Разработка методики автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов тема диссертации и автореферата по ВАК РФ 25.00.34, кандидат технических наук Волков, Алексей Васильевич

• Волков, Алексей Васильевич
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Волков, Алексей Васильевич

Список сокращений.

Введение.

Глава 1. Анализ проблемы использования нейросетевых методов при автоматизированном дешифрировании изображений топографических объектов.

1.1.Состояние автоматизированного дешифрирования в современном картографическом производстве.

1.2. Анализ нейросетей и методов их обучения.

1.3. Анализ технических средств реализации нейросетевых методов, используемых при автоматизированном дешифрировании изображений топографических объектов.

Выводы по главе.

Глава 2. Теоретическое обоснование и разработка методики автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

2.1. Характеристика исходных материалов и топографических объектов.

2.2. Выбор нейросетевых методов для классификации, оконтуривания и распознавания изображений топографических объектов.

2.3. Предварительная обработка изображений.

2.4. Разработка метода автоматизированной классификации изображений топографических объектов с использованием нейросети.

2.5. Оконтуривание изображений топографических объектов с использованием нейросети

2.6. Разработка методов распознавания изображений топографических объектов.

2.6.1. Метод автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросети.

2.6.2. Метод автоматизированного распознавания изображений площадных объектов растительного покрова и грунтов с использованием нейросети.

2.6.3. Способ организации классификатора дешифровочных признаков топографических объектов.

2.7. Методика автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

Выводы по главе.

Глава 3. Экспериментальные исследования методики автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

3.1. Методика проведения экспериментальных исследований.

3.2. Исходные данные, вычислительные и программные средства экспериментальных исследований.

3.3. Результаты экспериментальных исследований.

Выводы по главе.

Введение диссертации (часть автореферата) на тему «Разработка методики автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов»

Получение информации о топографических объектах по материалам космических съемок при создании и обновлении топографических цифровых и электронных карт выполняется на этапе дешифрирования снимков. Временные затраты на дешифрирование по традиционной технологии создания и обновления карт составляют от 20 до 40 % общих затрат. Это вызвано тем, что наиболее сложные и трудоемкие этапы дешифрирования (обнаружение объектов местности и их распознавание) выполняются визуальным или визуально-машинным способами. В связи с успешной автоматизацией других процессов входящих в технологическую схему составления и обновления карт, процент временных затрат на дешифрирование снимков растет и в ближайшей перспективе может составить 60-70%.

Начиная с 1970-х годов, вопросам разработки методов и средств автоматизированного дешифрирования уделялось существенное внимание, а в 90-е годы, в связи с возросшими потребностями в точной и современной картографической информации, эти вопросы приобрели приоритетное значение. Большой вклад в теорию и практику распознавания образов внесли М.М. Бонгард, М.К. Бочаров, В.И. Васильев, А.Г. Ивахненко, В.А. Ковалевский, Г.С. Поспелов, Д.А. Поспелов, Н.С. Подобедов, Ф. Розенблатт, Г.С. Себестиан, П. Уинстон, К. Фу, Р.И. Эльман, Д.А. Янутш и др. Теоретические основы и практические рекомендации в области автоматизации дешифрирования изображений топографических объектов сформулированы в работах В.И. Аковецкого, А.Н. Живичина, И.Г. Журкина, А.В. Карпова, А.И. Мурынова, В.Н. Милича, B.C. Соколова, Г.А. Шабанова, В.В. Скрипшока и др. Весомый вклад в решение вопросов получения цифровой информации о контурах местности в части разработки методологии ее классификации и кодирования, структур хранения и выдачи потребителям внесли Е.И. Халугин, А.И. Мартыненко, Е.А. Жалковский и др.

