Комбинированные алгоритмы поддержки принятия решений при автоматизированной идентификации зашумленных структурированных изображений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Булдаков, Николай Сергеевич

  • Булдаков, Николай Сергеевич
  • кандидат технических науккандидат технических наук
  • 2012, Саратов
  • Специальность ВАК РФ05.13.01
  • Количество страниц 168
Булдаков, Николай Сергеевич. Комбинированные алгоритмы поддержки принятия решений при автоматизированной идентификации зашумленных структурированных изображений: дис. кандидат технических наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Саратов. 2012. 168 с.

Оглавление диссертации кандидат технических наук Булдаков, Николай Сергеевич

ВВЕДЕНИЕ.

1. ПОСТАНОВКА ЗАДАЧИ АВТОМАТИЗИРОВАННОЙ ИДЕНТИФИКАЦИИ СТРУКТУР НА ОСНОВЕ КОМБИНИРОВАННЫХ МОДЕЛЕЙ, МЕТОДОВ И АЛГОРИТМОВ

1.1. Характеристика процесса идентификации структурных элементов как объекта исследования.

1.1.1. Цели и задачи идентификации структурных элементов

1.1.2. Формирование характеристического вектора признаков

1.2. Обзор методов обработки изображений для идентификации структурных элементов.

1.2.1. Предварительная обработка изображений.

1.2.2. Методы структурирования изображений.

1.2.3. Методы кластеризации структурных элементов.

1.3. Описание особенностей автоматизированной идентификации структурных элементов на зашумленных снимках.

1.3.1. Анализ подходов к распознаванию изображений.

1.3.2. Выбор программно-технических решений по созданию автоматизированной системы идентификации структур

1.4. Постановка цели диссертационного исследования.

Выводы по разделу 1.

2. РАЗРАБОТКА ОБЩЕГО КОМБИНИРОВАННОГО АЛГОРИТМА И АПРОБАЦИЯ ПРИ ИДЕНТИФИКАЦИИ СТРУКТУР НА

СНИМКАХ ЗЕМНОЙ ПОВЕРХНОСТИ.

2.1. Разработка общего комбинированного алгоритма и критериев идентификации зашумленных структурированных изображений

2.2. Описание задач распознавания структур при аэрофотосъемке

2.3. Анализ особенностей задачи распознавания минных полей по снимкам из космоса.

2.3.1. Проблемы идентификации мин по снимкам.

2.3.2. Клеточные автоматы в обработке изображений.

2.4. Разработка алгоритма предварительной обработки изображений на основе клеточных автоматов.

2.4.1. Низкочастотная фильтрация.

2.4.2. Контрастирование.

2.4.3. Приведение изображения к бинарной форме.

2.4.4. Формирование кластеров.

2.4.5. Нормализация размеров кластеров.

2.5. Создание методов распознавания мин в зависимости от способа их установки.

2.6. Построение программного комплекса для исследования методов и алгоритмов обработки изображений.

Выводы по разделу 2.

3. АНАЛИЗ МОДЕЛЕЙ И МЕТОДОВ ИДЕНТИФИКАЦИИ

СТРУКТУР РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ.

3.1. Описание и анализ предметной области.

3.2. Характеристика основных подходов к идентификации структур по рентгеновским снимкам.

3.2.1. Выделение контуров объекта.

3.2.2. Анализ статистических характеристик объектов на снимке

3.2.3. Сравнение растровых фрагментов изображения.

3.3. Описание способов измерения рентгенографической плотности среды для идентификации аномальных структур.

3.3.1. Непосредственное измерение.

3.3.2. Временное вычитание.

3.3.3. Энергетическое вычитание.

3.3.4. Измерение с использованием контрастного вещества.

3.4. Анализ и модификация моделей преобразования информативных параметров при получении и анализе снимка

3.5. Постановка задачи автоматизированной идентификации структур по рентгеновским изображениям.

Выводы по разделу 3.

4. СОЗДАНИЕ КОМБИНИРОВАННЫХ МЕТОДОВ И МОДЕЛЕЙ

ДЛЯ ДИСТАНЦИОННОЙ ОБРАБОТКИ СНИМКОВ.

4.1. Синтез алгоритма автоматизированного анализа снимков и выявления структурных элементов.

4.2. Создание алгоритма вычисления физической плотности вещества.

4.3. Разработка комбинированного метода сегментации на основе априорной информации о форме и плотности аномального образования.

4.3.1. Нейросетевая идентификация аномальных структур.

4.3.2. Выбор функций принадлежности.

4.3.3. Анализ результатов экспериментальных исследований по верификации метода и практической оценки его точности

4.4. Разработка требований и принципов построения распределенной системы автоматизированной обработки снимков.

Выводы по разделу 4.

5. СИНТЕЗ СИСТЕМ ДИСТАНЦИОННОГО МОНИТОРИНГА И

АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ СНИМКОВ ДЛЯ

ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ

УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ.

