Система идентификации антропогенных объектов по тепловизионным аэрофотоснимкам на основе контурного анализа тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Агафонова Регина Ренатовна

  • Агафонова Регина Ренатовна
  • кандидат науккандидат наук
  • 2022, ФГБОУ ВО «Казанский национальный исследовательский технический университет им. А.Н. Туполева - КАИ»
  • Специальность ВАК РФ05.13.18
  • Количество страниц 108
Агафонова Регина Ренатовна. Система идентификации антропогенных объектов по тепловизионным аэрофотоснимкам на основе контурного анализа: дис. кандидат наук: 05.13.18 - Математическое моделирование, численные методы и комплексы программ. ФГБОУ ВО «Казанский национальный исследовательский технический университет им. А.Н. Туполева - КАИ». 2022. 108 с.

Оглавление диссертации кандидат наук Агафонова Регина Ренатовна

ВВЕДЕНИЕ

ГЛАВА 1 СОВРЕМЕННЫЕ МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ И КОМПЬЮТЕРНОГО ЗРЕНИЯ

1.1 Методы предварительной обработки изображения

1.1.1 Обработка гистограммы изображения

1.1.2 Выделение контуров объектов на изображениях

1.1.3 Сегментация

1.2 Методы изучения характеристик объектов

1.3 Методы принятия решений в системах распознавания

1.3.1 Корреляционный анализ

1.3.2 Классификаторы

1.3.3 Нейронные сети

1.4 Оценка эффективности методов распознавания объектов

1.4.1 Оценка с использованием тестовой выборки

1.4.2 Точность и полнота

1.4.3 Матрица ошибок

1.4.4 Мера Ван Ризбергена

1.4.5 Функционал качества

1.5 Постановка задачи

1.6 Выводы

ГЛАВА 2 РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ МОДЕЛИ ТЕПЛОВИЗИОННОГО ИЗОБРАЖЕНИЯ ОБЪЕКТА И МЕТОДА МНОГОЭТАПНОЙ ИДЕНТИФИКАЦИИ АНТРОПОГЕННЫХ ОБЪЕКТОВ ПО ТЕПЛОВИЗИОННЫМ АЭРОФОТОСНИМКАМ

2.1 Математическая модель тепловизионного изображения объекта

2.2 Метод и алгоритм многоэтапного обнаружения антропогенных объектов по тепловизионным аэрофотоснимкам

2.3 Метод и алгоритм предварительной обработки тепловизионных изображений

2.4 Метод поиска и выделения потенциальных зон, содержащих объекты поиска

2.5 Метод выделения контуров объектов на фрагментах тепловизионных аэрофотоснимков

2.5.1 Размытие тепловизионного изображения перед выделением контуров

2.5.2 Выделение контуров на тепловизионном изображении

2.6 Метод классификации контуров объектов с обучением по прецедентам

2.7 Метод фильтрации контуров объектов

2.8 Выводы

ГЛАВА 3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ РАЗРАБОТАННОГО МНОГОЭТАПНОГО МЕТОДА И ПРИМЕНЕНИЕ В ПРОГРАММНО-АППАРАТНОМ КОМПЛЕКСЕ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ

3.1 Описание аппаратной части комплекса и принципа работы

3.2 Описание программной части комплекса и принципа работы

3.2.1 Общее описание программного комплекса

3.2.2 Структура и состав программного комплекса

3.2.3 Интерфейс программного комплекса

3.2.4 Предварительное обучение сверточной нейронной сети по обучающей выборке и

классификатора по изображениям-прецедентам

3.2.4.1 Обучение сверточной нейронной сети

3.2.4.1 Обучение классификатора

3.3 Анализ эффективности разработанных программных модулей

3.4 Апробация программного комплекса и отдельных программных модулей в различных предметных

областях

3.5 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. АКТ О ВНЕДРЕНИИ

ПРИЛОЖЕНИЕ Б. СВИДЕТЕЛЬСТВО О РЕГИСТРИЦИИ ПРОГРАММЫ ДЛЯ ЭВМ

ПРИЛОЖЕНИЕ В. ПАТЕНТ НА ИЗОБРЕТЕНИЕ

ПРИЛОЖЕНИЕ Г. ПАТЕНТ НА ИЗОБРЕТЕНИЕ

Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Введение диссертации (часть автореферата) на тему «Система идентификации антропогенных объектов по тепловизионным аэрофотоснимкам на основе контурного анализа»

ВВЕДЕНИЕ

Актуальность темы. Разработка автоматизированных систем дешифрирования (интерпретации) аэрофотоснимков в настоящее время является одним из актуальных направлений инженерной разработки. Такие системы могут быть использованы для поиска людей и строений, исследования местности, обнаружения пожаров и контроля распространения огня и т.д.

В системах дешифрирования используется синтез методов, направленных на улучшение зрительного восприятия изображений оператором, и методов поиска и анализа объектов на аэрофотоснимках. Необходимость обработки большого объема графических данных делает необходимым разработку методов, предполагающих возможность их применения в автоматизированном режиме.

Актуальность разработки и внедрения автоматизированной системы обусловлена повышением вероятности вскрытия объектов заинтересованности и исключения ложных срабатываний, а также исключением человеческого фактора на этапе поиска объектов на изображении и, как следствие, многократного увеличения скорости дешифрирования больших объемов цифровых данных.

Степень разработанности темы. Значительный вклад в разработку систем на основе технического зрения и разработку методов цифровой обработки изображений внесли: Б.А. Алпатов, П.В. Бабаян, О.Е. Балашов (РГРТУ); К.К. Веремеенко, Н.В. Ким (МАИ); Ю.В. Визильтер, С.Ю. Желтов (ГосНИИАС); В.И. Сырямкин, В.С. Шидловский (ТомГУ); Я.А. Фурман (МарГТУ); И.Б. Гуревич, Ю.П. Пытьев, Ю.А. Журавлев (МГУ); Л.М. Шарнин, М.П. Шлеймо-вич (КНИТУ-КАИ); Н.Н. Красильников (СпбГУАП) и другие отечественные ученые и специалисты. Среди зарубежных исследователей следует отметить W. Pratt, R. Szeliski, G.K. Winkler, R.C. Gonzalez, R.E. Woods, D. Forsyth, J. Ponce, L.G. Shapiro, G.C. Stockman.

Применительно к тепловизионным изображениям большая часть методов компьютерного зрения в существующих исследованиях не рассматривалась.

Поэтому актуальной научно-технической задачей является разработка специальных моделей, методов и алгоритмов для последующей реализации в системе

дешифрирования тепловизионных аэрофотоснимков. Дешифрирование тепловизи-онных аэрофотоснимков подразумевает автоматизированный поиск антропогенных (созданных человеком) объектов на изображениях, полученных во время полета самолета, с установленным на нем оборудованием тепловизионного сканирования поверхности Земли.

