Пример готовой дипломной работы по предмету: Информационные технологии
Содержание
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 3
ГЛАВА 1.ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ПОИСКА ЛИНИЙ НА ИЗОБРАЖЕНИЯХ 6
1.1 Теоретические аспекты компьютерного зрения 6
1.2 Теоретические аспекты машинного обучения 17
ГЛАВА
2. МЕТОДЫ КОМПЬЮТЕРНОГО ЗРЕНИЯ И МАШИННОГО ОБУЧЕНИЯ В СИСТЕМАХ РАСПОЗНАВАНИЯ ОБРАЗОВ 25
2.1 Анализ методов компьютерного зрения 25
2.2 Анализ методов машинного обучения 33
ГЛАВА
3. РАЗРАБОТКА СИСТЕМЫ АВТОМАТИЧЕСКОГО ДЕТЕКТИРОВАНИЯ ЛИНЕЙНЫХ ЧАСТЕЙ ДВУМЕРНЫХ ИЗОБРАЖЕНИЙ 45
3.1 Разработка системы автоматического детектирования при помощи методов компьютерного зрения. 45
3.2 Разработка системы автоматического детектирования при помощи методов машинного обучения. 52
ЗАКЛЮЧЕНИЕ 57
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 60
ПРИЛОЖЕНИЕ 64
Выдержка из текста
ВВЕДЕНИЕ
Задача определения линий на изображении является одной из базовых задач распознавания образов. Фактически, с определения границ анализируемого изображения начинается распознавание образа как таковое.
Темой настоящей работы является разработка системы автоматического детектирования линейных частей двумерных изображений методами компьютерного зрения и машинного обучения. Другими словами, в рамках данной работы рассматриваются объекты, границы которых линейны (в отличие, например, от фракталов).
Тема является высоко актуальной поскольку имеется необходимость в системе детектирования линейных объектов в системах безопасности на транспорте и не только. К классу линейных объектов относят такие опасные предметы как пластиковые ножи и шнуры детонаторов. Высокие запросы в современном обществе на автоматические средства обеспечения безопасности дополнительно подчеркивают актуальность темы исследования.
Базисность задачи выявления границы объекта для распознавания образов определяет актуальность выбранной темы исследования.
Объектом исследования при этом выступают системы, позволяющие осуществлять распознавание образов, а именно, компьютерное зрение и машинное обучение.
Предметом настоящего исследования является задача поиска линейного объекта на двумерном изображении.
Целью работы является анализ двух областей знания: компьютерного зрения и машинного обучения, в контексте поиска линейных элементов на двумерных изображениях и построение системы автоматического детектирования таких элементов. Цели работы планируется достигнуть путем изучения основных известных методов определения границы объекта с последующей их модернизацией и комбинацией.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Провести анализ существующих методов компьютерного зернения, в контексте поиска линейных элементов на двумерных изображениях.
2. Провести анализ существующих методов машинного обучения, в контексте поиска линейных элементов на двумерных изображениях.
3. Провести анализ возможности объединения наиболее успешно показавших себя методов компьютерного зрения и машинного обучения.
4. На основании проведенного анализа предложить свой способ решения поставленной проблемы.
5. Реализовать метод в виде программы и продемонстрировать эффективность выбранного подхода.
Теоретическая актуальность поставленной задачи заключается в применимости разработанного метода к широкому классу задач, то есть, нахождение не только отдельных линий, но и выпуклых, а также некоторых невыпуклых фигур.
Практическая значимость работы заключается в применимости разработанного метода к таким важным прикладным задачам как:
• Разводка печатных плат.
• Автоматическое детектирование разметки и дефектов дорожного покрытия.
• Автоматическое определение границ номерных знаков автомобиля.
• Автоматическое определение границ движения автоматических складских погрузчиков.
• Автоматическое определение дорог и иных линейных объектов инфраструктуры на аэрофотоснимках.
