Please use this identifier to cite or link to this item: http://openarchive.nure.ua/handle/document/3226
Title: Фрагментна обробка зображень на основі штучних нейронних мереж
Authors: Сакало, Є. С.
Keywords: обробка зображень
штучні нейронні мережі
навчання та самонавчання
компресія
сегментація
фільтрація
image processing
artificial neural networks
compression
segmentation
Issue Date: 2011
Publisher: Харк. нац. ун-т радіоелектроніки
Citation: Сакало Є. С. Фрагментна обробка зображень на основі штучних нейронних мереж : автореф. дис. ... канд. техн. наук : 05.13.23 – "Системи та засоби штучного інтелекту" / Є. С. Сакало ; Харк. нац. ун-т радіоелектроніки. – Х., 2011. – 22 с.
Abstract: Дисертацію присвячено створенню та дослідженню методів обробки зобра-жень (компресії, сегментації, фільтрації) на основі використання спеціалізованих штучних нейронних мереж. Розглянуто традиційні методи обробки зображень, ви-значені їх основні недоліки та переваги, показано перспективність використання нейромережних методів. Вперше запропоновано конкурентну нейронну мережу та метод її самонавчання, що в якості вхідного сигналу використовують фрагменти зо-бражень у матричній формі замість векторів-образів, що забезпечує збереження мі-жпіксельних кореляційних зв’язків та змістовної структури фрагменту. Ця мережа є простою у чисельній реалізації та має фільтруючі та слідкуючи властивості: ця ж мережа покладена в основу гібридної системи адаптивного розпізнавання фрагмен-тів зображень, що утворюється послідовним з’єднанням матричної самоорганізува-льної карти та матричної мережі векторного квантування. Також вперше запропоновано спеціалізовану нейронну мережу для аналізу не-залежних компонент та метод її навчання у реальному часі, що має підвищену шви-дкодію та дозволяє одночасно вирішувати як задачі стиснення, так і власне задачі сліпої ідентифікації та сепарації сигналів. Удосконалено методи навчання для вирі-шення задач стиснення зображень на основі аналізу головних компонент та головних підпросторів, що мають підвищену швидкодію. Також удосконалені методи самонавчання самоорганізувальних карт Т. Кохонена на основі калманівської фільт-рації сигналів та використання робастних критеріїв та спеціалізованої мережі сліпої сепарації. The thesis is devoted to developing and investigation of image processing methods (compression, segmentation, filtration) based on using specialized artificial neural net-works. Conventional image processing methods are considered, their main disadvantages and advantages are analyzed, the application prospects of neural approaches are shown. For the first time a competitive neural network and its selflearning method are proposed, where frames of images in a matrix form are used as input signals instead of vector pat- 19 terns. This approach provides conservation of interpixel correlation and contextual struc-ture of a frame. This network is simple in a computational realization and possesses addi-tive filtering and tracking properties. This network forms a base for a hybrid system of adaptive frame image recognition that is formed by series connection of a matrix self-organizing map and a matrix vector quantization network. Also, for the first time, a specialized neural network for independent component analysis and its real-time learning method are proposed. This system permits simultane-ously to solve both the tasks of compression and blind signal identification and separation and provides high speed information processing. The learning methods for solving the tasks of image compression using analysis of principal components and principal sub-spaces with high speed performance have got further development. Moreover, selflearning methods for T. Kohonen’s self-organizing maps using Kalman’s signal filtration, robust criteria and a specialized blind separation network are modified.
URI: http://openarchive.nure.ua/handle/document/3226
Appears in Collections:Автореферати

Files in This Item:
File Description SizeFormat 
SakaloES.pdf866.17 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.