Professional Documents
Culture Documents
porównań : 4,
przypisań : 2.
1
Terminologia patrz H.Kamionka-Mikuła, H.Małysiak, B.Pochopień, Układy cyfrowe.
Teoria i przykłady, Gliwice 2001, s. 17-27.
4.1 Minimalizacja wyrażeń logicznych 77
porównań : 1017,
przypisań : 91.
porównań : 17,
przypisań : 9.
a) b) 0 1 2 3 4 5
0 0 0 0 0 0
krok 1. 1 0 0 1 1 1 1
2 0 0 0 1 1 1
4 00100 3 0 0 0 0 0
8 01000 4 1 1 0 0 0
6 00110 5
24 11000 6 1 1 0
7
8 1 1 1 0
krok 2. 9 0 1
10
4,6 001-0
11
8,24 -1000
12 0 0 1 0
13
14
15
16 0
17 0
18
19
20
21
22
23
24 1
25
26
27
28
29
30
31
Rys. 4.1. Minimalizacja wyrażenia logicznego:
a) algorytmem Quine’a-McCluskeya, b) algorytmem MRW.
4.1 Minimalizacja wyrażeń logicznych 78
porównań : 40,
przypisań : 15.
porównań : 10,
przypisań : 13.
4.2 Rozpoznawanie obrazów 79
a) b) 0 1 2 3 4
krok 1.
0 0 0 0 0 0
8 1000 1 1 1 1 1
9 1001 2
10 1010 3 1 1 1
12 1100 4
13 1101 5 1 1
14 1110 6
15 1111 7 1
8 1
krok 2. 9 1 1
10 1
8,9 100- 11 1
8,10 10-0 12 1
8,12 1-00 13 1 1
9,13 1-01 14 1
10,14 1-10 15 1 1
12,13 110-
12,14 11-0
13,15 11-1
14,15 111-
krok 3.
8,9,12,13 1-0-
8,10,12,14 1–0
12,13,14,15 11–
Rys. 4.3. Minimalizacja wyrażeń logicznych:
a) algorytm Quine’a-McCluskeya, b) algorytm MRW.
Przedstawiony w przykładach proces minimalizacji wyrażenia F ∗ za po-
mocą algorytmu MRW symbolizuje działanie systemu CELLS2v1. Możliwość
tworzenia postaci uproszczonej wyrażeń logicznych ma zasadnicze znaczenie
w zadaniu projektowania optymalnych połączeń układów cyfrowych. Duża
skuteczność i szybkość działania systemów CELLS czynią je dobrym narzę-
dziem usprawniającym proces projektowania układów przełączających.
gCA (x) = x
gdzie
NZ = h0, 0, 1, 1, 1, 1, 0, 0i.
Wynik symboliczne przedstawia rys. 4.5. Na przykład do otoczenia
komórki a należą komórki b, c, d i e. System rozpozna daną literę
jako literę L, jeżeli układ komórek będzie w zadeklarowanym stopniu
pokrywał się ze zbiorem F ∗|NZ . W rozważanym przypadku, dla układu
b = 1, c = 0, d = 0, e = 1,
Program ReadImage24
Program ReadImage24 jest wersją programu rozpoznającego obrazy nakiero-
waną na zadanie rozpoznawania liter pisanych. Pulpit programu przedstawia
rys. 4.6.
W procesie nauki programu wykorzystywany jest system uczący się
CELLS2v2. W czasie pierwszego uruchomienia programu zostaje załadowana
baza dziesięciu rodzajów pisma dużych liter alfabetu angielskiego od A do
Z. Wśród nich dziewięć stanowi pismo odręczne. Fragment bazy prezentuje
rys. 4.7.
Litery są zakodowane w macierzy rozmiaru 48 × 48. Możliwe jest zmniej-
szenie dokładności rozpoznawania litery. Rysunek 4.8 przedstawia obraz li-
tery A zakodowany w macierzy o wymiarach 12 × 12. Istnieją dwa powody
zmniejszania dokładności przedstawienia litery:
• większa siatka kodowania zaciera różnice wynikające z pisania różnym
stylem tych samych liter9 ;
• litera zakodowana z mniejszą dokładnością wymaga mniejszej ilości pa-
mięci do przechowywania danych.
9
W skrajnym przypadku prowadzi do niemożliwości odróżniania różnych liter.
4.2 Rozpoznawanie obrazów 84
n = 2xmax ·ymax −1
losowanych jest pNz komórek, które stanowią zawartość tej tablicy rozmiaru
n = 2pN z .
L0 = 0 1 0 0
L1 = 0 1 0 1 1 0 0 0
L2 = 0 1 0 1 1 0 1 1 0 1 1 0 1 1 0
Rys. 4.13. Kolejność podziału płaszczyzny dla pierwszych dwu kroków ewolucji
rozrastającego się CA
4.2 Rozpoznawanie obrazów 90
gCA = {hh0, 0i, 0i, hh0, 1i, 1i, hh1, 0i, 1i, hh1, 1i, 0i},
z sąsiedztwem
NZ = h1, 1, 0, 0i.
Następnie CELLS zaznaczył obszary, które nie powstały w wyniku
stosowania tej reguły. Prezentuje to ilustracja 4.18.
NZ = ci .
przy tym założenie, że zdrowa tkanka ma budowę dającą się opisać regułami
ewolucji CA, o pewnej stałej wartości ε odstępstwa od tych reguł. Obszary
o większej niż średnia wartości ε był przez system CELLS wskazywany jako
obszar zawierający patologię. Problem wyboru układu CA dla obrazów cyfro-
wych rozwiązano filtrując obrazy maskami Sobela15 , co wymuszało określoną
orientację zdjęcia mammograficznego.
Podczas jednego z pierwszych eksperymentów zdjęcie 4.21 przetworzono
redukując reprezentację punktu do 1 bita. Redukcja polegała na wielokrot-
nym dzieleniu zdjęcia na mniejsze obszary, w których znajdowano piksel o
największej pmax i najmniejszej pmin jasności. Wartość progowa liczona była
dla średniej arytmetyczna wartości pmax i pmin
pmin + pmax
.
2
Każdy piksel o jasności mniejszej od wielkości progowej przyjmował w da-
nym obszarze wartość 0, pozostałe przyjmowały wartość 1. Próg dla całego
obrazu liczony był ze średniej arytmetycznej pikseli najczęściej i najrzadziej
przyjmujących wartość 1. Rysunek 4.22 prezentuje obraz 4.21 przetworzony
15
Patrz R.Tadeusiewicz, P.Korohoda, Komputerowa analiza i przetwarzanie obrazów,
Kraków 1997, s. 100-102.
4.2 Rozpoznawanie obrazów 97
16
Wykorzystano zdjęcie http://sprojects.mmi.mcgill.ca/
17
Użyto systemu CELLS1v1.
4.2 Rozpoznawanie obrazów 100