Mejora y segmentación de imágenes mediante técnicas de computación blanda.
Versandkostenfrei!
Versandfertig in 1-2 Wochen
41,99 €
inkl. MwSt.
PAYBACK Punkte
21 °P sammeln!
Este libro describe la segmentación de imágenes a múltiples escalas mediante la integración con diferentes estructuras. Estas técnicas se basan en información de límites, texturas y no texturas para la segmentación de imágenes a múltiples escalas. Esta obra sostiene que las cuestiones de la selección de la escala y la detección de la estructura no pueden tratarse por separado para la segmentación. Las técnicas de soft computing son las más adecuadas para abordar este tipo de problemas. La segmentación difusa de imágenes es una tarea que clasifica los píxeles de una imagen uti...
Este libro describe la segmentación de imágenes a múltiples escalas mediante la integración con diferentes estructuras. Estas técnicas se basan en información de límites, texturas y no texturas para la segmentación de imágenes a múltiples escalas. Esta obra sostiene que las cuestiones de la selección de la escala y la detección de la estructura no pueden tratarse por separado para la segmentación. Las técnicas de soft computing son las más adecuadas para abordar este tipo de problemas. La segmentación difusa de imágenes es una tarea que clasifica los píxeles de una imagen utilizando diferentes etiquetas para que la imagen se divida en regiones etiquetadas no superpuestas. En esta tesis se han estudiado y desarrollado técnicas basadas en clusters difusos, la técnica de Entropía Difusa, la lógica difusa basada en reglas de tipo II, la detección de bordes basada en la lógica difusa de gradiente, el modelo C-means difuso generalizado y el modelo triangular de Entropía Difusa para imágenes de súper resolución. Los experimentos se han realizado con bases de datos de imágenes conocidas y los resultados se producen en forma de tablas y gráficos para el análisis objetivo y las salidas de las imágenes de entrada se colocan para el análisis subjetivo.
Andere Kunden interessierten sich für
