Введение
Глава 1. Обзор современного состояния проблем интерпретации в автоматическом анализе изображений 15
1.1. Введение 15
1.2. Представления изображений в виде необработанных данных 17
1.3. Низкоуровневые представления 19
1.3.1. Функциональные модели 20
1.3.2. Вероятностные модели 22
1.3.3. Сопоставления изображений на пиксельном уровне 25
1.4. Средний уровень: структурные методы 26
1.4.1. Контурные представления изображений 28
1.4.2. Непроизводные структурные элементы 31
1.4.3. Составные структурные элементы 34
1.4.4. Сопоставление символьных описаний 35
1.5. Верхний уровень: методы, основанные на знаниях 36
1.6. Иерархические представления изображений 40
Выводы из первой главы 44
Глава 2. Разработка методов автоматического построения иерархических структурных описаний изображений 45
2.1. Введение 45
2.2. Критерий сравнения гипотез в индуктивном выводе 46
2.2.1. Байесовский вывод 46
2.2.2. Принцип минимальной длины описания 47
2.2.3. Интерпретация изображений как минимизация длины описания 48
2.2.4. Выводы 50
2.3. Модели общих типов 50
2.3.1. Регрессионные модели 50
2.3.2. Модели, использующиеся в задачах распознавание и группирование 56
2.3.3. Модели сегментация 57
2.3.4. Выводы 59
2.4. Формирование пространства моделей изображений 60
2.4.1. Предположения Д. Марра 60
2.4.2. Сведение предположений Д. Марра к моделям общих классов 61
2.4.3. Выводы 63
2.5. Сегментация изображений как переход к контурным представлениям... 64
2.5.1. Построение целевой функции 64
2.5.2. Алгоритм сегментации 66
2.5.3. Расширение класса регрессионных моделей в алгоритме сегментации 67
2.5.4. Выводы 70
2.6. Построение структурных элементов на основе контуров 70
2.6.1. Выбор представления контуров 70
2.6.2. Алгоритм сегментации контуров 72
2.6.3. Выводы 74
2.7. Верхний структурный уровень 74
2.7.1. Подходы к объединению структурных элементов 74
2.7.2. Группирование элементов по их подобию и регулярности расположения 76
2.7.3. Формирование составных структурных элементов 82
2.7.4. Выводы 85
Выводы из второй главы 85
Глава 3. Автоматическое структурное сопоставление изображений в условиях их сезонно-суточного и спектрального несоответствия 86
3.1. Компоненты методов сопоставления изображений 86
3.2. Определение пространства поиска 87
3.2.1. Выбор характерных признаков изображений для сопоставления 87
3.2.2. Выбор класса взаимных пространственных преобразований 88
3.2.3. Выводы 89
3.3. Стратегия поиска оптимального сопоставления 89
3.3.1. Критерий качества сопоставления 89
3.3.2. Многоуровневый алгоритм поиска оптимального сопоставления 92
3.3.3. Выводы 97
3.4. Экспериментальная проверка метода сопоставления изображений 97
3.4.1. Сопоставление изображений, полученных в разное время года и при использовании сенсоров различных типов 97
3.4.2. Робастность алгоритма структурного сопоставления 107
3.4.3. Временные характеристики алгоритма сопоставления 110
3.4.4. Выводы 110
Выводы из третьей главы 110
Глава 4. Метод локальной корреляции для совмещения изображений с высокой точностью 112
4.1. Введение 112
4.2. Метод локальной корреляции 113
4.2.1. Установление соответствия между опорными точками 113
4.2.2. Алгоритм локальной корреляции 115
4.2.3. Выводы 119
4.3. Экспериментальная проверка метода локальной корреляции 119
4.3.1. Исправление ошибок структурного сопоставления и расширение класса допустимых взаимных пространственных преобразований изображений 119
4.3.2. Устойчивость и точность алгоритма локальной корреляции 125
4.3.3. Выводы 127
4.4. Практическое применение 127
4.4.1. Введение 127
4.4.2. Синтез панорамных снимков 127
4.4.3. Восстановление информации в загороженных областях изображений 128
4.4.4. Выявление изменений 129
4.4.5. Геокодирование 130
4.4.6. Автоматическое извлечение изображений из баз данных 132
4.4.7. Распознавание отпечатков пальцев 133
4.4.8. Выводы 133
Выводы из четвертой главы 133
Основные результаты и выводы. 135
Л итерату ра 138
Приложение А
