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

Теория и методы обработки многомасштабных последовательностей цифровых изображений в промышленных системах контроля качества

Диссертация: Теория и методы обработки многомасштабных последовательностей цифровых изображений в промышленных системах контроля качества
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Частным случаем операторов формирования последовательности изображений является большая группа многомасштабных преобразований. Влияя практически на все группы признаков изображения, оно не меняет его пространственной структуры. При этом, один и тот же признак (особенность) может проявлять себя в той или иной мере на нескольких изображениях многомасштабной последовательности, постоянно при этом… Читать ещё >

Содержание

  • 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ЦИФРОВОЙ ОБРАБОТКИ МНОГОМАСШТАБНЫХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ИЗОБРАЖЕНИЙ .Л
    • 1. 1. Понятие изображения
    • 1. 2. Описание изображений
    • 1. 3. Последовательность изображений
    • 1. 4. Формирование последовательностей изображений
    • 1. 5. Наследственность и изменчивость признаков. последовательности изображений
    • 1. 6. Последовательности дополнений
    • 1. 7. Математические модели последовательностей изображений
    • 1. 8. Восстановление свойств последовательности по отдельным. изображениям
    • 1. 9. Алгоритмы обработки изображений на основе. последовательностей
    • 1. 10. Многомасштабные последовательности изображений
  • ВЫВОДЫ ПО ГЛАВЕ 1
  • 2. МЕТОДЫ И МОДЕЛИ ФОРМИРОВАНИЯ МНОГОМАСШТАБНЫХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ
    • 2. 1. Многомасштабные операторы формирования последовательностей изображений
      • 2. 1. 1. Формализация многомасштабного представления изображений
      • 2. 1. 2. Свойства многомасштабного представления изображений
      • 2. 1. 3. Реализация многомасштабного представления изображений
      • 2. 1. 4. Постановка задачи построения адаптивного многомасштабного представления изображений
      • 2. 1. 5. Разработка алгоритма многомасштабной аппроксимации изображений с произвольным коэффициентом сжатия
    • 2. 2. Математические модели многомасштабного представления изображений
      • 2. 2. 1. Постановка задачи разработки адаптивных многомасштабных моделей изображений
    • 2. 3. Анализ зависимостей между элементами многомасштабного представления изображений
      • 2. 3. 1. Тестовые изображения
      • 2. 3. 2. Использование условных и совместных гистограмм для оценки зависимостей между вейвлет коэффициентами
      • 2. 3. 3. Анализ зависимостей между вейвлет — коэффициентами на основе взаимной информации
    • 2. 4. Построение адаптивного многомасштабного представления изображений
      • 2. 4. 1. Построение последовательности приближений на основе величины взаимной информации
      • 2. 4. 2. Построение последовательности приближений на основе анализа массива величин взаимной информации
      • 2. 4. 3. Построение многомасштабного представления изображения на основе анализа спектра Фурье
      • 2. 4. 4. Построение адаптивной многомасштабной последовательности дополнений
    • 2. 5. Выбор окрестности отсчёта элемента многомсштабной последовательности
      • 2. 5. 1. Алгоритм выбора окрестности на основе взаимной информации
      • 2. 5. 2. Вычислительный эксперимент
    • 2. 6. Проблемы адаптации многомасштабных моделей к адаптивному многомасштабному представлению изображения
      • 2. 6. 1. Описание связей между элементами многомасштабной последовательности
      • 2. 6. 2. Выравнивание размеров элементов многомасштабной последовательности
      • 2. 6. 3. Взаимное влияние отсчётов многомасштабной последовательности
    • 2. 7. Разработка адаптивных многомасштабных моделей изображений
      • 2. 7. 1. Адаптивная модель многомасштабного марковского случайного поля
      • 2. 7. 2. Адаптивная модель скрытого марковского дерева
      • 2. 7. 3. Выбор окрестности многомасштабной последовательности
  • ВЫВОДЫ ПО ГЛАВЕ 2
  • 3. АЛГОРИТМЫ ОБРАБОТКИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МНОГОМАСШТАБНЫХ МОДЕЛЕЙ
    • 3. 1. Генерация изображений
      • 3. 1. 1. Генерация изображений на базе модели скрытого марковского дерева
      • 3. 1. 2. Генерация изображений на базе модели многомасштабного марковского случайного поля
    • 3. 2. Разработка алгоритмов сегментации изображений
