ПРЕЦЕДЕНТНОЕ РАСПОЗНАВАНИЕ ФРАГМЕНТОВ ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Лихошерстный Алексей Юрьевич

• Лихошерстный Алексей Юрьевич
• кандидат наук
• 2016

Оглавление диссертации кандидат наук Лихошерстный Алексей Юрьевич

ВВЕДЕНИЕ.............................................................................................................4

ГЛАВА 1. МЕТОДЫ РАСПОЗНАВАНИЯ ФРАГМЕНТОВ ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ. СОСТОЯНИЕ ВОПРОСА .................................................................................................................................11

1.1 Спутниковые изображения земной поверхности..................................11

1.2 Информационные процессы с изображениями земной поверхности . 21

1.3 Дешифрирование изображений земной поверхности..........................23

1.4 Задачи исследования................................................................................31

ГЛАВА 2. ПРИНЯТИЕ РЕШЕНИЙ ПРИ ПРЕЦЕДЕНТНОМ РАСПОЗНАВАНИИ ФРАГМЕНТОВ ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ.................................................................................................32

2.1 Концептуальные основы процедуры идентификации фрагментов изображения земной поверхности.................................................................... 32

2.2 Меры идентичности на основе долей энергии, попадающих в заданные подобласти плоскости пространственных частот.........................33

2.3 Меры идентичности на основе субполосного расстояния отрезков трансформант Фурье из заданных подобластей плоскости пространственных частот..................................................................................44

2.4 Решающая функция..................................................................................46

2.5 Результаты и выводы главы....................................................................48

ГЛАВА 3. ОБРАБОТКА ИЗОБРАЖЕНИЙ В ЗАДАЧАХ ПРЕЦЕДЕНТНОГО РАСПОЗНАВАНИЯ ФРАГМЕНТОВ ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ.............................................49

3.1 Процедура обучения по прецедентам....................................................49

3.2 Процедура распознавания по прецедентам...........................................51

3.3 Компенсация аппаратных искажений....................................................67

3.4 Результаты и выводы главы....................................................................76

ГЛАВА 4. ПРОГРАММНО-АЛГОРИТМИЧЕСКАЯ РЕАЛИЗАЦИЯ НА

МНОГОЯДЕРНЫХ ГРАФИЧЕСКИХ ПРОЦЕССОРАХ...........................77

4.1 Обоснование выбора аппаратно-программных средств..........................77

4.2 Разработка параллельных алгоритмов обработки изображений при прецедентном распознавании...........................................................................94

4.3 Архитектура программной поддержки................................................102

4.4 Результаты и выводы главы..................................................................106

ЗАКЛЮЧЕНИЕ.................................................................................................107

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ...................................109

ПРИЛОЖЕНИЕ А.............................................................................................120

ПРИЛОЖЕНИЕ Б.............................................................................................125

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «ПРЕЦЕДЕНТНОЕ РАСПОЗНАВАНИЕ ФРАГМЕНТОВ ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ»

Актуальность работы.

Одним из важнейших источников формирования знаний о земной поверхности служит аэрокосмическая фотосъемка. При этом, информация извлекается на основе анализа принимаемых со спутников или самолетов изображений, фиксируемых в отдельных координатных точках пространства (пикселях) с помощью специальных датчиков как интенсивности электромагнитных излучений. Отдельные объекты изображений земной поверхности (ИЗП) образуют совокупности интенсивностей, которые естественно называть классами.

Одним из направлений мониторинга состояния земной поверхности является процесс выделения и идентификации объектов, составляющий в определенном смысле единый класс. Такие процедуры естественно называть распознаванием объектов. Исходную для распознавания информацию содержат изображения в различных частях полного спектра излучений (оптические, инфракрасные, ультразвуковые и т.д.), преобразованные в цифровую форму и представленные в виде некоторой числовой матрицы. Каждый объект на снимке есть цифровое представление локального фрагмента двумерной сцены. Отметим, что на свойства ИЗП оказывают влияние многие факторы, среди которых состояние аппаратных средств и время суток, по- видимому, являются основными с точки зрения качества получаемых снимков. Поэтому, представляется целесообразным анализировать классы имеющихся объектов непосредственно по текущему снимку, хотя может возникнуть необходимость сопоставления ИЗП, полученных в разные моменты времени.

В работе рассматривается следующая основная постановка задачи анализа ИЗП: необходимо выделить объекты одного и того же класса, которые в общем случае могут быть расположены в различных частях изображения. При этом в качестве изначального образа указывается

соответствующий фрагмент изображения, тогда как остальные идентичные с ним фрагменты должны быть найдены в автоматическом режиме.

В соответствии со сложившейся терминологией такой анализ естественно называть прецедентным распознаванием фрагментов ИЗП. При этом естественно рассматривать два класса фрагментов: идентичные заданному и все остальные.

Актуальность процедур распознавания образов при анализе ИЗП можно проиллюстрировать наличием специальных программных модулей в достаточно широко применяемых пакетах прикладных программ ENVI, ERDAS IMAGINE, ArcGIS и др. Основное затруднение в их использовании возникает в связи с необходимостью обучения по множеству идентичных объектов, что выходит за рамки описанной выше ситуации распознавания.

Общий принцип решения задачи распознавания заключается в формировании решающей функции (РФ), представляющую собой меру близости сравниваемых фрагментов, попадание значений которой в критическую область воспринимается, как основание отвергнуть гипотезу об их идентичности на некотором уровне значимости. Ясно, что в рассматриваемых условиях непосредственно по анализируемому ИЗП могут быть получены только оценки вероятностей ошибок первого и второго родов.

Несмотря на то, что инициирующий поиск идентичных объектов эксперт имеет возможность оценить полученные результаты и внести в необходимых случаях коррективы, успешность реализации описанного принципа, прежде всего, определяется видом решающей функции.

Проблема построения решающих функций при прецедентном распознавании образов рассматривалась в работах многих авторов, среди которых следует отметить Журавлева Ю.И. и его учеников. Вместе с тем следует отметить, что задача поиска идентичных фрагментов ИЗП детальным исследованиям не подвергалась.

Эффективность процедур распознавания образов, прежде всего, зависит

от адекватности признаков, с помощью которых описывается классы. Ясно,

5

что полная информация о фрагментах ИЗП содержится в значениях составляющих их пикселей. Вместе с тем вопрос заключается в представлениях этой информации и способах их использования. С одной стороны важно обеспечить устойчивое выделение инвариантов, чтобы иметь основания признать фрагменты идентичными, а с другой - обеспечить необходимую чувствительность РФ к значимым различиям, чтобы избежать необоснованного включения фрагментов в рассматриваемый класс.

