Алгоритмическое и программное обеспечение мультипроцессорных систем для распознавания графических образов на основе нейросетевого подхода

• Автор: Тищенко, Игорь Петрович
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Переславль-Залесский
• Количество страниц: 114 с. : ил.

ВВЕДЕНИЕ.
ГЛАВА 1. Аналитический обзор современных алгоритмов распознавания графических образов и технологий параллельного программирования
1Л. Классы графических образов
1.2. Методы предобработки данных
1.3. Методы сегментации изображений
1.4. Методы распознавания графических образов
1.5. Программные системы распознавания на основе нейронных сетей
1.6. Особенности решения задач распознавания с использованием высокопроизводительных вычислительных средств
1.7. Технологии параллельного программирования
1.8. Архитектура программной системы «ПС ИНС»
Основные выводы
ГЛАВА 2. Разработка алгоритмического обеспечения как технологии автоматического выделения объектов на снимках космического назначения
2.1. Разработка метода адаптивного преобразования цветного изображения
2.1.1. Анализ способов преобразования цветного изображения
2.1.2. Применение метода главных компонент (МГК)
2.1.3. Исследование результатов применения адаптивного метода
2.2. Разработка метода выделения объектов с помощью гистограмм
2.2.1. Разработка метода удаления фона
2.2.2. Сравнение методов удаления фона
2.2.3. Выделение локальных объектов

2.2.4. Устранение полостей в объектах
2.2.5. Отсеивание объектов
2.2.6. «Сборка» объектов
2.2.7. Формирование списка кандидатов
2.3. Разработка метода сегментации объектов на изображении на основе выделения границ
2.3.1. Сглаживание, выделение и бинаризация границ
2.3.2. Выделение сегментов, присоединение границ к сегментам и «сборка» сегментов
2.4. Специальная обработка распознаваемых объектов и эталонов
Основные выводы
ГЛАВА 3. Разработка метода настройки и программная реализация ИНС Кохонена для кластеризации и распознавания графических образов на кластерных установках
3.1. Постановка задачи распознавания и кластеризации
3.2. Алгоритмы обучения ИНС Кохонена и распознавания объектов
3.3. Выбор оптимальной стратегии реализации ИНС Кохонена с метрикой Евклида на КВУ
3.4. Исследование ГНС Кохонена с метриками Махаланобиса и Евклида-Махаланобиса
3.4.1. Особенности метрик Махаланобиса и Евклида-Махаланобиса
3.4.2. Метод настройки ИНС Кохонена на метрики Махаланобиса и Евклида-Махаланобиса
3.4.3. Решение на КВУ задач кластеризации и распознавания на основе метрики Махаланобиса и Евклида-Махаланобиса
Основные выводы

ГЛАВА 4. Программное обеспечение кластерной установки для распознавания графических образов
4.1. Требования к программному комплексу
4.2. Архитектура программного комплекса
4.3. Графический интерфейс для формирования задач распознавания образов
4.4. Построение схем обработки космических снимков средствами графического интерфейса
4.5. Основные характеристики и результаты тестирования программного обеспечения
Основные выводы
Заключение
Список литературы
ПРИЛОЖЕНИЕ 1. Порядок установки программного обеспечения на кластерную установку семейства СКИФ
ПРИЛОЖЕНИЕ 2. Акты об использовании результатов диссертационной работы

Технология обработки снимков основана на применении алгоритмов, реализуемых модулями системы, которые в комплексе способны решать задачи пользователя по обработке изображений.
Модули предварительной обработки предназначены для:
- улучшения качества изображения за счет логической обработки и фильтрации изображения;
- вычисления информативных интегральных параметров (яркостные и геометрические инварианты, линии положения и
др-);
- выделения контуров, локальных объектов и др. операции. Основное назначение модулей ИНС заключается в распознавании
графических образов на снимках. За основу приняты классы изображений, используемые в аэрокосмической области.
Основные выводы
1. Задачи распознавания графических образов могут быть эффективно решены с использованием ИНС, однако существующие программные продукты на их основе имеют ряд недостатков, затрудняющих их использование в важнейших прикладных областях (медицина, авиация, космос и т.д.).
2. ИНС эффективны только при условии наличия средств предобработки входных данных, включая методы типовой обработки (фильтрация, оконтуривание, выделение контуров) и специальной обработки (выделение и сборка объектов, нормализация положения и масштаба).
3. Из проведенного анализа следует необходимость решения задач автоматического преобразования входных данных, например потоков снимков, к виду удобному для последующей обработки на основе ИНС. При этом все инструменты должны быть собраны в единую интеллектуальную