5.1. Описание задач системы дистанционного мониторинга и автоматизированной обработки снимков.

5.2. Синтез комбинированных методов и моделей автоматизированной идентификации структур в Web-системах обработки изображений.

5.3. Анализ предложенной типовой архитектуры системы дистанционного мониторинга.

5.4. Создание методов построения виртуальной архитектуры системы дистанционного мониторинга и автоматизированной обработки снимков.

5.4.1. Разработка структурной модели интеллектуальной системы мониторинга и обработки изображений.

5.4.2. Характеристика особенностей применения технологии виртуализации.

5.5. Выбор и обоснование программно-аппаратного обеспечения системы.

Выводы по разделу 5.

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Комбинированные алгоритмы поддержки принятия решений при автоматизированной идентификации зашумленных структурированных изображений»

Актуальность темы. Многие современные технические задачи связаны с распознаванием и принятием решений о внутренней структуре объектов, с дистанционным мониторингом состояния систем на основе обработки визуальных образов. При этом возникает необходимость обработки изображений, которой посвящено большое количество зарубежных и отечественных работ. Принимаемые решения часто основываются на идентифицируемых структурных элементах и их свойствах, полученных по результатам анализа снимков (Chino S., Christoyianni I., DeCartel J.M., Dermatas E., Duda R.O., Fujimura S., Gonzalez R.C., Keyes W.I., Kokkinakis G., HanaizumiH., Hart P.E., RoeR.W., Stork D.G., SurduJ.R., Абакумов A.A., Вайнберг Э.И., Галушков А.И., Горбунов В.В., Дудкин A.A., Игнатьев A.A., Казак И.А., Курозаев В.П., НазировР.Р., СадыховР.Х., Соколов В.А., Шорин М.В. и др.).

Однако существующие системы обработки изображений успешно функционируют только при использовании качественных, контрастных снимков. В случае расплывчатых, зашумленных или низкоконтрастных изображений они обычно характеризуются низкой точностью выявления структур, что не позволяет в полной мере реализовать возможности традиционных методов идентификации снимков, в т.ч. алгоритмов сегментации аномальных структурных элементов. Задача усложняется в случае поиска или идентификации скрытых, завуалированных или зарождающихся структур (охраняемые объекты, минирование местности, возникновение патологии в биосистемах и др.). В этом случае необходимо использовать всю доступную информацию для принятия решения о возможном нахождении идентифицируемых структур на изображении.

В настоящее время существуют работы, в которых авторы для обработки неструктурированной информации предлагают использовать нейросетевые методы (Большаков A.A., Бровкова М.Б., Колентьев C.B., Макаренко A.A., Миркес Е.М., Ососков Г.А., Стадник A.B., Суятинов С.И., Федяев О.И. и др.). Однако открытыми остаются вопросы выбора критериев идентификации и разработки интеллектуальных технологий для автоматизированного распознавания зашумленных изображений. Кроме того, для повышения точности идентификации и эффективности принятия решений следует применять не только методы и модели искусственного интеллекта, но и расширенный вектор признаков, включающий доступную априорную информацию, например, о форме анализируемых структурных элементов, о физической плотности вещества и т.д., что позволит существенно повысить информативность визуальных данных. Следовательно, возникает необходимость создания более совершенных систем обработки изображений, способных относительно быстро и правильно распознавать структурные элементы на снимках различного качества.

Развитие сетевых технологий и совершенствование средств передачи данных создали основу для построения нового поколения систем распознавания изображений - \¥еЬ-ориентированных систем дистанционного мониторинга состояния объекта и анализа полученных изображений, однако их практическая реализация требует обработки значительного объема информации. В случае автоматизированной идентификации скрытых структур на зашумленных снимках эта проблема обостряется. Поэтому для снижения вычислительных затрат и реализации автоматизированного распознавания возможных структурных элементов на исследуемых снимках целесообразно применить современные технологии виртуализации и облачных вычислений, комбинированные модели и алгоритмы.

Сказанное обусловливает актуальность темы диссертационного исследования, которое соответствует приоритетным направлениям развития науки, технологий и техники РФ «Информационно-телекоммуникационные системы».

Целью работы является повышение эффективности распознавания структурных элементов на зашумленных изображениях на основе комбинированных алгоритмов, используемых в системах поддержки принятия управленческих решений в автоматизированных системах обработки изображений.

Для реализации цели необходимо решить следующие задачи: 1) выполнить анализ существующих методов обработки изображений (снимков) для идентификации структурных элементов;

2) сформировать критерии идентификации выделяемых структур;

3) разработать комбинированные алгоритмы распознавания структур на снимках;

4) создать методику интеллектуальной поддержки для принятия управленческих решений в автоматизированных системах обработки изображений;

5) разработать специальное математическое и программное обеспечение для автоматизированной системы идентификации структурных элементов на зашумленных изображениях;

6) апробировать предложенные интеллектуальные технологии обработки изображений при решении практических задач.

Объектом исследования являются плохо структурированные и зашумленные изображения.

