Отрывок: Во втором вычислительном эксперименте проведем отбор подмножества признаков различными способами и оценим классификацию изображений на основе полученных подмножеств. Сначала оценим индивидуальное качество каждого признака из сформированного множества. Десять наиболее информативных признаков приведены в таблице 4. Таблица 4 – Результаты отбора подмножества признаков мощности один Номер признаков Достовернос...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorТуркова М. А.ru
dc.contributor.authorГайдель А. В.ru
dc.contributor.authorСуханов С. В.ru
dc.contributor.authorМинистерство образования и науки Российской Федерацииru
dc.contributor.authorСамарский национальный исследовательский университет им. С. П. Королева (Самарский университет)ru
dc.contributor.authorИнститут информатикиru
dc.contributor.authorматематики и электроникиru
dc.coverage.spatialкорреляционная функцияru
dc.coverage.spatialотбор признаковru
dc.coverage.spatialдостоверность классификацииru
dc.coverage.spatialзадача классификацииru
dc.coverage.spatialуравнение регрессииru
dc.creatorТуркова М. А.ru
dc.date.issued2018ru
dc.identifierRU\НТБ СГАУ\ВКР20180907143055ru
dc.identifier.citationТуркова, М. А. Классификация текстурных изображений с помощью моделей автокорреляционных функций : вып. квалификац. работа по направлению подготовки "Прикладная математика и информатика" (уровень бакалавриата) / М. А. Туркова ; рук. работы А. В. Гайдель ; нормоконтролер С. В. Суханов ; М-во образования и науки Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т информатики, мат. и. - Самаpа, 2018. - on-lineru
dc.description.abstractЦель работы – формирование множества признаков и дальнейшее осуществление их отбора для классификации изображений с достижением наивысшей достоверности.В настоящей работе будет предложено использование отсчетов корреляционной функции и коэффициентов из уравнений регрессии в качестве признаков изображения для классификации.Разработана программная реализация рассмотренных методов, максимально снижена вычислительная сложность за счет сокращения подмножества признаков. На тестовых изображениях произведена оценка достоверности классификации для различных подмножеств признаков.Разработка программы происходила на языке Python. Операционная система Windows 7.ru
dc.format.extentЭлектрон. дан. (1 файл : 3,9 Мб)ru
dc.titleКлассификация текстурных изображений с помощью моделей автокорреляционных функцийru
dc.typeTextru
dc.subject.rugasnti50.01ru
dc.subject.udc004.9ru
dc.textpartВо втором вычислительном эксперименте проведем отбор подмножества признаков различными способами и оценим классификацию изображений на основе полученных подмножеств. Сначала оценим индивидуальное качество каждого признака из сформированного множества. Десять наиболее информативных признаков приведены в таблице 4. Таблица 4 – Результаты отбора подмножества признаков мощности один Номер признаков Достовернос...-
Располагается в коллекциях: Выпускные квалификационные работы

Файлы этого ресурса:
Файл Размер Формат  
Туркова_Марина_Александровна_Классификация_текстурных_изображений.pdf4.04 MBAdobe PDFПросмотреть/Открыть  
Показать базовое описание ресурса Просмотр статистики
Поделиться:



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