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 Vision systems: segmentation and pattern recognition

دانلود کتاب سیستم های دید: تقسیم بندی و تشخیص الگو

مشخصات کتاب

Vision systems: segmentation and pattern recognition

دسته بندی: الگوریتم ها و ساختارهای داده ها: شناخت الگو
ویرایش: I-Tech 
نویسندگان: Obinata G.,  Dutta A. (eds.)  
سری:  
ISBN (شابک) : 390261305X 
ناشر:  
سال نشر: 2007 
تعداد صفحات: 546 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت

قیمت کتاب (تومان) : 40,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 7

در صورت تبدیل فایل کتاب Vision systems: segmentation and pattern recognition 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 سیستم های دید: تقسیم بندی و تشخیص الگو 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 سیستم های دید: تقسیم بندی و تشخیص الگو

ما روش جدید تقسیم‌بندی محدوده سریع و دقیق را بر اساس ترکیبی از مدل‌سازی نمایه دامنه و شدت و رشد منطقه مبتنی بر منحنی پیشنهاد کردیم. یک نمایه محدوده با استفاده از یک مدل رگرسیون همزمان تطبیقی مدل‌سازی می‌شود. پیش‌بینی‌کننده تطبیقی بازگشتی از همبستگی فضایی از داده‌های همسایه استفاده می‌کند که منجر به بهبود استحکام الگوریتم نسبت به طرح‌های سفت و سخت می‌شود، که اغلب با نقاط پرت که اغلب در مرز اشکال متمایز وجود دارند، تحت تأثیر قرار می‌گیرند. اجرای موازی الگوریتم ساده است، هر سطر و ستون تصویر را می توان به طور مستقل توسط پردازنده اختصاصی آن پردازش کرد. مرحله رشد منطقه بر اساس مدل منحنی اسپلاین مکعبی است. عملکرد الگوریتم بر روی مجموعه تصاویر محدوده آزمایشی موجود در وب سایت دانشگاه فلوریدا جنوبی نشان داده شده است. این نتایج آزمایش اولیه الگوریتم دلگرم کننده است. روش پیشنهادی عمدتاً قادر به یافتن اشیاء موجود در تمام صحنه‌های تجربی ما با دقت محلی‌سازی مرزی عالی بود و از قطعه‌سازهای جایگزین بهتر عمل کرد. روش پیشنهادی سریع و از نظر عددی قوی است، بنابراین می توان از آن در یک سیستم اکتساب واقعیت مجازی آنلاین استفاده کرد. با این حال، هنوز کار بیشتری برای جایگزینی آستانه رشد منطقه ثابت فعلی با یک آستانه تطبیقی که می‌تواند انواع مختلف داده‌های محدوده را در خود جای دهد، برای آزمایش عملکرد روی داده‌های لیزری پر سر و صدا و همچنین در صحنه‌هایی با تعداد زیاد چهره‌های منحنی، مورد نیاز است.

توضیحاتی درمورد کتاب به خارجی

We proposed novel fast and accurate range segmentation method based on the combination of range & intensity profile modelling and curve-based region growing. A range profile is modelled using an adaptive simultaneous regression model. The recursive adaptive predictor uses spatial correlation from neighbouring data what results in improved robustness of the algorithm over rigid schemes, which are affected with outliers often present at the boundary of distinct shapes. A parallel implementation of the algorithm is straightforward, every image row and column can be processed independently by its dedicated processor. The region growing step is based on the cubic spline curve model. The algorithm performance is demonstrated on the set of test range images available on the University of South Florida web site. These preliminary test results of the algorithm are encouraging; the proposed method was mostly able to find objects present in all our experimental scenes with excellent border localization precision and outperformed the alternative segmenters. The proposed method is fast and numerically robust so it can be used in an on-line virtual reality acquisition system. However further work is still needed to replace current fixed region growing threshold with an adaptive threshold which could accommodate different types of range data, to test the performance on noisy laser data as well as on scenes with large number of curved faces.