Введение 3
Постановка задачи 5
Обзор литературы 6
Глава 1. Анализ и теоретические основы реализуемых методов 8
1.1 Методы сравнения гистограмм 8
1.1.1 Г истограммы 8
1.1.2 Особенности применения методов 9
1.1.3 Методы сравнения гистограмм 11
1.2 Метод опорных векторов 12
1.2.1 Метод опорных векторов для случая линейной разделимости 12
1.2.2 Метод опорных векторов для случая линейной неразделимости 15
Глава 2. Реализация методов 18
2.1 Обзор инструментария 18
2.2 Обзор программной реализации 19
2.2.1 Метод сравнения гистограмм 19
2.2.2 SVM 21
Глава 3. Тестирование систем 25
3.1 Тестирование методов сравнения гистограмм 25
3.2 Тестирование SVM 26
3.3 Сравнительное тестирование метода пересечения гистограмм и SVM с
ядром RBF 28
3.4 Влияние различных параметров на качество распознавания 29
3.4.1 Параметры метода опорных векторов 29
3.4.2 Параметры метода сравнения гистограмм 30
Выводы 31
Заключение 32
Список литературы 33
В настоящее время происходит стремительное развитие компьютерной техники, информационных технологий. Каждый год появляется множество новых применений, внедрений этих технологий в жизнь человека. При этом тенденция развития такова, что наука и техника все больше применяются не только в технических, индустриальных сферах, но и в самых повседневных и бытовых областях деятельности человека. И здесь важную роль играет автоматизация, компьютеризация подобных механистических процессов, которые прежде приходилось выполнять человеку.
Одним из таких процессов является геодезический анализ, или дешифрирование изображений земной поверхности, полученных с помощью аэрофотосъемки, либо космофотосъемки. Если раньше распознаванием объектов земной поверхности занимались географы, то в настоящее время важной и актуальной задачей является разработка компьютерных систем, автоматически дешифрирующих эти фотоснимки.
Значимость выбранной темы заключается в том, что результаты работы подобной компьютерной системы будут полезны для решения целого ряда прикладных задач в самых разных областях. Основываясь на этих результатах, человек сможет заниматься принятием решений на более высоком уровне, а впоследствии, с еще большим развитием компьютерной индустрии, эти результаты могут быть использованы уже системами искусственного интеллекта, которые будут призваны освободить человека от необходимости принятия решений и на этом (более высоком) уровне.
Стоит заметить, что компьютерное зрение - одна из активно развивающихся областей на протяжении уже около 40 лет, имеющая множество практических приложений и играющая важную роль в процессе формирования интеллектуальных систем, разработка которых активно ведется в настоящее время. Таким образом, решение различных задач и исследования в этой области сейчас являются актуальными.
В данной работе предлагается рассмотрение двух существующих методов дешифрирования (распознавания) изображений, их реализация с предложениями модификации для получения удовлетворительных результатов в конкретной предметной области, построение на их основе двух систем, способных распознавать несколько заранее определенных классов объектов. Кроме того, предлагается тестирование и анализ предлагаемых систем по эффективности.
Исходя из результатов тестирования, можно заключить, что система, основанная на методах сравнения гистограмм, показывает высокое качество распознавания, если выбирать эталон прямо на тестовом изображении, но как самодостаточная система с базой изображений, она не сможет работать достаточно быстро. В то же время, главным ее достоинством является скорость (в случае проверки только одного участка на всем изображении). Это означает, что такую систему можно использовать как дополнительную к одному из более качественных, но относительно медленных классификаторов, который бы распознавал класс с большой степенью уверенности, и передавал участок этого класса методу сравнения гистограмм.
Метод опорных векторов показал лучшее качество распознавания, по сравнению с методом сравнения гистограмм, и может использоваться, как самодостаточная система распознавания, однако, для ее качественной настройки необходимо дополнительно проанализировать влияние обучающих данных на конечный результат.
Работа может быть продолжена исследованиями в области детектирования границ, так как без этого распознавание и классификация мелких объектов (например, в черте города) будет достаточно сложной. Помимо этого, необходимо провести исследования, касающиеся инвариантности систем к масштабу распознаваемых изображений, так как сейчас они способны работать в достаточно ограниченном диапазоне масштабов.
Заключение
В представленной работе было проведено исследование двух методов распознавания изображений, на основе которых были разработаны системы классификации объектов на аэрофотоснимках земной поверхности. Системы были протестированы, а также были выявлены их достоинства и недостатки. В работе были освещены также некоторые особенности использования методов применительно к предметной области. Помимо этого, был проведен анализ результатов тестирования и предложены варианты использования разработанных систем в качестве самодостаточной системы распознавания, а также направления дальнейших исследований.