В рамках данной работы используется субполосный анализ, когда свойства фрагментов(объектов) описываются с позиций разбиения области пространственных частот (ПЧ) на некоторые подобласти, непрерывные отрезки трансформант Фурье в которых используются для формирования меры их идентичности. Такой подход позволяет отразить свойство концентрации энергии фрагмента в наборе подобластей ПЧ, совокупная площадь которых составляет малую долю частотной плоскости. В частности таким образом оказывается возможным уменьшить влияние малоэнергетических частотных компонент, например порождаемых широкополосными шумами.

Кроме того, важной задачей является компенсация воздействий помех, обусловленных сбоями в аппаратуре и проявляющихся в виде набора пикселей, значения которых существенно превосходят остальные (импульсные помехи).

Современные ИЗП состоят из десятков и сотен миллионов пикселей, для анализа которых с использованием компьютера со стандартной архитектурой может потребоваться слишком много времени по сравнению с темпом выработки управленческих решений. Поэтому целесообразно разработать алгоритмы и программную поддержку параллельных вычислительных процессов с использованием многоядерных гибридных вычислительных систем.

Таким образом, разработка методов и алгоритмов прецедентного

распознавания объектов на ИЗП на основе субполосных представлений и

6

параллельной программно-алгоритмической их реализации на современных высокопроизводительных вычислительных системах является актуальной задачей.

Степень разработанности. В диссертации разработана новая решающая функция для распознавания фрагментов ИЗП, проведены исследования работоспособности разработанных алгоритмов, а также осуществлена программная реализация этих алгоритмов для многоядерных процессоров.

Целью диссертационного исследования является разработка субполосного метода прецедентного распознавания объектов изображений земной поверхности и параллельных алгоритмов его реализации на базе многоядерных процессоров.

Для достижения поставленной цели решены следующие задачи:

1. Разработка решающих функций для прецедентного распознавания объектов ИЗП на основе субполосного анализа;

2. Разработка алгоритмов обработки ИЗП для прецедентного распознавания объектов на основе субполосного анализа;

3. Разработка методов и алгоритмов компенсации помех в задачах распознавания объектов ИЗП;

4. Программно-алгоритмическая реализация разработанных алгоритмов прецедентного распознавания на многоядерных графических процессорах;

5. Оценка работоспособности разработанных алгоритмов на основе вычислительных экспериментов.

Объект и предмет исследования. Объект исследования - изображения земной поверхности. Предмет исследования - методы прецедентного распознавания объектов на изображениях земной поверхности.

Методы исследования. В работе использованы методы частотных представлений, линейной алгебры, субполосного анализа изображений, цифровой обработки изображений, параллельного программирования,

вычислительных экспериментов, статистического анализа.

7

Научную новизну работы составляет следующее:

1. Решающая функция распознавания объектов ИЗП на основе субполосного анализа;

2. Метод обучения по субполосным признакам прецедентов;

3. Метод компенсации аппаратных помех;

4. Параллельные алгоритмы реализации процедуры распознавания на базе многоядерных процессоров NVIDIA с использованием технологии CUDA.

Практическая значимость работы определяется возможностью применения разработанных параллельных алгоритмов и их программных реализаций при анализе космофотоснимков в задачах мониторинга и управления.

Полученные результаты также используются при проведении НИР и ОКР ООО НПП «Сигнал», что подтверждается соответствующим актом, а также в учебном процессе магистрантов факультета информационных технологий и прикладной математики НИУ «БелГУ».

Связь с научными и инновационными программами.

Результаты диссертационного исследования были использованы в рамках выполнения следующих НИР:

• ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009-2013 годы, госконтракты: № 14.514.11.4088 от 20 июня 2013; № 14.132.21.1795 от 5 октября 2012; № 14.740.11.0390 от 20 сентября 2010.

• Программа Фонда содействия развитию малых форм предприятий в научно-технической сфере «У.М.Н.И.К.», проект «Разработка информационной технологии дешифрирования аэрокосмических изображений на основе частотных представлений».

• АВЦП «Развитие научного потенциала высшей школы» в 2006-2008 гг., проект РНП.2.2.1.1.3121

Область исследования. Содержание диссертации соответствует следующим пунктам паспорта специальности 05.13.17 «Теоретические основы информатики»:

п.5. Разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях разработка и исследование методов и алгоритмов анализа текста, устной речи и изображений;

п.7. Разработка методов распознавания образов, фильтрации, распознавания и синтеза изображений, решающих правил. Моделирование формирования эмпирического знания;

Положения, выносимые на защиту:

1. Метод прецедентного распознавания объектов на ИЗП на основе субполосного анализа и параллельные алгоритмы его реализации;

2. Метод компенсации аппаратных помех на основе субполосного анализа ;

3. Программная реализация параллельных алгоритмов на основе технологии СиОЛ;

4. Результаты сравнительной оценки адекватности предлагаемого метода прецедентного распознавания объектов ИЗП.

Достоверность выводов и рекомендаций обусловлена корректностью применяемых математических преобразований, отсутствием противоречий с известными фактами теории и практики прецедентного распознавания объектов, а также иллюстрируется результатами вычислительных экспериментов с реальными изображениями земной поверхности.

Личный вклад соискателя. Все изложенные в диссертации результаты исследования получены либо соискателем лично, либо при его непосредственном участии.

Апробация результатов диссертационного исследования.

Результаты диссертационного исследования обсуждались на следующих

научно-технических конференциях , школах и выставках: Международной

9

молодежной конференции «Прикладная математика, управление и информатика», 2012, г. Белгород; Всероссийской молодежной конференции «Теория и практика системного анализа», 2012, г. Белгород; Первой и Второй Международной научно-технической конференции «Компьютерные науки и технологии», 2011 и 2009, г. Белгород; Молодежной школе параллельного программирования «Суперкомпьютерное моделирование и визуализация в научных исследованиях», 2010, г. Москва, МГУ им М.В. Ломоносова; Молодежной школе параллельного программирования «Суперкомпьютерные технологии и высокопроизводительные вычисления в образовании, науке и промышленности», 2010, г. Нижний Новгород, НГУ им Н.И. Лобачевского; Всероссийской выставке научно-технического творчества молодежи, 2009, г. Москва.

