Распознавание статистически неопределенных объектов с учетом архитектуры фотоматрицы тема диссертации и автореферата по ВАК РФ 05.11.16, кандидат наук Балясный, Сергей Викторович

• Балясный, Сергей Викторович
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Балясный, Сергей Викторович

СОДЕРЖАНИЕ

1 ВВЕДЕНИЕ

1. ОБЗОР И АНАЛИЗ МЕТОДОВ РАСПОЗНАВАНИЯ

1.1 Введение

1.2 Задача распознавания образов

1.3 Проблема повышения качества изображения

1.4 Получение признаков объекта

1.5 Локализация объекта

1.6 Получение признаков объекта

1.7 Классификация

1.8 Выводы

2 РАЗРАБОТКА МЕТОДА РАСЧЕТА КОНТРАСТНО-ЧАСТОТНОЙ ХАРАКТЕРИСТИКИ МФ

2.1 Введение

2.2 Методика расчета

2.3 Оценка КЧХ пикселей

2.4 Сравнение КЧХ пикселей различной конструкции

2.5 Определение КЧХ МФ

2.6 Выводы

3 РАЗРАБОТКА АЛГОРИТМА РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ

3.1 Этапы решения задачи распознавания

3.2 Предварительна обработка изображения

3.3 Проектирование фильтра

3.4 Выравнивание яркости

3.5 Построение вектора признаков

3.6 Определение признаков эталона

3.7 Построение классификатора по эталонам

3.7.1 Задача классификации

3.7.2 Построение классификатора

3.8 Применение классификатора

3.9 Выводы

4 ИССЛЕДОВАНИЕ И ТЕСТИРОВАНИЯ РАЗРАБОТАННЫХ АЛГОРИТМОВ

4.1 Введение

4.2 Получение изображений

4.3 Обработка изображений

4.4 Тестирование алгоритма

4.5 Выводы

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Распознавание статистически неопределенных объектов с учетом архитектуры фотоматрицы»

1 ВВЕДЕНИЕ

Актуальность темы. Автоматическое распознавание образов, является одним из наиболее активно развивающихся направлений искусственного интеллекта. В настоящее время распознавание образов применяется во многих областях науки и техники, связанных с обработкой большого количества визуальной информации, например в медицине, производстве, системах безопасности и т.д.

В процессе распознавания объектов, приходится решать целый комплекс задач, направленных как на уменьшение количества ошибок распознавания, так и на повышения быстродействия процесса распознавания: повышение качества исходного изображения, приведение исходного изображения к виду, наиболее подходящему для процесса распознавания, локализация объектов на изображении, определение признаков, пригодных для классификации, построение классификатора, позволяющего определять объекты с минимальным количеством ошибок.

Исходное изображение может быть искажено шумом, а также содержать только часть изображения объекта, поэтому встает вопрос о распознавании в условиях неполной и искаженной информации об объекте.

Одним из вариантов уменьшения количества ошибок при распознавании является получение максимально детализированных изображений. Увеличения детализации изображения можно достичь как с помощью повышения качества оптической системы, так и с помощью увеличения разрешающей способности фотоэлектрического преобразователя. К настоящему моменту совершенствование оптических систем практически достигло своего предела. Тогда как повышение разрешающей способности матрицы проводилось в основном за счет повышения количества пикселей в матрице и уменьшения их размеров. Однако здесь встает вопрос о пределе повышения плотпости пикселей, без замены существующей элементной базы, при этом вопросы, связанные с увеличение разрешающей способности

за счет изменения архитектуры матрицы, т.е. формы и взаимного положения пикселей на ней.

Объектом исследования диссертационной работы является система распознавания объектов на изображении.

Предметом исследования диссертационной работы являются методы повышения разрешения исходного изображения при известной передаточной функции матричного фотоприемника (МФ), метод определения модели МФ при произвольной форме отдельного пикселя, методы определения признаков, локализации и классификации объектов на изображении.

Темой процессов распознавания обоазов занимались отечественные и зарубежные ученые Р. Гонсалес, А. Папулис, У. Прэтт, В.А. Сойфер, Дж. Ту, Д. Форсайт, А. Харкевич, Орли Ядид-Пехт, Ю. Якушев, Л. Порфирьев, Т. Хуанга, К. Фукунага, И. Собель, П. Хаф, Ц. Харрис и др. В известных трудах по объекту исследования разработаны методы оценки параметров некоторых видов фотоэлектрических преобразователей, подтверждённые экспериментальными оценками, проведен большой объём работы в области автоматического распознавания объектов.

Недостаточно проработан вопрос оценки параметров фотоматрпц произвольной конфигурации, а также проблема классификации образов при большой размерности вектора признаков, для случая непостоянной размерности вектора, а также при наличии неполной информации об объекте.

Цель работы заключается в разработке методов поиска и распознавания объектов на изображении.

Реализация поставленной цели включает решение следующих задач

1. Анализ существующих методов распознавания объектов на изображении, а также разработка по результатам анализа обобщенной схемы исследуемого процесса.

2. Анализ существующих методов повышения разрешающей способности изображений, получаем с использованием МФ.

3. Разработка метода определения контрастно-частотных характеристик ячейки МФ различной формы.

4. Разработка метода определение характеристик МФ для выбора матрицы с оптимальной разрешающей способностью, позволяющей получить максимально детализированное изображение.

5. Разработка алгоритма поиска и распознавания объектов на полученном изображении при наличии векторов признаков большой размерности, имеющих непостоянную длину.

6. Разработка специализированного алгоритмического и программного обеспечения для оценки параметров фотоматриц, распознавания объектов, а также разработка стенда для тестирования предложенных методов и алгоритмов.

Научная новизна диссертации заключается в следующем:

1. Разработан метод определения контрастно-частотной характеристики ячеек МФ различной формы.

2. Разработан метод определения параметров МФ произвольной конфигурации, позволяющий проводить оценку существующих МФ, а также синтез МФ, удовлетворяющую заранее заданным требованиям в виде контрастно-частотной характеристики.

