Skip to content
TheChatArchiveThe Chat Archive
gpt-3.5-turbo-0301· OpenAIAi2 WildChat-4.8M (AI2)

Объяснение алгоритма простыми словами: "Таким образом, из вышеизложенного, если…

  1. User

    Объяснение алгоритма простыми словами: "Таким образом, из вышеизложенного, если используем DQCR для распознавания цветовых образцов, можем следовать процессу ниже:

    (1) Вычислите энергию эталонного образца f(m,n)f(m, n):

    \begin{equation} E_f= \sum^{M-1}{m=0}\sum^{N-1}{n=0}\big{|}f(m, n)\big{|}^2. \end{equation}

    Затем нормализуем исходное значение f(m,n)f(m, n) и входное значение h(m,n)h(m, n) как:

    \begin{equation} f_a(m, n) = f(m, n) / \sqrt{E_f}, ~\ ~\ ~\ ~\ h_a(m, n) = h(m, n) / \sqrt{E_f}. \end{equation}

    (2) Затем вычислим выходные данные DQCR fa(m,n)f_a(m, n) и ha(m,n)h_a(m, n):

    \begin{equation} g_a(m, n) = \sum^{M - 1}{\tau = 0} \sum^{N - 1}{\eta = 0} f_a(\tau, \eta)\overline{h_a(\tau - m, \eta - n)}, 2\end{equation} и выполним операцию обратной пространственной засечки для g(m,n)g(m, n):

    \begin{equation} g(m, n) = g_a(-m, -n). \end{equation}

    (3) Затем ищем все локальные пики ∣g(m,n)∣|g(m, n)| и записываем местоположения локальных пиков.

    (4) После выбираем пороговые значения c1c_1, c2c_2, d1d_1, где

    \begin{equation} c_1 < 1 < c_2, ~\ ~\ ~\ ~\ ~\ D_1 < 1, \end{equation} и c1c_1, c2c_2, d1d_1 - все они стремятся к 1. Затем в местах расположения локальных пиков (обозначаемых (ms,ns)(m_s, n_s)), найденных на шаге 3, если выполняются оба из 2 требований:

    \begin{equation} c_1 < |g(m_s, n_s)| < c_2, \end{equation}

    \begin{equation} \rho \geq d_1, \end{equation} где

    \begin{equation} \rho = \frac{|g_r(m_s, n_s)|}{|g_r(m_s, n_s)| + |g_i(m_s, n_s)| + |g_j(m_s, n_s)| + |g_k(m_s, n_s)|}, \end{equation} и gi(ms,ns)g_i(m_s, n_s), gj(ms,ns)g_j(m_s, n_s), gk(ms,ns)g_k(m_s, n_s) означают i−i-, j−j-, k−k- части g(ms,ns)g(m_s, n_s), тогда можем заключить, что в местоположении (ms,ns)(m_s, n_s), существует объект, имеющий ту же форму, размер, цвет и яркость, что и эталонный шаблон."

  2. Assistant

    Алгоритм DQCR используется для распознавания цветовых образцов. Процесс начинается с вычисления энергии эталонного образца, затем нормализации исходного и входного значения. Далее вычисляются выходные данные DQCR и выполняется обратная пространственная засечка. Затем находим локальные пики и записываем их местоположения. После этого выбираем пороговые значения и в местах расположения локальных пиков находим объекты с той же формой, размером, цветом и яркостью, что и эталонный шаблон.