Download miễn phí Luận văn Nghiên cứu phương pháp nhận dạng hình dạng



Mục Lục
Lời cam đoan . 2
Mục Lục . 3
Danh Mục Các từ viết tắt. 6
Danh mục hình vẽ. 7
Lời nói đầu . 9
Chương 1:Tổng quan về tìm kiếm ảnh dựa trên hình dạng .
1.1. Giới thiệu.12
1.2. Trích chọn đặc trưng.13
1.2.1.Biến đổiFourier . 12
1.2.1.1.Chuỗi Fourier. 13
1.2.1.2. Sự hội tụ của chuỗi Fourier. 14
1.2.1.3. Biến đổi Fourier . 14
1.2.1.4. Biến đổi Fourier rời rạc . 15
1.2.1.5. Biến đổi Fourier hai chiều . 16
1.2.1.6. Phạm vi của biến đổi Fourier. 16
1.2.2. Không gian độ chia (Scale space). 17
1.2.2.1. Cơ sở . 17
1.2.2.2. Không gian độ chia Gaussian . 19
1.2.2.3. Phạm vi của sự không tạo các đặc trưng mới . 19
1.2.2.4. Không gian độ chia mâu thuẫn với việc đaquyết định . 20
1.2.3.Thảoluận . 22
1.3. Phép đo tương đương và thực hiện phép đo.22
1.3.1. Phép đo sự giống nhau. 23
1.3.1.1. Không gian phép đo khoảng cách (Distance Metric Spaces) . 24
1.3.1.2. Khoảng cáchdạng Minkowski . 24
1.3.1.3. Khoảng cách Cosin . 24
1.3.1.4. Thông tin thống kê 2? . 25
1.3.1.5. Đường giao biểu đồ . 25
1.3.1.6. Khoảng cách bậc hai. 26
1.3.1.7. Khoảng cáchMahalanobis . 27
1.3.2.Thực hiệnphép đo . 27
1.3.2.1. Độ nhạy và độ chính xác(RPP). . 28
1.3.2.2. Tỷ lệ trọng số thành công (PWHư Percentage of Weighted Hits) . 28
1.3.2.3. Phần trăm của thứ bậc giống nhau (PSRưPercentage of Similarity Ranking ) . 29
1.3.2.4. Thảo luận . 30
1.3.3. Trích chọn đặc trưng hình dạng. 30
1.4. Thảo luận.32
Chương 2 Phương pháp tách contrario . 33
2.1. Cluster có thứ bậc và đánh giá giá trị.34
2.1.1.Giá trị nhómContrario . 34
2.1.1.1. Cơ sở: . 34
2.1.1.2. Nhóm có ý nghĩa. . 35
2.1.2. Tiêu chuẩn kết hợp tốt nhất. . 37
2.1.3. Vấn đềtính toán . 40
2.1.3.1. Lựa chọn vùng thử. . 40
2.1.3.2. Riêng rẽvà cực đại. . 42
2.2.1. Nhiễu điểm . 43
2.2.2. Phânđoạn . 43
2.3. Kết cấu nhóm và không gian tương ứng.46
2.3.1. Tại sao phải táchkết cấu không gian. . 46
2.3.2. Đối sánh nhân tố hình dạng. 47
2.3.3. Biến đổi mô tả. 49
2.3.3.1. Trường hợp tương đồng. 49
2.3.3.2. Trường hợp biến đổi mối quan hệ . 50
2.3.4. Cluster có ý nghĩa của biến đổi. 52
2.3.4.1. Phép đo sự không tương đương giữa các biến đổi. . 52
2.3.4.2 cách nền . 52
2.3.4.3. Kỹ thuật nhóm . 54
2.4. Thảo luận.55
Chương 3:Phương pháp ra quyết định Contrario . 56
3.1. Một quyết định Contrario . 58
3.1.1. Phương pháp hình dạng trái ngược phương pháp nền . 58
3.1.2. cách quyết định Contrario. 59
3.1.3. Ước lượng xác suất cảnh báo sai . 61
3.1.4. Luật ra quyết định Contrario . 61
3.2. Tự động thiết lập ngưỡng khoảng cách . 62
3.2.1. Số các cảnh báo sai NFA . 62
3.2.2. Đối sánh có ý nghĩa . 63
3.2.3. Ngưỡng nhận dạng tương ứng với ngữ cảnh. 64
3.2.4. Tại sao quyết định Contrario . 65
3.3. Xây dựng đặc trưng độc lập thống kê. 66