3. Предложен метод получения признаков объекта, основанный на существующем методе SIFT, имеющий меньшую, по сравнению с ним вычислительную сложность.

4. Предложен метод классификации объектов с произвольной длиной вектора признаков, позволяющий проводить распознавание объектов при частичном попадании объекта на изображение.

Методы исследования. Теоретические исследования в настоящей работе выполнены с использованием методов системного анализа, теории информации, теории компьютерной обработки изображении. Экспериментальные исследования выполнялись на реальных и

синтезированных изображениях с использованием методов компьютерного моделирования и математической статистики.

Достоверность результатов и выводов диссертации подтверждается корректным использованием математического аппарата, результатами моделирования и экспериментальными исследованиями.

На защиту выносятся следующие научные результаты:

1. Метод определения контрастно-частотной характеристики МФ произвольной архитектуры.

2. Метод распознавания объектов на изображении, при неполной информации об них.

Практическая ценность работы состоит в том, что в ней:

1. Разработан метод определения параметров отдельного пикселя МФ произвольной формы.

2. Разработан метод определения параметров МФ произвольной конфигурации.

3. Предложен алгоритм классификации объектов при непостоянной длине вектора признаков.

4. Разработано алгоритмическое и программное обеспечение для оценки параметров фотоматриц, а также для поиска и распознавания объектов па полученном с использованием специального стенда изображения.

Реализация и внедрение результатов.

Предложенные в диссертации методы и методики реализованы автором в процессе выполнения совместных работ с ООО ТПП «Конус».

Результаты внедрены в учебный процесс на кафедре «Робототехника и автоматизация производства» Государственного образовательного учреждения высшего профессионального образования «Тульский государственный университет» при преподавании следующих дисциплин: «Основы информационных устройств роботов», «Основы технического зрения и цифровой обработки изображений».

Апробация работы. Основные положения диссертации докладывались на следующих конференциях и семинарах.

- VIII Молодежные инновации, Тула, ТулГУ, 2014;

Инновационные наукоемкие информационные технологии («У.М.Н.И.К.»), Тула, ТулГУ, 2012;

- XXXIX Гагаринские чтения, Москва, ФГБОУ ВПО «МАТИ -Российский государственный технологический университет им. К. Э. Циолковского», 2013.

- Современные проблемы математики, механики, информатики, Тула, ТулГУ, 2013.

Публикации. По теме диссертации опубликовано 11 работ, включенных в список литературы, в том числе: статьи, представляющие собой материалы всероссийских научно-технических конференций, 4 статей в сборниках, рекомендуемых ВАК РФ, один патент на полезную модель.

Структура и объем работы. Диссертация состоит из ведения, 4 разделов, заключения, изложенных на 137 страницах машинописного текста, включающих 75 рисунков и 4 таблицы, списка использованной литературы из 123 наименований и приложения с актами внедрения.

1. ОБЗОР И АНАЛИЗ МЕТОДОВ РАСПОЗНАВАНИЯ

1Л Введение

Существует широкий круг задач, в которых изображения рассматриваются как источник информации, на основе которой необходимо вынести некоторое решение. Основой для решения такого круга задач является теория распознавания образов, которая особенно активно развивается в связи с созданием систем искусственного интеллекта.

Задача распознавания образов заключается в классификации изображений на основе определенных требований, причем изображения, относящиеся к одному классу образов, обладают относительно высокой степенью близости.

1.2 Задача распознавания образов

Задачу распознавания образов можно разделить на несколько основных подзадач [29, 58],

- поиск объектов, т.е. локализация области, в которой находится объект.

- получение некоторого количества характерных признаков, описывающих основные параметры объекта, общие для всех образов данного класса. Правильный выбор признаков весьма важен, так как он позволяет значительно снизить сложность задачи классификации, при этом задача выбора признаков одна из наиболее трудно формализуемых.

- классификация объекта по найденным признакам, т.е. определение его принадлежности к определенной группе объектов. Задача классификации имеет целый ряд решений в рамках детерминистического и вероятностного походов [58].

В соответствии с предложенной классификацией задачи распознавания можно разделить на два типа:

1. Задачи, где распознавание проводится на всем изображении целиком (рис 1.1) (распознавание лиц, отпечатков пальцев, сетчатки глаза).

признаки

номер класса

Рисунок 1.1 Решение задачи распознавания образов

2. Задачи, где объект расположен на относительно небольшом случайном участке изображения (рис 1.2) (распознавание текста, определение местности на спутниковых снимках и т.д.)

параметров

Рисунок 1.2. Решение задачи поиска и распознавания образов с использованием функции окна.

В соответствии с данной схемой анализу подвергается каждый фрагмент на изображении. По текущему фрагменту, выделенному окном обработки, производится формирование признаков и классификация. В зависимости от результатов классификации происходит расчет дополнительных параметров объекта.

Кроме основных задач, перечисленных выше, некоторые авторы [29, 58], выделяют еще ряд подзадач, позволяющих повысить качество процедуры распознавания: например, задача выделения контекстной информации и задача адаптации. Общая схема процесса распознавания представлена на рисунке 1.3.

Рисунок 1.3. Функциональная схема адаптивной системы распознавания

образов [58]

Данная схема показывает вариант разделения функций, которые должна выполнять распознающая система.

Таким образом, цель системы распознавания заключается в том, чтобы на основе собранной информации определить класс объектов с характеристиками, аналогичными измеренным у распознаваемого объекта.

1.3 Проблема повышения качества изображения

Правильность распознавания во многом зависит от объема информации, содержащейся в измеряемых характеристиках, и в эффективности использования этой информации. Для снижения количества ошибок классификации изображение на входе системы должно иметь минимальное количество искажений. Поэтому при решении задачи распознавания также встает вопрос о получении максимально качественного изображения. В процессе получения цифрового изображения на его качество оказывают влияние большое количество факторов, таких как наличие частиц в среде распространения, «паразитные» излучения, качество оптической системы и т.д. (рис 1.4).

