JPEG 2000 (или jp2).

Новый графический формат, созданный для замены JPEG. При одинаковом качестве размер файла в формате JPEG 2000 на 30% меньше, чем JPG.

При сильном сжатии JPEG 2000 не разбивает изображение на квадраты, характерные формату JPEG.

К сожалению, на данный момен этот формат мало распростанён и поддерживается только браузерами Safari и Mozilla/Firerox (через Quicktime).

Билет

1.Тану жүйесі есептерінің қойылуы мен оны шығару әдістері

Тану сызбасын талдай отырып, келесі бейнелерді тану теориясының негізгі есептерін ерекшелеуге болады:

1. Бейнелердің математикалық сипатталуы. Бейнелерді математикалық сипаттаудың ең тиімді әдісінің бірі - бейнелерді векторлық сипаттау болып табылады. Бұл жағдайда әрбір х бейнесіне сәйкесінше Х векторлық кеңістігінің элементі, яғни осы бейненің белгілерінің қандай да бір x= векторы сәйкес келеді. Мұндай векторлық кеңістік белгілер кеңістігі деп аталады. Ереже бойынша, бұл кеңістік шекті өлшемді және метрикалық болып табылады. Егер бұл кеңістіктің белгілері нақты шамалар болса, онда мұндай кеңістік метрикалық кеңістігіне изоморфты, ал n – белгілер кеңістігінің өлшемі болып есептеледі.

Кейбір тану есептерінде (мысалы, суреттерді тануда) белгілер векторының әртүрлі ұзындығы болуы мүмкін.

2. Берілген бейнені сипаттайтын ақпараттық белгілерді таңдау. Бұл бейнелерді тану теориясында негізгі және маңызды есептердің бірі – берілген тану есебінде бейнелерді нақтырақ сипаттайтын, белгілердің минималды санын анықтау болып табылады.

Белгілерді тану үшін толық таңдау жиынын белгілер алфавиті, ал тану есебінің берілген класы үшін жеткілікті ең аз белгілер жиынын белгілер сөздігі деп атайды. Белгілер сөздігі белгілер алфавитінің ішкі жиыны болмауы да мүмкін, яғни ол белгілер алфавиті элементінің кейбір функцияларынан тұруы да мүмкін. Жалпы жағдайда, жүйе белгілер сөздігін өзі анықтау қажет.

3. Танылатын бейнелердің кластарын сипаттау. Бұл есеп кластардың шекараларын анықтайды. Кластар шекаралары тану жүйесінің жасалу кезеңінде нақты берілуі мүмкін немесе жүйе өзінің жұмысы барысында өзі табуы керек.

4. Тиімді шешуші әдістерді табу, яғни бейненің белгілер векторын қандай да бір класқа жатқызу керек.

5. Бейнелерді классификациялаудың нақтылығын бағалау. Шешім қабылдайтын адам немесе техника бейнені қандай-да бір класқа жатқызу арқылы классификацияның қателігіне байланысты қателік шамасын бағалай алу қажет.

2.Максиминдік арақашықтық алгоритмі

Максиминдік қашықтық принципіне негізделген алгоритм евклидтік қашықтықты қолданатын тағы да бір эвристикалық әдіс. Бұл алгоритмнің түсіндірілуін келесі мысал түрінде қарастырайық:

Екі өлшемді бейнелерден тұратын он элементті іріктеуге алайық:

1. Объектінің кез келген біреуі, мысалы, – бірінші кластер центрі деп алайық .

2. Осы бейнесінен ең алыс орналасқан элементті тауып, мысалы элементі болсын және бұл элементті екі кластер центрі деп аламыз .

3. Қалған бейнелер мен және кластер центрлері арасында қашықтық есептелініп, әрбір жұп үшін минималды мән таңдалады.

X=min (, ), , Y=min(, ),

осы екі минималды мәннен үшінші кластердің центрін аламыз:

X₃= max(X,Y)

Егер, соңғы есептелген қашықтық және кластерлер центрінен едәуір қашықтықта орналасса, онда -ке сәйкестендірілген бейне оның центрі болып есептеледі.

4. Әрбір үш қашықтық топ арасында минимум мән таңдалады және минимум мәндер ішінде максимум мән элементтердің орта мәнінен үлкен болса, онда ол келесі кластер центрі болады.

5. Нәтижесінде кластер центрлері және { }, { }, { } жиындары анықталады.

Дата добавления: 2015-08-26