Помощь в учёбе, очень быстро...
Работаем вместе до победы

Непараметрические методы обнаружения и оценивания сигналов и изображений

Диссертация: Непараметрические методы обнаружения и оценивания сигналов и изображений
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Разработан, получил развитие и практическую проверку новый подход к непараметрической адаптации ранговых алгоритмов, работающих в условиях зависимости исходных наблюдений. Подход основан на построении оценки параметрического распределения ранговпараметр распределения которого определяется степенью зависимости исходных данных и не зависит от вида их распределения. Предложен ряд моделей зависимости… Читать ещё >

Содержание

  • Глава 1. Обзор задач цифровой обработки сигналов и изображений и место непараметрических методов среди возможных подходов к их решениям
    • 1. 1. Задачи непараметрического обнаружения полезного сигнала, наблюдаемого на фоне шума
    • 1. 2. Непараметрический подход в задачах классификации и сегментации изображений
    • 1. 3. Непараметрические подходы к оцениванию и фильтрации сигналов и изображений
    • 1. 4. Выводы к главе
  • Глава 2. Непараметрические критерии обнаружения полезного сигнала, на фоне шума, отличающегося дисперсией
    • 2. 1. Построение выбеливающего фильтра
    • 2. 2. Непараметрические статистики масштаба,.основанные на превышающих наблюдениях
    • 2. 3. Улучшение характеристик критерия превышающих наблюдений с помощью алгоритма группировки исходных наблюдений
      • 2. 3. 1. Использование принципа группировки исходных данных для случая масштабных различий гипотезы и альтернативы
      • 2. 3. 2. Бинарное правило принятия решения, основанное на линейно — взвешенном суммировании Т статистик групп
    • 2. 4. Выводы к главе
  • Глава 3. Синтез непараметрических статистик на основе проективного подхода
    • 3. 1. Синтез непараметрической процедуры принятия решения, основанный на методе проекций
    • 3. 2. Способ измерения проекций по исходным наблюдениям
    • 3. 3. Алгоритмы принятия решения о различии средних значений и дисперсий наблюдений выборок, основанные на измерении вектора проекций
    • 3. 4. Выводы к главе.*
  • Глава 4. Адаптация ранговых алгоритмов при зависимых наблюдениях
    • 4. 1. Исследование влияния зависимости исходных наблюдений на ранговые распределения с использованием «детерминированной» модели возникновения совпадений
      • 4. 1. 1. Оценка параметра зависимости наблюдений г) для «детерминированной» модели
    • 4. 2. Исследование влияния зависимости исходных наблюдений на ранговые распределения на основе «стохастической» модели возникновения совпадений
      • 4. 2. 1. Оценивание параметра, а модели зависимых наблюдений
    • 4. 3. Модели зависимости исходных наблюдений, применяемые для двухвыборочных ранговых статистик

    4.3.1. Исследование влияния зависимости исходных наблюдений на распределения многомерных ранговых статистик с использованием «детерминированной» модели возникновения совпадений на примере статистики Вилкоксона.

    4.3.2. Исследование влияния зависимости исходных наблюдений на распределения многомерных ранговых статистик с использованием «стохастической» модели возникновения совпадений на примере статистики Вилкоксона.

    4.4. Выводы к главе.

    Глава 5. Ранговые алгоритмы бинарной сегментации одномерных сигналов и изображений.1945.1. Постановка задачи ранговой бинарной сегментации одномерных сигналов и изображений.

    5.2. Синтез алгоритма ранговой бинарной сегментации одномерных сигналов.

    5.3. Рабочие характеристики алгоритмов ранговой бинарной сегментации одномерных сигналов и изображений.

    5.4. Сравнение алгоритмов ранговой бинарной сегментации одномерных сигналов и изображений с известными правилами сегментации наблюдений.

    5.5. Одномерные алгоритмы ранговой многоуровневой сегментации.

    5.6. Использование одномерных алгоритмов ранговой бинарной сегментации при решении некоторых задач обработки сигналов и изображений.

    5.6.1. Использование алгоритма ранговой бинарной сегментации для классификации типа нарушения в сейсмической охранной системе.

    5.6.2. Использование алгоритма ранговой бинарной сегментации для выделения последовательностей буквенных и цифровых символов, нанесенных на борта железнодорожных вагонов.

    5.7. Выводы к главе.

    Глава 6. Ранговая бинарная сегментация многомерных сигналов и изображений.

    6.1. Постановка задачи ранговой бинарной сегментации многомерных сигналов и изображений.

    6.2. Синтез алгоритма ранговой бинарной сегментации многомерных сигналов.

    6.3. Сравнение результатов бинарной сегментации сигналов и оценивания параметров выборки, получаемых с использованием одномерного и многомерного (двухмерного) ранговых алгоритмов.

    6.4. Ранговая многоуровневая сегментация многомерных сигналов и изображений.

    6.5. Ранговая сегментация векторных изображений.

    6.6. Выводы к главе.

Непараметрические методы обнаружения и оценивания сигналов и изображений (реферат, курсовая, диплом, контрольная)