В настоящее время институтом математики и механики УрО РАН и сотрудниками 29 НИИ МО РФ разработана методика автоматизированного дешифрирования фотоснимков, включающая классификацию, оконтуривание и распознавание изображений топографических объектов. Эта методика максимально учитывает особенности технологии выполнения работ в частях ТС ВС, позволяет повысить полноту содержания топографических карт и ЦКИ, увеличить производительность труда и улучшить условия выполнения работ по сравнению с традиционными неавтоматизированными методиками. Однако существует ряд причин, сдерживающих дальнейшее повышение эффективности создания и обновления топографических, специальных, цифровых и электронных карт. Основными из них являются следующие: наличие ряда интерактивных процессов (оконтуривание объектов, поиск эталонной информации, классификация изображений по их текстурным и яркостным признакам) существенно снижает производительность груда при дешифрировании топографических объектов; слабая адаптация существующих методов автоматизированного дешифрирования к изменяющимся условиям съемки и обработки изображений; длительность процесса подготовки высокопрофессиональных операторов-дешифровщиков для выполнения работ на комплексах автоматизированного дешифрирования (5-7 лет).

Одной из перспективных возможностей изменения ситуации в области автоматизированного дешифрирования являются разработка и внедрение технических и программно-технологических средств, основанных на использовании нейросетевых методов. Эти методы обеспечивают: выполнение операций над целыми образами (например, над фрагментами изображений); ассоциативный поиск информации; возможность самообучения в процессе функционирования нейрокомпьютера; преимущественное использование логико-лингвистических моделей при формализации информации; отсутствие необходимости внешнего программирования; параллельный ввод и параллельную обработку информации. В связи с изложенным, тема диссертации, посвященная автоматизации процессов дешифрирования изображений топографических объектов с использованием нейросетевых методов, является актуальной.

Цель диссертационной работы заключается в определении путей совершенствования методов и средств автоматизации дешифрирования материалов космических съемок для создания и обновления топографических цифровых и электронных карт.

Научная задача диссертации заключается в разработке и исследовании методики автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

Для выполнения научной задачи диссертации необходимо решить следующие частные задачи исследований: выполнить анализ возможностей использования нейросетевых методов при автоматизированном дешифрировании изображений топографических объектов; разработать метод автоматизированной классификации изображений топографических объектов с использованием нейросети; разработать метод автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросети; разработать метод автоматизированного распознавания изображений площадных объектов растительного покрова и грунтов с использованием нейросети; разработать способ организации классификатора дешифровочных признаков топографических объектов; выполнить экспериментальные исследования основных положений предлагаемой методики.

На защиту выносятся:

1. Метод автоматизированной классификации изображений топографических объектов с использованием нейросети.

2. Метод автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросети.

3. Метод автоматизированного распознавания изображений площадных объектов растительного покрова и грунтов с использованием нейросети.

4. Способ организации классификатора дешифровочных признаков топографических объектов.

5. Методика автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

Практическая ценность работы заключается в том, что совокупность разработанных методов, способа и методики, примененных в технологии автоматизированного дешифрирования снимков с целью создания топографических и цифровых карт, позволит существенно повысить эффективность дешифрирования и, следовательно, повысить эффективность создания топографических и цифровых карт в целом.

Структурно диссертация состоит из введения, трех глав, заключения, списка использованной литературы и приложения.

Заключение диссертации по теме «Аэрокосмические исследования земли, фотограмметрия», Волков, Алексей Васильевич

Выводы по главе

1. В ходе проверки метода автоматизированной классификации изображений топографических объектов с использованием нейросети оценивалась полнота классификации. Получены следующие результаты: полнота классификации компактных объектов - 0,7; полнота классификации растительного покрова - 0,86; полнота классификации грунтов - 0,84.

2. При проведении экспериментальной проверки метода автоматизированного распознавания изображений топографических объектов с использованием элементов ЭС, построенной на основе НС оценивалась средняя вероятность распознавания раздельно по каждому типу объектов. Получены следующие результаты: средняя вероятность распознавания по компактным объектам составила 0,9; средняя вероятность распознавания по линейным объектам составила 0,92.

3. При проведении экспериментальной проверки метода автоматизированного распознавания изображений площадных объектов растительного покрова и фунтов получена средняя вероятность распознавания -0,95.

4. Результаты оценки эффективности методики автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов показали, что внедрение предложенной методики позволит: повысить полноту содержания топографических карт в аналоговой и цифровой формах представления на 5-10 %; повысить среднюю вероятность распознавания топографических объектов на 13%.

