Проблемы применения классических методов распознавания для фотографических изображений пыльцевых зерен

Размер: px
Начинать показ со страницы:

Download "Проблемы применения классических методов распознавания для фотографических изображений пыльцевых зерен"

Транскрипт

1 Проблемы применения классических методов распознавания для фотографических изображений пыльцевых зерен Андрей Черных, Елена Замятина Пермский государственнй национальный исследовательский университет, Пермь, Россия, Аннотация. Рассматриваются проблемы применения классических методов распознавания фотографических изображений зерен пыльцы. Исследования относятся к области палинологии и являются междисциплинарными. Автоматизированное распознавание зерен пыльцы необходимо для решения ряда задач, которые являются предметом исследования ученых биологического факультета Пермского государственного национального исследовательского университета. К этим задачам относятся, в частности, задача определения качества меда по содержанию того или иного вида зерен пыльцы в нем или определения периода пыления того или иного вида растений по количественному содержанию этих видов в специальных ловушках. Определение периода пыления растений, являющихся аллергенами, актуально, например, для предупреждения людей, страдающих различными видами аллергий о необходимости принимать дополнительные меры безопасности жизнедеятельности. Авторы доклада последовательно рассматривают этапы предварительной обработки фотографических изображений пыльцевых зерен (масштабирование, сегментация, бинаризация) и результаты применения метода потенциальных функций и лингвистического (структурного) метода. Излагаются проблемы, которые возникают при распознавании пыльцевых зерен и возможные пути их решения Выходные данные сборника. Национальный Открытый Университет «ИНТУИТ», 2012

2 2 Проблемы применения классических методов распознавания для фотографических зерен пыльцы Ключевые слова: палинология; пыльцевые зерна; предварительная обработка изображений; масштабирование; сегментация; бинаризация; метод потенциальных функций, структурный (лингвистический) метод, нейронные сети. Введение В работе рассматривается ряд классических методов распознавания изображений (лингвистический метод и метод потенциалов). Исследуется возможность их применения к распознаванию фотографических изображений пыльцевых зерен. Задача распознавания пыльцевых зерен относится к области палинологии. Споро-пыльцевой анализ широко применяется для решения палеоботанических, геоморфологических и геологических (стратиграфических) задач, при изучении состава перги и пыльцы в мёде (мелиттопалинология), в криминалистике, при выяснении причин возникновения некоторых видов аллергий. Споро-пыльцевым анализом занимаются и исследователи биологического факультета Пермского государственного национального исследовательского университета [1]. Споро-пыльцевой анализ включает сбор пыльцевых зерен, их обработку (методы обработки выбирают в соответствии с задачей исследований) и, наконец, распознавание, т.е. отнесение распознанных зерен к тому или иному классу (рис.1.). Решение задачи распознавания трудоёмкий этап исследований. В настоящее время этот этап пыльцевого анализа выполняется вручную. Таким образом, актуальной становится задача автоматизации процесса распознавания пыльцы. Предполагается, что исходными данными для программной системы распознавания пыльцевых зерен являются фотографические изображения пыльцевых зерен, а результатом работы заключение о том, к какому классу они принадлежат. Результаты работы системы распознавания могут быть использованы, например, в медицине следующим образом: по количеству и составу пыльцевых зерен в ловушке (один из способов сбора пыльцы) определяют начало периода пыления тех или иных растений, которые являются аллергенами. Обычно возникает необходимость предупредить о начале пыления растений, способных вызвать аллергическую реакцию, людей, страдающих астмой или другими видами аллергических заболеваний. В свою очередь, анализ перги и пыльцы в меде позволяет сделать заключение о качестве исследуемого меда.

3 Описание структуры производственных систем 3 Рис. 1. Этапы распознавания фотографических изображений пыльцевых зерен Исходные данные для программной системы распознавания пыльцевых зерен Итак, исходными данными для программной системы распознавания являются растровые фотографические изображения, на которых располагаются одно или несколько пыльцевых зерен. Следует отметить, что пыльцевые зерна очень часто обрабатываются красителем, как того требует технология их обработки. Гвоздика-травянка Крестоцветные Мята Рис. 2. Этапы распознавания фотографических изображений пыльцевых зерен Одним из важнейших признаков при установлении морфологических типов пыльцы является строение апертуры (эластичные, гибкие, чаще тонкие или даже перфорированные места, служащие для выхода

if ($this->show_pages_images && $page_num < DocShare_Docs::PAGES_IMAGES_LIMIT) { if (! $this->doc['images_node_id']) { continue; } // $snip = Library::get_smart_snippet($text, DocShare_Docs::CHARS_LIMIT_PAGE_IMAGE_TITLE); $snips = Library::get_text_chunks($text, 4); ?>

4 4 Проблемы применения классических методов распознавания для фотографических зерен пыльцы пыльцевой трубки), их число и расположение на поверхности пыльцевого зерна. Апертуры бывают простые (борозды, щели, поры и др.) и сложные, у которых борозды, поры и прочие образования обладают дополнительной апертурой. Примеры пыльцевых зерен и характерных для этих зерен апертур приведены на рис.2. Рассмотрим более подробно этап распознавания пыльцевых зерен и проблемы, возникающие при использовании различных методов, как предварительной обработки фотографических изображений, так и при применении методов распознавания и проведении классификации. Этап распознавания пыльцевых зерен Итак, этап распознавания пыльцевых зерен состоит из следующих последовательных шагов (рис. 1.): (a) предварительная обработка; (б) применение методов распознавания; (в) классификация. Предварительная обработка изображений предполагает: (а) масштабирование изображения; (б) устранение шума на изображении; (в) сегментация. Приведем решения, которые были приняты на каждом этапе предварительной обработки изображений. Прежде всего рассмотрим проблемы, возникающие при масштабировании. В микроскопах, с помощью которых получают фотографические изображения пыльцевых зерен (рис. 3), используют линейный масштаб масштабную линейку, разделенную на равные части. Размер линейки микроскопа 20 um (um это микрометры (мкм) или микроны (устаревшее)). Рис. 3. Пример фотографического изображения пыльцевого зерна, обработанного красителем Основное назначение линейного масштаба определять размер пыльцы и элементов ее текстуры. Под текстурой понимают рисунок поверхности пыльцевого зерна, обусловленный его структурой. Размеры пыльцевых зёрен и спор экземпляров одного вида растений варьируют незначительно, но разные растения характеризуются спорами или пыльцевыми зёрнами, которые имеют размеры, весьма отличные друг от друга. Размер пыльцевого зерна не является ключе-

5 Описание структуры производственных систем 5 вым признаком при распознавании, но очень часто может быть использован при отнесении пыльцевого зерна к тому или иному классу. Далее рассмотрим процедуру устранения шума. Итак, края изображения пыльцевых зерен могут быть нечёткими, размытыми. Этот эффект объясняется наличием шума, который возникает при обработке пыльцевых зерен микроскопами (чаще всего, тоннельными современные микроскопы позволяют получать качественные изображения, на которых шум отсутствует). Для устранения шума автоматизированная система распознавания использует ранжирующий фильтр [2]. Следующий шаг в предварительной обработке изображений это сегментация. Известно, что сегментация это процесс разделения цифрового изображения на несколько сегментов (сегментом называют множество пикселей, иначе сегмент называют еще суперпикселем). Целью сегментации является упрощение и/или изменение представления изображения и приведении его к виду, удобному для распознавания. Можно также определить сегментацию изображений как процесс присвоения таких меток каждому пикселю изображения, что пиксели с одинаковыми метками имеют общие визуальные характеристики. В нашем случае одинаковые метки должны быть присвоены пикселям, которые на фотографическом изображении соответствуют пыльцевым зёрнам, которые принадлежат разным классам. Существует большое количество методов сегментации [2, 3], которые основаны на кластеризации, на подборе модели и т.д. Одним из часто используемых методов сегментации является сегментация на основе пороговой обработки. Среди них различают методы сегментации, основанные на локальном пороге и глобальном пороге. Рис.4. Результаты обработки фотографического изображения пыльцевого зерна методом бинаризации Отсу На рис.3. представлено пыльцевое зерно, фиолетовый цвет которого обусловлен красителем, с помощью которого зерна обрабатываются.

