Нейросетевые и статистические алгоритмы выделения неоднородных участков и границ раздела случайных полей

• Автор: Маслов, Олег Владимирович
• Шифр специальности: 01.04.03
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Воронеж
• Количество страниц: 176 с. : ил.

1. Модели и методы решения задач обнаружения неоднородных участков и определения границ раздела случайных полей
1.1 Типовые задачи выделения объектов на изображениях поверхности земли (выделение границ, оконтуривание, распознавание классов элементарных участков)
1.2 Известные подходы к решению задач выделения границ пространственно распределенных объектов
1.3 Тестовая статистическая модель неоднородности в виде границы раздела
случайных полей
Выводы по главе
2. Нейросетевые и статистически оптимальные алгоритмы обнаружения неоднородных участков, содержащих границы раздела случайных полей, и их применение при обработке реальных изображений
2.1 Оптимальный алгоритм обнаружения участков с границей раздела случайных марковских полей и его эффективность
2.2 Нейросетевые и статистически оптимальные алгоритмы обнаружения неоднородных участков
2.2.1 Синтез и обучение нейросетевого алгоритма обнаружения неоднородных участков
2.2.2 Сравнительный анализ эффективности оптимального и нейросетевого алгоритмов
2.2.3 Обучение и использование нейросетевого алгоритма обнаружения неоднородных участков при обработке реальных изображений
2.3 Нейросетевые и статистически оптимальные алгоритмы определения
границ раздела случайных полей
Выводы по главе

3. Синтез и анализ алгоритмов выделения границ случайных полей на основе методов обнаружения разладки
3.1 Авторегрессионные и вероятностные описания случайных полей, разделенных границей произвольной формы
3.2 Синтез и анализ «разладочных» алгоритмов выделения границы раздела марковских полей на основе моделей двумерной авторегрессии
3.2.1 Алгоритмы выделения границы на основе обнаружения «разладки» при построчных наблюдениях
3.2.2 Алгоритмы выделения границы на основе обнаружения
«пространственной разладки»
3.3 Исследование эффективности алгоритмов обнаружения «разладки» в
интересах выделения границы раздела полей
Выводы по главе
4. Нейросетевые алгоритмы моделирования изображений пространственно распределенных объектов и их применение в задаче выделения границ
4.1 Алгоритмы моделирования изображений подстилающей поверхности с использованием искусственных нейронных сетей
4.2 Исследование качества моделирования различных типов пространственно
распределенных объектов с использованием искусственных нейронных
сетей
4.3 Комбинированные алгоритмы выделения границ случайных полей и их
использование при обработке реальных изображений
Выводы по главе
Заключение
Литература

Последние десятилетия наблюдается непрерывный рост вычислительных мощностей компьютерной техники, вызванный совершенствованием микропроцессорной элементной базы. В связи с этим значительно расширяется спектр задач, посильных для обработки средствами современной вычислительной техники. Появляется возможность наделить алгоритмы обработки информации интеллектуальными способностями, считавшимися до этого присущими лишь человеческому мозгу с его высокопараллельной структурой организации. Одной из задач, предъявляющих повышенные требования к средствам цифровой и вычислительной техники, является задача обработки изображений. Компьютерная обработка изображений относится к числу наиболее динамично развивающихся информационных технологий, применяемых при исследовании Земли, в робототехнике, полиграфии, медицине, физическом материаловедении и т.п. [33,56,73,89].
В информационных системах различного назначения, реализующих обработку изображений используют методы дистанционного зондирования: пользователь имеет возможность получать информацию об изучаемом объекте на расстоянии, в том числе на основе космических аппаратов коммерческого применения. Дистанционные методы, как правило, являются косвенными, то есть, с их помощью измеряются не параметры состояния объектов, такие, как тип, форма, местоположение, а косвенно связанные с ними величины [22]. Например, аппаратура спутника регистрирует лишь интенсивность светового потока в нескольких участках оптического диапазона длин волн. Эта информация, как правило, передается для обработки в виде цифровых изображений. Наземная обработка этих изображений производится с помощью компьютеров в рамках пунктов приема информации из космоса. Здесь и возникает потребность в синтезе эффективных оперативных алгоритмов обработки потока данных, поступающих в виде последовательности цифровых изображений.

рф)=
0
0 РуРх1 _ * ш-п РУРс1 0
0 0 ^ш-п)
0 0 0 1 0 0
е Гр)-
<$п) 0
0{"{п,т) <3? (т - п)
0 0 С№- гг)
0 0
б) Р = {п,т), т<п
У®1
Кт(п) 0 0 0 ) 0 0
0 0 РЛТ Ру Р<1 0 0 ; о/Р)= 0 ср>- т) у уП-П1 'у2 *х2 %гг
0 0 0 0 0 (%Ы- т)
0 0 0 1 0 о 1_ 0 0 0

РГ(г)-
в2(п,т)
0(г)
лп лЛ
Уу,2Рх УхуРх
ГУхРТ УхухРл1
Уу1,2 УуцРх 1,2 Ух 1,2
/лгАи
УхуРх

УхуРх

Г.1,2
Ру,2 0 " II *4 ъ° Уу1,2 Уу,гРх,2 Уту 1,2
0 Ру,2 _ УуигРхиг Гу,,2^1,2 Гху1,2_
Матрица Н) (/?) имеет вид