!" #$ : ( )

Σχετικά έγγραφα
Evaluation of Expressing Uncertain Causalities as Conditional Causal Possibilities

(... )..!, ".. (! ) # - $ % % $ & % 2007

5 Haar, R. Haar,. Antonads 994, Dogaru & Carn Kerkyacharan & Pcard 996. : Haar. Haar, y r x f rt xβ r + ε r x β r + mr k β r k ψ kx + ε r x, r,.. x [,

IEEE INFOCOM 2009 IEEE Conference on Computer Communications

ITU-R BT.1908 (2012/01) !" # $ %& '( ) * +, - ( )

A Sequential Experimental Design based on Bayesian Statistics for Online Automatic Tuning. Reiji SUDA,


... 5 A.. RS-232C ( ) RS-232C ( ) RS-232C-LK & RS-232C-MK RS-232C-JK & RS-232C-KK

Ax = b. 7x = 21. x = 21 7 = 3.

ITU-R BT ITU-R BT ( ) ITU-T J.61 (

! : ;, - "9 <5 =*<

Bundle Adjustment for 3-D Reconstruction: Implementation and Evaluation

Gemini, FastMap, Applications. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών

Noriyasu MASUMOTO, Waseda University, Okubo, Shinjuku, Tokyo , Japan Hiroshi YAMAKAWA, Waseda University

C 1 D 1. AB = a, AD = b, AA1 = c. a, b, c : (1) AC 1 ; : (1) AB + BC + CC1, AC 1 = BC = AD, CC1 = AA 1, AC 1 = a + b + c. (2) BD 1 = BD + DD 1,

Discriminative Language Modeling Based on Risk Minimization Training

ITU-R SM (2011/01)

Nondeterministic Finite Automaton Event Detection in Focusing Region. Sequence Analysis. Sequence Analysis. Feature Extraction. Feature Extraction

Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)

ITU-R P (2012/02) &' (

Δημήτριος Θ. Τόμτσης, Ph.D. Αναλυτικό Βιογραφικό Σημείωμα

Re-Pair n. Re-Pair. Re-Pair. Re-Pair. Re-Pair. (Re-Merge) Re-Merge. Sekine [4, 5, 8] (highly repetitive text) [2] Re-Pair. Blocked-Repair-VF [7]

2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems

Schedulability Analysis Algorithm for Timing Constraint Workflow Models

Stochastic Finite Element Analysis for Composite Pressure Vessel

{takasu, Conditional Random Field

Quick algorithm f or computing core attribute

3: A convolution-pooling layer in PS-CNN 1: Partially Shared Deep Neural Network 2.2 Partially Shared Convolutional Neural Network 2: A hidden layer o

Indexing Methods for Encrypted Vector Databases

Virtual Noctiluca: Media art of light and music through stream

Erkki Mäkinen ja Timo Poranen Algoritmit

Ερευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+

Toward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- Takuya Adachi 1 Naoki Fukuta 2.

DC BOOKS. H-ml-c-n-s-b- -p-d-n- -v A-d-n-b-p-w-a-p-¼-v

Sheet H d-2 3D Pythagoras - Answers

Research on Real-Time Collision Detection Based on Hybrid Hierarchical Bounding Volume

Fourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT

ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ. Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα

IF(Ingerchange Format) [7] IF C-STAR(Consortium for speech translation advanced research ) [8] IF 2 IF

ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΛΕΩΝΙΔΑΣ Α. ΣΠΥΡΟΥ Διδακτορικό σε Υπολογιστική Εμβιομηχανική, Τμήμα Μηχανολόγων Μηχανικών, Πανεπιστήμιο Θεσσαλίας.

No. 7 Modular Machine Tool & Automatic Manufacturing Technique. Jul TH166 TG659 A

ITU-R P (2009/10)

! " #! $ %&! '( #)!' * +#, " -! %&! "!! ! " #$ % # " &' &'... ()* ( +, # ' -. + &', - + &' / # ' -. + &' (, % # , 2**.

ΓΙΑΝΝΟΥΛΑ Σ. ΦΛΩΡΟΥ Ι ΑΚΤΟΡΑΣ ΤΟΥ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΜΑΚΕ ΟΝΙΑΣ ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ

5.1 ΕΙΣΑΓΩΓΗ. ΕΝΟΤΗΤΑ Ε. Χαρτογραφία και ΓΣΠ

Εφαρμογή Υπολογιστικών Τεχνικών στην Γεωργία

ΒΕΛΤΙΣΤΟΙ ΣΧΕΔΙΑΣΜΟΙ ΣΕ ΑΝΟΜΟΙΟΓΕΝΕΙΣ ΠΛΗΘΥΣΜΟΥΣ

ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΑΤΗΣΙΩΝ ΑΘΗΝΑ Ε - ΜΑΙL : mkap@aueb.gr ΤΗΛ: , ΚΑΠΕΤΗΣ ΧΡΥΣΟΣΤΟΜΟΣ. Βιογραφικό Σημείωμα