Результаты диссертационного исследования были представлены на всероссийском конкурсе «Эффективное использование GPU-ускорителей при решении больших задач», проводимом компанией Т-Платформы совместно с МГУ им М.В.Ломоносова в 2011 году. Представленная работа одержала победу в 2 этапах из 3.

Публикации. По теме диссертационного исследования опубликовано 15 печатных работ (из них 7 в журналах из списка ВАК РФ), а также получено 5 Свидетельств Роспатента РФ о государственной регистрации программы для ЭВМ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа изложена на 119 страницах основного текста, включающего 37 рисунков, 7 таблиц, список литературных источников из 109 наименований и 2 приложения.

ГЛАВА 1. МЕТОДЫ РАСПОЗНАВАНИЯ ФРАГМЕНТОВ ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ. СОСТОЯНИЕ

ВОПРОСА

1.1 Спутниковые изображения земной поверхности

При наблюдении Земли из космоса используют дистанционные методы [15, 65, 93]: исследователь получает возможность на расстоянии (дистанционно) получать информацию об изучаемом объекте. Дистанционные методы, как правило, являются косвенными, т. е. измеряются не интересующие параметры объектов, а некоторые связанные с ними величины. Например, нас может интересовать состояние сельхозпосевов. Но аппаратура спутника регистрирует лишь интенсивность светового потока от этих объектов в нескольких участках оптического диапазона. Для того чтобы «расшифровать» такие данные требуются предварительные исследования. Эти исследования трудоемки, но проводятся на небольшой площади. В то же время они дают возможность интерпретировать данные, относящиеся к огромным пространствам и даже ко всему земному шару.

Широта охвата является характерной чертой спутниковых методов исследования Земли. К тому же эти методы, как правило, позволяют получить результат за сравнительно короткий интервал времени. Например, для Сибири с её просторами спутниковые методы в настоящее время являются единственно приемлемыми.

Основные области применения спутниковых данных дистанционного зондирования - получение объективной оперативной информации о состоянии окружающей среды и о природопользовании, мониторинг природных и техногенных опасных ситуаций и катастроф.

Спутниковая информация применяется в основном для: • Лесопожарного мониторинга и обнаружения поражения леса вредителями;

• Контроля лесных угодий и вырубок;

• Оперативного обнаружения и мониторинга нефтяных загрязнений в районах добычи и транспортировки нефти и нефтепродуктов;

• Мониторинга состояния гидротехнических сооружений;

• Мониторинга береговой линии в водохранилищах;

• Контроля снегового и ледового покрова, кромки ледостава, заторно-зажорных явлений, прогноза стоков рек и мониторинга мест разливов рек;

• Обновления топографических карт;

• Ведения земельного кадастра и контроля застройки городов и поселков;

• Контроля за соблюдением лицензионных соглашений в местах добычи полезных ископаемых;

• Мониторинга состояния сельскохозяйственных угодий, в том числе целевого использования земель, оперативной оценка состояния и степени деградации земель, прогноза урожайности.

К числу особенностей дистанционных методов [7, 15, 22] относится влияние среды (атмосферы), через которую спутник наблюдает Землю. Самый простой пример такого влияния - наличие облачности, делающей невозможным наблюдения в оптическом диапазоне. Однако и при отсутствии облачности атмосфера ослабляет восходящее излучение от объекта, особенно в полосах поглощения составляющих её газов. Поэтому приходится работать в так называемых окнах прозрачности, учитывая, что и в них есть поглощение и рассеяние излучения газами и аэрозолем. В радиодиапазоне возможно наблюдение Земли сквозь облачность.

Информация о Земле поступает со спутников, как правило, в виде цифровых изображений. Это также характерная черта дистанционных методов. Наземная обработка изображений проводится на ЭВМ.

Дистанционные методы делят на активные и пассивные [65, 93]. При

использовании активных методов на спутник устанавливают собственный

источник энергии, которая посылается на Землю (лазер, радиолокационный

12

передатчик); аппаратура спутника регистрирует отраженный сигнал. Радиолокация позволяет «видеть» Землю сквозь облака. Чаще используются пассивные методы, когда регистрируется отраженная поверхностью энергия Солнца либо тепловое излучение Земли.

При дистанционном зондировании Земли из космоса используется оптический диапазон электромагнитных волн и микроволновый участок радиодиапазона [21, 22]. На рисунке 1.1 представлен оптический диапазон, включающий в себя ультрафиолетовый (УФ) участок спектра, видимый участок - синяя полоса (Б), зеленая красная инфракрасный участок (ИК) - ближний ИК (БИК), средний ИК и тепловой ИК.

Видимый Инфракрасный

УФ в о я Ближний Средний Тепловой ИК

ИК ИК

ОД 0,38 0,5 0,6 0,76 1 3,5 10

Рисунок 1.1 - Оптический диапазон электромагнитных волн

В пассивных методах зондирования в оптическом диапазоне источниками электромагнитной энергии являются разогретые до достаточно высокой температуры твердые, жидкие, газообразные тела.

Первые изображения Земли из космоса были получены с помощью фотокамеры, эта методика применятся и в настоящее время. Спутник с фоторегистрацией позволяет фотографировать Землю в интервале длин волн от 0,4 до 0,9 мкм. Отснятые материалы спускаются на Землю и проявляются. Анализ снимков, как правило, проводится помощью проекционной аппаратуры. Метод обеспечивает высокую геометрическую точность изображения и возможность увеличения снимков. Однако он обладает низкой оперативностью; изображение представлено в виде фотографий, а не

в цифровой форме; диапазон спектра ограничен видимым участком и ближним ИК [55, 56, 58].

Этих недостатков лишены сканерные методы. Сканер с цилиндрической разверткой содержит объектив с точечным фотоприемным устройством (фотоэлектронный умножитель, фотодиод, фоторезистор). Перед объективом качается (вращается) зеркало, отражение от которого попадает на фотоприемное устройство (рисунок 1.2). При качании (вращении) зеркала и движении аппарата над Землей построчное считывается сигнал, пропорционального освещенности в того участка земной поверхности, на который в данный момент направлено зеркало.

