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:

• Zosta 149,00 zÅ‚, (44,70 zÅ‚ -70%)
• Metoda dziel i zwyci 89,00 zÅ‚, (26,70 zÅ‚ -70%)
• Matematyka. Kurs video. Teoria dla programisty i data science 399,00 zÅ‚, (119,70 zÅ‚ -70%)
• Design Thinking. Kurs video. My 129,00 zÅ‚, (38,70 zÅ‚ -70%)
• Konwolucyjne sieci neuronowe. Kurs video. Tensorflow i Keras w rozpoznawaniu obraz 149,00 zÅ‚, (44,70 zÅ‚ -70%)

Spis treści

Metody klasyfikacji obiektów w wizji komputerowej eBook -- spis treści

• OkÅ‚adka
• Strona tytuÅ‚owa
• Strona redakcyjna
• Spis treÅ›ci
• Przedmowa
  • Literatura
• 1. Elementy skÅ‚adowe zadania rozpoznawania
  • 1.1. Metody reprezentacji obiektów
  • 1.2. Zadanie klasyfikacji nadzorowanej
    • 1.2.1. SformuÅ‚owanie problemu
    • 1.2.2. PrzykÅ‚ad: klasyfikator minimalno-odlegÅ‚oÅ›ciowy
  • 1.3. Zadanie klasyfikacji nienadzorowanej
    • 1.3.1. SformuÅ‚owanie problemu
    • 1.3.2. Miary podobieÅ„stwa
    • 1.3.3. PrzykÅ‚ad: grupowanie sekwencyjne
  • Literatura
• 2. Empiryczne klasyfikatory Bayesa
  • 2.1. Optymalny klasyfikator Bayesa
  • 2.2. Klasyfikatory empiryczne
  • 2.3. Klasyfikatory parametryczne oparte na rozkÅ‚adzie normalnym
  • 2.4. Klasyfikatory nieparametryczne
    • 2.4.1. Estymacja funkcji gÄ™stoÅ›ci
    • 2.4.2. Estymacja jÄ…drowa
    • 2.4.3. Estymacja metodÄ… najbliższego sÄ…siada
    • 2.4.4. Klasyfikator z estymatorem jÄ…drowym
    • 2.4.5. Klasyfikator z estymatorem najbliższego sÄ…siada
  • Literatura
• 3. Klasyfikatory definiowane w sposób bezpoÅ›redni
  • 3.1. Klasyfikatory liniowe
    • 3.1.1. Perceptronowa reguÅ‚a uczenia
    • 3.1.2. Liniowa dyskryminacja Fishera
    • 3.1.3. ReguÅ‚a 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 sÅ‚abych
  • Literatura
• 4. Klasyfikatory definiowane przez struktury symboliczne
  • 4.1. Wprowadzenie
  • 4.2. Podstawowe struktury symboliczne
    • 4.2.1. CiÄ…g
    • 4.2.2. Graf
    • 4.2.3. Opis relacyjny
  • 4.3. Strukturalne dopasowanie ciÄ…gów
    • 4.3.1. OdlegÅ‚ość strukturalna
    • 4.3.2. Algorytm dopasowania
    • 4.3.3. Konstrukcja modelu klasy
  • 4.4. Strukturalne dopasowanie grafów oparte na izomorfizmie
    • 4.4.1. OdlegÅ‚ość strukturalna
    • 4.4.2. Algorytm dopasowania
  • 4.5. Strukturalne dopasowanie grafów oparte na homeomorfizmie
    • 4.5.1. OdlegÅ‚ość 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 gramatykÄ™
  • 5.1. Wprowadzenie
  • 5.2. Gramatyki ciÄ…gowe
  • 5.3. Rozszerzenia gramatyki ciÄ…gowej
  • 5.4. Algorytm analizy syntaktycznej Earleya
  • 5.5. Analiza syntaktyczna z korekcjÄ… bÅ‚Ä™dów
  • 5.6. Syntaktyczny klasyfikator rysunków liniowych
    • 5.6.1. Symbole terminalne
    • 5.6.2. Korekcja bÅ‚Ä™dów
    • 5.6.3. Produkcje
    • 5.6.4. Analiza syntaktyczna
  • Literatura
• 6. PodziaÅ‚owe 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 gÄ™stoÅ›ciowe
  • 6.3. Algorytmy grafowe
  • 6.4. Algorytmy wykorzystujÄ…ce 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 bÅ‚Ä™du i wybór klasyfikatora
  • 8.1. Przedstawienie problemu
  • 8.2. Metody wykorzystujÄ…ce statystycznÄ… teoriÄ™ uczenia
  • 8.3. Metody eksperymentalne
  • 8.4. Uogólnianie, niedouczenie i przeuczenie klasyfikatora
  • Literatura
• 9. Ekstrakcja i selekcja cech
  • 9.1. Przedstawienie problemu
  • 9.2. WstÄ™pne 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 jakoÅ›ci obrazu
    • 10.2.3. Segmentacja obrazu
    • 10.2.4. Reprezentacja i opis
  • 10.3. ModuÅ‚ przetwarzania wstÄ™pnego
  • 10.4. ModuÅ‚ selekcji cech
  • 10.5. ModuÅ‚ uczenia i testowania klasyfikatora
  • Literatura
• Przypisy