(pattern recognition) (symbol processing) (content) (raw data) - 1 -

Buried Markov Model Pairwise

Τηλ.: , Φαξ: Η-ταχυδροµείο: Ιστοσελίδα: Καλλιπόλεως 75, Τ.Θ , 1678 Λευκωσία, Κύπρος


The mass and anisotropy profiles of nearby galaxy clusters from the projected phase-space density

!"!# ""$ %%"" %$" &" %" "!'! " #$!

coupon effects Fisher Cohen, Kramer and Waugh Ordinary Least Squares OLS log

ITU-R SF ITU-R SF ( ) GHz 14,5-14,0 1,2.902 (WRC-03) 4.4. MHz GHz 14,5-14 ITU-R SF.1585 ( " " .ITU-R SF.

[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)

Μοναδική φορητότητα, αξεπέραστη απόδοση

Automatic extraction of bibliography with machine learning

Επιδέξια Ρομποτικά Χέρια / Στατική Ανάλυση και Έλεγχος

(Υπογραϕή) (Υπογραϕή) (Υπογραϕή)

MIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)

ΗΛΙΑΣΚΟΣ ΦΡΟΝΤΙΣΤΗΡΙΑ. Θετικής - Τεχνολογικής Κατεύθυνσης Φυσική Β Λυκείου ΥΠΗΡΕΣΙΕΣ ΠΑΙΔΕΙΑΣ ΥΨΗΛΟΥ ΕΠΙΠΕΔΟΥ. Επιμέλεια: ΘΕΟΛΟΓΟΣ ΤΣΙΑΡΔΑΚΛΗΣ

ITU-R M MHz ITU-R M ( ) (epfd) (ARNS) (RNSS) ( /(DME) MHz (ARNS) MHz ITU-R M.

Optimized Design of Fully Integrated VCO on Si Based Process

DECO DECoration Ontology

Συναλλαγές. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών. Συναλλαγές. Βάσεις Δεδομένων ΙΙ

AC 1 = AB + BC + CC 1, DD 1 = AA 1. D 1 C 1 = 1 D 1 F = 1. AF = 1 a + b + ( ( (((

Westfalia Bedienungsanleitung. Nr

GPU. CUDA GPU GeForce GTX 580 GPU 2.67GHz Intel Core 2 Duo CPU E7300 CUDA. Parallelizing the Number Partitioning Problem for GPUs

ΠΑΡΑΔΟΤΕΟ 3.1 : Έκθεση καταγραφής χρήσεων γης

An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software Defined Radio

2002 Journal of Software /2002/13(08) Vol.13, No.8. , )


Anomaly Detection with Neighborhood Preservation Principle

A Method of Trajectory Tracking Control for Nonminimum Phase Continuous Time Systems

HY118- ιακριτά Μαθηµατικά

Ταξινόμηση και διαχρονική παρακολούθηση των βοσκόμενων δασικών εκτάσεων στη λεκάνη απορροής του χειμάρρου Μπογδάνα Ν. Θεσσαλονίκης

Research on real-time inverse kinematics algorithms for 6R robots

Estimating Time of a Simple Step Change in Nonconforming Items in High-Yield Processes

Probabilistic Approach to Robust Optimization

Actual Chip Specification

ΑΠΑΝΤΗΣΕΙΣ ΙΟΥΛΙΟΥ Β. α. ΛΑΘΟΣ, β. ΣΩΣΤΟ, γ. ΣΩΣΤΟ, δ. ΛΑΘΟΣ, ε. ΣΩΣΤΟ, στ. ΣΩΣΤΟ. α = 1 δ. im( f (x) x ) = im - 2βx x = - 4β 8 = 4α - 32β =

ΠΡΟΔΙΑΓΡΑΦΕΣ εξοπλισμού ( )


Proposal of Terminal Self Location Estimation Method to Consider Wireless Sensor Network Environment

ITU-R P ITU-R P (ITU-R 204/3 ( )

ITU-R BT.2033 (2013/01) / 0) ( )

ΞΕΝΗ Ι. ΜΑΜΑΚΟΥ. Μέλος Ε.Τ.Ε.Π. Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων Οικονομικού Πανεπιστημίου Αθηνών

ER-Tree (Extended R*-Tree)

Γεωργία Ακριβείας & Παρακολούθηση Φυσικού Περιβάλλοντος

ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΤΟΠΟΛΟΓΙΑΣ ΚΟΜΒΩΝ ΚΑΙ ΡΑΒ ΩΝ ΣΕ ΙΚΤΥΩΜΑΤΑ

ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΧΟΛΗ ΤΕΧΝΟΛΟΓΙΚΩΝ ΕΦΑΡΜΟΓΩΝ ΤΜΗΜΑ ΜΗΧΑΝΟΛΟΓΙΑΣ

Το άτομο του Υδρογόνου

Speeding up the Detection of Scale-Space Extrema in SIFT Based on the Complex First Order System

❷ s é 2s é í t é Pr 3

ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ

Κατ οίκον Εργασία 2 Λύσεις

ΤΕΧΝΙΚΕΣ ΑΥΞΗΣΗΣ ΤΗΣ ΑΠΟΔΟΣΗΣ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ I


Transcript:

.!" #$ : 02.21.07 ( ) 2008 1

.!!" #$ : 02.21.07 ( )! "#: :. - %&'.,... - %( 2008 2

#) *"'+'"!'+('', $! $ % #, & "' % "% %%( '. "#, #, %, % # ), %. # "%, " %&% ' '# #,, #, #% %. % # # "( "' %. ( - * %#, # # % %% # #. + % : 1., %. 2. - % #, % ), # % %. 3. - 2D 3D ( % %# ( %. 4. $ % # %, # ' #. 5. % # # 4D '%. 6. "%.# % % %, %# # %# #. 7. % " #% % %% #. 3

# 1..'/ +0 +0+,' % - # - % - # % # (.' ' /!1'!'+('', $! 2. '/# '!' '(' '!' / %!'.,+ +'+'1+" ##" %+.!.+'!'2)' + '/#2', # % 3D '%, "' % 2D '% $ # % % % ", # 3.!' '(' '%!#,! / "'!'2', '/%./ +'+' / '! *, + (.%'.3 +'+' / 3' (' ' '! '.' -# 2D '% % # # %, (" #%# #( 3D '% %# % # # % # # #) # % #" 4.!' '('.3'' / 2D ' 3D *'+3 %'4 +3(', +'' %.$' '/#2', - %# 2D 3D '% ( () % $ #) % # %% # ( % % 5. /#" $"('.!. / #." 4D *'+3 ##" +'1 +0/' %+.!.+' '/#2', # 4D '% % #, #" # # 6.!'" / "' 35" %' '/'!"' ".61' "!' ' '" "1+ (' ' '/#2',, TKFC, MKFI KFDI # PSNR MSE %# #, # # ( % 7. + $'!$.' ' %'.2', /.'/ %!.2'!'+(',!' / 3 ##" '.'/ '% '%, %, %# ( # %, %, 4D '% 4

- + " #., C# Vsual C++. # %- #, %# ( % % #. + #% #. % #%. % - & #" # # %, "' "% " % % #, % ' ) % % # %. % % # "', # % ( # %%( %. $% # % % # #%#. % % % " % % ## % %, ## : http://www.youtube.com/, http://www.vbox7.com/. % & 10 # % # %% % (3, 4, A6, 7, 8) # % (IEEE) (5-$, 9, A10-, WSEAS- A11 ), ## ## Computng Internatonal Journal (A1, A2). +, "" : 9 ( & 50 ), 100, 100, 50 #, # & % 152. : "# "#& %, % (153 #), ## #%. 5

#%# # % %% # # % # %. % %%# %, %, # # % # : #, ( %, # '. %, 3D 4D '% ( % #.,( " # # % #, # % % # #) #, (# # # %, "" %#. # # #) #,# % % % ". #%# # #, ## %. %, ' 4D % '% ( #, '&. %% 3D " % 3D % " #. " %% # %. "% % & % #. #%. # $#% #"% % "#. - ( $ #"%, ## # #"% % #%#!/0 "%. /. 6

+ +0!02'!'+('', $! 3 1.'/ +0 +0+,' % % %% # &.!& # "' %#, "". #% # # % % % ' ) (P. Ilev and L. Tsekov, 1993). 1 # #% " % % # # % ', # % %, % # %. (# (Greg P.,Ramn Z., 2005) #, #% # %, (" #%# # 3D '% &. # 2D '% %. (# % %# '% ' (Yu-Jn Zhang, p41-57, 2007) # (Stefan Wnkler, p71-103, 2005), # % '- % %. # % 2D % (Yu-F Ma, Hong-Jang Z. 2006) # # 3D '%., # (Roland M. 2005) # %. # % % (A2, A8, A9, 22, 32, 50, 76, 83, 84, 123, 136, 145), ## % # " #, 0.-% 0 % (2, 11, 14, 33, 52, 53, 59, 60, 65, 72, 92), & " %# '. + : % (,.,, 2007) % (Turney, R.D.; 7