6 6 Проблемы применения классических методов распознавания для фотографических зерен пыльцы Пыльцевое зерно контрастирует с фоном. На фоне видны разводы. Для того чтобы в результате сегментации разводы на фоне не могли восприниматься в качестве пыльцевых зерен или их компонентов, целесообразно выбрать метод сегментации, основанный на обработке глобального порога. В качестве такого метода был выбран метод глобальной бинаризации Отсу. Этот метод отличается хорошим быстродействием. Результаты применения метода глобальной бинаризации Отсу приведены на рис.4. Методы распознавания Для распознавания пыльцевых зерен на настоящем этапе исследований были рассмотрены два классических метода: лингвистический метод и метод потенциалов. Лингвистический (синтаксический) метод анализа цепочки букв алфавита для проверки ее правильности можно применить и к анализу изображений. Однако при распространении синтаксического подхода на двумерные объекты (изображения) возникают трудности. Во-первых, отсутствуют очевидные принципы выбора простых терминальных элементов. Во-вторых, двумерное изображение порождает проблемы при разработке правил подстановки. Значительные трудности при решении этих проблем ограничили возможность использования синтаксических методов анализом изображений, имеющих простую структуру. Для реализации метода выполняют поточечный обход исходного изображения и получают цепочку символов. Обход начинают с самой левой нижней точки изображения. Для выбранной точки определяют «соседей», т.е. точки, принадлежащие изображению, а не фону. Соседние точки просматриваются по ходу часовой стрелки. Затем осуществляется переход к новой точке найденному соседу. Если сосед находится вверху, то переход к нему кодируется 1, по диагонали вверху справа 2, справа 3, по диагонали снизу справа 4 и т.д. до 8. Если у точки несколько соседей, то переход осуществляется на первую из них, а остальные заносятся в список точек, к которым нужно вернуться. Таким образом, любой обход описываю как последовательность цифр, например После упрощения цепочки по правилам подстановки преобразованную цепочку сравнивают с кодами известных образов и делают вывод о принадлежности изображения одному из классов изображений.. Метод потенциальных функций предполагает, что с каждой точкой, появившейся в процессе обучения, связана некоторая функция, аналогичная по форме электрическому потенциалу, т. е. максимальная в этой точке и убывающая по всем направлениям от нее (точка, таким

7 Описание структуры производственных систем 7 образом, окажется как бы источником потенциала). Такой функцией 1 ( r) может быть, например, функция 2 1 R, где коэффициент, от которого зависит скорость убывания, R определенное каким-либо образом расстояние между точкой-источником и точкой, в которой вычисляется потенциал. За R может быть принято, например, евклидово расстояние между точками (корень из суммы квадратов разностей координат) или так называемое расстояние по Хеммингу, равное числу несовпадающих разрядов в кодах обеих точек. В процессе распознавания определяют расстояние от распознаваемой точки до точек, которые представляют образы. Распознаваемую точку следует отнести к тому образу, расстояние до которого является наименьшим. Результаты тестирования программы Программный комплекс, предназначенный для распознавания пыльцевых зерен, был протестирован. В процессе тестирования использовались изображения пыльцевых зёрен вереска, земляники, иван-чая, борщевика, гвоздики-травянки, липы, подсолнечника. Крестоцветные, пример 1 Крестоцветные, пример 2 Валерьяна Рис. 5. Апертуры крестоцветных и валерьяны Хорошие результаты программный комплекс показал при распознавании пыльцевых зёрен иван-чая, борщевика, подсолнечника. Пыльцевые зерна липы и земляники дали самые плохие результаты. В среднем правильно было распознано 54% пыльцевых зерен. Недостаточно хорошие результаты при использовании классических методов распознавания образов связано с тем, что материалов для обучения было недостаточно, в то время, как апертуры некоторых пыльцевых зерен весьма схожи, о чем свидетельствует рис. 5. Кроме того, следует отметить, что положение пыльцевых зерен меняется, и на фотографических изображениях вид апертуры одного и

8 8 Проблемы применения классических методов распознавания для фотографических зерен пыльцы того же зерна в значительной степени отличается. Следует учитывать также и наложение одной пыльцы на другую, поэтому, необходимо решать проблему восстановления изображения пыльцевого зерна по фрагменту. Архитектурные принципы построения программного комплекса для распознавания пыльцевых зерен Фотографические изображения пыльцевых зерен последовательно обрабатываются модулями предварительной обработки и модулем распознавания. Модуль распознавания на настоящий момент реализует алгоритмы распознавания с применением методов потенциальных функций и лингвистического метода. Далее, в зависимости от настроечных параметров, осуществляется статистическая обработка результатов распознавания. При реализации программного комплекса используется кроссплатформенная SDK Qt, по это причине он может эксплуатироваться под управлением Windows, MacOS и систем Linux. Механизм плагинов позволяет сделать программный комплекс открытым и легко настраиваемым для применения других методов предобработки изображений. Кроме того, программный комплекс способен выполнять распознавание и других фотографических изображений, например, изображений для поиска патологий при медицинских исследованиях. Выводы Проведенные исследования показали, что классические методы распознавания фотографических изображений зерен пыльцы дают очень средние результаты. В статье указываются возможные причины неудач. По этой причине в настоящее время ведется разработка программных средств, реализующих нейронные сети. Целесообразным представляется также необходимость использования других метрик, например, метрики Махаланобиса. Список источников 1. Новоселова, Л.В. Изменчивость люцерны хмелевидной / Л.В. Новоселова, М.А. Данилова // Вестн. Перм. ун-та Вып. 4: Биология. - С Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход.: Вильямс, Павлидис Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, с.

Использование технологии CUDA в обучении сверточной нейросети для распознавания пыльцевых зерен

Использование технологии CUDA в обучении сверточной нейросети для распознавания пыльцевых зерен Использование технологии CUDA в обучении сверточной нейросети для распознавания пыльцевых зерен Наталья Евгеньевна Ханжина Магистрант, 1 курс, Университет ИТМО Елена Борисовна Замятина, ПГНИУ Цель и задачи

Подробнее

Исследование методов сегментации изображений

Исследование методов сегментации изображений Исследование методов сегментации изображений Артем Скребков, Владислав Виноградов, Дмитрий Кручинин, Евгений Долотов Руководитель: Козинов Е.А. Сегментация изображения Сегментация процесс разделения изображения

Подробнее

ИСПОЛЬЗОВАНИЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ВОССТАНОВЛЕНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ

ИСПОЛЬЗОВАНИЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ВОССТАНОВЛЕНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ УДК 004.032.26(063) ИСПОЛЬЗОВАНИЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ВОССТАНОВЛЕНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ Е. М. Будкина Рассматривается применение функции сигмоидного типа в качестве функции

Подробнее

Таблица 2 Время работы различных алгоритмов моделирования в зависимости от объема

Таблица 2 Время работы различных алгоритмов моделирования в зависимости от объема Таблица 2 Время работы различных алгоритмов моделирования в зависимости от объема объем( мкм -3 ) время работы, с метод следующей р-ции, с метод первой реакции, с 27 64 91 125 140 29 80 161 200 270 29