ЗАКЛЮЧЕНИЕ

Одним из основных факторов, сдерживающих повышение эффективности создания и обновления топографических цифровых и электронных карт, является недостаточно высокая производительность дешифрирования изображений топографических объектов, в том числе, применяемых методов автоматизированного дешифрирования.

Выполненные в данной работе теоретические и экспериментальные исследования методики автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов являются решением новой и актуальной научной задачи. Внедрение этой методики позволяет существенно повысить эффективность дешифрирования снимков, и, следовательно, повысить эффективность создания и обновления топографических и цифровых карт в целом.

В ходе выполненных теоретических и экспериментальных исследований получены следующие основные результаты.

1. Выполнен анализ проблемы использования нейросетевых методов при автоматизированном дешифрировании изображений топографических объектов. Обосновано, что их применение является перспективным направлением автоматизированного дешифрирования и позволяет повысить его эффективность. Обоснован выбор конкретных видов нейросетей, применение которых целесообразно на различных этапах автоматизированного дешифрирования. Обоснован выбор оптимальных методов обучения нейросетей, а также общие требования к техническим и программным средствам их реализации.

2 Разработаны новые методы: автоматизированной классификации изображений топографических объектов, автоматизированного дешифрирования изображений топографических объектов с использованием элементов экспертной системы и автоматизированного распознавания изображений площадных объектов растительного покрова и грунтов. Предлагаемые методы основаны на принятии классификационных и дешифровочных решений нейросетями различных видов. Обоснованы конкретные требования к архитектуре и параметрам применяемых нейросетей, а также методам их обучения.

Разработан способ организации классификатора дешифровочных признаков топографических объектов, позволяющий повысить эффективность автоматизированного дешифрирования при его использовании совместно с предлагаемыми методами.

3. На основе предлагаемых методов и способа разработана новая методика автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

4. Выполнена экспериментальная проверка основных положений предлагаемой методики, имеющих научную новизну. Результаты экспериментальных исследований показали, что применение разработанных методов и методики в целом позволяет повысить эффективность автоматизированного дешифрирования изображений топографических объектов по сравнению с традиционной методикой, применяющейся при создании и обновлении топографических цифровых и электронных карт.

Список литературы диссертационного исследования кандидат технических наук Волков, Алексей Васильевич, 2006 год

1. Агабабян К.Г. Об алгебре нейронных матриц // ДАН. П. 199.- 1971.-№5.- С. 991-993.

2. Антомонов Ю.Г. Принципы нейродинамики.- Киев: Наук, думка, 1974.199 с.

3. Ачасова С.М. Вычисления на нейронных сетях.- Новосибирск: ВЦ СО АН СССР, 1990.- 50 с.

4. Ачасова С.М. Вычисления на нейронных сетях: Обзор // Программирование.-1991.- № 2.- С. 40-53.

5. Байдик Т.Н. Сравнительный анализ распознавания текстур методом потенциальных функций и с помощью нейросетей // Нейроподобные сети и нейрокомпьютеры,-Киев, 1991.- С.52-61.

6. Беркинблит М.Б. Нейронные сети: Эксперим. учеб. пособие / Моск. ин-т развития образоват. систем.- М.,1993,- 96 с.

7. Блюм М. Свойства нейрона со многими входами. Принципы самоорганизации.-М.: Мир, 1966.-315 с.

8. Ванюшин В.А. и др. Построение и исследование многослойных систем распознавания образов / В. Ванюшин, А. Галушкин, Б. Тюхов // Ванюшин В.А. и др. Некоторые проблемы биологической кибернетики / Под общ. ред. акад. А.И. Берга.-Л., 1972.-С. 136-162.

9. Викторов Н.В., Галушкин А.И. Построение и исследование систем распознавания образов при произвольной "квалификации учителя" // Викторов

10. Н.В., Галушкин А.И. Медицинская радиоэлектроника / ВНИИ мед. техн.- М., 1976.-С. 95-106.

11. Волгин Л.И. Распознавание образов и нейрокомпыотеринг // Распознавание образов и анализ изображений: Новые информационные технологии /РОАИ-2-95/: Тез. докл. 2 Всеросс. конф. 28 авг.-1 сент. 1995 г.Ульяновск: УлГТУ, 1995.- Ч.1.- С. 42-44.