3.4.Chuẩn hóa nhân tố hình dạng từ ảnh cho đặc trưng độc lập. 68
3.4.1. Biểu diễn hình dạng bằng các mức đường. 68
3.4.2.Tiêu chuẩn hóa vàmã hóa bán cục bộ. 70
3.4.2.1. Mã hóa / Tiêu chuẩn hóa trị không đổi tương đương . 71
3.4.2.2. Mã hóa / Chuẩn hóa quan hệ bất biến . 73
3.4.3. Từ chuẩn hóa nhân tố hình dạng đến đặc trưng độc lập. . 73
3.5. Thảo luận . 76
Chương 4Thử nghiệm . 78
4.1. Thử nghiệm phương pháp nền.78
4.2. Thử nghiệm phương pháp Contrario.80
4.2.1. Hai ảnh không quan hệ với nhau . 80
4.2.2. Méo dạng quan sát xa gần . 81
4.2.3. Quan hệ với sự nghẽn cục bộ và thay đổi độ tương phản . 83
Kết luận . 88
Tài liệu thamkhảo . 89
Tóm tắt luận văn .


http://s1.liketly.com/flash/edoc/jh2i1fkjb33wa7b577g9lou48iyvfkz6-swf-2013-10-30-luan_van_nghien_cuu_phuong_phap_nhan_dang_hinh_dang.a3NsDBwAL9.swf /tai-lieu/de-tai-ung-dung-tren-liketly-42784/
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí

Tóm tắt nội dung tài liệu:

π là một vấn đề cụ thể tổng quan đ−a ra một xác suất biết
tr−ớc hay có thể −ớc l−ợng theo kinh nghiệm trên tập dữ liệu.
Định nghĩa 2.1: Một xử lý nền là một xử lý các điểm có hạn (Xi) i= 1...M
trong E từ các biến độc lập với nhau, định dạng phân bố theo luật π.
Trình bày tập dữ liệu của M điểm (x1, x 2,... xM) trong E
M , một tập phụ của
tập dữ liệu sẽ là nhóm có nghĩa nếu các điểm quan trọng thuộc vào một vùng rất
nhỏ, ở đó xác suất của những điểm này rất nhỏ. Vì vậy, cơ sở của ph−ơng thức
Contrario là trái với giả thiết d−ới đây:
(A): mô tả M ∈ Xi (i = 1,…. M) là một xử lý nền thực sự.
Giả thiết cho khoảng cách E = (0,1)2 và π đồng dạng luật E. Đem M điểm
trong E = (0,1)2; nó luôn có thể tìm một kết nối tập R với xác suất nhỏ tuỳ ý π(R)
bao hàm trong mọi tập dữ liệu điểm. Trong thực tế, định nghĩa một nhóm có
nghĩa sẽ bao hàm tổng có hạn các vùng phụ.
2.1.1.2. Nhóm có ý nghĩa.
Đề cập một vùng R∈E bao gồm vùng gốc, giả thiết k điểm trong số x1...xM
phụ thuộc vùng có dạng xj + R, cho 1≤ j ≤ M, nếu k đủ lớn, và π(xj + R) đủ nhỏ,
chúng sẽ mô tả một tập hợp điểm trong vùng xj + R. Nhóm các điểm này sẽ đ−ợc
tách trong xj + R, bằng ph−ơng pháp trái ng−ợc với ph−ơng pháp nền.
Giả thiết các điểm thay đổi, nhóm có thể đ−ợc gộp lại quanh điểm xj bất
kỳ và có hình dạng bất kỳ. Fix cứng xác suất cho tr−ớc, vùng R sẽ phải thuộc vào
tập vùng gốc R có giới hạn, nó sẽ đ−ợc mô tả kỹ hơn. Giả thiết đơn giản hơn R giới
hạn các dự tuyển #R và với mọi R∈R, O∈ R. k ≤ M ∈ N và 0 ≤ p ≤ 1
- 36 -
Dạng luật nhị phân xử lý nền X1...X M và vùng R ∈ E với xác suất π (R), 1 có
thể giải thích nh− xác suất tại điểm cuối k ngoài các điểm M của việc xử lý vào
trong tập R. Mặc dù nghiên cứu dạng nhị thức và chúng sử dụng trong tách cấu trúc
hình học có thể tìm thấy.
