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
دسته بندی: کامپیوتر ویرایش: نویسندگان: S. Li سری: ISBN (شابک) : 9784431701453, 4431701451 ناشر: Springer سال نشر: 1995 تعداد صفحات: 0 زبان: English فرمت فایل : CHM (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Markov Random Field Modeling in Computer Vision 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 مدل سازی تصادفی زمینه مارکوف در چشم انداز رایانه 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.
مدلسازی میدان تصادفی مارکوف (MRF) مبنایی را برای توصیف محدودیتهای زمینهای در تفسیر بصری فراهم میکند که امکان توسعه الگوریتمهای بینایی بهینه را به طور سیستماتیک بر اساس اصول صحیح فراهم میکند. این متن مطالعه ای را در مورد استفاده از MRF برای حل مشکلات بینایی کامپیوتر ارائه می دهد که شامل موارد زیر است: مقدمه ای بر نظریه های بنیادی. فرمولاسیون مدل های بینایی مختلف در چارچوب MRF. تخمین پارامتر MRF. و الگوریتم های بهینه سازی مدلهای بینایی MRF مختلف به شکل یکپارچه ارائه میشوند، از جمله بازسازی و بازسازی تصویر، بخشبندی لبه و ناحیه، بافت، استریو و حرکت، تطبیق و تشخیص اشیا، و تخمین موقعیت. این کتاب باید مرجع مفیدی برای محققانی باشد که در زمینه بینایی کامپیوتر، پردازش تصویر، تشخیص الگو و کاربردهای MRF کار می کنند.
Markov random field (MRF) modelling provides a basis for the characterization for contextual constraints on visual interpretation which allows for development of optimal vision algorithms systematically based on sound principles. This text presents a study on using MRFs to solve computer vision problems, covering areas such as: introduction to fundamental theories; formulations of various vision models in the MRF framework; MRF parameter estimation; and optimization algorithms. Various MRF vision models are presented in a unified form, including image restoration and reconstruction, edge and region segmentation, texture, stereo and motion, object matching and recognition, and pose estimation. This book should be a useful reference for researchers working in computer vision, image processing, pattern recognition and applications of MRFs.