Объект исследования: системы и методы компьютерного зрения, осуществляющие идентификацию объектов на изображении, которые могут быть применены к тепловизионным аэрофотоснимкам.

Предмет исследования: математические модели и методы, алгоритмы обработки изображений и идентификации объектов.

Целью диссертационной работы является повышение эффективности идентификации антропогенных объектов по тепловизионным аэрофотоснимкам в программно-аппаратном комплексе дистанционного зондирования Земли за счет уменьшения количества ложных срабатываний, объема графической информации, передаваемой оператору для анализа, и сокращения времени идентификации объектов.

Для достижения цели необходимо решить следующие задачи:

1) анализ основных направлений разработки систем идентификации объектов по тепловизионным изображениям;

2) разработка многокомпонентной математической модели тепловизионного изображения объекта;

3) разработка метода и алгоритма предварительной обработки тепловизион-ных аэрофотоснимков, позволяющего привести исходные изображения к виду, пригодному для передачи системе и последующей автоматизированной обработке;

4) разработка метода и алгоритма идентификации антропогенных объектов на тепловизионных аэрофотоснимках на основе применения контурного анализа;

5) программная реализация разработанных методов и алгоритмов в виде системы идентификации антропогенных объектов и включение ее в состав программно-аппаратного комплекса дистанционного зондирования Земли;

6) апробация разработанного математического, алгоритмического и программного обеспечения при решении практических задач по идентификации объектов в различных предметных областях.

Методы исследования. При решении поставленных задач использовались методы предварительной обработки изображений, статистической теории распознавания образов, компьютерного зрения, объектно-ориентированного программирования.

Степень достоверности и апробация результатов. Предложенные в диссертационной работе методы, алгоритмы и модель тепловизионного изображения объекта обоснованы и не противоречат известным положениям других авторов. Достоверность научных результатов подтверждена вычислительными экспериментами и результатами практического использования. Диссертация выполнялась в рамках научно-исследовательской работы в АО «НПО ГИПО» и участия в Конкурсе на лучшее решение в области создания интеллектуальных технологий дешифрирования видовой аэрокосмической информации (Фонд перспективных исследований Сколково).

На защиту выносятся следующие результаты:

1) Многокомпонентная математическая модель тепловизионного изображения объекта.

2) Модификация метода эквализации гистограммы с адаптивным ограничением контраста, которая исключает необоснованный выбор параметров метода оператором и позволяет использовать данный метод в автоматизированных системах обнаружения объектов.

3) Метод и алгоритм многоэтапной идентификации антропогенных объектов по тепловизионным аэрофотоснимкам, позволяющий на первых этапах выполнить быстрый и поверхностный анализ большого массива графических данных, а на последних этапах выполнить глубокий анализ и классификацию выделенных фрагментов тепловизионных аэрофотоснимков.

4) комплекс программных модулей, реализующий разработанные методы и алгоритмы, обеспечивающий требуемую функциональность по обработке теплови-зионных аэрофотоснимков и идентификации объектов.

Научной новизной обладают следующие результаты:

1) Разработан новый математический метод моделирования тепловизион-ного изображения объекта, отличающийся многокомпонентностью представления объекта, что позволяет применять модель в условиях обработки тепловизион-ных изображений с помощью методов анализа как самих изображений, так и выделенных на изображении контуров объектов одновременно (п. 1).

2) Разработана модификация метода эквализации гистограммы с адаптивным ограничением контраста, отличающаяся исключением необоснованного выбора параметров метода оператором, что позволяет использовать данный метод в автоматизированных системах обнаружения объектов (п. 3).

3) Создан метод многоэтапной идентификации антропогенных объектов по тепловизионным аэрофотоснимкам, отличающийся тем что на первых этапах осуществляется быстрый и поверхностный анализ большого массива графических данных, а на последних этапах применяется разработанный метод классификации и глубокий анализ выделенных фрагментов тепловизионных аэрофотоснимков, что позволяет уменьшить количество ложных срабатываний, объем графических данных, подвергаемых обработке методами контурного анализа, и сократить время идентификации объектов (п. 3).

4) Разработан комплекс программных модулей, реализующий разработанные методы и алгоритмы, отличающийся включением модулей и функциональных связей, что позволяет обеспечить требуемую функциональность по обработке тепло-визионных аэрофотоснимков и идентификации объектов и проведения вычислительных экспериментов (п. 4).

Теоретическая значимость диссертационной работы заключается в разработке многокомпонентной модели объектов поиска, каждый компонент которой

участвует в процессе дешифрирования графической информации с помощью разработанного многоэтапного метода идентификации антропогенных объектов по тепловизионным аэрофотоснимкам.

Практическая ценность работы заключается в том, что разработанные модели и методы реализованы в виде программных модулей и использованы в составе программно-аппаратного комплекса дистанционного зондирования Земли на предприятии АО «НПО ГИПО», что расширило функционал комплекса, позволив:

- автоматизировать идентификацию антропогенных объектов на тепловизи-

онных аэрофотоснимках;

- повысить качество и информативность тепловизионных аэрофотоснимков;

- уменьшенить количество ложных срабатываний и сократить время идентификации объектов;

- значительно снизить объем графических данных, передаваемых оператору

для анализа.

Практическая ценность подтверждается актом о внедрении.

Разработанные методы, алгоритмы и программные модули могут быть применены независимо друг от друга при решении задач цифровой обработки изображений в различных предметных областях, системах и комплексах.

Соответствие диссертации паспорту научной специальности. В диссертации разработан комплекс программ для идентификации антропогенных объектов по тепловизионным аэрофотоснимкам. Предложен модифицированный метод эк-вализации гистограммы и многоэтапной идентификации объектов по тепловизион-ным изображениям. Разработана оригинальная многокомпонентная модель тепло-визионного изображения объекта.

Таким образом, результаты диссертационного исследования соответствуют следующим пунктам паспорта научной специальности 05.13.18 «Математическое моделирование, численные методы и комплексы программ»:

П1. Разработка новых математических методов моделирования объектов и явлений: разработка математического метода моделирования тепловизионного изображения объекта.

П3. Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий: разработка метода многоэтапной идентификации антропогенных объектов по тепловизион-ным аэрофотоснимкам, модификации метода эквализации гистограммы с адаптивным ограничением контраста, метода классификации контуров объектов и метода фильтрации контуров объектов.

П4. Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента: построение комплекса программных модулей, реализующих систему идентификации антропогенных объектов на основе разработанных методов и алгоритмов.

