The main purpose of applying a transformation to the image is to achieve some information and make it more obvious and explicit, because, above all, the image must be understood, not just seen. In general the Hough transform allow to obtain the parameters of geometric shapes. The paper discusses how to use the Hough transform for the detection of regular curves such as lines, circles, ellipses, etc. The method is tolerant of gaps in feature boundary descriptions and is relatively unaffected by image noise, therefore, it works with the image analysis of low quality images.
PL
Głównym celem stosowania transformacji obrazu jest pozyskiwanie informacji oraz przekształcenie w bardziej oczywistą i jednoznaczną formę, ponieważ obraz trzeba nie tylko widzieć, ale przede wszystkim rozumieć. Transformacja Hougha pozwala na pozyskanie geometrycznych parametrów kształtu obiektów. W artykule omówiono sposoby zastosowania transformaty Hougha do wykrywania krzywych, linii oraz okręgów na obrazach częściowo zniekształconych. Metoda ta jest mało wrażliwa na zakłócenia, zatem bardzo dobrze sprawdza się przy analizie obrazów słabej jakości.
Oszacowanie selektywności zapytania jest istotnym elementem procesu uzyskiwania optymalnego planu wykonania tego zapytania. Wyznaczenie selektywności wymaga użycia nieparametrycznego estymatora rozkładu wartości atrybutu, na ogół histogramu. Wykorzystanie wielowymiarowego histogramu jako reprezentacji łącznego rozkładu wielowymiarowego jest nieekonomiczne z powodu zajętości pamięciowej takiej reprezentacji. W artykule zaproponowano nową metodę, nazwaną HPCA, oszczędną pod względem zajętości, gdzie rozkład dwuwymiarowy w przybliżeniu może być reprezentowany w postaci zbioru histogramów jednowymiarowych. Metoda HPCA opiera się na transformacji Hougha i metodzie analizy składowych głównych. Dzięki HPCA można uzyskiwać dokładniejsze oszacowania selektywności zapytań niż te, otrzymane przy wykorzystaniu standardowych 2-wymiarowych histogramów.
EN
Query selectivity estimation is an important element of obtaining optimal query execution plan. Selectivity estimation requires a nonparametric estimator of attribute values distribution – commonly a histogram. Using a multidimensional histogram as a representation of a joint multidimensional distribution of attributes values is not space-efficient. The paper introduces a new space-efficient method called HPCA, where a 2-dimesional distribution may be represented by a set of 1-dimensional histograms. HPCA is based on Hough transform and principal component analysis method. Using HPCA commonly gives more accurate selectivity estimation than standard methods based on a 2-dimensional histogram.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.