Rozpoznawanie numerów tablic rejestracyjnych pojazdów z wykorzystaniem deskryptora HOG dla obrazów zaszumionych poddanych binaryzacji
|
|
- Sylwester Kowalewski
- 4 lat temu
- Przeglądów:
Transkrypt
1 OKARMA Krzysztof 1 Rozpoznawanie numerów tablic rejestracyjnych pojazdów z wykorzystaniem deskryptora HOG dla obrazów zaszumionych poddanych binaryzacji WSTĘP Rozpoznawanie numerów tablic rejestracyjnych pojazdów stanowi jeden z podstawowych elementów współczesnych rozwiązań teleinformatycznych umożliwiających rozwój Inteligentnych Systemów Transportowych (ang. Intelligent Transportation Systems ITS) [9]. Wiele rozwiązań stosowanych w praktyce, dotyczących m.in. automatycznego naliczania opłat za przejazd płatnymi odcinkami dróg, czy też opłat za czas postoju pojazdu, wspomagane jest systemami wizyjnymi umożliwiającymi rozpoznanie numeru rejestracyjnego pojazdu. Jako źródło danych służyć może nie tylko tablica rejestracyjna, ale również, przy założeniu odpowiednich parametrów kamer, naklejka na przedniej szybie zawierająca numer rejestracyjny pojazdu. Jednym z mniej lubianych przez kierowców, aczkolwiek bardzo reprezentatywnym przykładem, są fotoradary połączone za pomocą systemu teleinformatycznego z centralną bazą danych zawierającą informacje o pojazdach, co umożliwia dodatkowo weryfikację np. zgodności numeru rejestracyjnego z marką pojazdu, czy też sprawdzenie, czy pojazd nie jest oznaczony jako skradziony. Rozwiązania wizyjne, m.in. umożliwiające rozpoznawanie numerów tablic rejestracyjnych pojazdów, mają jednakże pewne istotne ograniczenia, z których jednymi z najpoważniejszych są uwarunkowania związane z odpornością na zmienne warunki oświetleniowe oraz zakłócenia wpływające na czytelność obrazu. Biorąc pod uwagę fakt, iż kamery często są zamontowane na otwartej przestrzeni, istotny czynnik zakłócający stanowią warunki atmosferyczne. W sytuacji ciągłego doskonalenia sprzętu, poprawy jego parametrów przy jednoczesnym spadku cen i wzroście dostępności, należy spodziewać się dalszego dynamicznego rozwoju Inteligentnych Systemów Transportowych, w szczególności ich składników bazujących na analizie informacji obrazowej. Należy jednak zwrócić uwagę, iż w wielu sytuacjach informacje pozyskane z kamer nie są aż tak doskonałej jakości, aby móc bezproblemowo dokonać rozpoznania numeru rejestracyjnego pojazdu, co może być uwarunkowane nie tylko zakłóceniami obrazu, ale również możliwościami technicznymi związanymi z montażem kamer (a także ich ograniczonej liczby np. pojedyncza kamera monitorująca ruch na całym skrzyżowaniu). W tego typu sytuacjach należy pamiętać, iż jedynie niewielki fragment obrazu stanowić będą informacje użyteczne w procesie rozpoznawania numeru rejestracyjnego, gdyż tablica rejestracyjna reprezentowana może być przez zaledwie kilkadziesiąt do kilkuset pikseli. Rozwiązanie analizowane w niniejszym artykule dotyczy przede wszystkim sytuacji, w których dane obrazowe reprezentujące tablice rejestracyjne mają relatywnie niską rozdzielczość oraz dodatkowo są zniekształcone poprzez szum. Prawidłowe rozpoznanie poszczególnych znaków (w artykule skupiono się przede wszystkim na cyfrach, co nie wpływa jednak na ogólność rozważań) nie jest w takim przypadku zadaniem łatwym, dlatego też nie należy spodziewać się skuteczności rozpoznawania znaków na poziomie rzędu 90% i więcej. Przedstawione rozwiązania mają na celu raczej podniesienie i tak stosunkowo niskiej efektywności rozpoznawania znaków, aniżeli osiągnięcie skuteczności jak najbardziej zbliżonej do 100-procentowej. 1 Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Elektryczny, Katedra Przetwarzania Sygnałów i Inżynierii Multimedialnej; Szczecin, ul. Gen. Władysława Sikorskiego 37; Tel: , Fax: ; okarma@zut.edu.pl 4787
2 1. CHARAKTERYSTYKA METODY ROZPOZNAWANIA ZNAKÓW Klasyczne podejście do problemu rozpoznawania kształtów, w tym oczywiście liter i cyfr, zakłada wykonywanie dwóch zasadniczych etapów przetwarzania danych. Pierwszy z nich stanowi zazwyczaj zmiana reprezentacji danych, podobnie jak ma to miejsce w wielu algorytmach kompresji danych. Istnieje tutaj pewne podobieństwo, gdyż w obu przypadkach celem tej operacji jest taki dobór sposobu reprezentacji danych, aby umożliwić efektywniejsze działanie drugiego etapu, charakterystycznego dla konkretnego zastosowania. O ile przy kompresji danych, drugi etap stanowi faza kodowania binarnego (zwykle bezstratnego) mająca na celu redukcję wielkości pliku czy też strumienia danych, o tyle dla algorytmów rozpoznawania znaków drugi etap stanowić będzie klasyfikacja danych. Elementem wspólnym jest etap pierwszy prowadzący do pośredniej reprezentacji danych, która charakteryzuje się bądź większą podatnością na kompresję, bądź lepszą separacją pomiędzy klasami reprezentującymi poszczególne symbole (cyfry). Biorąc pod uwagę wydajność obliczeniową algorytmów klasyfikacji, szczególnie pożądanym sposobem pośredniej reprezentacji danych jest opis obrazu za pomocą silnie ograniczonego zbioru cech lub deskryptorów, dobranych w taki sposób, aby umożliwić poprawną klasyfikację. Przykładem takiego sposobu ograniczenia wymiarowości wektora cech może być metoda analizy komponentów głównych (ang. Principal Component Analysis PCA) [5], znana również w zależności od zastosowania pod kilkoma innymi nazwami, choć nie jest to oczywiście jedyne możliwe podejście Deskryptor HOG Jednym z możliwych podejść do problemu reprezentacji pośredniej obrazu jest wykorzystanie deskryptora HOG (ang. Histogram of Oriented Gradients), które jest analizowane w niniejszej pracy. Deskryptor ten został zaproponowany przez N. Dalala oraz B. Triggsa w 2005 roku [4] jako narzędzie służące do detekcji sylwetek pieszych w statycznych obrazach. Pierwotne zastosowanie bardzo szybko zostało przystosowane do detekcji sylwetek ludzkich w sekwencjach wideo. Metoda znalazła również dość oczywiste zastosowanie w ITS w celu śledzenia ruchu pojazdów [6,7]. Wcześniejsze podejścia do analizy informacji statystycznej związanej z rozkładem jasności na obrazie dla różnych kierunków związane były głównie z detekcją sylwetek ludzkich, czego przykładem może być kombinacja histogramów klasycznych oraz kierunkowych określana jako orientation-position histogram [8]. Dodatkowo