Предмет исследования - комбинированные модели, методы и алгоритмы распознавания различных структур на зашумленных изображениях.

Методы исследования. При решении поставленных задач в работе использовались системный анализ, теория управления, методы теории идентификации и распознавания образов, методы и алгоритмы обработки изображений, в т.ч. фильтрации, контрастирования, сегментации, кластеризации и др., метод клеточных автоматов, нейросетевые технологии.

Научная новизна работы:

- разработаны критерии распознавания скрытых структурных элементов в зашумленных изображениях, отличающиеся учетом доступной априорной и апостериорной информации, что позволило разработать комбинированные алгоритмы дистанционной обработки снимков;

- предложены комбинированные алгоритмы распознавания скрытых технических объектов, отличающиеся использованием технологий клеточных автоматов и неокогнитрона, что позволило учесть доступную геометрическую информацию о форме и взаимном расположении структурных элементов;

- создан комбинированный алгоритм идентификации структурных изображений на рентгеновских снимках, отличающийся использованием количественной оценки рентгеноскопической плотности среды, кластеризации структур по признакам плотности изображения, нейронных сетей, что позволило разработать соответствующее специальное математическое обеспечение для поддержки управленческих решений в дистанционных автоматизированных системах обработки изображений;

- построена архитектура специального математического обеспечения для поддержки принятия решений в автоматизированных системах мониторинга и обработки изображений, отличающаяся использованием комбинированных алгоритмов идентификации структур на зашумленных снимках, что позволило предложить интеллектуальную интернет-технологию автоматизированной идентификации скрытых и завуалированных объектов с применением виртуализации и облачных вычислений.

Практическая ценность работы заключается в создании комбинированных алгоритмов распознавания возможных аномальных и регулярных структур на зашумленных изображениях, что позволяет решать различные практические задачи по выявлению скрытых или завуалированных объектов на снимках. Предложенный комбинированный алгоритм распознавания скрытых технических объектов апробирован при идентификации минных полей по снимкам из космоса.

Реализация согласно выявленным требованиям и предложенным принципам создания интеллектуальных систем дистанционного мониторинга и автоматизированной обработки снимков позволит повысить эффективность принятия управленческих решений по зашумленным изображениям. Результаты диссертации используются в учебном процессе различных вузов г. Саратова.

Достоверность и обоснованность результатов диссертационного исследования подтверждаются результатами компьютерного моделирования; успешным использованием полученных результатов в различных организациях; соответствием основных теоретических положений и выводов практическим результатам, полученным на основе разработанных моделей и алгоритмов.

Апробация работы. Основные результаты работы обсуждались на Международных научно-технических конференциях: «Математические методы в технике и технологиях» (Казань, 2005; Саратов, 2008, 2010, 2011; Харьков, 2012); «Информационные технологии в политическом, социальном и экономическом менеджменте» (Саратов, 2006); «Человеческий фактор в 9 управлении социальными и экономическими системами» (Пенза, 2006); «Идентификация систем и задачи управления» (Москва, 2008); «Инфокоммуникационные технологии в науке, производстве и образовании» (Новочеркасск, 2008); «Перспективные информационные технологии для авиации и космоса» (Самара, 2010); «Инновации и актуальные проблемы техники и технологий» (Саратов, 2010); «Новые направления развития приборостроения.» (Минск, 2011).

Исследования поддержаны Государственным фондом содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодежного научно-инновационного конкурса -У.М.Н.И.К.», по проекту «Разработка метода количественной оценки плотности вещества для систем автоматизированной обработки рентгеновских снимков» (выполнение в период 2009-2010 гг.).

На защиту выносятся:

1) критерии идентификации скрытых и завуалированных структур снимков, основанные на характеристиках формы, взаимном расположении элементов и физической плотности;

2) комбинированный алгоритм идентификации структур на снимках земной поверхности на основе технологий клеточных автоматов и неокогнитрона;

3) метод оценки физической плотности вещества по изображению объекта;

4) комбинированный алгоритм для дистанционной обработки рентгеновских изображений;

5) архитектура системы интеллектуальной поддержки при принятии решений в системе дистанционного мониторинга и автоматизированной обработки снимков, а также технические принципы ее интернет-реализации.

Публикации. Основные результаты диссертационной работы изложены в 17 опубликованных печатных работах (в т.ч. 3 статьи в центральных журналах, 14 статей в материалах Международных и Всероссийских конференций).

Структура и объем диссертации. Диссертация состоит из введения, пяти разделов, заключения, списка использованной литературы и приложения. Работа изложена на 168 страницах машинописного текста, содержит 47 рисунков и 3 таблицы, список литературы включает 126 наименований.

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Булдаков, Николай Сергеевич

Выводы по разделу 5

1. С развитием разнообразных систем дистанционного мониторинга постоянно расширяется и сфера применения систем обработки изображений. Поэтому требуются интегрированные распределенные системы сбора, передачи и обработки данных, способные реализовывать дистанционный мониторинг исследуемых объектов, а также автоматизированную идентификацию их изображений.

