Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada pordavid escob Modificado hace 6 años
2
Algoritmo de eigenfaces Una imagen como vector con ancho y alto. 1.Normalización o pre procesado. buscar los factores que determinen similitudes 2.Calculo de las eigefaces se realiza el PCA 3.Las eigefaces forman un conjunto ortogonal para hallar la proyección de una imagen sobre ella basta con realizar el producto escalar.
3
PCA Análisis De Componentes Principales es un método optimo para reducir el numero de dimisiones necesarias para representar la imagen como un conjunto de vectores.. Ejemplo: Cuando comprimimos una imagen
4
Análisis discriminante lineal Identificar las características que permite diferenciar a dos o mas grupos de sujetos. Distinguir de una manera precisa a los dos grupos
5
Análisis de componente independiente Búsqueda de vectores de proyección en los que las características son más independientes entre sí
6
Análisis de características locales Es una propiedad que describe las propiedad de un pixel relación a su vecindad Proporcionan información sobre estructuras relevaste de la imagen tales como regiones o contornos
7
Elastic Bunch Graph Matching Colocar los puntos manual
8
Máquinas de Vectores de Soporte Minimizar los errores de clasificación Redes Neuronales Las RNA pueden modificar su comportamiento como respuesta a su entorno
9
Biométrica La permanencia de los rasgos biométricos tampoco se puede conservar en todo momento
10
Visión estereoscópica La estereopsis es el fenómeno físico de la percepción de profundidad, lejanía o cercanía de los objetos Utiliza dos cámaras CCD o CMOS
11
Reconstrucción tridimensional mediante proyección de franjas Reconstrucción 3D Video proyección Las imágenes tienen una resolución de 1280X1024 píxeles y una profundidad de color de 8 bits.
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.