Page 50 - 169

автоматизованих систем, за рахунок використання однобітної системи
кодування.
Розглянуті моделі відображають характеристики станів давачів
інформації, а також їх часові статистичні властивості, при чому інтегральні
технології є базовими для реалізації ефективних алгоритмів формування даних
та побудови моделей.

Моделі розпізнавання образів

В загальному випадку усі методи розпізнавання образів умовно можна
розділити на наступні: геометричні методи, статистичні методи (метод Байєса),
метод дискремінантних функцій, кореляційний метод, метод власних функцій.

Метод власних функцій
Прикладом об’єктів дослідження можуть служити зображення літер, які
відповідають різним шрифтам або рукописному варіанту (рис.3.18).

1 2 3 4 5

Рис.3.18 - Написи літери “А” різними шрифтами (1–4), 5 – варіант, прийнятий
за еталонний

При скануванні двовимірних зображень, їх можна деяким способом
подати наборами дискретних функцій в різних базисах: Хаара, Крейга, Уолша,
Радемахера та інших, які, по-суті, виражають своєрідний спектральний склад
зображень в цих базисах. Проте збіжність спектральних рядів в згаданих
базисах є повільною.
Найкращу збіжність серед дискретних базисів, в даному випадку
забезпечує розклад по власних функціях. Методика такого розкладу наступна.

Вибираються власні функції з довільними фазами, які утворюють деяку
множину (V ), в даному випадку – функції ( 1 VV  5), рис.3.19.

Рис.3.19 - Форми дискретних власних функцій з довільною фазою.

Приклад розкладу літери ”H” за власними функціями та подання її у
вигляді вектора (v ) наведено на рис.3.20.
Н