Проблемы применения классических методов распознавания для фотографических изображений пыльцевых зерен

Save this PDF as:
 WORD  PNG  TXT  JPG

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

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.

АЛГОРИТМЫ БИНАРИЗАЦИИ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ

АЛГОРИТМЫ БИНАРИЗАЦИИ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ АЛГОРИТМЫ БИНАРИЗАЦИИ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ ИА Халецкая ОЮ Лысак студенты г Томск ТУСУР РТФ -anova-9@malru Руководитель: Латышев АЮ Проект ГПО ТУ 4 В настоящее время диагностика на основе визуального

Подробнее

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

Об одном методе распознавания изображений

Об одном методе распознавания изображений Модел. и анализ информ. систем. Т.14, 4 (2007) 7 12 УДК 519.68:[681.5137+612.8.001.57+007.51/52] Об одном методе распознавания изображений Михайлов И. А. Ярославский государственный университет 150 000,

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

Построение дополненной реальности на примере создания виртуальной примерочной /482783

Построение дополненной реальности на примере создания виртуальной примерочной /482783 Построение дополненной реальности на примере создания виртуальной примерочной. 77-48211/482783 # 08, август 2012 Девайкин П. А., Шикуть А. В. УДК.004.021 Россия, МГТУ им. Н.Э. Баумана p.devaikin@gmail.com

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

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

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

СПЕЦИАЛИЗИРОВАННАЯ КОМПЬЮТЕРНАЯ СИСТЕМА ФОКУСИРОВКИ МИКРОСКОПА. Кириченко М.Н., группа КСД-05м Руководитель доц. каф. АСУ Омельченко А.А.

СПЕЦИАЛИЗИРОВАННАЯ КОМПЬЮТЕРНАЯ СИСТЕМА ФОКУСИРОВКИ МИКРОСКОПА. Кириченко М.Н., группа КСД-05м Руководитель доц. каф. АСУ Омельченко А.А. 298 СПЕЦИАЛИЗИРОВАННАЯ КОМПЬЮТЕРНАЯ СИСТЕМА ФОКУСИРОВКИ МИКРОСКОПА Кириченко М.Н., группа КСД-05м Руководитель доц. каф. АСУ Омельченко А.А. В настоящее время в медицине и технике широко применяются микроскопы

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

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

Е.Е. Плахова, Е.В. Меркулова Донецкий национальный технический университет, г. Донецк кафедра автоматизированных систем управления

Е.Е. Плахова, Е.В. Меркулова Донецкий национальный технический университет, г. Донецк кафедра автоматизированных систем управления Секция 6. Цифровая обработка сигналов и изображений 377 УДК 004.932.2+004.932.72'1 Е.Е. Плахова, Е.В. Меркулова Донецкий национальный технический университет, г. Донецк кафедра автоматизированных систем

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

Ðазработка и оптимизация процесса сегментации изображения и видео потока на стороне мобильного устройства

Ðазработка и оптимизация процесса сегментации изображения и видео потока на стороне мобильного устройства ÓДÊ 004.932.2 Ðазработка и оптимизация процесса сегментации изображения и видео потока на стороне мобильного устройства Н.À. Северинов Московский государственный университет печати имени Ивана Федорова

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

А.Д. Варламов, Е.Е. Макарова

А.Д. Варламов, Е.Е. Макарова Цитирование Варламов А.Д., Макарова Е.Е. Метод автоматического выделения объектов на УЗИ снимках сердца // Алгоритмы, методы и системы обработки данных. 17. 2011. С. 49-54. А.Д. Варламов, Е.Е. Макарова

Подробнее

Использование нейросети и SIFT дескрипторов для сравнения изображений

Использование нейросети и SIFT дескрипторов для сравнения изображений # 06, июнь 2016 УДК 004.932 Использование нейросети и SIFT дескрипторов для сравнения изображений Введение Савонин А.И., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение

Подробнее

ПРИНЦИПЫ СИНТЕЗА СИСТЕМ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ

ПРИНЦИПЫ СИНТЕЗА СИСТЕМ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ В.Б. Алмаметов (к.т.н., доцент), Г.Г. Беликов (доцент), Е.А. Данилова (старший преподаватель), М.К. Рачковская (студент), Г.В. Таньков (к.т.н., доцент), А.Г. Царёв (старший преподаватель) ПРИНЦИПЫ СИНТЕЗА

