W każdym z powyższych przykładów mamy do czynienia z innego typu obiektem, a na obraz jego składa się zestaw danych opisujących pewne cechy. Zadaniem automatów, wyposażonych w odpowiednie oprogramowanie, jest zebranie, analiza i przetworzenie zbioru danych. Ostatecznym celem tych badań jest rozpoznanie pewnych cech charakterystycznych i sklasyfikowanie ich zgodnie ze zbiorem pewnych wzorców. Zbiór taki może być poszerzany dzięki zdolnościom uczenia się automatów. W tym celu rozwija się gałąź nauki zwaną sieciami neuronowymi.
Metody rozpoznawania pisma są przykładem metod analizy obrazów cyfrowych [Rys.l c oraz d]. Dlatego w trzecim rozdziale pracy przedstawione oraz omówione zostaną przykłady technik rozpoznawania obiektów w obrazach.
Analiza obrazu ma na celu wyodrębnienie pewnej całkowitej informacji docierającej do odbiornika, która interesuje użytkownika lub np. dany automat wyposażony w odpowiednie oprogramowanie. Proces analizy posiada specyficzną własność, polegającą na znacznej redukcji danych otrzymanych na wejściu. Przykładowo: dane reprezentujące pewne wartości parametrów obrazu mogą zostać zredukowane z liczby kilkuset tysięcy bajtów do kilkudziesięciu. Należy wspomnieć, że z punktu widzenia programowego i sprzętowego techniki analizy obrazu wymagają ogromnej mocy obliczeniowej. Dlatego też przy ich implementacjach stosowane są wyspecjalizowane procesory pracujące w systemach czasu rzeczywistego.
Jedną z podstawowych technik analizy obrazów jest proces segmentacji.
Segmentacja obrazu - proces polegający na podziale obrazu na obszary, które odpowiadają widocznym na obrazie obiektom. Każdy piksel należący do obiektu zostaje oflagowany odpowiednią etykietą (indeksacja obiektów/Def 4/),_
Indeksacja obiektów - (labelling) przypisanie do wszystkich pikseli obiektów identyfikatorów _(etykiet), wskazujących do którego obiektu można dany piksel przypisać._
Def. 4 Indeksacja obiektów
5 Copyright © blackMasoon 2009