Ocena dokładności wybranych metod segmentacji tekstur

Praca magisterska opisuje wyniki badań dotyczące oceny dokładności metod segmentacji obrazów zawierających tekstury. Praca składała się z realizacji kilku etapów. Pierwszym zadaniem była budowa sztucznego obiektu testowego zawierającego tekstury. Następnie dokonano akwizycji obrazów tych obiektów z wykorzystaniem skanera i aparatu cyfrowego. Do przeprowadzenia segmentacji obrazów wybrano dwie sieci neuronowe. Pierwszą z nich była wielowarstwowa sieć perceptronowa, drugą samoorganizująca się sieć neuronowa, w której proces uczenia wag wykorzystuje algorytm Kohonena. Ocena dokładności obu metod segmentacji polegała na estymacji wybranych parametrów geometrycznych (pole powierzchni, obwód, szerokość, wysokość) obiektu testowego i porównanie ich z rzeczywistymi wymiarami tego obiektu. Oprócz badań określających wpływ sposobu akwizycji obrazów oraz wyboru sieci neuronowych wykorzystanych do segmentacji przeanalizowano wpływ wielkości okna estymacji parametrów podczas tworzenia map cech obrazów, a także wpływ wielkości współczynnika regulującego szybkość uczenia sieci Kohonena.
Dokonana ocena dokładności metod segmentacji może w sposób znaczący przyczynić się do wyboru i wykorzystania jednej z nich w dziedzinach nauki i techniki, w których nie można w obiektywny sposób przeprowadzić weryfikacji pomiarów (np. w obrazach biomedycznych, rentgenowskich). Komputerowa analiza oraz segmentacja obrazów może jest zapewnić większą powtarzalność badań oraz wspomóc automatykę doświadczeń i prac.
W pracy przedstawiono ponadto podział metod analizy obrazu oraz opisano każdą z nich. Zaprezentowano także przegląd metod segmentacji obrazów. Opisano architektury oraz algorytmy uczenia wybranych do badań sieci neuronowych.