Подробнее

РАЗРАБОТКА И АНАЛИЗ АЛГОРИТМОВ ИДЕНТИФИКАЦИИ ПОЧЕРКА

РАЗРАБОТКА И АНАЛИЗ АЛГОРИТМОВ ИДЕНТИФИКАЦИИ ПОЧЕРКА \ РАЗРАБТКА И АНАЛИЗ АЛГРИТМВ ИДЕНТИФИКАЦИИ ПЧЕРКА А. Н. Шейбак, Г. К. Афанасьев Белорусский государственный университет, Минск, Беларусь Задача распознавания рукописных символов есть задача нахождения

Подробнее

РАЗРАБОТКА МЕТОДОВ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ КРИСТАЛЛОГРАММ НА ОСНОВЕ ТЕХНОЛОГИИ ВЫЯВЛЕНИЯ ИНФОРМАТИВНЫХ СЕГМЕНТОВ В СПЕКТРАЛЬНОЙ ОБЛАСТИ

РАЗРАБОТКА МЕТОДОВ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ КРИСТАЛЛОГРАММ НА ОСНОВЕ ТЕХНОЛОГИИ ВЫЯВЛЕНИЯ ИНФОРМАТИВНЫХ СЕГМЕНТОВ В СПЕКТРАЛЬНОЙ ОБЛАСТИ РАЗРАБОТКА МЕТОДОВ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ КРИСТАЛЛОГРАММ НА ОСНОВЕ ТЕХНОЛОГИИ ВЫЯВЛЕНИЯ ИНФОРМАТИВНЫХ СЕГМЕНТОВ В СПЕКТРАЛЬНОЙ ОБЛАСТИ Н.С. Кравцова 1, Р.А. Парингер 1,2, А.В. Куприянов 1,2 1 Самарский

Подробнее

370 Секция 6. Цифровая обработка сигналов и изображений

370 Секция 6. Цифровая обработка сигналов и изображений 370 Секция 6. Цифровая обработка сигналов и изображений УДК 004. 93'12 И.С. Личканенко, В.Н. Пчелкин Донецкий национальный технический университет, г. Донецк кафедра компьютерных систем мониторинга МЕТОДЫ

Подробнее

MODERN DIRECTIONS OF THEORETICAL AND APPLIED RESEARCHES

MODERN DIRECTIONS OF THEORETICAL AND APPLIED RESEARCHES SWorld 18-30 March 2014 http://www.sworld.com.ua/index.php/ru/conference/the-content-of-conferences/archives-of-individual-conferences/march-2014 MODERN DIRECTIONS OF THEORETICAL AND APPLIED RESEARCHES

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

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

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

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

Н.Н. Шеремет Донецкий национальный технический университет, кафедра программного обеспечения интеллектуальных систем

Н.Н. Шеремет Донецкий национальный технический университет, кафедра программного обеспечения интеллектуальных систем 172 Секция 5. Цифровая обработка сигналов и изображений Н.Н. Шеремет Донецкий национальный технический университет, кафедра программного обеспечения интеллектуальных систем ИССЛЕДОВАНИЕ МЕТОДА АКТИВНЫХ

Подробнее

УМК 004 И. И. Иванова, С. Ю. Землянская Донецкий национальный технический университет кафедра автоматизированных систем управления ru

УМК 004 И. И. Иванова, С. Ю. Землянская Донецкий национальный технический университет кафедра автоматизированных систем управления   ru 8 Секция 1. Информационные управляющие системы и технологии УМК 004 И. И. Иванова, С. Ю. Землянская Донецкий национальный технический университет кафедра автоматизированных систем управления E-mail: zsaa@yal

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

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

Правительство Российской Федерации

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

Подробнее

БАЗОВЫЙ АЛГОРИТМ ВОССТАНОВЛЕНИЯ РАЗДЕЛЕННЫХ ГРАММАТИК

БАЗОВЫЙ АЛГОРИТМ ВОССТАНОВЛЕНИЯ РАЗДЕЛЕННЫХ ГРАММАТИК УДК 004.8 авторская копия для www.prk.glossry.ru) БАЗОВЫЙ АЛГОРИТМ ВОССТАНОВЛЕНИЯ РАЗДЕЛЕННЫХ ГРАММАТИК C.Ю. Соловьев soloviev@glossry.ru) МГУ имени М.В. Ломоносова, Москва В работе описывается алгоритм

