Модели и методы поддержки решения задач обработки и анализа изображений

• Автор: Калайда, Владимир Тимофеевич
• Шифр специальности: 05.13.18
• Научная степень: Докторская
• Год защиты: 2006
• Место защиты: Томск
• Количество страниц: 307 с. : ил.

1 Особенности организации вычислительного процесса для задач анализа и

идентификации изображений

Анализ проблемы информационного обмена между процессорами обработки по сети передачи данных

1.1.1 Схемы маркерного доступа

1.1.2 Протоколы CSMA/CD

1.1.3 Алгоритмы, использующие элементы группового тестирования

1.1.4 Гибриды token- CSMA/CD

1.1.5 Схема FARA/CS

1.1.6 Состояние проблемы

1.2 Методы реализации распределенных систем обработки

1.2.1 Программное обеспечение распределенных систем обработки

1.2.2 Реализация распределенных систем
1.2.3 Требования к распределенным системам
1.3 Методы формализации задач анализа и обработки изображений
1.3.1 Выделение границ изображения
1.3.2 Приведение изображений к единым условиям съема
1.3.3 Классификация и идентификация изображений
1.3.3 Задачи реализации прикладных объектов систем обработки и анализа изображений
1.4 Реализация программно-технических систем распознавания изображений
Выводы
2 Организация доступа в локальную сеть
2.1 Базовый протокол «пульсирующее кольцо» (ПК)
2.1.1 Версия ПК/СС
2.1.2 Версия ПК/СП
2.1.3 Внутренние характеристики протокола
2.2 Модификации протокола ПК
2.2.1 Протокол с чистым деревом конфликта (ПКЧ)

2.2.2 Протокол с классическим деревом конфликта
2.2.3 Протокол с механизмом захвата
2.2.4 Приоритетные схемы
2.3 Протоколы интервально-маркерного доступа с распределительной задержкой автоматически подстраиваемой под конфигурацию активных
станций сетей
2.3.1 Протокол ИМЦ-ОА с абсолютной децентрализацией управления
2.3.2 Протокол ИМД-ОА/АД с частичной децентрализацией управления
Выводы
3 Комплексация вычислительных машин для задач анализа и обработки изображений
3.1 Концептуальные основы системы «Базис»
3.1.1 Модель прикладных объектов
3.1.2 Объект-модуль
3.1.3 Типы сигналов
3.1.4 Объект-значение
3.1.5 Входы и выходы прикладного объекта
3.1.6. Шина объектов «Базис»
3.1.7 Менеджер конфигураций «Базис»
3.1.8 Организация управления информационным обменом в «Базис»
3.2 Анализ эффективности системы «Базис»
3.2.1 Имитационная модель системы
3.2.2 Модели конфликтных ситуаций при распределении нагрузки
3.3.3 Модель алгоритма подстройки интенсивностей потоков данных
3.3 Экспериментальное исследование программного комплекса «Базис»
3.3.1 Технология создания прикладного объекта
3.3.2 Структура экспериментальной системы на основе комплекса «Базис»
3.3.3 Оценка характеристик системы
Выводы
4 Реализация прикладных объектов систем обработки и анализа изображений
4.1 Декомпозиция задачи
4.2 Выделение сюжета изображения
4.3 Приведение форм изображений
4.4 Алгоритм принятия решения при идентификации изображений
Выводы
5 Реализация систем обработки и анализа изображений
5.1 Аппаратно-программный комплекс автоматической идентификации личности по оптическому изображению лица
5.1.1 Организация интерфейса пользователя
5.1.2 Объекты и режимы работы АПК
5.1.3 Оценка метрологических характеристик АПК
5.2 Распределенная система видеонаблюдения и идентификации «Лик»
5.2.1 Создание и управление конфигурацией системы
5.2.2 Компонент отображения видеопотока
5.2.3 Компонент выделения лиц на изображении
5.2.4 Компонент опознавания личности по изображению лица
5.2.5 Совместная работа модулей унаследованной системы «Лик»
5.2.6 Компонент видеоперехвата для нескольких потоков
5.2.7 Компонент считывания ключей системы «Лик»
5.2.8 Компонент управления исполнительными устройствами системы «Лик»
5.2.9 Контроллер источника
5.2.10 Протокол доступа и видеонаблюдения
5.2.12 Оповещение о наличии сигнала
5.2.13 Экспериментальная оценка характеристик системы
Выводы
Заключение
Список используемой литературы
Приложение

Частные производные описываются уравнениями: dF
— = sin в(В2 - В{)5(хsin($) - у cos($) + р) ск
t)F
— = -со$в(В2 - B)S(xsm(d) - у cos(£?) + р)
Эти дифференциальные операторы являются направленными, поскольку результат их действий зависит от ориентации края. Вектор (дЕ/дх, дЕ/ду) называется градиентом яркости. Градиент яркости представляет собой вектор, не зависящий от выбора системы координат. Однако необходимость учета ориентации вектора градиента затрудняет его использование при практической программной реализации. Альтернативными вариантами ему являются квадрат градиента, лапласиан и квадратичная вариация. Квадрат градиента (дЕ/дх)2 + (дЕ/ду)2 =[(В2 - Bi)S(xsm(0) - у cos(6) + p)f не являясь линейным, обладает круговой симметрией и действует на края одинаково при любом их угловом расположении.
Лапласиан изображения Е(х,у)
^4+^Л = (В2~В1)6 xsm(0) - у cos(0) + р)
дх ду
является величиной, которая также обладает круговой симметрией. Наконец, квадратичная вариация, записываемая как
rd2EV

гд2Ел

ГдгЕ4

[ду
( д2Е^ ду2

= [(В2 - Я,)£'(.шп(#) - у cos(6>) + p)f
также обладает круговой симметрией. В случае идеализированной модели края квадратичная вариация оказывается равной квадрату лапласиана. Среди рассмотренных операторов только лапласиан имеет тот же знак, что и перепад яркости при переходе через край. Это позволяет по изображению с обостренными краями определить, которая из разделяемых краем сторон более ярка. Таким образом, лапласиан - это единственный оператор, по которому вообще возможно восстановление исходного изображения по изображению с обостренными краями. Кроме того, лишь он является линейным.