Апробация работы. Основные результаты диссертационной работы были представлены на следующих международных конференциях: XI Международная Четаевской конференции (Казань, 2017 г.), Международная молодёжная научная конференция XXIII Туполевские чтения (Казань, 2017), XIII Международная научно-техническая конференция "Оптико- электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2017» (Курск, 2017), XXV Международная научно-техническая конференция и школа по фотоэлектронике и приборам ночного видения (Москва, 2018); также на всероссийской конференции: IV Всероссийская научно-практическая конференция молодых ученых и специалистов организаций - ассоциированных членов Российской академии ракетных и артиллерийских наук «Молодежь. Наука. Инновации в обороннопромышленном комплексе» (Реутов, 2020).

Публикации. По теме диссертации опубликовано 3 печатные работы в журналах, рекомендованных ВАК, 1 печатная работа в журнале, индексируемом в Scopus, 8 - в материалах международных конференций, 1 - в материалах всероссийской конференции, 2 патента на изобретение по теме диссертационного исследования. Имеется свидетельство о регистрации программы для ЭВМ.

Реализация результатов работы. Результаты исследований внедрены в АО «НПО ГИПО», что подтверждается актом о внедрении. Они были применены

при выполнении ОКР «Мультивизор» по изготовлению комплекса дистанционного зондирования Земли.

В результате диссертационного исследования были разработаны методы и программные модули, которые применяются в АО «НПО ГИПО» при решении различных задач обработки и анализа тепловизионных изображений.

Разработанные методы защищены патентами на изобретение № 2692420 и № 2672622.

Программное обеспечение, разработанное на основе материалов диссертационной работы, зарегистрировано в государственном реестре программ для ЭВМ и использовано при выполнении ОКР «Мультивизор».

Структура и объем диссертации. Диссертационная работа состоит из введения, 3-х глав, заключения, списка использованной литературы из 107 наименований источников и 4-х приложений. Материал изложен на 108 страницах текста, содержит 53 рисунка и 5 таблиц.

Сведения о личном вкладе. Постановка научно-технической задачи, содержание диссертации и представленные в ней результаты получены лично автором. Подготовка к публикации результатов проводилась совместно с соавторами, причем вклад диссертанта определяющий.

Во введении обоснована актуальность темы проводимых исследований, сформулированы цели и задачи исследования, научная и практическая ценность данной работы, дано описание структуры диссертации.

В первой главе проведен анализ и апробация существующих методов решения задач дешифрирования тепловизионных изображений. По результатам анализа методы по принципу их действия, условно разделены на три группы. Обосновывается выбор методов из каждой группы для комплексного применения в разрабатываемой системе. Сформулирована задача исследования.

Во второй главе представлена разработанная многокомпонентная математическая модель тепловизионного изображения объекта, представляющая собой ком-

плекс трех компонентов. Также во второй главе описан разработанный метод многоэтапной идентификации антропогенных объектов по тепловизионным аэрофотоснимкам.

В третьей главе описана программная реализация метода многоэтапной идентификации антропогенных объектов по тепловизионным аэрофотоснимкам в составе программно-аппаратного комплекса дистанционного зондирования Земли.

В заключении сформулированы основные научные и практические результаты работы.

В приложении А представлены акты о внедрении и использовании результатов диссертационного исследования.

В приложении Б представлено свидетельство о регистрации программы для

ЭВМ.

В приложении В и приложении Г представлены патенты на изобретение.

ГЛАВА 1 СОВРЕМЕННЫЕ МЕТОДЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ И

КОМПЬЮТЕРНОГО ЗРЕНИЯ

В настоящее время существует большое количество методов компьютерной обработки графических данных и их модификаций. На основе этих методов разработано множество алгоритмов и систем для распознавания объектов. В рамках диссертационной работы был проведен анализ существующих методов решения задач поиска и идентификации объектов на изображении.

По результатам данного анализа существующие методы по принципу их действия условно распределяются на три группы:

- методы предварительной обработки изображения;

- методы изучения характеристик объектов;

- методы принятия решений.

В настоящей главе приведены методы из всех трех групп, а также результат их апробации на тепловизионных аэрофотоснимках. Из группы методов предварительной обработки рассмотрены различные способы гистограммной обработки и методы выделения контуров на изображении. Методы изучения характеристик объектов представлены контурным анализом. Из методов принятия решений в задачах распознавания рассмотрены корреляционный анализ, классификаторы и нейронные сети.

1.1 Методы предварительной обработки изображения

Методы предварительной фильтрации и обработки позволяют подготовить изображение для дальнейшей работы с ним оператора или для работы с ним автоматизированной системы обработки изображений. К этим методам относится обработка гистограммы изображений, фильтрация низких и высоких частот изображения, фильтрации контуров объектов на изображениях, сегментация изображений.

1.1.1 Обработка гистограммы изображения

Распределение значений яркости пикселей изображения описывается его гистограммой Н:

Р {х = к} = Н(к) / N (1)

где к - яркость, Н(к) - столбец гистограммы, соответствующий яркости к, N - общее число пикселей изображения.

К построенной гистограмме изображения может быть применен один из методов обработки гистограммы. К таким методам относят различные модификации эквализации гистограммы.

1.1.1.1. Эквализация гистограммы

Эквализация гистограммы предполагает определение такой функции преобразования гистограммы, которая позволит уравновесить распределение яркостей изображения по всему яркостному диапазону.

Эквализация гистограммы [12] основана на вероятности появления в изображении пикселя той или иной ярости, функция распределения которой имеет вид:

Р(к)= , к= 0255 (2)

На основании полученных значений рк строится таблица распределения вероятностей, в которой для каждого столбца исходной гистограммы хранится числовое значение. Для наглядности результата применения методов, в разделе 1.1.1 используется не все исходное изображение (см. рисунок 1.1 (а)), а его часть (см. рисунок 1.1 (б)). Результат эквализации приведен на рисунке 1.1 (в).

Рисунок 1.1 - а) Тепловизионное изображение населенного пункта с прямоугольными постройками; б) исходное изображение; в) эквализованное изображение

У изображения повысилась контрастность, произошло усиление деталей, но при этом появились черные и белые однородные области, внутри которых детали неразличимы. Это связано со спецификой гистограммы исходного изображения, так как столбцы в гистограмме распределены не равномерно, а сконцентрированы по ее краям.

1.1.1.2 Адаптивная эквализация гистограммы изображений

Метод адаптивной эквализации гистограммы AHE (Adaptive Histogram Equalization) [17] заключается в том, что изображение разбивается на сегменты, для каждого пикселя изображения вычисляется новое значение яркости путем построения и эквализации гистограммы окрестности этого пикселя и получения нового значения яркости по построенной таблице преобразования.

Блок-схема метода AHE представлена на рисунке 1.2.

Построение гистограмм 4 соседних сегментов

4 функции распределения вероятностей для эквализации гистограмм

Определение новых значений яркости каждого пикселя.

(на основании 4 функций распред. вер.)