zastosowano w niej progowanie binarne amplitudy gradientu w celu efektywnej detekcji poszczególnych części ciała (np. głowa, twarz). Idea deskryptora HOG bazuje na lokalnym zliczaniu wystąpień określonych orientacji gradientu, co oznacza konieczność podziału obrazu na komórki (ang. cells) o ustalonym rozmiarze, dla których wyznaczane są wartości gradientu dla wszystkich możliwych kierunków. W efekcie uzyskiwana jest mapa obrazu zawierające informacje dotyczące kierunku lokalnych zmian jasności obrazu uwarunkowanych kształtem obiektów na nim uwidocznionych. Opis taki jest w pewnym sensie odpowiednikiem informacji o kierunku krawędzi możliwych do detekcji za pomocą popularnych filtrów Sobela, Prewitta, Robertsa czy Canny ego. Proces wyznaczania wartości deskryptora HOG jest kilkuetapowy. Pierwszy z etapów składa się z operacji normalizacji koloru oraz współczynników gamma i może być wykonywany dla przestrzeni RGB lub CIELAB (jest to operacja opcjonalna nie mająca znaczącego wpływu na wyniki późniejszej klasyfikacji), po której następuje wyznaczenie gradientu obrazu z użyciem jednej z popularnych metod. Możliwe jest wykorzystanie w tym celu filtrów splotowych Sobela lub Prewitta, jednak ze względu na wydajność często stosowane jest najprostsze podejście wykorzystujące trójelementową maskę przesuwną o współczynnikach [-1 ; 0 ; 1], prowadzącą do zadowalających rezultatów dla detekcji sylwetki człowieka [4]. W przypadku obrazów kolorowych wyznaczane są trzy wartości gradientu, niezależnie dla każdej składowej koloru, a następnie wybierana jest wartość maksymalna. Informacje związane z gradientem są wykorzystywane w celu wyznaczenia współczynników dla poszczególnych pikseli, które stanowią podstawę dla kolejnych kroków analizy. Współczynniki te są zależne od długości oraz orientacji wektora gradientu i są akumulowane dla poszczególnych komórek obrazu niezależnie dla każdego kierunku (ang. orientation bins), a następnie interpolowane. Komórki te są łączone w bloki, które mogą mieć kształt prostokątny (Rectangular HOG) lub okrągły (Circular 4788
3 HOG), przy czym istotną właściwością jest wzajemne nakładanie się bloków na siebie (w odróżnieniu od podziału na sąsiadujące ze sobą rozłączne bloki jak ma to miejsce np. w standardzie kompresji JPEG). Oba rodzaje bloków wykazują pewne cechy podobieństwa do innych deskryptorów, nie analizowanych w niniejszej publikacji. Bloki R-HOG stanowią odpowiednik deskryptora SIFT (ang. Scale Invariant Feature Transform), jednakże w przeciwieństwie do SIFT są one wyznaczane dla gęstej siatki w pojedynczej skali. Z kolei bloki C-HOG mają pewne elementy wspólne z deskryptorem znanym pod nazwą Shape Context [1] Klasyfikacja Drugim etapem procesu rozpoznawania cyfr jest klasyfikacja wykorzystująca dane w postaci lokalnych deskryptorów HOG pozyskane jako wynik działania pierwszego etapu. Klasyfikacja taka może być przeprowadzona w bardzo prosty sposób określając jako podobne (czy też jednakowe) obrazy różniące się deskryptorami poniżej określonego poziomu. Podejście takie nie prowadzi jednakże do zadowalających rezultatów, szczególnie w obecności zakłóceń. Znacznie lepsze rezultaty można uzyskać stosując jedną z metod wymagających wcześniejszego trenowania (uczenia) algorytmu z wykorzystaniem bazy obrazów treningowych. Możliwe do zastosowania jest kilka podejść np. bazujących na sztucznych sieciach neuronowych, czy też, użyte w przeprowadzonych badaniach rozwiązanie wykorzystujące tzw. maszyny wektorów nośnych (ang. Support Vector Machines SVMs) [3]. Zbudowany na podstawie danych treningowych model pozwala na dokonanie binarnej klasyfikacji wzorców (obrazów) jako reprezentujących określoną cyfrę lub nie. Model SVM stanowi reprezentację wzorców treningowych w postaci zbioru punktów w przestrzeni rzutowanych w taki sposób, aby zapewnić możliwie najlepszą separację pomiędzy zbiorami punktów reprezentującymi poszczególne klasy (w tym przypadku cyfry). Obrazy testowe podlegające klasyfikacji są mapowane do tej samej przestrzeni, a następnie testowana jest dla nich przynależność do każdej z klas. W przypadku obrazów zakłóconych lub znacząco różniących się od wzorców możliwe jest nieprzypisanie do żadnej z klas, natomiast dla obrazów zawierających cyfry zniekształcone możliwe jest przypisanie ich do więcej niż jednej klas reprezentujących cyfry podobne do siebie pod względem kształtu. 2. BADANIA EKSPERYMENTALNE I ICH WYNIKI W celu eliminacji wpływu zmian rozdzielczości obrazu na uzyskiwane wyniki przyjęto, iż zarówno obrazy za zbioru uczącego, jak również testowego (pozyskanego na podstawie rzeczywistych zdjęć pojazdów) powinny mieć jednakową rozdzielczość, co uzyskano poprzez odpowiednie przeskalowanie obrazów testowych. Eksperymenty przeprowadzono dla zbioru testowego 40 obrazów (po 4 obrazu dla każdej cyfry) poddanych dodatkowo zaszumieniu szumem Gaussa o wartości średniej 0 i wariancji 0,01 oraz (niezależnie) szumem impulsowym tzw. sól i pieprz (ang. salt and pepper noise) przy poziomie zaszumienia równym 5% liczby pikseli w obrazie. Na potrzeby badań eksperymentalnych przedstawionych w niniejszej publikacji przyjęto, iż głównym zadaniem systemu rozpoznawania znaków jest poprawna klasyfikacja pojedynczych cyfr. Ze względu na przyjęte normy standaryzujące wielkość i krój znaków stosowanych na tablicach rejestracyjnych założono, iż w celu budowy zbioru uczącego zastosować można obrazy syntetyczne cyfr poddane wybranym rodzajom zniekształceń (m.in. zaszumieniu, przesunięciom czy też nieznacznym obrotom). Jako zbiór uczący zastosowano zatem 120 dodatkowych obrazów (po 12 dla każdej z klas reprezentujących poszczególne cyfry) uzyskanych syntetycznie, a następnie poddanych zniekształceniom. Przyjęto, iż w obrazach wejściowych dokonana została uprzednio detekcja położenia tablicy rejestracyjnej, czyli wyznaczenie obszaru zainteresowania (ang. Region Of Interest ROI), natomiast segmentacja (separacja) poszczególnych znaków odbywa się na podstawie analizy histogramu pionowego obrazu [2,12]. Szczegółowe wyniki rozpoznawania poszczególnych cyfr uzyskane bezpośrednio dla obrazu kolorowego przedstawiono na rysunkach 1 3, na których uwidocznione są liczby znaków sklasyfikowanych jako przynależne do poszczególnych klas w odniesieniu do prawidłowych wartości. 4789
