Распознавание изображений в условиях зашумленности .

Введение

Актуальной на сегодняшний день задачей является распознавание машинописных и рукописных текстов в силу ее повседневной необходимости. Кроме того, большое значение имеет оперативный ввод графической информации, подлежащей дальнейшей обработке, в информационные и управляющие системы информации с машиночитаемых бланков.
Задача распознавания, сама по себе, предполагает интеллектуальную обработку полученной информации, что представляет определенные сложности. Несомненно, в задаче распознавания символов (распознавание текста, автомобильных номеров) достигнуты огромные успехи. Но, тем не менее, каких-либо универсальных методов обработки изображения, сравнимых по производительности и качеству распознавания с человеческими способностями, нет. Например, в задачах, которые ставятся перед экспертными системами, требуется более глубокий интеллектуальный анализ и высокое быстродействие, этими же свойствами должны обладать роботизированные системы обслуживания. Поэтому обработка изображения в задаче распознавания является одной из центральных проблем.
В данном дипломном проекте будет реализовано распознавание изображений в условиях зашумленности.

Введение 2 1. Системы распознавания образов 3 1.1. Понятие образа 3 1.2. Понятие системы распознавания 5 1.3. Принципы классификации и типы систем распознавания 7 2. Распознавание изображений 14 2.1. Методы распознавания изображений 14 2.1.1. Метод корреляции 18 2.1.2. Признаковый метод 20 2.1.3. Структурный метод 24 2.2. Зашумленность и влияние шумов на изображение 25 2.2.1. Причины возникновения цифрового шума 25 2.2.2. Что влияет на величину цифрового шума 27 2.2.3. Подавление цифрового шума 28 3. Реализация алгоритма 32 3.1. Выбор среды программирования 32 3.2. Блок-схема работы программы 34 3.3. Разработка формы программы 35 3.4. Тестирование 36 Заключение 41 Список литературы 42 Приложения 44

1. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. - М.: Наука, 2004. - 384 с.
2. Васильев В.И. Проблема обучения распознавания образов, 1989, 64с.
3. Горбань А., Россиев Д. Нейронные сети на персональном компьютере. //Новосибирск, Наука, 1996. – C 114 – 119.
4. Денисов Д.А., Дудкин А.К., Пяткин В.П. Цифровой анализ изображений (Методы описания геометрических структур)
5. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. М.: Наука, 2005. - Вып. 33. С. 5-68
6. Журавлев Ю.И. Избранные научные труды. – Изд. Магистр, 2002. - 420 с.
7. Мазуров В.Д. Комитеты систем неравенств и задача распознавания // Кибернетика, 2004, № 2. С. 140-146.
8. Минский М., Пейперт С. Персептроны. - М.: Мир, 2007. - 261 с.
9. Потапов А.С. Распознавание образов и машинное восприятие. - С-Пб.: Политехника, 2007. - 548 с
10. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. М: Машиностроение, 1990. 320 с.
11. Растригин Л. А., Эренштейн Р. Х. Метод коллективного распознавания. 79 с. ил. 20 см., М. Энергоиздат, 2006. – 80 с.
12. Рудаков К.В. Об алгебраической теории универсальных и локальных ограничений для задач классификации // Распознавание, классификация, прогноз. Математические методы и их применение. Вып. 1. - М.: Наука, 2007. - С. 176-200.
13. Русын Б.П. Структурно-лингвистические методы распознавания изображений в реальном времени
14. Фу К. Структурные методы в распознавании образов. - М.: Мир, 2005. - 144 с.
15. Handbook of pattern recognition and computer vision / Chen C.H., Rau L.F. and Wang P.S.P.(eds.). – Singapore-New Jersey-London-Hong Kong: World Scientific Publishing Co. Pte. Ltd., 1995. - 984 p.
16. Shalkoff R.J. Digital image processing and computer vision. – New York-Chichester-Brisbane-Toronto-Singapore: John Wiley & Sons, Inc., 1989. - 489 p.
17. Roberts J.M. Attentive Visual Tracking and Trajectory Estimation for Dynamic Scene Segmentation. //PhD thesis., University of Southampton dec. 94