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

НЕЙРОСЕТЕВАЯ КЛАССИФИКАЦИЯ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ СПЕКТРА РАЗМЕРНОСТЕЙ РЕНЬЕ

НЕЙРОСЕТЕВАЯ КЛАССИФИКАЦИЯ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ СПЕКТРА РАЗМЕРНОСТЕЙ РЕНЬЕ СБОРНИК НАУЧНЫХ ТРУДОВ НГТУ. - 2005. - 1. - 1-4 УДК 62-53:519.6 НЕЙРОСЕТЕВАЯ КЛАССИФИКАЦИЯ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ СПЕКТРА РАЗМЕРНОСТЕЙ РЕНЬЕ А. Н. БОНДАРЕНКО, А. В. КАЦУК Аннотация В статье

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

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

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

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

Календарно-тематический план по алгебре (7 класс)

Календарно-тематический план по алгебре (7 класс) п/п Тема урока (кол-во часов) Код элемента содержания (КЭС) Календарно-тематический план по алгебре (7 класс) Элемент содержания Раздел 1: Математический язык. Математическая модель (14 ч) 1 Числовые выражения

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

Секция 3 «ЭЛЕКТРОТЕХНИЧЕСКИЕ КОМПЛЕКСЫ И СИСТЕМЫ НА АВТОТРАНСПОРТНЫХ СРЕДСТВАХ»

Секция 3 «ЭЛЕКТРОТЕХНИЧЕСКИЕ КОМПЛЕКСЫ И СИСТЕМЫ НА АВТОТРАНСПОРТНЫХ СРЕДСТВАХ» СИСТЕМА ОБНАРУЖЕНИЯ ОБЪЕКТА В ЗОНЕ ДВИЖЕНИЯ АВТОМОБИЛЯ, С ИСПОЛЬЗОВАНИЕМ ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЯ к.т.н. Девочкин О.В., Сегеда С.В. МГТУ «МАМИ» Для снижения числа аварий на дорогах очень важно, что

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

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

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

ФИЗИКО- МАТЕМАТИЧЕСКИЕ НАУКИ

ФИЗИКО- МАТЕМАТИЧЕСКИЕ НАУКИ ФИЗИКО- МАТЕМАТИЧЕСКИЕ НАУКИ УДК 519.67 Аблоухов С.И, Егупов Р. Д., Магистры 2 курса, Лобов Д.В. к. ф.-м. н, доцент, Петрозаводский государственный университет, г. Петрозаводск, Российская Федерация ДЕТЕКТИРОВАНИЕ

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 ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА КИРЛИАН ИЗОБРАЖЕНИЙ В ДИАГНОСТИЧЕСКОЙ СИСТЕМЕ Владимир Калмыков, Виталий Вишневский, Татьяна Романенко Аннотация: Для поддержки принятия решений в диагностической системе разработана

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

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

ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ МЕТОДОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ

ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ МЕТОДОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ УДК 004.85 ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ МЕТОДОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ Попова Ю.Б., Яцынович С.В. БНТУ, г. Минск, Беларусь, julia_popova@mail.ru БНТУ, г. Минск, Беларусь, hawkrai@yandex.ru

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

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

Информатика. 10 класс. 1. На схеме приведено время проезда между соседними железнодорожными станциями. Укажите таблицу, соответствующую схеме.

Информатика. 10 класс. 1. На схеме приведено время проезда между соседними железнодорожными станциями. Укажите таблицу, соответствующую схеме. Демоверсия 1. На схеме приведено время проезда между соседними железнодорожными станциями. Укажите таблицу, соответствующую схеме. 2. На рисунке схема дорог, связывающих города А, Б, В, Г, Д, Е, Ж, И,

Подробнее

Л.В. АНТОНОВ, А.А. ОРЛОВ

Л.В. АНТОНОВ, А.А. ОРЛОВ 3 Л.В. АНТОНОВ, А.А. ОРЛОВ Экспериментальное исследование алгоритмов обработки снимков промышленных изделий УДК 004.942 Муромский институт (филиал) ФГБОУ ВПО «Владимирский государственный университет имени

Подробнее

Распознавание символов на основе метода базовых локальных признаков

Распознавание символов на основе метода базовых локальных признаков НАУКОЁМКИЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. Переславль-Залесский, 2012 А. Е. Кирюшина Распознавание символов на основе метода базовых локальных признаков Научный руководитель: к.т.н. И. П. Тищенко Аннотация.

