Applied Graph Theory in Computer Vision and Pattern Recognition

این کتاب به‌عنوان پایه‌ای برای انواع کاربردهای مفید نظریه گراف در بینایی رایانه، تشخیص الگو و حوزه‌های مرتبط عمل می‌کند. این مجموعه نماینده ای از روش های جدید نظریه گراف برای کارهای پیچیده بینایی کامپیوتری و تشخیص الگو را پوشش می دهد. بخش اول کتاب کاربرد تئوری گراف را برای پردازش سطح پایین تصاویر دیجیتالی ارائه می دهد، مانند روشی جدید برای تقسیم یک تصویر داده شده به سلسله مراتبی از مناطق همگن با استفاده از اهرام گراف، یا مطالعه رابطه بین نظریه گراف و توپولوژی دیجیتال بخش دوم الگوریتم‌های یادگیری نظری گراف را برای کاربردهای بینایی کامپیوتری و تشخیص الگوی سطح بالا ارائه می‌کند، از جمله بررسی روش‌های مبتنی بر نمودار برای تشخیص الگو و بینایی کامپیوتری، ارائه یک سری الگوریتم‌های محاسباتی کارآمد برای آزمایش هم‌شکلی گراف و تطبیق گراف مرتبط. وظایف در تشخیص الگو و اندازه گیری فاصله گراف جدید که برای حل مسائل تطبیق گراف استفاده می شود. در نهایت، بخش سوم توضیحات مفصلی از چندین کاربرد روش‌های مبتنی بر گراف در وظایف تشخیص الگوی دنیای واقعی ارائه می‌کند. این شامل بررسی انتقادی روش‌های اصلی مبتنی بر نمودار و روش‌های ساختاری برای طبقه‌بندی اثر انگشت، روشی جدید برای تجسم سری‌های زمانی نمودارها، و کاربردهای بالقوه در نظارت بر شبکه‌های کامپیوتری و تشخیص رویدادهای غیرعادی است.

This book will serve as a foundation for a variety of useful applications of graph theory to computer vision, pattern recognition, and related areas. It covers a representative set of novel graph-theoretic methods for complex computer vision and pattern recognition tasks. The first part of the book presents the application of graph theory to low-level processing of digital images such as a new method for partitioning a given image into a hierarchy of homogeneous areas using graph pyramids, or a study of the relationship between graph theory and digital topology. Part II presents graph-theoretic learning algorithms for high-level computer vision and pattern recognition applications, including a survey of graph based methodologies for pattern recognition and computer vision, a presentation of a series of computationally efficient algorithms for testing graph isomorphism and related graph matching tasks in pattern recognition and a new graph distance measure to be used for solving graph matching problems. Finally, Part III provides detailed descriptions of several applications of graph-based methods to real-world pattern recognition tasks. It includes a critical review of the main graph-based and structural methods for fingerprint classification, a new method to visualize time series of graphs, and potential applications in computer network monitoring and abnormal event detection.