I-Цх, у, 2,, Г)

/

/:

Источник и игу чем ня

Источник помех

Среда распространения

I Г~Пкч.г.Л\

Г~ '(К £ О

г, е)

X

Ошичсская / Приемник / / * Э.ЮКфиННЫЙ Выходной блок

CHCiC.MiI н мучения факт

Рисунок 1.4. Схема получения изображения [72, 86, 102]

Существенный вклад в суммарное искажение полученного изображения вносит система регистрации, представленная в основном матричными фотоприемниками (МФ) (рис 1.5).

Рисунок 1.5. Матричный фотоприемник [112]

Определение оценки влияния параметров МФ на качество регистрируемых изображений необходимо для разработки алгоритмов восстановления изображений. МФ ограничивает пространственное разрешение в регистрируемом изображении (рис 1.6). Поэтому важной научно-практической задачей становится увеличение пространственного разрешения изображения, регистрируемого системой на основе МФ за счет восстановления по нескольким изображениям. [41].

PSF(x .у) OTF(u.v)

Imaging ( Image

system

Рисунок 1.6. Ограничение пространственного разрешения МФ. [113]

В работе [41] предложен метод увеличения пространственного разрешения изображения, регистрируемого системой на основе МФ, за счет восстановления по нескольким изображениям (рис 1.7) на основе информации о передаточной функции МФ.

Рис 1.7. Восстановление фрагмента космоснимка, принимаемого станцией, расположенной в ОИПИ НАН Беларуси: а) - исходное изображение, б) -

восстановленное изображение

il) в) Hf .•)

Л) с) ж/

Рисунок 1.8. Результаты экспериментов но восстановлению из последовательности изображений, отличающихся субпиксельным сдвигом

[41]

Оптическая передаточная функция (ОПФ), в иностранной литературе называемая modulation transfer function (MTF), характеризует передачу структуры предмета оптической системой как функцию пространственных частот. ОПФ показывает как оптическая система изображает гармоническую решетку, т.е. как меняется комплексная амплитуда решетки в зависимости от частоты. Модуль ОПФ называется контрастно-частотной характеристикой (КЧХ). КЧХ показывает передачу вещественной амплитуды гармонического объекта [69, 70, 72, 86, 102], т.е. КЧХ показывает, насколько хорошо матрица способна распознать локальные вариации яркости попавшего на неё изображения.

Довольно сложной задачей является определение КЧХ пикселя МФ, так как наиболее последний является сложным по своей конструкции элементом. Пиксели, которые можно представить простейшими геометрическими фигурами, могут быть полностью описаны кусочно-линейной функцией. В этом случае их КЧХ может быть достаточно просто определена аналитически [112] (рис 1.9).

I

1 , , А

В

в

< \ -•> Л1 < — > V <

р(х,у) = \ Ав 1 1 2 й

0, восталъный

МП M 1,0 /г о

F(u, v) =sinc(v4«)sinc(i?v)

A

:v

/)<л-.у>

50 юо

\tyrmmI -50 ЧУ .<¡0 \Cv¡mm\ -100 -100 »\c\imm\

р(х,у) =

2 1 , , 1 , , 1 —, — Ы + — v<-АВ А1 1 В'"\ 2 О, востальный

1

р(х, у) = —гее/ А

fx) 1 f О

— — red — =

UJ В UJ

1

ЛЯ

/•ее?

¿Л

А' В

Рисунок 1.9. Примеры аналитического определения

КЧХ пикселя.

Подобный подход позволяет получить весьма неплохие результаты (рис. 1.8) и обладает таким достоинством как простота. Однако реальные конструкции пикселей имеют более сложную форму (рис 1.10), представление которой в виде кусочно-линейной формы возможно лишь с некоторыми допущениями.

Pixel

Metal lines

Active Photosensitive area area

Рисунок 1.10. Часть реально существующего МФ. [114]

1.4 Получение признаков объекта

Построение описания изображения на основе его представления с использованием признаков - самая сложная задача в процессе распознавания, так как процесс выбора признаков во многом является процедурой эвристической, зависящей от предметной области и разработчика.

При этом к признакам могут предъявляться следующие группы требований [29, 58]:

1. Минимальная вычислительная сложность алгоритма определения признаков. Необходимость первого требования обусловлена тем, что разработка любой системой распознавания происходит, как правило, в рамках некоторого лимита «ценового» ресурса. Это ограничивает возможности использования ряда средств формирования признаков. Например, подобное ограничение в области распознавания изображений может отразиться на возможности использования видеоаппаратуры, регистрирующей цветные изображения либо обеспечивающей повышенную разрешающую способность. Второе требование вытекает из необходимости удовлетворения определенным временным ограничениям, накладываемым на процесс распознавания. Это требование достаточно типично для систем распознавания в реальном времени, например, для бортовых систем дистанционного зондирования, систем оперативного контроля и т.д.

2. Требование эффективности распознавания накладывает определенные ограничения на значения признаков. Для объектов различных классов значения признаков должны отличаться сильнее, чем для объектов одного класса. В то же время компактность образов, в случае ее достижимости, позволяет существенно упростить процедуру классификации и сделать ее более устойчивой.

3. Требование эффективности распознавания приводит к необходимости удовлетворения свойств устойчивости или инвариантности образа (описания) к ряду возможных искажений объекта. Кроме того, процесс регистрации сцены привносит дополнительные искажения,

связанные с погрешностью приборов регистрации, изменением освещенности, шумами и т.д. На практике это приводит к изменению изображения объекта и изменению его образа в пространстве признаков. Последнее в общем случае может повлиять на результаты классификации и эффективность работы системы.

Следует отметить, что характер требований эффективности признаков, существования методов их расчета и наличия быстрых алгоритмов вычисления часто зависит от специфики решаемой задачи, а требование инвариантности для целого ряда практических задач распознавания на изображениях оказывается достаточно общим. В частности оно подразумевает все или некоторые из следующих требований:

- инвариантность к шумовым и динамическим искажениям;

- инвариантность к яркостным искажениям (изменению яркости и контраста);

- инвариантность к изменению местоположения объекта;

- инвариантность к изменению масштаба объекта;

- инвариантность к изменению ориентации объекта (к повороту объекта в плоскости изображения);

- инвариантность к произвольным аффинным преобразованиям;

- инвариантность к изменению ракурса съемки объекта (для трехмерных объектов).