      • 3. 2. 1. Оценка качества работы алгоритмов сегментации изображений
      • 3. 2. 2. Алгоритм сегментации изображений на основе адаптивной модели многомасштабного марковского случайного поля
      • 3. 2. 3. Алгоритм сегментации изображений на основе адаптивной модели скрытого марковского дерева
    • 3. 3. Разработка алгоритмов восстановления изображений
      • 3. 3. 1. Оценка качества работы алгоритмов восстановления изображений
      • 3. 3. 2. Алгоритм восстановления изображений на основе адаптивной модели многомасштабного марковского случайного поля
      • 3. 3. 3. Восстановление изображений на основе адаптивной модели скрытого марковского дерева
  • ВЫВОДЫ ПО ГЛАВЕ 3
  • 4. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МНОГОМАСШТАБНЫХ АЛГОРИТМОВ ФИЛЬТРАЦИИ ОСОБЕННОСТЕЙ ИЗОБРАЖЕНИЙ
    • 4. 1. Цели и задачи цифровой фильтрации изображений
    • 4. 2. Разработка алгоритмов анализа характеристик шума на изображениях
    • 4. 3. Возможности вейвлет-преобразований в задачах фильтрации особенностей изображений
      • 4. 3. 1. Выделение контуров на последовательности изображений
      • 4. 3. 2. Скелетизация полутоновых изображений
      • 4. 3. 3. Фильтрация кривых с использованием вейвлет — преобразований
    • 4. 4. Разработка алгоритмов многомасштабной фильтрации особенностей. изображений
      • 4. 4. 1. Алгоритм многомасштабной фильтрации особенностей изображений на основе поиска экстремумов амплитуд вейвлет-образов
      • 4. 4. 2. Алгоритм многомасштабной фильтрации особенностей изображений на основе расчета энергетических характеристик вейвлет-образов
      • 4. 4. 3. Разработка алгоритма многомасштабной фильтрации особенностей изображений на основе выбора максимальных вейвлет-коэффициентов
      • 4. 4. 4. Разработка алгоритма многомасштабной фильтрации особенностей изображений на основе непрерывного двумерного вейвлет-преобразования
    • 4. 5. Разработка алгоритмов многомасштабной фильтрации кривых
      • 4. 5. 1. Разработка алгоритма многомасштабного сглаживания кривых
      • 4. 5. 2. Разработка алгоритма анализа признаков описания формы изображений на основе их многомасштабного представления
      • 4. 5. 3. Разработка алгоритма многомасштабной фильтрации групповых объектов изображений
    • 4. 6. Формирование и обоснование тестовых изображений
      • 4. 6. 1. Исследование алгоритма оценки параметров шума на изображении
      • 4. 6. 2. Исследование алгоритмов многомасштабной фильтрации особенностей изображений
    • 4. 7. Исследование алгоритмов многомасштабной обработки и анализа кривых
      • 4. 7. 1. Исследование алгоритма многомасштабной фильтрации кривых
      • 4. 7. 2. Исследование алгоритма сравнения признаков описания формы изображений на основе их многомасштабного представления
      • 4. 7. 3. Исследование алгоритма многомасштабной фильтрации групповых объектов изображений
  • ВЫВОДЫ ПО ГЛАВЕ 4
  • 5. ПРАКТИЧЕСКОЕ ИСПОЛЬЗОВАНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ В ОБРАБОТКЕ И АНАЛИЗЕ ДЕФЕКТОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЙ
    • 5. 1. Актуальность проблемы цифровой обработки и анализа дефектоскопических изображений
      • 5. 1. 1. Задачи цифровой обработки и анализа дефектоскопических изображений металлоконструкций
      • 5. 1. 2. Обзор характеристик дефектоскопических изображений и анализ методов их цифровой обработки
    • 5. 2. Применение алгоритмов многомасштабной фильтрации при обработке дефектоскопических изображений
      • 5. 2. 1. Предварительная обработка дефектоскопических изображений
      • 5. 2. 2. Оценка дефектности изделий по дефектоскопическим изображениям
      • 5. 2. 3. Обработка изображений микроструктур
      • 5. 2. 4. Классификация изображений микроструктуры металла
      • 5. 2. 5. Исследование изображений усталостных изломов
      • 5. 2. 6. Вычисление количественного соотношения фаз в сплаве
      • 5. 2. 7. Оценка размера зерна
      • 5. 2. 8. Определение удельной поверхности раздела
    • 5. 3. Анализ возможностей построения автоматизированных подсистем многомасштабной обработки дефектоскопических изображений
    • 5. 4. Основные аспекты применения вейвлет — преобразования в промышленной компьютерной томографии
      • 5. 4. 1. Предварительная обработка проекций
      • 5. 4. 2. Реконструкция изображения по проекциям
      • 5. 4. 3. Анализ томографического изображения
      • 5. 4. 4. Построение трехмерной модели объекта по плоским срезам
  • ВЫВОДЫ ПО ГЛАВЕ 5