12. Волков А.В. Автоматизированное дешифрирование изображений топографических объектов с использованием нейрометодов // Тезисы докладов на VI Всероссийской конференции «Нейрокомпьютеры и их применение».- М., 2000.-С. 16-18.

13. Волков А.В. Метод автоматического распознавания изображений площадных объектов растительного покрова и грунтов с использованием нейросети // Информация и космос.- 2004.- № 2. С. 37-39.

14. Волков А.В. Обоснование нейросетевого подхода к дешифрированию изображений топографических объектов // Тезисы докладов на VI Всероссийской конференции «Нейрокомпьютеры и их применение».- М., 2000.-С. 8-10.

15. Волков А.В. Способ автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросети // Информация и космос.- 2004.- № 1. С. 58-61.

16. Волков А.В., Волков В.В. Анализ нейросетевых методов обработки аэрокосмических изображений местности // Информация и космос.- 2003.1.2.-С. 29-37.

17. Вычислительные машины с нетрадиционной архитектурой. Супер ВМ: Сб. науч. тр./ Ин-т высокопроизводит, вычисл. систем; Под общ. ред. B.C. Бурцева.- М., 1996.- Вып. 4.- 86 с.

18. Галушкин А.И. Единый подход к решению задач обучения и самообучения систем распознавания образов // Труды МИЭМ.-1970,- Вып. 6.-С. 104-120.

19. Галушкин А.И. Континуальные модели многослойных систем распознавания образов // Автоматика и вычислительная техника.- 1977.- № 2-С. 43-48.

20. Галушкин А.И. Многослойные системы распознавания образов.- М.: МИЭМ, 1970.-167 е.: ил.

21. Галушкин А.И. Нейрокомпьютеры в разработках военной техники в США.- М.: Энергия, 1995.- 150 с.

22. Галушкин А.И. О принципах построения специализированныхмногослойных систем распознавания в аналоговом исполнении.- М.: Энергия, 1974.-224 с.

23. Галушкин А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974.- 367 е.: ил.

24. Галушкин А.И., Судариков В.А. Адаптивные нейросетевые алгоритмы решения задач линейной алгебры // Нейрокомпьютер.- 1992.- №. 2.- С. 21-28.

25. Галушкин А.И., Судариков В.А. Нейроматематика: методы решения задач на нейрокомпьютерах // Математическое моделирование.- 1991.- Т. 3.- С. 93-111.

26. Гельман Г.Я. Нейрокомпьютеры // США. Экономика, политика, идеология.-1990.- №11.- С. 89- 94.

27. Гилев С.Е. Сравнение методов обучения нейросетей // Нейроинформатика и ее приложения: Тез. докл. 3 Всеросс. семинара 6-8 окт. 1995 г.- Красноярск: КГТУ, 1995.- С. 80-81.

28. Гольцев А.Д. Текстурная сегментация изображений с помощью нейроподобной сети // Нейроподобные сети и нейрокомпьютеры.- Киев, 1991.-С. 36-43.

29. Дада B.JL, Фоссум Я. Классификация изображений при помощи итеративно определяемых линейной и кусочно-линейной классифицирующих функций // Экспресс-информация "Техническая кибернетика" / ВИНИТИ.- М., 1966.-№35.-С. 14-23.

30. Дешифровочные возможности космических фотоснимков,используемых при обновлении топографической карты масштаба 1:25 ООО / Бежик С.А. и др.//Геодезия и картография,- 1993.-№ 12.-С. 31-33.

31. Дорогов АЛО. Быстрые нейросети.- СПб: Изд-во СПбУ, 2002.- 80 с.

32. Дудин-Барковский B.J1. Информационные процессы в нейронных структурах.- М.: Наука, 1978.- 418 с.

33. Дудин-Барковский B.JI. Нейроинформатика и нейрокомпьютеры в России и в мире // 49 научная сессия: Тез. докл. / Росс. НТО радиотехн., электрон, и связь.- М., 1994.-С. 5- 7.