Инвариантность к указанным искажениям в общем случае достигается за счет предварительного преобразования исходного изображения. В частности, первая группа искажений, связанная с шумовыми и динамическими изменениями изображения, устраняется за счет использования методов и алгоритмов восстановления, в большом количестве представлены в [29, 58, 62, 73].

Яркостные искажения, относящиеся ко второй группе, эффективно могут быть устранены за счет приведения изображения к «нормализованному» виду в [29, 58, 62, 73].

Проблема устранения геометрических искажений (изменение масштаба, ориентации, пропорций) подробно рассмотрены в [58].

В целом можно говорить о гак называемой «глобальной нормализации», которая, в свою очередь может быть поделена на:

• яркостную нормализацию,

• нормализацию положения объекта,

• нормализацию масштаба объекта,

• нормализацию ориентации объекта.

1.5 Локализация объекта

После проведения процедуры нормализации всего изображения, следует установить местоположение на нём так называемых «зон интереса», в которых может располагаться объект. Правильная локализация «зон интереса» важна по следующим соображениям в [58]:

• любую задачу классификации для многих гипотез можно заменить несколькими простыми задачами альтернативного распознавания -обнаружения;

• решающее правило работает в условиях с пространственной протяженностью обрабатываемых данных, что приводит к необходимости согласования критериев и/или алгоритмов обнаружения и локализации для качественного решения задачи (рис 1.2);

• высокая вычислительная сложность «хорошего» алгоритма распознавания и «хороших» признаков не позволяет практически использовать их при поиске объекта по всему изображению, что приводит к необходимости применения достаточно простых решающих правил предварительной обработки, локализующей области возможного интереса, где может появиться соответствующий объект.

При локализации объектов обычно возникают следующие задачи:

- область, выделенная обнаружителем и относящаяся к одному объекту, как правило, является размытой и не дает конкретных координат объекта;

- возможно существование несвязных областей, относящихся к одному и тому же объекту, что может привести к появлению ложного объекта;

- области, соответствующие различным объектам одного и того же класса, могут быть связными — это может привести к потери объекта;

- области, относящиеся к объектам разных классов, могут находиться вблизи друг друга, что может привести к потере объекта или его неверной классификации.

В [29, 58, 62, 73, 92]. пред ставлено большое количество алгоритмов, пригодных для решения задачи обнаружения. Однако вопросу локализации объектов уделено недостаточно внимания, так как часто именно вопрос взаимного расположения объектов на изображении играет ключевую роль при распознавании.

1.6 Получение признаков объекта

После обнаружения объектов на изображении можно приступить непосредственно к получению его признаков. Существующие на данный момент подходы [29, 58, 62, 73, 92] можно классифицировать в соответствии с рисунком 1.11.

Признаки

1 1.1 Геометрические Вероятностные ¡Топологические 1 _..............1 1 _1

—Цепные коды Яркостные характеристики Число связных ' компонентов 1

—*- ^-функции Ортогональные Текстурные характеристики Число «дыр» в объекте 1 1

_представления функции криврзны Энергетические +1 Число Эйлера !

Сплайн- характеристики

аппроксимация

границ Спектральные

Разложение Карунена-Лоэва

Фурье признаки

Преобра зование Радона

_ Полиномиальные

моменты

Рисунок 1.11 Основные подходы к получению признаков

К геометрической группе относятся те признаки, расчет которых основан на использовании геометрических характеристик, представленных на изображении объектов. Основными из них являются:

- геометрические размеры изображенного объекта по вертикали или горизонтали;

- расстояние между наиболее удаленными точками на изображенном объекте;

- периметр и площадь изображенного объекта;

- компактность объекта (как соотношение между его площадью и периметром);

- числовые характеристики описанных или вписанных в изображение объекта геометрических фигур, таких как окружности, многоугольники, и т.д.

Достаточно специфическими но широко используемыми в геометрической группе являются признаки, связанные с представлением геометрии контура объекта. Как известно, контур — одна из наиболее важных характеристик изображенного объекта при его восприятии человеком. Поэтому описание контура — одна из распространенных задач, решаемых в обработке изображений. К наиболее типичным методам описания контура, используемым также и для решения задач распознавания, относятся следующие.

Цепные коды

Метод цепного кодирования для представления контура объекта был предложен Фриманом. Он заключается в том, чтобы границу объекта, расположенного на дискретной сетке, представить в виде набора элементарных отрезков. Тогда полной характеристикой границы в каждой точке является направление требуемого отрезка.

Несомненным достоинством представления границы изображаемого объекта цепным кодом является простота реализации алгоритма его описания, простота получения на основе этого описания некоторых других геометрических характеристик объекта (например: периметр, площадь, линейные размеры по вертикали и горизонтали), возможность достижения инвариантности описания к преобразованиям подобия — масштабированию

изображения, его переносу и повороту. Основным недостатком является высокая неустойчивость получаемых описаний к искажениям в изображениях.

Ортогональные представления функции кривизны.

Рассматривая угол наклона к касательной контура как периодическую функцию некоторой переменной к(з) = А'^ (я), л'2 (.?))> можно получить представление контура в виде ряда, коэффициенты которого вычисляются по выражению

1 1

ск =7 ¡к(х)срк(х)с1я, Ь О

где Ь — периметр объекта; - группа функций

ортопормированных на интервале [0,Ь].

В качестве функций чаще всего используют комплексную

Лп ,

—I—хк

экспоненциальную функцию: <рк (У) = е

В этом случае можно представить контур в виде ряда Фурье, а

коэффициенты ^к(^) рассматривать как Фурье - дескрипторы этого контура.

