Duomenų klasifikavimas – sudėtingas procesas, kurio metu pradinių duomenų aibės apdorojamos taip, kad būtų sukurta sistema, leidžianti automatizuoti objektų atpažinimą ir informacijos srautus. Darbe pristatomi ir aptariami pagrindiniai objektų atpažinimo metodai, siekiama ištirti ar modelių modifikacijos padidina objektų atpažinimo tikslumą. Darbo tikslas – išanalizuoti statistinio objektų atpažinimo metodus, pasiūlyti naują hibridinį metodą ir patikrinti jo patikimumą. Siekiant užsibrėžto tikslo, analitinėje dalyje aptariami objektų atpažinimo metodai, nagrinėjamos objektų atpažinimo problemos, toliau pateiktas siūlomo hibridinio metodo aprašymas ir jo teorinė nauda. Eksperimentinėje dalyje aprašyta visa tyrimo eiga, duomenų apdorojimo procesas, apibendrinami rezultatai. Įvertinus objektų atpažinimo metodus, pasiūlytas hibridinis metodas, apjungiantis tiesinės diskriminantės ir neuroninio tinklo metodus. Lyginant standartinius objektų atpažinimo metodus su hibridiniais, parodyta, kad hibridiniai metodai leidžia pasiekti didesnį tikslumą (apie 10%) atpažinimo procese. Darbą sudaro 56 lapai, aprašą pagyvina 25 paveikslai, 7 lentelės ir 2 priedai. / Data classification is a complex process in which the set of initial data is treated to create a system that allows the identification of automated objects and data flows. The paper presents and discusses the main methods of object identification, seeks to examine whether the modification of models increases the accuracy of object recognition. The aim is to analyze the methods of statistical object detection, offer a new hybrid method and verify its reliability. In order to achieve this objective, analytical part deals with methods of object identification and analyzes the object recognition problems. Further, the description of the proposed hybrid method is suggested and its theoretical benefits are indicated. Experimental part describes the whole research process, data treatment processing and summarizes the results. After evaluating the methods of object identification, hybrid method, that unifies linear discriminant and methods of neuron system, is proposed. Comparing the standard object recognition methods with the hybrid ones, it was demonstrated, that the hybrid methods allow for greater accuracy (approximately 10%) in the process of identification. Paper consists of 56 pages, inventory is enlivened by 25 pictures, 7 tables and 2 appendixes.

Vaizdo kontūrų nustatymo metodų tyrimui buvo pasirinktas 100 įvairaus turinio paveikslų su įvairiu elementų dydžiu ir skaičiumi. Tyrimui buvo pasirinkti 8 populiariausi vaizdo kontūrų nustatymo metodai: Canny, Sobel, Prewitt, Roberts, Zerocross, Laplacian, LoG, Marr-Hildreth. Atliekant tyrimus visiems paveikslams, naudojant visus 8 metodus, buvo subjektyviai parinkta optimaliausia slenkstinė reikšmė. Gavus visų 100 įvairių paveikslų geriausias slenkstines reikšmes su visais 8 metodais, buvo nustatytos slenkstinių reikšmių kitimo ribos kiekvienam kontūro išskyrimo metodui. Kiekvienam paveikslui buvo pritaikyta vidutiniškai 10 slenkstinių reikšmių ir kiekvienam paveikslui buvo suskaičiuotas vidutinis kvadratinis nuokrypis (RMSE, Root Mean Square Error) su geriausiu pasirinktu kontūru. / One hundred various pictures with different size and number of elements were chosen for the method research of image outline evaluation. All these pictures were converted into grayscale pictures. Most of edge detection methods (filters) required to be blurred to reduce noise. Eight the most popular methods were chosen to evaluate the image outline: Canny, Sobel, Prewitt, Roberts, Zerocross, Laplacian, LoG, Marr-Hildreth. A Root Mean Square Error (RMSE) was computed for each edge picture with the best-chosen outline.