Актуальность темы

Важной особенностью многих современных систем радиолокации и навигации, связи, робототехники является наличие в их составе блоков или подсистем, предназначенных для цифровой обработки информации. За последние годы круг прикладных задач, решаемых при помощи цифровой обработки сигналов и изображений, существенно расширился и включает в себя области от исследований в медицине, судебной экспертизе, геологии, связи до задач автономного обнаружения, навигации и классификации объектов в военном деле и охране стратегически важных объектов [6, 7, 8, 9, 10, 11, 17, 31, 36, 37, 69, 74, 82, 83, 84]. Развитие цифровых систем обработки информации обусловлено с одной стороны необходимостью автоматизации переработки гигантских объемов информации [31, 32, 36, 37], а с другой — прогрессом в области вычислительной техники, в частности, связанным с развитием сигнальных процессоров [113, 114]. Последнее обстоятельство обеспечивает базу для создания высокоэффективных информационных систем для широкого круга прикладных задач. Наряду с развитием вычислительных средств и технологий не менее важной составляющей для успешного решения таких задач является разработка эффективных в вычислительном плане алгоритмов обработки данных [21, 82]. Повышение степени автоматизации обработки информации часто требует создания алгоритмов, качественные характеристики которых были бы устойчивы по отношению к неизвестным (либо меняющимся в процессе наблюдений) параметрам и свойствам регистрируемых сигналов [15, 124]. Это являетсяособенно важным" для автоматических систем, исключающих присутствие оператора, корректирующего параметры системы. Однако, создание устойчивых алгоритмов актуально и для систем, элементом которых является человек — оператор. Основной задачей здесь является снижение затрат высококвалифицированного, либо утомительного и непроизводительного человеческого труда и затрат на обучение обслуживающего систему персонала. В условиях априорной неопределённости разработчики сложных информационных комплексов достаточно часто идут по пути создания самообучающихся системлибо систем, использующих обучение с учителем [38, 61, 75, 128]. В ряде случаев использование таких подходов затруднительно из-за значительных временных затрат, связанных с обучением (например, при использовании нейросетевых алгоритмов), либо вследствие значительной сложности алгоритмов самообучения (использующих, например, таксономию).

В работах Д. Миддлтона, Б. Р. Левина, В: И. Тихонова, Г. Ван-Триса. [22, 71, 79, 125] обосновывается статистический подход к синтезу алгоритмов обработки сигналов. Основные достоинства указанного подхода заключаются в следующем.

Во-первых, статистический подход выпукло отражает информационный аспект проблемы, что является весьма важным для решения ¦ задач, связанных с обнаружением, классификацией объектов, а также с оцениванием" параметров сигналовПонятия априорной неопределённости в рамках данного подхода приобретает ясный математический смысл [17, 71, 72, 73,111,136,137].

Во-вторых, применение данного подхода позволяет использовать соответствующий математический аппарат, разработанный для различных приложений и включающий в себя такие средства как, например, байесовская теория построения оценок и принятия решений, винеровская и калмановская фильтрация, теория непараметрического обнаруженияи оцениваниясигналовтеория марковских процессов и т. д. Теоретические основы указанных подходов, изложены в работах ЭЛемана,. Г. Ван-Триса- • П. Хыобера, Б. Р. Левина, Ю. Г. Сосулина, В. И. Тихонова, И. К. Кульмана, Р. Л. Стратановича [22, 71, 72, 73,118,121,125].

В-третьих, статистический подход является достаточно универсальным средством для создания широкого класса моделей сигналов и изображений.

Одной из основных проблем статистического подхода является синтез алгоритмов обнаружения, оценивания или классификации в условиях априорной неопределенности (неполной информации о статистических свойствах модели). В теоретических работах по статистической обработке сигналов [15, 71, 111, 124, 127, 132], а также в работах по математической статистике [1, 5, 18, 33, 65, 72, 73, 75, 137] излагаются способы построения эффективных алгоритмов в условиях априорной неопределённости. Один из способов опирается на статистики инвариантные к виду распределения исходных данных. Примером таких статистик являются статистики, основанные на рангах наблюдений. Использование подобных статистик применительно к ряду задач обработки сигналов и изображений (сегментации изображений, построению непараметрических оценок некоторых параметров сигналов и изображений, обнаружению полезных сигналов в задачах обработки сейсмоакустических и речевых сигналов) позволило получить эффективные алгоритмы как в плане качества, робастности, так и вычислительной сложности.

Цель работы состоит в синтезе и исследовании характеристик непараметрических алгоритмов обработки цифровых сигналов и ' изображений для решения ряда задач: непараметрической сегментации полутоновых и цветных изображений, а также сегментации одномерных сигналовнепараметрического оценивания параметров сигналов и изображений (общей площади занимаемой локальными объектами на изображении, степени зависимости исходных наблюдений сигналов и изображений) — непараметрического обнаружения и классификации в задачах обработки сейсмоакустических и речевых сигналов;

Методы исследований, используемые в работе, базируются на теории вероятностей и математической статистике. Использовались следующие статистические подходы к обработке сигналов: байесовские алгоритмы проверки гипотез и максимально — правдоподобного оценивания, алгоритмы принятия решений по критерию Неймана — Пирсона, теория марковских процессов, теория ранговых критериев, классические и авторегрессионные методы спектрального оценивания. Широко использовались методы статистического моделирования с применением математических пакетов МаЛаЬ и МаШешайса. Проводились экспериментальные исследования синтезированных алгоритмов на реальных сигналах и изображениях.

Научная новизна диссертационной работы состоит в следующем: разработан новый непараметрический подход к бинарной и многоуровневой сегментации полутоновых и цветных изображений и к сегментации одномерных сигналов, алгоритмы, полученные на базе данного подхода, работают в условиях априорной неопределённости относительно распределения наблюдений классов и обеспечивают устойчивые характеристики сегментациина основе непараметрического подхода к сегментации изображений получен устойчивый алгоритм оценивания общей площади локальных, в том числе малоразмерных объектовпредложен метод, позволяющий увеличивать эффективность непараметрических тестов, основанный на предварительной группировке исходных данных с использованием пороговой процедурыразработан универсальный подход к построению непараметрических решающих правил для альтернатив различного вида, основанный на вычислении проекций эмпирических оценок плотностей вероятностей в специальном функциональном базисе, данный подход позволяет синтезировать эффективные непараметрические правила в результате использования дополнительной информации о распределении наблюденийисследован механизм влияния зависимости исходных наблюдений на распределения ранговых статистик, предложен метод учёта зависимости, основанный на параметрическом описании распределения ранговых статистикразработаны непараметрические модели зависимости наблюдений, получены методы оценивания параметров этих моделей и их использование для стабилизации характеристик ранговых обнаружителей (адаптации ранговых обнаружителей).