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

МЕТОД ОБНАРУЖЕНИЯ ЛИНИЙ КОНТУРОВ В ЯРКОСТНЫХ ПЕРЕПАДАХ ПРЕДПОЛАГАЕМЫХ ГРАНЕЙ БИНАРИЗОВАННОГО ИЗОБРАЖЕНИЯ СЛЕДОВ ДИСЛОКАЦИЙ НА ПЛАСТИНАХ GaAs

МЕТОД ОБНАРУЖЕНИЯ ЛИНИЙ КОНТУРОВ В ЯРКОСТНЫХ ПЕРЕПАДАХ ПРЕДПОЛАГАЕМЫХ ГРАНЕЙ БИНАРИЗОВАННОГО ИЗОБРАЖЕНИЯ СЛЕДОВ ДИСЛОКАЦИЙ НА ПЛАСТИНАХ GaAs УДК 0093 1; 0093 АН САМОЙЛОВ, ИВ ШЕВЧЕНКО МЕТОД ОБНАРУЖЕНИЯ ЛИНИЙ КОНТУРОВ В ЯРКОСТНЫХ ПЕРЕПАДАХ ПРЕДПОЛАГАЕМЫХ ГРАНЕЙ БИНАРИЗОВАННОГО ИЗОБРАЖЕНИЯ СЛЕДОВ ДИСЛОКАЦИЙ НА ПЛАСТИНАХ GaAs Рассматривается проблема

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

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

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

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

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

ОБ ОДНОМ МЕТОДЕ ПРЕДСТАВЛЕНИЯ ГРАФИЧЕСКИХ ОБРАЗОВ ТЕКСТОВЫХ СИМВОЛОВ В ВИДЕ ХАРАКТЕРИСТИЧЕСКИХ ВЕКТОРОВ

ОБ ОДНОМ МЕТОДЕ ПРЕДСТАВЛЕНИЯ ГРАФИЧЕСКИХ ОБРАЗОВ ТЕКСТОВЫХ СИМВОЛОВ В ВИДЕ ХАРАКТЕРИСТИЧЕСКИХ ВЕКТОРОВ УДК 68.3 Мучник М.М., Прохоров В.Г. ОБ ОДНОМ МЕТОДЕ ПРЕДСТАВЛЕНИЯ ГРАФИЧЕСКИХ ОБРАЗОВ ТЕКСТОВЫХ СИМВОЛОВ В ВИДЕ ХАРАКТЕРИСТИЧЕСКИХ ВЕКТОРОВ Широкое внедрение компьютеров во все сферы народного хозяйства

Подробнее

B1 (базовый уровень, время 4 мин)

B1 (базовый уровень, время 4 мин) К. Поляков, 009-04 B (базовый уровень, время 4 мин) Тема: Поиск алгоритма минимальной длины для исполнителя. Что нужно знать: каких-либо особых знаний из курса информатики не требуется, задача решаема

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

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

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

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

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

Нестандартные решения для Государственных стандартов.

Нестандартные решения для Государственных стандартов. Нестандартные решения для Государственных стандартов. Урок 1 «Создание семейств заголовка узла и заголовка разреза для одного листа с возможностью нумеровать узел и разрез одинаковой цифрой» При прохождении

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

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

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

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

Зависимость точности и оценки распознания от степени различия между базами обучения и распознавания

Зависимость точности и оценки распознания от степени различия между базами обучения и распознавания Труды ИСА РАН 2008. Т. 38 Зависимость точности и оценки распознания от степени различия между базами обучения и распознавания М. Б. Гавриков, Н. В. Пестрякова, А. В. Усков, В. В. Фарсобина Исследована

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

Обработка цифровых изображений стеклянных микрошариков методами фильтрации и сегментации /403867

Обработка цифровых изображений стеклянных микрошариков методами фильтрации и сегментации /403867 Обработка цифровых изображений стеклянных микрошариков методами фильтрации и сегментации 77-30569/403867 # 03, март 2012 Стругайло В. В. УДК 004.932 Россия, Московский автомобильно-дорожный государственный