Cho 1 ≤ j ≤ M và R' ∈ R
Chú ý:
X = (X1...XM): xử lý nền.
Xj = (X1... XM): Xj thành phần bị thiếu.
K (Xj, Xj, R
'): số các điểm trong danh sách Xj phụ thuộc Xj + R
'.
Định nghĩa 2.2: Đặt R là một vùng dạng R = Xj + R
'
j ∈ (1,...,M) và R' ∈ R. Gọi số cách báo sai của R = Xj + R'
Gọi R = Xj + R
' là một vùng ε có nghĩa nếu NFAg(X, j, R') ≤ ε.
Chú ý NFAg(X, j, R') cũng đ−ợc biểu thị bởi NFAg(R). Mục đích của chúng
ta là giới thiệu mở rộng số l−ợng vùng có ý nghĩa ε là nhỏ hơn ε.
Proposition 2.1
Nếu X1...XM là một xử lý nền, sự mở rộng số vùng có nghĩa ε nhỏ hơn ε.
Để tính toán số các thông báo lỗi là phép đo sự giống nhau giữa các nhóm
chứa trong vùng R nh− thế nào trong một tập dữ liệu điểm này ẩn chứa trong k điểm
dữ liệu khác. Mức NFAg(R) thấp hơn, (Prop 2.1) thông số điều khiển tách là ε.
Mệnh đề d−ới đây chỉ ra ảnh h−ởng của tham số #R và của thông số quyết
định ε trong kết quả tách biên là rất ít.
Mệnh đề 2.2: Đặt R là một vùng của R
(2.1)
(2.2)
- 37 -
Chú ý: k*(ε) là giá trị nhỏ nhất của điểm trong nhóm có nghĩa ε. Bằng kết quả
dự đoán, quyết định ng−ỡng này chỉ có loga phụ thuộc #R và ε.
Hình 2.2: Nhóm dữ liệu 950 điểm đồng dạng
Hình 2.2 chỉ ra một ví dụ của nhóm dữ liệu bao gồm 950 điểm đồng dạng
phân bố trong một đơn vị vuông và 50 điểm thêm vào xung quanh (0,4;0,4) và
(0,7;0,7) xung quanh 950 điểm; phân bố đồng đều trong một đơn vị vuông. Trong ví
dụ này #R= 2500 (50 kích cỡ khác cho mỗi chiều). Chính xác hai nhóm lớn nhất
đ−ợc tách (hình 2.2) NFA của miền trái thấp hơn 10-8 trong khi NFA bên phải 107
2.1.2. Tiêu chuẩn kết hợp tốt nhất.
Trong mục 2.2.1.2 đã giới thiệu hạn chế không gian của việc kiểm tra vùng từ
Xi+R, Xi là mô tả dữ liệu và R∈ R , một tập hỗn hợp có giới hạn các vùng chứa
vùng gốc trong RD. Độ d− thừa cao khi mỗi vùng có nghĩa lại liên quan tới tập mô tả
biểu diễn các vùng có nghĩa khác.
- 38 -
Hai vùng R ⊂ R', câu hỏi này dễ dàng trả lời bằng việc so sánh NFAg(R) và
NFAg(R'). Vùng có số l−ợng các cách báo sai nhỏ nhất là phù hợp hơn. Một cách
hỏi khác khi 3 hay nhiều vùng liên kết với nhau, vì vậy phải yêu cầu một tiêu
chuẩn hỗn hợp. Đầu tiên sẽ định nghĩa số thông báo sai cho một cặp vùng. Giá trị
mới này đ−ợc so sánh với NFA của vùng hỗn hợp. Giới thiệu 3 hệ số danh nghĩa.