34. Евтихиев Н.Н., Оныкий Б.Н. Многослойная нейронная сеть и ее реализация на основе оптического вектор матричного перемножителя // Нейрокомпьютер.- 1994.- № 1,2.-С. 23-30.

35. Единые нормы выработки (времени) на геодезические и топографические работы (Камеральные работы. Эталоны категорий трудности).- М.: Недра, 1983.- 351 с.

36. Живичин А.Н., Соколов B.C. Дешифрирование фото1рафических изображений,- М.: Недра, 1980.- 253 с.

37. Журкин И.Г. Классификационные особенности элементов содержания карт. Теоретический анализ существующих методов распознавания изображений в итоговом НТО по теме "Модель-98М".- М.: МИИГАиК, 1979.60 с.

38. Зарицкий А.Ф. Перспективы применения нейрокомпьютеров// Информатика и вычислительная техника.- М., 1994.- Вып. 4.- С.70-79.

39. Ивахненко А.Г. Персептроны система распознавания образов.- Киев: Наук, думка, 1975.- 431 е.: ил.

40. Исследование путей создания системы автоматизированного дешифрирования изображений компактных, линейных и площадных объектов по материалам космической съемки: Итоговый НТО по теме НИР "Ритмичность",- Екатеринбург, 1994.- 93 с.

41. Каллан Р. Основные концепции нейронных сетей.- М.: СПб; Киев, 2001.- 288 с.

42. Кирсанов Д.В. Архитектура, производительность и использование нейрочипа ETANN // Успехи современной радиоэлектроники.- 1997.- № 2.1. С. 19-23.

43. Кирсанов Э.Ю. К задаче классификации и анализа путем построения памяти на элементах пороговой логики // Техника средств связи.-1981.-Вып. 2.-С. 44-52.- (Системы связи).

44. Классификатор топографической информации.- М.: ГУГиК, 1986.89 с.

45. Кнорозов С.В., Лавров В.Н. Бортовые средства фотографирования // Итоги науки и техники.- М., 1982.- Т.20.- С. 3-60.

46. Кохонен Т. Ассоциативная память.- М.: Мир, 1980.- 239 с.: ил.

47. Куссуль Э.М., Байдик Т.Н. Нейронные классификаторы с распределенным кодированием входной информации // Нейрокомпыотер.-1994.- № 3,4.-С. 13-24.

48. Логовский А.С., Якушев Д.Ж. Нейропакеты: что, где, зачем // Успехи современной радиоэлектроники.- 1997,- № 2,- С. 11-18.

49. Мак-Каллок У. Символическое изображение нейрона в виде некоторой логической функции. Принципы самоорганизации.- М.: Мир, 1966.-С. 131-135.

50. Мак-Каллок У., Питтс У. Логическое исчисление идей, относящихся к нервной активности // Автоматы / Под ред. К.Э. Шеннона, Дж. Маккарти.- М., 1956.-С. 362-384.

51. Масалович А. Нейросети на пути к российскому рынку // Монитор.-1995.-№ 1.- С. 94-96.

52. Медведев B.C., Потемкин В.Г. Нейросетевой MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина.- М: Диалог МИФИ, 2002.- 445 с.

53. Миркес Е.М. Использование весов примеров при обучении нейросети // Нейроинформатика и ее приложения: Тез. докл. 3 Всеросс. семинара 6-8 окт. 1995 г.- Красноярск: КГТУ, 1995.- С. 75.

54. Мкртчян С.О. Нейроны и нейронные сети.- М.: Энергия, 1971.- 232 с.

55. Нейроинформатика и ее приложение: Тез. докл. 3 Всеросс. семинара 6-8 окт. 1995 г.- Красноярск: КГТУ, 1995.- С. 58- 59.

56. Нейронные сети и их применение в системах управления и связи.- М: Горячая линия- Телеком, 2002.- 94 с.

57. Нейронные сети и нейрокомпыотеринг: Библ. указ. лит.- Ульяновск, 1995.-36 с.

58. Нейросетевые технологии и нейрокомпьютеры // Сборник научных трудов Ин-та кибернетики АН Украины.- Киев, 1994.- 120 с.

