów o rozkładach normalnych2.4. Klasyfikatory k-najbliższych sąsiadów (kNN)3. Metody analizy dyskryminacyjnej3.1. Wstęp3.2. Dwuklasowe kryterium Fishera3.3. Wieloklasowe kryterium Fishera3.4. Sekwencyjny algorytm uczenia i klasyfikacji3.5. Uogólniony algorytm separacji klas3.6. Wyniki eksperymentów4. Problemy uczenia klasyfikatorów liniowych4.1. Zasady formułowania zadania4.2. Algorytm znajdowania miejsca minimum4.3. Miara jakości algorytmów4.4. Wybrane algorytmy uczenia4.5. Algorytmy uczenia i klasyfikacji, gdy liczba klas L>24.6. Zakończenie5. Klasyfikatory minimalnoodległościowe5.1. Wprowadzenie5.2. Przykłady klasyfikatorów5.3. Dyskusja własności metryk6. Macierzowe struktury danych w rozpoznawaniu obrazów6.1. Wprowadzenie6.2. Modyfikacje struktur danych6.3. Zastosowanie funkcji samopodobieństwa do uczenia klasyfikatora6.4. Kryterium Fishera dla danych macierzowych6.5. Metoda Watanabego6.6. ZakończenieLiteraturaZałącznik