30. Стереоскопические измерения снимков (изображений).

Данная статья сравнивает некоторые методов анаглифа. Здесь приведены формулы для расчёта RGB-значений анаглифа из RGB-значений изначальных правого и левого изображений. Формулы должныбыть применены для каждого пикселя.

True Anaglyphs

• Тёмное изображение

• Нет повторения цвета.

• Небольшие ореолы.

Gray Anaglyphs

• Нет повторения цвета

• Большие ореолы чем в true anaglyphs.

Color Anaglyphs

• Частичное повторение цвета

• Диспаратность

Half Color Anaglyphs

• Частичное повторение цвета (Но не такое хорошее как в предыдущем методе)

• Меньшая Диспаратность чем в предыдущем методе.

Optimized Anaglyphs

Когда мы говорим о диспаратности, мы просто имеем в виду диспаратность вызванную различиями в яркости цветных объектов. Конечно это дополнительные формы диспаратности, независимо от метода анаглифа используется: диспаратность вызванная различием цветовых каналов воспринимаемых правым и левым глазом.

Диспаратность (вариант написания - диспарантность) (от лат. disparatus — разделённый) — различие взаимного положения точек, отображаемых на сетчатках левого и правого глаза. Диспаратность изображений лежит в основе неосознаваемых психофизиологических процессов бинокулярного и стереоскопического зрения.

31. Классификация группы объектов.

Классификация — это отнесение исходных данных к определенному классу с помощью выделения существенных признаков, характеризующих эти данные, из общей массы несущественных данных.

При постановке задач распознавания стараются пользоваться математическим языком, стараясь в отличие от теории искусственных нейронных сетей, где основой является получение результата путем эксперимента, заменить эксперимент логическими рассуждениями и математическими доказательствами.

Наиболее часто в задачах распознавания образов рассматриваются монохромные изображения, что дает возможность рассматривать изображение как функцию на плоскости. Если рассмотреть точечное множество на плоскости T, где функция f(x,y) выражает в каждой точке изображения его характеристику — яркость, прозрачность, оптическую плотность, то такая функция есть формальная запись изображения.

Множество же всех возможных функций f(x,y) на плоскости T — есть модель множества всех изображений X. Вводя понятие сходства между образами можно поставить задачу распознавания. Конкретный вид такой постановки сильно зависит от последующих этапов при распознавании в соответствии с тем или иным подходом.

32. Математическая постановка задачи классификации.

33. Классы разделяющих функций

А. Линейные разделяющие функции.

В этом случае в качестве Di(x ) используется линейная комбинация измеренных признаков .

Решающая граница между областями wi и wj в пространстве признаков x Ω имеет вид

Уравнение (22.1) представляет собой уравнение гиперплоскости в пространстве признаков Ωx.

Общая схема вычислителя линейной разделяющей функции представлена на рис. 22.1.

B.Классификатор по минимальному расстоянию.

Важный класс составляют линейные классификаторы , в которых в качестве критерия классификации используется расстояние между входным образом и множеством опорных векторов или эталонных точек в пространстве признаков. Предположим , что задано m опорных векторов m R1 R2 R3 , , , Rn , где Rj соответствует классу образов ωj . При классификации по минимальному расстоянию относительно m R1 R2 R3 , , , Rn входной сигнал X предполагается принадлежащим ωi , т.е.

X ~ ωi , если |X-Ri| - минимально , где |X-Ri| − есть расстояние между X и Ri.

Расстояние можно определить ,например, следующим образом где индекс T определяет операцию транспонирования вектора.

Из последнего соотношения следует, что .

Так как не зависит от i , то соответствующая разделяющая функция для классификатора по минимальному расстоянию имеет вид

Как видно из этого соотношения, классификатор по минимальному расстоянию является линейной функцией. В свою очередь, свойства классификатора по минимальному расстоянию конечно зависят от того, как выбраны опорные векторы.

С. Кусочно-линейная разделяющая функция.

То есть расстояние между X и Rj равно наименьшему из расстояний между X и каждым вектором в Rj .Такой классификатор будет относить входной сигнал к классу образов, которому соответствует ближайшее множество векторов.

D. Полиномиальная разделяющая функция.