4 Na poszczególnych rysunkach przedstawione są wyniki uzyskane dla trzech przypadków tj. obrazu bez szumu, zakłóconego szumem Gaussa oraz szumem impulsowym przy zastosowaniu różnych rozmiarów komórek HOG (2 2, 4 4 oraz 8 8 pikseli). W każdym z przypadków przeprowadzone zostały eksperymenty dla trzech rozmiarów. W idealnym przypadku wykres powinien mieć kształt linii o wysokości 4 na przekątnej wykresu z wartościami zerowymi poza przekątną (macierz diagonalna). Każdy element znajdujący się poza przekątną reprezentuje niepoprawną klasyfikację cyfry, z kolei wysokość słupków na przekątnej odpowiada liczbie poprawnie rozpoznanych cyfr (maksymalnie 4). Na kolejnych rysunkach przedstawiono podobne zestawy wyników eksperymentów uzyskanych dla obrazów poddanych binaryzacji przy zastosowaniu klasycznych metod odpowiednio metody Otsu [10] (rysunki 4 6) oraz Sauvoli [11] (rysunki 7 9). Metoda Otsu, będąca jedną z najpopularniejszych metod binaryzacji obrazu, pozwala określić próg binaryzacji obrazu w sposób minimalizujący wariację wewnątrz każdej z obu klas (odpowiadającym wartościom 0 oraz 1), co jednocześnie prowadzi do maksymalizacji wariancji między klasami. Obraz bez szumu Szum Gaussa Szum impulsowy Rys. 1. Ilustracja wyników rozpoznawania cyfr dla obrazów kolorowych dla rozmiarów komórek HOG 2 2, 4 4 oraz 8 8 pikseli (od góry do dołu) 4790
5 Obraz bez szumu Szum Gaussa Szum impulsowy Rys. 2. Ilustracja wyników rozpoznawania cyfr dla obrazów po binaryzacji metodą Otsu dla rozmiarów komórek HOG 2 2, 4 4 oraz 8 8 pikseli (od góry do dołu) Z kolei metoda zaproponowana przez Sauvolę bazuje na lokalnej wariancji obrazu. Uzyskany za jej pomocą próg binaryzacji zależy od lokalnej wartości średniej oraz zakresu dynamicznego odchylenia standardowego. Dzięki temu możliwa jest łatwa adaptacyjna zmiany progu dla zmiennych lokalnych warunków oświetleniowych lub jasności tła. Może mieć to szczególne znaczenie dla obrazów zawierających rozbłyski świetlne spowodowane np. odbiciem światła z flesza aparatu. Zbiory oryginalnych obrazów testowych (w czterokrotnym powiększeniu) przedstawiono na rysunku 4. Z kolei rysunki 5 7 przedstawiają obrazy binarne uzyskanych metodą Otsu dla różnych rodzajów szumu oraz dla obrazów pozbawionych zakłóceń, które stanowiły dane wejściowe dla algorytmu wyznaczającego lokalne wartości deskryptora HOG, które zostały użyte w klasyfikatorze SVM. Z kolei w tabelach 1 3 zebrane zostały liczbowe wskaźniki charakteryzujące dokładność rozpoznawania poszczególnych znaków dla analizowanych w trakcie badań przypadków. 4791
6 Obraz bez szumu Szum Gaussa Szum impulsowy Rys. 3. Ilustracja wyników rozpoznawania cyfr dla obrazów po binaryzacji metodą Sauvoli dla rozmiarów komórek HOG 2 2, 4 4 oraz 8 8 pikseli (od góry do dołu) Rys. 4. Zbiór powiększonych obrazów testowych stanowiących fragmenty tablic rejestracyjnych pojazdów 4792
7 Rys. 5. Zbiór powiększonych obrazów binarnych uzyskanych metodą Otsu dla obrazów testowych bez szumu Rys. 6. Zbiór powiększonych obrazów binarnych uzyskanych metodą Otsu dla obrazów z szumem Gaussa Rys. 7. Zbiór powiększonych obrazów binarnych uzyskanych metodą Otsu dla obrazów z szumem impulsowym 4793
8 Tab. 1. Liczba poprawnych (oraz błędnych) klasyfikacji cyfr uzyskana przy różnych rozmiarach komórek HOG dla obrazów kolorowych i binarnych bez zakłóceń Rozmiar komórki obraz kolorowy Otsu Sauvola (2) 20 (7) 23 (5) (7) 30 (9) 30 (18) (31) 30 (31) 33 (53) Tab. 2. Liczba poprawnych (oraz błędnych) klasyfikacji cyfr uzyskana przy różnych rozmiarach komórek HOG dla obrazów kolorowych i binarnych w obecności szumu Gaussa Rozmiar komórki obraz kolorowy Otsu Sauvola (0) 28 (36) 23 (5) (9) 31 (10) 27 (15) (76) 29 (37) 30 (44) Tab. 3. Liczba poprawnych (oraz błędnych) klasyfikacji cyfr uzyskana przy różnych rozmiarach komórek HOG dla obrazów kolorowych i binarnych w obecności szumu impulsowego Rozmiar komórki obraz kolorowy Otsu Sauvola (0) 18 (5) 19 (7) (5) 28 (12) 20 (16) (32) 29 (41) 30 (40) WNIOSKI Jak łatwo zauważyć dla małych rozmiarów komórek HOG uzyskuje się znacznie mniejszą liczbę nieprawidłowych klasyfikacji, jednakże spada znacząco również liczba klasyfikacji poprawnych. Najlepsze wyniki uzyskiwane są dla rozmiaru komórki 4 4 piksele, przy czym dla obrazu kolorowego obecność szumu Gaussa lub impulsowego prowadzi do znaczącego pogorszenia skuteczności rozpoznawania. Dla obrazów poddanych binaryzacji, zwłaszcza metodą Otsu, sytuacja taka zachodzi w znacznie ograniczonym stopniu powodując nieznaczne pogorszenie skuteczności rozpoznawania cyfr dla rozmiaru komórki HOG 4 4 piksele, co zaznaczono pogrubieniem w tabelach 1 3. Wyniki przeprowadzonych badań potwierdzają potrzebę stosowania algorytmów binaryzacji dla obrazów zakłóconych, dzięki czemu redukowany jest wpływ zakłóceń na wyniki uzyskiwane zarówno na etapie wyznaczania wartości deskryptora HOG, jak również na końcowy wynik późniejszej klasyfikacji cyfr. Przedstawione wnioski mogą mieć szczególne znaczenie w systemach wizyjnych wykorzystywanych dla trudnych warunków oświetleniowych, w których szum obecny na obrazie wynikać może z uwarunkowań związanych z czułością kamery, utrudniających pozyskanie wysokiej jakości obrazów dla słabo oświetlonego terenu np. w warunkach nocnych. Streszczenie W artykule przedstawiono wyniki badań eksperymentalnych związanych z weryfikacją rezultatów rozpoznawania cyfr umieszczonych na tablicach rejestracyjnych pojazdów dla obrazów poddanych różnego rodzaju zaszumieniu. Rozważono obrazy zawierające szum Gaussa, jak też szum impulsowy, dla których uzyskane wyniki klasyfikacji zostały porównane z rezultatami osiągniętymi dla obrazów bez zakłóceń. Ze względu na wydajność obliczeniową założono konieczność binaryzacji obrazu, do czego wykorzystano dwie znane metody zaproponowane przez Otsu oraz Sauvolę. Obrazy kolorowe oraz poddane binaryzacji zostały podzielone na dwa zbiory tj. treningowy i testowy, dla których wyznaczono wartości deskryptora HOG, stanowiącego jedno z najnowszych narzędzi stosowanych w celu detekcji kształtów na obrazie. Cechy lokalne obrazu opisane za pomocą deskryptora HOG zostały następnie użyte w procesie klasyfikacji znaków bazującym na maszynach wektorów nośnych (SVM). Uzyskane wyniki potwierdzają silną zależność efektywności rozpoznawania znaków zarówno od rozmiaru komórki HOG, jak też przyjętego algorytmu binaryzacji bądź jej braku. Interesujący wniosek wynikający z przeprowadzonych badań jest związany z relatywnie małym wpływem szumu na wyniki klasyfikacji przy zastosowaniu binaryzacji metodą Otsu i rozmiaru komórki HOG wynoszącego 4 4 piksele. 4794