Данное описание обладает свойствами инвариантности к преобразованиям подобия. Однако для его использования необходимо получить промежуточное представление контура • в виде функции к(х), которая сама по себе является его характеристикой. Это может быть сделано различными способами, в частности с помощью у-кривых. (//-кривые

Представление контура объекта с использованием \|/-кривой основано на аппроксимации прямолинейных участков границы объекта в виде отрезков ломаных, а области изменения направления границы — в виде дуг окружностей (рис. 11).

х.

£

О

4

О

Рисунок 1.12 Представление контура объекта \|/-кривой

Периодическая функция £<» в этом случае представляется

прямолинейными горизонтальными участками и короткими кривыми, соответствующими областям изменения направления границы. При надлежащем построении \|/-кривых можно также добиться инвариантности к преобразованиям подобия (например, выбирая в качестве начального отрезка самый длинный или самый короткий).

Сплайн-аппроксимация границы.

Аппарат сплайнов достаточно широко используется для практических приложений, в частности, для решения задачи описания границы. Суть метода сплайн аппроксимации — представления границы объекта в виде кусочно-полиномиальной функции (рис 1.13), часто с выполнением ряда ограничений, накладываемых на ее гладкость. Чаще всего используются сплайны третьего порядка, поскольку они обладают наименьшей степенью, при которой полиномиальная функция может менять знак кривизны. Последнее позволяет добиться определенной гладкости в точках соединения сплайнов за счет равенства первых производных в этих точках.

Список литературы диссертационного исследования кандидат наук Балясный, Сергей Викторович, 2015 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. A.B. Бахолдин, Г.Э. Романова, Г.И. Цуканова. Теория и методы проектирования оптических систем / Учебное пособие под редакцией проф. A.A. Шехонина - СПб: СПб НИУ ИТМО, 2011. - 104 с.

2. Акаев A.A., Майоров С.А. Оптические методы обработки информации. / Акаев A.A., Майоров С.А. - М.: Высшая школа, 1988. - 432 с.

3. Аксиненко М.Д. Микроэлектронные фотоприемные устройства / Аксиненко М.Д., Бараночников М.Л., Смолин О.В. - М.: Энергоиздат, 1984. -208 с.

4. Андриянов A.B., Шпак И.И. Цифровая обработка информации в измерительных приборах и системах / Андриянов A.B., Шпак И.И. - Минск: Высшая школа, 1987. - 176 с.

5. Артюхина Н.К. Теория и расчет оптических систем: Ч. 1 / Артюхина Н.К. - Минск: БИТУ, 2004. - 134 с.

6. Аттетков A.B., Галкин C.B., Зарубин B.C. Методы оптимизации / Аттетков A.B., Галкин C.B., Зарубин B.C. - М.: Изд-во МГТУ им. Н.Э.Баумана, 2003. - 439 с.

7. Балясный C.B. Аналитическое определение контрастно-частотной характеристики ячейки фотоматрицы /М.Б. Цудиков C.B. Балясный // Известия Тульского государственного университета. Выпуск 9 4.2 - Тула: Изд-во ТулГУ 2013. С. 315-322.

8. Балясный C.B. Использование нейронных сетей для кинематического управления многозвенным манипулятором / C.B. Балясный // V молодёжно-практическая конференция «Молодёжные инновации». -Тула: Изд-во ТулГУ, 2011. - С. 23-25.

9. Балясный C.B. Исследование процесса сшивания нескольких кадров в единое изображение /Д.В. Чеховский, М.Б. Цудиков, C.B. Балясный // Известия Тульского государственного университета. Выпуск 1 - Тула: Изд-во ТулГУ 2013.-С. 306-313.

10. Балясный C.B. Методика синтеза системы управления роботом на базе нейронных сетей /И.К. Хапкина C.B. Балясный // Известия Тульского государственного университета. Выпуск 9 4.1 - Тула: Изд-во ТулГУ 2013. С. 179- 185.

11. Балясный C.B. Определение контрастно-частотной характеристики фотоматрицы / C.B. Балясный // VIII региональная научно-практическая конференция «Молодежные инновации» Часть 1 - Тула: Изд-во ТулГУ 2014.-С. 13-15.

12. Балясный C.B. Определение контрастно-частотной характеристики фотоматрицы /C.B. Балясный // Приборы и управление. Выпуск 11. - Тула: Изд-во ТулГУ 2013. С. 44 - 49.

13. Балясный C.B. Оптимизация времени построения панорамного изображения / Д.В. Чеховский, C.B. Балясный// Международная молодежная конференция «XXXIX Гагаринские чтения» - Москва: МАТИ, 2013

14. Балясный C.B. Оценка относительной контрастно-частотной характеристики пикселей различной формы /C.B. Балясный, Д.В. Чеховский // Международная молодёжная конференция «XXXIX Гагаринские чтения» -Москва: МАТИ, 2013

15. Балясный C.B. Оценка относительной контрастно-частотной характеристики пикселей различной формы / C.B. Балясный // Современные проблемы математики, механики, информатики. - Тула: Изд-во ТулГУ, 2013. -С. 119-125.

16. Балясный C.B. Применение нейросетей для управления промышленным роботом в цилиндрической системе координат / C.B. Балясный // VI магистерская научно-техническая конференция. Часть первая. - Тула: Изд-во ТулГУ, 2011. - С. 59.

17. Бегунов Б.Н. Теория оптических систем / Бегунов Б.П., Заказнов Н.П. - М.: Машиностроение, 1973. - 488 с.

18. Бирюков С.И. Оптимизация: Элементы теории. Численные методы / Бирюков С.И. - М.: МЗ-Пресс, 2003. - 248 с.

19. Блатнср Д., Флейшман Г., Рот С. Сканирование и растрирование изображений / Под ред. A.A. Витта. - М.: ЭКОМ, 1999. - 400 с.

20. Блейнхур Р. Быстрые алгоритмы цифровой обработки сигналов /Пер. с англ. И.И. Грушко. - М.: Мир, 1989.-448 с.

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

22. Буянов А.Б., Новиков В.М., Пелипенко М.И., Роздобудько В.В. Исследование неоднородности распределения чувствительности в фотодиодах фотоматрицы фпу-14 / Таганрогский государственный радиотехнический университет. -Зс.