Перечисленные выше подходы, методы и модели являются новыми и впервые были использованы при решении ряда прикладных задач.

Практическая ценность. Разрабатываемые подходы и методы обработки сигналов и изображений являются непараметрическими, что позволяет использовать их в условиях априорной неопределённости относительно их вероятностных свойств. Указанное условие использования характерно, например, для широкого круга автономных охранных систем, систем локации, навигации, связи, машинного зрения, эксплуатируемых в заранее неизвестных условиях. Достаточно часто при синтезе алгоритмов обработки сигналов намеренно делается предположение о наличии априорной неопределённости относительно распределения исходных данных, что может быть связано с возможным быстрым изменением их статистических свойств и необходимостью стабилизации в указанных условиях изменчивости важнейших характеристик системы (таких, например, как вероятность ложной тревоги). Использование, непараметрического подхода позволяет существенно снизить требования к настройке и развёртыванию системы, условиям её работы, исключить зависимость качества обработки от ряда внешних факторов (например, сезонных). Устойчивость характеристик обнаружения предложенных алгоритмов позволяет повысить степень автоматизации системы, достоверность и надёжность её функционирования. Алгоритмы, синтезируемые на базе предлагаемых подходов, при определённых условиях являются достаточно простыми и не требуют использования операций с плавающей точкой. В результате их практического использования было показано, что в определённых задачах одномерной обработки сигналов они могут работать на базе таких популярных шестнадцатиразрядных сигнальных процессоров как Texas, BlackFin или Shark в реальном масштабе времени. Обработка видеоинформации, выполняемая в темпе поступления кадров, требует более мощных вычислителей. В частности, алгоритмы сегментации изображений были реализованы с использованием отечественного нейроматричного процессора NM6403 фирмы «Модуль».

Реализация результатов диссертации. Научные и практические результаты диссертации нашли применение в ряде хоздоговорных и, госбюджетных НИР: ТОР 01−02 (ООО КТЦ «Сигнал»), ТОР 02−03 (шифр «Форшлаг НВ»), ТОР 01−05 (шифр «Звезда»), ТОР 02−05 (шифр «Циркуль ПО»), ТОР 05/07 (ФГУП ПО «Север»), грант Российского фонда фундаментальных исследований № 99−100 489, грант Министерства образования РФ № 97−5-5.1−56. Результаты диссертации внедрены в следующих научных и научно-производственных организациях: ФГУП ГосНИИПП (г. С.-Петербург), ФГУП ПО «Север» (г. Новосибирск), «Урал-СибНИИОС» (Новосибирский филиал ФГУП ПО «УОМЗ», г. Екатеринбург), ООО «Электроконнект» (г. Новосибирск) о чём имеются соответствующие акты внедрения.

Основные положения, выносимые на защиту: метод непараметрической сегментации полутоновых изображений и многомерное развитие данного метода применительно к сегментации цветных изображенийметод повышения мощности непараметрических критериев масштаба, основанный на процедуре предварительной группировки исходных данныхподход к синтезу непараметрических алгоритмов, основанный на вычислении проекций оценки функции плотности вероятности в специальном функциональном базисеметод адаптации непараметрических алгоритмов в условиях зависимых наблюдений, основанный на оценивании устойчивых параметров зависимости.

Апробация работы.

Результаты работы докладывались и обсуждались на 8 всероссийских и 7 международных конференциях, в том числе:

Российская научно-техническая конференция «Информатика и проблемы телекоммуникаций», г. Новосибирск, 1996 г.;

Международная научно-техническая конференция «Идентификация, измерение характеристик и имитация случайных сигналов», г. Новосибирск, 1993, 1997 гг.;

7-я международная научно-техническая конференция «Актуальные проблемы электронного приборостроения АПЭП-2004», г. Новосибирск, 2004 г.;

7-я всероссийская научно-практическая конференция, г. Томск, 2005 г • 1.

2-я всероссийская научная конференция с международным участием «Проблемы развития и интеграции науки, профессионального образования и права в глобальном мире», г. Красноярск, 2007 г.;

4-я научно-практической конференции «Электронные средства и системы управления», г. Томск, 2007 г.

Публикации.

Результаты, полученные в диссертации, опубликованы в 31 печатной работе, из них 11 — в центральных изданиях по списку ВАК, 5 — в сборниках научных трудов и 15 — в материалах трудов научно-технических конференций и семинаров.

Структура и объём работы.

Диссертационная работа состоит из введения, шести глав, заключения, списка использованных источников и приложения. Объём работы составляет 362 страницы основного текста, включая 132 рисунка, 6 таблиц, списка использованных источников из 151 наименования на 16 страницах.

Основные результаты исследований заключаются в следующем.

1. Показано, что для повышения эффективности непараметрических критериев может быть использована предварительная пороговая обработка исходной выборки, группирующая наблюдения по уровням. Конкретный вид группирующей процедуры определяется типом альтернативы и видом распределения наблюдений. К полученным на первом этапе группам наблюдений (частям исходной выборки) применяются непараметрические критерии, а полная статистика рассчитывается в результате весового суммирования частичных непараметрических статистик групп.

2. Предложен и развит новый подход к синтезу непараметрических критериев Неймана-Пирсона для альтернатив различного типа, основанный на представлении эмпирической плотности распределения наблюдений в виде его разложения в специальном функциональном базисе, порождаемом эмпирическими распределениями, получаемыми путём обучения на исходных выборках наблюдений. Задача различения гипотезы и альтернативы рассматривается как задача различения проекций плотностей в данном базисе.

3. Разработан, получил развитие и практическую проверку новый подход к непараметрической адаптации ранговых алгоритмов, работающих в условиях зависимости исходных наблюдений. Подход основан на построении оценки параметрического распределения ранговпараметр распределения которого определяется степенью зависимости исходных данных и не зависит от вида их распределения. Предложен ряд моделей зависимости исходных наблюдений, параметры которых не зависят от вида распределения. В результате оценивания указанных параметров модели, расчёта на их основе рангового распределения и соответствующей коррекции порога обнаружения удаётся обеспечивать стабилизацию вероятности ложной тревоги непараметрического правила.