2. Реализация созданной комбинированной технологии автоматизированной идентификации структур в системах дистанционного мониторинга и обработки снимков позволит повысить эффективность принятия решений по зашумленным изображениям.

3. В качестве специального математического обеспечения системы используются: алгоритм вычисления физической плотности вещества на основе эталонно-фотометрического метода; комбинированный метод сегментации на основе априорной информации о форме и плотности аномального образования; алгоритмы автоматизированного анализа снимков, в т.ч. нейросетевого распознавания образов для выявления аномальных областей.

4. Предложенную концепцию построения интеллектуальной системы мониторинга и автоматизированной идентификации изображений можно реализовать, используя технологию облачных вычислений на основе виртуализации.

5. Для реализации технологии виртуализации системы обосновано применение программного продукта vSphere компании VMware.

152

ЗАКЛЮЧЕНИЕ

В работе предложены, разработаны и успешно апробированы критерии, комбинированные методы, модели и алгоритмы автоматизированной идентификации скрытых, завуалированных или зарождающихся структур на зашумленных снимках. При этом получены следующие результаты:

- показано, что существующие методы кластеризации, основанные на позиционной и/или яркостной (плотностной) близости точек изображения, позволяют выделить структурные элементы на снимках только относительно хорошего качества;

- выполнен системный анализ существующих методов обработки снимков для идентификации скрытых структурных элементов в зашумленных изображениях и предложены критерии их распознавания с учетом априорной и апостериорной информации;

- сформированы критерии идентификации выделяемых структур, основанные на их особенностях (форме, взаимном расположении элементов, физической плотности);

- обосновано применение комбинированных методов для идентификации скрытых или завуалированных структурных элементов на зашумленных снимках;

- для автоматизации процесса сегментации изображения, повышения надежности и помехоустойчивости сегментации предложен комбинированный метод обработки изображений на основе клеточных автоматов, использующий элементы искусственного интеллекта. Различные его варианты могут использоваться для сегментации, контрастирования, а также сглаживания;

- разработаны комбинированные методы распознавания скрытых технических объектов с учетом доступной геометрической информации об их форме и взаимном расположении, который реализует технологии клеточных автоматов и неокогнитрона и апробирован при идентификации минных полей по снимкам из космоса;

- в качестве признаков идентификации для минных полей с клеточной структурой предложено использовать числовые значения, характеризующие взаимное расположение мин, а для минных полей с меньшей степенью организации - метод распознавания геометрических образов на основе нейронной сети (неокогнитрона);

- поставлена и решена задача автоматизированной идентификации структур по рентгеновским изображениям, включающая структурирование изображения на основе алгоритмов контрастирования, вычисление плотности, кластеризацию структур по признакам плотности и расположения;

- сформирован критерий идентификации объектов на основе вычисления их физической плотности, на базе которого разработаны комбинированные методы и модели автоматизированного распознавания структурных элементов при дистанционной обработке рентгеновских изображений;

- предложены эталонно-фотометрический метод оценки физической плотности вещества по изображению объекта, а также его практическая реализация;

- разработана интеллектуальная интернет-технология для автоматизированной идентификации скрытых и завуалированных объектов;

- предложены требования, технические принципы интернет-реализации и архитектура специального математического обеспечения для поддержки принятия управленческих решений в автоматизированной системе идентификации структур на зашумленных изображениях на основе технологии виртуализации и облачных вычислений;

- обосновано применение программного продукта уБрЬеге компании УМ\уаге для реализации технологии виртуализации системы обработки зашумленных изображений;

- на основе созданных комбинированных моделей, методов и алгоритмов для распознавания аномальных структур на зашумленных изображениях решены практические задачи по выявлению скрытых или завуалированных объектов на снимках.

Список литературы диссертационного исследования кандидат технических наук Булдаков, Николай Сергеевич, 2012 год

1. Бутаков Е.А., Островский В.И., Фадеев Л.И. Обработка изображений на ЭВМ. М.: Радио и связь, 1987. - 236 с.

2. Гинзбург В.И. Формирование и обработка изображений в реальном времени. М.: Радио и связь, 1986. - 312 с.

3. Методы компьютерной обработки изображений / под ред. В.А. Сойфера. -М.: Физматлит, 2001. 784 с.

4. Гонсалес Р., Вудс Р. Цифровая обработка изображений: пер. с англ. / под ред. П.А. Чочиа. М.: Техносфера, 2005. - 1072 с.

5. Катыс Г.П. Обработка визуальной информации. М.: Машиностроение, 1990. -320 с.

6. Перспективы цифровой рентгенографии в диагностике сердечнососудистых заболеваний / А.О. Антонов, О.С. Антонов, Н.Т. Пак и др. // Патология кровообращения и кардиохирургия. 2003. - №1. - С. 91-94.