Рисунок 1.2 - Блок-схема метода AHE На рисунке 1.3 представлена схема вычисления значения яркости пикселя изображения xt,j, значение которого вычисляется на основании четырех таблиц преобразований для ближайших сегментов и весов, определяемых удаленностью пикселя Xj,y от центров четырех сегментов.

Рисунок 1.3 - Вычисление яркости пикселя Размер окрестности зависит от исходного изображения и выбирается индивидуально в результате эксперимента. Результат реализации метода AHE приведен на рисунке 1.4 (б).

Рисунок 1.4 - а) Исходное изображение; б) обработанное методом AHE изображение

Метод адаптивной эквализации гистограммы существенно повышает контрастность изображения, позволяет визуально различать объекты изображения, которые не были видны до преобразования.

Недостатком метода адаптивной эквализации гистограммы является усиление шумов на изображении и необходимость ручного подбора размера сегмента изображения для реализации в автоматизированной системе.

1.1.1.3 Эквализация гистограммы изображений с адаптивным ограничением контраста

Метод эквализации гистограммы изображения с адаптивным ограничением по контрасту CLAHE (Contrast Limited Adaptive Histogram Equalization) [17, 18] является усовершенствованным методом AHE. Изначально он был успешно применен для улучшения медицинских низкоконтрастных изображений. Суть данного метода состоит в том, что устанавливается ограничение на максимальное количество пикселей в столбцах гистограмм каждого сегмента, а обрезанные части столбцов равномерно распределяются по всей гистограмме. Максимальное количество пикселей в столбце гистограммы определяется так:

, _ т*п

max & * ы (3)

К

где ктах - максимальное количество пикселей в столбце гистограммы; т,п - размер изображения; К - количество столбцов гистограммы; а - константа, регулирующая степень влияния обработки на исходное изображение. На рисунке 1.5 приведена блок-схема метода CLAHE.

Рисунок 1.5 - Блок-схема метода CLAHE

Результат применения метода CLAHE представлены на рисунке 1.6 (б).

Рисунок1.6 - а) Исходное изображение; б) обработанное методом CLAHE изображение

Метод CLAHE существенно повышает контрастность изображения, и, в отличии от метода AHE, не приводит к усилению шумов на изображении. Недостатком метода CLAHE является необходимость ручного перебора размера сегмента изображения и значения hmax для реализации в автоматизированной системе.

1.1.2 Выделение контуров объектов на изображениях

Методы выделения контуров объектов используются при переходе от работы с самим изображением к работе с объектами на этом изображении. Существует ряд алгоритмов, решающих задачу нахождения на изображении контуров. Три самых распространенных оператора, решающих эту задачу - оператор Собеля, оператор Лапласа, оператор Кенни. Оператор Кенни показал себя наиболее эффективным для тепловизионных изображений.

1.1.2.1 Оператор Кенни

Оператор (детектор границ) Кенни позволяет выделить границы объектов на тепловизионном изображении, он использует многоступенчатый алгоритм для обнаружения широкого спектра границ на изображении [7]. Работа Джона Кенни по созданию детектора границ была проведена на заре компьютерного зрения

(1986 г.), при этом оператор Кенни до сих пор является одним из лучших детекторов границ. Кроме специфических случаев трудно найти детектор границ, который бы работал существенно лучше, чем оператор Кенни. Результат применения оператора Кенни к тепловизионному аэрофотоснимку представлен на рисунке 1.7.

Рисунок1.7 - а) Исходное изображение; б) результат применения оператора Кенни

Оператор Кенни позволяет четко выделить границы объектов на тепловизи-онных аэрофотоснимках. Его применение актуально в системах автоматизированной обработки тепловизионных изображений.

1.1.2.2 Оператор Собеля

Оператор Собеля представляет собой дискретный дифференциальный оператор, вычисляющий приближенные значения производных разного порядка для функции яркости пикселей. Результат достигается тем, что оператор Собеля определяет точки резкого изменения яркости [5].

Оператор Собеля основан на свертке. Если А - исходное изображение, то с помощью операции свертки определяются два новых изображения и , на которых каждая точка содержит приближенные производные по х и по у соответственно :

Сх -1 0 1 , су -1 -2 -1

-2 0 2 * А 0 0 0

-1 0 1 1 2 1

* А

где звездочкой (*) обозначена операция свертки. Свертка - это операция, при которой новое изображение получают таким образом, что происходит последовательное вычисление нового значения яркости каждого пикселя, учитывающее значение окружающих его пикселей. Для вычисления значения яркости используют матрицу, называемую ядром свертки. Обычно ядро свертки является квадратной матрицей п*п, где п — нечетное число. Во время вычисления нового значения выбранного пикселя ядро свертки «прикладывается» своим центром к данному пикселю. Окружающие пиксели так же «накрываются» ядром. Далее вычисляют сумму, где слагаемыми являются произведения значений пикселей и соответствующих значений ячеек ядра свертки. Сумма делится на сумму всех элементов ядра свертки. Полученное значение является новым значением текущего пикселя. Свертку применяют к каждому пикселю изображения.

Координата х здесь возрастает «направо», а у — «вниз». В каждой точке изображения приближённое значение величины градиента можно вычислить путём использования полученных приближенных значений производных:

С = + С} (5)

Результат применения оператора Собеля к тепловизионным аэрофотоснимкам представлен на рисунке 1.8 (б). Особенностью использования оператора Со-беля является тот факт, что по окончанию обработки изображения с его применением необходимо провести бинаризацию по порогу яркости.

Рисунок 1.8 - а) Исходное изображение; б) результат оператора Собеля

1.1.2.3 Оператор Лапласа

Оператор Лапласа [6] позволяет выделить на изображении границы, он реализуется в виде свертки, ядром свертки является матрица следующего вида:

-1 -1 -1

-1 8 - 1

-1 -1 -1

При использовании оператора Лапласа в равной степени учитываются возможные перепады яркости во всех направлениях, так как все элементы матрицы свертки, кроме центрального, равны. Результат выделения границ на тепловизион-ном изображении с использованием оператора Лапласа представлен на рисунке 1.9 (б).

а)

ЙШ

б)

' -Л'.''

Рисунок 1.9 - а) Исходное изображение; б) результат оператора Лапласа

Особенностью оператора Лапласа является тот факт, что по окончанию обработки изображения с его применением, необходимо провести бинаризацию по порогу яркости.

1.1.3 Сегментация

Одним из часто применяемых способов в задачах распознавания образов является сегментация [23-29] — разделение изображения на области, для которых выполняется определенный критерий однородности, например, выделение на изображении областей приблизительно одинаковой яркости. Понятие области изображения используется для определения связаной группы пикселей изображения, име-

ющих общий признак. Результат сегментации представлен на рисунке 1.12. В результате такой обработки получают новое изображение, на котором в разные цвета окрашены разные области изображения. Сегментация часто используется для выделения контуров на изображении, так как контурами (границами) является линия, расположенная на стыке двух сегментов.

Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Список литературы диссертационного исследования кандидат наук Агафонова Регина Ренатовна, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Захаров, Р.К. Методы повышения качества изображения в задачах распознавания [Электронный ресурс] / Р.К. Захаров // Современные научные исследования и инновации - 2012. - №8. - Режим доступа: http://web.snauka.ru/issues/2012/08/16488. - (Дата обращения: 07.03.2022).

2. Прэтт, У. Цифровая обработка изображений / У.Прэтт - М.: Мир, 1982. - 790 с.

3. Яне, Б. Цифровая обработка изображений / Б. Яне; пер. с англ. А.М: Измайловой. -М.: Техносфера, 2007. -584 с.

4. Абламейко, C.B. Обработка изображений: технология, методы, применение / C.B. Абламейко, Д.М. Лагуновский. - Мн.: Амалфея, 2000. - 304 с.

5. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, B.C. Киричук, В.П. Косых, Г.И: Перетягин, A.A. Спектор. -Новосибирск: Изд-во НГТУ, 2002. - 352 с.

6. Adelson, E. Pyramid methods in image processing / E. Adelson, P. Burt, C. Anderson, J.M. Ogden, J. Bergen // RCA Engineer. - 1984. - Vol.29, No 6. -P. 33-41.

7. Kenny, A. A stylometric study of Aristotele's Metaphysics / A. Kenny // Association for Literary and Linguistic Computing Bulletin. - 1979. - Vol. 7(1). - P. 12-20.

8. Хемминг, Р. В. Цифровые фильтры / Р. В. Хемминг: Пер. с англ. / Под ред. А. М. Трахтмана. - М.: Сов. радио, 1980. - 224 с.

9. Карташев, В. Г. Основы теории дискретных сигналов и цифровых фильтров / В. Г. Карташев. - М.: Высш. шк., 1982. - 109 с.

10. Воронин, В.В. Алгоритм реконструкции изображений на основе анализа локальных бинарных окрестностей [Электронный ресурс] / В.В. Воронин, Р.А. Сизякин, Н.В. Гапон, В.А. Франц, А. Ю. Колосов // «Инженерный вестник Дона», 2013, № 3. - Режим доступа: http://ivdon.ru/uploads/article/pdf/IVD_96_voronin.pdf_1857.pdf. - (Дата обращения: 07.03.2022).

11. Абду, И.Э. Количественный расчет детекторов контуров, основанных на подчеркивании перепадов яркости с последующим пороговым ограничением / И.Э. Абду, У.К. Прэтт // ТИИЭР. - 1979. - Т. 67. № 5. - С. 59-70.

12. Р. Гонсалес Цифровая обработка изображений / Р. Гонсалес, Р.Вудс -М.: Техносфера, 2012. - 1104 с.

13. Гонсалес, Р. Цифровая обработка изображений в среде Matlab / Р. Гонсалес, Р. Вудс, С. Эддинс - М.: Техносфера, 2006. - 616 с.

14. Хрящев, Д.А. Повышение качества изображений, полученных в условиях недостаточной освещенности [Электронный ресурс] / Д.А. Хрящев // Инженерный вестник Дона - 2013. - №3. - Режим доступа: http://www.ivdon.ru/uploads/article/pdf/ Khryashchev.pdf_1796.pdf . - (Дата обращения: 07.03.2022).

15. Кириллов, С.Н. Алгоритм эквализации на основе многокомпонентного бета-распределения яркости изображения / С.Н. Кириллов, И.В. Костин // Вестник РТРТУ. - 2007. - № 21. - С. 12 - 16.

16. Быков, P.E. Цифровое преобразование изображений: учеб. пособие для вузов / P.E. Быков, Р. Фрайер, К.В. Иванов; A.A. Манцветов; под ред. проф. P.E. Быкова. -М.: Горячая линия-Телеком, 2003. -228 с.

17. Pizer, S. M. Adaptive Histogram Equalization and its Variations / S.M. Pizer, E.P. Amburn, J.D. Austin, R. Cromartie, A. Geselowitz, T. Greer, B.M. ter Haar Romeny, J.B. Zimmerman, K. Zuiderveld // Computer Vision, Graphics and Image Processing -1987- vol. 39 - P. 355-368.

18. Zuiderveld, K. Contrast Limited Adaptive Histogram Equalization / K. Zuiderveld // Chapter VIII.5, Graphics Gems IV. P.S. Heckbert (Eds.), Cambridge, MA, Academic Press - 1994 - P. 474-485.

19. Pizer, S.M. Adaptive Grey Level Assignment in CT Scan Display / S.M. Pizer, J.B. Zimmerman, and E.V. Staab // Journal of Computer Assisted Tomography. - 1984. -vol. 8 - P. 300-308.

20. Martinez, D. Online Adaptive Histogram Equalization / D. Martinez // Neural Networks for Signal Processing VIII, Proceedings of the 1998 IEEE Signal Processing Society Workshop. - 1998. - P. 531-538.

21. Ali M. Reza Realization of the Contrast Limited Adaptive Histogram Equalization (CLAHE) for Real-Time Image Enhancement / Ali M. Reza // Journal of VLSI Signal Processing. - 2004. - № 38. - P. 35 - 44.

22. Яне, Б. Цифровая обработка изображений / Б. Яне; пер. с англ. А.М: Измайловой. -М.: Техносфера, 2007. -584 с.

23. Ахметшин, А.М. Сегментация низкоконтрастных изображений с применением иерархической модели Марковского случайного поля / А.М. Ахметшин, А.Е. Федоренко // Искусственный интеллект 2002. - №4. - С.414-421.

24. Linda G. Shapiro Computer Vision / Linda G. Shapiro, George C. Stockman - New Jersey, Prentice-Hall, 2001. - 580 р.

25. Dzung L. Pham Current Methods in Medical Image Segmentation / Dzung L. Pham, Chenyang Xu, Jerry L. Prince // Annual Review of Biomedical Engineering - 2000 - Vol. 2 - P. 315 - 337.

26. Ron Ohlander Picture Segmentation Using a Recursive Region Splitting Method / Ron Ohlander, Keith Price, D. Raj Reddy //Computer Graphics and Image Processing -1978 - Vol. 8 - P. 313-333.

27. Graph-theoretical methods for detecting and describing gestalt clusters / C. T. Zahn // IEEE Transactions on Computers - 1971 - Vol. 20, No. 1 - P. 68-86.

28. Automatic Image Segmentation using Wavelets / Kumar, Raja, Venugopal, Patnaik // International Journal of Computer Science and Network Security. - 2009. - Vol. 9, №.2. - P. 75 - 81.

29. Розенфельд, А. Сегментация и модели изображения / А. Розенфельд, Л.С. Дейвис // ТИИЭР. - 1979. - Т. 67. № 5. - С. 71 - 81.