4. Предложен и развит новый подход к построению процедуры устойчивой бинарной ранговой сегментации сигналов и изображений, работающей в условиях априорной неопределенности относительно-количества наблюдений каждого из классов в данных, структуры выборки, а также распределения наблюдений каждого из классов. Предложенный подход позволяет находить устойчивую оценку порога сегментации, а также принимать решение об однородности выборки наблюдений. В диссертации показано, что данный подход может быть распространён на случай большего количества уровней, т. е. использован для многоуровневой сегментации.

5. Показано, что ранговый подход к бинарной сегментации одномерных данныхможет быть распространён на случай векторных наблюдений. При этом существенно расширяется класс задач, которые могут быть решены с использованием данного подхода. Доказывается, что применение векторного подхода позволяет получать более низкие вероятности ошибочных классификаций наблюдений по сравнению с одномерным подходом.

7.

Заключение

.

В диссертации решена важная научно-техническая проблема в области статистических методов обработки информации — предложены и развиты новые подходы к синтезу алгоритмов обработки сигналов и изображений в условиях непараметрической априорной неопределенности, повышению их эффективности и устойчивости. На базе предложенных подходов получен ряд эффективных алгоритмов обнаружения и оценивания сигналов и сегментации изображений.

Разработанные в диссертации непараметрические алгоритмы нашли применение в серийно выпускаемой аппаратуре, в частности, сейсмических охранных системах «Форшлаг», «Азимут», «Модуль». Применение непараметрического подхода к задаче сегментации изображений позволило получить устойчивые результаты первичной обработки, используемой в алгоритмах распознаваний буквенно-цифровой информации, нанесённой на бортах транспортных средств.

