+
Действующая цена700 499 руб.
Товаров:
На сумму:

Электронная библиотека диссертаций

Доставка любой диссертации в формате PDF и WORD за 499 руб. на e-mail - 20 мин. 800 000 наименований диссертаций и авторефератов. Все авторефераты диссертаций - БЕСПЛАТНО

Расширенный поиск

Разработка методики, алгоритмов и технических средств для дискретного представления и классификации мелкоструктурных графических изображений

Разработка методики, алгоритмов и технических средств для дискретного представления и классификации мелкоструктурных графических изображений
  • Автор:

    Чяпас, Ромуальдас Эдвардович

  • Шифр специальности:

    05.13.01

  • Научная степень:

    Кандидатская

  • Год защиты:

    1984

  • Место защиты:

    Каунас

  • Количество страниц:

    164 c. : ил

  • Стоимость:

    700 р.

    250 руб.

до окончания действия скидки
00
00
00
00
+
Наш сайт выгодно отличается тем что при покупке, кроме PDF версии Вы в подарок получаете работу преобразованную в WORD - документ и это предоставляет качественно другие возможности при работе с документом
Страницы оглавления работы
"1.1. Характеристика мелкоструктурных графических изображений. II 1.3. Анализ способов ввода телевизионных изображений в ЭВМ.


ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ.
ГЛАВА I. СОСТОЯНИЕ ПРОБЛЕМЫ ДИСКРЕТНОГО ПРЕДСТАВЛЕНИЯ И ЦИФРОВОЙ ОБРАБОТКИ МЕЛКОСТРУКТУРНЫХ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ II

1.1. Характеристика мелкоструктурных графических изображений. II


1.2. Исследование сигналов при телевизионном считывании мелкоструктурных графических изображений и анализ способов их дискретного представления.

1.3. Анализ способов ввода телевизионных изображений в ЭВМ.

1.4. Анализ систем обработки графических изображений.

1.5. Задачи исследования настоящей работы.

ГЛАВА 2. МОДЕЛЬ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ ШПУКЛЫХ


ОБЪЕКТОВ

2.1. Модель измерения размеров выпуклых объектов


на дискретном изображении.
2.2. Статистическая модель изображений дефектов органической электрофотографической плнки.
2.2.1. Анализ формы и размеров дефектов.
2.2.2. Распределение дефектов на площади плнки.
Выводы
ГЛАВА 3. ДИСКРЕТНОЕ ПРЕДСТАВЛЕНИЕ И ВВОД В ЭШ
МЕЛКОСТРУКТУРНЫХ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ
3.1. Способ бинаризации изображений.
3.2. Способ дискретизации изображений.
Стр.
3.3. Способ и устройство дискретного бинарного представления мелкоструктурных графических изображений.
3.4. Оценка повышения точности дискретного представления мелкоструктурных графических изображений.
3.5. Ввод в ЭЕМ изображений, считанных телевизионным методом.
Вывода
ГЛАВА 4. МЕТОДИКА ОБРАБОТКИ И КЛАССИФИКАЦИИ ИЗОБРАЖЕНИИ
ВЫПУКЛЫХ ОБЪЕКТОВ.
4.1. Фильтрация помех и шумов на изображении
4.2. Определение координат объектов.
4.3. Вычисление проекций объектов
4.4. Классификация изображений выпуклых объектов по
размерам.
Вывода. III
ГЛАВА 5. СИСТША ОБРАБОТКИ И КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
ДЕФЕКТОВ ОРГАНИЧЕСКОЙ аЛЕКТРОФОТОГРАФИЧЕСКОЙ ПЛНКИ.
5.1. Структура системы.
5.2. Дискретизация и бинаризация изображений аппаратурнопрограммными средствами
5.3. Ввод изображений в ЭВМ
5.4. Обработка изображений дефектов и их классификация с помощью ЭВМ
Вывода.
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ


Среди графических изображений можно выделить отдельный подкласс мелкоструктурных графических изображений. Они характеризуются наличием малоразмерных объектов, представленных несколькими элементами изображения, на изображениях больших форматов. Приме -рами мелкоструктурных изображений являются изображения печатного текста, изображения хромосом, изображения дефектов на бумаге, на органической электрофотографической плёнке, изображения треков частиц, получаемых в пузырьковых камерах, изображения,получаемые при анализе состава суспенций и др. В дальнейшем мелкоструктурными графическими изображениями (М1И) будем называть: информационное поле с равномерным фоном, слабонасыщенное отдельными малоразмерными тёмными объектами, оптической плотностью, превышающей плотность фона. При обработке МГИ, как правило, требуется высокая точность. Это можно обеспечить лишь при высокоточном их представлении в дискретной форме. Автоматическая обработка изображений является мощным сред -ством, облегчающим трудоёмкую и рутинную работу человека. Многие задачи, которые в настоящее время выполняются вручную, могут успешно решаться автоматически. Одной из таких является определение размеров объектов на изображении. Например, эта задача возникает при автоматическом анализе микробиологических и медикобиологических изображений. Размеры объектов служат признаками для их распознавания и классификации. В материаловедении проводится анализ изображений микропшифов материалов. По размерам зёрен включений судят о физических параметрах материала. В технологическом процессе изготовления органической электрофотографической плёнки /2/, предназначенной для микрофильмирования /3/, могут появиться дефекты. Дефектность плёнки приводит к искажению записываемого на ней микроизобраневия. Качество плёнки зависит от размеров и количества дефектов. Контроль дефектности плёнки как в нашей стране,так и за рубежом выполняется вручную. Определять размеры объектов также требуется в системах искусственного зрения роботов. Как правило, найденные размеры объектов являются основой для дальнейшей обработки, распознавания или классификации объектов. Поэтому точность измерения размеров определяет достоверность окончательного результата. Применяемые методы определения размеров объектов являются недостаточно точными или сложно реализуются. Поэтому важной задачей является разработка универсальной модели, позволяющей измерять размеры объектов на дискретном изображении с высокой точностью. Для считывания изображений, получаемых в различных областях науки и техники, применяются электронное и электромеханическое сканирование. Существенными недостатками электромеханического сканирования является низкая скорость и невысокая точность, однако этот вид сканирования позволяет считывать изображения боль -ших размеров. Электронное сканирование отличается высокой ско -ростью и точностью. Для считывания изображений больших размеров применяется метод сканирования бегущим лучом, который реализуется довольно сложной и высокоточной оптикой. В настоящее время как в нашей стране, так и за границей наиболее широкое распространение получают цифровые системы обработки изображений, в которых изображение считывается телевизионным (ТВ) методом /4,5,6/. Существенным фактором, определяющим применение ТВ датчика для считывания изображения, является появление целого ряда прикладных телевизионных установок (ПТУ), серийно выпускаемых промышленностью. Современные ПТУ, как правило, имеют камеры на ЭЛТ типа видикон. Они обладают достаточно высокой чувствительностью и разрешающей способностью, большим соотношением сигнал/шум, сравнительно небольшой неравномерностью сигнала и др. К основным недостаткам ТВ метода считывания следует отнести: растровые искажения, наличие статического фона, нелинейность передаточной характеристики свет-сигнал и некоторое другое /7/. Однако при решении многих задач анализа изображений влияние этих факторов может быть исключено или уменьшено за счёт выбора оптимальных схемных решений при предварительной обработке видеоинформации и учёта искажений при цифровой обработке изображений.

Рекомендуемые диссертации данного раздела

Время генерации: 1.087, запросов: 966