7. Габуния Р.И., Колесникова Е.К., Туманов Л.Б. Компьютерная томография органов грудной клетки // Вестник рентгенологии. 1983. - №1. - С. 12-18.

8. Магнитный интроскоп для оперативного обнаружения скрытых дефектов ферромагнитных объектов / A.A. Абакумов, A.A. (мл.) Абакумов, А.И. Галушков, М.В. Шорин // Контрольно-измерительные приборы и системы. -2000. -№1. С. 28-30.

9. Вайнберг Э.И., Казак И.А., Курозаев В.П. Точность воспроизведения пространственной структуры контролируемого объекта в рентгеновской промышленной томографии // Дефектоскопия. 1980. - № 10. - С. 5-8.

10. Ю.Литвинов В.И., Мороза A.M. Лабораторная диагностика туберкулеза. -М.: МНПЦБТ, 2001. 184 с.

11. П.Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений. СПб.: СПбГУ ИТМО, 2008. - 192 с.

12. Christoyianni I., Dermatas E., Kokkinakis G. Neural classification of abnormal tissue in digital mammography using statistical features of the texture // IEEE Engineering in Medicine and Biology, 1995. P. 535-538.

13. De Parades. Radiographic breast anatomy: radiological signs of breast cancer // Papers of 79th Scientific Assembly of the Radiological Society of North America, 1993.-P. 35-40.

14. Бобровник Ю.А. Реконструктивная вычислительная томография -эффективный метод визуализации // Диагностика и прогнозирование сварочных конструкций. 1986. - №2. - С. 56-64.

15. Гинтов О.Б. Полевая тектонофизика и ее применение при изучении деформаций земной коры Украины. Киев: Феникс, 2005. - 572 с.

16. Геологический словарь: в 2 томах/ Х.А. Арсланова, М.Н. Голубчина, А.Д. Искандерова и др.; под ред. К.Н. Паффенгольца. 2-е изд., испр. - М.: Недра, 1978.-486 с.

17. Прэтт У. Цифровая обработка изображений. Т. 1,2.- М.: Мир, 1982. 791 с.19.3асухин Е.А. Способ распознавания графического образа материальногообъекта. Патент РФ. № 92010391, МКИ 6 G 06. К 9/00.

18. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. М.: Высшая школа, 1983. - 295 с.

19. DeCartel J.M., Surdu J.R. Practical recognition vehicles in FLIR // In. Proc. SPIE, Automatic Object Recognition V, 1995. Vol. 2485. - P. 200-210.

20. Roe R.W., Keyes W.I. Application of a distance-based method for analyzing spatial patterns to the analysis of radionuclide tomograms // Practical radiology, 1981.-Vol. 14. -No. 1-6.- P. 11-15.

21. Дуда P., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. - 511 с.

22. Duda R.O., Hart P.E., Stork D.G. Pattern classification (2nd Edition). New York: Wiley-Interscience, 2001.- 738 p.

23. De Parades. Radiographic breast anatomy: radiological signs of breast cancer // Papers of 79th Scientific Assembly of the Radiological Society of North America, 1993.-P. 35-40.

24. Меденников П.А., Павлов Н.И. Способ идентификации материальных объектов. Патент РФ. № 2163394, МКИ 7 G 06. К 9/00. - Заявка № 99106435/09, заявл. 29.03.1999.

25. Жирин В.М., Князева С.В., Эйдлина С.П. Использование материалов съемок при оценке восстановительной динамики лесов на равнинных территориях // Современные проблемы дистанционного зондирования Земли из космоса. 2011. - Т.8, № 2. - С. 208-216.

26. Соколов В.А. Выбор апертуры при обработке тепловизионных изображений // Известия ТулГУ. Серия Вычислительная техника. Информационные технологии. Системы управления. 2004. - Т. 1, вып. 1. - С. 145-152.

27. Методы компьютерной обработки изображений / под. ред. В.А. Сойфера. М.: Физматлит, 2003. - 784 с.

28. Красильников Н.Н. Цифровая обработка изображений. М.: Вузовская книга, 2001. - 320 с.

29. Садыхов Р.Х., Дудкин А.А. Обработка изображений и идентификация объектов в системах технического зрения // Искусственный интеллект. -2006. -№3,- С. 694-703.

30. Техническое зрение в системах управления мобильными объектами: труды науч.-техн. конф.-семинара. Вып. 4 / под ред. P.P. Назирова. М.: КДУ, 2011.- 328 с.

31. Frederick Hoare, Gerhard de Jager. Model based segmentation of medical x-ray images // IEEE Transactions on Medical Imaging, 1989. Vol.8. - P. 154.

32. Hanaizumi H., ChinoS., Fujimura S. A Binary Division Algorithm for Clustering Remotely Sensed Multispectral Images // IEEE Transactions Instrumentation and Measurement, 1995. Vol. 44. - P. 759-763.

33. Sherrier R.A., Johnson G. Regionally adaptive histogram equalization of the chest. // IEEE Transactions on Medical Imaging, 1987,- Vol. Ml-6. P. 1-7.

