Система идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта

Система идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта

Автор: Тишкин, Роман Валентинович

Шифр специальности: 05.13.01

Научная степень: Кандидатская

Год защиты: 2008

Место защиты: Рязань

Количество страниц: 137 с. ил.

Артикул: 4113826

Автор: Тишкин, Роман Валентинович

Стоимость: 250 руб.

Система идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта  Система идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта 

Содержание
Введение.
1. МЕТОДЫ И АЛГОРИТМЫ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ
1.1 Общая характеристика и классификация методов на основе выделения границ
1.2. Методы и алгоритмы сегментации, основанные на разметке точек области.
1.2.1. Пороговая обработка.
1.2.2. Сегментация на основе кластерного анализа.
1.2.3. Разделение и слияние областей.
1.2.4. Релаксационная разметка.
1.3. Общая характеристика и классификация методов на основе искусственных нейронных сетей.
1.3.1. Применение искусственных нейронных сетей с обратным распространением ошибки.
1.3.2. Использование самоорганизующихся ИНС
1.4. Общая характеристика методов на основе нечеткой логики
1.5. Особенности сегментации цветных изображений.
Выводы.
2. ПРИМЕНЕНИЕ ТЕХНОЛОГИИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В АЛГОРИТМАХ ИДЕНТИФИКАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ.
2.1. Оценка качества и эффективности методов идентификации облачных образований
2.2. Идентификации облачных образований с помощью
сети Кохонена.
2.3. Обучение нейронной сети с помощью колорометрического алгоритма.
Выводы.
3. АЛГОРИТМЫ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ ПРИ ИДЕНТИФИКАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ.
3.1. Четкая кластеризация алгоритмом к средних.
3.2. Базовый алгоритм нечетких средних.
3.3. идентификации облачных образований на основе генетического алгоритма
3.4. Эффективность использования нечетких множеств второго типа при идентификации облачных образований.
3.5. Сравнительный анализ показателей алгоритмов идентификации облачных образований на основе методов и алгоритмов нечеткой логики
Выводы.
4. ПРОГТАШТОАППАРАТНАЯ РЕАЛИЗАЦИЯ МЕТОДОВ И АЛГОРИТМОВ.
4.1. Технологи виртуального доступа к банкам спутниковых
изображений.
4.2. Реализация клиентского программного обеспечения
4.3. Разработка серверного программного обеспечения.
4.3.1. Выбор транспортного протокола.
4.3.2.Прикладной протокол взаимодействия клиента с сервером обработки изображений
4.3.3. Описание библиотек обработки изображений используемых сервером.
4.4. Применение микропроцессора ЫМ при реализации алгоритмов сегментации изображений
Введение
Актуальность


Эти технологии функционируют в составе систем обработки информации от космических аппаратов ЫОАА и Метеор ЗМ №1. Кроме того, результаты работы были использованы в учебном процессе и позволили улучшить качество преподавания дисциплин “Основы теории нечетких множеств” и “Системы искусственного интеллекта”. Апробация работы. Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, ; 2 доклада); Международная конференция «Инфотелекоммуникационные технологии в науке, производстве и образовании» (Ставрополь, ); Научно-техническая конференция ФГУП "РНИИ КП", посвященная -летию предприятия (Москва, ); Всероссийская конференция «Новые информационные технологии в научных исследованиях и в образовании» (Рязань, , ). Всероссийская конференция «Сети, системы связи и телекоммуникации. Рязань, ). Публикации. Основные результаты диссертации опубликованы в -и работах, в том числе 2-е работы опубликованы в изданиях, рекомендованных ВАК. В отраслевом фонде алгоритмов и программ Федерального агентства по образованию зарегистрирован комплект программ (свидетельство №7 от ). Внедрение результатов работы. Диссертационная работа выполнена в Рязанском государственном радиотехническом университете. Структура н объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения. Основной текст работы содержит 4 сгр. Список литературы на стр. Существующие алгоритмы и методы обработки изображений базируются на процедурах автоматического разбиения изображений на содержательно интерпретируемые области. Механизм автоматического разбиения на области называется сегментацией изображения []. Степень детализации исследуемых объектов на снимках определяется спецификой решаемых задач и целями обработки. В целом эффективноегь высокоуровневых методов обработки изображений существенным образом определяется качеством выполненной сегментации. При этом сегментация не является тривиальной задачей и представляет из себя одну из сложных задач обработки изображений [, , , , ]. Формально задача сегментации формулируется следующим образом []. Xиз. ЬР - предикат, определенный на множестве 5 и принимающий истинные значения тогда, и только тогда, когда любая пара точек из каждого подмножества 5, удовлетворяет некоторому критерию однородности. LP(s;ns]) = false /,y = u,/*y. Условие а) в соотношениях (1. S* должны быть связанными; условие в) определяет вид (тип) однородности получаемых областей; условие г) выражает свойство “максимальности” областей разбиения. Подразумевается, что разбиение S* существует и оно единственно. Предикат LP в (1. S*; л:(/) = 1,Nf; у0) = 1, ; Nf х N^- размер области S*. Де (х(т>У(т)’ (¦Х/°>Д;/0) — произвольные точки из области S*; Т - величина некоторого, заранее заданного, порога. X' при Сx,y)<=S'} i-,k, (1. В случае частичной сегментации изображение разбивается на области, элементы которых являются сходными по некоторому (заранее заданному) критерию. При полной сегментации каждой выделенной области дается в соответствие некоторая смысловая метка, т. Наиболее комплексный анализ существующих методов и алгоритмов сегментации приведен в [], однако существующая классификация методов сегментации на данный момент может быть дополнена и детализирована способами обработки информации на основе правил и выводов нечеткой логики [], искусственных нейронных сетей, а гак же известных алгоритмов, которые подверглись модификации. Среди известных признаков в [7,,,,, ,,,,,] для классификации методов сегментации изображений выбран подход, в соответствии с которым все существующие методы и алгоритмы можно различить по способу анализа точек сегментируемого изображения. Одно из базовых свойств этих точек - разрывность функции яркосги (или однородность относительно некоторого* критерия). В качестве критерия используются “простые” свойства точек изображения (например, значение яркости в точке) или более “сложные” (например, текстурный признак группы точек). На рисунке 1. Методы, реализующие в том или ином виде выделение границ объектов. В другую группу входят методы, в которых осуществляется разметка отдельных точек.

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: 0.244, запросов: 244