Скачать 0.63 Mb.
|
Содержание шестой главы посвящено разработке алгоритмов ранговой бинарной сегментации векторных сигналов и изображений. Задача векторной сегментации имеет место при обработке многомерных сигналов, цветных и полутоновых изображений. В отличие от задачи, решаемой в пятой главе, имеется одна существенная особенность – каждый элемент выборки представляет собой вектор, содержащий компонент . При этом компоненты вектора наблюдения не обязательно являются однотипными соизмеримыми величинами. При решении ряда задач обнаружения и оценивания сигнала необходимо использовать несколько его параметров, например, при демодуляции – амплитуду и фазу, в задаче селекции импульсного сигнала – амплитуду и временную задержку. Необходимость векторной обработки также возникает всякий раз, когда один и тот же параметр сигнала измеряется сразу несколькими датчиками, т.е. имеется многоканальный измеритель. Основной проблемой ранговой обработки в этом случае является проблема сравнения векторных наблюдений. Операция сравнения является базовой в любом ранговом алгоритме, а сравнение векторов не определено однозначно. Однако сравнение одноименных скалярных компонент векторов наблюдений является вполне допустимой операцией, и, следовательно, возможно вычисление ранга - й компоненты наблюдения в выборке, составленной из - х компонент - мерных наблюдений. Таким образом, при ранжировании наблюдения описанным выше способом , приходим к - мерному ранговому вектору . Этот подход к ранжированию векторных наблюдений и был в дальнейшем использован при синтезе ранговых процедур обработки многомерных сигналов. Рассмотрим задачу бинарной сегментации векторных данных. Положим, что выборка сформирована из - мерных наблюдений двух типов (классов и ). Отсчет класса характеризуется «низким» («высоким») уровнем - й компоненты, «низким» («высоким») уровнем +1 - й компоненты по сравнению с уровнями соответствующих компонент класса . Возможно, что по некоторым компонентам классы и не различаются. Для - й компоненты классов и указанное выше свойство формально можно записать в виде условий (34), (35), либо (36). Важной особенностью выборки , используемой при синтезе алгоритма ранговой сегментации, как и прежде является «группирование» отсчетов каждого класса в локальной области выборки . Ранговая бинарная классификация выборки векторных наблюдений может быть выполнена по аналогии с правилом (39), если использовать данное правило применительно к каждой из компонент многомерных рангов наблюдений. Существуют следующие проблемы при использовании данного подхода:
Рассмотрим особенности многомерных (по сравнению с одномерными) процедур ранговой бинарной сегментации на примере частного случая двумерных наблюдений (т.е. когда количество компонент ). Предположим возможность безошибочной пороговой разделимости двумерных наблюдений классов и по всем компонентам. Предположим также, что в выборке содержится наблюдений класса - , и - , . Сформируем из части наблюдений рабочую выборку , объема . Если заранее неизвестно соотношение между компонентами классов, то можно предполагать один из двух возможных типов распределений двумерных рангов (рис.4). Рис. 4. Типы распределения двумерных рангов Закрашенные области на рис.4 – это места локализаций возможных координат ранговых векторов классов и . В незакрашенные области координаты ранговых векторов не попадают никогда (при выполнении условия безошибочной разделимости классов по всем компонентам). Возможные двумерные конфигурации областей определяются выражениями: (46) Для трехмерного ранга количество возможных конфигураций увеличивается. Вообще количество возможных вариантов распределения -мерного ранга определяется формулой (при бинарной модели наблюдений). Таким образом, кроме пары параметров распределения , появляется ещё третий (целое число из интервала), описывающий тип распределения. При независимости компонент -мерного векторного наблюдения, распределение -мерных рангов рабочей выборки можно записать следующим образом: . (47) С учётом параметра (в случае ) оценка формируется согласно одному из двух правил: , либо , (48) где параметр распределения - количество отсчётов одного из классов в рабочей выборке. МП-оценка параметра может быть получена на основе выборки двумерных рангов в соответствии с одним из правил (в зависимости от значения ): , либо (49) Решение о неоднородности выборки принимается на основе критерия модифицированного отношения правдоподобия: , (50) где определяется в соответствии с выражениями (48). При этом оценка типа распределения находится следующим образом: . (51) Другая важная особенность ранговой классификации многомерных наблюдений заключается в том, что при условии невозможности безошибочной классификации наблюдений по уровню по любой из компонент ранговые векторы могут оказываться в «запрещённых» областях (например, области III, IV (рис.1) для случая двумерных наблюдений). Это существенно усложняет правило сегментации и заставляет по определенным правилам строить разделяющие функции. В диссертации показано, что в пространстве рангов наблюдений такие разделяющие функции представляют собой линейно