59. Некоторые концептуальные вопросы развития нейрокомпьютеров / Галушкин А.И. и др. // Успехи современной радиоэлектроники,- 1997.- № 2.1. С. 3-10.

60. Новый суперкомпьютер // Зарубежное военное обозрение.- 1996.-№ 9.- С. 57.

61. Основные положения по созданию и обновлению топографических карт масштабов 1:10 000- 1:1 000 000.- М.: РИО ВТС, 1984.- 51 с.

62. Осовский С. Нейронные сети для обработки информации.- М: Финансы и статистика, 2002.- 260 с.

63. Позин Н.В. Моделирование нейронных структур.- М.: Наука, 1970.264 с.

64. Положение по контролю качества и приемке работ в частях ТС ВС СССР. Ч.З. Топогеодезические работы.- М.: РИО ВТС, 1979.- 36 с.

65. Прэтт У. Цифровая обработка изображений: В 2 кн. Кн.2 / Пер. с англ.- М.: Мир, 1982.- 2 кн.- 480 е.: ил.66. 51-я научно-техническая конференция: Тез. докл. / СПб НТО радиотехники, электроники и связи им. Попова.- СПб, 1996.- 540 с.

66. Редько В.Г. Эволюционный подход к исследованию естественных и созданию искусственных "биокомпьютеров" // Нейрокомпьютер.- 1994.- № 1,2.-С. 38-49.

67. Розенблатт Ф. Аналитические методы изучения нейронных сетей // Зарубежная радиоэлектроника.- 1965.- № 8.- С. 43-57.

68. Розенблатт Ф. Принципы нейродинамики: персептроны и теория механизмов мозга.- М.: Мир, 1965.- 480 с.: ил.

69. Рыбак И.А. и др. Нейронные сети в задачах обработки и анализа изображений и распознавания зрительных образов / И.А. Рыбак, Н.А. Шевцова, В.И. Сандлер // Итоги науки и техники / ВИНИТИ.- 1992.- № 4,- С. 96- 135.-(Физ. и мат. модели нейронных сетей).

70. Савушкин С. А. Нейросетевые экспертные системы // Нейрокомпьютер.- 1992.- № 2.- С. 29- 36.

71. Соколов Е.Н., Вайткявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру,- М.: Наука, 1989.- 236 е.: ил.

72. Соколов Е.Н., Шмелев Л.А. Нейробионика: Организация нейроподобных элементов и систем.- М.: Наука, 1983.- 280 е.: ил.

73. Ставицкий А.И. На пути к искусственному интеллекту: Новые принципы передачи и обработки информации с позиции единого информационного поля.- СПб.: Интан, 1995.- 106 с.

74. Стаффорд Р. Многослойные обучающиеся схемы // Зарубежная радиоэлектроника.- 1965.- № 8.- С. 58-64.

75. Степанов М.В. Оптические нейрокомпьютеры: современное состояние и перспективы // Успехи современной радиоэлектроники.- 1997.2.- С. 32-56.

76. Суровцев И.С., Клюкин В.И. Нейронные сети: Учеб. пособие для студентов ун-тов.- Воронеж: ВГУ, 1994.- 222 с.

77. Уидроу Б. Распознавание образов и адаптивное управление // Зарубежная радиоэлектроника.- 1965.- № 9,- С. 14- 18.

78. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / Пер. с англ.- М.: Мир, 1992.- 240 с: ил.

79. Фундаментальная монография по теории персептронов: Обзор кн.

80. Ф. Розенблатта "Принципы нейродинамики" / Ивахненко А.Г. и др. // Автоматика.- 1963.- № 3.- С. 84- 90.

81. Харалик P.M. Статистический и структурный подходы к описанию текстур / ТИИЭР.- 1979.- Т. 67.- № 5.- С. 98- 120.

82. Хрущ P.M. Автоматизация фотограмметрической обработки фотоснимков при создании цифровых карт.- СПб: ФВИУ(СПб), 1999.- 237 с.

83. Хрущ P.M. Использование теории образов для идентификации одноименных областей и точек стереопары // Записки Горного института / СПГГИ.- СПб: СПГГИ, 2001.- С.201- 205.