30. Коротеев, М.В. Обзор некоторых современных тенденций в технологии машинного обучения [Электронный ресурс] / М.В. Коротеев // E-Management. -2018. - №1. - С. 26-35. - Режим доступа: doi.org/10.26425/2658-3445-2018-1-26-35-(Дата обращения: 15.02.2022).

31. Фисенко, В.Т. Компьютерная обработка и распознавание изображений: учеб. Пособие / В.Т.Фисенко, Т.Ю. Фисенко -СПб: СПбГУ ИТМО, 2008. - 192с.

32. Головашкин, Д.Л. Численный анализ прохождения света через антиотражающую алмазную структуру в рамках электромагнитной теории / Д.Л. Головашкин, В.С. Павельев, В.А. Сойфер // Компьютерная оптика. - 1999. -№ 19. - С. 44-46.

33. Дороничева, А. В. Методы распознавания медицинских изображений для задач компьютерной автоматизированной диагностики [Электронный ресурс] / А. В. Дороничева, С. З. Савин // Современные проблемы науки и образования. - 2015. - Режим доступа: http://www.science-education.ru/118-14414 - (Дата обращения: 03.14.2022).

34. Толеубекова, Ж. З. Применение радарной интерферометрии при изучении подработанных территорий / Ж. З. Толеубекова, Д. В. Мозер, А. К. Омарова, А. С. Туякбай // ИНТЕРЭКСПО ГЕО-Сибирь. - 2012. - том 1. - С. 217-221.

35. Быков А. Л. Применение материалов аэрофотосъемки с беспилотного летательного аппарата для картографического обеспечения археологических работ / А. Л. Быков, Костюк А. С., Быков В. Л. // ИНТЕРЭКСПО ГЕО-Сибирь. - 2013. -№ 1, том 4. - Режим доступа: https://cyberleninka.ru/article/n/primenenie-materialov-aerofotosemki-s-bespilotnogo-letatelnogo-apparata-dlya-kartograficheskogo-obespecheniya-arheologicheskih (дата обращения: 23.03.2022).

36. Визильтер Ю. В. Обработка и анализ изображений в задачах машинного зрения / Ю. В. Визильтер, С.Ю. Желтов, А.В. Бондаренко, М.В. Ососков, А.В. Моржин - М.: Физматкнига, 2010. - 672 с.

37. Фурман, Я.А. Введение в контурный анализ; приложения к обработке изображений и сигналов / Я.А. Фурман , А.В. Кревецкий, А.К. Передреев , А.А. Роженцов, Р.Г. Хафизов, И.Л. Егошина, А.Н. Леухин - М.: ФИЗМАТЛИТ, 2003, - 592 с.

38. Viola, P. Rapid object detection using a boosted cascade of simple features / Viola P., Jones M.J. // IEEE Conf. on Computer Vision and Pattern Recognition. - Kauai, Hawaii, USA. - 2001. - V.1. - P 511-518.

39. Гашников, М.В. Методы компьютерной обработки изображений / Н.И. Глумов, Н.Ю. Ильясова, В.В. Мясников, С.Б. Попов, В.В. Сергеев, В.А.

Сойфер, А.Г. Храмов, А.В. Чернов, В.М. Чернов, М.А. Чичева, В. А. Фурсов - М.: ФИЗМАТЛИТ, 2003. - 784 с.

40. Хонина, С.Н. Оптико-цифровая система для идентификации отпечатков пальцев в режиме реального времени / С.Н. Хонина, В.В. Котляр, А.Г. Налимов, Р.В. Скиданов, В.А. Сойфер // Оптический журнал. -2003. - Т. 70, № 8. - С. 7074.

41. Pouli, T. Image Statistics in Visual Computing. / T. Pouli, E. Reinhard, D. Cunningham - CRC Press, 2014. - P. 35.

42. Фу, К. Структурные методы в распознавании образов / К. Фу - М.: Мир. 1977. -320 с.

43. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт; пер. с англ. под ред. В. Л. Стефанюка. -М.: Мир, 1976. -502 с.

44. Geman, D. et al. Boundary detection by constrained optimization / D.Geman // IEEE Trans. Pattern Analysis and Machine Intelligence (PAMI). - 1990. - V. 12. -P. 609 - 628.

45. Разин, И.В. Математическая модель для экспресс-оценки степени сходства изображений / И.В. Разин, В.В. Тетерин // Оптический журнал. 2001. - № 11. -С. 33-37.

46. Добеши, И. Десять лекций по вейвлетам / И. Добеши - Ижевск: РХД, 2001. - 464 с.

47. Дьяконов, В. П. Вейвлеты. От теории к практике / В. П. Дьяконов— М.: СОЛОН-Пресс, 2004. - 440 с.

48. Малла, С. Вэйвлеты в обработке сигналов. / С. Малла - М.: Мир, 2005. - 672 с.

49. Смоленцев, Н. К. Введение в теорию вейвлетов / Н. К. Смоленцев — Ижевск: РХД, 2010. - 292 с.

50. Mallat, S. A theory for multiresolutional signal decomposition: the wavelet representation. / Mallat S.// IEEE Trans. Pattern Analysis and Machine Intelligence. -1989.- N7.- p.674-693.

51. Вапник В.Н. Теория распознавания образов / В.Н. Вапник, А. Червоненкис -М.: Наука, 1974. - 415 с.

52. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт - М.:Мир.1976. - 511 с.

53. Одрин, В. М. Морфологический анализ систем. Построение морфологических таблиц / В.М. Одрин, С.С. Картавов - Киев: Наукова думка, 1977. - 498 c.

54.Тоан Тханг Нгуен Алгоритмическое и программное обеспечение для распознавания фигур с помощью фурье-дескрипторов и нейронной сети / Тоан Тханг Нгуен - Известия Томского политехнического университета. - 2010. -Т. 317. - № 5. - С.122-125.

55. Hussain, S.U. Machine Learning Methods for Visual Object Detection / S.U. Hussain // General Mathematics, Universite de Grenoble - 2011. - 140 p.

56. Писаревский, А.Н. Системы технического зрения / А.Н. Писаревский, А.Ф. Черняховский, Г.К. Афанасьев - Л.: Машиностроение, 1988. - 424 с.

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

58. Rifkin, R. In Defense of One-Vs-All Classification /. Rifkin R., Aldebaro K. Journal of Machine Learning Research. - 2004. - vol, 5 - P. 101-141.

59. Гданский, Н.И. Линейная классификация объектов с использованием нормальных гиперплоскостей [Электронный ресурс] / Н.И. Гданский, М.Л. Рысин, А.М. Крашенинников // Инженерный вестник Дона - 2012. - №4. - Режим доступа: ivdon.ru/magazine/archive/n4ply2012/1324/ - (Дата обращения: 07.03.2022).