23. Быков P.E. Основы телевидения и видеотехники: Учебник для вузов / Быков P.E. - М.: Горячая линия - Телеком, 2006. - 399 с.

24. Быстров Ю.А. Оптоэлектронные приборы и устройства: Учебное пособие для вузов / Быстров Ю.А. - М.: Радио-Софт, 2001. - 256 с.

25. Василевский A.M. Оптическая электроника / Василевский A.M., Кропоткин М.А., Тихонов В.В. - Л.: Энергоатомиздаг. ЛО, 1990. - 176 с.

26. Власюк И.В., Балобанов A.B. Анализ пространственно-частотных характеристик распределения светочувствительных элементов в пределах растра матрицы ПЗС / Власюк И.В., Балобанов A.B. - М.:МТУСИ. 2011.

27. Гельман М.М. Аналого-цифровые преобразователи для информационно-измерительных систем / Гельман М.М. - М.: Изд-во стандартов, 1989. - 317 с.

28. Гольберг Л.М. Цифровая обработка сигналов / Гольберг Л.М. -М.: Радио и связь, 1990. - 325 с.

29. Гонсалес Р. Цифровая обработка изображений / Гонсалес Р., Вудс Р. - М.: Техносфера, 2005. - 1072 с.

30. Гудмеп Дж. Введение в фурье-оптику / Пер. с англ. В.Ю. Галицкого, М.П. Головея, Под ред. Г.И. Косоурова. - М.:Мир, 1970. - 366с.

31. Гудмен Дж. Статическая оптика / Гудмен Дж. - М.: Мир, 1988. -

528 с.

32. Гультяева Т.А. Попов A.A. Скрытые марковские моделей с одномерной топологией в задаче распознавания лиц. / Гультяева Т.А. Попов A.A. - Сборник научных трудов НГТУ. 2006. №1., с. 1-6.

33. Даджиоп Д., Мерсеро Р. Цифровая обработка многомерных сигналов / Даджион Д., Мерсеро Р - М.: Мир, 1988. - 488 с.

34. Дж. Стокман, J1. Шапиро Компьютерное зрение / Пер. с англ. — М.: БИНОМ. Лаборатория знаний, 2006.

35. Дженкинс Г. Ватте Д. Спектральный анализ и его приложения. /Пер. с англ. В.Ф. Писаренко. - М.: Мир, 1971, - 318 с.

36. Джосан О.В. Использование Скрытых Марковских Моделей для дебетирования радужки на изображении лица / Джосан О.В. - Труды международной конференции Графикон-2006, Россия, Новосибирск. 2006.

37. Дуда Р., Харт П. Распознавание образов и анализ сцен / Пер. с англ. Г.Г.Вайнштейна и А.М.Васьковского, Под ред. B.JI. Стефашока - М.: Мир, 1976,- 512 с.

38. Дэвид Форсайд, Жан Понс. Компьютерное зрение. Современный подход / Пер. с англ. С.Н. Тригуб - М.: Вильяме, 2004. - 928 с.

39. Жиганов И.Ю. Метрологические основы дистанционных телевизионных методов измерения геометрических параметров объектов / Жиганов И.Ю - Известия Самарского научного центра Российской академии паук. - 2009. - Т. 11.-№3. - С. 117 - 121.

40. Загидуллин Б.А., Бочкарев В.В. Синтез панорамных изображений с использованием метода SIFT и кластеризирующего слоя Кохонена. / Загидуллин Б.А., Бочкарев В.В - 35-я конференция молодых ученых и специалистов., «Информационные технологии и системы - 2012». С 407-412.

41. Захаров ИЛ. Алгоритмы восстановления изображений, регистрируемых матричными фотоприемниками. / Захаров. ИЛ.

Диссертация на соискание ученой степени кандидата технических наук.

Минск 2006.

42. Здор С.Е. Оптический поиск и распознавание / Здор С.Е., Широков В.Б. - М.: Наука, 1973. - 239 с.

43. Зубарев Ю.Б., Дворкович В.П. Цифровая обработка телевизионных и компьютерных изображений / Зубарев Ю.Б., Дворкович В.П - М.: Международный центр научной и технической информации, 1997.-212 с.

44. Игнатов А.Н. Оптоэлектронные приборы и устройства / Учеб. пособие - М.:Эко-Тренз, 2006. -272с.

45. Ишанин Г.Г. Пликов Э.Д., Источники и приемники излучения. Учеб. пособие для вузов. / Г.Г. Ишанин, Э.Д. Панков, A.JI. Андреев, Г.В. Польщиков. - СПб.:Политехника, 1991. -240с.

46. Карташев В.Г. Основы теории дискретных сигналов и цифровых фильтров / Учеб. пособие для вузов. - М.:Высш. Школа, 1982. -109с.

47. Катыс Г.П. Восприятие а анализ оптической информации автоматической системой / Катыс Г.П. - М.: Машиностроение, 1986. - 416 с.

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

49. Ковтонюк Н.Ф. Фоточувствительные МДП-приборы для преобразования изображений / Ковтонюк Н.Ф., Сальников E.H. - М.: Радио и связь, 1990. - 157 с.

50. Красилышков Н. Н. Теория передачи и восприятия изображений. Теория передачи изображений и ее приложения / Красильников Н. Н. - М., Радио и связь, 1986. - 246 с.

51. Краснобаев А. А. Обзор алгоритмов детектирования простых элементов изображения и анализ возможности их аппаратной реализации / Краснобаев А. А. - М.: Ордена Ленина, Институт прикладной математики им. М.В. Келдыша, 2005.

52. Ли Фрост. Цифровая фотография. Обработка фотоснимков на домашнем компьютере / Пер. с англ. - М: Арт-родник, 2006. - 160 с.

53. Люгер Дж. Искусственный интеллект: стратегии и методы решения сложных проблем. Пер. с англ. -М.: Вильяме, 2003. -864с.

54. Мадьяри В. Элементы оптоэлектроники и фотоэлектрической автоматики / Мадьяри В. - М.: Сов. радио, 1979. - 160 с.

