ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Image Quality Assessment of Computer-generated Images: Based on Machine Learning and Soft Computing

دانلود کتاب ارزیابی کیفیت تصویر تصاویر تولید شده توسط رایانه: بر اساس یادگیری ماشین و محاسبات نرم

Image Quality Assessment of Computer-generated Images: Based on Machine Learning and Soft Computing

مشخصات کتاب

Image Quality Assessment of Computer-generated Images: Based on Machine Learning and Soft Computing

ویرایش: 1st 
نویسندگان: , , ,   
سری: Springer Briefs in Computer Science 
ISBN (شابک) : 331973542X, 9783319735429 
ناشر: Springer 
سال نشر: 2018 
تعداد صفحات: 96 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 89,000



کلمات کلیدی مربوط به کتاب ارزیابی کیفیت تصویر تصاویر تولید شده توسط رایانه: بر اساس یادگیری ماشین و محاسبات نرم: هوش و معناشناسی، هوش مصنوعی و یادگیری ماشین، علوم کامپیوتر، کامپیوتر و فناوری، بینش و تشخیص الگوی کامپیوتر، هوش مصنوعی و یادگیری ماشین، علوم کامپیوتر، کامپیوتر و فناوری



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Image Quality Assessment of Computer-generated Images: Based on Machine Learning and Soft Computing به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب ارزیابی کیفیت تصویر تصاویر تولید شده توسط رایانه: بر اساس یادگیری ماشین و محاسبات نرم نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب ارزیابی کیفیت تصویر تصاویر تولید شده توسط رایانه: بر اساس یادگیری ماشین و محاسبات نرم

ارزیابی کیفیت تصویر برای اندازه‌گیری تخریب تصویر درک شده از تصاویر صحنه طبیعی به خوبی شناخته شده است، اما هنوز یک موضوع در حال ظهور برای تصاویر تولید شده توسط کامپیوتر است. این کتاب به این مشکل می پردازد و پیشرفت های اخیر بر اساس محاسبات نرم را ارائه می دهد. این هدف برای دانشجویان، پزشکان و محققان در زمینه پردازش تصویر و زمینه های مرتبط مانند گرافیک کامپیوتری و تجسم است. در این کتاب، ابتدا تفاوت بین تصاویر صحنه طبیعی و تصاویر تولید شده توسط کامپیوتر را روشن می کنیم و با تمرکز بر روی مشکل ارزیابی کیفیت تصویر (IQA) می پردازیم. درک بصری نویز به‌جای استفاده از مدل‌های ادراکی شناخته‌شده، ابتدا استفاده از روش‌های محاسباتی نرم، که به طور کلاسیک در هوش مصنوعی استفاده می‌شود، به‌عنوان معیارهای مرجع کامل و مرجع کاهش‌یافته را بررسی می‌کنیم. بنابراین، با ایجاد ماشین های یادگیری، مانند SVM ها و RVM ها، می توانیم کیفیت ادراکی یک تصویر تولید شده توسط کامپیوتر را ارزیابی کنیم. ما همچنین استفاده از مجموعه های فازی با مقدار بازه را به عنوان یک متریک بدون مرجع بررسی می کنیم. این رویکردها هم به صورت نظری و هم عملی برای فرآیند کامل IQA مورد بررسی قرار می‌گیرند. مرحله یادگیری با استفاده از یک پایگاه داده ساخته شده از آزمایشات با کاربران انسانی انجام می شود و مدل های به دست آمده را می توان برای هر تصویر محاسبه شده با یک الگوریتم رندر تصادفی استفاده کرد. این می تواند برای تشخیص همگرایی بصری قسمت های مختلف یک تصویر در طول فرآیند رندر و در نتیجه برای بهینه سازی محاسبات مفید باشد. این مدل‌ها همچنین می‌توانند به برنامه‌های کاربردی دیگری که مدل‌های پیچیده را مدیریت می‌کنند، در زمینه‌های پردازش سیگنال و پردازش تصویر بسط دهند.  بیشتر بخوانید...<. /span>
چکیده: ارزیابی کیفیت تصویر برای اندازه گیری تخریب تصویر درک شده از تصاویر صحنه طبیعی به خوبی شناخته شده است، اما هنوز یک موضوع در حال ظهور برای تصاویر تولید شده توسط کامپیوتر است. این کتاب به این مشکل می پردازد و پیشرفت های اخیر بر اساس محاسبات نرم را ارائه می دهد. این هدف برای دانشجویان، پزشکان و محققان در زمینه پردازش تصویر و زمینه های مرتبط مانند گرافیک کامپیوتری و تجسم است. در این کتاب ابتدا تفاوت بین تصاویر صحنه طبیعی و تصاویر تولید شده توسط کامپیوتر را روشن می کنیم و با تمرکز بر درک بصری نویز به مشکل ارزیابی کیفیت تصویر (IQA) می پردازیم. به‌جای استفاده از مدل‌های ادراکی شناخته‌شده، ابتدا استفاده از روش‌های محاسباتی نرم، که به طور کلاسیک در هوش مصنوعی استفاده می‌شود، به‌عنوان معیارهای مرجع کامل و مرجع کاهش‌یافته را بررسی می‌کنیم. بنابراین، با ایجاد ماشین های یادگیری، مانند SVM ها و RVM ها، می توانیم کیفیت ادراکی یک تصویر تولید شده توسط کامپیوتر را ارزیابی کنیم. ما همچنین استفاده از مجموعه های فازی با مقدار بازه را به عنوان یک متریک بدون مرجع بررسی می کنیم. این رویکردها هم به صورت نظری و هم عملی برای فرآیند کامل IQA مورد بررسی قرار می‌گیرند. مرحله یادگیری با استفاده از یک پایگاه داده ساخته شده از آزمایشات با کاربران انسانی انجام می شود و مدل های به دست آمده را می توان برای هر تصویر محاسبه شده با یک الگوریتم رندر تصادفی استفاده کرد. این می تواند برای تشخیص همگرایی بصری قسمت های مختلف یک تصویر در طول فرآیند رندر و در نتیجه برای بهینه سازی محاسبات مفید باشد. این مدل ها همچنین می توانند به برنامه های کاربردی دیگری که مدل های پیچیده را مدیریت می کنند، در زمینه های پردازش سیگنال و پردازش تصویر گسترش دهند.