Reza, A.M.; Delva, J.G.R, 1999). $ " % % ", # (Gonzalo R. Arce, p139-180, 2005), # '&. % # " 2D 3D ( # (C.K.Leung, F.K.Lam, 1997), # %#, # 4 8.! 3D '% % # ' 4D % '% % ". $ %# ## '% (Pavel Z,, Guseppe A., Vlastslav D.,2005), # #% %# # % #) # (Henrch H.B., Seong- Whan Lee, Tomaso A.P., C.W. (Eds.), p230-240, 2002). ' 3 1 -# % " # # % " " # % % % # %. % 3 1! ". % ', # -# % #, #, %. 3 2 '/# '!' '(' '!' / %!'.,+ +'+'1+" ##" %+.!.+'!'2)' + '/#2', - 3D 7 # % % & " #. ".,, % '& % # % ' 2D 8

'%:, & % #. "( # % 5'5 # % % %, " # %, #& " % (A6). 1 % '% 2D '%, % " 3D '% (. 2.6).. 2.6. a), 3D b), c) 3D '% % " (# #. 2D '%, (# # % (. 2.8). 3D '% # "% # "% # & "% #. % '% "&. % #.. 2.8 3D a), 3D 2D b), 3D c) - '% % 2D 3D 9

% & " % %. %' %.% '%. # "# ( % %#. # ( & #. 3D (. 2.10), # # "( % 2D. In+1 In In-1 y t x %& # H3D # H3D #. 2.10. 3D /. In+1, In, In-1., ( %, 3D % % ", ##, 3D # % " # (. 2.12). # 3D #% 3D # # % (Westwater R., Furht B. 1997), % #% 3 5 #" #. a ) b ) c ). 2.12 3D a), 3D b), 2D - c) " #, # " % # 10

# 2D '%: - -: k m l = rp lr #": m l e %%# #, r ( ( # ", %& p lr : : D l = CV r = 0 k r = 0 (1) ( r m ) 2. p (2) l lr D l 100% (3) = ml #": D l e, m l %%# # ( ( ). : ' 3 2 Dl z l = ml ± (4) 2 '% # % % %. % 3 2 - % '% 2D '%, # % 3D '%. #, 3D % " #, (-# " # '%. 3 3!' '(' '%!#,! / "'!'2','/%./ +'+' / '! *, + (.%'.3 +'+' / 3' (' ' '! '.' #%# % %% # %# # # % 11

# (P. Ilev and L. Tsekov, 1993).. # (. 3.1) %, "& # %# % % # # #) # (A9). # ( % %#, # ' 3D '%.. 3.1 % 8 : '& '& ; % ; $ % 2D # # # ' # ; 12

0 for x, y < 0, k k fl ( x, y) = pl for x, y [0, k], rx, ty (5) r= 0 r= 0 1 for x, y > k. $ # 3D '%; m m l k k 2 2 l = rx + ry. p ( 2D) l( rx, ry ) (6) r= 0 r= 0 2 ) #":#" ( D 2D '%, rx ry ( # 3D % '%, p, ) " l ( r x ry #, rx ^ ry p l ( r x, r y ) " #, rx ^ ry. D k k 2 2 2 l( 2D) = rx + ry ml(2d) ]. r= 0 r= 0 #": D l( 2D) #. [ p (7) l ( r, r ) $ # % # 3D '% (A2): " & " : K = max f ( x, y) f ( x, y) (8) #": ƒ a (x, y) ƒ b (x, y) # P a l(3d) P b l+1(3d) F a l F b l+1, "; l = 1, 2,..., L. " & % : x, y a k k 2 ( pb ( rxry ) pa ( rxry )) 2 χ = ( m n). (9) p ( r r ) r= 0 r= 0 #": p b(rr) p a(rr) rr th - " F b l+1 F a l, ". " & ( - ): a ma mb Z = (10) ( D + D ) ( m n) #": m l(2d) m l(2d) # " F a l F b l+1, D a l(2d) D b l(2d). a b b x x y y 13

! 9- #, % 3 # #, # ' (A2). ', " % ' ), # # -. R K, R 2 χ, R Z % %. " : t 0, f K > tk R K = (11) 1, f K tk, R R χ Z 2 0, = 1, 0, = 1, f f f f 2 χ > t 2 χ t χ 2 2 χ, Z > t Z t Z Z, (12) (13) #": t K, 2 χ, t Z #% ( # # K, χ, Z (. # % % : 0,!% R = RK R 2 RZ = χ (14) 1, $% & # #% #, " # #, # %, " "& %. '. R 1, (( K & ) > 0) & ( Z < 0) = 0, * χ (15) #": % #", K, 2 Z # # *, R # % * * K + Z R = 1 M = * (16) 0 R = 0 #": M # % % * % % % #& # & % '% " # %% # 14