Показать весь текст

Список литературы

  1. С.А. Классификация многомерных наблюдений / С. А. Айвазян, З. И. Бежаева, О. В. Староверов. М.: Статистика, 1974. — 240 с.
  2. П.С. Об устойчивости непараметрического теста при некогерентной обработке / П. С. Акимов, B.C. Ефремов, А. Н. Кубасов // Радиотехника и электроника. — 1978. Т.23., № 6. — С. 1164 — 1173.
  3. П.С. Знаковое обнаружение сигнала на фоне коррелированной / П. С. Акимов // Радиотехника и электроника. — 1979. Т. 24., № 9. — С. 1928−1932.
  4. П.С., Недолужко В. И. Ранговое и знаковое обнаружение на фоне коррелированной помехи / П. С. Акимов, В. И. Недолужко // Радиотехника и электроника, — 1986.-Т. 31., № 6.- С. 1121−1132.
  5. Д. А. Дискретная математика и комбинаторика / Д. А. Андерсон. М.: Издательский дом «Вильяме», 2003. — 960 с.
  6. Г. А. Формирование радиолокационных изображений на СМВ и ММВ / Г. А. Андреев, A.A. Потапов // Зарубежная радиоэлектроника. -1989.-№ 6.- С. 3−21.
  7. Г. А. Активные системы ориентации по географическим полям / Г. А. Андреев, A.A. Потапов // Зарубежная радиоэлектроника. 1988. — № 9.- С. 62−85.
  8. Н.Ф. Математические методы в геологическом дешифрировании аэрофотоснимков / Н. Ф. Афанасьев, K.M. Петров, A.B. Теосев. М.: Наука, 1981.-280 с.
  9. В.Р. Обработка радиолокационных изображений в задачах дистанционного зондирования Земли / В. Р. Ахметьянов, А. Я. Пасмурнов // Зарубежная радиоэлектроника. 1985. — № 5. — С. 70−81.
  10. П.Бакут П. А Обнаружение движущихся объектов / П. А. Бакут, Ю. В. Жулина, H.A. Иванчук. М.: Сов. Радио, 1980. — 288 с.
  11. П.А. Сегментация изображений: Методы пороговой обработки / П. А. Бакут, Г. С. Колмогоров, И. Э. Ворновицкий // Зарубежная радиоэлектроника. 1987. — № 10. — С. 6 — 24.
  12. П.А. Сегментация изображений: Методы выделения границ областей / П. А. Бакут, Г. С. Колмогоров // Зарубежная радиоэлектроника. -1987. -№ 10. -С. 25 -45.
  13. Р. Введение в теорию матриц / Р. Беллман. М.: Наука, 1969. -368 с.
  14. В. А. Теория устойчивого обнаружения, различения и оценивания сигналов / В. А. Богданович, А. Г. Вострецов. М. :Физматлит, 2003. — 316 с.
  15. М.В. Знаковый статистический анализ линейных моделей / М. В. Болдин, Г. И. Симонова, Ю. Н. Тюрин. М.: Наука. Физматлит. — 1997. -288 с.
  16. И.А. Математические основы современной радиоэлектроники / И. А. Большаков, JI.C. Гуткин и др. М.: Сов. Радио, 1968. — 206 с.
  17. JI.H. Таблицы математической статистики / JI.H. Болыпев, Н. В. Смирнов. -М.: Наука, 1983.-416 с.
  18. В. И. Сегментация изображений (состояние проблемы) / В. И. Борисенко, JI.A. Златопольский, И. Б. Мучник // Автоматика и телемеханика. 1987. — № 7. — С. 3 — 56.
  19. K.P. Анализ сцены при помощи выделения областей / K.P. Брайс, K.JI. Феннема // Интегральные роботы. Вып. 2. М.: Мир, 1975. — с. 136 -159.
  20. Быстрые алгоритмы в цифровой обработке изображений / Т. С. Хуанг, Дж.-О. Эклунд, Г. Дж. Нуссбаумер и др.- под ред. Т. С. Хуанга. М.: Радио и связь, 1984.-224 с.
  21. Ван Трис Г. Теория обнаружения, оценок и модуляции. В 3-х т. / Г. Ван Трис. -М.: Сов. Радио, 1972. 3 т.
  22. Г. И. Восстановление изображений / Г. И. Василенко, A.M. Тараторин. М.: Радио и связь, 1987. — 304 с.
  23. К.К. Методы фильтрации многомерных случайных полей / К. К. Васильев, В. Р. Крашенинников. Саратов.: Изд-во Саратовского ун-та, 1990.-124 с.
  24. В.Н. Новые подходы к решению задач обработки и распознавания изображений / В. Н. Васюков, И. С. Грузман, М. А. Райфельд // Наукоемкие технологии. 2002. — № 3. — С. 32, — 35.
  25. В.Н. Сегментация текстурных изображений, основанная на иерархической бинарной гиббсовской модели / В. Н. Васюков, H.A. Двуреченская, А. Н. Сметанин // Научный вестник НГТУ. № 3(25). — 2006.-С. 13−26.
  26. А. Выделение связных областей в цветных и полутоновых изображениях Электронный ресурс. / А. Вежневец. Электрон, журн. -Компьютерная графика и мультимедиа. — Вып.№ 4(4). — 2003. — Режим доступа к журн.: http: //cgm.computergraphics.ru
  27. А. Методы сегментации изображений: автоматическая сегментация / А. Вежневец, О. Баринова — Электрон, журн. Компьютерная графика и мультимедиа. Вып.№ 4(14). — 2006. — Режим доступа к журн.: http: //cgm.computergraphics.ru
  28. К., Дейн Р., Грун Ф., Распознавание образов: Состояние и перспективы / К. Верхаген, Р. Дейн, Ф. Грун. М.: Радио и связь, 1985. -104 с.
  29. К. Системы подвижной радиосвязи / К. Весоловский- пер. с польск. И. Д. Рудинского, под ред. А. И. Ледовского. М.: Горячая линия — Телеком, 2006. — 536 с.
  30. В.А. Обработка изображений в автоматизированных системах научных исследований / В. А. Виттих, В. В. Сергеев, В. А. Сойфер. М.: Наука, 1982.-216 с.
  31. Д. Непараметрические методы статистики / Д. Вульф, М. Холлендер- пер с англ. Д. С. Шмерлинга, под ред. Ю. П. Адлера, Ю. Н. Тюрина. -М.: Финансы и статистика, 1983. 518 с.
  32. Я. Теория ранговых критериев / Я. Гаек, 3. Шидак- пер с англ. Д. М. Чибисова под ред. JI.H. Болыпева. М.: Наука, 1971. — 376 с.
  33. Г. Л. Модели марковских случайных полей в задачах генерации и сегментации текстурных изображений / Г. Л. Гимельфарб, A.B. Залесный // Средства интеллектуализации кибернетических систем. -Киев, 1989, 27 с.