Рис. 1.2 - Схема работы сканера с цилиндрической разверткой

С помощью фотодиода регистрируется излучение в ультрафиолетовом, видимом и ближнем ИК-диапазоне, с помощью фоторезистора регистрируется излучение в тепловом ИК-диапазоне и оценивается температура поверхности Земли. Сканерная информация в цифровой форме передается со спутника по радио в реальном времени или в записи на бортовой накопитель; на Земле она обрабатывается на ЭВМ [59, 68].

Линейный сканер содержит расположенные в линию неподвижные фоточувствительные элементы на приборах с зарядовой связью (ПЗС) -линейку ПЗС или несколько таких линеек. Число фотоприемников в линейке

достигает 1000 и более, длина линейки - не более 1-3 сантиметра. На линейки через объектив фокусируется изображение земной поверхности, все элементы находятся в фокальной плоскости.

Линейка ориентирована поперек направления движения спутника, она перемещается вместе со спутником, последовательно «считывая» сигнал, пропорциональный освещенности различных участков поверхности и облаков (рисунок 1.3).

Линейные сканеры на ПЗС работают в видимом и ближнем ИК-диапазоне.

Рисунок 1.3 - Схема работы сканера с линейной разверткой

В объективах сканеров используется, как правило, зеркальная оптика. Линзовая оптика нежелательна, так как показатели преломления и поглощения света в линзах различны для различных длин волн, а сканер должен работать в широком диапазоне - от видимого участка до инфракрасного. Зеркальные объективы имеют вогнутое зеркало параболической формы, на внутреннюю поверхность которого нанесена тонкая отражающая металлическая пленка. Свет, отраженный основным зеркалом, попадает на площадку, где в фокальной плоскости объектива размещены фотоприемники [71, 77].

Оптические сканеры регистрируют отраженное и рассеянное солнечное излучение, а также тепловое излучение Земли. Это пассивные методы дистанционного зондирования природной среды [86, 93].

При использовании активных методов на спутник устанавливают собственный источник энергии, которая посылается на Землю (радиолокационный передатчик); аппаратура спутника регистрирует отраженный сигнал. Радиолокация Земли из космоса - важное направление в дистанционном зондировании, имеющее ряд преимуществ перед оптическими пассивными. В частности, она позволяет «видеть» подстилающую поверхность сквозь облака и в ночное время практически при том же пространственном разрешении [97].

На аэрокосмических снимках, как правило, всегда присутствует шум (рисунок 1.4). На отношении сигнал-шум влияют шумы аналоговой электроники цифрового фотоаппарата («обвязка», усилители, АЦП), но основным источником цифрового шума является фотосенсор.

Рисунок 1.4 - Спутниковое изображение земной поверхности с шумом

Цифровой шум в фотосенсоре возникает по следующим причинам [8]:

- Дефекты (примеси и др.) потенциального барьера вызывают утечку заряда сгенерированного за время экспозиции — так называемый чёрный дефект. Такие дефекты видны на светлом фоне в виде тёмных точек;

- Темновой ток — является вредным следствием термоэлектронной эмиссии и «туннельного» эффекта и возникает в сенсоре при подаче потенциала на электрод, под которым формируется потенциальная яма. «Темновым» данный ток называется потому, что складывается из электронов, попавших в яму при отсутствии светового потока. Такие дефекты видны на темном фоне в виде светлых точек, т. н. белый дефект. Белые дефекты особенно проявляются при больших экспозициях. Основная причина возникновения темнового тока — это примеси в кремниевой пластине или повреждение кристаллической решётки кремния. Чем чище кремний, тем меньше темновой ток. На темновой ток оказывает влияние температура элементов камеры, электромагнитные наводки, как внешние, так и внутренние, от самой камеры. При увеличении температуры на 6-8 градусов, значение темнового тока удваивается;

- Из-за шума, возникающего вследствие стохастической природы взаимодействия фотонов света с атомами материала фотодиодов сенсора. При движении фотона внутри кристаллической решётки кремния, вероятно, что фотон, «попав» в атом кремния, выбьет из него электрон, родив пару электрон-дырка, но сказать точно, сколько фотонов родит пары, а, сколько пропадет с какими-то другими эффектами нельзя. Электрический сигнал, снимаемый с сенсора, будет соответствовать количеству рождённых пар. Снимаемый сигнал с сенсора при заданных выдержке и диафрагме (интенсивности света) будет определять квантовая эффективность — среднее число рождаемых пар электрон-дырка;

- Из-за наличия дефектных (не зарегистрированными датчиками)

пикселей, которые возникают при производстве фотосенсоров

(несовершенство технологии) и всегда находятся в одном и том же месте.

Для устранения их негативного влияния используются математические

17

методы интерполяции, когда вместо дефектного «подставляется» либо просто соседний элемент, либо среднее по прилегающим элементам, либо значение, вычисленное более сложным способом. Естественно, что вычисленное значение отличается от фактического и ухудшает резкость конечного изображения. Этот же дефект вносит интерполяция, корректирующая конечное изображение, при использовании фильтра Байера;

- Из-за гамма-коррекции. Гамма-коррекция может осуществляться в электронном тракте или в процессоре. Наш глаз имеет логарифмическую чувствительность к свету, а фотосенсоры — линейную, поэтому слабые сигналы усиливаются больше, чем сильные, чтобы изображение имело привычный для человека вид. Часто для этого (и для некоторых других целей) используют таблицы перекодировки, определяющие соответствие входного и выходного сигналов.

На величину цифрового шума влияет [6, 11, 12]:

- Плотность пикселов. Размер фотодиода на микросхеме зависит от технологии. При одинаковых физических размерах сенсора, у сенсора, имеющего большее разрешение, активная площадь каждого фотодиода меньше. На маленькие линзы фотодиода падает меньше света, меньшие потенциалы считываются с фотодиода и требуется большее аналоговое усиление сигнала перед оцифровкой. В результате больше уровень шума и меньше отношение сигнал-шум. Но данное утверждение справедливо только при неизменной технологии изготовления матрицы. Новые матрицы могут содержать менее шумные элементы и соответственно увеличивать можно или разрешение с сохранением уровня шума или сохранить разрешение, но уменьшить шум. На текущий момент производители предпочитают вариант сохранения уровня шума и увеличение разрешения;

- Выбранный производителем диапазон эквивалентной чувствительности сенсора. Эквивалентная чувствительность сенсора определяет коэффициенты усиления сигналов в цифровом фотоаппарате и

отношение сигнал-шум. Темновой ток является главным фактором, ограничивающим предел чувствительности сенсора (ISO 400/800);

- Время экспонирования. Темновой ток фотодиода при больших экспозициях сильно ухудшает отношение сигнал-шум. Чем больше время экспонирования, тем больше тепловой шум транзисторов электроники и хуже отношение сигнал-шум.