34. Тоффоли Т., Марголус H. Машины клеточных автоматов. М.: Мир, 1991. - 280 с.

35. Булдаков Н.С. Моделирование сложных систем с помощью клеточных автоматов // Информационные технологии в политическом, социальном и экономическом менеджменте: сб. науч. трудов. Саратов: ПАГС, 2006. -С. 157-158.

36. Xing Y., HudaW., LaineA.F. Comparison of a dyadic wavelet image enhancement algorithm with unsharp masking and median filtering // SPIE Proceedings: Medical Imaging Image Processing, San Diego, 1995. - Vol. 2434, CA. - P. 718-729.

37. Добеши И. Десять лекций по вейвлетам. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.

38. Лангем М.М., Новиков Н.А. Сегментация изображений на основе описаний кластеров структурированными гауссовыми смесями // Техническое зрение в системах управления мобильными объектами. -2011.-Вып. 4.-С. 291-302.

39. Bajcsy P., Ahuja N. Location- and Density-Based Hierarchical Clustering Using Similarity Analysis // Short Papers of IEEE Transactions on pattern analysis and machine intelligence. 1998. - Vol. 20, №9. - P. 1011-1015.

40. Contour and Texture Analysis for Image Segmentation / J. Malik, S. Belongie, Th. Leung, J. Shi // Intern. J. Computer Vision. 2001. - Vol. 43. - N. 1. - P. 7-27.

41. Булдакова Т.И., Колентьев C.B, Суятинов С.И. Алгоритм оценки относительной плотности тканей по рентгеновским снимкам с использованием вейвлет-анализа // Вестник новых медицинских технологий. 2003. - № 1. - С. 6-8.

42. Bajcsy P., AhujaN. Uniformity and Homogenity Based Hierarchical Clustering // Proceedings of thirteenth Int'l Conference on Pattern Recognition, Vienna, Austria. 1996. - Vol. B. - P. 96-100.

43. Алгоритм анализа и принятия решения в задаче селекции объектов на изображениях наземных сцен / Ю.Б. Блохинов, В.В. Гнилицкий,

44. B.В. Инсаров, А.С. Чернявский // Техническое зрение в системах управления мобильными объектами. 2011. - Вып. 4. - С. 92-108.

45. Люггер Д.Ф Искусственный интеллект: стратегии и методы решения сложных проблем: пер. с англ. М.: Издат. дом «Вильяме», 2003. - 864 с.

46. Павлидис Т. Алгоритмы машинной графики и обработки изображений. -М.: Радио и связь, 1986. 400 с.

47. Миркес Е.М. Нейроинформатика. Красноярск: ИПЦ КГТУ, 2002. - 347 с.

48. Watanabe S. Pattern Recognition: Human and Mechanical. New York: Wiley, 1985.-570 p.

49. Canfield K. Improving interorganizational data interchange for drug development // Comput. Biol. Med. 1999. - №29. - P. 89-99.

50. Черняк JI. Облака: три источника и три составных части // Открытые системы. 2010. -№ 1.-С. 12-15.

51. Использование методов дистанционного зондирования в операциях по гуманитарному разминированию / С.И. Ивашов, В.В. Разевиг, P.P. Илющенко и др. // Наукоёмкие технологии. -2002. №6. - С. 27-42.

52. Горелик А.Л., Скрипкин В.А. Методы распознавания: 3-е изд., перераб. и доп. М.: Высшая школа, 1989. - 232 с.

53. Preston К. Basics of cellular logic // Proceedings of the IEEE. 1979. - Vol 67.- №5. P. 833-847.

54. Fukushima K. Analysis of the process of visual pattern recognition by Neocognitron // Neural Networks. 1987. - Vol. 2. - P. 413-420.

55. Fukushima K., Miyake S., Takayuki I. Neocogitron: A neural network model for a mechanism of visual pattern recognition // IEEE Transaction on Systems, Man and Cybernetics. 1983. - Vol. SMC-13(5). - P. 826-834.

56. Круглов B.B., Борисов B.B. Искусственные нейронные сети. М.: Горячая линия - Телеком, 2001.-382с.

57. Большаков А.А., Булдаков Н.С. Использование клеточных автоматов для обработки изображений минных полей // Вестник Саратовского государственного технического университета. 2010. - №4 (50). Вып. 2. -С.120-124.

58. Булдаков Н.С. Комбинированный алгоритм распознавания минных полей на аэрокосмических снимках // Математические методы в технике и технологиях: сб. трудов XVIII Междунар. науч. конф. Казань: Изд-во КГТУ, 2005.-Т.6.-С. 60-63.

59. Антонов А.О., Антонов О.С., Виноградова Е.В. Цифровые диагностические изображения. Практический опыт применения цифровых технологий в медицине // Бюллетень Сибирского отделения РАМН, 1999.- №1(91). С. 127-131.