60. Гданский, Н.И. Бинарная кластеризация объектов в многомерных пространствах признаков // Н.И. Гданский, А.М. Крашенников / Труды Социологического конгресса. - РГСУ, 2012. - С. 94-98.

61. Козадаев, А. С. Принципы реализаций искусственной нейронной сети / А. С. Козадаев // Вестник Тамбовского университета. - 2010. - № 1. - Т. 15. С. 108-110.

62. Мерков, А. Распознавание образов. Введение в методы статистического обучения / А. Мерков. - М.: Едиториал, УРСС, 2011. - 256 с.

63. Круглов, В. В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В. В Борисов. - М.: Горячая линия-Телеком, 2001. - 382 c.

64. Ясницкий, Л.Н. Введение в искусственный интеллект: Учебное пособие для студ. высш. учебн. заведений / Л.Н. Ясницкий. - М.: Издательство «Академия»,

2005. - 176 с.

65. Shapiro, M.J. Cognitive processes and foreign policy decision-making. / M.J. Shapiro, G.M. Bonhab // International Studies Quarterly. - 1973. - №17. -P.147-174.

66. Комарцова, Л. Г. Нейрокомпьютеры: Учебное пособие для вузов / Л. Г. Комарцова, А. В. Максимов. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 320 с.

67. Крашнин, А.М. Построение сложных классификаторов для объектов в многомерных пространствах [Электронный ресурс] / А.М. Крашнин, Н.И. Гданский, М.Л. Рысин // Инженерный вестник Дона. - 2013. - №2. - Режим доступа: URL: ivdon.ru/magazine/archive/n2ply2013/1611/ - (Дата обращения: 05.03.2022).

68. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия. - Телеком,

2006. - 147 c.

69. Сойфер, В.А. Методы компьютерной обработки изображений /

B. А. Сойфер. - M.: Физматлит, 2003. - 459 c.

70. Тархов, Д.А. Нейронные сети. Модели и алгоритмы. Книга 18 / Д. А. Тархов. - М.: Радиотехника, 2005. - 256 с.

71. Хайкин, С. Нейронные сети: полный курс, 2-е издание /

C. Хайкин. - М.: Вильямс, 2006. - 1104 с.

72. Царегородцев, В.Г. Оптимизация предобработки признаков выборки данных: критерии оптимальности / В.Г. Царегородцев // Нейрокомпьютеры. - 2005. - №4. -С. 32-40.

73. Щеглов, И.Н. Алгоритм формирования репрезентативной обучающей выборки искусственной нейронной сети / И. Н. Щеглов, С. А. Демченко, A. B. Богомолов,

A. A. Подлесских // Нейрокомпьютеры и их применение: материалы V Всероссийской конференции. - Москва, 1999. - С. 405-407.

74. Bengio, Y. Learning deep architectures for AI / Y. Bengio // Foundations and Trends in Machine Learning. - 2009. - Vol. 2. - pp. 1-127.

75. Энгель, Е.А. Использование иерархических нейронных сетей для распознавания многоэлементных зрительных сцен / Е.А. Энгель, О.И. Завьялова // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. Сибирский государственный аэрокосмический университет им. акад. М.Ф. Решетнева. - 2009. - №3. - С.39-43.

76. Агафонова, Р.Р. Оценка точности работы классификаторов в задачах компьютерного зрения / Агафонова Р.Р., Габдуллин И.М., Мингалев А.В. // XXIII Туполевские чтения (школа молодых учёных): Международная молодёжная научная конференция, 2017: Материалы конференции. Сборник докладов. Т. 2 -Казань: Изд-во Академии наук РТ. - 2017. - С. 462-469.

77. Гайдышев, И.П. Оценка качества бинарных классификаторов / И.П. Гайдышев // Вестник Омского университета. - 2016. - № 1. - С. 14-17.

78. Агафонова, Р.Р. Многомерная математическая модель и геометрический метод классификации объектов [Электронный ресурс] / Р.Р. Агафонова, И.М. Габдуллина, А.В. Мингалёв // Инженерный вестник Дона - 2021 - №12. -Режим доступа: http://www.ivdon.ru/ru/magazine/archive/n12y2021/7365 - (Дата обращения: 06.03.2022).

79. Николаев, П. П. Некоторые алгоритмы узнавания окраски поверхностей / П. П. Николаев // Моделирование обучения и поведения. - 1975. -С. 121-151.

80. Савицкий, С. Методы и алгоритмы обработки изображений в системах технического зрения. Машинное зрение / С. Савицкий [и др.] // Российская наука в современном мире. Т. 10. - 2017. - С. 61.

81. Агафонова, Р.Р. Система идентификации антропогенных объектов по тепловизионным аэрофотоснимкам / Агафонова Р.Р., Роднищев Н.Е. // Вестник Технологического Университета - 2022 - №4 - С. 94-98.

82. Бондаренко, А.Н. Адаптивный двухступенчатый метод классификации изображений/А.Н. Бондаренко, А.В. Кацук // Искусственный интеллект. - 2006. -№4. - С. 676-680.

83. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, В.С. Киричук и др. - Новосибирск: Изд-во НГТУ, 2002. - 352 с.

84. Захаров, Р.К. Методы повышения качества изображения в задачах распознавания [Электронный ресурс] / Р.К. Захаров // Современные научные исследования и инновации, 2012. - №8 - Режим доступа: https://web.snauka.ru/issues/2012/08/16488 - (Дата обращения: 03.04.2022).

85. Хрящев, Д.А. Повышение качества изображений, полученных в условиях недостаточной освещенности [Электронный ресурс] / Д.А. Хрящев // «Инженерный вестник Дона», 2013, - № 3 - Режим доступа: http://ivdon.ru/magazine/archive/n3y2013/1796 - (Дата обращения: 03.03.2022).

86. Агафонова, Р.Р. Способы обработки гистограммы тепловизионного изображения [Электронный ресурс] / Р.Р. Агафонова, А.В. Мингалев, С.Н. Шушарин // Инженерный вестник Дона - 2019 - №1. - Режим доступа: http://www.ivdon.ru/ru/magazine/ archive/n1y2019/5657 - (Дата обращения: 03.04.2022).

87. Агафонова, Р.Р. Методы обработки тепловизионных изображений в программно-аппаратном комплексе автоматического поиска и обнаружения объектов / Р.Р. Агафонова, А.В. Мингалев // Труды IV Всероссийской научно-практической конференции молодых ученых и специалистов организаций -ассоциированных членов Российской академии ракетных и артиллерийских наук «Молодежь. Наука. Инновации». - 2020. - С. 51-56.

