Теорія розпізнавання образів та класифікації в системах штучного інтелекту. Ч.1. Подання, перетворення, реставрація та ознаковий опис образів

Abstract

Посібник забезпечує змістовий модуль 1 «Подання, перетворення, реставрація та ознаковий опис образів» робочої програми навчальної дисципліни «Теорія розпізнавання образів та класифікації в системах штучного інтелекту» та її лабораторний практикум. Розглянуто постановку задачі розпізнавання образів і місце розпізнавання в системах штучного інтелекту; подання сигналів і зображень, дискретизацію і квантування; лінійні моделі формування і деградації образів, моделі шумів і критерії якості; дискретні ортогональні перетворення (Фур’є, Уолша — Адамара, Хаара, косинусне, Карунена — Лоева, RTF); частотно-часовий аналіз і вейвлети; методи попереднього оброблення зображень; методи реставрації образів, зокрема метод умовної деконволюції в базисах перетворень Фур’є, RTF і Адамара; розпізнавання за еталоном на основі кореляційних методів, погодженої фільтрації та нормального ортогонального перетворення; формування, нормування і відбір ознак. Кожен розділ містить обчислювальні приклади мовою Python, контрольні запитання і завдання для самостійної роботи; у додатках наведено лабораторний практикум, тестові завдання і термінологічний словник. Для здобувачів вищої освіти першого (бакалаврського) рівня, які навчаються за спеціальностями галузі знань «Інформаційні технології», а також для здобувачів другого (магістерського) рівня, аспірантів і фахівців, які працюють у галузі оброблення сигналів, комп’ютерного зору та штучного інтелекту.This handbook covers Content Module 1, ‘Representation, Transformation, Restoration and Feature Description of Images’, of the syllabus for the course ‘Theory of Pattern Recognition and Classification in Artificial Intelligence Systems’ and its laboratory practicals. It examines the formulation of the pattern recognition problem and the role of recognition in artificial intelligence systems; the representation of signals and images, discretisation and quantisation; linear models of image formation and degradation , noise models and quality criteria; discrete orthogonal transforms (Fourier, Walsh–Adamar, Haar, cosine, Karhunen–Loève, RTF); frequency-time analysis and wavelets; image pre-processing methods; image restoration methods, in particular the conditional deconvolution method in the Fourier, RTF and Adamar transform bases; pattern recognition based on correlation methods, matched filtering and the normal orthogonal transform; feature extraction, normalisation and selection. Each chapter contains computational examples in Python, review questions and exercises for independent study; the appendices include a laboratory workbook, test questions and a glossary of terms. For students pursuing a first-cycle (bachelor’s) degree in the field of ‘Information Technology’, as well as for students pursuing a second-cycle (master’s) degree, postgraduate students and professionals working in the fields of signal processing, computer vision and artificial intelligence.