Exemple de lucrări Lucrari Academice

Facultatea:

Facultatea de Științe Socio-Umane

Tema lucrării:

Metode de extragere a caracteristicilor din imagini pentru clasificare folosind transformata Wavelet: o analiză completă

Numărul de pagini:

71

Rezumat

Lucrarea de licență a absolventului Mihu Alexandru Ioan își propune să contribuie la analiza și implementarea unor metode de extragere a caracteristicilor din imagini în vederea clasificării acestora. Lucrarea se concentrează pe reducerea numărului de trăsături extrase din imaginile din baza de date pentru a obține o acuratețe mai mare în clasificare. Metodele de extragere folosite au fost adaptate din cadrul clasificatorului WND-CHARM și au fost implementate în mediul OME. Prin realizarea acestor modificări, timpul de extragere a trăsăturilor și de clasificare a fost redus semnificativ. Aplicația dezvoltată poate fi utilizată în detecția sau recunoașterea diverselor probleme din diferite domenii. Concluziile lucrării demonstrează eficiența metodelor de extragere alese și îmbunătățirea performanțelor clasificatorului KNN. Este prezentată și o analiză a rezultatelor experimentale obținute atât în Weka, cât și în Matlab și prin intermediul aplicației executabile. Această lucrare reprezintă o contribuție semnificativă în domeniul analizei și clasificării imaginilor și deschide noi perspective pentru dezvoltarea unor aplicații practice în diverse domenii.

Cuprins:

1. Stadiul actual

2. Fundamentare teoretică

2.1. Introducere

2.2. Transformata Wavelet continuă şi discretă

2.2.1 Transformata Wavelet continuă

2.2.2 Transformata Wavelet discretă

2.2.3 Familii de wavelet-uri

2.2.4 Aplicații ale wavelet-urilor

2.3 Transformata FFT

2.3.1 Definire transformată FFT

2.3.2 Aplicații ale transformatei FFT

2.4 Transformata Radon

2.4.1 Definirea transformatei Radon

2.4.2 Aplicații ale transformatei Radon

2.5 Caracteristicile Tamura

2.5.1 Granularitatea

2.5.2 Contrastul

2.5.3 Direcționalitatea

2.6 Polinoamele Zernike

2.6.1 Definirea polinoamelor Zernike

2.6.2 Aplicații ale polinoamelor Zernike

2.7 Histograme multiscalare

2.8 Filtre orientate în patru direcții pentru obținerea „primelor 4 momente”

2.9 Algoritmul KNN

2.9.1 Avantajele algoritmului KNN

2.9.2 Dezavantajele algoritmului KNN

2.10 Fișiere MEX (MEX-files)

3. Implementarea soluției adoptate

3.1 Baza de imagini

3.2 Metoda de extragere a caracteristicilor

3.2.1 Metoda de extragere a caracteristicilor din WND-CHARM

3.2.2 Metoda de extragere a caracteristicilor în lucrarea de față

3.2.3 Evaluarea trăsăturilor în Weka

Prezentare generală extinsă

Acest document reprezintă o lucrare de licență realizată în cadrul Universității Tehnice din Cluj-Napoca, Facultatea de Electronică, Telecomunicații și Tehnologia Informației, specializarea Tehnologii și Sisteme de Telecomunicații. Tema abordată explorează analiza și implementarea unor metode de extragere a caracteristicilor din imagini pentru clasificarea acestora.

Obiective principale 🎯

  • Documentarea metodelor existente de extragere a caracteristicilor din imagini.
  • Implementarea unei aplicații MATLAB pentru extragerea trăsăturilor din imagini.
  • Clasificarea imaginilor folosind metode precum clasificatorul KNN.

Context și relevanță 📸

Utilizarea imaginilor digitale în diverse domenii ale științei și ingineriei a determinat creșterea cererii pentru aplicații de clasificare automată a imaginilor. Lucrarea își propune optimizarea acurateței și a timpului de procesare prin reducerea numărului de trăsături extrase, îmbunătățind eficiența clasificării.

Metodologie de implementare ⚙️

Lucrarea descrie mai multe etape esențiale:

  1. Extragerea trăsăturilor utilizând metode din clasificatorul WND-CHARM.
  2. Reducerea trăsăturilor pentru eficiență sporită (318 față de 1024 atribute per imagine).
  3. Clasificarea imaginilor cu algoritmul KNN și evaluarea acestora în platformele Weka și MATLAB.
  4. Implementarea unei interfețe grafice pentru utilizatori, oferind opțiuni de selecție a metodelor de extragere și testare a clasificatorului.

Rezultate experimentale și concluzii 📊

  • Timpul de extragere a trăsăturilor a fost redus semnificativ (de la 48 de ore la 3 ore și 11 minute).
  • Clasificarea imaginii a fost accelerată (de la 2 secunde la mai puțin de o secundă).
  • Aplicația creată este adaptabilă pentru diverse baze de imagini, având potențial în multiple domenii științifice.

Contribuții și perspective viitoare 🔍

Lucrarea aduce contribuții semnificative prin reducerea trăsăturilor ineficiente și prin dezvoltarea unei aplicații versatile. Metodele propuse pot fi extinse pentru probleme de detecție și recunoaștere în domenii variate.

Caută printre cele peste 1000 de lucrări disponibile pe site-ul nostru!

Ți se pare prea complicat ?

Scapă de griji !

Contactează-ne

Leave a Reply

Adresa ta de email nu va fi publicată. Câmpurile obligatorii sunt marcate cu *