Comisia de atestare
Comisia de acreditare
Comisiile de experţi
Dispoziţii, instrucţiuni
Acte normative
Nomenclator
Instituţii
Consilii
Seminare
Teze
Conducători de doctorat
Deţinători de grad
Doctoranzi
Postdoctoranzi
CNAA logo

 română | русский | english

CNAA / Teze / 2019 / mai /

Analiză şi recunoaştere de forme pentru aplicaţii cu imagini digitale


Autor: Rusu Mariana
Gradul:doctor în informatică
Specialitatea: 01.05.04 - Modelare matematică, metode matematice, produse program
Anul:2019
Conducători ştiinţifici: Vasile Moraru
doctor, profesor universitar, Universitatea Tehnică a Moldovei
Horia-Nicolai Teodorescu
academician, doctor, profesor universitar, Universitatea Tehnică Gh.Asachi Iaşi, România
Instituţia: Universitatea Tehnică a Moldovei

Statut

Teza a fost susţinută pe 15 mai 2019 în CSS
şi aprobată de CNAA pe 9 iulie 2019

Autoreferat

Adobe PDF document0.95 Mb / în română

Teza

CZU 004.93

Adobe PDF document 6.50 Mb / în română
167 pagini


Cuvinte Cheie

procesare imagini, GMM, GUMM, recunoaştere forme, coeficient de corelaţie, template matching, clasificare automată

Adnotare

Teza de doctor este structurată pe 3 capitole, urmate de bibliografie din 188 titluri şi 4 anexe. Lucrarea conţine 60 figuri, 25 tabele, text de bază pe 116 pagini. Rezultatele obţinute sunt publicate în 10 lucrări ştiinţifice.

Domeniul de cercetare: analiza şi recunoaşterea formelor în aplicaţii cu imagini digitale. Scopul lucrării constă în elaborarea unor metode, algoritmi ce ar permite recunoaşterea şi clasificarea automată a formelor/obiectelor din imagini digitale.

Obiectivele lucrării: implementarea şi elaborarea algoritmilor de procesare a imaginilor în scopul recunoaşterii şi clasificării formele în aplicaţii cu imagini digitale şi realizarea unei comparaţii obiective a algoritmilor implementaţi.

Noutatea şi originalitatea ştiinţifică: Au fost identificate şi argumentate: un algoritm euristic de segmentare, o metodă de separare liniară a două mulţimi de date şi o metodă hibridă de recunoaştere şi clasificare a formelor.

Problema ştiinţifică şi de cercetare soluţionată constă în elaborarea unei metode de segmentare bazată pe histogramă ce nu necesită indicarea numărului de praguri. S-a descris un model matematic de separare liniară a două mulţimi de date. S-a elaborat un sistem de clasificare automată care uneşte diverşi algoritmi din inteligenţa artificială (algoritm genetic, sistem fuzzy) şi defineşte combinaţia particulară care poate oferi o mai bună soluţie pentru clasificarea automată a formelor/obiectelor.

Semnificaţia teoretică şi valoarea aplicativă a lucrării constă în elaborarea algoritmului de segmentare bazat pe GUMM, a modelului de separare liniară, a metodei de clasificare automată bazat pe logica fuzzy şi algoritmi de identificare/recunoaştere a imaginilor bazaţi pe coeficientul de corelaţie. Algoritmul de segmentare propus poate fi implementat şi la alte tipuri de imagine, la fel şi metoda hibridă formată din CCN şi AG. Metodele de recunoaştere automată propuse pot fi readaptate şi la alte seturi de forme.

