فهرست مطالب
+
- مقدمه
- اهداف
- سختی های مسئله
- فصل اول مفاهیم اولیه
- ١-١ مقدمه
- ۱-۲ مفاهیم
- ۱-٢-١ مدل های رنگی
- ١-٢-١-١ مدل رنگی RGB
- ١-٢-١-٢ مدل رنگی RGB نرمال شده
- ١-٢-١-٣ مدل های رنگی HSL,HSV,HIS (رنگ ، اشباع ، شدت روشنایی )
- ١-٢-١-۴ مدل رنگی TSL
- ١-٢-١-۵ مدل رنگی YCrCb
- فصل دوم پیش پردازش
- ٢-١ نرمال سازی هیستوگرام
- ٢-٢ تعدیل یا افزایش وضوح تصویر
- ٢-٣ حذف نویز
- فصل سوم مدل کردن پیش زمینه
- ٣-١ مقدمه
- ٣-٢ مدل کردن پیش زمینه به صورت دستی
- ٣-٣ مدل نمودن پیش زمینه توسط روش فیلتر میانه
- ٣-٣ – ١ الگوریتم
- ٣-۴ مدل نمودن پیش زمینه توسط مدل های ترکیبی
- ٣- ۴ – ١ مقدمه
- ٣- ۴ -٢ مدل های ترکیبی
- ٣- ۴ -٢-١ تئوری رویه به روزرسانی
- ٣- ۴ -٢- ١- ١الگوریتم ماکزیمم مورد انتظار
- ٣- ۴-٢-٢ به کار بردن الگوریتم EM در مدل ترکیبی گوسین
- ٣- ۴ -٣ الگوریتم
- ٣- ۴ -۴ بحث ونتیجه گیری
- فصل چهارم بدست آوردن مجموعه داده و انواع روشهای کلاس بندی
- ۴-۱ مجموعه داده
- ۴-۱-۱ خصوصیات آماری داده ها
- ۴-۱-۲ ماتری کواریانس
- ۴-۲ انواع روشهای کلاس بندی
- ۴-۲-۱ روشهای پارامتریک
- ۴-۲-۱-۱نظریه تصمیم گیری بیزین
- ۴-۲-۲-۱روش پنجره پارزن
- ۴-۲-۲-۲روش knn
- ۴-۲-۳جدا سازی خطی
- ۴-۲-۳-۱تعمیم جدا سازی خطی
- ۴-۲-۴جدا سازی غیر خطی
- ۴-۳radial basis function
- ۴-۴support verctor machine
- ۴-۴-۱linear svm
- ۴-۴-۲non linear svm
- فصل پنجم نتیجه گیری و توضیح کد
- ۱-۵ آموزش شبکه
- ۲-۵ برنامه اصلی
- ۳-۵ توابع کمکی
- ۳-۵-۱ توابع کمکی ۱
- ۳-۵-۲ توابع کمکی ۲
- مراجع
======
دیدگاهتان را بنویسید