Подробнее

ПРИМЕНЕНИЕ ПРИНЦИПОВ ПОСТРОЕНИЯ СИСТЕМ МАШИННОГО ЗРЕНИЯ В ЗАДАЧЕ АНАЛИЗА ИЗОБРАЖЕНИЙ КЛЕТОЧНЫХ СТРУКТУР

ПРИМЕНЕНИЕ ПРИНЦИПОВ ПОСТРОЕНИЯ СИСТЕМ МАШИННОГО ЗРЕНИЯ В ЗАДАЧЕ АНАЛИЗА ИЗОБРАЖЕНИЙ КЛЕТОЧНЫХ СТРУКТУР УДК 68.53 ПРИМЕНЕНИЕ ПРИНЦИПОВ ПОСТРОЕНИЯ СИСТЕМ МАШИННОГО ЗРЕНИЯ В ЗАДАЧЕ АНАЛИЗА ИЗОБРАЖЕНИЙ КЛЕТОЧНЫХ СТРУКТУР Ковригин А.В., аспирант Политехнический институт Сибирского федерального университета Рассматривается

Подробнее

Определение, применение, основные этапы векторизации

Определение, применение, основные этапы векторизации Определение, применение, основные этапы векторизации 1 Определение и применение Векторизация - это процесс преобразования растровых данных в векторные. Алгоритмы данного класса нашли применение в системах

Подробнее

Прикладные вопросы математики. Распознавание символов на электронных изображениях

Прикладные вопросы математики. Распознавание символов на электронных изображениях Краевая научно-практическая конференция учебно-исследовательских работ учащихся 6-11 классов «Прикладные и фундаментальные вопросы математики» Прикладные вопросы математики Распознавание символов на электронных

Подробнее

10 (38), 2010 г.

10 (38), 2010 г. УДК 60.179 СРАВНЕНИЕ МЕТОДОВ ДЛЯ ВИЗУАЛЬНОГО КОНТРОЛЯ ПОВЕРХНОСТИ ТРУБ О.В. Кретинин 1, А.П. Цапаев 1, Е.А. Мотова 1 Нижегородский Государственный технический университет, - Нижегородский филиал Учреждения

Подробнее

Распознавание образов

Распознавание образов Распознавание образов Проектирование системы распознавания Лингвистическое обеспечение АСОИУ Зеленцов И.А. Содержание Анализ предметной области: распознавание скорописных текстов; Разработка метода распознавания;

Подробнее

ВВЕДЕНИЕ 1. СТРУКТУРА СИСТЕМЫ ВИДЕОНАБЛЮДЕНИЯ

ВВЕДЕНИЕ 1. СТРУКТУРА СИСТЕМЫ ВИДЕОНАБЛЮДЕНИЯ ПРОГРАММНЫЙ ДЕТЕКТОР ДВИЖЕНИЯ ДЛЯ СИСТЕМ ВИДЕОНАБЛЮДЕНИЯ Р. П. Богуш, В. Ю. Лысенко, А. В. Волков Полоцкий государственный университет, Новополоцк, Беларусь ВВЕДЕНИЕ Современная тенденция развития систем

Подробнее

Курсовая работа. Классификация городского земельного покрытия САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ. Научный руководитель

Курсовая работа. Классификация городского земельного покрытия САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ. Научный руководитель САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ Курсовая работа Классификация городского земельного покрытия Научный руководитель Графеева Наталья Генриховна Выполняет Шавкунова Д.Д. 3 курс 27.05.2015

Подробнее

ISSN Интеллектуальные системы в производстве (13)

ISSN Интеллектуальные системы в производстве (13) 106 УДК 519.68: 681.513.7 С. А. Пучинин, аспирант кафедры «Прикладная математика и информатика» Ижевский государственный технический университет 1 ОБЗОР МАТЕМАТИЧЕСКИХ МЕТОДОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

Подробнее

Автоматическая система распознавания мимики человека с помощью алгоритмов нечеткой логики

Автоматическая система распознавания мимики человека с помощью алгоритмов нечеткой логики Санкт-Петербургский Государственный Университет Факультет Прикладной Математики Процессов Управления Автоматическая система распознавания мимики человека с помощью алгоритмов нечеткой логики Выполнила

Подробнее

Программный комплекс «Интерактивная информационная доска»

Программный комплекс «Интерактивная информационная доска» Программный комплекс «Интерактивная информационная доска» Дроздова Юлия Александровна ПГНИУ, Пермь, Россия. Аннотация. Статья посвящена вопросу создания программного комплекса «Интерактивная информационная

Подробнее

Системы оптического распознавания символов. Практическое применение.

Системы оптического распознавания символов. Практическое применение. Системы оптического распознавания символов. Практическое применение. На примере программы FineReader Выполнила студентка 111гр Асмаловская И.П. Апрель 2014 Необходимость в системах распознавания символов

Подробнее

УДК : АЛГОРИТМ ВЕКТОРИЗАЦИИ РАСТРОВЫХ ИЗОБРАЖЕНИЙ В ОБЩЕМ ВИДЕ. С.Ю. Сташевский

УДК : АЛГОРИТМ ВЕКТОРИЗАЦИИ РАСТРОВЫХ ИЗОБРАЖЕНИЙ В ОБЩЕМ ВИДЕ. С.Ю. Сташевский 124 УДК 519.876.5:621.865.8 АЛГОРИТМ ВЕКТОРИЗАЦИИ РАСТРОВЫХ ИЗОБРАЖЕНИЙ В ОБЩЕМ ВИДЕ С.Ю. Сташевский Данная работа посвящена процессам автоматизации обработки растровых изображений с целью преобразования

Подробнее

Исследование и разработка эвристических механизмов обнаружения вредоносных программ

Исследование и разработка эвристических механизмов обнаружения вредоносных программ СПИИРАН Исследование и разработка эвристических механизмов обнаружения вредоносных программ Докладчик: к.т.н. Мацкевич Андрей Георгиевич, 2016 Вредоносная программа программа, предназначенная для осуществления

Подробнее

Основы программирования

Основы программирования Основы программирования Выбор варианта задания Номер варианта задания соответствует порядковому номеру студента в группе. Если порядковый номер больше, чем количество вариантов, нумерацию считать циклической.

Подробнее

Метод кластеризации пространственно-временных последовательностей спутниковой РСА-интерферометрии

Метод кластеризации пространственно-временных последовательностей спутниковой РСА-интерферометрии Метод кластеризации пространственно-временных последовательностей спутниковой РСА-интерферометрии Лихачев Виталий студент 6 курса МФТИ vtaly.lkhachev@phytech.eu Аннотация Рассматривается задача выделения

Подробнее

М.В. Щепин. Введение. Программа ALINA

М.В. Щепин. Введение. Программа ALINA Программа ALINA. Метод свернутых роз. Метод геологических исследований и геологического районирования на основе программной обработки аэрокосмических изображений М.В. Щепин Институт космических исследований

Подробнее

Введение. Классической мерой информации дискретного источника является информационная мера К. Шеннона: n

Введение. Классической мерой информации дискретного источника является информационная мера К. Шеннона: n МЕРЫ ОЦЕНКИ КОЛИЧЕСТВА ИНФОРМАЦИИ ПРОСТРАНСТВЕННОГО СИГНАЛА А.А. Орешков, И.С. Волков, Д.А. Камнев Научный руководитель д.т.н., профессор В.В. Григорьев В работе введены и рассмотрены обобщенные меры информационной

Подробнее

Вычисление оптического потока для выделения транспортных средств на видеоизображении

Вычисление оптического потока для выделения транспортных средств на видеоизображении УДК.004.01 Вычисление оптического потока для выделения транспортных средств на видеоизображении П. А. Девайкин 1, А. В. Шикуть 1 1 МГТУ им. Н.Э. Баумана, Москва, 105005, Россия Рассмотрены алгоритмы вычисления

Подробнее

b) key[0...10]=[2,1,1,1,1,1,1,1,1,1], n = бит

b) key[0...10]=[2,1,1,1,1,1,1,1,1,1], n = бит Результаты тестирования генераторов псевдослучайных последовательностей, безопасных для конечного пользователя. 1. Как указано в предыдущих статьях, воздействие конечным пользователем на работу генераторов

Подробнее

Паспорт фонда оценочных средств по дисциплине «Теория распознавания образов»

Паспорт фонда оценочных средств по дисциплине «Теория распознавания образов» Паспорт фонда оценочных средств по дисциплине «Теория распознавания образов» Приложение 1 п/п Контролируемые разделы (темы) дисциплины* Код компетенции Наименование оценочного средства Раздел 1. Распознавание

Подробнее

ФИЛЬТРАЦИЯ ДИСКРЕТНЫХ СИГНАЛОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДА ВЕЙВЛЕТ АНАЛИЗА. Скляренко М.И., группа ТКС-01б Руководитель доц. каф. АТ Дегтяренко И.В.