60. Suyatinov S.I., Kolentev S.V. Criteria of identification of the medical images. -SPIE Proceeding. 2003. - Vol. 5067. - P. 148-153.

61. Рентгенотехника: справочник / под общ. ред. В. В. Клюева. М.: Машиностроение, 1992. - 480 с.

62. Автоматизация разделения рентгенограмм на «норму» и «патологию» / А.О. Антонов, О.С. Антонов, Д.К. Мантула, А.Г. Хабахпашев // Вестник рентгенологии. 1992. - № 2. - С. 17-18.

63. Вайнберг Э. И., Казак И. А., Курозаев В. П. Точность воспроизведения пространственной структуры контролируемого объекта в рентгеновской промышленной томографии // Дефектоскопия. 1980. - № 10. - С. 5-8.

64. Воробьев В.А., Горшков В.А., Сырков В.Б. Оценка плотности материала по обратно рассеянному гамма-излучению // Дефектоскопия. 1993. -№9.-С. 33-35.

65. Hoare F., Jager G. Model based segmentation of medical x-ray images // IEEE Transactions on Medical Imaging. 1989. - Vol. 8. - P. 154-160.

66. Распознавание образов и медицинская диагностика / под ред. Ю.И. Неймарка. М.: Наука, 1972. - 328 с.

67. Sezan M.I., Tekalp A.M., Schaetzing R. Automatic anatomically selective image enhancement in digital chest // IEEE Transactions on Medical Imaging. -1989.-Vol. 8.-P. 154-162.

68. Sherrier R.A., Johnsos G. Regionally histogram equalization of the chest // IEEE Transactions on Medical Imaging. 1987. - Vol. 6. - P. 1-7.

69. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. -М.: Машиностроение, 1990. 320 с.

70. Опенгейм Э. Применение цифровой обработки сигналов.—М.: Мир, 1980. 550 с.

71. Hall E.L., Kruger R.P., Dwyer S.J. A survey of preprocessing and feature extraction techniques for radiographic images // TC. 1971. - Vol. 20. - № 9. -P. 1032- 1041.

72. Осовский С. Нейронные сети для обработки информации: пер. с польск. ИД. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

73. Системы искусственного интеллекта / В.А. Чулюков, И.Ф. Астахова, А.С. Потапов и др. М.: БИНОМ. Лаборатория знаний, 2008. - 292 с.

74. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2004. - 424 с.

75. Пароль Н.В., Кайдалов С.А. Фоточувствительные приборы и их применение. М.: Радио и связь, 1991. - 112 с.

76. Ишанин Г.Г. Приемники излучения оптических и оптико-электронных приборов. Л.: Машиностроение, 1986. - 175 с.

77. Ишанин Г.Г., Мальцева Н.К., Мусяков В.Л. Источники и приемники излучения: пособие по решению задач. СПб.: СПбГУ ИТМО, 2006. - 85 с.

78. Уэбб С. Физика визуализации изображений в медицине. Т. 1. М.: Мир, 1991.-552 с.

79. Сизиков B.C. Устойчивые методы обработки результатов измерений: учеб. пособие. СПб.: Изд-во «СпецЛит», 1999. - 240 с.

80. Яворский Б.М., Пинский A.A. Основы физики. Т. 2. М.: Физматлит, 2000. - 576 с.

81. Аксеенко М.Д., Бараночников М.Л. Приемники оптического излучения. -М.: Радио и связь, 1987. 296 с.

82. Аниконов Д.С., Ковтанюк А.Е., Прохоров И.В. Использование уравнения переноса в томографии. М.: Логос, 2000. - 224 с.

83. Бабак В.П. Автоматизированные системы неразрушающего контроля на базе ЭВМ. М.: Машиностроение, 1986. - 346 с.

84. Белокуров И.П., Коваленко В.А. Дефектоскопия материалов и изделий. -Киев: Техника, 1989. 192 с.

85. Беллман Р. Математические методы в медицине. М.: Мир, 1987. - 200 с.

86. Колентьев C.B. Программный комплекс для вычисления относительной рентгенографической плотности // Состояние и проблемы измерений: труды 8-й Всерос. науч.-техн. конф. Ч. 2. М.: МГТУ им. Н. Э. Баумана, 2002.-С. 8-10.

87. An introduction to evaluating biométrie systems / P.J.Phillips, A.Martin, C.L. Wilson, M. Przybocki // Computer. 2000. - Vol. 33. - № 2. - P. 56-63.

88. Cherian Т., Mulholland E.K., Carlin J.B. Standardized interpretation of paediatric chest radiographs for the diagnosis of pneumonia in epidemiological studies // Bulletin of the World Health Organization. 2005. - Vol. 83. - P. 353-359.

89. Chapman W.W., Fiszman M., Frederick P.R. Quantifying the Characteristics of Unambiguous Chest Radiography Reports in the Context of Pneumonia // Academic Radiology. 2001. - Vol. 8. - P. 57-66.