#) #". # ( % %, ## (A10). # & %# "% % & #, # %%. * 1 ( mclf 1 mclf ) ( M = 1) Mcl = * (17) 0 mclf 1 = mclf ( M = 1) * #": Mcl # % % ""& % #) #, # % % % mclf '%. ' 9- & : : * - # (", # " #. " # % (. 3.2); #%# #( # %.. 3.2. K-, - Z- 2000 ; # # #) # % % % ". $# ". ' # % # #) # # # (. 3.2. 3.6). /..# # 15

#) # ## # # #,. " ) % "& #", # % %. # % % #, ( % (A10), % % # %. #% % %, # ". % " # #) # % "% (A8).. 3.6! 2000 " #$ 16

# " #) # ( 3.1). ' # & # & - Navy 145 3 Tank IR 157 6 Rocket 159 4 Tango and Cash 146 919 2270 Rambo 4 130 900 1597 Tran 158 979 1839 " 3.1. ' 3 3 $ # # %, (" #%# #( 3D '% # %. %%( % - % 2D '%. % 3 3 - % # & # %, (" %# 3D '%. " % % % # # #) # & % '%. #% #, # % (" # #) #, % #%# # #) #. 3 4!' '('.3'' / 2D ' 3D *'+3 ' %'4 +3(', %.$' '/#2', + - 3D 7 17

# %# 2D % % # # ' 3D % %& '%. % #, #, # %# %. - - ( %. # "% ) '% ', % %&'% (. 4.2). '- 8 3D 7 n = 1 log( k * x * y) (18) #":' % % 3D 8 7 n powerh D, j H, j 3 = (19) #": powerh3d,j %& 3D '% a) b). 4.2. 3D (a), 3D % - (b) # %% #"% 3D '%. Xb* end Yb* end 2 ml ( 2D) ( H 3Dx, y px, y ) x= Xb* start y = Yb* start TARGET = mn (20) #": H3D % % %&'%, P x,y % (A, B, C D) ( % 3D '%, Xb*start, end Yb*start, end " #, m l( 2D) %%# # l 18

= A, B, C, D (. 22) "& % % # ' 4D '%. % ' # %# (-% # % %, ". + - 2D & % % # ' %# ( % 2D 3D '% % (A11). %% # % '% # 3D '% 3D ( % #. #%# %% # #, ' ##. + 2D (Kapur J.N., P.K. Sahoo, A.K.C.Wong, 1985.) ( # % 2D '%. P { p0, p2,..., pb,..., 255} ( 2 ) p D = (21) #": P ( 2D) % '% p & # " " # b, b % ( 0 255. P ( D $ # " 2 ) # H ( P ( 2 D ) ) : b H ( A) = p log p (22) = 0 255 H ( B) = p log p (23) H( A) H( B) H b = log P( A) log P( B) (24) P( A) P( B) #": b = % 0 255, A 0 b, B 255 b. H ( P( 2D ) ) = { H 0, H1..., H 255} (25) %#%% : max H ( P 2 ) ) b* = ( D (26) -#%%" ( b*, # # # ' 8 = b, 19

2 (. 9 - % " % ##). # 2,. a) b) c). 9. & a), b) 2D -c) & 4 8 ( # 4 8 #, %# # %#%% 2D 3D ( # ( (. 4.8). ) b) c) d). 4.8 ' - a), 4 - b), 4 - c) 8 - d). $% b* H ), b = var from 0 to 255 ( P ( 2 D ) "% # '% P 1(2 D ) P 2(2 D ), "(# : pb f b* max p1b = (27) 0 f b* > max 20

p2 p = 0 b f f b* max b (28) b* < max #" b = var 0 255 $ H P1 ) H P2 ) ( ( 2D) 1(2 D ( ( 2D) $ b 1 * P ) b 2 * '% P 2(2 D ) b 1 *, b*, b 2 * %#%% ( # # ( #, P1(2 D ) P 2(2 D ), ( % # 4 (. 10). -% "% % # 2D '%, ##% 8. + - 3D & % % ' 3D ( # (A9). # ". % # (. 4.9). " A B: r P rr = p j r = 0 j= 0 1 P rr = p j k k = r+ 1, j= r+ 1, (29) A, B '%: E rr E E k = r r = 0 j= 0 r+, r+ 1 = r p = 0 j= 0 p (30), j ln, j (31) 1 p ln p = r r = 0 j= 0 r p, ln 0 A B P 1 P, ": P P 00 P01 pp P ( A),,..., P P P pp j pp, j p, j pp, j (32) (33) = (34) 21