ФИЛЬТРАЦИЯ ДИСКРЕТНЫХ СИГНАЛОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДА ВЕЙВЛЕТ АНАЛИЗА. Скляренко М.И., группа ТКС-01б Руководитель доц. каф. АТ Дегтяренко И.В. 42 ФИЛЬТРАЦИЯ ДИСКРЕТНЫХ СИГНАЛОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДА ВЕЙВЛЕТ АНАЛИЗА Скляренко М.И., группа ТКС-01б Руководитель доц. каф. АТ Дегтяренко И.В. Передача информации посредством электрических сигналов

Подробнее

Кодирование это процесс представления информации (сообщения) в виде кода

Кодирование это процесс представления информации (сообщения) в виде кода Кодирование это процесс представления информации (сообщения) в виде кода Все множество символов, используемых для кодирования называется алфавитом кодирования Система счисления это совокупность приемов

Подробнее

Метод выделения похожих изображений на основе применения SIFT дескрипторов

Метод выделения похожих изображений на основе применения SIFT дескрипторов УДК 004.932 Метод выделения похожих изображений на основе применения SIFT дескрипторов Савонин А.И., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение ЭВМ и информационные

Подробнее

ПРИМЕНЕНИЕ ЭНЕРГЕТИЧЕСКИХ ХАРАКТЕРИСТИК ЛАВСА ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ

ПРИМЕНЕНИЕ ЭНЕРГЕТИЧЕСКИХ ХАРАКТЕРИСТИК ЛАВСА ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ БИОНИКА ИНТЕЛЛЕКТА. 007. (67). С. 4 8 хнурэ УДК 004.3 :54.4 ПРИМЕНЕНИЕ ЭНЕРГЕТИЧЕСКИХ ХАРАКТЕРИСТИК ЛАВСА ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ Е.В. Яковлева, И.А. Панченко ХНУРЭ, г. Харьков, Украина, yakovleva@kture.kharkov.ua

Подробнее

ОЦЕНКА ЭФФЕКТИВНОСТИ ВОССТАНОВЛЕНИЯ РУКОПИСНЫХ ОБРАЗОВ ЧЕЛОВЕКО-МАШИННЫМ КОМПЛЕКСОМ ПРИ ВЫСОКИХ УРОВНЯХ ЗАШУМЛЕНИЯ ИЗОБРАЖЕНИЙ

ОЦЕНКА ЭФФЕКТИВНОСТИ ВОССТАНОВЛЕНИЯ РУКОПИСНЫХ ОБРАЗОВ ЧЕЛОВЕКО-МАШИННЫМ КОМПЛЕКСОМ ПРИ ВЫСОКИХ УРОВНЯХ ЗАШУМЛЕНИЯ ИЗОБРАЖЕНИЙ Труды научно-технической конференции кластера пензенских предприятий, обеспечивающих БЕЗОПАСНОСТЬ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ. Том 9, Пенза-2014, с. 50-54 (http://www.pniei.penza.ru/rv-conf/t9/с50) ОЦЕНКА

Подробнее

Н. В. Мясникова, М. П. Берестень, В. А. Дудкин ЭКСПРЕСС-АНАЛИЗ СЕЙСМИЧЕСКИХ СИГНАЛОВ *

Н. В. Мясникова, М. П. Берестень, В. А. Дудкин ЭКСПРЕСС-АНАЛИЗ СЕЙСМИЧЕСКИХ СИГНАЛОВ * Известия высших учебных заведений. Поволжский регион УДК 681.31 144 Н. В. Мясникова, М. П. Берестень, В. А. Дудкин ЭКСПРЕСС-АНАЛИЗ СЕЙСМИЧЕСКИХ СИГНАЛОВ * Изложены теоретические основы экспресс-анализа

Подробнее

Правительство Российской Федерации

Правительство Российской Федерации Правительство Российской Федерации Федеральное государственное автономное образовательное учреждение высшего профессионального образования «Национальный исследовательский университет «Высшая школа экономики»

Подробнее

АВТОМАТИЗИРОВАННАЯ ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА УПРАВЛЕНИЯ ОТДЕЛОМ НАУКИ ВУЗА С ПОМОЩЬЮ МОДЕЛЬЮ КОНЕЧНОГО АВТОМАТА

АВТОМАТИЗИРОВАННАЯ ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА УПРАВЛЕНИЯ ОТДЕЛОМ НАУКИ ВУЗА С ПОМОЩЬЮ МОДЕЛЬЮ КОНЕЧНОГО АВТОМАТА УДК:004.89:378.126.519.713 АВТОМАТИЗИРОВАННАЯ ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА УПРАВЛЕНИЯ ОТДЕЛОМ НАУКИ ВУЗА С ПОМОЩЬЮ МОДЕЛЬЮ КОНЕЧНОГО АВТОМАТА Боскебеев К.Д и аспирантка Мамадалиева Ж.Б. КТУ им Раззакова В

Подробнее

Ф. А. Мурзин, О. Н. Половинко, И. В. Лобив РАСПОЗНАВАНИЕ ТЕКСТУР ПО ПРОСТРАНСТВЕННЫМ ЗАКОНОМЕРНОСТЯМ *

Ф. А. Мурзин, О. Н. Половинко, И. В. Лобив РАСПОЗНАВАНИЕ ТЕКСТУР ПО ПРОСТРАНСТВЕННЫМ ЗАКОНОМЕРНОСТЯМ * Ф. А. Мурзин, О. Н. Половинко, И. В. Лобив РАСПОЗНАВАНИЕ ТЕКСТУР ПО ПРОСТРАНСТВЕННЫМ ЗАКОНОМЕРНОСТЯМ * ВВЕДЕНИЕ Статистический и структурный подходы к описанию текстур и оптические методы реализации этих

Подробнее

ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА КИРЛИАН ИЗОБРАЖЕНИЙ В ДИАГНОСТИЧЕСКОЙ СИСТЕМЕ. Владимир Калмыков, Виталий Вишневский, Татьяна Романенко

ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА КИРЛИАН ИЗОБРАЖЕНИЙ В ДИАГНОСТИЧЕСКОЙ СИСТЕМЕ. Владимир Калмыков, Виталий Вишневский, Татьяна Романенко International Book Series "Information Science and Computing" 37 ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА КИРЛИАН ИЗОБРАЖЕНИЙ В ДИАГНОСТИЧЕСКОЙ СИСТЕМЕ Владимир Калмыков, Виталий Вишневский, Татьяна Романенко Аннотация:

