Распознавание изображений в условиях зашумленности

Содержание

Введение2

1. Системы распознавания образов3

1.1. Понятие образа3

1.2. Понятие системы распознавания5

1.3. Принципы классификации и типы систем распознавания7

2. Распознавание изображений14

2.1. Методы распознавания изображений14

2.1.1. Метод корреляции18

2.1.2. Признаковый метод20

2.1.3. Структурный метод24

2.2. Зашумленность и влияние шумов на изображение25

2.2.1. Причины возникновения цифрового шума25

2.2.2. Что влияет на величину цифрового шума27

2.2.3. Подавление цифрового шума28

3. Реализация алгоритма32

3.1. Выбор среды программирования32

3.2. Блок-схема работы программы34

3.3. Разработка формы программы35

3.4. Тестирование36

Заключение41

Список литературы42

Приложения44

Выдержка из текста

Введение

Актуальной на сегодняшний день задачей является распознавание машинописных и рукописных текстов в силу ее повседневной необходимости. Кроме того, большое значение имеет оперативный ввод графической информации, подлежащей дальнейшей обработке, в информационные и управляющие системы информации с машиночитаемых бланков.

Задача распознавания, сама по себе, предполагает интеллектуальную обработку полученной информации, что представляет определенные сложности. Несомненно, в задаче распознавания символов (распознавание текста, автомобильных номеров) достигнуты огромные успехи. Но, тем не менее, каких-либо универсальных методов обработки изображения, сравнимых по производительности и качеству распознавания с человеческими способностями, нет. Например, в задачах, которые ставятся перед экспертными системами, требуется более глубокий интеллектуальный анализ и высокое быстродействие, этими же свойствами должны обладать роботизированные системы обслуживания. Поэтому обработка изображения в задаче распознавания является одной из центральных проблем.

В данном дипломном проекте будет реализовано распознавание изображений в условиях зашумленности.

Список использованной литературы

1.Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. — М.: Наука, 2004. — 384 с.

2.Васильев В.И. Проблема обучения распознавания образов, 1989, 64с.

3.Горбань А., Россиев Д. Нейронные сети на персональном компьютере. //Новосибирск, Наука, 1996. – C 114 – 119.

4.Денисов Д.А., Дудкин А.К., Пяткин В.П. Цифровой анализ изображений (Методы описания геометрических структур)

5.Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. М.: Наука, 2005. — Вып. 33. С. 5-68

6.Журавлев Ю.И. Избранные научные труды. – Изд. Магистр, 2002. — 420 с.

7.Мазуров В.Д. Комитеты систем неравенств и задача распознавания // Кибернетика, 2004, № 2. С. 140-146.

8.Минский М., Пейперт С. Персептроны. — М.: Мир, 2007. — 261 с.

9.Потапов А.С. Распознавание образов и машинное восприятие. — С-Пб.: Политехника, 2007. — 548 с

10.Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. М: Машиностроение, 1990. 320 с.

11.Растригин Л. А., Эренштейн Р. Х. Метод коллективного распознавания. 79 с. ил. 20 см., М. Энергоиздат, 2006. – 80 с.

12.Рудаков К.В. Об алгебраической теории универсальных и локальных ограничений для задач классификации // Распознавание, классификация, прогноз. Математические методы и их применение. Вып. 1. — М.: Наука, 2007. — С. 176-200.

13.Русын Б.П. Структурно-лингвистические методы распознавания изображений в реальном времени

14.Фу К. Структурные методы в распознавании образов. — М.: Мир, 2005. — 144 с.

15.Handbook of pattern recognition and computer vision / Chen C.H., Rau L.F. and Wang P.S.P.(eds.). – Singapore-New Jersey-London-Hong Kong: World Scientific Publishing Co. Pte. Ltd., 1995. — 984 p.

16.Shalkoff R.J. Digital image processing and computer vision. – New York-Chichester-Brisbane-Toronto-Singapore: John Wiley & Sons, Inc., 1989. — 489 p.

17.Roberts J.M. Attentive Visual Tracking and Trajectory Estimation for Dynamic Scene Segmentation. //PhD thesis., University of Southampton dec. 94

Похожие записи