9 Recognition of vehicles register plate numbers using the HOG descriptor for noisy images subjected to binarization Abstract In this paper the results of experiments related to the verification of results of recognition of vehicles register plate digits are presented for images contaminated by different types of noise. During the experiments the images containing both Gaussian and impulse noise have been considered. The results obtained for them have been compared to those achieved for the images without noise. Due to the computational efficiency reasons the necessity of binarization has been assumed, which has been conducted using well-known methods proposed by Otsu and Sauvola. Both color and binary images have been divided into two groups being the training and test sets. For those images the values of the HOG descriptor, which is one of the most recent tools used for shape detection in images, have been calculated. Local features represented by the HOG descriptor have been then used in the classification process based on the Support Vector Machines (SVMs). Achieved results confirm the strong influence of both the HOG cell size as well as the chosen binarization algorithm (if applied) on the digits recognition accuracy. An interesting conclusion resulting from the conducted experiments is related to the relatively small impact of noise on the classification results using the HOG cell size equal to 4 4 pixels for the binary images obtained using Otsu s algorithm. BIBLIOGRAFIA 1. Belongie S., Malik J., Matching with Shape Contexts. Proceedings of the IEEE Workshop on Content based Access of Image and Video Libraries (CBAIVL), Caner H., Gecim H., Alkar A., Efficient Embedded Neural-Network-Based License Plate Recognition System. IEEE Transactions on Vehicular Technology, vol. 57 no. 5, September 2008, pp Cortes C., Vapnik V., Support-Vector Networks. Machine Learning, vol. 20 no. 3, September 1995, pp Dalal N., Triggs B., Histograms of Oriented Gradients for Human Detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), San Diego, California, USA, 2005, vol. 1, pp Jolliffe I. T., Principal Component Analysis. Springer Series in Statistics, Springer New York, Kong F., Ye Q., Zhang N., Lu K., Jiao J., On-Road Vehicle Detection Using Histograms of Multi- Scale Orientations. Proceedings of the IEEE Youth Conference on Information, Computing, and Telecommunications (YC-ICT), Mao L., Xie M., Huang Y., Zhang Y., Preceding Vehicle Detection Using Histograms of Oriented Gradients. Proceedings of the International Conference on Communications, Circuits and Systems (ICCCAS), July 2010, Chengdu, pp Mikolajczyk K., Schmid C., Zisserman A.: Human Detection Based on a Probabilistic Assembly of Robust Part Detectors. Proceedings of the 8th European Conference on Computer Vision (ECCV), Prague, Czech Republic, 2004, vol. I, pp Mikulski J., Using Telematics in Transport. Transport Systems Telematics (TST 2010), Communications in Computer and Information Science vol. 104, Springer Berlin Heidelberg 2010, pp Otsu N., A Threshold Selection Method from Gray-Level Histograms, IEEE Transactions on Systems, Man and Cybernetics, vol. 9 no. 1, January 1979, pp Sauvola J., Pietikäinen M., Adaptive Document Image Binarization. Pattern Recognition, vol. 33 no. 2, February 2000, pp Wen Y., Lu Y., Yan J., Zhou Z., von Deneen K., Shi P., An Algorithm for License Plate Recognition Applied to Intelligent Transportation System. IEEE Transactions on Intelligent Transportation Systems, vol. 12 no. 3, September 2011, pp
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Elementy nieprzystające Definicja odrzucania Klasyfikacja
Bardziej szczegółowoWpływ modelu barw oraz metody binaryzacji na skuteczność rozpoznawania numerów tablic rejestracyjnych
OKARMA Krzysztof 1 Wpływ modelu barw oraz metody binaryzacji na skuteczność rozpoznawania numerów tablic rejestracyjnych WSTĘP Algorytmy przetwarzania i analizy obrazów stają się coraz powszechniej używanym
Bardziej szczegółowoSystem rozpoznawania cyfr oparty na histogramie zorientowanych gradientów
ZACNIEWSKI Artur 1 System rozpoznawania cyfr oparty na histogramie zorientowanych gradientów WSTĘP Mimo wszechobecnych nowych technologii, odręczne pismo utrzymuje się jako środek komunikacji międzyludzkiej
Bardziej szczegółowoSamochodowy system detekcji i rozpoznawania znaków drogowych. Sensory w budowie maszyn i pojazdów Maciej Śmigielski
Samochodowy system detekcji i rozpoznawania znaków drogowych Sensory w budowie maszyn i pojazdów Maciej Śmigielski Rozpoznawanie obrazów Rozpoznawaniem obrazów możemy nazwać proces przetwarzania i analizowania
Bardziej szczegółowo10. Redukcja wymiaru - metoda PCA
Algorytmy rozpoznawania obrazów 10. Redukcja wymiaru - metoda PCA dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. PCA Analiza składowych głównych: w skrócie nazywana PCA (od ang. Principle Component
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 8 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoRozpoznawanie obiektów z użyciem znaczników
Rozpoznawanie obiektów z użyciem znaczników Sztuczne znaczniki w lokalizacji obiektów (robotów) Aktywne znaczniki LED do lokalizacji w przestrzeni 2D (do 32): Znaczniki z biblioteki AruCo (do 1024) Id
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 5 Segmentacja Opracowali: - dr inż. Krzysztof Mikołajczyk - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej,
Bardziej szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowo2. Zarys metody SIFT (Scale Invariant Feature Transform)
PIOTR PAWLIK *, SŁAWOMIR MIKRUT ** WYSZUKIWANIE PUNKTÓW CHARAKTERYSTYCZNYCH NA POTRZEBY ŁĄCZENIA ZDJĘĆ LOTNICZYCH *** 1.Wstęp Artykuł dotyczy problemu dopasowania fotogrametrycznych zdjęć lotniczych. Istotą
Bardziej szczegółowoSpośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.
