Фрактально-вейвлетные алгоритмы и комплекс программ компьютерного анализа микрофотоизображений текстуры композиционных наноматериалов

• Автор: Галаев, Андрей Борисович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 159 с. : ил.

СОДЕРЖАНИЕ
Введение

Глава 1. Современное состояние научных исследований по

компьютерному анализу микрофотоизображений текстуры

композиционных наноматериалов

1.1. Краткая характеристика современных инструментальных методов и приборов получения микроотоизображений наноматериалов
1.2. Микрофотоизображения текстуры наноматериалов как объект математического моделирования
1.3. Влияние кластерных образований в текстуре наноматериалов на их физико-химические свойства
1.4. Современные алгоритмы анализа функциональных свойств и текстуры наноматериалов
1.5. Обоснование актуальности, цели и задачи диссертационной работы .38 Глава 2. Разработка фрактально-вейвлетных алгоритмов анализа микрофотоизображений текстуры композиционных наноматериалов
2.1. Логико-статистический алгоритм идентификации открытых пор в
структуре нанокомпозита
2.2 Анализ эффективности и модификация существующих алгоритмов расчета фрактальной размерности микрофотоизображений
2.2.1. Модифицированный клеточный алгоритм расчёта фрактальной размерности микрофотоизображений текстуры нанокомпозитов
2.2.2. Модифицированный алгоритм расчёта фрактальной размерности по показателям самоподобия спектров мощности микрофотоизображений текстуры нанокомпозитов
2.3. Вейвлетно-морфометрический нейросетевой алгоритм анализа текстуры микрофотоизображений
2.4. Выводы
Глава 3. Разработка комплекса проблемно-ооиентипованных программ Фпактально-вейвлетного анализа микрофотоизображений нанокомпозитов "FRA VA Т"
3.1. Архитектура, назначение и режимы функционирования комплекса программ "FRA VA T"
3.2. Программа первичного анализа яркости микрофотоизображений нанокомпозитов
3.3. Программа расчета фрактальных размерностей микрофотоизображений кластерной структуры нанокомпозитов
3.4. Программа кластерно-морфометрического анализа
микрофотоизображений
3.5. Вспомогательная программа расчета зависимостей "текстура-свойство"
3.6. Информационное обеспечение комплекса программ
3.7. Выводы
Глава 4. Практические результаты компьютерного анализа текстуры и
свойств неорганических композиционных наноматериалов
4.1 Методика и результаты компьютерного анализа текстуры композвиционного материала на основе иттрей алюминиевого граната, модифицированного карбидом кремния по микрофотоизображениям рентгеновского томографа
4.2.Методика и результаты компьютерного анализа физико-химических процессов получения алюмосиликатной стеклокерамики
4.3. Методика и результаты вейвлетно-морфометрического анализа микрофотоизображений пористой структуры нанокомпозита БК^/УзАфОц
4.4. Выводы
5. Заключение
6. Глоссарий основных терминов и понятий

7. Список основных аббревиатур
8. Список литературы
ПРИЛОЖЕНИЯ
П1. РАСПЕЧАТКА ОСНОВНЫХ ПРОГРАММНЫХ МОДУЛЕЙ КОМПЛЕКСА ПРОБЛЕМНО-ОРИЕНТИРОВАННЫХ ПРОГРАММ
"FRA VA Т"
П1Л. Программа расчета фрактальных размерностей
микрофотоизображений кластерной структуры нанокомпозитов
П1.2. Программа кластерно-морфометрического анализа
микрофотоизображений наноматериалов
112. СПРАВКИ О ПРАКТИЧЕСКОМ ИСПОЛЬЗОВАНИИ
РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОЙ РАБОТЫ:
ПЗ. КОПИИ СВИДЕТЕЛЬСТВ О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ

В алгоритмах контролируемой классификации объектов используются предварительно экспериментально классифицированные данные, которые составляют обучающую выборку для процедуры группирования объектов. В результате обработки этих данных рассчитываются некоторые интегральные характеристики классов объектов, которые затем используются в процедуре классификации. Эффективность алгоритмов классификации, во-первых, определяется качеством и надежностью обучающей выборки, во-вторых, разделимостью используемых показателей и, в-третьих, вычислительными возможностями алгоритмов классификации.
В алгоритмах контролируемой и неконтролируемой классификации важную роль играет выбор характеристик, или признаков группирования, например, яркостных характеристик пикселей изображения или морфометрических показателей отдельных нанокластеров, по которым осуществляется разделение объектов на различные классы. При этом в качестве характеристик группирования могут быть использованы как исходные измеряемые, или вычисляемые, морфометрические единичные характеристики объекта, так и результаты преобразования этих единичных характеристик в специальные интегральные характеристики [63].
В настоящее время особенно популярным является использование в алгоритмах кластеризации изображений самообучающихся искусственных нейронных сетей (ИНС), в том числе самоорганизующихся ИНС Кохонена, или кратко ИНС-К [64]. Результатом функционирования ИНС-К является группирование объектов в отдельные кластеры, для чего используется свойство скалярного произведения принимать максимальное значение для близких по величине векторов характеристик объектов.
На предварительном этапе самообучающихся алгоритмов используемые для кластеризации количественные характеристики (показатели) объектов нормируются и представляются в виде компонент входного вектора, например вектора яркостных характеристик пикселей многокомпонентного