Введение 3
Цель 5
Глава 1. Контурный анализ 6
1.1 Бинаризация изображения 6
1.2 Получение контуров 7
1.3 Получение свойств контуров 8
1.3.1 Пример работы программы 13
Глава 2. Проверка достоверности подхода 15
2.1 Исследование первое 15
2.2 Исследование второе 16
2.3 Вывод 18
2.4 Программная реализация 18
Глава 3. Классификация изображений 22
3.1 Кластерный анализ 23
3.1.1 Кластеризация методом k-means 24
3.2 Кластеризация контуров 25
3.2.1 Программная реализация 26
3.3 Нейронные сети 32
3.3.1 Персептрон 33
3.3.2 Классификация изображений нейронной сетью 35
3.4 Существующие решения 38
Заключение 40
Список литературы

Купить

Каждый день в мире делается огромное количество новых фотоснимков. Люди фотографируют ландшафтные пейзажи, городские
достопримечательности, лица друзей, природные памятники и многое другое. Значительная часть этих снимков попадает в интернет, однако алгоритмы поиска по графическим изображениям до сих пор не достигли желаемого уровня. Для ускорения поиска можно приписывать каждому изображению набор отличительных признаков, например, присутствие на картинке характерных объектов: домов, водоёмов, деревьев, людей. Также можно различать изображения по наличию крупных или мелких деталей, присутствию перспективы, контрастных границ однородных цветовых полей, характерных текстур и других свойств. В представленной работе исследуется возможность отнести растровое изображение к заданному типу при помощи анализа свойств контуров, которые можно выделить на растровом изображении, приведя его к бинарному виду.
Решение текущей задачи важно, для компьютерного зрения, о чём говорится во многих работах, например, в [1], [2], [4], данная наука появилась относительно недавно и очень быстро развивается, растёт спрос на специалистов в данной области. Множество методов уже применяется на практике, например - камеры на дорогах фиксирующие превышение скорости, сканеры штрих кодов, кодирование адресов сайтов в QR - коды и многие другие [1], [2].
Проводимое исследование будет полезно в задачах распознавания и компьютерного зрения, результаты исследования так же можно использовать как предобработку перед сегментацией какого-либо объекта, а также для поиска тематических изображений в интернете.
Задача данного исследования: научится распознавать и различать друг от друга изображения водной поверхности, лесных массивов, городской местности, фотографии горных массивов и полей.
Подобные задачи, как правило решают сверточными [6-10] нейронными сетями, такой способ требует больших вычислений, для качественных изображений обучение такой сети занимает достаточное количество времени [6, 8-10], т.к. сеть принимает на вход изображение попиксельно, а если изображений порядка 2 тысяч, то время работы сети может длится очень долго. Также для нейронной сети требуется, чтобы вход в сеть был одинаковый для всех примеров [6, 9-10], это означает, что если изображения в выборке разных размеров, то их необходимо сжимать, растягивать, и обрезать, что тоже занимает много времени. Поэтому было решено рассмотреть данную задачу с помощью анализа свойств контуров и использовать классические нейронные сети типа персептрон в качестве классификатора. Таким подходом так же решали задачу распознавания объектов [8-10], в качестве входных данных подавались, как и в свёрточную сеть изображения попиксельно, что не сильно ускорило работу, и ухудшало точность распознавания. В данной работе предлагается посмотреть на другой способ классификации изображений, когда изображение задаётся не всеми его пикселями, а лишь всеми контурами изображения с их свойствами.

Купить