Комбинированные алгоритмы поддержки принятия решений при автоматизированной идентификации зашумленных структурированных изображений

Комбинированные алгоритмы поддержки принятия решений при автоматизированной идентификации зашумленных структурированных изображений

Автор: Булдаков, Николай Сергеевич

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2012

Место защиты: Саратов

Количество страниц: 168 с. ил.

Артикул: 6547577

Автор: Булдаков, Николай Сергеевич

Стоимость: 250 руб.

Комбинированные алгоритмы поддержки принятия решений при автоматизированной идентификации зашумленных структурированных изображений  Комбинированные алгоритмы поддержки принятия решений при автоматизированной идентификации зашумленных структурированных изображений 

ВВЕДЕНИЕ
1. ПОСТАНОВКА ЗАДАЧИ АВТОМАТИЗИРОВАННОЙ ИДЕНТИФИКАЦИИ СТРУКТУР НА ОСНОВЕ КОМБИНИРОВАННЫХ МОДЕЛЕЙ, МЕТОДОВ И АЛГОРИТМОВ
1.1. Характеристика процесса идентификации структурных элементов как объекта исследования.
1.1.1. Цели и задачи идентификации структурных элементов
1.1.2. Формирование характеристического вектора признаков .
1.2. Обзор методов обработки изображений для идентификации структурных элементов
1.2.1. редварительная обработка изображений.
1.2.2. Методы структурирования изображений
1.2.3. Методы кластеризации структурных элементов.
1.3. Описание особенностей автоматизированной идентификации структурных элементов на зашумленных снимках.
1.3.1. Анализ подходов к распознаванию изображений
1.3.2. Выбор программнотехнических решений по созданию автоматизированной системы идентификации структур
1.4. Постановка цели диссертационного исследования.
Выводы по разделу 1.
2. РАЗРАБОТКА ОБЩЕГО КОМБИНИРОВАННОГО АЛГОРИТМА И АПРОБАЦИЯ ПРИ ИДЕНТИФИКАЦИИ СТРУКТУР НА СНИМКАХ ЗЕМНОЙ ПОВЕРХНОСТИ.
2.1. Разработка общего комбинированного алгоритма и критериев
идентификации зашумленных структурированных изображений
2.2. Описание задач распознавания структур при аэрофотосъемке
2.3. Анализ особенностей задачи распознавания минных полей по
снимкам из космоса
2.3.1. Проблемы идентификации мин по снимкам.
2.3.2. Клеточные автоматы в обработке изображений
2.4. Разработка алгоритма предварительной обработки изображений
на основе клеточных автоматов
2.4.1. Низкочастотная фильтрация.
2.4.2. Контрастирование
2.4.3. Приведение изображения к бинарной форме.
2.4.4. Формирование кластеров
2.4.5. Нормализация размеров кластеров.
2.5. Создание методов распознавания мин в зависимости от способа
их установки.
2.6. Построение программного комплекса для исследования
методов и алгоритмов обработки изображений.
Выводы по разделу 2.
3. АНАЛИЗ МОДЕЛЕЙ И МЕТОДОВ ИДЕНТИФИКАЦИИ
СТРУКТУР РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ.
3.1. Описание и анализ предметной области
3.2. Характеристика основных подходов к идентификации структур
по рентгеновским снимкам.
3.2.1. Выделение контуров объекта
3.2.2. Анализ статистических характеристик объектов на снимке
3.2.3. Сравнение растровых фрагментов изображения
3.3. Описание способов измерения рентгенографической плотности среды для идентификации аномальных структур.
3.3.1. Непосредственное измерение
3.3.2. Временное вычитание.
3.3.3. Энергетическое вычитание
3.3.4. Измерение с использованием контрастного вещества
3.4. Анализ и модификация моделей преобразования информативных параметров при получении и анализе снимка
3.5. Постановка задачи автоматизированной идентификации
структур по рентгеновским изображениям
Выводы по разделу 3.
4. СОЗДАНИЕ КОМБИНИРОВАННЫХ МЕТОДОВ И МОДЕЛЕЙ
ДЛЯ ДИСТАНЦИОННОЙ ОБРАБОТКИ СНИМКОВ.
4.1. Синтез алгоритма автоматизированного анализа снимков и выявления структурных элементов
4.2. Создание алгоритма вычисления физической плотности вещества.
4.3. Разработка комбинированного метода сегментации на основе априорной информации о форме и плотности аномального образования
4.3.1. Нейросетевая идентификация аномальных структур.
4.3.2. Выбор функций принадлежности.
4.3.3. Анализ результатов экспериментальных исследований по верификации метода и практической оценки его точности .
4.4. Разработка требований и принципов построения распределенной системы автоматизированной обработки снимков
Выводы по разделу 4.
5. СИНТЕЗ СИСТЕМ ДИСТАНЦИОННОГО МОНИТОРИНГ А И
АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ СНИМКОВ ДЛЯ
ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ
УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ.
5.1. Описание задач системы дистанционного мониторинга и автоматизированной обработки снимков.
5.2. Синтез комбинированных методов и моделей автоматизированной идентификации структур в УеЬсистемах обработки изображений
5.3. Анализ предложенной типовой архитектуры системы дистанционного мониторинга
5.4. Создание методов построения виртуальной архитектуры системы дистанционного мониторинга и автоматизированной обработки снимков.
5.4.1. Разработка структурной модели интеллектуальной системы мониторинга и обработки изображений.
5.4.2. Характеристика особенностей применения технологии виртуализации.
5.5. Выбор и обоснование программноаппаратного обеспечения системы.
Выводы по разделу 5
ЗАКЛЮЧЕНИЕ.
С ИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ.
ПРИЛОЖЕНИЯ. АКТЫ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ КАНДИДАТСКОЙ ДИССЕРТАЦИОННОЙ РАБОТЫ
ВВЕДЕНИЕ
Актуальность