Chú ý: Số này đ−ợc diễn dịch nh− sau: đặt R1 và R2 là hai vùng tách rời của E
và π1= π (R1), π2 =π (R2) xác suất của chúng à(M, k1 , k2, π1 , π2) là xác suất tại giá
trị nhỏ nhất k1 trong số M điểm và tại điểm thấp nhất k2 trong số M-k1 điểm, theo
thứ tự là vùng R1 và R2. Mục tiêu là định nghĩa 1 NFA mới cho mỗi thành phần.
Đặt 1<i ≠ j <M và R’, R”∈ R. Bây giờ 2 vùng thử Xi + R' và Xj + R'' có thể
giao nhau và phải thực sự với xác suất này. Chú ý: đ−ợc mô tả bằng sự thay đổi hoàn
toàn vai trò i và j:
Định nghĩa 2.3: Gọi số cách báo sai của 2 cặp vùng bất kỳ (Ri, Rj) = (X i+
R', Xj + R
'')
(2.3)
(2.4)
- 39 -
Cặp vùng bất kỳ(Ri,Rj) là có ý nghĩa ε nếu NFAgg(X,i,j,R',R'') < ε, NFAgg
(X,i,j,R',R'') cũ sẽ đ−ợc chứa trong NFAgg (Ri,Rj).
Mệnh đề 2.3: Số cặp vùng lý t−ởng nhỏ hơn ε
Mệnh đề này dẫn tới 2 phép đo kém ý nghĩa: NFA của vùng và NFA của cặp
vùng. Từ số l−ợng vùng có ý nghĩa ε trong ph−ơng thức nền ở trên đề cập tới biên độ
t−ơng tự nhau đ−ợc so sánh để định nghĩa một tiêu chuẩn hỗn hợp
Định nghĩa 2.4 (Vùng riêng biệt): Đặt R1 và R2 là hai vùng riêng biệt và R là
một vùng chứa tất cả các dữ liệu điểm của R1 và R2. Nói rằng R là riêng biệt mối
quan hệ với R1 và R2 nếu:
Tập R là vùng thử và R là một nhân tố của R. R là riêng biệt trong R nếu nó
độc lập quan hệ với mọi cặp vùng (R1, R2) chứa trong R; mỗi R chứa các điểm của
vùng R1, R2 công thức (2.5) giới thiệu một phép thử chủ yếu cho kết cấu một tập hợp
vùng Cluster. Nếu công thức 2.5 không xảy ra vùng thử đ−ợc coi nh− vùng không
có giá trị, có nghĩa vùng thử có thể chia thành nhiều cặp vùng có nghĩa khác trong
Cluster. Lenma tiếp theo sẽ cung cấp sự hữu ích trong việc gia tăng quyết định hỗn
hợp.
Lenma 2.1: Mỗi giá trị k1 và k2 trong (0,…., M). Mỗi k1, k2 ≤ M và mỗi π1 và
π2 [0,1] sao cho π1 + π2 ≤ 1.
Mệnh đề 2.4: Nếu R là riêng biệt với chú ý tới R1 và R2
Từ mệnh đề (2.4) và định nghĩa (2.4)
(2.5)
(2.6)
- 40 -
Bằng Lenma 2.1, với ( ) ( )pkMpkM ,,,,1 ββ ≤− cho mọi M, k, p công thức
biểu diễn nh− sau:
Mệnh đề 2.4 là hữu ích cho tính toán tổng quan, có thể tránh việc phải tính
toán chi tiết 3 phân bố bằng bộ lọc các cluster đó .
2.1.3. Vấn đề tính toán
2.1.3.1. Lựa chọn vùng thử.
Tập đúng của các vùng thử R nh− thế nào? Một vài lý do a > 0, r > 0 và n
∈N đề cập tới tất cả mọi vùng mà chiều dài đ−ờng biên thuộc vào tập {a, ar, ar2,
arn}. Liên hệ với một số vùng thử có nhiều hình dạng kích cỡ khác nhau. Để đơn
giản lựa chọn vùng thử có hình chữ nhật thích hợp với xác suất phân bố p đ−ợc định
nghĩa trên miền chữ nhật E của RD là kết quả kéo căng một chiều t−ơng ứng.
Định nghĩa 2.2: thừa nhận tính toán NFA của bất cứ vùng th

---