| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 2 / 2
First pagePrevious page1Next pageLast page
1.
ANALIZIRANJE IN POPRAVLJANJE KVALITETE DIGITALNIH SLIK, ZAJETIH S FOTOAPARATI MOBILNIH TELEFONOV
Sašo Mađarić, 2010, undergraduate thesis

Abstract: Pri zajemanju slik s fotofoni (tj. krajši izraz za mobilni telefon z digitalnim fotoaparatom) se pogosto srečujemo s problemom prisotnosti šuma in drugih nepravilnosti v digitalnih slikah. Vzrok za slabšo kvaliteto zajetih slik je predvsem v tem, da fotofoni nimajo vgrajenih kvalitetnih leč in stabilizatorjev slik. V tem diplomskem delu smo se ukvarjali s problemom, kako izboljšati kvaliteto že zajetih digitalnih slik slabše kakovosti. Preučili smo različne metode za popravljanje kvalitete slik, in sicer metodo Lucy—Richardson, regularizirano obnavljanje, Wienerov filter in slepo dekonvolucijo. Na podlagi pridobljenega znanja smo razvili lasten algoritem PSFCALC, ki popravljanje kvalitete slik temelji na izračunavanju enotinega odziva slikovnega sistema (tj. funkcije PSF). Vse preučene in razvite metode smo preizkusili na testnih slikah realnih poslovnih vizitk, zajetih s fotofoni. Uspešnost popravljanja kvalitete smo kvantitativno izmerili z opazovanjem števila prepoznanih znakov na sliki. Rezultati so pokazali, da je naša metoda najuspešnejša, saj smo na testnih slikah, ki so bile izboljšane z našo metodo PSFCALC, v povprečju razpoznali največ znakov.
Keywords: predobdelava digitalnih slik, zamegljene slike, popravljanje kvalitete digitalnih slik, mobilni telefon, fotoaparat, optično razpoznavanje znakov
Published: 29.07.2010; Views: 2505; Downloads: 198
.pdf Full text (1,66 MB)

2.
METODE NEVROEVOLUCIJE
Sašo Mađarić, 2013, master's thesis

Abstract: Pri klasičnem razvoju nevronskih mrež za uporabo na različnih področjih umetne inteligence se pogosto srečujemo s problemom določanja optimalne topologije nevronske mreže, ki ima velik vpliv na njeno kvaliteto. V tem magistrskem delu smo se ukvarjali s problemom avtomatiziranega razvoja topologije nevronske mreže in njenega učenja z nevroevolucijskimi metodami. Področje, ki se ukvarja z razvojem nevronskih mrež s pomočjo evolucijskega algoritma, je nevroevolucija. Preučili in implementirali smo nevroevolucijske metode NEAT, HyperNEAT in ES-HyperNEAT. Uspešnost metod smo preizkusili na eksperimentu z agenti. Agent se nahaja v okolju in poskuša pobrati čim več kosov hrane ter se izogniti sovražnikom oziroma zidovom. Nevroevolucijske metode smo primerjali z metodo Q-učenje, ki za učenje nevronske mreže uporablja klasično metodo vzvratnega prenosa napake. Primerjali smo doseženo oceno in časovno zahtevnost. Rezultati so pokazali, da je najuspešnejša metoda HyperNEAT, sledita pa ji ES-HyperNEAT in NEAT. Metoda Q-učenje se je izkazala za najmanj uspešno, saj je glede na nevroevolucijske metode v podrejenem položaju tako po doseženi kriterijski oceni kot tudi po časovni zahtevnosti.
Keywords: umetna inteligenca, nevroevolucija, evolucijski algoritem, nevronske mreže, razvoj nevronskih mrež, NEAT, HyperNEAT, ES-HyperNEAT
Published: 11.09.2013; Views: 1277; Downloads: 129
.pdf Full text (5,83 MB)

Search done in 0.06 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica