ДОСЛІДЖЕННЯ УНІФІКАЦІЇ СТАНДАРТНИХ ПОРОГОВИХ МЕТОДІВ СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ
DOI:
https://doi.org/10.32782/KNTU2618-0340/2020.3.2-1.8Ключові слова:
розпізнавання зображень; сегментація зображень; комп’ютерний зірАнотація
У роботі представлено дослідження автора у напрямку огляду ефективних методів сегментації, що пов’язаних які можна використати в навчальному процесі сьогодення. У роботі проаналізовано базові рішення та їх математичне обґрунтування. Показано основні обмеження застосування та проблемні області застосування. У роботі описано основні принципи порогового визначення. Порогові методи є одними з найпростіших в реалізації та найбільш широко застосовуваних методів сегментації зображень. Мета порогового значення – розподілити зображення на регіони із заданими характеристиками та видалити всі інші регіони які визнано несуттєвими. Матеріал, представлений в цій роботі дає базове розуміння різних стратегій вибору порогових значень. Головною метою цієї роботи є дослідження методів порогової сегментації зображень для побудови математичної моделі швидкої обробки даних при розпізнавання зображень. Оцінюючи приналежність піксела до сегменту комп’ютер потребує алгоритму вибору оптимального методу сегментації. Для вибору адаптації рішення до конкретного зовнішнього стану потрібно знайти алгоритм, що забезпечить найкраще розпізнавання. У статті досліджено методи сегментації, які здійснюються насамперед з метою зменшення надмірності інформації для конкретних часових умов, залишаючи в ньому лише інформацію, необхідну для вирішення конкретної задачі в конкретний момент часу. У бінарному зображенні цікаві для нас частини (наприклад, контури відображуваних об'єктів) повинні бути збережені, а незначні риси (фон) виключені. Основна ідея роботи є основою для навчання математики в системі сприйняття образів. Зокрема, комп’ютер повинен відчувати і розуміти динаміку реального світу. Тому автор досліджує моделі та засоби синтезу методів сприйняття даних зорового спектру, що знаходяться у режимі реального часу.
Посилання
Hrytsyk V., Grondzal A., Bilenkyj A. Augmented Reality for People with Disabilities. Proceedings of the International Conference on Computer Sciences and Information Technologies, CSIT’2015 (Lviv, September 14–17, 2015). Lviv: Polytechnic National University, 2015. P. 188–191.
Audio-Visual Answer to Modern Computing. Research*eu Results Supplement. 2010. № 26. P. 31−32.
Мічо Кайку. Фізика майбутнього. Переклала з англ. Анжела Кам’янець. Львів: Літопис, 2013. 432 с.
Software: Running Commentary for Smarter Surveillance? Research*eu Results Supplement. 2010. № 24. P. 29.
Schwab K. The Fourth Industrial Revolution: What it Means, How to Respond. World Economic Forum. URL: https://www.weforum.org/agenda/2016/01/the-fourthindustrial-revolution-what-it-means-and-how-to-respond
Шваб K. Четверта промислова революція: як до неї готуватися (переклад). URL: http://nubip.edu.ua/node/23076
Kagermann H., Lukas W.-D., Wahlster W.0 Industrie 4.0: Mit dem Internet der Dinge auf dem Weg zur 4. industriellen Revolution (нім.). VDI nachrichten. 2011, April 1, №13. URL: http://www.vdi-nachrichten.com/Technik-Gesellschaft/Industrie-40-MitInternet-Dinge-Weg-4industriellen-Revolution;
Шмідт Ф., Бутирський З. Ганноверський ярмарок: Інтернет зливається з заводом. Deutsche Welle. 2013. URL: http://www.dw.com/uk/ганноверський-ярмарокінтернет-зливається-з-заводом/a-16728837
Hermann M., Pentek T., Otto B. Design Principles for Industrie 4.0 Scenarios: A Literature Review. URL: http://www.snom.mb.tu-dortmund.de/cms/de/forschung/ Arbeitsberichte/Design-Principles-for-Industrie-4_0-Scenarios.pdf
Business Insider. URL: http://www.businessinsider.com/cyborgs-are-the-future-offinancial-advice-2017-2
Stuart J. Russell and Peter Norvig. Artificial Intelligence a Modern Approach. New Jersey: Prentice-Hall, Inc., 1995. 950 p.
Rosenfeld A., Kak A. Digital Picture processing. 2nd ed. New York: Academic Press,1982. 476 c.
Otsu N. A Threshold Selection Method from Gray-Level Histograms. Proceedings of the IEEE Transactions on Systems, Man, and Cybernetics. 1979. Vol. SMC-9. P. 62–66.
Sahoo P. K., Soltani S., Wong A. C., Chen Y. C. A Survey of Thresholding Techniques.Computer Vision, Graphics and Image Processing. 1988. Vol. 41. P. 233–260.
Ritter Gerhard X., Wilson Joseph N. Handbook of Computer Vision Algorithms in Image Algebra. 2nd Ed. Boca Raton, London, NewYork,Washington: CRC press, 2000. 448 p.
Korzynska A., Roszkowiak L., Lopez C., Bosch R., Witkowski L., Lejeune M. Validation of Various Adaptive Threshold Methods of Segmentation Applied to Follicular Lymphoma Digital Images Stained with 3,3’-Diaminobenzidine&Haematoxylin. Diagnostic Pathology. 2013. Issue 8. Article number 48. DOI: 10.1186/1746-1596-8-48
Sauvola J. Pietikainen M. Adaptive document image binarization. Pattern Recognition. 2000, 33, 225–236. DOI: 10.1016/S0031-3203(99)00055-2.
Hrytsyk V. V., Dunas A. Ya. Doslidzhennia metodiv rozpiznavannia obraziv dlia system kompiuternoho zoru robotiv maibutnoho. Visnyk KhNTU. 2017. № 3. Ч. 1, С. 297–301.
