論文使用權限 Thesis access permission:校內立即公開,校外一年後公開 off campus withheld
開放時間 Available:
校內 Campus: 已公開 available
校外 Off-campus: 已公開 available
論文名稱 Title |
以類神經網路區分電腦影像中的前景及背景 Separating Computer Image Background and Foreground Via A Neural Network |
||
系所名稱 Department |
|||
畢業學年期 Year, semester |
語文別 Language |
||
學位類別 Degree |
頁數 Number of pages |
82 |
|
研究生 Author |
|||
指導教授 Advisor |
|||
召集委員 Convenor |
|||
口試委員 Advisory Committee |
|||
口試日期 Date of Exam |
2000-06-30 |
繳交日期 Date of Submission |
2000-07-11 |
關鍵字 Keywords |
向量量化、資料壓縮、主軸方向、影像前背景分離、類神經網路 VQNN, Likelihood Ratio, Difference Picture, Fourth-Order Moments, LBG, Neural Network |
||
統計 Statistics |
本論文已被瀏覽 5690 次,被下載 3572 次 The thesis/dissertation has been browsed 5690 times, has been downloaded 3572 times. |
中文摘要 |
VQ(Vector Quantization),是一種常見的影像壓縮方法,能從影像中萃取出具有代表性的代碼,達成資料壓縮的目的,且能保持影像的品質於一定的水準。 利用此原理應用在分類的問題上,我們可以VQ的方法由訓練資料中找出具代表性的代碼作為分類的原型點(prototype),以減低一般分類器的執行時間。但是傳統VQ訓練方法在代碼新增的方法是以固定方向新增,此方法可能會使的代碼無法因應訓練資料點的分佈情況而有其相對應的代碼分佈,所以本文中採用主軸方法來取代一般傳統代碼新增方法,使代碼產生具有較高的可靠性。並且在VQ的訓練過程,簡化其中的步驟,且效率上能有所提昇。 本文並將以應變型VQ為基礎的訓練方法應用於影像前景及背景分離的問題上,在本文中介紹四個可提供影像前景背景分離之特徵參數。並結合應變型VQ訓練方法分類的能力,以求得前背景分離後之結果。 |
Abstract |
None |
目次 Table of Contents |
摘要 I 目錄 II 圖表目錄 IV 第一章、緒論 1 1-1、前言 1 1-2、研究動機 1 1-3、論文架構 2 第二章、最近鄰居分類器 3 2-1、原理 3 2-2、演算法 4 第三章、向量資料量化 5 3-1、向量資料量化原理 5 3-2、傳統LBG演算法 7 3-3、修正型LBG方法 9 第四章、應變式的VQ分類方法 18 4-1、訓練資料的前期處理(Preprocessing) 19 4-2、訓練資料的中期處理(Processing) 21 4-3、訓練資料的後期處理(Postprocessing) 28 4-4、VQ分類測試 28 第五章、影像前背景分離的特徵變數 46 5-1、差異影像(Difference Picture) 46 5-2、可能性比例(Likelihood Ratio) 51 5-3、四次矩(Fourth-order Moment) 54 第六章、影像前背景分離實驗 56 6-1、第一部份實驗 58 6-2、第二部份實驗 63 結論 74 參考書目 75 |
參考文獻 References |
Neri, A., Colonnese, S., Russo, G., Talone, P., 1998, “Automatic Moving Object and Background Separation,” Signal Processing, vol. 66, pp. 219-232. Sin, S.K., deFigueiredo, R. J. P., 1993 , “Efficient Learning Procedures for Optimal Interpolative Nets,” Neural Networks, vol. 6, pp. 99-113. Chan, C. K., Ma, C. K., 1994, “A Fast Method of Designing Better Codebooks for Image Vector Quantization,” IEEE Transaction on Communications, Vol. 42, pp. 237-242. Gray, R.M., 1984, “Vector Quantization,” IEEE ASSP Magazine, April, pp. 4-29. Linde, Y., Buzo, A., Gray, R. M., 1980, “An Algorithm for Vector Quantizer Design,” IEEE Transaction on Communications, Vol. 28, No. 1, pp. 84-95. Chidananda Gowda, K., Krishna, G., 1979, “The Condensed Nearest Neighbor Rule Using the Concept of Mutual Nearest Neighborhood,” IEEE Transactions on Information Theory, Vol. 25, No. 4, pp. 488-490. Hart P. E., 1968, “The Condensed Nearest Neighbor Rule,” IEEE Transactions on Information Theory,” May, pp. 515-516. Gates G. W., 1972, “The Reduced Nearest Neighbor Rule,” IEEE Transactions on Information Theory,” May, pp. 431-433. Haykin, S., 1998 , Neural Networks, Prentice Hall. Jain, R., Kasturi, R., Schunck, B.G., 1995, Machine Vision, McGraw-Hill. Haralick, R. M., Shapiro, L. G., 1992, Computer and Robot Vision: Vol. I, Addison-Wesley Publishing Company. 張善文, 1997, “最近鄰居型特徵變數萃取法,” 碩士論文, 國立中山大學機械工程研究所。 嚴志文, 1999, “最近鄰居型特徵變數萃取法之改良,” 碩士論文, 國立中山大學機械工程研究所。 張順源, 1997, “高斯函數分類神經網路之應變訓練方法,” 碩士論文, 國立中山大學機械工程研究所。 勤大慶, 1998, “以彈性的代碼增加方式改良最近鄰居分類器的VQ訓練方法,” 碩士論文, 國立中山大學機械工程研究所。 黃金璋, 1999, “以動態規劃為基礎的半自動影像切割方法,” 碩士論文, 國立中山大學機械工程研究所。 |
電子全文 Fulltext |
紙本論文 Printed copies |
紙本論文的公開資訊在102學年度以後相對較為完整。如果需要查詢101學年度以前的紙本論文公開資訊,請聯繫圖資處紙本論文服務櫃台。如有不便之處敬請見諒。 開放時間 available 已公開 available |
QR Code |