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.

Osoby które kupowały "Metody klasyfikacji obiektów w wizji komputerowej", wybierały także:

• Superinteligencja. Scenariusze, strategie, zagro 66,19 zł, (13,90 zł -79%)
• Poradnik design thinking - czyli jak wykorzysta 49,64 zł, (13,90 zł -72%)
• F# 4.0 dla zaawansowanych. Wydanie IV 96,45 zł, (29,90 zł -69%)
• Systemy reaktywne. Wzorce projektowe i ich stosowanie 65,31 zł, (20,90 zł -68%)
• GameMaker. Kurs video. Kompleksowy przewodnik tworzenia gier platformowych 154,58 zł, (55,65 zł -64%)

Spis treści

Metody klasyfikacji obiektów w wizji komputerowej eBook -- 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