Импульсный шум проявляет себя в p-n структурах и в неметаллических резисторах. В отличие от других источников шумов, импульсные шумы обусловлены производственными дефектами, и их можно устранить, улучшив процессы производства. Эти шумы вызываются дефектами в переходе полупроводникового прибора (обычно в виде металлических примесей). Импульсные шумы проявляются как резкие всплески и сопровождаются дискретным изменениям уровня. Длительность шумовых импульсов колеблется от микросекунд до секунд. Импульсы появляются по непериодическому закону, и средняя скорость повторения изменяется от нескольких сот импульсов: в секунду до менее одного импульса в минуту. Вместе с тем у любого конкретного устройства амплитуда импульсных шумов фиксирована, так как она является функцией параметров дефекта перехода. Обычно эта амплитуда в 2- 100 раз превышает амплитуду тепловых шумов. Плотность распределения мощности импульсных шумов имеет зависимость вида 1/fn, где n обычно равно 2. Поскольку этот шум представляет собой явление, связанное с наличием тока, напряжение импульсных шумов будет наибольшим в высокоомной цепи, такой, как входная цепь операционного усилителя [31, 56, 57].

Список литературы диссертационного исследования кандидат наук Лихошерстный Алексей Юрьевич, 2016 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Абламейко, С. В. Обработка изображений. Технология, методы, применение [Текст] / С. В. Абламейко, Д. М. Лагуновский. - М.: Амалфея, 2000. -304 c.

2. Александров, В. В. Представление и обработка изображений: Рекурсивный подход [Текст] / В. В. Александров, Н. Д. Горский. - М.: Наука, 1985. - 192 с.

3. Анисимов, Б. В. Распознавание и цифровая обработка изображений [Текст] / Б. В. Анисимов, В. Д. Курганов, В. К. Злобин. - М.: Высшая школа, 1983. - 295 с.

4. Антонов А. С. Параллельное программирование с использованием технологии MPI: Учебное пособие [Текст]/ Антонов А. С. - М.: Изд-во МГУ, 2004. - 71 с.

5. Антонов А.С. Параллельное программирование с использованием технологии OpenMP: Учебное пособие [Текст]/ Антонов А.С. - М.: Изд-во МГУ, 2009. - 77 с.

6. Арлазаров, В. Л. Обработка изображений и анализ данных [Текст] / В. Л. Арлазаров, Н. Е. Емельянов. - Т.38, ИСА РАН, 2008. - 368 с.

7. Бакланов А.И.Системы наблюдения и мониторинга [Текст] / А.И. Бакланов. — М.: БИНОМ. 2009. — 234 с.

8. Богнер, Р. Введение в цифровую фильтрацию [Текст] / Р. Богнер, А. Константинидис. - М.: Мир, 1976. - 216 с.

9. Боресков А. В. Основы работы с технологией CUDA [Текст]/ Боресков А. В., Харламов А. А. - М.: ДМК Пресс, 2010. - 232 с: ил.

10. Брайан Вард Работаем в Linux [Текст]/ Брайан Вард — Москва, НТ Пресс, 2008 г.- 400 с.

11.Бронников, А.В. Комбинированные алгоритмы нелинейной фильтрации зашумленных сигналов и изображений [Текст] / А. В. Бронников, Ю. Б. Воскобойников // Автометрия. - 1990. - №1. - С. 21-26.

12. Быков, Р. Е. Анализ и обработка цветных и объемных изображений [Текст] / Р. Е. Быков, С. Б. Гуревич. - М.: Радио и связь, 1984. - 248 с.

13. В. Костромин Самоучитель Linux для пользователя [Текст]/В. Костромин — Москва, БХВ-Петербург, 2005 г.- 658 с.

14.В. Соломенчук Linux : Валентин Соломенчук [Текст]/В. Соломенчук

— Москва, БХВ-Петербург, 2005 г.- 282 с.

15.Валентюк, А. Н. Оптическое изображение при дистанционном зондировании [Текст] / А. Н. Валентюк, К. Г. Предко. - Минск: Наука и техника, 1991. - 360 с.

16.Вапник, В.Н. Теория распознавания образов. Стохастические проблемы обучения [Текст]/ Вапник В.Н.,Червоненкис А.Я. - М.: Наука, 1974. - 415с.

17.Вапник, В.Н. Теория распознавания образов. Стохастические проблемы обучения [Текст]/ Вапник В.Н.,Червоненкис А.Я. ? М.: Наука, 1974. - 415с.

18.Василий Леонов Секреты Linux [Текст]/ Василий Леонов — Москва, Эксмо, 2010 г.- 336 с.

19.Ветров, Д.П. О минимизации признакового пространства в задачах распознавания [Текст] / Ветров Д.П., Рязанов В.В. // Доклады Всероссийской конференции «Математические методы распознавания образов»/ ММРО -10: Изд-во ВЦ РАН, Москва, 2001. с. 22 - 25.

20.Воеводин, В.В. Параллельные вычисления [Текст]/ В.В. Воеводин, Вл.В. Воеводин. СПб.: БХВ-Петербург, 2002.

21. Волосюк, В.К. Статистическая теория радиотехнических систем дистанционного зондирования и радиолокации [Текст] / В. К. Волосюк, В. Ф. Кравченко. - М.: ФИЗМАТЛИТ, 2008. - 703 с.

22.Гарбук С.В. Космические системы дистанционного зондирования Земли.[Текст] / С.В. Гарбук, В.Е. Гершензон — М.: Издательство А и Б, 1997.

- 296 с.

23.Гергель В.П. Лекции по параллельным вычислениям: учеб. Пособие [Текст]/В.П. Гергель,В.А.Фурсов. - Самара: Изд-во Самар. гос. аэрокосм. унта, 2009. - 164 с.

24.Гергель, В.П. Теория и практика параллельных вычислений: учеб. Пособие [Текст]/ В.П. Гергель.- М.: Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2007. - 423 с.

25.Голуб А. И. С и С++. Правила программирования [Текст]/ Голуб А. И.

