📄Работа №82754

Тема: СИНТЕЗ ПАНОРАМНЫХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ОСОБЫХ ТОЧЕК И КЛАСТЕРИЗУЮЩИХ НЕЙРОННЫХ СЕТЕЙ

📝
Тип работы Бакалаврская работа
📚
Предмет физика
📄
Объем: 47 листов
📅
Год: 2016
👁️
Просмотров: 65
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
ℹ️ Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.

📋 Содержание

ВВЕДЕНИЕ 3
ГЛАВА 1. ОБЗОР МЕТОДОВ СИНТЕЗА ПАНОРАМНЫХ ИЗОБРАЖЕНИЙ 4
1.1 Цифровые изображения 4
1.2 Особые точки на изображениях 6
1.3 Метод оценки параметров модели 15
1.4 Программные средства для создания панорамных изображений 19
Выводы к главе 1 22
ГЛАВА 2. РЕАЛИЗАЦИЯ И ТЕСТИРОВАНИЕ СИНТЕЗА ПАНОРАМНЫХ ИЗОБРАЖЕНИЙ С
ИСПОЛЬЗОВАНИЕМ АНАЛИЗА ОСОБЫХ ТОЧЕК 23
2.1 Блок-схема алгоритма 23
2.2 Описание базы данных 24
2.3 Результаты синтеза в отсутствии дополнительных шумов 26
2.4 Тестирование при различных масштабах, поворотах и шумах 29
Выводы к главе 2 31
ГЛАВА 3. РАЗВИТИЕ МЕТОДОВ СИНТЕЗА ПАНОРАМНЫХ ИЗОБРАЖЕНИЙ С
ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ МЕТОДОВ КЛАСТЕРИЗАЦИИ 32
3.1 Возможность использования нейронных сетей Кохонена в алгоритме синтеза 32
3.2 Блок-схема алгоритма 35
3.3 Реализация и тестирование метода 36
Выводы к главе 3 39
ГЛАВА 4. ПРИМЕНЕНИЕ АЛГОРИТМА ДЛЯ АНАЛИЗА ПРОСТРАНСТВЕННЫХ ВАРИАЦИЙ
ГЕОФИЗИЧЕСКИХ ПОЛЕЙ 40
4.1 Полное электронное содержание ионосферы 40
4.2 Применение алгоритма для анализа пространственных вариаций геофизических полей 43
ЗАКЛЮЧЕНИЕ 45
СПИСОК ЛИТЕРАТУРЫ

📖 Введение

В настоящее время методы синтеза панорамных изображений используются не только для повседневных целей, но и для ряда научных направлений, в которых присутствует фотосъемка, например, спутниковая съемка поверхности Земли или фотофиксация изображений с электронных микроскопов.
Существующие на сегодняшний день методы синтеза панорамных изображений не всегда оказываются эффективными, особенно в условиях зашумленности фрагментов или в случае недостаточных размеров области перекрытия.
Целью данной работы является развитие методов синтеза панорамных изображений с использованием кластеризующих нейронных сетей.
Для достижения цели были решены следующие задачи:
1) провести обзор существующих методов синтеза панорамных изображений;
2) реализовать метод синтеза панорамных изображений с использованием анализа особых точек и нейросетевых методов кластеризации;
3) оценить эффективность предложенного подхода на изображениях с различными типами искажений и зашумленностью;
4) проверить возможность использования предложенного подхода для анализа пространственных вариаций геофизических полей.

Возникли сложности?

Нужна качественная помощь преподавателя?

👨‍🎓 Помощь в написании

✅ Заключение

1. Существующий метод синтеза панорамных изображений с использованием анализа особых точек малоэффективен для изображений с различными типами пространственных искажений и зашумленностью.
2. Реализован метод синтеза панорамных изображений с использованием нейросетевых методов кластеризации.
3. Реализованный метод показал свою эффективность применительно к изображениям с различными типами пространственных искажений и зашумленностью.
4. Предложенный подход может быть использован для анализа пространственных вариаций геофизических полей.

Нужна своя уникальная работа?
Срочная разработка под ваши требования
Рассчитать стоимость
ИЛИ

📕 Список литературы

1. Bridgette Mongeon. Digital Sculpting with Mudbox: Essential Tools and Techniques for Artists. Focal Press, 2010. — 288 стр.
2. Порев В. Н. Компьютерная графика/ В.Н. Порев // Спб.: БХВ- Петербург, 2002. - 432с.
3. Конушин А. Слежение за точечными особенностями сцены (Point feature tracking). Компьютерная графика и мультимедиа. Выпуск №1(5)/2003.
4. Tinne Tuytelaars, Krystian Mikolajczyk. Local Invariant Feature Detectors: A Survey, 2008.
5. M. Brown, R. Szeliski, S. Winder. Multi-Image Matching using Multi-Scale Oriented Patches. Microsoft Research 2004.
6. R. Szeliski. Image Aligment and Stitching: A Tutorial. Microsoft Research, 2004.
7. M. Brown and D. G. Lowe. Recognising Panoramas. Ninth IEEE International Conference on Computer Vision (ICCV’03) - Volume 2, 2003.
8. D. G. Lowe. Distinctive Image Features from Scale-Invariant Keypoints. Computers Science Department University of British Columbia Vancouver, 2004.
9. Bay H., Ess A., Tuytelaars T., Gool L. V. Speeded-Up Robust Features (SURF)// Proceedings of the 9th European Conference on Computer vision. Springer LNCS. 2006. Vol. 3951. Pt.1. Pg. 401-417.
10. Martin A. Fischler and Robert C. Bolles (June 1981). «Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography»
11. Программное обеспечение (soft) для создания панорам [Электронный ресурс] // http://club.foto.ru/forum/511/568888
12. Kohonen, T. (1988), Learning Vector Quantization, Neural Networks, 1 (suppl 1), 303.
13. В.В. Круглов, В.В. Борисов Искусственные нейронные сети. Москва. 2001.
14. Rawer K. Propagation of decameter waves (h.f. band) [Text] / Rawer K. // Meteorological Influences on Radio Wave propagation. - Indianapolis, Indiana, 1963. - P.221-250.
15. Bent R.B. A Highly Successful Empirical Model for the Worldwide Ionospheric Electron Density Profile [Text] / Bent R.B., Llewellyn S.K., Schmid P.E. - Melbourne: DBA Systems, 1972.
16. Jet Propulsion Laboratory [Электронный ресурс] //
http://www.jpl.nasa.gov/

🛒 Оформить заказ

Работу высылаем в течении 5 минут после оплаты.

©2026 Cервис помощи студентам в выполнении работ