Отрывок: Рис.3. График зависимости вероятности использования «Perc.10%» от количества признаков в наборе для выборок каждого цветового подпространства RGB, выборки фрагментов исходного цвета и выборки полутоновых фрагментов . Рис.4. График зависимости ошибки кластеризации от размера окна для всех пар классов в синем цветовом подпространстве для признака «Mean». Признак «Perc.10%» не входит в число информативных признаков при общем спосо...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorИльясова, Н.Ю.-
dc.contributor.authorПарингер, Р.А.-
dc.contributor.authorУшакова, Н.С.-
dc.contributor.authorКуприянов, А.В.-
dc.date.accessioned2017-05-25 13:45:39-
dc.date.available2017-05-25 13:45:39-
dc.date.issued2017-
dc.identifierDspace\SGAU\20170522\64142ru
dc.identifier.citationИльясова Н.Ю. Интеллектуальный отбор признаков для локализации объектов на изображениях глазного дна на основе анализа цветовых подпространств / Н.Ю. Ильясова, Р.А. Парингер, Н.С. Ушакова, А.В. Куприянов // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017) - Самара: Новая техника, 2017. - С. 1740-1746.ru
dc.identifier.urihttp://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Intellektualnyi-otbor-priznakov-dlya-lokalizacii-obektov-na-izobrazheniyah-glaznogo-dna-na-osnove-analiza-cvetovyh-podprostranstv-64142-
dc.description.abstractВ работе представлена технология отбора признаков для локализации объектов на изображениях глазного дна на основе анализа цветовых подпространств, позволяющая проводить интеллектуальный анализ признаков для решения задачи выделения областей интереса при проведении операции лазерной коагуляции. Предложенная технология позволила не только выделить информативные признаки в конкретных цветовых пространствах, но и определить эффективный признак для различия двух определённых классов при конкретном значении окна фрагментации, благодаря использованию различных правил отбора признаков. Технология позволила найти универсальный признак, позволяющий разделять два конкретных исходных класса с минимальной ошибкой кластеризации во всех цветовых подпространствах, а также признак, информативный лишь в одном цветовом подпространстве, но позволяющий разделять большинство классов между собой. Выявлено наиболее информативное цветовое подпространство.ru
dc.description.sponsorshipРабота выполнена при частичной поддержке Министерства образования и науки РФ в рамках реализации мероприятий Программы повышения конкурентоспособности СГАУ среди ведущих мировых научно-образовательных центров на 2013–2020 годы; грантов РФФИ № 15-29- 03823, № 15-29- 07077, № 16-41- 630761; № 16-29- 11698; 17-01-0972; программы № 6 фундаментальных исследований ОНИТ РАН «Биоинформатика, современные информационные технологии и математические методы в медицине» 2016 -2017 гг.ru
dc.language.isorusru
dc.publisherНовая техникаru
dc.subjectизображения глазного днаru
dc.subjectлазерная коагуляцияru
dc.subjectтекстурные признакиru
dc.subjectинтеллектуальный анализ данныхru
dc.subjectотбор признаковru
dc.titleИнтеллектуальный отбор признаков для локализации объектов на изображениях глазного дна на основе анализа цветовых подпространствru
dc.typeArticleru
dc.textpartРис.3. График зависимости вероятности использования «Perc.10%» от количества признаков в наборе для выборок каждого цветового подпространства RGB, выборки фрагментов исходного цвета и выборки полутоновых фрагментов . Рис.4. График зависимости ошибки кластеризации от размера окна для всех пар классов в синем цветовом подпространстве для признака «Mean». Признак «Perc.10%» не входит в число информативных признаков при общем спосо...-
Располагается в коллекциях: Информационные технологии и нанотехнологии

Файлы этого ресурса:
Файл Описание Размер Формат  
paper 312_1740-1746.pdfОсновная статья. Раздел: Наука о данных818.61 kBAdobe PDFПросмотреть/Открыть
Показать базовое описание ресурса Просмотр статистики
Поделиться:



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.