  34. Т.А. Адаптивная сегментация и шумоподавление в задаче обработки сейсмоакустических сигналов / Т. А. Головченко // Перспективные информационные технологии и интеллектуальные системы. № 1(25). — 2006. — С. 58 — 60.
  35. В.Я. Опыт автоматизации обработки данных дешифрирования и выделение элементов по космическим снимкам / В. Я. Гольтвегер, В. А. Ильин, В. М. Кушнир // Исследование земли из космоса. — 1984. № 3. — С. 24−27.
  36. .А. Распознавание изображений в дистанционном зондировании / Б. А. Горбунов, В. Н. Дементьев, В. П. Пяткин // Автоматизированная обработка изображений природных комплексов Сибири. Новосибирск: Наука, 1988, 223 с.
  37. А.Л. Методы распознавания / А. Л. Горелик, В. А. Скрипкин. М.: Высшая школа, 1989. — 232 с.
  38. К.Д. Обработка сигналов в сейсмических системах контроля периметров / К. Д. Гребенщиков, М. А. Райфельд, A.A. Спектор, Е.А.
  39. Тонконогов // Матер, докл. 7-й Всеросс. науч.-практ. конф. Томск: ТУСУР, 2005.-С. 71−73.
  40. К. Д. Ранговый обнаружитель локальных перепадов яркости изображения с фиксированным уровнем ложных срабатываний / К. Д. Гребенщиков, А. А. Спектор // Автометрия. 2001. — № 4. — С. 119−127.
  41. И.В. Исследование методов сегментации изображений / И. В. Грибков, A.B. Захаров, П. П. Кольцов, Н. В. Котович, A.A. Кравченко, A.C. Куцаев, A.C. Осипов // Программные продукты и системы. № 4. — 2008. -С. 26−33.
  42. И.С. Двумерная фильтрация изображений на основе использования ограниченных данных / И. С. Грузман, В. И. Микерин, А. А. Спектор // Радиотехника и электроника. 1995. — № 5. — С. 817−822.
  43. И.С. Сегментация анизотропных изображений на основе локальных спектральных характеристик. / И. С. Грузман, К. В. Новиков // Автометрия. 2004. — № 4. — С. 26 — 32.
  44. П.В. Автоматическая сегментация, текстурированных изображений на основе локальных распределений характеристик / П. В1 Губанов // Вестник ТГУ. Томск: ТГУ — Т 271. — 2000. С. 74 — 77.
  45. Д. Цифровая обработка многомерных сигналов / Д. Даджион, Р. Мерсеро- пер с англ. В. А. Григорьева, К. Г. Финогенова, под ред. Л. П. Ярославского. -М.: Мир, 1988.-488 с.
  46. JI.E. Адаптивное ранговое обнаружение объектов на изображениях с коррелированным фоном / JI.E. Дейхин, М. А. Райфельд,
  47. A.A. Спектор // Радиотехника и электроника. 1989. — Т. 34, № 10. — С. 2112−2118.
  48. Д.А. Сегментация изображений на ЭВМ / Д. А. Денисов, В. А. Низовкин // Зарубежная радиоэлектроника. 1985. — № 9. — С. 5 — 29.
  49. А.Ю. Быстродействующий алгоритм семантической классификации JPEG-изображений / А. Ю. Дорогов, Р. Г. Курбанов, В. В. Разин // Нейроинформатика. Т. 1, № 2. -2006. — С. 124- 145.
  50. Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт- пер. с англ. Г. Г. Вайнштейна, A.M. Васьковского, под ред. B.JI. Стефанюка. — М.: Мир, 1976.-511 с.
  51. Г. Порядковые статистики / Г. Дэйвид- пер. с англ. В. А. Егорова,
  52. B.Б. Невзорова, под ред. В. В. Петрова. М.: Наука, 1979. — 336 с.
  53. A.JI. Сегментация изображений на базе использования адаптивной локальной области / А. Л. Жизняков, В. Е. Гай. // Вестник компьютерных и информационных технологий. М.: Машиностроение. -№ 1.-2008.-С. 16−21.
  54. Электрон, текстовые дан. Пенза: ФГУП «ПНИЭИ», 2008. — Режим доступа: http: // www.pniei.penza.ru/documents/017.htm
  55. P.A. Алгоритм автоматической сегментации с агрегированием сегментов в системах поиска изображений / P.A. Калачик // Вестник РГРТУ. Рязань: РГРТУ. — Вып. 23. — 2008. — С. 1 — 4.
  56. М. Ранговые корреляции / М. Кендалл.— М.: Наука, 1975.-216 с.
  57. М. Статистические выводы и связи / М. Кендалл, А. Стьюарт- пер. с англ. Л. И. Гальчука, А. Т. Терёхина, под ред. А. Н. Колмогорова. — М.: Наука, 1973.-899 с.
  58. В.К. Алгоритмы фильтрации и сегментации трехмерных радиолокационных изображений поверхности / В. К. Клочко, A.A. Ермаков // Автометрия № 5. — 2002. — С. 41 — 48.
  59. Г. Б. Сегментация изображений при помощи автоматической классификации / Г. Б. Колумэн, Х. С. Эндрюс // ТИИЭР. 1979. — Т.67, № 5.- С. 39−49.
  60. A.B. Выделение объектов на сложном неоднородном фоне при анализе цветных изображений в биологических исследованиях / A.B. Кревецкий, Ю. А. Ипатов // Вестник РГРТУ. Рязань: РГРТУ. — № 4(26). — 2008.-С. 18−24.
  61. С.З. Основы проектирования систем цифровой обработки радиолокационной информации / С. З. Кузьмин. М.: Радио и связь, 1986. -352 с.
  62. A.B. Непараметрические системы обработки неоднородной информации / A.B. Лапко, В. А. Лапко. — Новосибирск: Наука, 2007.- 147 с.
  63. .Р. Теоретические основы статистической радиотехники / Б. Р. Левин. М.: Радио и связь, 1989. — 656 с.
  64. Э. Теория точечного оценивания / Э. Леман- пер. с англ. Ю. В. Прохорова. М.: Наука, 1991. — 448 с.
  65. Э. Проверка статистических гипотез / Э. Леман- пер. с англ. Ю. В. Прохорова. М.: Наука, 1979. 408 с.
  66. Р.Г. Системы охранной сигнализации. Основы теории и принципы построения / Р. Г. Магауенов. Горячая Линия — Телеком. -2008.-496 с.
  67. И.Д. Кластерный анализ / И. Д. Мандель. М.: Финансы и статистика, 1988. 176 с.
  68. Дж. Д., Грэй А. X. Линейное предсказание речи / Дж. Д. Маркел, А. X. Грэй- пер. с англ. под ред. Ю. Н. Прохорова и В. С. Звездина. — М.: Связь, 1980.-308 с.
  69. мл. С.Л. Цифровой спектральный анализ и его приложения / С.Л. Марпл мл.- пер. с англ. О. И. Хабарова, Г. А. Сидоровой, под ред. И.С. Рыжака. М.: Мир, 1990. — 584 с.