Подробнее

СИНХРОНИЗАЦИЯ ПРОЦЕДУР НЕЙРОСЕТЕВОГО ОБУЧЕНИЯ ОСОБЕННОСТЯМ РУКОПИСНОГО ПОЧЕРКА ПО ТОЧКАМ СМЕНЫ НАПРАВЛЕНИЯ ДВИЖЕНИЯ

СИНХРОНИЗАЦИЯ ПРОЦЕДУР НЕЙРОСЕТЕВОГО ОБУЧЕНИЯ ОСОБЕННОСТЯМ РУКОПИСНОГО ПОЧЕРКА ПО ТОЧКАМ СМЕНЫ НАПРАВЛЕНИЯ ДВИЖЕНИЯ Информационно-инновационные технологии: интеграция науки, образования и бизнеса: Труды II Международной научно-практической конференции. - 2. - Том 2. - С. 8-23 СИНХРОНИЗАЦИЯ ПРОЦЕДУР НЕЙРОСЕТЕВОГО ОБУЧЕНИЯ

Подробнее

УДК Д.А.Зубов, В.А.Ульшин, Э.Г.Миквабия

УДК Д.А.Зубов, В.А.Ульшин, Э.Г.Миквабия УДК 5.62 Д.А.Зубов, В.А.Ульшин, Э.Г.Миквабия СИСТЕМА АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ МНОГОМЕРНЫХ НЕЧЁТКИХ ЛИНГВИСТИЧЕСКИХ ДАННЫХ НА ОСНОВЕ КЛАСТЕРИЗАЦИИ ОБРАЗОВ В статье рассматривается вопрос синтеза оригинальной

Подробнее

Машинная графика Computer Graphics

Машинная графика Computer Graphics Машинная графика Computer Graphics Лекция 8 «Отсечение многоугольников» План лекции Упрощенный алгоритм отсечения многоугольников Алгоритм отсечения произвольных многоугольников произвольными окнами (взаимной

Подробнее

Применение алгоритмов неконтролируемой классификации при обработке данных ДЗЗ

Применение алгоритмов неконтролируемой классификации при обработке данных ДЗЗ Применение алгоритмов неконтролируемой классификации при обработке данных ДЗЗ И.А. Зубков, В.О. Скрипачев ФГУП «Научный центр космических информационных систем и технологий наблюдения» Москва E-mail: zubkov@cpi.space.ru

Подробнее

B5 (повышенный уровень, время 10 мин)

B5 (повышенный уровень, время 10 мин) B5 (повышенный уровень, время 0 мин) Тема: Поиск алгоритма минимальной длины для исполнителя. Что нужно знать: каких-либо особых знаний из курса информатики не требуется, задача решаема на уровне 6-7 класса

Подробнее

виде B (i + a, j + a ) его радоновский образ R(p, θ, a, a ) задается выражением [2]:

виде B (i + a, j + a ) его радоновский образ R(p, θ, a, a ) задается выражением [2]: УДК 6837 ЕППУТЯТИН, д-р техн наук, АВГОРОХОВАТСКИЙ ПОСТРОЕНИЕ ИНВАРИАНТНЫХ МОМЕНТНЫХ ПРИЗНАКОВ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ОДНОМЕРНЫХ ПРОЕКЦИЙ Наведено результати досліджень по формуванню інваріантних

Подробнее

Введение в нейронные сети [M.160]

Введение в нейронные сети [M.160] Введение в нейронные сети [M.160] Ранее отмечалось, что такие популярные инструменты Data Mining, как регрессия и деревья решений, широко используемые для решения задач классификации и прогнозирования,

Подробнее

Конечные автоматы. Действовать без правил самое трудное и самое утомительное занятие на этом свете. А. Мандзони. Языки программирования

Конечные автоматы. Действовать без правил самое трудное и самое утомительное занятие на этом свете. А. Мандзони. Языки программирования Конечные автоматы Действовать без правил самое трудное и самое утомительное занятие на этом свете. А. Мандзони Языки программирования М.Л. Цымблер Содержание Понятие конечного автомата Приведение конечного

Подробнее

АЛГОРИТМЫ ПОИСКА РАССТОЯНИЙ ДО ОБЪЕКТНЫХ ПИКСЕЛОВ НА БИНАРНЫХ ИЗОБРАЖЕНИЯХ

АЛГОРИТМЫ ПОИСКА РАССТОЯНИЙ ДО ОБЪЕКТНЫХ ПИКСЕЛОВ НА БИНАРНЫХ ИЗОБРАЖЕНИЯХ АЛГОРИТМЫ ПОИСКА РАССТОЯНИЙ ДО ОБЪЕКТНЫХ ПИКСЕЛОВ НА БИНАРНЫХ ИЗОБРАЖЕНИЯХ Н.Л. Казанский, В.В. Мясников, Р.В. Хмелев Институт систем обработки изображений РАН Постановка задачи Одной из важнейших задач

Подробнее

МАТЕМАТИЧЕСКИЕ ОСНОВЫ ТЕОРИИ ПОМЕХОУСТОЙЧИВОГО КОДИРОВАНИЯ

МАТЕМАТИЧЕСКИЕ ОСНОВЫ ТЕОРИИ ПОМЕХОУСТОЙЧИВОГО КОДИРОВАНИЯ ФЕДЕРАЛЬНОЕ АГЕНТСТВО СВЯЗИ Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования «САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ТЕЛЕКОММУНИКАЦИЙ им.

Подробнее

Поиск алгоритма минимальной длины для исполнителя. ЕГЭ (базовый уровень, время 4 мин)

Поиск алгоритма минимальной длины для исполнителя. ЕГЭ (базовый уровень, время 4 мин) Поиск алгоритма минимальной длины для исполнителя. ЕГЭ 205 6-2 (базовый уровень, время 4 мин) Что нужно знать: каких-либо особых знаний из курса информатики не требуется, задача решаема на уровне 6-7 класса

Подробнее

Выделение связных областей в цветных и полутоновых изображениях

Выделение связных областей в цветных и полутоновых изображениях Выделение связных областей в цветных и полутоновых изображениях Автор: Александр Вежневец _vezhnick@mtu.ru 1 Введение 2 Основные понятия 3 Случай бинарного изображения 4 Случай цветного и полутонового

Подробнее

Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени

Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени Н.П.Огарева e-mal: v.v_@b.ru В данной статье мне бы хотелось

Подробнее

Алгоритмизация и программирование Часть С (Профильный и углублённый уровень, класс) 25. С1 Известны количество жителей в государстве и площадь

Алгоритмизация и программирование Часть С (Профильный и углублённый уровень, класс) 25. С1 Известны количество жителей в государстве и площадь В заданиях части С1, С2, С3 необходимо разработать алгоритм или программу для решения задачи В заданиях части С4, С5, С6 необходимо разработать программу для решения задачи Линейные вычислительные процессы

Подробнее

ИКОНИКА НАУКА ОБ ИЗОБРАЖЕНИИ

ИКОНИКА НАУКА ОБ ИЗОБРАЖЕНИИ ИКОНИКА НАУКА ОБ ИЗОБРАЖЕНИИ УДК 004.932.4 МЕТОД МЕЖКАНАЛЬНОЙ КОМПЕНСАЦИИ ИМПУЛЬСНЫХ ПОМЕХ В ЗАДАЧАХ ВОССТАНОВЛЕНИЯ МНОГОКОМПОНЕНТНЫХ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ 2013 г. Е. А. Самойлин, доктор техн. наук; В.