ломаные (рис. 5). Рис. 5. Разделяющие функции В подразделе 6.3. диссертации приводятся результаты сравнения качественных характеристик алгоритмов двух и трёхмерной бинарной сегментации. Отмечается выигрыш при использовании многомерных алгоритмов сегментации при отсутствии безошибочной разделимости по всем компонентам векторных наблюдений, заключающийся в снижении вероятности ошибок сегментации. В подразделе 6.4. диссертации рассматривается вопрос распространения алгоритмов многомерной ранговой бинарной сегментации на случай большего количества уровней. Отмечено, что при увеличении количества уровней снижается эффективность алгоритма сегментации и резко увеличивается вычислительная сложность алгоритма В подразделе 6.5. диссертации приводятся примеры двух и многоуровневой сегментации векторных изображений различного типа, подтверждающие универсальность предлагаемого подхода. В заключении формулируются основные результаты диссертационного исследования. ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ В диссертации решена важная научно-техническая проблема в области статистических методов обработки информации – предложены и развиты новые подходы к синтезу алгоритмов обработки сигналов и изображений в условиях непараметрической априорной неопределенности, повышению их эффективности и устойчивости. На базе предложенных подходов получен ряд эффективных алгоритмов обнаружения и оценивания сигналов и сегментации изображений. Разработанные в диссертации непараметрические алгоритмы нашли применение в серийно выпускаемой аппаратуре, в частности, сейсмических охранных системах «Форшлаг», «Азимут», «Модуль». Применение непараметрического подхода к задаче сегментации изображений позволило получить устойчивые результаты первичной обработки, используемой в алгоритмах распознаваний буквенно-цифровой информации, нанесённой на бортах транспортных средств. Основные результаты исследований заключаются в следующем.
Основное содержание диссертации опубликовано в следующих работах:
|
C остояние и проблемы использования информационных систем субъектами хозяйственной деятельности При этом важно определить эффективность информационных систем и их компонент. Необходимо выделить набор соответствующих критериев,... | Минобрнауки росии Статистическая теория радиотехнических систем, обнаружение и различение сигналов, разрешение сигналов, восстановление сигналов | ||
Декомпозиция сигналов на основе вейвлетов Гаусса и Морле (dwsignal) Программа предназначена для декомпозиции сигналов и может применяться в научных исследованиях и при обучении студентов специализирующихся... | Восстановление акустических сигналов по неравномерным выборкам При этом попытки повышения соотношения сигнал/шум на этапе вторичной обработки особенно актуальны когда электронные методы подавления... | ||
Урока по информатике и геометрии по теме "Алгоритмы создания изображений.... ... | Цель дисциплины рассмотрение методов исследования, т е. методов проверки,... В программе курса отражены методы проверки, обоснования, оценивания количественных закономерностей и качественных утверждений (гипотез)... | ||
Программа вступительного экзамена по специальности научных работников... Направление подготовки (12. 06. 01 Фотоника, приборостроение, оптические и биотехнические системы и технологии.) | Методы и алгоритмы обработки изображений в системе телевизионного... Специальности: 05. 13. 11 математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей | ||
Моделирование изображений с заданными фрактальными характеристиками (mif) При этом ичх синтезированных изображений является инвариантом относительно мультипликативных уменьшений масштаба в области пространственных... | Программа элективного курса для учащихся 11 классов «Обработка изображений... Под «компьютерным художником» можно понимать любого, кто занимается созданием или редактированием изображений с помощью ЭВМ | ||
Конспект урока №1 «Графика. Виды графики. Первоначальное знакомство с редактором TuxPaint» Методы и приёмы обучения: объяснительно-иллюстративный; словесный (фронтальная беседа); наглядный (демонстрация компьютерной презентации);... | Памятка-практикум «Освоение технологии оценивания учебных успехов» Совместная выработка порядка оценивания (этот пункт оправдан только если внедрение технолоиги осуществляется не в 1-м классе) | ||
Ортогональное частотное разделение каналов с мультиплексированием Следовательно, в точке приема результирующий сигнал представляет собой суперпозицию (интерференцию) многих сигналов, имеющих различные... | Некоторые методы обнаружения геопатогенных зон Как обнаружить геопатогенные зоны? Сегодня уже созданы приборы, позволяющие это сделать. Но приборов мало, а геопатогенных зон много. Поэтому в разных случаях следует... | ||
Курсовая работа на тему: «Исследование эффективности поиска в Интернете... Целью данной работы является оценка эффективности поисковых стратегий в информационно-поисковых системах (ипс) | Инструкция учащегося по переходу на балльно рейтинговую систему (брс)... Самостоятельно ознакомиться с Положением о балльно рейтинговой системе оценивания знаний учащихся на сайте школы |