Filtracja nieliniowa może być bardzo skuteczną metodą polepszania jakości obrazów Filtry nieliniowe Filtr medianowy Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy
Bardziej szczegółowoDetekcja punktów zainteresowania
Informatyka, S2 sem. Letni, 2013/2014, wykład#8 Detekcja punktów zainteresowania dr inż. Paweł Forczmański Katedra Systemów Multimedialnych, Wydział Informatyki ZUT 1 / 61 Proces przetwarzania obrazów
Bardziej szczegółowoDeskryptory punktów charakterystycznych
Przetwarzanie i Rozpoznawanie Obrazów May 18, 2016 1/41 Wstęp 2/41 Idea Często spotykany (typowy) schemat przetwarzanie obrazu/sekwencji wideo: 1 Detekcja punktów charakterystycznych 2 Opis wyznaczonych
Bardziej szczegółowoImplementacja filtru Canny ego
ANALIZA I PRZETWARZANIE OBRAZÓW Implementacja filtru Canny ego Autor: Katarzyna Piotrowicz Kraków,2015-06-11 Spis treści 1. Wstęp... 1 2. Implementacja... 2 3. Przykłady... 3 Porównanie wykrytych krawędzi
Bardziej szczegółowoParametryzacja obrazu na potrzeby algorytmów decyzyjnych
Parametryzacja obrazu na potrzeby algorytmów decyzyjnych Piotr Dalka Wprowadzenie Z reguły nie stosuje się podawania na wejście algorytmów decyzyjnych bezpośrednio wartości pikseli obrazu Obraz jest przekształcany
Bardziej szczegółowoPolitechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 8. Filtracja uśredniająca i statystyczna.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 8 Filtracja uśredniająca i statystyczna. Cel ćwiczenia Celem ćwiczenia jest zdobycie umiejętności tworzenia i wykorzystywania
Bardziej szczegółowoPrzetwarzanie obrazów rastrowych macierzą konwolucji
Przetwarzanie obrazów rastrowych macierzą konwolucji 1 Wstęp Obrazy rastrowe są na ogół reprezentowane w dwuwymiarowych tablicach złożonych z pikseli, reprezentowanych przez liczby określające ich jasność
Bardziej szczegółowoPrzygotowanie materiału uczącego dla OCR w oparciu o aplikację Wycinanki.
Przygotowanie materiału uczącego dla OCR w oparciu o aplikację Wycinanki. Zespół bibliotek cyfrowych PCSS 6 maja 2011 1 Cel aplikacji Aplikacja wspomaga przygotowanie poprawnego materiału uczącego dla
Bardziej szczegółowoWizyjny algorytm wyznaczania obszarów zainteresowania zrealizowany w oparciu o zredukowaną ilość przechowywanej informacji
LECH Piotr 1 Wizyjny algorytm wyznaczania obszarów zainteresowania zrealizowany w oparciu o zredukowaną ilość przechowywanej informacji WSTĘP Wyznaczanie regionów zainteresowania ROI [5] (ang. Region Of
Bardziej szczegółowoRozpoznawanie obrazów na przykładzie rozpoznawania twarzy
Rozpoznawanie obrazów na przykładzie rozpoznawania twarzy Wykorzystane materiały: Zadanie W dalszej części prezentacji będzie omawiane zagadnienie rozpoznawania twarzy Problem ten można jednak uogólnić
Bardziej szczegółowoCyfrowe przetwarzanie obrazów i sygnałów Wykład 7 AiR III
1 Niniejszy dokument zawiera materiały do wykładu z przedmiotu Cyfrowe Przetwarzanie Obrazów i Sygnałów. Jest on udostępniony pod warunkiem wykorzystania wyłącznie do własnych, prywatnych potrzeb i może
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoMetody klasyfikacji danych zaszumionych. Stanisław Kaźmierczak
Metody klasyfikacji danych zaszumionych Stanisław Kaźmierczak Agenda Szum Źródła szumu Zaszumianie i odszumianie Nauka i testowanie Architektura sieci Wyniki Wnioski oraz kierunki dalszych badań 2 3 Definicja
Bardziej szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 4 Filtracja 2D Opracowali: - dr inż. Krzysztof Mikołajczyk - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej,
Bardziej szczegółowoZastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej. Adam Żychowski
Zastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej Adam Żychowski Definicja problemu Każdy z obiektów może należeć do więcej niż jednej kategorii. Alternatywna definicja Zastosowania
Bardziej szczegółowoSystem biometryczny bazujący na rozpoznawaniu ust
Uniwersytet Śląski / Politechnika Warszawska Krzyszto Wróbel, Raał Doroz, Piotr Porwik {krzyszto.wrobel, piotr.porwik, raal.doroz}@us.edu.pl Jacek Naruniec, Marek Kowalski {j.naruniec, m.kowalski}@ire.pw.edu.pl
Bardziej szczegółowoWidzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Bardziej szczegółowoKomputerowe przetwarzanie obrazu Laboratorium 5
Komputerowe przetwarzanie obrazu Laboratorium 5 Przykład 1 Histogram obrazu a dobór progu binaryzacji. Na podstawie charakterystyki histogramu wybrano dwa różne progi binaryzacji (120 oraz 180). Proszę
Bardziej szczegółowoFiltracja obrazu operacje kontekstowe
Filtracja obrazu operacje kontekstowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu Poprawa ostrości Usunięcie określonych wad obrazu Poprawa obrazu o złej jakości technicznej Rekonstrukcja
Bardziej szczegółowoOdciski palców ekstrakcja cech
Kolasa Natalia Odciski palców ekstrakcja cech Biometria sprawozdanie z laboratorium 4 1. Wstęp Biometria zajmuje się rozpoznawaniem człowieka na podstawie jego cech biometrycznych. Jest to możliwe ponieważ
Bardziej szczegółowoKomitety sieci konwolucyjnych w zagadnieniu klasyfikacji przy jednoczesnym zaszumieniu danych wejściowych oraz etykiet klas. Stanisław Kaźmierczak
Komitety sieci konwolucyjnych w zagadnieniu klasyfikacji przy jednoczesnym zaszumieniu danych wejściowych oraz etykiet klas Stanisław Kaźmierczak Szum i jego rodzaje Źródła szumu Model Architektura sieci
Bardziej szczegółowoSYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY. Autorzy: M. Lewicka, K. Stańczyk
SYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY Autorzy: M. Lewicka, K. Stańczyk Kraków 2008 Cel pracy projekt i implementacja systemu rozpoznawania twarzy, który na podstawie
Bardziej szczegółowo7. Maszyny wektorów podpierajacych SVMs
Algorytmy rozpoznawania obrazów 7. Maszyny wektorów podpierajacych SVMs dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Maszyny wektorów podpierajacych - SVMs Maszyny wektorów podpierających (ang.