P P( B) = 1 P p+ 1, p+ 1 p+ 1, p+ 1, 1 P p+ 1, p+ 2 P p+ 1, p+ 1,..., 1 P p+ k, p+ k P p+ 1, p+ 1 A B '% ## : r r P r r j Pj 1 H s H ( A) = ln = ( P, j ln P, j Pr, r ln Prr ) = ln Pr, r + = 0 j 0 Prr Prr Prr = 0 j= 0 Prr k k = P = k k j Pj 1 H ( B) ln [ p, j ln p, j (1 Pr, r )ln( 1 Prr ) ] = = r+ 1j= r+ 11 Prr 1 Prr 1 Prr = r+ 1j= r+ 1 H s = ln( 1 Pr, r ) + (36) (1 P ) rr % A B # f(rr) H rr H kk H rr f rr) = H ( A) + H ( B) = ln Prr (1 Prr ) + + P 1 P rr rr (35) ( (37) -#%%" ( # % #: b * = max f ( r, r) (38) a) H b) c) d) e) f). 4.9. a), 3D b), 3D c), 3D 4 A, B, C, D d), 2D e), 3D f) 3D 7 - % % 3D % 22

# " (A11), #( %, %& ( % # # #, # % 2D ( #. # "% # (-" # 3D '%. %. 3D # # (( ) (. 4.10). a) b) c) d). 4.10 a), 3D b), 3D c), 3D d). % '% 3D '%. ( % % # ', # '%. % % % 4D ( #, 5. %# ( % % "% #"% % % # %, # % % # # (A1). - - : o ' # % Z x Z y ; o & S; o %" P; o # % k ; o " ;! : o # " # #; o 2D 3D # '% #; o '%; % %# # 23

( %# # # (. 4.13) " # ". "%" % "&. a) b). 4.13. a),,. ' ' % '% (Bruce J. Tucker B. Manuela V. "Fast and Inexpensve Color Image Segmentaton for Interactve Robots", 2005), # HIS (Hue Intensty Saturaton) %. + HIS % 36 0, & # #"% :,,, #, ",,, 3,. $ : NC CI C = (39) S #": CI C #, ( %#, N C - ( #, S - ( # CI C %, # # 3D '% ( %#. CI C '%, # & ", # %% # #) #" " ( # (" %. # #.# # ( 6). # # #, & # %% % '% % #. 24

+ (- ## %#: #7- B ( V VC ) ln, = V ( ), V ( ) Q Q C (40) #": V Q V C # # %, B! V ( ) D Q C Q C ) VC ( ) #": D Q ( V V ) = ( V ( ) V ( )ln, (41) #": L : 2 L2 ( VQ, VC ) = ( VQ ( ) VC ( )) (42) 2 M ( V, V ) = ( V ( ) V ( )) (43) #": M +& # Q C Q mn( VQ ( ), VC ( )) V ( VQ, VC ) = (44) mn( V ( ), V ( )) #": V % # ". : # '%. ( % 3D '% #, # ( %# % %# #; #-% % #.! %% ".% % ; Q C C 25

$ & 2D # '%, ""& # #, %#% % # % #, # %, %, %#% # # #;! #" %% ".% % 3D '% # '% #"; "% %% # #, ""& ( % 4D '%, 2D '% # #, #, %# #; ' 3 4 % % % #" % #. $ 3D ( # % -% # '. $ 3D % # '. - % %. % 3 4 % % %# ( 2D 3D '% % 3D. % % # %. 3 5 /#" $"('.!. /#." 4D *'+3 ##" +'1 +0/' %+.!.+' '/#2', 26

# 4D '% % # # #. # 4D ( # " % (A5). % " # - ' ## 3D '% %. % ', % # %. 4 " '% %. 4D '% % & " % '% (O,Q2), # 2D (0,T,Q2,Q1), # # % " #.% (. 5.2).. 5.2 1 4D (8 ) " "' 8 4D '% %, # % # % % ( 16MB). + 4D '% % # ( % 2 3 4 8.. 5.4. ( 3 4D, 4D. % %, % 4D '% 512 (. 4 4D ( % "% %# % # (. 5.4). % #"% 4D %& % '% "% " ) (. 5.5). 27

. 5.5. ( 4D. Fc1, Fc2,, Fc % 1 4D, fc1, fc2,, fc 2 4D. * & -" # ( # (. 17). % % # ( %# ' # (A1). % 4D '% % % # " %" '#& (( #, ( # #, % # # ) ( 5.1)., #" 125, #" 126 1 1 # (. 17.2a) 2 16 # (. 17.3a) 3 3 # (. 17.4a) 1 1 # 2 11 # 3 6 # ". 5.1 &. 17. / # ( % " #( %, # # # % '% % (.#, # %% & # # # %, # #. 28

" 125 " 126 # 1 1b 1c 2 2b 2c 3 3b 3c 4. 5.6. ), % % % 2D '% ( %# # "% 2D '% (. 5.7.b). % 3D '% #. "( # # % 4b end H D j = H 2D t, j t= start 4c 2 (45) #": H2D %& 2D % '% start end, t % # #", j = 0 255 (0 8 ( % ) " 2D '% (. 18.a) 29

a). 5.7 255 2D 3 a), 2D (H3D1, H3D2 H3D3), % b). # % % % N, # # % N1 ". #) #. K 1 for O = t arget OF =O, O = (46) = 0 0 for O = nose #": K & ( #, OF # 1 #), target, # % % # #" O, " " # M 1 for OF = t arget OS =OF, OF (47) = 0 0 for OF = nose #": OS # 1 #) M, target, # # %# 0 target nose b) 30