Подробнее

АЛГОРИТМ ВЫДЕЛЕНИЯ ОБЛАКОВ НА СПУТНИКОВЫХ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЯХ

АЛГОРИТМ ВЫДЕЛЕНИЯ ОБЛАКОВ НА СПУТНИКОВЫХ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЯХ АЛГОРИТМ ВЫДЕЛЕНИЯ ОБЛАКОВ НА СПУТНИКОВЫХ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЯХ Л.В. Дударь, С.А. Бибиков Самарский государственный аэрокосмический университет имени академика С.П. Королёва (национальный исследовательский

Подробнее

М. Э. Абрамян 1000 ЗАДАЧ ПО ПРОГРАММИРОВАНИЮ. Часть II. Минимумы и максимумы, одномерные и двумерные массивы, символы и строки, двоичные файлы

М. Э. Абрамян 1000 ЗАДАЧ ПО ПРОГРАММИРОВАНИЮ. Часть II. Минимумы и максимумы, одномерные и двумерные массивы, символы и строки, двоичные файлы Министерство образования и науки Российской Федерации Государственное образовательное учреждение профессионального образования Российской Федерации «Ростовский государственный университет» М. Э. Абрамян

Подробнее

Модуль 2 «Двумерные и трёхмерные геометрические преобразования» Лекция 13 «Геометрические преобразования в трёхмерном пространстве»

Модуль 2 «Двумерные и трёхмерные геометрические преобразования» Лекция 13 «Геометрические преобразования в трёхмерном пространстве» Модуль 2 «Двумерные и трёхмерные геометрические преобразования» Лекция 13 «Геометрические преобразования в трёхмерном пространстве» к.ф.-м.н., доц. каф. ФН-11, Захаров Андрей Алексеевич, ауд.:930а(улк)

Подробнее

О программе Altami Studio

О программе Altami Studio О программе Программа флагманский программный продукт компании «Альтами». Программа предназначена для захвата, исследования и обработки изображений. Задача программы помочь пользователю проанализировать

Подробнее

Распознавание образов

Распознавание образов Распознавание образов Обзорная лекция Общее представление о распознавании Типы задач в распознавании Классификация методов распознавания Распознавание скорописных текстов Зеленцов И.А., 2008г. Иван Зеленцов

Подробнее

Рекомендации по контролю точности на различных этапах фотограмметрической обработки в системе PHOTOMOD

Рекомендации по контролю точности на различных этапах фотограмметрической обработки в системе PHOTOMOD Рекомендации по контролю точности на различных этапах фотограмметрической обработки в системе PHOTOMOD Данное руководство базируется на Инструкции по фотограмметрическим работам при создании цифровых топографических

Подробнее

Лекция 3. Основные категории статистики. Сводка и группировка статистических данных

Лекция 3. Основные категории статистики. Сводка и группировка статистических данных Лекция 3. Основные категории статистики. Сводка и группировка статистических данных 3.1. Основные категории статистики Одной из важнейших категорией статистической науки является категория признака. Именно

Подробнее

«Cerberus - контроль посетителей»

«Cerberus - контроль посетителей» Программный комплекс «Cerberus - контроль посетителей» г. Донецк, 2012 г. psv73: Cerberus контроль посетителей (версия 1.0.0) 2 Программный комплекс «Cerberus - контроль посетителей» Оглавление Задачи,

Подробнее

Алгоритмы обработки изображений для классификации состояний биологических систем

Алгоритмы обработки изображений для классификации состояний биологических систем МЕТОДЫ ОБРАБОТКИ ИНФОРМАЦИИ Алгоритмы обработки изображений для классификации состояний биологических систем В.В. Мажуга, М.В. Хачумов Аннотация. Работа посвящена диагностике биологических систем на примере

Подробнее

ПОСТРОЕНИЕ ТРЕХМЕРНОЙ МОДЕЛИ ОБЛАСТИ КОСТНОЙ ТКАНИ ПО РЕНТГЕНОСКОПИЧЕСКОМУ ИЗОБРАЖЕНИЮ

ПОСТРОЕНИЕ ТРЕХМЕРНОЙ МОДЕЛИ ОБЛАСТИ КОСТНОЙ ТКАНИ ПО РЕНТГЕНОСКОПИЧЕСКОМУ ИЗОБРАЖЕНИЮ ПОСТРОЕНИЕ ТРЕХМЕРНОЙ МОДЕЛИ ОБЛАСТИ КОСТНОЙ ТКАНИ ПО РЕНТГЕНОСКОПИЧЕСКОМУ ИЗОБРАЖЕНИЮ В.Н. Гридин, Ю.И.Пиголкин, М.И. Труфанов, Д.А. Зоткин, Е.Н. Дремов Центр информационных технологий и проектирования

Подробнее

УДК 681.5: Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко

УДК 681.5: Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко УДК 681.5:004.93 Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко Рассмотрен вопрос выделения границ детектором Кенни. Алгоритм реализован

Подробнее

Л.Л. Босова, УМКпоинформатикедля5-7 классов. Цифровые данные

Л.Л. Босова, УМКпоинформатикедля5-7 классов. Цифровые данные Л.Л. Босова, УМКпоинформатикедля5-7 классов Цифровые данные Москва, 2007 Хранение информации в компьютере Машинную память удобно представить в виде листа в клетку. Вкаждой«клетке» хранится только одно

Подробнее

СЕГМЕНТАЦИЯ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ОЦЕНИВАНИЯ ЛОКАЛЬНЫХ СТАТИСТИЧЕСКИХ ПРИЗНАКОВ

СЕГМЕНТАЦИЯ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ОЦЕНИВАНИЯ ЛОКАЛЬНЫХ СТАТИСТИЧЕСКИХ ПРИЗНАКОВ УДК 004.932 СЕГМЕНТАЦИЯ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ОЦЕНИВАНИЯ ЛОКАЛЬНЫХ СТАТИСТИЧЕСКИХ ПРИЗНАКОВ 2008 А.В. Куприянов Институт систем обработки изображений РАН Цель данной работы исследование эффективности

Подробнее

Машинная графика Computer Graphics

Машинная графика Computer Graphics Машинная графика Computer Graphics Лекция 2. «Двухмерные алгоритмы» План лекции Двухмерные преобразования Перенос на плоскости Поворот относительно начала системы координат Поворот относительно произвольной

Подробнее

АВТОМАТИЧЕСКАЯ КЛАССИФИКАЦИЯ ЛОКАЛЬНЫХ ОСОБЕННОСТЕЙ ПОЛЕЙ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ СКРЫТЫХ МАРКОВСКИХ МОДЕЛЕЙ

АВТОМАТИЧЕСКАЯ КЛАССИФИКАЦИЯ ЛОКАЛЬНЫХ ОСОБЕННОСТЕЙ ПОЛЕЙ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ СКРЫТЫХ МАРКОВСКИХ МОДЕЛЕЙ О Б О З Р Е Н И Е П Р И К Л А Д Н О Й И П Р О М Ы Ш Л Е Н Н О Й Т о м 3 М А Т Е М А Т И К И В ы п у с к 1 1996 МОТТЛЬ В. В., МУЧНИК И. Б., ИВАНОВА Т. О., БЛИНОВ А. Б. АВТОМАТИЧЕСКАЯ КЛАССИФИКАЦИЯ ЛОКАЛЬНЫХ

Подробнее

ОНЛАЙН РАСПОЗНАВАНИЕ РУКОПИСНЫХ МАТЕМАТИЧЕСКИХ ФОРМУЛ. Надеран Эдрис

ОНЛАЙН РАСПОЗНАВАНИЕ РУКОПИСНЫХ МАТЕМАТИЧЕСКИХ ФОРМУЛ. Надеран Эдрис 70 I T H E A ОНЛАЙН РАСПОЗНАВАНИЕ РУКОПИСНЫХ МАТЕМАТИЧЕСКИХ ФОРМУЛ Надеран Эдрис Аннотация: рассматривается разработанный алгоритм структурного анализа для онлайн распознавания рукописных математических

Подробнее

Задача A. MPEG-кодирование

Задача A. MPEG-кодирование Задача A. MPEG-кодирование Ваша задача - реализовать упрощенный алгоритм MPEG-кодирования. Входными данными будет матрица целых чисел размера 8*8. Первым этапом MPEG-кодирования является зигзаг-сканирование,

Подробнее

К вопросу о построении системы распознавания и подсчета животных на аэрофотоснимках Часть 1: Анализ методов распознавания

