МЕТОД ФОРМУВАННЯ ЕТАЛОННОГО ЗОБРАЖЕННЯ ЯСКРАВОГО ОБ’ЄКТУ
Ключові слова:
еталонне зображення, поточне зображення, яскравість, критерій максимальної правдоподібності, відношення лінійного квазіпорядку
Анотація
У статті розглянуто завдання формування еталонного зображення для об’єкту, у якого на зображеннях можливі суттєві зміни яскравості. Встановлено, що більшість існуючих методів при великих значеннях відношення сигналшум не відповідають вимогам по ймовірності правильного розпізнавання зображення. Метою статті є розробка методу формування еталонного зображення яскравого об’єкту, заснованого на виборі його оптимального числового представлення, котре в найбільшій мірі відповідає поточному зображенню. Результати досліджень. У представленому методі на кожному етапі порівняння еталонного зображення з фрагментами поточного зображення запропоновано синтезувати оптимальне числове представлення еталонного зображення, що зберігає відношення порядку на його елементах. Для порівняльної оцінки за ймовірністю правильного розпізнавання об'єкта запропонованого і звичайного квадратичного різницевого алгоритмів були проведені статистичні випробування. Висновок. При великих значеннях відношення сигнал-шум запропонований алгоритм істотно перевершує стандартний алгоритм по ймовірності правильного розпізнавання зображення.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. “Recommender Systems Handbook” (2010) Editors Francesco Ricci, Lior Rokach, Bracha Shapira, Paul B. Kantor, 1st edition., New York, NY, USA: Springer-Verlag New York, Inc., p. 842.
2. Segaran T. (2008) “Programming Collective Intelligence. Building Smart Web 2.0 Applications”, O'Reilly Media, p. 368.
3. Меньшикова Н.В., Портнов И.В., Николаев И.Е. (2016) “Обзор рекомендательных систем и возможностей учета контекста при формировании индивидуальных рекомендаций”, ACADEMY, №6, с. 20–22.
4. Harper, F.M. and Konstan J.A. (2016) “The MovieLens Datasets: History and Context”, ACM Transactions on Interactive Intelligent Systems (TiiS), available at: https://doi.org/10.1145/2827872
5. “Scientific data repository. Real-time visualization and exploration techniques interactive visual analytics”, available at: http://mlvis.com/
6. “Kaggle is the place to do data science projects”, available at: https://www.kaggle.com/datasets
7. “Registry of Open Data on AWS”, available at: https://registry.opendata.aws/
8. R/datasets”, available at: https://www.reddit.com/r/datasets
9. “Online open access repository Figshare”, available at: https://figshare.com/
10. NodeXL graph gallery”, available at: http://nodexlgraphgallery.org/Pages/Default.aspx
11. Yelp Open Dataset. An all-purpose dataset for learning”, available at: https://www.yelp.com/dataset
12. Network repository. A scientific network data repository with interactive visualization and mining tools” , available at: http://networkrepository.com/
13. UCI Machine Learning Repository. Center for Machine Learning and Intelligent Systems”, available at: https://archive.ics.uci.edu/ml/datasets.php
14. Github”, available at: https://github.com/search?q=dataset
2. Segaran T. (2008) “Programming Collective Intelligence. Building Smart Web 2.0 Applications”, O'Reilly Media, p. 368.
3. Меньшикова Н.В., Портнов И.В., Николаев И.Е. (2016) “Обзор рекомендательных систем и возможностей учета контекста при формировании индивидуальных рекомендаций”, ACADEMY, №6, с. 20–22.
4. Harper, F.M. and Konstan J.A. (2016) “The MovieLens Datasets: History and Context”, ACM Transactions on Interactive Intelligent Systems (TiiS), available at: https://doi.org/10.1145/2827872
5. “Scientific data repository. Real-time visualization and exploration techniques interactive visual analytics”, available at: http://mlvis.com/
6. “Kaggle is the place to do data science projects”, available at: https://www.kaggle.com/datasets
7. “Registry of Open Data on AWS”, available at: https://registry.opendata.aws/
8. R/datasets”, available at: https://www.reddit.com/r/datasets
9. “Online open access repository Figshare”, available at: https://figshare.com/
10. NodeXL graph gallery”, available at: http://nodexlgraphgallery.org/Pages/Default.aspx
11. Yelp Open Dataset. An all-purpose dataset for learning”, available at: https://www.yelp.com/dataset
12. Network repository. A scientific network data repository with interactive visualization and mining tools” , available at: http://networkrepository.com/
13. UCI Machine Learning Repository. Center for Machine Learning and Intelligent Systems”, available at: https://archive.ics.uci.edu/ml/datasets.php
14. Github”, available at: https://github.com/search?q=dataset
Опубліковано
2019-09-11
Як цитувати
Shipova T. Метод формування еталонного зображення яскравого об’єкту / T. Shipova, G. Zubritsky, V. Kirvas // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2019. – Т. 4 (56). – С. 114-117. – doi:https://doi.org/10.26906/SUNZ.2019.4.114.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
