Cтраница 2
Было показано, что в число характерных фрагментов, отбираемых с помощью разработанных программ, попадают все участки, соответствующие местоположению локальных геометрических особенностей изображения, и что эти особенности отбираются центрирование. Было показано, что на отбор характерных фрагментов мало влияют окружающий фрагменты контекст изображения, изменение размеров анализируемых изображений в 1 5 - 2 раза и свободные параметры предложенных алгоритмов, в частности размер подвижного окошка. [16]
Непредельные системы, имеющие п-электроны, дают характерные фрагменты, получаемые разрывом р-связи относительно кратной связи или ароматической системы. Стабилизация осколочного иона обеспечивается донорными свойствами л-систем, способными делокализовать образующийся положительный заряд. [17]
Как и в случае контурных изображений, характерные фрагменты выделяются центрированно. [18]
В данном параграфе описано четыре алгоритма нахождения характерных фрагментов. [19]
Иначе говоря, они описывают угловое расположение характерных фрагментов на изображении. Таким образом, для того, чтобы машина могла вырабатывать слова, аналогичные тем, которые использует человек для описания места характерных фрагментов на изображении, необходимо ввести специальную внутреннюю систему задания их взаимного расположения. [20]
Заметим, что вопрос об установлении соответствия характерных фрагментов различных изображений представляет, по-видимому, самостоятельный интерес. Предложенный здесь способ может оказаться эффективным при решении задач установления соответствия между характерными фрагментами, возникающих в этих исследованиях. [21]
В § 1.3 уже отмечалось, что форма характерного фрагмента как отдельного изображения полностью определяется поточечным заданием значений его зачерненностей на растре вырезающего окошка. Однако такой способ задания формы фрагмента является не грубым в следующем смысле: малые сдвиги во взаимном расположении на растре окошка одинаковых по форме фрагментов, но отобранных на разных пзображеннх, где они имеют разное окружение ( разный контекст), приводят к большим изменениям расстояний между фрагментами в пространстве рецепторов вырезающего окошка. Таким образом, при автоматической классификации соответствующих векторов возможно, что близкие по форме, но отличающиеся небольшими сдвигами относительно растра вырезающего окошка фрагменты окажутся в разных классах. [22]
Таким образом, для построения словаря форм сначала отбираются характерные фрагменты на всех изображениях, данных машине в обучение. Каждый класс, полученный в результате классификации фрагментов, принимается за отдельное слово. Искомый словарь форм есть совокупность таких слов. [23]
Такой вектор направлений в сильной степени зависит от перемещений характерного фрагмента, которому он приписан, и слабо зависит от перемещений других фрагментов того же изображения. Иначе говоря, вектор направлений хорошо фиксирует место соответствующего ему характерного фрагмента и нечувствителен к значительным деформациям изображения. [24]
Таким образом, векторы целесообразно строить отдельно для расположения характерных фрагментов, соответствующих минимумам, и отдельно для расположения характерных фрагментов, соответствующих максимумам. [25]
В этом эксперименте словарь форм был построен на основе множества характерных фрагментов размера 12X12, выделенных на 10 изображениях знака аэродром п 11 изображениях знака отдельное дерево. В этом эксперименте особенно отчетливо видна зависимость элементов сформированного словаря от исходного материала. Полученные признаки сильно отличаются от того, что появлялось на цифрах и буквах. Вместе с тем ясно видно, что и в этом случае характерные фрагменты разделены на группы по сходству: внутри групп фрагменты представляют собой просто варианты определенной конфигурации зачерненно-сти; фрагменты из разных групп хорошо различаются по форме. [26]
Благодаря этому уже в ходе поиска осуществляется грубый анализ взаимного расположения характерных фрагментов и тем самым сокращается время их поиска. Отобранные в этом случае характерные фрагменты достаточно разнообразны, центрированны, что практически совпадает с результатами, полученными в случае использования алгоритма со стандартным изображением. Может оказаться целесообразным использовать указанные особенности поисковой траектории не только для сокращения времени отбора характерных фрагментов, но и как дополнительную информацию о свойствах контуров изображений. [27]
Исходным материалом для экспериментов по автоматическому построению словаря форм служило множество характерных фрагментов, которые отбирались в вышеописанных опытах. Для каждого из фрагментов вычислялся соответствующий ему вектор формы, после чего множество векоторов формы разбивалось на группы похожих с помощью первого из описанных в Приложении 1 алгоритмов автоматической классификации. Были использованы разбиения на 5 и на 10 групп. Полученные группы векторов действительно четко различаются между собой, коротко могут быть описаны словами, легко характеризуются условными изображениями. [28]
Одно из отличий данных экспериментов от уже описанных опытов по отбору характерных фрагментов заключается в выборе такого размера подвижного окошка, при котором просматриваемые изображения оказывались целиком покрытыми отобранными фрагментами. [29]
Для сокращения объема вычислений в реализации данного алгоритма использован специальный метод отбора характерных фрагментов. Окошко вначале располагается в некоторой случайной точке. Подсчитывается значение функции информативности, затем делается три пробных шага: вверх, влево - вверх и вправо - вверх на одну клетку растра. Таким образом, окошко имеет ориентированный конус направлений пробных шагов, который поворачивается в соответствии с изменением направления движения окошка. В качестве характерных фрагментов отбираются такие фрагменты, на которых достигается локальный минимум ( максимум) функции информативности вдоль траектории движения окошка. [30]