Mesurer des informations significatives dans les images: un algorithme de complexité spécifié

Winston ewert, william dembski, robert . marks II, "mesure d'informations significatives en images: un algorithme de complexité spécifié", IET vision informatique, partie 9 (6): 884-894 (décembre 2015). Winston ewert, william a. dembski, robert j. marks II, “mesuring meaningful information in images: algorithmic specified complexité,” IET computer vision, vol. 9 (6): 884-894 (december, 2015). Cet article rigoureux applique un algorithme de complexité spécifique comme mesure de sens par rapport au hasard dans un paquet d'information, nous fournissant un puissant outil d'analyse mathématique pour enquêter sur le design. L'auteur a testé cette méthodologie en comparant « images informatiques qui contiennent du contenu et les distinguent des images qui sont tout simplement aléatoires ou sans sens du bruit excédentaire ». « Pour qu’une image soit significativement discernable, elle doit avoir quelque chose à voir avec un modèle externe indépendant ou une spécification. L’image du coucher de soleil est significative parce que le spectateur l’associe empiriquement à d’autres moments où le soleil s’est fixé. Toute image avec un contenu autre que le bruit aléatoire s’intègre dans un modèle comparatif. Comment déterminer si une image a une complexité qualitative? Les auteurs de l'article expliquent qu'elle doit réaliser deux choses, être non compressible (complexe) et s'intégrer à un modèle: « Plus une image peut être décrite comme un modèle, plus elle est compressible, plus elle est qualitative. Par exemple, un carré noir est décrit comme un modèle simple, et un programme informatique très court suffit pour la redéfinir. Une image de plusieurs pixels aléatoires pixel: un petit point d'une image TV ne peut pas être décrit autant, si du tout, comme statique. L’image d’un carré noir simple peut être compressible et qualitative, mais elle n’est pas compliquée. Les auteurs prédisent qu’une image aléatoire est facilement plus complexe qu’un carré solide. Mais ces cas sont relativement faciles. Ils ont alors essayé de traiter des images plus dures, comme l’image du célèbre scientifique Louis Pasteur avec des quantités croissantes de bruit aléatoire ajouté. Que diriez-vous d'une image de "Planification simplifiée pour les humains dans une mer de bruit"? Ils ont constaté que l'algorithme de complexité généré par un carré donné est en mesure d'enquêter sur l'existence de caractéristiques complexes et qualitatives même lorsqu'il est entouré de bruit. Ils ont conclu que l'algorithme de complexité défini est une méthode efficace pour distinguer les données aléatoires dans les images significatives: "Nous avons estimé la probabilité de différentes images en utilisant le nombre de fichiers théoriques L'applicabilité à un design intelligent est claire. Si un algorithme de complexité spécifique est un outil utile pour distinguer les images conçues à partir d'images aléatoires ou des images produites par des algorithmes non dirigés, il peut être possible de l'appliquer aux systèmes biologiques ou à d'autres structures naturelles pour étudier la conception. Plus: https://braheen.com/publications/التصميم-الذكي-ومراجعة-الأقران — Source: publié sur la page "centre du cerveau" de facebook