При технической диагностике с помощью изображений можно определить трещины иили пустоты внутри металлической конструкции, проверить качество сварных изделий, выявить скрытые дефекты 8, , . Методы дистанционного зондирования Земли из космоса широко применяются для решения научных и практических задач геологии, таких как поиск и эксплуатация месторождений полезных ископаемых. В частности, идентификация структурных элементов на снимках позволяет изучить региональные и глобальные геоструктуры, проанализировать глубинное строение, выявить структурные закономерности распределения полезных ископаемых . Структурный анализ играет важную роль в разведке минерального сырья и углеводородов, а также при идентификации и мониторинге зон повышенного геологического риска. Он включает идентификацию и изучение так называемых структурных элементов, к которым относятся линеаменты и кольцевые структуры . Структурный анализ играет ключевую роль для интерпретации процессов, происходящих в земной коре и формирующих ландшафт земной поверхности. Выделенные структурные элементы могут являться индикаторами потенциальных месторождений нефти и газа, характеризуя как подповерхностную геометрию скальных пород, так и деформацию и напряжение земной коры в локальной области. Более того, структурный анализ также дает ключ к пониманию процессов движения земной коры и потенциальных зон повышенного риска, таких как зоны землетрясений, оползней и вулканической деятельности. Так, идентификация линий разломов помогает избежать интенсивного строительства в потенциально опасных зонах сейсмической активности . Изучение снимков, полученных дистанционно, широко применяется при анализе местности, например, в лесном хозяйстве для автоматического подсчета площади вырубок, в сельском хозяйстве для наблюдения за созреванием урожая, при разведке, в системах противопожарной безопасности , . При разведке с целыо обнаружения и слежения за военной техникой широко применяют системы регистрации и обработки тепловизионных изображений видимых глазом изображений, яркость элементов которых соответствует интенсивности теплового инфракрасного излучения различных объектов наблюдаемой сцены. Тепловизионное изображение формируется дистанционной системой наблюдения при регистрации теплового излучения объектов пространственной сцены . В ряде отраслей науки и практики наряду с анализом аэрофотоснимков проводятся работы по дешифрированию космических фотоснимков, выполняемых с пилотируемых космических кораблей и орбитальных станций, а также с искусственных спутников Земли. В последнем случае получение фотоснимков полностью автоматизировано доставка их на Землю осуществляется с помощью контейнеров или передачей изображения телевизионным способом. Благодаря снимкам из космоса обеспечивается возможность непосредственного выявления объектов глобального и регионального характера, изучения динамики природных процессов и проявлений хозяйственной деятельности на значительных пространствах за короткий промежуток времени. Таким образом, идентификация структурных элементов на снимках является чрезвычайно актуальной задачей, характерной для многих предметных областей. При этом суть идентификации состоит в расшифровке содержания снимков, распознавании изображнных объектов, определении их качественных и количественных характеристик, извлечении информации на основе зависимостей, существующих между свойствами объектов и их отображением на снимках. Качество и наджность распознавания объектов определяют идентифицируемые дешифровочные признаки, масштаб и разрешение снимков, их стереоскопические свойства, техническая обеспеченность и применяемые алгоритмы. Дешифровочные признаки это характерные особенности объектов, по которым их удатся распознать, выделить среди других и интерпретировать. Эти признаки подразделяют на прямые и косвенные. Прямые признаки присущи собственно объектам это конфигурация, размер, цвет, фототон, тень от объекта, структура и текстура изображения. Косвенные индикационные дешифровочные признаки характеризуют объект опосредованно через свойства другого объекта, связанного с ним.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.241, запросов: 244