88. Агафонова, Р.Р. Способы обработки гистограммы тепловизионного изображения / Р.Р. Агафонова, А.В. Мингалев, С.Н. Шушарин // Труды XXV Международной научно-технической конференции и школы по фотоэлектронике и приборам ночного видения в 2-х томах. Том1. - М.: Издательство «ОФСЕТ МОСКВА», 2018- С. 200-203.

89. Krizhevsky, A. Imagenet classification with deep convolutional neural networks / Krizhevsky, A., Sutskever, I., Hinton, G.E // NIPS. - 2012. - pp. 1106-1114.

90. Царегородцев, В. Г. Сверточные нейронные сети с полиномиальными (highorder) сумматорами нейронов [Электронный ресурс] // Режим доступа: http://neuropro.ru/memo334.shtml (дата обращения 09.03.2022).

91. Caffe. Deep learning framework by the BVLC [Электронный ресурс] // Режим доступа: http://caffe.berkeleyvision.org/ (дата обращения 09.03.2022).

92. Агафонова, Р.Р. Распознавание тест-объектов на тепловизионных изображениях / А.В. Мингалев, А.В. Белов, И.М. Габдуллин, Р.Р. Агафонова, С.Н. Шушарин // Компьютерная оптика. - 2019. - №3, Том 43 - С. 402-411.

93. Агафонова, Р.Р. Применение интерполяции значений яркости пикселей при определении координат тест-объектов на тепловизионных изображениях с субпиксельной точностью / И.М. Габдуллин, А.В. Мингалев, Р.Р. Агафонова, А.В. Белов, С.Н. Шушарин // Труды XXV Международной научно-технической конференции и школы по фото-электронике и приборам ночного видения в 2-х томах. Том 2.-М.: Издательство «ОФСЕТ МОСКВА». - 2018. - С. 461-463.

94. Агафонова, Р.Р. Способ организации вычислений с использованием процессоров INTEL XEON E5-2697V3 / А.В. Мингалёв, Р.Р. Агафонова, И.М. Габдуллин // XIII Международная научно-техническая конференция «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2017», 16-19 мая 2017 года, г. Курск. Сборник материалов науч.-техн. конф. - Курск: Юго-Зап. гос. ун-т. -2017. - С. 252-255.

95. Агафонова, Р.Р. Способ распознавания и определения координат тест-объектов на тепловизионных изображениях с субпиксельной точностью / И.М. Габдуллин, Р.Р. Агафонова, А.В. Мингалев // XXIII Туполевские чтения (школа молодых учёных): Международная молодёжная научная конференция, 8-10 ноября 2017 года: Материалы конференции. Сборник докладов. Т. 2 - Казань: Изд-во Академии наук РТ. - 2017. - С. 634-638.

96. Агафонова, Р.Р. Применение нейронных сетей для определения степени неоднородности изображения / А.В. Белов, Р.Р. Агафонова, А.В. Мингалев, С.Н. Шушарин // Труды XXV Международной научно-технической конференции и школы по фотоэлектронике и приборам ночного видения в 2-х томах. Том 1 -М.: Издательство «ОФСЕТ МОСКВА». -- 2018. - С. 214-216.

97. Патент № 2692420 Российская Федерация, МПК G06K 9/62, G06F 17/30, G06K 9/627, G06N 7/005. Способ идентификации и классификации объектов: №2017132647: заявл. 18.09.2017 : опубликовано 24.06.2019 / Р.Р. Агафонова, А.В. Мингалев, И.М. Габдуллин, С.Н. Шушарин; заявитель РФ.

98. Graham, R.L. An efficient algorithm for determining the convex hull of a finite planar set, 28.01.1972.

99. Агафонова, Р.Р. Способ распознавания объектов, находящихся на водной поверхности / Р.Р. Агафонова, И.М. Габдуллин, А.В. Мингалёв // Аналитическая механика, устойчивость и управление: труды XI Международной Четаевской конференции. Т.4. Секция 4. Компьютерные технологии в науке, образовании, управлении производством. - Казань: КНИИТУ-КАИ. - 2017. - С. 16-20.

100. Агафонова, Р.Р. Обнаружение объектов прямоугольной формы на тепловизионном изображении с помощью правил с настраиваемыми параметрами / Р.Р. Агафонова, И.М. Габдуллин, А.В. Мингалёв // XIII Международная научно-техническая конференция "Оптико- электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2017». - Курск: Юго-Зап. гос. ун-т. - 2017. - С. 30-32.

101. Красильщиков, М.Н. Современные информационные технологии в задачах навигации и наведения беспилотных маневренных летательных аппаратах / К.К. Веремеенко, С.Ю. Желтов, Н.В. Ким, Д.А. Колорез, Г.Г. Себряков, М.Н. Красильщиков, К.И. Сыпало, А.И. Черноморский; под ред. М.Н. Красильщикова, Г.Г. Себрякова - М.: ФИЗМАТЛИТ, 2009. - 556 с.

102. Дж. Ллойд Системы тепловидения. - М.: Издательство «Мир», 1978. -414 с.

103. Тарасов, В.В. Инфракрасные системы смотрящего типа / В.В. Тарасов, Ю.Г. Якушенков - М.: Логос, 2004. - 192 c.

104. Тарасов, В.В. Многоспектральные оптико-электронные системы / В.В. Тарасов, Ю.Г. Якушенков // Спец. техника. - 2002. - № 4. С. 56-62.

105. Патент № 2672622 Российская Федерация, МПК G06K 9/48, G06K 9/52, G06K 7/44. Способ распознавания графических образцов объектов: № 2017132646 : заявл. 18.09.2017 : опубл. 16.11.2018 / А.В. Мингалев, Р.Р. Агафонова, И.М. Габдуллин, А.В. Николаев, Ф.А. Сарыков, С.Н. Шушарин; заявитель РФ.

106. Свидетельство о государственной регистрации программы для ЭВМ 2022613962 РФ. Программа для идентификации объектов по тепловизионным изображениям / Р.Р. Агафонова, А.В. Мингалев ; заявитель и правообладатель Акционерное общество «Научно-производственное объединение «Государственный институт прикладной оптики». - № 2022613115 ; заявл. 04.03.2022 ; опубл. 15.03.2022.

107. Бухаров, Т.А. Обзор среды разработки программных приложений Visual Studio / Т.А. Бухаров, А.Р. Нафикова // Colloquium-journal. - 2019. - № 14-2 (38). - С. 101-104.

ПРИЛОЖЕНИЕ А. АКТ О ВНЕДРЕНИИ

ПРИЛОЖЕНИЕ Б. СВИДЕТЕЛЬСТВО О РЕГИСТРИЦИИ ПРОГРАММЫ

ДЛЯ ЭВМ

ПРИЛОЖЕНИЕ В. ПАТЕНТ НА ИЗОБРЕТЕНИЕ

ПРИЛОЖЕНИЕ Г. ПАТЕНТ НА ИЗОБРЕТЕНИЕ

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