К вопросу о построении системы распознавания и подсчета животных на аэрофотоснимках Часть 1: Анализ методов распознавания УДК 004.932.72'1 К вопросу о построении системы распознавания и подсчета животных на аэрофотоснимках Часть 1: Анализ методов распознавания В. В. Михайлов, доктор техн. наук, ведущий научный сотрудник Санкт-Петербургский

Подробнее

ОЦЕНКА ЗОН ПОТЕНЦИАЛЬНОЙ ОПАСНОСТИ ОПАСНЫХ ПРОИЗВОДСТВЕННЫХ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ ГЕОИНФОРМАЦИОННОЙ СИСТЕМЫ И ВЕЙВЛЕТ-АНАЛИЗА

ОЦЕНКА ЗОН ПОТЕНЦИАЛЬНОЙ ОПАСНОСТИ ОПАСНЫХ ПРОИЗВОДСТВЕННЫХ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ ГЕОИНФОРМАЦИОННОЙ СИСТЕМЫ И ВЕЙВЛЕТ-АНАЛИЗА ОЦЕНКА ЗОН ПОТЕНЦИАЛЬНОЙ ОПАСНОСТИ ОПАСНЫХ ПРОИЗВОДСТВЕННЫХ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ ГЕОИНФОРМАЦИОННОЙ СИСТЕМЫ И ВЕЙВЛЕТ-АНАЛИЗА Идрисов В.Р., Тляшева Р.Р., Кузеев И.Р. Введение Анализ информации является

Подробнее

Лекция Виды компьютерной графики и их ососбенности

Лекция Виды компьютерной графики и их ососбенности Министерство образования Республики Беларусь Учреждение образования Гомельский государственный университет им. Ф. Скорины Физический факультет «Инженерная и компьютерная графика» Лекция Виды компьютерной

Подробнее

ГЛАВА 3. Лексические анализаторы. Лексические анализаторы

ГЛАВА 3. Лексические анализаторы. Лексические анализаторы ГЛАВА 3. Лексические анализаторы ГЛАВА 3 Лексические анализаторы Лексические анализаторы (сканеры). Принципы построения сканеров Назначение лексического анализатора Прежде чем перейти к рассмотрению лексических

Подробнее

СИСТЕМА РАСПОЗНАВАНИЯ СЛОЖНЫХ МЕЗОСТРУКТУР МЕТАЛЛОВ И СПЛАВОВ

СИСТЕМА РАСПОЗНАВАНИЯ СЛОЖНЫХ МЕЗОСТРУКТУР МЕТАЛЛОВ И СПЛАВОВ 8489 УДК 681.3 СИСТЕМА РАСПОЗНАВАНИЯ СЛОЖНЫХ МЕЗОСТРУКТУР МЕТАЛЛОВ И СПЛАВОВ С.И. Шарыбин Пермский национальный исследовательский политехнический институт Россия, 614990, г. Пермь, ул. Комсомольский проспект,

Подробнее

Лабораторная работа 1. Сжатие цифровой последовательности с помощью кодов Хаффмана. Задание на лабораторную работу

Лабораторная работа 1. Сжатие цифровой последовательности с помощью кодов Хаффмана. Задание на лабораторную работу Лабораторная работа Сжатие цифровой последовательности с помощью кодов Хаффмана. Из своей фотографии размером х или 6х6 отсчетов с 6 T градацией серого взять центральную строку пикселей X = [ x, x,...,

Подробнее

Понятие алгоритма. Изображение алгоритма в виде блок схемы. Алгоритмы линейной и разветвляющейся структуры. 1. Понятие алгоритма

Понятие алгоритма. Изображение алгоритма в виде блок схемы. Алгоритмы линейной и разветвляющейся структуры. 1. Понятие алгоритма Понятие алгоритма. Изображение алгоритма в виде блок схемы. Алгоритмы линейной и разветвляющейся структуры. Решение любой задачи на ЭВМ необходимо разбить на следующие этапы: разработка алгоритма решения

Подробнее

Лабораторная работа 3 Стандарты сжатия изображений с потерей качества. Стандарт JPEG.

Лабораторная работа 3 Стандарты сжатия изображений с потерей качества. Стандарт JPEG. Лабораторная работа 3 Стандарты сжатия изображений с потерей качества. Стандарт JPEG. Широко используемым на практике подклассом систем сжатия изображений с потерей качества являются системы, основанные

Подробнее

Материалы для студентов «Информатика и ИКТ» 1 курс

Материалы для студентов «Информатика и ИКТ» 1 курс С о д е р ж а н и е з а н я т и я Лекция 3 Информатика и ИКТ Подходы к понятию информации. Cвойства информации. Информационные объекты различных видов. Универсальность дискретного (цифрового) представления

Подробнее

МЕТОД РАСПОЗНАВАНИЯ ДРЕВНЕРУССКОЙ СКОРОПИСИ

МЕТОД РАСПОЗНАВАНИЯ ДРЕВНЕРУССКОЙ СКОРОПИСИ МЕТОД РАСПОЗНАВАНИЯ ДРЕВНЕРУССКОЙ СКОРОПИСИ И.А. Зеленцов (МГТУ им. Н.Э. Баумана, аспирант) Работа посвящена вопросу автоматизации процесса получения текстов древних рукописей в электронном текстовом представлении.

Подробнее

Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План

Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV План 1. Общие понятия о нейронных сетях (определение нейронной сети, шкала MOS) 2. Классификация нейронных

Подробнее

АЛГОРИТМ ЗАВЯЗКИ ТРАЕКТОРИИ ПРИ МНОГОПОЗИЦИОННОМ СОПРОВОЖДЕНИИ РАДИОЛОКАЦИОННОЙ ЦЕЛИ

АЛГОРИТМ ЗАВЯЗКИ ТРАЕКТОРИИ ПРИ МНОГОПОЗИЦИОННОМ СОПРОВОЖДЕНИИ РАДИОЛОКАЦИОННОЙ ЦЕЛИ А.А. Коновалов АЛГОРИТМ ЗАВЯЗКИ ТРАЕКТОРИИ ПРИ МНОГОПОЗИЦИОННОМ СОПРОВОЖДЕНИИ РАДИОЛОКАЦИОННОЙ ЦЕЛИ Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» Алгоритм обнаружения траектории

Подробнее

Многопроходное распознавание смешанных печатных текстов на примере русско-английского распознавания

Многопроходное распознавание смешанных печатных текстов на примере русско-английского распознавания Труды ИСА РАН 2008. Т. 38 Многопроходное распознавание смешанных печатных текстов на примере русско-английского распознавания О. А. Славин В статье описаны алгоритмы распознавания печатных многоязычных

Подробнее

Тематическое планирование учебного материала по алгебре. 7 класс. (3 часа в неделю,всего 102 часа)

Тематическое планирование учебного материала по алгебре. 7 класс. (3 часа в неделю,всего 102 часа) Тематическое планирование учебного материала по алгебре 7 класс (3 часа в неделю,всего 10 часа) Учебник: «Алгебра. 7 класс», автор Г. В. Дорофеев и др. урока Содержание материала Коли- чество часов Сроки

Подробнее

Домашнее задание по задачам С5 к лекции 2 по подготовке к ЕГЭ

Домашнее задание по задачам С5 к лекции 2 по подготовке к ЕГЭ Домашнее задание по задачам С5 к лекции по подготовке к ЕГЭ Задача 1 При каких р данная система имеет решения? Задача При каждом а решите систему уравнений: Задача 3 При каких значениях параметра а прямая

Подробнее

Тема: Работа с двухмерными массивами в Pascal Коротко о главном

Тема: Работа с двухмерными массивами в Pascal Коротко о главном Тема: Работа с двухмерными массивами в Pascal Коротко о главном Что нужно знать: работу цикла for (цикла с переменной) массив это набор однотипных элементов, имеющих общее имя и расположенных в памяти

