1. 3. Взгляды классификации и типы систем распознавания 7
2. Определение изображений 14
2. 1. Способы определения изображений 14
2. 1. 1. Способ корреляции 18
2. 1. 2. Признаковый метод 20
2. 1. 3. Скелетный метод 24
2. 2. Зашумленность и воздействие гулов на изображение 25
2. 2. 1. Предпосылки происхождения цифрового шума 25
2. 2. 2. Что воздействует на величину цифрового шума 27
2. 2. 3. Угнетение цифрового шума 28
3. Осуществление алгоритма 32
3. 1. Отбор среды программирования 32
3. 2. Блок-схема работы программы 34
3. 3. Разработка формы программы 35
3. 4. Тестирование 36
Заключение 41
Перечень литературы 42
Приложения 44
Выдержка
Введение
Актуальной на нынешний день задачей является определение машинописных и рукописных текстов в силу её будничной необходимости. Не считая такого, огромное смысл владеет эксплуатационный ввод графической инфы, подлежащей предстоящей отделке, в информационные и правящие системы инфы с машиночитаемых бланков. Задачка определения, хозяйка сообразно себе, подразумевает интеллектуальную отделку приобретенной инфы, что представляет определенные трудности. Непременно, в задачке определения знаков(определение текста, авто номеров)достигнуты большие успехи. Однако, тем не наименее, каких-то всепригодных способов отделки изображения, сравнимых сообразно производительности и качеству определения с человечьими возможностями, недостает. К примеру, в задачках, какие ставятся перед экспертными системами, требуется наиболее глубочайший умственный анализ и высочайшее быстродействие, данными же качествами обязаны владеть механизированные системы сервиса. Потому переработка изображения в задачке определения является одной из центральных заморочек. В предоставленном дипломном проекте станет реализовано определение изображений в критериях зашумленности.
Литература
1. Айзерман М. А. , Браверман Э. М. , Розоноэр Л. И. Способ возможных функций в теории обучения машин. - М. : Дисциплина, 2004. - 384 с. 2. Васильев В. И. Неувязка обучения определения образов, 1989, 64с. 3. Горбань А. , Россиев Д. Нейронные козни на индивидуальном компе. //Новосибирск, Дисциплина, 1996. – C 114 – 119. 4. Денисов Д. А. , Дудкин А. К. , Пяткин В. П. Числовой анализ изображений(Способы описания геометрических структур) 5. Журавлев Ю. И. Об алгебраическом подходе к решению задач определения либо классификации // Трудности кибернетики. М. : Дисциплина, 2005. - Вып. 33. С. 5-68 6. Журавлев Ю. И. Избранные научные труды. – Изд. Магистр, 2002. - 420 с. 7. Мазуров В. Д. Комитеты систем неравенств и задачка определения // Кибернетика, 2004, № 2. С. 140-146. 8. Минский М. , Пейперт С. Персептроны. - М. : Мир, 2007. - 261 с. 9. Потапов А. С. Определение образов и машинное воспринятие. - С-Пб. : Политехника, 2007. - 548 с 10. Путятин Е. П. , Аверин С. И. Переработка изображений в робототехнике. М: Машиностроение, 1990. 320 с. 11. Растригин Л. А. , Эренштейн Р. Х. Способ корпоративного определения. 79 с. ил. 20 см. , М. Энергоиздат, 2006. – 80 с. 12. Рудаков К. В. Об алгебраической теории всепригодных и локальных ограничений для задач классификации // Определение, классифицирование, прогноз. Математические способы и их использование. Вып. 1. - М. : Дисциплина, 2007. - С. 176-200. 13. Русын Б. П. Структурно-лингвистические способы определения изображений в настоящем времени 14. Фу К. Структурные способы в распознавании образов. - М. : Мир, 2005. - 144 с. 15. Handbook of pattern recognition and computer vision / Chen C. H. , Rau L. F. and Wang P. S. P.(eds. ). – Singapore-New Jersey-London-Hong Kong: World Scientific Publishing Co. Pte. Ltd. , 1995. - 984 p. 16. Shalkoff R. J. Digital image processing and computer vision. – New York-Chichester-Brisbane-Toronto-Singapore: John Wiley Sons, Inc. , 1989. - 489 p. 17. Roberts J. M. Attentive Visual Tracking and Trajectory Estimation for Dynamic Scene Segmentation. //PhD thesis. , University of Southampton dec. 94
Введение Актуальной на сегодняшний день задачей является распознавание машинописных и рукописных текстов в силу ее повседневной необходимости. Кроме того, боль