Bardziej szczegółowoi ruchów użytkownika komputera za i pozycjonujący oczy cyberagenta internetowego na oczach i akcjach użytkownika Promotor: dr Adrian Horzyk
System śledzenia oczu, twarzy i ruchów użytkownika komputera za pośrednictwem kamery internetowej i pozycjonujący oczy cyberagenta internetowego na oczach i akcjach użytkownika Mirosław ł Słysz Promotor:
Bardziej szczegółowoMetody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska
Metody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska e-mail: bartosz.krawczyk@pwr.wroc.pl Czym jest klasyfikacja
Bardziej szczegółowo8. Drzewa decyzyjne, bagging, boosting i lasy losowe
Algorytmy rozpoznawania obrazów 8. Drzewa decyzyjne, bagging, boosting i lasy losowe dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Drzewa decyzyjne Drzewa decyzyjne (ang. decision trees), zwane
Bardziej szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przekształcenia kontekstowe Liniowe Nieliniowe - filtry Przekształcenia kontekstowe dokonują transformacji poziomów jasności pikseli analizując za każdym razem nie tylko jasność danego
Bardziej szczegółowoRekonstrukcja obrazu (Image restoration)
Rekonstrukcja obrazu (Image restoration) Celem rekonstrukcji obrazu cyfrowego jest odtworzenie obrazu oryginalnego na podstawie obrazu zdegradowanego. Obejmuje ona identyfikację procesu degradacji i próbę
Bardziej szczegółowodr inż. Tomasz Krzeszowski
Metody cyfrowego przetwarzania obrazów dr inż. Tomasz Krzeszowski 2017-05-20 Spis treści 1 Przygotowanie do laboratorium... 3 2 Cel laboratorium... 3 3 Przetwarzanie obrazów z wykorzystaniem oprogramowania
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 2 Detekcja twarzy autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się algorytmem gradientu prostego
Bardziej szczegółowoKomunikacja Człowiek-Komputer
Komunikacja Człowiek-Komputer Przetwarzanie i rozpoznawanie obrazów przegląd Wojciech Jaśkowski Instytut Informatyki Politechnika Poznańska Wersja: 21 listopada 2014 Transformata Hough Detekcja odcinków
Bardziej szczegółowoIdentyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji
Identyfikacja istotnych atrybutów za pomocą Baysowskich miar konfirmacji Jacek Szcześniak Jerzy Błaszczyński Roman Słowiński Poznań, 5.XI.2013r. Konspekt Wstęp Wprowadzenie Metody typu wrapper Nowe metody
Bardziej szczegółowoPRZETWARZANIE GRAFICZNYCH DANYCH EMPIRYCZNYCH DLA POTRZEB EDUKACJI SZTUCZNYCH SIECI NEURONOWYCH, MODELUJĄCYCH WYBRANE ZAGADNIENIA INŻYNIERII ROLNICZEJ
Inżynieria Rolnicza 2(90)/2007 PRZETWARZANIE GRAFICZNYCH DANYCH EMPIRYCZNYCH DLA POTRZEB EDUKACJI SZTUCZNYCH SIECI NEURONOWYCH, MODELUJĄCYCH WYBRANE ZAGADNIENIA INŻYNIERII ROLNICZEJ Krzysztof Nowakowski,
Bardziej szczegółowoKLASYFIKACJA TEKSTUR ZA POMOCĄ SVM MASZYNY WEKTORÓW WSPIERAJĄCYCH
Inżynieria Rolnicza 13/2006 Jacek Goszczyński Instytut Inżynierii Rolniczej Akademia Rolnicza w Poznaniu KLASYFIKACJA TEKSTUR ZA POMOCĄ SVM MASZYNY WEKTORÓW WSPIERAJĄCYCH Streszczenie Motywacją do badań
Bardziej szczegółowoRaport. Bartosz Paprzycki xed@mat.umk.pl UMK 2009/2010
Raport Bartosz Paprzycki xed@mat.umk.pl UMK 2009/2010 1. Wykrywanie krawędzi 1.0. Obraz oryginalny 1. 1.1. Sobel. Parametry: domyślne. 1.2. Prewitt. Parametry: domyślne. 1.3. Roberts. Parametry: domyślne.
