Підвищення чутливості аналізу зображень земної поверхні на підставі сполучення методів нечіткої та нейромережевої сегментації
Рейтинг користувача: ![](/media/system/images/rating_star_blank.png)
![](/media/system/images/rating_star_blank.png)
![](/media/system/images/rating_star_blank.png)
![](/media/system/images/rating_star_blank.png)
/ 0
- Деталі
-
Категорія: IT-технології
-
Останнє оновлення: Середа, 25 грудня 2013, 11:06
-
Опубліковано: Середа, 19 грудня 2012, 13:07
-
Перегляди: 4788
Автори:
І.М. Удовик, Державний вищий навчальний заклад «Національний гірничий університет», асистент кафедри програмного забезпечення комп’ютерних систем, м. Дніпропетровськ, Україна
Реферат:
Мета. Підвищення чутливості візуального аналізу слабоконтрастних зображень Земної поверхні та геофізичних полів.
Методика. Збільшення розмірності простору інформативних ознак зображення, що аналізується за рахунок використання методу нечіткої сегментації початкових даних, формування нового багатовимірного масиву зображень на основі отриманих функцій приналежності класів із подальшою сегментацією нейронною мережею Кохонена.
Результати. Розроблено та експериментально досліджено метод сегментації слабоконтрастних зображень Земної поверхні та геофізичних полів.
Наукова новизна. Запропоновано нову методику формування багатовимірного інформаційного простору, основаного на використанні зображень функції приналежності класів у рамках алгоритму нечіткої сегментації з подальшим адаптивним формуванням одного результуючого зображення.
Практична значимість. Підтверджено інформативність методу результатами експериментальної перевірки на прикладах сегментації реальних слабоконтрастних зображень. Чутливість процедури сегментації, у залежності від характеру поставленої задачі, може варіювати.
Список літератури / References:
1. Форсайт Д. Компьютерное зрение: современный подход / Форсайт Д., Понс Ж. – М.: Вильямс, 2004.
Forsyth, D. and Ponce, J. (2004), Computer Vision: A Modern Approach, Williams.
2. Jain, A.K., Dubes, R.C. (1988), Algorithms for Clustering Data, Engelwood Cliffs: Prentice-Hall.
3. Zheru Chi, Hong Yan, Tuan Pham. (1996), Fuzzy Algorithms: With Application to Image Processing and Pattern Recognition, World Scientific, London.
4. Осовский С. Нейронные сети для обработки информации / С. Осовский – М.: Финансы и Статистика, 2002.
Osovskiy S. (2002), Neyronnye seti dlya obrabotki informatsii [Neural networks for information processing], Finansy i Statistika, Moscow, Russia.
5. Ахметшина Л. Г. Сегментация мультиспектральных изображений на основе метода нечёткой кластеризации / Ахметшина Л. Г. // Сб. научных трудов НГАУ– Днепропетровск, 2000. – Т.1. – №9. – С. 90–93.
Akhmetshina, L.G. (2000), “Segmentation of multispectral images based on fuzzy clustering method”, Collected scientific papers NGAU, Vol.1, no.9, pp. 90–93.
6. Ахметшина Л. Г. Сегментация мультиспектральных изображений с использованием самоорганизующихся карт Кохонена / Ахметшина Л. Г., Егоров А.А. // Сб. научных трудов НГАУ – Днепропетровск, 2002. – Т.2. – №14. – С. 154–158.
Akhmetshina, L.G. and Egorov, A.A. (2002), “Segmentation of multispectral images using Kohonen self-organizing maps”, Collected scientific papers NGAU, Vol.2, no.14. pp. 154–158.
7. Ахметшина Л.Г. Информационные возможности модуляционного преобразования при сегментации мультиспектральных изображений. / Ахметшина Л.Г. // Системні технологіі. – Дніпропетровськ, 2004. – №6. – C. 122–127.
Akhmetshina, L.G. (2004), “Information capabilities of modulation conversion in segmentation of multispectral images”, Systemnі tehnologіі, no. 6, pp. 122–127.