  70. Д. Введение в статистическую теорию связи. В 2-х т. / Д. Миддлтон- пер. с англ. под. ред. Б. Р. Левина. М.: Сов. Радио, 1962. — 2 т.
  71. Обнаружение радиосигналов / П. С. Акимов, Ф. Ф. Евстратов, С. И. Захаров и др.- под ред. A.A. Колосова. М.: Радио и связь, 1989. — 288 с.
  72. Обработка сигналов в радиотехнических системах / А. Д. Далматов, A.A. Елисеев, А. П. Лукошкин, A.A. Оводенко, Б. В. Устинов- под ред. А. П. Лукошкина. Л.: Изд-во Ленинградского ун-та, 1987. — 400 с.
  73. Т. Алгоритмы машинной графики и обработки изображений / Т. Павлидис. М.: Радио и связь, 1986. — 394 с.
  74. Применение методов сегментации изображений в автоматических системах обнаружения, распознавания и сопровождения движения целей / Под. ред. Бакута П. А. // Зарубежная радиоэлектроника. № 10. — 1987. — С. 6−24.
  75. Дж. Цифровая связь / Дж. Прокис- пер. с англ. под ред. Д. Д. Кловского. М.: Радио и связь, 2000. — 800 с.
  76. А.П. Интегралы и ряды / А. П. Прудников, Ю. А. Брычков, О. И. Маричев. М.: Наука, 1981.-800 с.
  77. У. Цифровая обработка изображений. В 2-х т. / У. Прэтт- пер. с англ. под ред. Д. С. Лебедева. М.: Мир, 1982. — 2 т.
  78. Л. Р. Цифровая обработка речевых сигналов / Л. Р. Рабинер, Р. В. Шафер- пер. с англ. под ред. Ю. Н. Прохорова, М. В. Назарова. -М.: Радио и связь, 1981.-496 с.
  79. М.А. Бинарная и многоуровневая сегментация полутоновых изображений / М. А. Райфельд // Радиотехника и электроника. — 2000. Т. 45,№ 6.- С. 705−708.
  80. М.А. Использование группировки для увеличения мощности непараметрического критерия, основанного на превышающих наблюдениях / М. А. Райфельд // Изв. вузов России. Радиоэлектроника. -2006.- № 2.-С. 28−35.
  81. . М.А. Использование устойчивых показателей зависимости наблюдений при адаптации ранговых критериев / М. А. Райфельд // Изв. вузов России. Радиоэлектроника. 2009. — № 1. — С. 14−22.
  82. М.А. Методы предварительной обработки в задаче распознавания сцен / М. А. Райфельд, А. Ю. Голенков // Статистические методы обработки сигналов: межвуз. сборник научн. тр. Новосибирск: НЭТИ, 1991.-С. 33−39.
  83. М.А. Непараметрический алгоритм различения сигнала и помехи, отличающихся дисперсиями / М. А. Райфельд // Изв. вузов. Радиоэлектроника.— 1991. № 1.— С. 15—21.
  84. М.А. Непараметрическая адаптация алгоритма Вилкоксона для коррелированных наблюдений / М. А. Райфельд // Статистические методы обработки изображений: межвуз. сборник науч. тр. Новосибирск.: НЭТИ, 1993.-С. 12−16.
  85. М.А. Непараметрический алгоритм обнаружения линейных объектов / М. А. Райфельд //11 Всесоюзный семинар «Статистический синтез и анализ информационных систем». Ульяновск: УЛьПИ, 1988. -С. 69 — 70.
  86. М.А. Непараметрический метод адаптации алгоритма Вилкоксона при коррелированных наблюдениях / М. А. Райфельд // Российской научн. техн. конф. «Информатика и проблемы телекоммуникаций». Новосибирск: НГТУ, 1994. — С. 136 — 137.
  87. . М.А. Проективные непараметрические статистики для альтернатив сдвига и масштаба / М. А. Райфельд // Научный вестник НГТУ. 2006. — № 1(22). — С. 33 — 41.
  88. М.А. Ранговая адаптация алгоритма Вилкоксона для коррелированных наблюдений / М. А. Райфельд // 3-я Международная конф. Харьков — Туапсе, 1993. — С. 34 — 35.
  89. М.А. Ранговые алгоритмы обнаружения и оценивания в задачах обработки изображений: дисс. кандидата техн. наук: 05.13.14: защищена 19.05.1994: утв. 11.11.1994/М.А. Райфельд. Новосибирск, 1993.- 118 С.
  90. М.А. Ранговая бинарная сегментация изображений / М. А. Райфельд // Российская научн. техн. конф. «Информатика и проблемы телекоммуникаций». Новосибирск: НГТУ, 1996. — С. 49 — 50.
  91. М.А. Ранговая бинарная сегментация полутоновых изображений / М. А. Райфельд // Автометрия. 1995. — № 5. — С. 116 — 120.
  92. М.А. Ранговое оценивание количества фоновых элементов на бинарных изображениях / М. А. Райфельд // Радиотехника и электроника. 1996.- Т.41, № 4.- С. 472−477.
  93. М.А. Ранговая сегментация бинарных изображений / М. А. Райфельд // Методы обработки сигналов и полей: сб. научн. тр. — Ульяновск: УльГТУ, 1995. С. 53 — 61.
  94. М.А. Ранговая сегментация цветных изображений / М. А. Райфельд // Автометрия. 2001. — № 1. — С. 21 — 26.
  95. М.А. Непараметрический метод обнаружения сигналов от сейсмически активных объектов / М. А. Райфельд, А. А. Спектор II Автометрия. 2005. — № 6. — С. 88 — 97.
  96. М.А. Определение направления и скорости движения объекта в сейсмической системе охранного наблюдения / М. А. Райфельд, А.А.
  97. , С.Г. Филатова // Сборник научных трудов НГТУ. Новосибирск: НГТУ, 2008. — Вып. 4(54). — С. 45−53.
  98. В.Г., Тартаковский Г. П. Статистический синтез при априорной неопределённости и адаптация информационных систем / В. Г. Репин, Г. П. Тартаковский. М.: Сов радио, 1977. — 432 с.
  99. А. Распознавание и обработка изображений / А. Розенфельд.- М.:Мир, 1972.-230 с.
  100. Сверхбольшие интегральные схемы для распознавания образов и обработки изображений / Под ред. К.Фу. М.: Мир, 1988. — 248 с.
  101. Сверхбольшие интегральные схемы и современная обработка сигналов / Под ред. С. Гуна, Х. Уайтхауса, Т.Кайлата. М.: Радио и связь, 1989. -471 с.
  102. B.C. Многомерная гистограмма и разделение векторного пространства признаков по унимодальным кластерам / B.C. Сидорова // International Conference Graphicon. Новосибирск. — 2005. — С. 267 — 274.