90. Рекомендации по протоколированию рентгенологического исследования легких // Радиология-Практика. 2000. - № 2. -С. 18-20.

91. Database design and implementation for quantitative image analysis research / M. Brown, S.K. Shah, R.C. Pais et al. // IEEE Trans. Inf. Technol. Biomed. -2005. Vol. 9, No. 1. - P. 99-108.

92. Multiple sclerosis medical image analysis and information management / L. Liu, D. Meier, M. Polgar-Turcsanyi et al. // J. Neuroimag. 2005. - Vol. 15. -P. 103S-107S.

93. Method and system for enhancement and detection of abnormal anatomic regions in a digital image / K. Doi, G. Willowbrook, H.-P. Chan, L. MaryeUen. Patent USA № 4,907,156. -МКИА61В 6/12; G06K 9/46; НКИ 364/413.13; 382/19.

94. Binkowskia M. The analysis of densitometry image of bone tissue based on computer simulation of X-ray radiation propagation through plate model // Computers in Biology and Medicine. 2007. - Vol. 37. - P. 245-250.

95. Булдаков Н.С., Самочетова Н.С., Суятинов С.И. Идентификация биосистем по данным электрофизиологических измерений // Идентификация систем и задачи управления: труды VII Междунар. конф. М.: ИЛУ РАН, 2008. - С.457-464.

96. Нейроинформатика / A.M. Горбань, B.JI. Дунин-Барковский, А.Н. Кидрин и др. Новосибирск: Наука, 1998. - 296 с.

97. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: учеб. пособие для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 320 е., ил. (Сер. Информатика в техническом университете).

98. Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2001. - 287 с.

99. Булдаков Н.С. Нейросетевая идентификация рентгеновских снимков // Математические методы в технике и технологиях: сб. трудов XXIII Междунар. науч. конф. Т. 6. Саратов: СГТУ, 2010. - С.35-36.

100. Абраменкова И.В., Шатхин М.Р. Нейро-нечеткие методы прогнозирования в онкологии // Вестник новых информационных технологий. 2002. - Т.9. №4. - С.91-92.

101. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. -М.: Физматлит, 2002. 256 с.

102. Методы робастного, нейро-нечеткого и адаптивного управления / под ред. Н.В. Егунова. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 744 с.

103. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия -Телеком, 2004. - 252 с.

104. Булдаков Н.С. Измерение плотности вещества по рентгеновским снимкам для систем автоматизированной диагностики // Новые направления развития приборостроения: труды 4-й Междунар. науч.-техн. конф. -Минск: БНТУ, 2011. С. 87-88.

105. Вопросы создания Единого информационного пространства в системе здравоохранения РАН / Н.Г. Гончаров, Я.И. Гулиев, Ю.В. Гуляев и др. //

106. Информационные технологии и вычислительные системы. 2006. - № 4. -С. 83-94.

107. Doughty К., Cameron К., Garner P. Three generations of telecare of elderly // J. Telmed. Telecare. 1996. - Vol. 2, no. 2. - P. 71-80.

108. Johnson P., Andrews D.C. Remote continuous physiological monitoring in the home // J. Telmed. Telecare. 1996. - Vol. 2, no. 2. - P. 107-113.

109. A home telecare management system / MJ. Rodriguez, M.T. Arredondo // J. Telmed. Telecare. 1995. - Vol. 1, no. 2. - P. 86-94.

110. The electronic doctor (TED) A home telecare system / G.Williams, P.J. King, A.M. Capper, K. Doughty // Proc. 18th IEEE Annu. EMBS Int. Conf. - Amsterdam, The Netherlands. - Oct. 31-Nov. 3, 1996. - Vol. 1. - P. 53-54.

111. Bai J. The design and preliminary evaluation of a home electrocardiography and blood pressure monitoring network // J. Telmed. Telecare. 1996. - Vol. 2, no. 2. - P. 100-106.

112. Manickam S., Abidi A. Extracting clinical cases from XML-cased electronic patient records for use in web-based medical case based reasoning systems // Proc. Medinfo. 2001. - P. 643-647.

113. Булдаков H.C., Ланцберг A.B., Суятинов С.И. Алгоритмы и технические средства для самостоятельного контроля функционального состояния //

114. Математические методы в технике и технологиях: сб. трудов XXIV Междунар. науч. конф. Т. 2. Саратов: СГТУ, 2011. - С. 101-103.

115. Большаков A.A., Булдаков Н.С. Построение систем обработки изображений с использованием технологии виртуализации // Вестник Саратовского государственного технического университета. 2011. - №4 (62). Вып. 4.-С. 224-228.

116. Булдаков Н.С. Серверные решения для ЦОД // Connect! Мир связи. -2011. -№ 8.-С. 62-64.

117. Большаков A.A., Булдаков Н.С. Синтез интеллектуальных систем дистанционного мониторинга и автоматизированной обработки снимков // Вестник Саратовского государственного технического университета. 2012. - №1 (64). Вып. 2. - С. 128 - 132.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.