Подробнее

Метод получения функции трудоѐмкости рекурсивных алгоритмов на основе анализа порожденного дерева рекурсии

Метод получения функции трудоѐмкости рекурсивных алгоритмов на основе анализа порожденного дерева рекурсии УДК 510.52 1 Малов Д. Н., канд. техн. наук, доц., Национальный исследовательский университет Высшая школа экономики Ульянов М. В., д-р техн. наук, проф., Московский государственный университет печати,

Подробнее

Алгоритм распознавания дорожных знаков

Алгоритм распознавания дорожных знаков УДК 004.93 12 Алгоритм распознавания дорожных знаков Романов П. В., студент Россия, 105005, г. Москва, МГТУ им. Н. Э. Баумана, кафедры «Компьютерные системы и сети» Научный руководитель: Самарев Р. С.,

Подробнее

МИНОБРНАУКИ РОССИИ. «Вологодский государственный университет» (ВоГУ) Компьютерные технологии

МИНОБРНАУКИ РОССИИ. «Вологодский государственный университет» (ВоГУ) Компьютерные технологии МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего образования «Вологодский государственный университет» (ВоГУ) Компьютерные технологии Методические указания к

Подробнее

План лекции. Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики. Акценты лекции. План лекции

План лекции. Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики. Акценты лекции. План лекции План лекции Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики Юрий Лифшиц yura@logic.pdmi.ras.ru ИТМО Осень 2005 1, подходы и применения 1 / 22 2 / 22 План лекции Акценты

Подробнее

1 / 22

1 / 22 Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики Юрий Лифшиц yura@logic.pdmi.ras.ru ИТМО Осень 2005 1 / 22 План лекции 1 Постановка задачи, подходы и применения Постановка

Подробнее

Тема 7. Представление информации в ЭВМ.

Тема 7. Представление информации в ЭВМ. Тема 7. Представление информации в ЭВМ.. Единицы информации. Бит - (bit-biry digit - двоичный разряд) наименьшая единица информации - количество её, необходимое для различения двух равновероятных событий.

Подробнее

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ТОМСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ МАТЕРИАЛЫ

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ТОМСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ МАТЕРИАЛЫ МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ТОМСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ МАТЕРИАЛЫ Первой Всероссийской молодежной научной конференции «МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ИНФОРМАЦИОННЫХ,

Подробнее

КТС "Агрострой" Проектирование систем автоматизации технологических процессов с использованием КТС "Агрострой"

КТС Агрострой Проектирование систем автоматизации технологических процессов с использованием КТС Агрострой 1 Проектирование систем автоматизации технологических процессов с использованием КТС "Агрострой" Введение Особенностью разработки раздела проекта систем автоматизации технологических процессов является

Подробнее

Кодирование. В.Е. Алексеев

Кодирование. В.Е. Алексеев http://vmcozet/ Кодирование ВЕ Алексеев Задача оптимального кодирования Побуквенное кодирование Пусть A a a a } и B b b b } два алфавита Побуквенное кодирование состоит в том что в кодируемом тексте слове

Подробнее

Новые возможности RasterDesk 7.0

Новые возможности RasterDesk 7.0 Новые возможности RasterDesk 7.0 Версия RasterDesk Pro Снятие ограничения на размер обрабатываемого изображения Начиная с версии RasterDesk Pro 7.0 снимается ограничение на размер обрабатываемых изображений.

Подробнее

Компьютерные и информационные технологии в науке, инженерии и управлении

Компьютерные и информационные технологии в науке, инженерии и управлении УДК 681.3.016: 681.325.5-181.48 А.О. Пьявченко, Е.А. Вакуленко, Е.С. Качанова РАСПРЕДЕЛЕННАЯ СИСТЕМА ИДЕНТИФИКАЦИИ И КОНТРОЛЯ ДОСТУПА Биометрия на современном этапе может решать проблемы, связанные с ограничением

Подробнее

Тема 4. СПЕКТРАЛЬНОЕ РАЗЛОЖЕНИЕ СИГНАЛОВ ПО ФУНКЦИЯМ ЛАГЕРРА И УОЛША

Тема 4. СПЕКТРАЛЬНОЕ РАЗЛОЖЕНИЕ СИГНАЛОВ ПО ФУНКЦИЯМ ЛАГЕРРА И УОЛША Тема 4 СПЕКТРАЛЬНОЕ РАЗЛОЖЕНИЕ СИГНАЛОВ ПО ФУНКЦИЯМ ЛАГЕРРА И УОЛША Полиномы и функции Лагерра Разложение сигналов по функциям Лагерра Выбор значения масштабного коэффициента Функции Радемахера Функции

Подробнее

ГИБРИДНЫЙ ПАРАЛЛЕЛЬНЫЙ АЛГОРИТМ СОПОСТАВЛЕНИЯ СТЕРЕО- ИЗОБРАЖЕНИЙ В ЗАДАЧЕ РЕКОНСТРУКЦИИ 3D-СЦЕН

ГИБРИДНЫЙ ПАРАЛЛЕЛЬНЫЙ АЛГОРИТМ СОПОСТАВЛЕНИЯ СТЕРЕО- ИЗОБРАЖЕНИЙ В ЗАДАЧЕ РЕКОНСТРУКЦИИ 3D-СЦЕН ГИБРИДНЫЙ ПАРАЛЛЕЛЬНЫЙ АЛГОРИТМ СОПОСТАВЛЕНИЯ СТЕРЕО- ИЗОБРАЖЕНИЙ В ЗАДАЧЕ РЕКОНСТРУКЦИИ 3D-СЦЕН В.А. Фурсов Е.В. Гошин А.П. Котов Самарский государственный аэрокосмический университет им. академика С.П.Королёва

Подробнее

Введение в компьютерное зрение. Дмитрий Крыжановский г. Волгоград

Введение в компьютерное зрение. Дмитрий Крыжановский г. Волгоград Введение в компьютерное зрение Дмитрий Крыжановский г. Волгоград Сцена и изображение Самой информативной сенсорной модальностью считается зрение (на основе модели мира). Пусть есть сцена W в реальном мире

Подробнее

log2 P P ИЗМЕРЕНИЕ ИНФОРМАЦИИ

log2 P P ИЗМЕРЕНИЕ ИНФОРМАЦИИ ИЗМЕРЕНИЕ ИНФОРМАЦИИ Вопрос о количестве информации и методах её измерения не так прост, как кажется на первый взгляд. Если при кодировании текста использовать набор символов ASCII, то для представления

Подробнее

БЫСТРОДЕЙСТВУЮЩИЙ ЭМУЛЯТОР СЕТЕЙ ПЕТРИ QPNET

БЫСТРОДЕЙСТВУЮЩИЙ ЭМУЛЯТОР СЕТЕЙ ПЕТРИ QPNET БЫСТРОДЕЙСТВУЮЩИЙ ЭМУЛЯТОР СЕТЕЙ ПЕТРИ QPNET В.Коба, Н.Кочетков Московский государственный институт радиотехники, электроники и автоматики (технический университет) Сети Петри это удобный инструмент для

Подробнее

4. Решение и исследование квадратных уравнений

4. Решение и исследование квадратных уравнений КВАДРАТНЫЕ УРАВНЕНИЯ Оглавление КВАДРАТНЫЕ УРАВНЕНИЯ... 4. и исследование квадратных уравнений... 4.. Квадратное уравнение с числовыми коэффициентами... 4.. Решить и исследовать квадратные уравнения относительно

Подробнее

АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА БАЗЕ БИБЛИОТЕКИ OPENCV

АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА БАЗЕ БИБЛИОТЕКИ OPENCV АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА БАЗЕ БИБЛИОТЕКИ OPENCV 66 С.В. Томилов Большинство современных систем распознавания лиц очень чувствительны к характеристикам предъявляемых изображений. Поэтому перед непосредственным

Подробнее