— М: БИНОМ, 1996 г. — 272 с

26.Гонсалес, Р. Цифровая обработка изображений [Текст] / Р. Гонсалес, Р. Вудс. - М.: Техносфера, 2006. - 1072 с.

27.Гонсалес, Р. Цифровая обработка изображений в среде МаАаЬ [Текст] / Р. Гонсалес, Р. Вудс, С. Эддинс. - М.: Техносфера, 2006. - 616 с.

28.Горелик, А.Л. Методы распознавания [Текст]/ А.Л. Горелик, Скрипкин В.А. - Москва: Высшая школа, 2004. - 264с.

29.Горелик, А.Л. Методы распознавания [Текст]/ А.Л. Горелик, Скрипкин В.А. - Москва: Высшая школа, 2004. - 264с.

30. Горский, Н Распознавание рукописного текста: от теории к практике [Текст]/ Горский Н., Анисимов В., Горская Л. - СПб.: Политехника, 1997. -126 с.

31.Грузман, И. С. Цифровая обработка изображений в информационных системах [Текст]: учебное пособие / И. С. Грузман, В. С. Киричук и др. -Новосибирск: НГТУ, 2002. - 352 с.

32.Гуревич, И.Б. Минимизация булевых функций и эффективные алгоритмы распознавания [Текст]/ Гуревич И.Б., Журавлев Ю.И. // Кибернетика, 1974, № 3. - 16-20.

33.Демидович Е.М. Основы алгоритмизации и программирования. Язык СИ : учебн. Пособие [Текст]/ Демидович Е.М. - СПб.: БХВ-Петербург, 2008.

- 448с.

34.Дуда, Р.О. Распознавание образов и анализ сцен [Текст]/ Дуда Р.О., Харт П. Е. - М.: Мир, 1974. - 512с.

35. Жиляков Е. Г. Об эффективности метода оценивания значений долей энергии изображений на основе частотных представлений / Е. Г. Жиляков, А.А. Черноморец, А. Н. Заливин. // Опубликована в журнале "Известия ОрелГТУ. Информационные системы и технологии" №2\52(563) г. Орел март-апрель 2009 г. №№ страниц: 12-22.

36.Жиляков Е. Г. Оптимальная фильтрация изображений на основе частотных представлений / д.т.н., проф. Е. Г. Жиляков, А. А. Черноморец // Вопросы радиоэлектроники, серия ЭВТ, выпуск 1 - 2007. Москва - С 66-72.)

37.Жиляков, Е. Г. Методы анализа и построения функций по эмпирическим данным на основе частотных представлений [Текст] / Е. Г. Жиляков. - Белгород: изд-во БелГУ, 2007. - 160 с.

38.Жиляков, Е. Г. Об автоматической классификации объектов [Текст] / Е. Г. Жиляков, Е. М. Маматов // Математическое моделирование в научных исследованиях. - Материалы Всероссийской научной конференции. Ч.1. -Ставрополь: Изд-во СГУ. - 2000. - С. 36-38.

39.Жиляков, Е.Г. Алгоритмы обработки аэрокосмических изображений на основе частотных представлений[Текст] / Е.Г. Жиляков, А.Ю. Лихошерстный // «Вопросы радиоэлектроники». - Москва, 2010. Выпуск 1, - с.73-84 (Серия: ЭВТ)

40.Жиляков, Е.Г. Архитектура нейросети в задаче прецедентного распознавания объектов на изображениях с использованием частотных признаков [Текст] / Е.Г. Жиляков, А.Ю. Лихошерстный // «Вопросы радиоэлектроники». - Москва, 2013. Выпуск 1, - с.35-45 (Серия: ЭВТ).

41. Жиляков, Е.Г. Вариационные алгоритмы анализа и обработки изображений на основе частотных представлений: моногр. / Е.Г. Жиляков, А.А. Черноморец. - Белгород: Изд-во ГиК, 2009. - 146 а

42.Жиляков, Е.Г. Вариационные методы анализа сигналов на основе частотных представлений [Текст] / Е.Г. Жиляков, С.П. Белов, А.А. Черноморец // Вопросы радиоэлектроники, Сер. ЭВТ. - 2010. - Вып. 1. - С. 10-25.

43.Жиляков, Е.Г. Вариационные методы анализа/синтеза изображений земной поверхности в задачах их дешифрирования [Текст] / Е.Г. Жиляков, А.А. Черноморец, А.А. Барсук, А.Н. Заливин, А.Ю. Лихошерстный. -Белгород: ООО «ГиК», 2012. - 204 с.

44.Жиляков, Е.Г. Метод нейросетевого распознавания объектов на аэрокосмических изображениях[Текст] / Е.Г. Жиляков, А.Ю. Лихошерстный Научные ведомости БелГУ - №13(108) 2011 выпуск 19/1, -^115-121.

45.Жиляков, Е.Г. Нейросетевое прецедентное распознавание объектов на аэрокосмических изображениях с использованием частотных признаков. [Текст] / Е.Г. Жиляков, А.Ю. Лихошерстный Научные ведомости БелГУ -№19(138) 2012 выпуск 24/1, -^136-141.

46.Жиляков, Е.Г. О компьютерной реализации автоматической вариационной классификации объектов на спутниковых фотографиях земной поверхности [Текст] / Е.Г. Жиляков, А.А. Барсук // Вопросы радиоэлектроники. Серия: ЭВТ. - 2010. - Вып. 1.- С. 166-171.

47.Жиляков, Е.Г. Об эффекивности метода оптимальной фильтрации изображений [Текст] / Е. Г. Жиляков, А. А. Черноморец, В. А. Голощапова // Научные ведомости БелГУ. Серия История. Политология. Экономика. Информатика. - 2009. - №15, вып. 12/1. - С. 200-205.

48.Жиляков, Е.Г. Обработка космических изображений на основе частотных представлений [Текст] / Е.Г. Жиляков,А.Ю. Лихошерстный «Научные ведомости Белгородского государственного университета» -№9(64)2009 выпуск 11/1,-^123-131.

49.Жиляков, Е.Г. Параллельная обработка аэрокосмических изображений на высокопроизводительных вычислительных системах[Текст] / А.Ю. Лихошерстный // «Вопросы радиоэлектроники». - Москва, 2011. Выпуск 1, -с.17-24 (Серия: ЭВТ) .

