Warianty tytułu
Języki publikacji
Abstrakty
W pracy zostały przedstawione dwie metody. Zadaniem tych metod jest rozwiązanie problemu lokalizacji obiektów na obrazie. Pierwsza metoda to algorytm sferycznej sieci neuronowej. Celem tego algorytmu jest rozpoznanie obszarów obrazu. Te obszary obrazu są porównywane ze wzorcami, które wcześniej zostały pokazane sferycznej sieci neuronowej. Sferyczna sieć neuronowa jest to sieć neuronowa uczona z nauczycielem. Po etapie nauki, następuje etap rozpoznawania, tzn. sieć otrzymuje na wejście dane, które są elementami przeszukiwanego obrazu. Zadaniem sieci jest stwierdzenie czy analizowany fragment obrazu jest wzorcem pozytywnym lub wzorcem negatywnym. Drugą metodą jest metoda mechanicznego przetwarzania wzorca (Mechanical Pattern Processing - MPP). Metoda ta za pomocą mechanicznej obróbki przekształca dane z wejściowego obrazu na inną przestrzeń. Jest to metoda, która ma dwa cykle. Cyklem pierwszym jest cykl nauki, cyklem drugim jest cykl rozpoznawania. W cyklu rozpoznawania, dane wejściowe przekonwertowane do innej przestrzeni są porównywane z innymi wzorcami, które zostały podane w procesie nauki. Zaproponowane w pracy metody działają według odmiennych kryteriów, co powoduje, że wzajemnie się uzupełniają. Przeprowadzone eksperymenty wykażą, że zastosowanie hybrydowego algorytmu, stworzonego z obu powyższych algorytmów, umożliwia osiągnięcie lepszych wyników, niż rezultaty uzyskiwane podczas użycia metod niezależnie od siebie. Przestawione algorytmy: algorytm sferycznej sieci neuronowej oraz algorytm mecha-nicznego przetwarzania wzorców są w całości autorskie.
In the article the problem of objects recognition in an image is discussed. This paper describes two methods to support recognition of objects in the image. Uses a system of two algorithms are mutually complementary. The first algorithm is a spherical neural network where neurons are located on the surface of a sphere. The second algorithm is image processing using transformations like: tensile, torsion. The combination of these two algorithms is the hybrid system and introduces a new quality in image processing.
Czasopismo
Rocznik
Tom
Strony
141-167
Opis fizyczny
Bibliogr. 20 poz., rys., tab.
Twórcy
autor
- Wyższa Szkoła Technologii Informatycznych w Katowicach Uniwersytet Śląski, Wydział Informatyki i Nauki o Materiałach
Bibliografia
- [1] M. Baldoni, C. Baroglio, D. Cavagnino, Use of IFS Codes for Learning 2D Isolated-Object Classification Systems, Computer Vision and Image Understanding, vol. 77, no. 3, pp. 371-387,2000
- [2] K.M. Iftekharuddin, W. Jia, R. March, Fractal analysis of tumor in brain MR images, Mach. Vis. Appl. 13 (2003) 352-362.
- [3] T. Tan, Human Face Recognition Based on Fractal Image Coding, praca doktorska, School of Electrical and Information Engineering, University of Sydney, 2003.
- [4] Osowski S. Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa 1996
- [5] Korbicz J., Obuchowicz A., Uciski D. Sztuczne sieci neuronowe. Podstawy i zastosowania., Akademicka Oficyna Wydawnicza PLJ, Warszawa 1994
- [6] Shih-Chung B. Lo, Heang-Ping Chan, Jyh-Shyah Lin, Huai Li, Matthew T. Freedman and Seong K. Mun „Artificial convolution neural network for medical image pattern recognition" Neural Networks, Vol.8 No. 7/8, pp.1201-1214, 1995, Elsevier
- [7] Shinichi Tamura, Hideo Kawai and Hiroshi Mitsumoto „Male/Female identification from 8x8 very Iow resolution face images by neural network" Pattern Recognition, Vol. 29, No. 2, pp. 331-335, 1996 Elsevier
- [8] T. D'Orazioa , C. Guaragnellab, M. Leoa, A. Distantea „A new algorithmfor bali recognition using circle Hough transform and neural classifier" Pattern Recognition 37 (2004) 393 - 408, Elsevier
- [9] P. Scheunders, A Genetic c-means Clustering Algorithm Applied to Quantization, Pattern Recognition, V. 30, No. 6, pp. 859-866, 1997.
- [10] B. Bhanu and S. Lee, Genetic Learning for Adaptive Image Segmentation. Boston, Mass.: Kluwer Academic Publishers, 1994.
- [11] G. Roth and M.D. Levine, Geometrie Primitive Extraction Using a Genetic Algorithm, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 1, no. 9, pp. 901-905, Sept. 1994.
- [12] Neagoe, V.-E.; Ropot, A.-D. (2006) Pattern Recognition in Multispectral Satellite Images Using Concurrent Self-Organizing Modular Neural Networks. In Emerging and Future Technologies for Space Based Operations Support to NATO Military Opera-tions(pp. 7-1-7-10).
- [13] R. Parisi, E. D. D. Claudio, G. Lucarelli, and G. Orlandi, "Car plate recognition by neural networks and image processing," in Proc. IEEE Int. Symp. Circuits and Systems, vol. 3,1998, pp. 195-198.
- [14] S. Oka, Y. Takefuji, W. Huang „The third eye approach to innovative designs and applications into the 21st century: human recognition system by nonlinear oscillations" Engineering Applications of Artificial Intelligence 13 (2000) 543±548
- [15] Yas Abbas Alsultanny, Musbah M. Aqel „Pattern recognition using multilayer neural-genetic algorithm" Neurocomputing 51 (2003) 237 - 247
- [16] Bebis G., Georgiopoulos M., da Vitoria Lobo N., Using Self-Organizing Maps to Learn Geometrie Hash Functions for Model-Based Object Recognition, IEEE Transactions on neural networks, vol. 9, no.3, 1998
- [17] Khashman A., Automatic Detection of Military Targets utilising neural networks and scale space Analysis, New Information Processing Techniques for Military Systems, Istanbul, Turkey, 9-11 October 2000
- [18] Kalinke T., von Selen W., A neural Network for symmetry-based object detection and tracking, Institut fur Neuroinformatik, Ruhr-Universit at Bochum, FRG
- [19] Trela M. Sferyczna sieć neuronowa, New Trends In Simulation Of Systems - Krnov 2004, Czech Republic, p. 69-74
- [20] M. Trela, A. Lamża, S. Biały, The simulation of organism using the spherical neural network - VI Intemational Conference on Artificial Intelligence AI-19'2004 - Siedlce 2004
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.baztech-article-BPS3-0021-0072