.:Публикации:. [www.karlson.ru]


Вперед: Различные подходы к разработке Вверх: Курсовая работа 1 Назад: Введение   Содержание

Обзорная часть

В этой работе я рассматриваются проблемы визуализации изображений, задачи класса Computer Graphics. Существует также другая задача, связанная с обработкой изображений, являющаяся обратной рассмотренной. Это задача компьютерного анализа изображений. Основная цель такой задачи - выявить какую-либо информацию на базе двумерной матрицы (массива), состоящей из значений интенсивности цвета, называемой картинкой. В общем случае рассматривается задача, где входных картинок может быть несколько (2 для стереопары). А какую же информацию мы хотим получить? Есть несколько принципиальных типов: опознавание (классификация данных, причисление картинки к одному из заданных классов), геометрия (расстояние до объектов в картинке, углы, и т.д.) и сжатие (архивация картинки для ускоренной передачи или эффективного хранения). Для решения этих задач нужно проводить некие вычисления, и, так часто бывает, что эти вычисления могут проводиться независимо. Скажем, для многих задач возможно разделение картинки на сегменты, которые можно обрабатывать независимо, в этих случаях нейронная сеть может решать их очень эффективно, обрабатывая сегменты параллельно. Примерами таких задач могут служить, например, световые фильтры или определители краев объектов в картинке. Эта область применения обычно называется Computer Vision, и в ней накоплен огромный опыт работы и исследований. Тем не менее, важность ее такова, что интерес к ней вряд ли остынет в недалеком будущем. Принято разделять низко-уровневые и высоко-уровневые проблемы Computer Vision. Под низко-уровневой (или early vision) обработкой изображений понимаются задачи, связанные выявлением физических свойств видимого трехмерного объекта по к картинкек (смысл этого термина мы уже вводили), в противоположность задачам высоко-уровневой обработки изображений, где основная цель - это получение информации с разных картинок (или сегментов одной картинки) для последующего анализа при помощи высоко-уровневого знания. Пример задачи первого типа типа - определение краев изображенного на картинке физического объекта. Хорошее определение звучит так, что это задачи обратные оптике. Напомню, что классическая оптика (или компьютерная графика) ставит задачу построения картинки по трехмерному объекту. Примером же задачи второго типа может послужить задача подсчета расстояния до объекта представленного стерео парой (то есть двумя картинками, представляющими фотографии одного объекта, как бы для левого и правого глаза). К сожалению, большинство задач Computer Vision некорректно поставленные, в точном смысле по Адамару (который правда вводил это понятие лишь применительно к задаче решения дифференциальных уравнений). То есть, как легко показать, многие из этих задач не удовлетворяют хотя бы одному из следующих требований:
  1. решение задачи существует,
  2. решение задачи единственно,
  3. решение задачи непрерывно зависит от исходных данных, то есть мало меняется при малом изменении исходных данных.
Такие задачи обычно именуются Ill-posed problems. Они часто возникают при постановке обратных известным, и раньше считалось, что они могут служить лишь головоломками для математиков, однако последнее время показало их огромную важность в реальной жизни. Основная парадигма решения таких задач в восстановлении к корректности постановкик, то есть ужесточения класса допустимых решений, путем использования подходящих a priori знаний (до опыта).

Подглавы

...домик на крыше...,поиск,гостевая книга,cv. Be free, use Linux!