Подробнее

Лекция 7 Технологические схемы процесса исследования биообъектов

Лекция 7 Технологические схемы процесса исследования биообъектов Лекция 7 Технологические схемы процесса исследования биообъектов Исходная информация о параметрах объекта исследования содержится в параметрах исходящих от него «порождающих» полей, в то время как основной

Подробнее

Лекция 5. Тема 3.3 Сети с самоорганизацией на основе конкуренции. Содержание:

Лекция 5. Тема 3.3 Сети с самоорганизацией на основе конкуренции. Содержание: Лекция 5 Тема 3.3 Сети с самоорганизацией на основе конкуренции Содержание: 1. Архитектура сети Кохонена 2. Меры расстояния между векторами и нормализация векторов 1. Архитектура сети Кохонена Под термином

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

ОБРАБОТКА ИЗОБРАЖЕНИЙ, ПОЛУЧЕННЫХ МЕТОДОМ РАДИОГОЛОГРАФИИ

ОБРАБОТКА ИЗОБРАЖЕНИЙ, ПОЛУЧЕННЫХ МЕТОДОМ РАДИОГОЛОГРАФИИ ОБРАБОТКА ИЗОБРАЖЕНИЙ, ПОЛУЧЕННЫХ МЕТОДОМ РАДИОГОЛОГРАФИИ Яковлев М.А., Боков М.А., Малозёмов И.М. Ярославский государственный университет им. П.Г. Демидова, г. Ярославль Разработаны методы обработки изображений,

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

СЖАТИЕ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ВЫДЕЛЕНИЯ ЛОКАЛЬНЫХ ОДНОРОДНЫХ ОБЛАСТЕЙ М.В. Гришин, А.А. Ожиганов, А.Ю. Тропченко

СЖАТИЕ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ВЫДЕЛЕНИЯ ЛОКАЛЬНЫХ ОДНОРОДНЫХ ОБЛАСТЕЙ М.В. Гришин, А.А. Ожиганов, А.Ю. Тропченко СЖАТИЕ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ВЫДЕЛЕНИЯ ЛОКАЛЬНЫХ ОДНОРОДНЫХ ОБЛАСТЕЙ М.В. Гришин, А.А. Ожиганов, А.Ю. Тропченко В настоящее время существует достаточно много алгоритмов сжатия изображений. Они осуществляют

Подробнее

Министерство образования Республики Беларусь Учреждение образования «Барановичский государственный университет» Студенческое научное общество БарГУ

Министерство образования Республики Беларусь Учреждение образования «Барановичский государственный университет» Студенческое научное общество БарГУ Министерство образования Республики Беларусь Учреждение образования «Барановичский государственный университет» Студенческое научное общество БарГУ СОДРУЖЕСТВО НАУК. БАРАНОВИЧИ-2016 Материалы XII Международной

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

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

докладчик: руководители: Голомолзина Диана Рашитовна к.б.н, д.ф.н Савостьянов Александр Николаевич Кластеризация компонент ЭЭГ Смирнов Николай

докладчик: руководители: Голомолзина Диана Рашитовна к.б.н, д.ф.н Савостьянов Александр Николаевич Кластеризация компонент ЭЭГ Смирнов Николай докладчик: руководители: Голомолзина Диана Рашитовна к.б.н, д.ф.н Савостьянов Александр Николаевич 1 2 3 4 5 6 7 Электроэнцефалография Электроэнцефалография() - метод оценки функциониронального состояния

Подробнее

Идентификация подписи с помощью радиальных функций

Идентификация подписи с помощью радиальных функций Идентификация подписи с помощью радиальных функций Эллина Анисимова К(П)ФУ, Казань, Россия. ellin_a@mail.ru Аннотация. Статья посвящена исследованию и идентификации on-line подписи с помощью радиальных

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

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

Исследование эффективности пространственных признаков при ландшафтной классификации по многоспектральным космическим изображениям

Исследование эффективности пространственных признаков при ландшафтной классификации по многоспектральным космическим изображениям Новосибирский государственный университет Институт автоматики и электрометрии Исследование эффективности пространственных признаков при ландшафтной классификации по многоспектральным космическим изображениям

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

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