Bardziej szczegółowoAnna Fabijańska. Algorytmy segmentacji w systemach analizy ilościowej obrazów
POLITECHNIKA ŁÓDZKA Wydział Elektrotechniki Elektroniki Informatyki i Automatyki Katedra Informatyki Stosowanej Anna Fabijańska Nr albumu: 109647 Streszczenie pracy magisterskiej nt.: Algorytmy segmentacji
Bardziej szczegółowoSegmentacja przez detekcje brzegów
Segmentacja przez detekcje brzegów Lokalne zmiany jasności obrazu niosą istotną informację o granicach obszarów (obiektów) występujących w obrazie. Metody detekcji dużych, lokalnych zmian jasności w obrazie
Bardziej szczegółowoRACJONALIZACJA PROCESU EKSPLOATACYJNEGO SYSTEMÓW MONITORINGU WIZYJNEGO STOSOWANYCH NA PRZEJAZDACH KOLEJOWYCH
RACE NAUKOWE OLITECHNIKI WARSZAWSKIEJ z. Transport 6 olitechnika Warszawska, RACJONALIZACJA ROCESU EKSLOATACYJNEGO SYSTEMÓW MONITORINGU WIZYJNEGO STOSOWANYCH NA RZEJAZDACH KOLEJOWYCH dostarczono: Streszczenie
Bardziej szczegółowoMonitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji
Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji Analiza składników podstawowych - wprowadzenie (Principal Components Analysis
Bardziej szczegółowoFiltracja obrazu operacje kontekstowe
Filtracja obrazu operacje kontekstowe Podział metod filtracji obrazu Metody przestrzenne i częstotliwościowe Metody liniowe i nieliniowe Główne zadania filtracji Usunięcie niepożądanego szumu z obrazu
Bardziej szczegółowoDwufazowy system monitorowania obiektów. Karina Murawko, Michał Wiśniewski
Dwufazowy system monitorowania obiektów Karina Murawko, Michał Wiśniewski Instytut Grafiki Komputerowej i Systemów Multimedialnych Wydziału Informatyki Politechniki Szczecińskiej Streszczenie W artykule
Bardziej szczegółowoKrzysztof OKARMA 1 Przemysław MAZUREK 1
Krzysztof OKARMA 1 Przemysław MAZUREK 1 Superrozdzielczość, Inteligentne Systemy Transportowe, Rozpoznawanie tablic rejestracyjnych ZASTOSOWANIE DWUKAMEROWEJ AKWIZYCJI SEKWENCJI WIDEO DO ROZPOZNAWANIA
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa 1. Cel ćwiczenia Ćwiczenie siódme Usuwanie tła i segmentacja Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z metodami usuwania tła z obrazu oraz algorytmami
Bardziej szczegółowoWedług raportu ISO z 1988 roku algorytm JPEG składa się z następujących kroków: 0.5, = V i, j. /Q i, j
Kompresja transformacyjna. Opis standardu JPEG. Algorytm JPEG powstał w wyniku prac prowadzonych przez grupę ekspertów (ang. Joint Photographic Expert Group). Prace te zakończyły się w 1991 roku, kiedy
Bardziej szczegółowoOptymalizacja systemów
Optymalizacja systemów Laboratorium - problem detekcji twarzy autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, P. Klukowski Cel zadania Celem zadania jest zapoznanie się z gradientowymi algorytmami optymalizacji
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoZastosowanie kołowej transformaty Hougha w zadaniu zliczania monet
Zbigniew GOMÓŁKA Uniwersytet Rzeszowski, Polska Ewa ŻESŁAWSKA Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie, Polska Zastosowanie kołowej transformaty Hougha w zadaniu zliczania monet Transformata
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie drugie Podstawowe przekształcenia obrazu 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z podstawowymi przekształceniami obrazu wykonywanymi
Bardziej szczegółowoCyfrowe Przetwarzanie Obrazów i Sygnałów
Cyfrowe Przetwarzanie Obrazów i Sygnałów Laboratorium EX Lokalne transformacje obrazów Joanna Ratajczak, Wrocław, 28 Cel i zakres ćwiczenia Celem ćwiczenia jest zapoznanie się z własnościami lokalnych
Bardziej szczegółowoKodowanie transformacyjne. Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG
Kodowanie transformacyjne Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG Zasada Zasada podstawowa: na danych wykonujemy transformacje która: Likwiduje korelacje Skupia energię w kilku komponentach
Bardziej szczegółowoSPOTKANIE 2: Wprowadzenie cz. I
Wrocław University of Technology SPOTKANIE 2: Wprowadzenie cz. I Piotr Klukowski Studenckie Koło Naukowe Estymator piotr.klukowski@pwr.edu.pl 17.10.2016 UCZENIE MASZYNOWE 2/27 UCZENIE MASZYNOWE = Konstruowanie
Bardziej szczegółowo5.3. Analiza maskowania przez kompaktory IED-MISR oraz IET-MISR wybranych uszkodzeń sieci połączeń Podsumowanie rozdziału
3 SPIS TREŚCI WYKAZ WAŻNIEJSZYCH SKRÓTÓW... 9 WYKAZ WAŻNIEJSZYCH OZNACZEŃ... 12 1. WSTĘP... 17 1.1. Zakres i układ pracy... 20 1.2. Matematyczne podstawy opisu wektorów i ciągów binarnych... 25 1.3. Podziękowania...
Bardziej szczegółowoAlgorytmy rozpoznawania mowy oparte o kształt i/lub ruch ust - przegląd literatury naukowej z lat
Algorytmy rozpoznawania mowy oparte o kształt i/lub ruch ust - przegląd literatury naukowej z lat 2008-2014 Wojciech Jończyk Wydział Inżynierii Mechanicznej i Robotyki Katedra Mechaniki i Wibroakustyki
Bardziej szczegółowoDiagnostyka obrazowa
Diagnostyka obrazowa Ćwiczenie siódme Usuwanie tła i segmentacja 1 Cel ćwiczenia Ćwiczenie ma na celu zapoznanie uczestników kursu Diagnostyka obrazowa z metodami usuwania tła z obrazu oraz algorytmami
Bardziej szczegółowoPrzykładowa analiza danych
Przykładowa analiza danych W analizie wykorzystano dane pochodzące z publicznego repozytorium ArrayExpress udostępnionego na stronach Europejskiego Instytutu Bioinformatyki (http://www.ebi.ac.uk/). Zbiór
Bardziej szczegółowoAutomatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych
Automatyczne tworzenie trójwymiarowego planu pomieszczenia z zastosowaniem metod stereowizyjnych autor: Robert Drab opiekun naukowy: dr inż. Paweł Rotter 1. Wstęp Zagadnienie generowania trójwymiarowego
Bardziej szczegółowoAUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI
AUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI Tomasz Huczek Promotor: dr Adrian Horzyk Cel pracy Zasadniczym celem pracy było stworzenie systemu
Bardziej szczegółowoDetekcja kodów kreskowych w obrazach za pomocą filtrów gradientowych i transformacji morfologicznych
ZACNIEWSKI Artur 1 Detekcja kodów kreskowych w obrazach za pomocą filtrów gradientowych i transformacji morfologicznych WSTĘP Kod kreskowy (ang. barcode) to graficzna reprezentacja informacji, w postaci
Bardziej szczegółowo5. Analiza dyskryminacyjna: FLD, LDA, QDA
Algorytmy rozpoznawania obrazów 5. Analiza dyskryminacyjna: FLD, LDA, QDA dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Liniowe funkcje dyskryminacyjne Liniowe funkcje dyskryminacyjne mają ogólną
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowoANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH
Małgorzata Szerszunowicz Uniwersytet Ekonomiczny w Katowicach ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH Wprowadzenie Statystyczna kontrola jakości ma na celu doskonalenie procesu produkcyjnego
Bardziej szczegółowoLEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów
LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów Łukasz Piątek, Jerzy W. Grzymała-Busse Katedra Systemów Ekspertowych i Sztucznej Inteligencji, Wydział Informatyki
Bardziej szczegółowoAnaliza obrazów - sprawozdanie nr 2
Analiza obrazów - sprawozdanie nr 2 Filtracja obrazów Filtracja obrazu polega na obliczeniu wartości każdego z punktów obrazu na podstawie punktów z jego otoczenia. Każdy sąsiedni piksel ma wagę, która
Bardziej szczegółowoWPŁYW KOMPRESJI BARW NA DZIAŁANIE NEURONOWEGO MODELU IDENTYFIKACYJNEGO
Inżynieria Rolnicza 3(121)/2010 WPŁYW KOMPRESJI BARW NA DZIAŁANIE NEURONOWEGO MODEU IDENTYFIKACYJNEGO Krzysztof Nowakowski, Piotr Boniecki, Andrzej Przybylak Instytut Inżynierii Rolniczej, Uniwersytet
Bardziej szczegółowoANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU
ANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU obraz dr inż. Jacek Naruniec Analiza Składowych Niezależnych (ICA) Independent Component Analysis Dąży do wyznaczenia zmiennych niezależnych z obserwacji Problem opiera
Bardziej szczegółowoRozpoznawanie Twarzy i Systemy Biometryczne
Filtry Plan wykładu Przegląd dostępnych filtrów Zastosowanie filtrów na różnych etapach pracy systemu Dalsze badania Kontrast i ostrość Kontrast różnica w kolorze i świetle między częściami ś i obrazu
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoW poszukiwaniu sensu w świecie widzialnym
W poszukiwaniu sensu w świecie widzialnym Andrzej Śluzek Nanyang Technological University Singapore Uniwersytet Mikołaja Kopernika Toruń AGH, Kraków, 28 maja 2010 1 Podziękowania Przedstawione wyniki powstały
Bardziej szczegółowoWykrywanie twarzy ludzkich na kolorowych obrazach ze złożonym tłem
Wykrywanie ludzkich na kolorowych obrazach ze złożonym tłem Lech Baczyński www.baczynski.com Na podstawie artykułu panów: Yanjiang Wang, Baozong Yuan i in. Do czego przydatne jest wykrywanie (detekcja)?