% # #, # "% " (&, %, #, ). ON = N = 0 OS #": ON # " # N (. 5.8). (48). 5.8. * 2, *. ' 3 5 # % " % "& # 4D '%. % 4D 2D %# # " % " #, " " " ). % 4D ( # % % #". % 3 5 #% 4D '% % #, #)& # %. 3 6!'" / "' 35" %' '/'!"' ".61' "!' ' '" "1+ (' ' '/#2', :,# #) # # % % "" 31

#.! # %" " % %& & #. " " # # '% ( %. # #) # #: # & - 9- - TKFC, 8-9- ; TKFC = 1 f AK Fend = Fstart 0 f AK = HK #": TKFC (True Key Frames Count) # #) # Fstart Fend, Ak # % % % #) #, HK # % " #) # HK ' 9- - MKFI; Fend = Fstart (49) AK MKFI = Fstart = Fend (50) HK #": MKFI (Mssed Key Frame Index) #. % & ( % # #) # #"% & ( " " #) #. +.# % ## % % (. 6.1). -# #, # ( 6.1). o # " # - # ) % ; o # # # #" " % ' ). 32

HK() AK(+n) AK(j-1) HK(j+5) F F+n Fj-1 Fj. 6.1. + *, HK *, AK, F, I n, j, j-1. {( + n) ;( + n j} lkfd = ) mn (51) #": lkfd (Local Key Frame Dstance Index) # #& % % # #) #" # " # #) #". 0 f MKFI = 1 N KFDI = 1 lkfd else f MK #": KFDI (Key Frame Dstance Index) % # #) # " #, MK (Mssed Key) #) #, #", lkfd % = 0 ' # & TKFC MKFI KFDI Navy 145 3 0.6 12.50 Tank IR 157 5 1.2 6.00 Rocket 159 4 1.0 0.00 Tango and Cash 146 919 2120 1.0708 0.04 Rambo 4 130 900 1430 1.1168 0.03 Tran 158 979 1750 1.0509 0.07 6.1. $ # # #) #, ## % '%.! & % ". ( # 2, 4, 8, 16 32. # #) # % % % 2-3 #" # #) # 8 (. 6.3.a) (A9). "%" %# % % 2 3 (. 6.4.a 6.4.c). t (52) 33

. 6.3, 2 4 8,.. 6.4.a - 150 256. 6.4.b 150-8. 6.4.c 150-4. 6.4.d 150-2 34

- # %, &.#. % #%: ITU-R Rec. BT.500-11 (2002), & # #:,,, $. - # %, # ( %. + - : (- %.# % #% # (. 6.5). 1 ~ 2 MSE = I( y, x, y) I( t, x, y) (53) TXY t x y #": MSE #.#, X Y %, T ( #. 6.5 ' MSE -. #": PSNR #. /.% RMSE = MSE (54) 2 m PSNR = 10log (55) MSE #": PSNR % db, m 2 n n. -# PSNR (. 6.6) MSE (. 6.5) % % " RGB #. -# %# HSI %, "( # -.#. %# " 35

# %&, #( # "& #, # #.. 6.6 ' PSNR., MSU Vdeo Qualty Measurement Tool ' - 4.# # #"% %, ## #"% # % #. # #. " : C Y max Y mn Y max+ Y mn = (56) #": Ymax Ymn " %#% %% #!% # #, (, #( ' "%,, # (. # # #. "& # # % %% (Stefan W., 2005), # # # # "" % 5'5, 8'8 # ( MPEG2), ( %#. # # # # # % # (. 6.8): #": C = C = 0 (57) n C # #, n #. n 36

, # # % ( # 8'8 #, & # ( #.. 6.8 a), % 3'3 # - b), % # 3'3 - c) $ # # # #( # & "%. % #, # " ( %, ## '% ( 6.2). 3x3 33 MSE 227 259 PSNR 56 55 0.6653 0.6622 0.6303 1 0.2115 0.2083 0.1959 2 0.1141 0.1029 0.1029 3 0.0995 0.1086 0.0824 4 0.0568 0.0566 0.0686 5 0.0388 0.0377 0.0303 6 0.0386 0.0379 0.0317 7 0.0563 0.0541 0.0667 8 0.6653 0.6622 0.6303 0.0435 0.0393 0.0243 6.2. #. 22. 37

