W książce przedstawiono teoretyczne podstawy i praktyczne zastosowanie rozpoznawania obrazów. Opisano klasyfikatory statystyczne i metody ich uczenia. Dużo miejsca poświęcono zastosowaniu analizy dyskryminacyjnej w rozpoznawaniu obrazów, gdzie opisano nowe sformułowania kryterium Fishera dwuklasowego i wieloklasowego. Przeprowadzono szeroką dyskusję różnych przypadków szczególnych, które wynikają z wymienionych kryteriów. Następnie opisano iteracyjną metodę uczenia klasyfikatora ze szczególnym zwróceniem uwagi na praktyczne znaczenie algorytmu uczenia optymalnego dla klasyfikatorów liniowych i nieliniowych. Alternatywnym podejściem do uczenia iteracyjnego jest zastosowanie klasyfikatorów minimalnoodległościowych. Na przykładach zilustrowano graficznie tworzone obszary decyzyjne i przeprowadzono dyskusję własności różnych metryk. Ostatni rozdział poświęcony jest metodom uczenia i klasyfikacji obrazów o strukturze macierzowej (np. w postaci bitmap). Opisano adaptację trzech grup metod (SDF, Fishera, Watanabego) do uczenia i klasyfikacji takich obrazów. Przeprowadzone eksperymenty wypadły pomyślnie i zachęcają do dalszych badań. Książka jest przeznaczona dla studentów informatyki i automatyki oraz szerokiego grona pracowników naukowych i doktorantów zainteresowanych rozpoznawaniem obrazów. Wstęp Wykaz ważniejszych oznaczeń 1. Wprowadzenie do teorii systemów rozpoznających 1.1. Klasyfikacja systemów rozpoznających 1.2. Model matematyczny klasyfikatora obrazów 1.3. Struktury klasyfikatorów 1.4. Kryteria jakości klasyfikacji 2. Klasyfikatory statystyczne 2.1. Wpływ informacji wstępnej na wybór metody uczenia 2.2. Klasyfikatory binarne 2.3. Klasyfikatory obrazów o rozkładach normalnych 2.4. Klasyfikatory k-najbliższych sąsiadów (kNN) 3. Metody analizy dyskryminacyjnej 3.1. Wstęp 3.2. Dwuklasowe kryterium Fishera 3.3. Wieloklasowe kryterium Fishera 3.4. Sekwencyjny algorytm uczenia i klasyfikacji 3.5. Uogólniony algorytm separacji klas 3.6. Wyniki eksperymentów 4. Problemy uczenia klasyfikatorów liniowych 4.1. Zasady formułowania zadania 4.2. Algorytm znajdowania miejsca minimum 4.3. Miara jakości algorytmów 4.4. Wybrane algorytmy uczenia 4.5. Algorytmy uczenia i klasyfikacji, gdy liczba klas L>2 4.6. Zakończenie 5. Klasyfikatory minimalnoodległościowe 5.1. Wprowadzenie 5.2. Przykłady klasyfikatorów 5.3. Dyskusja własności metryk 6. Macierzowe struktury danych w rozpoznawaniu obrazów 6.1. Wprowadzenie 6.2. Modyfikacje struktur danych 6.3. Zastosowanie funkcji samopodobieństwa do uczenia klasyfikatora 6.4. Kryterium Fishera dla danych macierzowych 6.5. Metoda Watanabego 6.6. Zakończenie Literatura Załącznik