Bardziej szczegółowoPrzetwarzanie obrazów wykład 4
Przetwarzanie obrazów wykład 4 Adam Wojciechowski Wykład opracowany na podstawie Komputerowa analiza i przetwarzanie obrazów R. Tadeusiewicz, P. Korohoda Filtry nieliniowe Filtry nieliniowe (kombinowane)
Bardziej szczegółowoZastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoMetody kodowania wybranych cech biometrycznych na przykładzie wzoru naczyń krwionośnych dłoni i przedramienia. Mgr inż.
Metody kodowania wybranych cech biometrycznych na przykładzie wzoru naczyń krwionośnych dłoni i przedramienia Mgr inż. Dorota Smorawa Plan prezentacji 1. Wprowadzenie do zagadnienia 2. Opis urządzeń badawczych
Bardziej szczegółowoTRANSCOMP XIV INTERNATIONAL CONFERENCE COMPUTER SYSTEMS AIDED SCIENCE, INDUSTRY AND TRANSPORT
TRANSCOMP XIV INTERNATIONAL CONFERENCE COMPUTER SYSTEMS AIDED SCIENCE, INDUSTRY AND TRANSPORT Piotr LECH 1 Krzysztof OKARMA 1 Metoda Monte Carlo Inteligentne Systemy Transportowe zliczanie pojazdów SZYBKA
Bardziej szczegółowoAlgorytmy Laplacian of Gaussian i Canny ego detekcji krawędzi w procesie analizy satelitarnych obrazów procesów atmosferycznych.
Algorytmy Laplacian of Gaussian i Canny ego detekcji krawędzi w procesie analizy satelitarnych obrazów procesów atmosferycznych. Słowa kluczowe: teledetekcja, filtracja obrazu, segmentacja obrazu, algorytmy
Bardziej szczegółowoROZPOZNAWANIE TABLIC REJESTRACYJNYCH POJAZDÓW NA OBRAZACH STATYCZNYCH
Radosław KAMIŃSKI, Irena BUŁATOWA ROZPOZNAWANIE TABLIC REJESTRACYJNYCH POJAZDÓW NA OBRAZACH STATYCZNYCH W artykule omówione zostały algorytmy detekcji i rozpoznawania tablic rejestracyjnych pojazdów na
Bardziej szczegółowoRozpoznawanie twarzy za pomocą sieci neuronowych
Rozpoznawanie twarzy za pomocą sieci neuronowych Michał Bereta http://torus.uck.pk.edu.pl/~beretam Praktyczna przydatność Bardzo szerokie praktyczne zastosowanie Ochrona Systemy bezpieczeństwa (np. lotniska)
Bardziej szczegółowoPrzetwarzanie obrazu
Przetwarzanie obrazu Przegląd z uwzględnieniem obrazowej bazy danych Tatiana Jaworska Jaworska@ibspan.waw.pl www.ibspan.waw.pl/~jaworska Umiejscowienie przetwarzania obrazu Plan prezentacji Pojęcia podstawowe
Bardziej szczegółowoMetody selekcji cech
Metody selekcji cech A po co to Często mamy do dyspozycji dane w postaci zbioru cech lecz nie wiemy które z tych cech będą dla nas istotne. W zbiorze cech mogą wystąpić cechy redundantne niosące identyczną
Bardziej szczegółowoAnaliza skupień. Analiza Skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania
Analiza skupień W sztucznej inteligencji istotną rolę ogrywają algorytmy grupowania Analiza Skupień Elementy składowe procesu grupowania obiekt Ekstrakcja cech Sprzężenie zwrotne Grupowanie klastry Reprezentacja
Bardziej szczegółowoLaboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 9. Przetwarzanie sygnałów wizyjnych. Politechnika Świętokrzyska.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 9 Przetwarzanie sygnałów wizyjnych. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów z funkcjami pozwalającymi na
Bardziej szczegółowoPrzedmowa 11 Ważniejsze oznaczenia 14 Spis skrótów i akronimów 15 Wstęp 21 W.1. Obraz naturalny i cyfrowe przetwarzanie obrazów 21 W.2.
Przedmowa 11 Ważniejsze oznaczenia 14 Spis skrótów i akronimów 15 Wstęp 21 W.1. Obraz naturalny i cyfrowe przetwarzanie obrazów 21 W.2. Technika obrazu 24 W.3. Normalizacja w zakresie obrazu cyfrowego
Bardziej szczegółowoProste metody przetwarzania obrazu
Operacje na pikselach obrazu (operacje punktowe, bezkontekstowe) Operacje arytmetyczne Dodanie (odjęcie) do obrazu stałej 1 Mnożenie (dzielenie) obrazu przez stałą Operacje dodawania i mnożenia są operacjami
Bardziej szczegółowoRozpoznawanie obiektów na podstawie zredukowanego zbioru cech. Piotr Porwik Uniwersytet Śląski w Katowicach
Rozpoznawanie obiektów na podstawie zredukowanego zbioru cech Piotr Porwik Uniwersytet Śląski w Katowicach ?? It is obvious that more does not mean better, especially in the case of classifiers!! *) *)
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowo4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74
3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15
Bardziej szczegółowoWyższa Szkoła Informatyki Stosowanej i Zarządzania
Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT Grupa IZ06TC01, Zespół 3 PRZETWARZANIE OBRAZÓW Sprawozdanie z ćwiczeń laboratoryjnych Ćwiczenie nr 5 Temat: Modelowanie koloru, kompresja obrazów,
Bardziej szczegółowo