• Автоматическое обнаружение запрещенных к проносу линейных объектов (например, ножи, детонационные шнуры) на рентгеновских и микроволновых снимках в системах безопасности.
В рамках настоящей работы практическая применимость разработанного метода будет продемонстрирована на примере систем безопасности.
Распознаванию образов и машинному обучению посвящена обширная литература. Следует упомянуть монографию К. Бишопа, а также классический труд С. Хайкина, посвященный искусственным нейронным сетям. Проблематика анализа и обработки изображений неоднократно затрагивалась в трудах Р. Гонсалеса. Проблематика компьютерного зрения раскрыта в трудах Д. Форсайта и Ж. Понса, Л. Шапиро и Дж. Стокмана. Однако, в этих трудах проблематика раскрыта не полностью и прямое применение описаны методов не дает желаемого результата.
Объём фактического материала данной работы составляет 65 страниц. Работа состоит из введения, трех глав, и заключения. В первой главе рассмотрены теоретические основы распознавания образов и машинного зрения. Вторая глава является логическим продолжением первой, но носит более аналитический характер. Именно во второй главе формулируются конкретные методы решения поставленной задачи и проводится их анализ. Третья глава содержит применение разработанных методов к конкретной практической задаче поиска линейных частей на проекции микроволнового голографического изображения. В заключении сформулированы общие выводы по работе.
Список использованной литературы
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
Источники на русском языке
1. Беляев М.Г., Бурнаев Е.В и др. Сравнение эффективности методов инициализации нелинейной регрессионной модели // Сборник докладов конф. "Математические Методы Распознавания Образов (ММРО-15)". 2011. C. 150– 153.
2. Брюхомицкий Ю.А. Нейросетевые модели для систем информационной безопасности. Учебное пособие. – Таганрог: Изд-во ТРТУ, 2005. – 160 с.
3. Визильтер Ю. В., Желтов С. Ю., и др. Обработка и анализ цифровых изображений с примерами на LabVIEW IMAQ Vision. – М.: ДМК Пресс, 2007. – 464 с.
4. Гонсалес Р. Принципы распознавания образов – Москва: Изд-во «Мир», 1978. – 414 с.
5. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений – Москва: Техносфера, 2005. – 1072 с.
6. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB – Москва: Техносфера, 2006. – 616 с.
7. Грузман И. С., Киричук В.С. и др. Цифровая обработка изображений в информационных системах – Новосибирск: Изд-во НГТУ, 2002. – 352 с.
8. Дащенко А. Ф. MATLAB в научных и инженерных расчетах – Одесса: «Астропринт», 2003. – 214 с.
9. Дьяконов В. MATLAB
6. Учебный курс – СПб.: Питер, 2001. – 592 с.
10. Каллан Р. Основные концепции нейронных сетей : Пер. с англ. – М. : Издательский дом «Вильямс», 2001. – 287 с.
11. Козлов В. Н. Элементы математической теории зрительного восприятия – М.,: Издательство центра прикладных исследований при механико-математическом факультете МГУ, 2001. – 128 с.
12. Кузнецов Е. Н., Анашкина А. А. и др. Кластер-анализ пространственных контактов аминокислотных остатков белков с нуклеотидами ДНК // Машинное обучение и анализ данных. – 2014. – Том 1, № 9. – С. 1180 – 1197.
13. Маккалох Дж., Питтс У. Логические исчисления идей, относящихся к нервной деятельности.// Автоматы. М.: ИЛ, 1956.
14. Макконнел С. Совершенный код. Мастер-класс / Пер. с англ. – М. : Издательство «Русская редакция», 2014. – 896 стр.