50.Жиляков, Е.Г. Структура нейросети для распознавания объектов на аэрокосмических изображениях на основе анализа распределения их энергий

по частотным интервалам. [Текст] / Е.Г. Жиляков, А.Ю. Лихошерстный Научные ведомости БелГУ - №7(126) 2012 выпуск 22/1, -а117-125.

51.Журавлёв Ю.И. Об алгебраических методах в задачах распознавания и классификации [Текст]/ Журавлёв Ю.И. //Распознавание,классификация,прогноз.Вып.1.—М.:Наука,1988.—С.9-16.

52.Журавлёв Ю.И. Распознавание образов и распознавание изображений [Текст]/ Журавлёв Ю.И., Гуревич И.Б. //Распознавание,классификация,прогноз.Вып.2.—М.:Наука,1989.—С.5-72.

53.Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. М.: Фазис, 2005.

54.Журавлев, Ю.И. Избранные научные труды [Текст]/Журавлев Ю.И -М:Магистр, 1998. - 422с.

55.Замятин, А. В. Анализ динамики земной поверхности по данным дистанционного зондирования Земли [Текст] / А. В. Замятин, Н. Г. Марков. -М.: ФИЗМАТЛИТ, 2007. - 176 с.

56.Злобин, В. К. Обработка аэрокосмических изображений [Текст] / В. К. Злобин, В. В. Еремеев. - М.: ФИЗМАТЛИТ, 2006. - 304 с.

57.Калинкина, Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению [Текст] / Д. Калинкина, Д. Ватолин // Графика и мультимедиа. - 2005. - № 9. - С. 31-39.

58.Кашкин, В. Б. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений [Текст]: учебное пособие / В. Б. Кашкин, А. И. Сухинин. - М.: Логос, 2001. - 264с.

59.Кашкин, В. Б. Цифровая обработка аэрокосмических изображений. Версия 1.0 [Электронный ресурс]: конспект лекций / В. Б. Кашкин, А. И. Сухинин. - Электрон. дан. (3 Мб). - Красноярск : ИПК СФУ, 2008. - 121 с.

60.Кнут Д. Искусство программирования, том 4. Комбинаторные алгоритмы [Текст]/ Кнут Д. - М.: «Вильямс», 2013. — 960 с.

61. Ковалевский В.А. Локальные и глобальные решения в распознавании и изображений [Текст]/ Ковалевский В.А. //ТИИЭР.—1979.—Т.67.—№5.— С.50-58.

62.Кондратенков, Г. С. Радиовидение. Радиолокационные системы дистанционного зондирования Земли [Текст] / Г. С. Кондратенков, А. Ю. Фролов. - М.: «Радиотехника», 2005. - 368 с.

63.Кравченко, В. Ф. Цифровая обработка сигналов и изображений [Текст] / В. Ф. Кравченко. - М.: ФИЗМАТЛИТ, 2007. - 552 с.

64.Красильников, Н. Н. Цифровая обработка изображений [Текст] / Н. Н. Красильников. - М.: Вузовская книга, 2001. - 320 с.

65.Лабутина, И. А. Дешифрирование аэрокосмических снимков [Текст] : учебное пособие / И. А. Лабутина. - М.: Аспект Пресс, 2004. - 184с.

66.Лебедев, Д. С. Кодирование и обработка изображений [Текст] / Д. С. Лебедев, В. В. Зяблов. - М.: Наука, 1988. - 177 с.

67.Марр Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов: Пер.сангл. [Текст]/ Марр Д. — М.:Радиоисвязь,1987.—400с.

68.Обиралов, А. И. Фотограмметрия и дистанционное зондирование [Текст] / А. И. Обиралов, А. Н. Лимонов, Л. А. Гаврилова. - М.: КолосС, 2006. - 334 с.

69.Павлидис Т. Иерархические методы в структурном распознавании образов [Текст]/ Павлидис Т. //ТИИЭР.—1979.—Т.67.—№5.—С.39-49.

70.Павловская Т.А. С/С++. Программирование на языке высокого уровня [Текст]/ Павловская Т.А. - СПб: Питер, 2007. - 464 с.

71. Пасечник, Р. Е. Дистанционное зондирование Земли из космоса. Комментарии законодательства и правоприменительной практики [Текст] / Р. Е. Пасечник, А. Н. Чеботарева, А. А. Абдураимов, П. Ю. Дмитрюк. - Из-во «Вершина», 2006. - 176 с.

72. Подбельский В.В. Фомин С.С. Программирование на языке

Си [Текст]/Подбельский В.В. - М.: Финансы и статистика, 2007 - 600с.

115

73.Потапов А. А. Новейшие методы обработки изображений [Текст] / А.

A. Потапов. - М.: ФИЗМАТЛИТ, 2008. - 496 с.

74.Потапов А.С. Распознавание образов и машинное восприятие: Общий подход на основе принципа минимальной длины описания / А.С. Потапов. -СПб.: Политехника, 2007. - 548 с.

75.Прэтт, У. Цифровая обработка изображений [Текст] / У. Прэтт: Кн. 1, 2. — М.: Мир, 1982. - 792 с.

76. Путятин, Е. П. Обработка изображений в робототехнике [Текст] / Е. П. Путятин, С. И. Аверин. - М.: Машиностроение, 1990. - 320 с.

77. Рис, У. Г. Основы дистанционного зондирования [Текст] / У. Г. Рис. -М.: Техносфера, 2006. - 336 с.

78.Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин / Розенфельд А. // Пер. с англ. под. ред. Л.С. Лебедева. - М.: Мир, 1972. - 232 с.

79.Рудаков, П. И. Обработка сигналов и изображений [Текст] / П. И. Рудаков, И. В. Сафонов. - М.: Диалог-МИФИ, 2000. - 416 с.

80.Сандерс Д., Кэндрот Э. Технология СЦОА в примерах. Введение в программирование графических процессоров [Текст] / Д. Сандерс, Э. Кэндрот. Москва: - ДМК Прес, 2011. - 312 с.

81.Седжвик, Р. Фундаментальные алгоритмы на С++. Алгоритмы на графах: Пер. с англ. [Текст]/ Роберт Седжвик - СПб: ООО «ДиаСофтЮП». 2002 - 496 с.

82.Сойфер, В. А. Методы компьютерной обработки изображений [Текст] /

B. А. Сойфер. - М.: ФИЗМАТЛИТ, 2003. - 784 с.

83.Страуструп Б. Дизайн и эволюция языка С++. Объектно-ориентированный язык программирования: Пер. с англ. [Текст]/ Страуструп Б.— М.: ДМК пресс, Питер, 2006.— 448 с.