  103. B.C. Текстурный анализ аэрокосмических изображений на-ЭВМ / B.C. Сидорова // Математические и технические проблемы обработки изображений-Новосибирск, ВЦ СОАН СССР, 1988.-С. 30−36.
  104. И.И. Обзор методов предварительной обработки тоновых изображений для распознавания искусственных объектов / И. И. Соломатин // Приборостроение. Т. 39, № 7 — 1996. С. 5 — 12.
  105. Ю.Г. Теория обнаружения и оценивания стохастических сигналов / Ю. Г. Сосулин. М.: Сов. Радио, 1978. — 320 с.
  106. В.Н. Сегментация и распознавание гласных / В. Н. Сорокин, А. И. Цыплихин // Информационные процессы. — Т.4, № 2. — 2004. С. 202 -220.
  107. А. А. Рекуррентная фильтрация гауссовских многомерных сигналов на фоне помех / А. А. Спектор, А. Н. Самсонов // Радиотехника. 1996.-№ 1.с. 19−22.
  108. P.JI. Условные Марковские процессы и их применение в теории оптимального управления / Р. Л. Стратонович МГУ, 1965 — 319 с.
  109. П.Ф. Оптимальные тесты, основанные на индикаторах событий / П. Ф. Тарасенко // Вестник Томского гос. университета: прил. № 1(1).- Томск: ТГУ, 2002. С. 185−190.
  110. П.Ф. Проверка гипотез о параметрах линейной модели на основе индикаторных признаков / П. Ф. Тарасенко // Обозрение прикладной и промышленной математики. 2003. — Т. 10, Вып. 2. — С. 515−517.
  111. Теория обнаружения сигналов / П. С. Акимов, П. А. Бакут, В. А. Богданович и др.- под ред. П. А. Бакута. М.: Радио и связь, 1984. — 440 с.
  112. В.И. Нелинейная фильтрация и квазикогерентный приём сигналов / В. И. Тихонов, И. К. Кульман. М.: Сов. Радио, 1975. — 704 с.
  113. Д.Б. Непараметрические методы обнаружения сигналов // ТИИЭР. 1970. — Т.58, № 5. — С. 23 — 31.
  114. А.П. Совместное различение сигналов и оценка их параметров на фоне помех / А. П. Трифонов, Ю. С. Шинаков. М.: Радио и связь, 1986.-264 с.
  115. Ту Д. Принципы распознавания образов / Д. Ту, Р. Гонсалес, М.: Мир, 1978.-411 С.
  116. Д. Анализ результатов наблюдений: разведочный анализ / Д. Тьюки.-М.: Мир, 1981.-693 с.
  117. Ю.Н. Непараметрические методы статистики / Ю. Н. Тюрин. — М.: Знание, 1978.-64 с.
  118. Р.П. Граница асимптотической эффективности двух инвариантных правил обнаружения к правилу Вилкоксона / Р. П. Филимонов // Радиотехника и электроника. 1992. — Т.37,№ 12.
  119. Я.А. Статистическая теория распознавания образов / Я. А. Фомин, Г. Р. Тарловский. М.: Радио и связь, 1986. — 264 с.
  120. Jl. Теория сигналов / Л. Френке- пер. с англ. М. Р. Краевской, P.M. Седлицкого, под ред. Д. Е. Вакмана. М.: Сов. Радио, 1974. — 344 с.
  121. К. Введение в статистическую теорию распознавания образов / К. Фукунага. М.: Наука, 1979. — 368 с.
  122. А. Двумерная байесовская оценка изображений / А. Хабиби // ТИИЭР. 1972. — Т.60, № 7. — С. 153 — 159.
  123. Робастность в статистике. Подход «на основе функций влияния / Ф. Хампель, Э. Рончетти, П. Рауссеу, В.Штаэль. —М.: Мир, 1989. 512 с.
  124. П. Робастность в статистике / П. Хьюбер- пер с англ. И. А. Маховой, В. И. Хохловой под ред. И. Г. Журбенко. М.: Мир, 1984 — 304 с.
  125. Цифровая обработка изображений в информационных системах: Учеб. пособие / И. С. Грузман, B.C. Киричук и др. Новосибирск: Изд-во НГТУ, 2002.-352 с.
  126. Л.П. Введение в цифровую обработку изображений / Л. П. Ярославский. М.: Сов. Радио, 1979. — 312 с.
  127. Л.П. Цифровая обработка сигналов в оптике и-голографии: Введение в цифровую оптику / Л. П. Ярославский. М.: Радио и связь, 1987. — 296 с.
  128. Ким В. Ранговые алгоритмы обработки изображений / В. Ким. Л. П. Ярославский // Адаптивные методы обработки изображений: Сб. научн. тр./ под ред. Сифорова В. И., Ярославского Л. П. М.:Наука, 1988 — С. 35−73.
  129. Adams R. Seeded Region Growing / R. Adams, L. Bischof // IEEE Trans. Pattern Analysis and Machine Intelligence. 1994-Vol. 16(6).- p. 641- 647.
  130. Cheng, H.D. A Hierarchical Approach to Color Image Segmentation Using Homogeneity / H.D. Cheng, Y. Sun // IEEE Trans. Image Processing. — 2000: -Vol. 9, № 12. p. 2071 — 2082.
  131. Y. Цветная сегментация изображения Электронный ресурс. / Y. Deng, В. S. Manjunath, Н. Shin. — Электрон, текстовые дан. —Режим доступа: http://www-iplab.ece.ucsb.edu/publications/99CVPRSeg.pdf.
  132. Fu К. S. A Survey on Image Segmentation / K. S. Fu, J. K. Mui // Pattern Recognition. 1981. — Vol. 13. — p. 3 — 16.
  133. Haralick R.M. Image Segmentation Techniques / R.M. Haralick, L.G. Shapiro // Computer Vision, Graphics, and Image Processing. 1985. — Vol. 29, № 1.-p. 100.
  134. Jahne B. Digital image processing / B. Jahne. Springer, 2002. — 585 p.
  135. Mitra S. K. Nonlinear Image Processing / S. K. Mitra, G. L. Sicuranza. -Academic Press, San Diego, 2001. 455 p.
  136. Pal N.R. A Review on Image Segmentation Techniques / N.R. Pal, S.K. Pal // Pattern Recognition. 1993. — Vol. 26, № 9. — p. 1277 — 1294.
  137. H. Цветная сегментация' изображения с помощью глобальной информации и локальной однородности Электронный ресурс. / Н. Wang, D. Suter Электрон. текстовые дан. — Режим доступа: http://www.cmis.csiro.au/Hugues.Talbot/dicta2003/cdrom/pdf/0089.pdf
  138. Woods J.W. Two-Dimensional Kalman Filtering / J.W. Woods // Topics in Applied Physics. Berlin, 1981.-Vol. 42.-p. 155−208.
Заполнить форму текущей работой

Пора сдавать?