Cuprins


1. ANALIZA SITUAŢIEI ÎN DOMENIUL PROCESĂRII IMAGINILOR DIGITALE CU SCOPUL RECUNOAŞTERII ŞI CLASIFICĂRII AUTOMATE
  • 1.1 Privire de ansamblu asupra domeniului de recunoaştere de forme şi clasificare automată 18
  • 1.2 Etapele de analiză şi procesare a imaginilor în vederea recunoaşterii şi clasificării automate
  • 1.2.1 Preprocesarea imaginilor
  • 1.2.2 Extragerea atributelor/descriptorilor de imagine
  • 1.2.3 Analiza şi interpretarea rezultatelor
  • 1.3 Analiza metodelor de clasificare automată a imaginilor
  • 1.3.1 Clusterizarea automată a datelor. Problema clasificării automate
  • 1.3.2 Clasificatorul Bayes
  • 1.4 Metode de recunoaştere a formelor şi interpretare a imaginilor
  • 1.4.1 Algoritmi de detecţie a punctelor de interes SIFT şi ASIFT
  • 1.4.2 Reţele neuronale artificiale
  • 1.4.3 Sistem cu logica fuzzy
  • 1.5 Indici de performanţă în aprecierea metodelor de recunoaştere forme şi de clasificare
  • 1.6 Concluzii la capitolul 1

2. SEGMENTAREA IMAGINILOR FOLOSIND MODELE DE MIXTURI GAUSSIENE ŞI MODELE DE MIXTURI UNIFORME-GAUSSIENE
  • 2.1 Descrierea metodelor uzuale de segmentare a imaginilor
  • 2.1.1 Metode de segmentare bazate pe clasificarea pixelilor
  • 2.1.2 Metode de detectare a contururilor
  • 2.1.3 Metode de segmentare bazate pe regiuni
  • 2.2 Algoritm de segmentare bazat pe modele de Mixturi Gaussiene (GMM) şi modele de Mixturi Uniforme-Gaussiene (G-U-MM)
  • 2.2.1 Optimizarea segmentării bazate pe funcţii de distribuţii
  • 2.2.2 Model aditiv format din mixturi de distribuţii Gaussiene şi uniforme
  • 2.3 Algoritmul euristic G-U-MM. Limitele şi îmbunătăţirile ale G-U-MM de bază
  • 2.3.1 Descrierea algoritmului euristic de segmentare G-U-MM
  • 2.3.2 Prezentarea rezultatelor obţinute
  • 2.4 Compararea obiectivă a rezultatelor obţinute în urma aplicării algoritmului de segmentare propus cu rezultatele altor algoritmi de referinţă
  • 2.5 Concluzii la capitolul 2

3. ALGORITMI DE RECUNOAŞTERE A FORMELOR ŞI CLASIFICARE AUTOMATĂ A IMAGINILOR ÎN APLICAŢII CU IMAGINI DIGITALE
  • 3.1 Clasificarea automată a datelor bazată pe separare liniară
  • 3.3.1 Modelul de separare maximă [167]
  • 3.3.2 Support Vector Machines (SVM) [168]
  • 3.3.3 Reformularea în termenii programării pătratice convexe
  • 3.3.4 Reducerea SVM la o problemă de rezolvare a unui sistem de ecuaţii
  • 3.2 Un sistem de clasificare automată bazat pe reguli fuzzy
  • 3.2.1 Metodă hibridă bazată pe coeficientul de corelaţie normalizat şi algoritm genetic
  • 3.2.2 Extragerea semnăturii şi a descriptorilor de formă
  • 3.2.3 Un sistem de logică fuzzy pentru clasificare automată
  • 3.2.4 Identificarea formei prin funcţia diferenţă şi corelaţie aplicate pe semnături
  • 3.3 Compararea performanţelor metodei propuse vs. alte metode
  • 3.3.1 Metoda hibridă bazată pe CCN şi GA vs. metodele SIFT şi ASIFT
  • 3.3.2 Sistemul fuzzy vs. metoda de clasificare kNN
  • 3.4 Concluzii la capitolul 3

CONCLUZII GENERALE ŞI RECOMANDĂRI
BIBLIOGRAFIE
ANEXE DECLARAŢIA PRIVIND ASUMAREA RĂSPUNDERII
CURRICULUM VITAE