دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1st نویسندگان: André Bigand, Julien Dehos, Christophe Renaud, Joseph Constantin 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
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
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.
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.
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
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.