84. Страуструп Б. Язык программирования С++: Пер. с англ. — 3-е спец. изд. [Текст]/ Страуструп Б.— М.: Бином, 2003.— 1104 с.

85.Т. Адельштайн Системное администрирование в Linux [Текст]/ Т. Адельштайн, Б. Любанович — Москва, Питер, 2009 г.- 288 с.

86.Трифонова, Т. А. Геоинформационные системы и дистанционное зондирование в экологических исследованиях [Текст] / Т. А. Трифонова, Н. В. Мищенко, А. Н. Краснощеков. - М. : Академический Проект, 2005. - 349 с. : ил.

87.Ту, Дж. Принципы распознавания образов [Текст]/ Дж. Ту, Р. Гонсалес - М.: Мир, 1978.-411с.

88.Форсайт, Дэвид А. Компьютерное зрение. Современный подход [Текст]/ Форсайт, Дэвид А., Понс, Жан. - М.: Издательский дом «Вильямс», 2004. - 928с.

89. Фу, К. Последовательные методы в распознавании образов и обучения машин [Текст]/ Фу К. - М.: Наука, 1971г. - 256с.

90.Фукунага, К. Введение в статистическую теорию распознавания образов [Текст]/ Фукунага, К. - М.: Наука. Главная редакция физико математической литературы, 1979. - 368 с.

91. Фурман, Я. А. Введение в контурный анализ; приложения к обработке изображений и сигналов [Текст] / Я. А. Фурман, А. В. Кревецкий, А. К. Передреев и д.р. - М.: ФИЗМАТЛИТ, 2003. - 592 с.

92.Хуанг, Т. Обработка изображений и цифровая фильтрация [Текст] / Т. Хуанг. — М.: Мир, 1979 - 318 с.

93. Чадра, А. М. Дистанционное зондирование и географические информационные системы [Текст] / А. М. Чадра, С. К. Гош. - М.: Техносфера, 2008. - 312 с.

94. Черноморец, А.А. Метод удаления полосовых помех на космических снимках земной поверхности [Текст] / А.А. Черноморец // Информационные системы и технологии. - № 3 (59). - 2010. - С. 50-58.

95.Черноморец, А.А. О частотной концентрации энергии изображений [Текст] / А.А. Черноморец, В.А. Голощапова, И.В. Лысенко, Е.В. Болгова //

Научные ведомости БелГУ. Сер. История. Политология. Экономика. Информатика. - 2011. - № 1 (96). - Вып. 17/1. - С. 103-108.

96.Шлихт, Г. Ю. Цифровая обработка цветных изображений [Текст] / Г. Ю. Шлихт. - М.: Издательство ЭКОМ, 1997. - 336 с.

97.Шовенгердт, Р. А. Дистанционное зондирование. Модели и методы обработки изображений [Текст] / Р. А. Шовенгердт. - М.: Техносфера, 2010.

- 560 c.

98.Яне, Б. Цифровая обработка изображений [Текст] / Б. Яне. - М.: Техносфера, 2007. - 584 с.

99.Яншин, В. В. Анализ и обработка изображений: принципы и алгоритмы [Текст] / В. В. Яншин. — М.: Машиностроение, 1995. - 112 с.

100. Ярославский Л.П. Введение в цифровую обработку изображений [Текст] / Ярославский Л.П. - М.: Сов. радио, 1979. - 312 с.

101. David B. Kirk. Programming Massively Parallel Processors - A Hands-on Approach [Text]/ David B. Kirk, Wenmei W. Hwu. - Morgan Kaufmann Publishers, Elsevier, 2010 - 280 p.

102. G. Karniadakis. Parallel Scientific Computing in C++ and MPI [Text] / George Em Karniadakis, Robert M. Kirby II. - Cambridge University Press, 2003

- 630p.

103. I. Foster. Designing and Building Parallel Programs: Concepts and Tools for Parallel Software Engineering [Text]/Ian Foster. - Addison-Wesley, 1995 - 381p.

104. J. Sanders CUDA by Example: An Introduction to General-Purpose GPU Programming + Code [Text] /Jason Sanders, Edward Kandrot. - Addison-Wesley Professional, 2010 - 312p

105. Mitchell, T. Machine Learning [Text] / Tom Mitchell. - McGraw-Hill Science/Engineering/Math, 1997. - 432 p.

106. NVIDIA CUDA C BEST PRACTICES GUIDE, version 4.0.

107. NVIDIA CUDA C Programming Guide, version 4.0.

108. R. Guo, Q. Dai, and D. Hoiem, "Single-image shadow detection and removal using paired regions", in Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on IEEE, 2011, pp. 2033 - 2040

109. W.Gropp. Using MPI: Portable Parallel Programming with the Message-Passing Interface. Second edition [Text]/ W.Gropp, E.Lusk, A.Skjellum. - MIT Press, 1999 - 371 p.

ПРИЛОЖЕНИЕ А

Копии свидетельств о государственной регистрации программ для ЭВМ

ПРИЛОЖЕНИЕ Б

РОССИЙСКАЯ ФЕДЕРАЦИЯ

Общество с ограниченной ответственностью

Научно-производственное предприятие

«Сигнал»

308015, г. Белгород, ул. Победы, 85

Тел.: [phone]

E-mail: [e-mail]

на № /

от « »

201 г.

АКТ

об использовании субполосных методов и алгоритмов прецедентного распознавания объектов изображений земной поверхности

1 Настоящий акт составлен о том, что ООО НИИ «Сигнал» приняло к использованию в выполняемых НИР и ОКР разработанные Лихошерстным А.Ю. методы и алгоритмы прецедентного распознавания объектов изображений земной поверхности.

2. В основе разработанных методов и алгоритмов лежит использование решающих функций для распознавания объектов ИЗП на основе субполосного анализа и способ обучение по прецеденту.

3. Применение этих методов и алгоритмов позволяет производить распознавание объектов на спутниковых изображениях земной поверхности более адекватно, нежели широко используемые для решения этой задачи методы (а именно методы параллелепипедов, минимального расстояния, расстояния Махалонобиса, максимального правдоподобия, спектрального угла, двоичного кодирования), реализованные в программном комплексе ENVI.

Директор

ООО «НПП «Сигнал»»

Кунгурцев С.А.