84. Хрущ P.M. Этапы становления и развития отечественной фотограмметрии // Научно-технический сборник / ФВИУ(СПб).- СПб: ФВИУ(СПб), 2000.-С. 144- 148.

85. Цыпкин ЯЗ. Адаптация, обучение и самообучение в автоматических системах // Автоматика и телемеханика.- 1966.- № 1.- С. 23- 62.

86. Цыпкин Я.З. Обобщенные алгоритмы обучения // Автоматика ителемеханика.- 1970.-№ 1.- С. 97- 104.

87. Цыпкин Я.З. Обучающиеся автоматические системы // Автоматика и телемеханика.- 1970.- № 4.- С. 55-71.

88. Цыпкин Я.З. Оптимальные гибридные алгоритмы адаптации и обучения // Автоматика и телемеханика.- 1968.- № 9.- С.30- 34.

89. Чебатко М.И. Нейронные сети для решения задач на борту летательных аппаратов // Зарубежная радиоэлектроника.- 1994.- № 6.- С. 40- 44.

90. Шабанов Г.А. Состояние цифрового дешифрирования изображений объектов местности за рубежом // Информационный бюллетень по зарубежным материалам.- М., 1986.- № 94.- С. 13- 21.

91. Шевцова Н.А. Исследование и моделирование алгоритмов первичной обработки зрительной информации в нейросетях: Автореф. дисс. / НИИ нейрокибернетики им. Когана.- Ростов н/Д, 1996.- 22 е.: ил.

92. Ширман Я.Д. Методы радиолокационного распознавания и их моделирование // Зарубежная радиоэлектроника,- 1996.- № 11.- С. 3- 63.

93. Широков Ф.В. На пути к нейрокомпьютерам // Итоги науки и техники. Физические и математические модели нейронных сетей. Т. 1.4. 2/ ВИНИТИ.- М., 1990,- С. 229- 316.

94. Экспертные системы. Принципы работы и примеры: Сб. ст. / Под ред. Р. Форсайта.- М.: Радио и связь, 1987,- 62 с.

95. Экспертные системы: состояние и перспективы: Сб. науч. тр. / Под ред. Д.А. Поспелова М.: Наука, 1989.- 152 с.

96. Ярославский Л.П. Введение в цифровую обработку изображений,- М.: Сов. радио, 1979.-312 с.

97. Anil K.J. Learning texture discrimination masks // IEEE Transaction on pattern analysis and machine intelligence .- 1996.- Vol. 18.- №. 2.- P. 195-205.

98. Burke L.I. Introduction to artificial neural systems for pattern recognition // Comput. and Oper. Res.-1991.- Vol. 18.-№ 2.- P. 211-220.

99. Changjing S. Principal features based texture classificatic with neural networks // Pattern Recognition.- 1993.- Vol. 27.- № 5.- P. 675-687.

100. Cheung Kwok-Wai. Boundary detection by artificial neural network // Proc. Int. JT Conf. Neural Networks, Nagoya, Oct. 25-29, 1993: IJCNN'93.- Nagoya, 1993.- Vol. 2.-P. 1189-1194.

101. Constraining multilayer perceptrous : application to the contour detection // Int. Neural Networks Conf., Paris, July 9-13, 1990.- 1990.- Vol. 1.- P. 23-26.

102. Dupaguntla N.R. A neural network architecture for texture segmentation and labeling // IJCNN Int. Joint Conf. Neural Networks, Washington, D.C.- New York, 1989.-Vol. l.-P. 127-133.

103. Edge detection by neural network with line process / Bhuiyan Md. Shoaib, Sato Makoto etc. // Prog. Int. JT Conf. Neural Networks, Nagooya, Oct. 25-29, 1993.- Nagoya, 1993.- Vol. 2.- P. 1223-1226.

104. Entsminger B.G. An Object Oriented neural network // AI Expert.-1991.-N. 2.-P. 19-23.

105. Ghosal S., Mehrotra R. A two stage neural net for IEEE Int. Conf.

106. Neural Networks, San Francisco, Calif., March 28 Apr. 1, 1993.- Piscataway (N.J.), 1993.- Vol. 2,- P. 721-726.

107. Ghosal S., Mehrotra R. Range surface characterization and segmentation using neural networks // Pattern Recogn.- 1995.- Vol. 28.- №. 5.- P. 711-727.