' 3 6 % % # #) # %# 2-5 #". PSNR MSE %# # ) %, # % ". # # #) # 90% % %, 85% % # % # 70% ( #). 5# # %# ( % %#, #. % 3 6 "% #.# # #) # # TKFC, MKFI KFDI. % ##.# # %%( %, & % '%. - %" %# # # # % # # ( %. 3 7 + $'!$.' ' %'.2', /.'/ %!.2'!'+(',!' / 3 ##" '.'/ * # # " ' # % # % % "' #%)" '#. (#, #, %, # # (. 7.3). 38

. 7.3. C + #% % # # MathCAD Excel (A6). + # # % (A4): ; 2D 3D ( % ; - # %, # #) # #, "& % % (, & # MathCAD; # %, ## # ; ' 7 %% %& 2D '% ( % # "(. % 3 7 # %, & # # Vrtual Dub. 39

8 6# #% %%(, % ' ) # % % #. " # % 3D 4D '%, 2D 3D % %. % % % " ". # # %, (" %# #( % '%. " 3D 4D '% " ( #. " % %. - % # % # % # #&. #, &, 4D '% #, # % ( % 4D '% # #, (# " " % %. # " % #% "% #% 10 " DvX #. #% %.# % % % #: TKFC, MKFI KFDI. $ #%# %# #, #%& PSNR MSE # # ( %. % # #%)" %: CPU-AMD 1600MHz, 256MB RAM, ## Intel 2 Core Duo. % %&%, ##. "( #. '. # "% -" #. 40

% 1. " % # ' 3D '%, # -% '% # ', # % "& 2D '%. "% ( 2D 3D % % # #.! #%, 2D 3D % " #, %, %#% # #. 2. %# #%# # # % #, %& % ' ).! 3D '%, #. "% %# %, % 2D '% %.! " # %, %&, & % % % # # #) #, # # #( % " ". $ % '% " # # % % %, # % % # # # ' %. 3. % % %# ( ' 2D 3D '%.! " # % %# # % % ". " %% ( %.% " " # %. % 41

% # % #. % ". % " # # % %#. 4. #% 4D '% % #, '%. -" "% # # % (# # % #. "% # " % %# # '% ' # ", # % % %, "& # "% " ) # # 10, 15 30 #" #. 5., # & #.# % # #) #. $". #% " # % ##.# % % % % '% " & & #) #. %%.# % # # ". # (##" # % ' )). # % %# # #..% # # #, # % # # ( %. 6. % # #, %% %. 4. #% % # % #. 42

% 1. $., *#., % 3., -%7( a %#' &' "# 3' (, Internatonal Scentfc Journal of Computng,, 0#(, 2007, % 6, # 3,. 30-37. http://www.computngonlne.net/ssues/2007_vol_6_ssue3.html#04 2. $., *#., % 3., -%7( a %#' %&3) 3D %% 3D 8(7' #(, Internatonal Scentfc Journal of Computng,, 0#( 2006Vol. 5, Issue 3,. 35-43. http://computngonlne.net/ssues/2007_vol_6_ssue1.html#04 3. Ilev P., Tzvetkov P., Petrov G., Unversal system for mult dmensonal mage analyss and recognton usng Walsh Hadamard functons, # # %% % - % 2007, 4. % 3., #%)" ' %, # # # % #% 2006, 5. *#., % 3., $., Multdmensonal dynamc scene analyss for vdeo securty applcatons, # # Thrd Internatonal Bulgaran Turksh Conference Computer Scence 2006 Istanbul 6. *#., % 3., $., Software development envronments for mage acquston and processng, # # % # Challenges n hgher educaton and research n the 21 st century, 2006 ISBN-10: 954-580-206-5 7. % 3., *#., $.,,# #) # ", # # %% % - % 2006 ISBN 954-334-035-8 8. *#., $., % 3., * # 3D ( #, ## %##, # # %% % - % 2005 ISBN 954-334-008-0 9. Ilev P., Tzvetkov P., Petrov G., Moton Detecton Usng 3D Image Hstogram Sequence Analyss, IEEE Internatonal Workshop on Intellgent Data Acquston and Advanced Computng Systems: Technology and Applcatons, 5-7 September 2005,, /" ISBN 0-7803-9446-1, Lbrary of Congress 2005931175, IEEE Catalog Number 05EX1192C 10. Petrov G., Low cost ECG system for non-hazardous use IEEE Internatonal Sprng Semnar on Electroncs technology 27-Th. ISSE 2004 - ISBN 0-7803-8422-9 11. Petrov G., Ilev P., Tzvetkov P., "Comparson of Global Hstogram Methods for 2D and 3D Entropy Based Image Segmentaton", p.57-62, 9th WSEAS Internatonal Conference on Evolutonary Computng (EC 08) ISBN: 978-960-6766-58-9, Sofa, Bulgara, May 2-4, 2008 43