توضیحاتی درمورد کتاب به خارجی

Image Quality Assessment is well-known for measuring the perceived image degradation of natural scene images but is still an emerging topic for computer-generated images. This book addresses this problem and presents recent advances based on soft computing. It is aimed at students, practitioners and researchers in the field of image processing and related areas such as computer graphics and visualization. In this book, we first clarify the differences between natural scene images and computer-generated images, and address the problem of Image Quality Assessment (IQA) by focusing on the visual perception of noise. Rather than using known perceptual models, we first investigate the use of soft computing approaches, classically used in Artificial Intelligence, as full-reference and reduced-reference metrics. Thus, by creating Learning Machines, such as SVMs and RVMs, we can assess the perceptual quality of a computer-generated image. We also investigate the use of interval-valued fuzzy sets as a no-reference metric. These approaches are treated both theoretically and practically, for the complete process of IQA. The learning step is performed using a database built from experiments with human users and the resulting models can be used for any image computed with a stochastic rendering algorithm. This can be useful for detecting the visual convergence of the different parts of an image during the rendering process, and thus to optimize the computation. These models can also be extended to other applications that handle complex models, in the fields of signal processing and image processing.  Read more...
Abstract: Image Quality Assessment is well-known for measuring the perceived image degradation of natural scene images but is still an emerging topic for computer-generated images. This book addresses this problem and presents recent advances based on soft computing. It is aimed at students, practitioners and researchers in the field of image processing and related areas such as computer graphics and visualization. In this book, we first clarify the differences between natural scene images and computer-generated images, and address the problem of Image Quality Assessment (IQA) by focusing on the visual perception of noise. Rather than using known perceptual models, we first investigate the use of soft computing approaches, classically used in Artificial Intelligence, as full-reference and reduced-reference metrics. Thus, by creating Learning Machines, such as SVMs and RVMs, we can assess the perceptual quality of a computer-generated image. We also investigate the use of interval-valued fuzzy sets as a no-reference metric. These approaches are treated both theoretically and practically, for the complete process of IQA. The learning step is performed using a database built from experiments with human users and the resulting models can be used for any image computed with a stochastic rendering algorithm. This can be useful for detecting the visual convergence of the different parts of an image during the rendering process, and thus to optimize the computation. These models can also be extended to other applications that handle complex models, in the fields of signal processing and image processing



فهرست مطالب

Content: Introduction --
Monte-Carlo Methods for Image Synthesis --
Visual Impact of Rendering on Image Quality --
Full-reference Methods and Machine Learning --
No-reference Methods and Fuzzy Sets --
Reduced-reference Methods --
Conclusion.




نظرات کاربران