108. Giacometti A. Hybrid Expertise modeling for military application // Machine Learning.- 1996.- Vol. 13.- P. 131-136.

109. Hertz J.A. A network system for image segmentation // IJVNN.-Copenhagen, 1989.-Vol. 1.- P. 121-125.

110. Kannelopulos J., Vartis A., J. Megier. Classification of remotely sensed satellite images using multi - layer perceptron networks // Artifical neural networks.-1991.- P. 1067-1070.

111. Leeming N. Artifical neural nets to detect lines in noise // Int. Conf. Acoust. Sens, and Imag., London, March 29-30, 1993,- 1993.- P. 147-152.

112. Leow Wee K., Miikkulainen R. Representing visual schemas in neural networks for scene analysis // IEEE Int. Conf. neural networks, San Francisco, Calif., March 28 Apr. 1,1993.- Piscataway (N.J.), 1993.- Vol. 3.- P. 1612.

113. Lin Wei Chung, Tsao Eric Chen - Kuo, Chen Chin - Tu. Constraint satisfaction neural networks for image segmentation // Artif. Neural Networks: Proc. Int. Conf., Espoo, June 24-28, 1991.- Amsterdam, 1991.- Vol. 2,- P. 1087-1094.

114. Muhamad A.K. Neural networks for the classification of image texture // End. Appl. Artif. Intel1.- 1994.- Vol. 7.- № 4.- P. 381-393.

115. Niles R., Hepner G. Application of artifical neural networks to landcover classification of thematic imagery // Comput. and Geosci.- 1990,- Vol. 16.-№ 6.- P. 873-880.

116. Obermeier K., Barron J. Time to get fired up // The Small Systems Journal.- BYTE, 1989.- Vol. 14,- № 8.- P. 217- 220, 222- 224.

117. Paik Joon K., Katsaggelos Aggelos K. Edge detection using a neural networks // ICASSP' 90: Int. Conf. Acoust., Speech and Signal Process, Albuquerque, N.M., Apr. 3-6, 1990.- New York (N.Y.), 1990.- Vol. 4.-P. 2145-2146.

118. Parikh J. etc. Comparison of backpropagation neural networks and statistical features in LANDSAT imagery / J. Parikh, J. Daponte, M. Damodaran // SPIE. Applic. of Artif. Neural Networks II.-1991.- Vol. 1469.- P. 526- 538.

119. Parui S.K. A parallel algorithm for detection of linear structures in satellite images // Pattern Recognition Letters.-1991.- № 12.- P. 765-770.

120. Prattentive texture segmentation and grouping by the boundary contour system / Cruthirds D. etc. // IJCNN-91: Int. JT Conf. Neural Networks, Seattle, Wash., Juli 8-12, 1991.- New York (N.Y.), 1991.- Vol. 1.-P.655-660.

121. Rajapakse J., Acharya R. Medical image segmentation with MARA // IJCNN Int. JT Conf. Neural Networks, San Diego, Calif., 1990.- San Diego, 1990.-Vol. 2.- P. 965-972.

122. Ritter G.X. Image algebra and its relationship to neural networks // Proc. Soc. Photo Opt. Instrum. End.- 1989.- № 1098.- P. 90-101.

123. Tirakis A. An adaptive technique for segmentation and classification of textured images // Int. Neural Network Conf., Paris, July 9-13, 1990.- Dordrecht,1990.-Vol. 1.-P. 31-34.

124. Ultsch A. Kohonen's self organizing feature maps for exploratory data analysis // Int. Neural Network Conf., Paris, July 9-13, 1990.- Dordrecht, 1990.-Vol. 1.- P. 305-309.

125. Unsupervised segmentation of textured images using a hierarchical neural structure // Electron. Lett. (UK).- 1994.- Vol. 30.- № 22.- P. 1842-1843.

126. Visa A. Texture classification and segmentation based on neural network methods: Diss. Doct. Technol / Helsinki Univ. Technol. Espoo.- Helsinki, 1990.-48 p.