Fundamentals of Image Data Mining: Analysis, Features, Classification and Retrieval

ویرایش: 1st ed. 
نویسندگان: Dengsheng Zhang  
سری: Texts in Computer Science 
ISBN (شابک) : 9783030179885 
ناشر: Springer International Publishing 
سال نشر: 2019 
تعداد صفحات: 333 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 18 مگابایت 

قیمت کتاب (تومان) : 38,000



این کتاب درسی خواننده‌پسند مروری جامع از ملزومات داده کاوی تصویر، و آخرین تکنیک‌های پیشرفته مورد استفاده در این زمینه را ارائه می‌کند. این پوشش تمام جنبه های تحلیل و درک تصویر را در بر می گیرد و بینش عمیقی را در زمینه های استخراج ویژگی، یادگیری ماشینی و بازیابی تصویر ارائه می دهد. پوشش نظری توسط مدل‌ها و الگوریتم‌های ریاضی عملی، با استفاده از داده‌های نمونه‌ها و آزمایش‌های دنیای واقعی پشتیبانی می‌شود.

موضوعات و ویژگی‌ها: ابزارهای ضروری برای استخراج تصویر، پوشش تبدیل فوریه، فیلترهای گابور، و تبدیل موجک‌های معاصر را توضیح می‌دهد. طیف متنوعی از مدل‌ها، الگوریتم‌ها و روش‌های پیشرفته برای استخراج تصویر را بررسی می‌کند. بر نحوه برخورد با داده های تصویر واقعی برای استخراج تصویر عملی تأکید می کند. نشان می دهد که چگونه می توان ویژگی هایی مانند رنگ، بافت و شکل را استخراج کرد یا از تصاویر برای نمایش تصویر استخراج کرد. چهار رویکرد قدرتمند برای طبقه‌بندی داده‌های تصویر، یعنی طبقه‌بندی بیزی، ماشین‌های بردار پشتیبان، شبکه‌های عصبی و درخت‌های تصمیم ارائه می‌کند. در مورد تکنیک های نمایه سازی، رتبه بندی تصویر، و ارائه تصویر، همراه با روش های تجسم پایگاه داده تصویر بحث می کند. تمرین‌های خودآزمایی را با دستورالعمل‌ها یا کد Matlab و همچنین خلاصه‌های مروری در پایان هر فصل ارائه می‌دهد.

این آسان کار بعدی نشان می‌دهد که چگونه مفاهیم ریاضیات بنیادی و پیشرفته می‌توانند برای حل طیف وسیعی از مشکلات داده‌کاوی تصویری که دانشجویان و محققان علوم کامپیوتر با آن‌ها مواجه می‌شوند، به کار روند. دانش‌آموزان ریاضیات و سایر رشته‌های علمی نیز از برنامه‌ها و راه‌حل‌های شرح داده شده در متن، همراه با تمرین‌های عملی که خواننده را قادر می‌سازد تا تجربه دست اول رایانش را به دست آورد، بهره‌مند خواهند شد.

This reader-friendly textbook presents a comprehensive review of the essentials of image data mining, and the latest cutting-edge techniques used in the field. The coverage spans all aspects of image analysis and understanding, offering deep insights into areas of feature extraction, machine learning, and image retrieval. The theoretical coverage is supported by practical mathematical models and algorithms, utilizing data from real-world examples and experiments.

Topics and features: describes the essential tools for image mining, covering Fourier transforms, Gabor filters, and contemporary wavelet transforms; reviews a varied range of state-of-the-art models, algorithms, and procedures for image mining; emphasizes how to deal with real image data for practical image mining; highlights how such features as color, texture, and shape can be mined or extracted from images for image representation; presents four powerful approaches for classifying image data, namely, Bayesian classification, Support Vector Machines, Neural Networks, and Decision Trees; discusses techniques for indexing, image ranking, and image presentation, along with image database visualization methods; provides self-test exercises with instructions or Matlab code, as well as review summaries at the end of each chapter.

This easy-to-follow work illuminates how concepts from fundamental and advanced mathematics can be applied to solve a broad range of image data mining problems encountered by students and researchers of computer science. Students of mathematics and other scientific disciplines will also benefit from the applications and solutions described in the text, together with the hands-on exercises that enable the reader to gain first-hand experience of computing.

Front Matter ....Pages i-xxxi
Front Matter ....Pages 1-1
 Fourier Transform  (Dengsheng Zhang)....Pages 3-23
 Windowed Fourier Transform  (Dengsheng Zhang)....Pages 25-34
 Wavelet Transform  (Dengsheng Zhang)....Pages 35-44
Front Matter ....Pages 45-47
 Color Feature Extraction  (Dengsheng Zhang)....Pages 49-80
 Texture Feature Extraction  (Dengsheng Zhang)....Pages 81-111
 Shape Representation  (Dengsheng Zhang)....Pages 113-154
Front Matter ....Pages 155-159
 Bayesian Classification  (Dengsheng Zhang)....Pages 161-178
 Support Vector Machine  (Dengsheng Zhang)....Pages 179-205
 Artificial Neural Network  (Dengsheng Zhang)....Pages 207-242
 Image Annotation with Decision Tree  (Dengsheng Zhang)....Pages 243-259
Front Matter ....Pages 261-261
 Image Indexing  (Dengsheng Zhang)....Pages 263-270
 Image Ranking  (Dengsheng Zhang)....Pages 271-287
 Image Presentation  (Dengsheng Zhang)....Pages 289-304
Back Matter ....Pages 305-314