55. Макконнелл С. Совершенный код. Мастер-класс / Пер. с англ. -М.: Русская Редакция, 2005, - 896 с.

56. Марешаль А. Франсон М. Структура оптического изображения. / Пер. с франц. H.H. Губеля - М.:Мир, 1964. -298 с.

57. Медведев B.C., Потемкин В.Г. Нейронные сети. Matlab 6 / Медведев B.C., Потемкин В.Г. - М.: Диалог-МИФИ. 2002. 496с.

58. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. М.: ФИЗМАТЛИТ, 2003. -784с.

59. Мирошников М.М. Теоретические основы оптико-электронных приборов / Мирошников М.М. - Л.: Машиностроение, 1983. - 420 с.

60. Носов Ю.Р. Оптоэлектроника / Носов Ю.Р. - М.: Радио и связь, 1989.- 359 с.

61. Носов Ю.Р. Полупроводниковые приборы с зарядовой связью / Носов Ю.Р., Шилин В.А. - М.: Сов. радио, 1986. - 254 с.

62. Обработка изображений и цифровая фильтрация / Под ред. Т.Хуанга. - М.: Мир, 1979.-318с.

63. Оптико-электронные устройства обработки и распознавания изображений / В.С.Титов и др.- Тула: Изд-во ТулГУ, 2008.-121с.

64. Оптическая обработка информации / Ред. Д. Ксйсента. - М.: Мир, 1980.-252 с.

65. Павлидис Е. Алгоритмы машинной графики и обработки изображений / Павлидис Е. - М.: Радио и связь, 1986.-400 с.

66. Папулис А. Теория систем и преобразований в оптике / Папул не А. Под ред. Алексеева В.И. - М.: Мир, 1971. - 496 с.

67. Пат. на полезную модель 134672 Российская Федерация, МПК С02В26/10. Устройство панорамного наблюдения - / Балясный С.В., Ларкин Е.В., Луцков Ю.И., Цудиков М.Б., Чеховский Д.В.; заявитель и патентообладатель ФГБОУ ВПО Тульский государственный университет, г. Тула, 2013128318/28; заяв. 20.06.2013; опубл. 20.11.2013, бюл. №32. -2с.: ил.

68. Полупроводниковые формирователи изображений / Под. ред. И. Есперса, Ф. Ван де Виле, М. Уатта. - М.: Мир, 1988. - 432 с.

69. Порфиръев Л.Ф. Теория оптико-электронных приборов и систем / Порфиръев Л.Ф. - Л.: Машиностроение, 1989, - 387 с.

70. Порфирьев Л.Ф. Основы теории преобразования сигналов в оптико-электронных системах / Порфирьев Л.Ф. - Л.: Машиностроение. ЛО, 1989.-392 с.

71. Пресс Ф.П. Формирователи видеосигнала на приборах с зарядовой связью / Пресс Ф.П. - М.: Радио и связь, 1981. - 136 с.

72. Проектирование оптико-электронных приборов / Ред. Ю.Г. Якушенкова. - М.: ЛОГОС, 2000. - 487 с.

73. Прэтт У. Цифровая обработка изображений / Пер. с англ. - М.: Мир, 1982 (В 2-х книгах).

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

75. Рабинер Л.Р. Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: Обзор. / Рабинер Л.Р. -ТИИЭР, Т.77. №2, 1989, 86-120с.

76. Роджерс Д., Адаме Дж. Математические основы машинной графики /Пер. с англ. - М.: Мир, 2001. - 604с.

77. Розеншер Э. Оптоэлекгроника / Розеншер Э., Винтер Б. - М.: Техносфера, 2006. - 592 с.

78. Саймон Хайкин. Нейронные сети: полный курс / Пер. с англ. - М.: Вильяме, 2006.- 1104 с.

79. Секен К., Томпсст М. Приборы с переносом заряда / Пер. с англ. -М.: Мир, 1978.-328 с.

80. Системы технического зрения: Справочник / Под ред. В.И.Сырямкина, B.C. Титова. - Томск: МГП «РОСКО», 1992. - 376 с.

81. Слюсарев Г.Г. Методы расчета оптических систем / Слюсарев Г.Г. — Л.: Машиностроение, 1969. -672с.

82. Смирнов A.B. Основы цифрового телевидения / Смирнов A.B. -М.: Горячая линия - Телеком, 2001. - 224 с.

83. Смирнов A.B., Пескин А.Е. Цифровое телевидение: От теории к практике / Смирнов A.B., Пескин А.Е. - М.: Горячая линия - Телеком, 2005. -352 с.

84. Стюарт Рассел, Питер Норвинг. Искусственный интеллект: современный подход / Пер. с англ. - М.: Вильяме, 2006. - 1408 с.

85. Сычёв В.А. Математическая модель преобразования сигнала при дискретизации изображения. / Сычёв В.А. - Мир техники кино 2007, №6, с. 20-22

86. Тарасов В.В., Якушенков Ю.Г. Двух- и многодиапазонные оптико-электронные системы с матричными приемниками излучения / Тарасов В.В., Якушенков Ю.Г. - М.: Университетская книга, Логос, 2007. -192с.

87. Троелсен Э. Язык программирования С# 5.0 и платформа .NET 4.5 / Пер. с англ. - М.: Вильяме, 2013, - 1312 с.

88. Трошина И.П. Компьютерное моделирование оптико-электронных систем первичной обработки информации / Трошина И.П. - М.: Университетская книга; Логос, 2009. - 248 с.

89. Ту Дж. Гонсалес Р. Принципы распознавания образов / Пер. с англ. И.Б. Гуревича - М.: Мир, 1978. - 414 с.

90. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений / Учеб. пособие. - СПб: СПбГУ ИТМО, 2008. -192 с.

91. Франсом M. Оптика спектров / Пер. с французского под ред. Ю.И. Островского - М.:Мир, 1980. - 168с.

92. Фукунага К. Введение в статистическую теорию распознавания образов / Пер. с англ. М.: Наука. 1979. - 368с.

