Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: high-level features

Sortuj według:

Ogranicz wyniki do:

Online Preprocessing of Handwritten Gurmukhi Strokes

Sharma A., Sharma R. K., Kumar R.

Machine Graphics and Vision

2009

Vol. 18, No. 1

105-120

In this paper, the authors have implemented preprocessing algorithms for online handwritten Gurmukhi strokes in order to find the improvements in recognition of four high-level features (loop, headline, straight line and dot) of Gurmukhi strokes. Preprocessing algorithms include size normalization and centering, interpolating missing points, smoothing, slant correction and resampling of points. Recognition algorithms for the above mentioned four high-level features are also introduced in this paper. Experiments have been conducted across 60 writers and 5%, 3.33%, 6.66% and 8.34% improvements have been observed for recognition of loop, headline, straight line and dot features, respectively, after using preprocessing algorithms.

Podstawy teoretyczne metod dopasowania powierzchni z wykorzystaniem cech wysokiego poziomu

Ke L.Ch.

Prace Naukowe Politechniki Warszawskiej. Geodezja

2005

z. 40

3-59

Technika dopasowania powierzchni może być automatycznie zrealizowana dzięki cechom wyekstrahowanym na powierzchni. Wybrane cechy mogą odnosić się do obiektów punktowych, liniowych, powierzchniowych lub być matematycznie zdefiniowane. Można rozważać dwa typy cech: podstawowe (prymitywne) i cechy wysokiego poziomu. Do cech podstawowych zaliczamy atrybuty punktów, odległości, obwody, pola, kąty lewe lub prawe linii. Cechy mogą być widziane na obrazach lub na powierzchniach. Cechy wysokiego poziomu to momenty, styczne, normalne lub krzywizny w interesujących punktach linii lub elementów powierzchniowych. Na ogół, cechy wysokiego poziomu zdefiniowane matematycznie lub fizyczno-matematycznie są "niewidzialne", ale powinny być wyobrażalne. W niniejszej pracy zaproponowano cztery metody dopasowania powierzchni przy wykorzystaniu cech niewidzialnych, tzn. cech wysokiego poziomu. W podrozdziale 4.1 została przedstawiona metoda, w której zastosowano momenty elementów powierzchniowych, generowanych w modelu TIN (Triangle Irregulary Network) lub DEM (Digital Elevation Model). W podrozdziale 4.2, opisano metodę opartą na momentach linii wyekstrahowanych na powierzchni. Opracowano dwa sposoby dopasowania powierzchni, wykorzystując własności niezmienników momentów, które są niezależne od transformacji geometrycznych. Trzecia metoda została przedstawiona w podrozdziale 4.3. Wykorzystano w niej maksymalne krzywizny i kąty kierunkowe stycznych do linii wyekstrahowanych na powierzcnniach oraz stabilność odległości łączacych punkty o maksymalnych krzywiznach. Trzy metody opisane wyżej są zrealizowane w trójwymiarowej przestrzeni przedmiotowej. Mogą być także zastosowane w przestrzeni obrazowej, powstałej przez rzutowanie cech na płaszczyzny układu odniesienia obrazów. Po wykonaniu dopasowania cech w przestrzeni obrazowej, zbiory ponownie rzutuje się w przestrzeń przedmiotową, dzięki wcześniej określonym elementom orientacji. Metody te mogą być rownież przydatne do automatycznego wykonania orientacji wzajemnej i bezwzględnej. Zastosowanie sztucznej sieci neuronowej w celu wzajemnego dopasowania powierzchni, w tym sieci Hopfielda, zostało zaprezentowane w podrozdziale 4.4. W celu zastosowania sieci neuronowej Hopfielda HNN do rozwiązania problemu globalnego dopasowania dwóch powierzchni opisu tego samego terenu, wykorzystuje się metodę minimalizacji energii utworzonej z warunków przymusowych.

Surface matching can be put into practice using features extracted from obtained surfaces of the same terrain. The features can be divided into primitive and high level. Included in primitive features are points, lengths, perimeters, areas, angles of polygon line. High level features are moments, normals, bitangents, curvatures in interesting points of a line or of surface patches. In general, the features of high level are "invisible" to an observer because they are mathematically or physically-mathematically defined. In this work four proposed methods for surface matching using high-level features have been presented. In chapter 4.1 a method based on the moments of surface patches, generated TIN models or into square (DEM) has been depicted. The method based on the moments of line extracted on surfaces has also been represented in chapter 4.2. The two methods specified above utilize the property of moments that deals with the invariants of geometrical transformation. A third method based on the properties of stability of the lengths linking the line points with maximal curvatures has been represented in chapter 4.3. The tree methods described in chapters 4.1, 4.2 and 4.3 are put into practice in the object space. These methods can also be performed in the image space by projecting corresponding surfaces into image planes. After carrying out feature matching in the image space the sets of features has once again been projected inversely into the object space with an established exterior orientation. These methods are also useful in carrying out relative and absolute orientation. The use of an artificial neural network in surface matching, including Hopfield's Neural Network (HNN) has been described in chapter 4.4. To solve the global problem of surface matching the HNN technique will be realized by minimizing energy, though optimization.