15. Матвеев И.А., Теркин А. Н. Метод обнаружения автомобилей на аэрокосмических снимках // Машинное обучение и анализ данных. – 2014. – Том 1, № 7. – С. 800 – 817
16. Ольшевец М. М. Анализ изображений и элементы цифровой диагностики в системе цифровой беспленочной рентгенографии // Математичиские методы распознования образов. Доклады 12-й всероссийской конференции – Москва, 2005 с. 395-397
17. Правила техники безопасности при работе с СВЧ-сканером., Москва, 2013, стр. 1-10.
18. Рассел С., Норвиг П. Искустственный интеллект: современный подход, 2-е изд. : Пер. с англ. – М. : Издательский дом «Вильямс», 2006. – 1408 с.
19. Руководство по эксплуатации «СВЧ-сканер для досмотра пассажиров на объектах транспортной инфраструктуры», Москва, 2013, стр. 1-23.
20. Сизиков В. С. Обратные прикладные задачи и MatLab: Учебное пособие. – СПб.: Издательство «Лань». 2011. – 256 c.
21. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. : Пер. с англ. – М. : Издательский дом «Вильямс», 2004. – 928 с.
22. Фрей А. И., Толстихин И. О. Комбинаторные оценки вероятности переобучения на основе кластеризации и покрытия множества алгоритмов // Машинное обучение и анализ данных. – 2014. – Том 1, № 6. – С. 761 – 779.
23. Хайкин, С. Нейронные сети: полный курс, 2-е издание : Пер. с англ. – М. : Издательский дом «Вильямс», 2006. – 1104 с.
24. Царегородцев В.Г. Оптимизация предобработки данных: константа Липшица обучающей выборки и свойства обученных нейронных сетей // Нейрокомпьютеры: разработка, применение. 2003. № 7. c. 3 – 8
25. Шапиро Л., Стокман Дж. Компьютерное зрение. : Пер. с англ. – М. : БИНОМ, 2006. – 752 с.
Источники на иностранных языках
26. Bankman I. N. Handbook of medical imaging processing and analysis // Academic press, 2000. 910 pp.
27. Bishop C. M. Pattern Recognition and Machine Learning / Springer Science+Business Media, LLC, 2006, 703 pp.
28. Black, P., "Manhattan distance", Dictionary of Algorithms and Data, 2006
29. Canny, John, "A Computational Approach to Edge Detection," IEEE Transactions on Pattern Analysis and Machine Intelligence,Vol. PAMI-8, No. 6, 1986. pp. 679-698
30. Cogdell J. W., Piatetski-Shapiro I. I., The Arithmetic and Spectral Analysis of Poincaré Series // Perspectives in Mathematics, Vol. 13. Academic Press
31. HOUGH, P. V. C. Method and means for recognizing complex patterns.
32. Jensen O. H. Implementing the Viola – Jones Face Detecting Algorithm // Kongens Lyngby, 2008
33. Lienhart R., Liang L., Kuranov A. A DETECTOR TREE OF BOOSTED CLASSIFIERS FOR REAL-TIME OBJECT DETECTION AND TRACKING // Microcomputer Research Labs, Intel Corporation
34. MATLAB Programming Fundamentals, The MathWorks, Inc., 2015. 1064 p.
35. Nixon M. S., Aguado A. S., Feature Extraction and Image Processing. — Newnes, 2002. — 360 pp.
36. Parker J. A. Algorithms for Image Processing and Computer Vision, Second Edition / Wiley Publishing, Inc., 2010, 506 pp.
37. Prewitt J.M.S. "Object Enhancement and Extraction" in "Picture processing and Psychopictorics", Academic Press, 1970
38. Riedmiller M., Braun H. A direct adaptive method for faster backpropogation learning: The RPROP Alhorithm Proceedings of the IEEE International Conference on Neural Networks, 586-591, IEEE Press, 1993
39. Samuel A. L. Some Studies in Machine Learning Using the Game of Checkers // IBM Journal. July 1959. P. 210– 229.
40. Stefan Küng, Lübbe Onken, Simon Large., ‘TortoiseSVN Клиент Subversion для Windows Version 1.8’