93. Харкевич A.A. Спектры и анализ / Харкевич A.A. - М.: Государственное издательство технико-теоретической литературы, 1957. -238с.

94. Хопкрофт Дж., Мотвани Р., Ульман Дж. Введение в теорию автоматов, языков и вычислений / Пер. с англ. - М.: Вильяме, 2002. 528.

95. Цифровая обработка изображений в информационных системах: Учеб. пособие / И.С. Грузман, B.C. Киричук, В.П. Косых, Г.И. Перетягин,

A.A. Спекгор. - Новосибисрк: Изд-во НГТУ, 2002. - 352 с.

96. Цифровое преобразование изображений / P.E. Быков, Р. Фрайер, и др. Под ред. Р.Е.Быкова. - М.: Горячая линия - Телеком, 2003. - 228 с.

97. Чуриловский В.Н. Теория оптический приборов / Чуриловский

B.И. - М.: Машиностроение, 1966. - 566 с.

98. Шевцов Э.А. Белкин М.Е. Фотоприёмные устройства волокно-оптических систем передачи / Шевцов Э.А. Белкин М.Е. М.: Радио и связь, 1992.-224 с.

99. Шилд Г. С# 4.0: полное руководство / Пер. с англ. - М.: Вильяме, 2011,- 1056 с.

100. Шрёдер Г., Трайбер X. Техническая оптика / Пер. с англ. - М.: Техносфера, 2006.-424 с.

101. Шульман М.Я. Измерение передаточных функций оптических систем / Шульман М.Я. - JI.: Машиностроение, 1980. - 207 с.

102. Якушенков Ю.Г. Теория и расчет оптико-электронных приборов: Учебник для вузов / Якушенков Ю.Г. - М.: Логос, 2004. - 472 с.

103. Яне Б. Цифровая обработка изображений / Пер. с англ. A.M. Измайловой - М.:Техносфера, 2007. - 584 с.

104. Ярославский Л.П. Введение в цифровую обработку изображений / Ярославский Л.П. - М.: Советское радио, 1979. - 312 с.

105. Abhishak Yadav, Pooman Yadav Digital image processing / Abhishak Yadav, Pooman Yadav - New Delhi: University science press, 2009. - 222 c.

106. Andrea Lingua, Davide Marenchino, Francesco Nex. Performance Analysis of the SIFT Operator for Automatic Feature Extraction and Matching in Photogrammetric Applications. / Andrea Lingua, Davide Marenchino, Francesco Nex - Sensors, 2009, №9, 3745-3766 c.

107. C. Harris, M. Stephens. A Combined Corner and Edge Detector. / C. Han-is, M. Stephens. A - Proceedings of the 4th Alvey Vision Conference, 1988. 147—151 c.

108. David G. Lowe. Distinctive Image Features from Scalc-Invariant Keypoints. / David G. Lowe - Computer Science Department University of British Columbia. 2004. 28c.

109. Esko Ukkonen. On-line construction of suffix trees. / Esko Ukkoncn -Algorithmica 1995, vol. 14, is. 3, c.249-260.

110. J. Canny. A computational approach to edge detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 8, 679-698, 1986.

111. James E. Young, Ehud Sharlin, Jeffrey E. Boyd. Implementing Bubblegrams: The Use of Haar-Like Features for Human-Robot Interaction. / James E. Young, Ehud Sharlin, Jeffrey E. Boyd - Department of Computer Science University of Calgary. -6 c.

112. Karel Fliegel Modeling and Measurement of Image Sensor Characteristics. / Radioengineering, vol. 13, NO. 4. /Praha, Chech Republic, 2004. c. 27-34.

113. Lucas J. van Vliet, Ian T. Young and Piet W. Verbeek. Recursive Gaussian Derivative Filters. Pattern Recognition Group of the Faculty of Applied Physics Delft University of Technology. 6c.

114. M.Estribcau, P.Magnan, Pixel Crosstalk and Correlation with Modulation Transfer Function of CMOS Image Sensor. SUPAERO - Integrated Image Sensors Laboratory. Edouard Belin. 2003.

115. Nister David, Stewenius I-Ienrik. Scalable Recognition with a Vocabulary Tree. / Nister David, Stewenius Henrik/ Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition -Volume 2, Pages 2161-2168.

116. O.Yadid-Pecht, Geometrical modulation transfer function for different pixel active area shapes, Optical Engineering,, Vol.39, №4, 2000, 859-865c.

117. Orly Yadid-Pecht, Ralph Etienne-Cummings. CMOS ImagcrsFrom Phototransduction to Image Processing. Springer Science, Business Media, Inc. 2004. -250c.

118. Orly Yadid-Pecht, The Geometrical Modulation Transfer Function (MTF) - for different pixel active area shapes. Electrical and Computer Engineering Department Ben-Gurion University of the Negev. 2004. 25c.

119. P. DasMahapatra, A. Rohit, R. Stabile and K.A. Williams Broadband 4tI4 Switch Matrix using Fifth-order Resonators / COBRA Research Institute, Eindhoven University of Technology, Eindhoven, The Netherlands.

120. Quiesup Kim, Guang Yang, ChsJ . Wrigley, Thomas J. Cunningham, Bedabrata Pain Modulation transfer function of active pixel focal plane arrays. / Jet Propulsion Laboratory California Institute of Technology Pasadena

- 8c.

121. Rainer Lienhart, Alexander Kuranov, Vadim Pisarevsky. Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection. Microprocessor Research Lab, Intel Lab. 2002. 7c.

122. Vinesh Sukumar, Jason Tanner, Atif Sarwari, Herbert L Hess. Algorithms for Masking Pixel Defects at Low Exposure Conditions for CMOS Image Sensors. Microelectronics Research and Communications Institut -MRC. Engineering, 2010. №2. 220-227c.

123. Xi Chen, Nicholas George, Gennadiy Agranov, Changmeng Liu, Bob Gravelle Sensor modulation transfer function measurement using band-limited laser speckle. / Aptina Imaging, 3080 N. First Street, San Jose, CA, 95124, USA. 2008.-13 c.