Теория и методы обработки многомасштабных последовательностей цифровых изображений в промышленных системах контроля качества (реферат, курсовая, диплом, контрольная)

Цифровая обработка изображений находит широкое применение практически во всех областях промышленности. Часто её- использование позволяет выйти на качественно новый технологический уровень производства. При этом наиболее сложными здесь являются вопросы, связанные с автоматическим извлечением из изображения и интерпретацией информации, являющейся основой для принятия решений в процессе управления производственными процессами.

Реальные изображения, используемые в промышленных системах технического зрения, дефектоскопии, мониторинга процессов и т. д. сложны для автоматического анализа и обладают множеством свойств, определяемых не только условиями формирования изображения, но и методами его последующей обработки, а также целями использования извлекаемой из него информации.

Как правило, для описания изображения используется некоторый набор выбранных формальных признаков. Однако, учитывая многообразие свойств реального изображения, для наиболее точного его описания, а, следовательнонаиболее полного использования содержащейся в нем информации, следует говорить о системе признаков. Основным требованием к этой системе является целостность сложной многоуровневой организации разнородных наборов признаков, характеризующих анализируемое изображение во всех аспектах проявления его свойств.

Неоднозначность построения такого описания определяется большим числом различных групп признаков, а также множеством вариантов их иерархического упорядочивания. Главной особенностью иерархически упорядоченной системы признаков изображения должно быть проявление эмерджентности не только для всей системы, но и на каждом иерархическом уровне ее представления (т.е. для каждой отдельной группы признаков). Это позволит вскрывать новые, неочевидные свойства анализируемого изображения, за счет приобретения новых качеств каждым элементом системы, отсутствующих у него в изолированном состоянии.

Основной проблемой здесь является обеспечение адекватной сложности рассматриваемой системы признаков для получаемой точности описания изображения и ценности извлекаемой информации.

Одним из вариантов построения такой системы признаков является формирование набора изображений, полученного путем последовательного преобразования анализируемого изображения некоторым оператором (или группой операторов), целенаправленно изменяющим изображение и, тем самым, обеспечивающим проявление скрытых ранее свойств, связей и зависимостей, определяющих особенности данного изображения. Такой набор можно рассматривать как последовательность изображений, при этом признаки, выделенные на каждом изображении последовательности, будут определять очередной уровень иерархии признаков.

Частным случаем операторов формирования последовательности изображений является большая группа многомасштабных преобразований. Влияя практически на все группы признаков изображения, оно не меняет его пространственной структуры. При этом, один и тот же признак (особенность) может проявлять себя в той или иной мере на нескольких изображениях многомасштабной последовательности, постоянно при этом изменяясь. Однако, в результате таких изменений, он может либо исчезнуть, либо измениться настолько, что будет рассматриваться уже как другой независимый признак (особенность). Здесь же можно отметить возможность взаимного влияния различных признаков друг на друга, приводящую к появлению в последовательности изображений с новыми характерными свойствами и особенностями. Именно это обстоятельство во многом определяет возможность использования данного подхода.

Очевидное многообразие подходов к построению алгоритмов формирования и обработки последовательностей изображений приводит к возможности получения иерархических структур формальных описаний, т. е. моделей изображений, основанных на различных признаках, относящихся к различным морфологическим и масштабным уровням представления. Анализ данных структур позволяет прийти к гибкой многоуровневой системе обработки «сверху — вниз», использование которой связано не только с требованием повышения точности, но и необходимостью принципиально изменять стратегию восприятия. Специфика задач обработки и анализа изображений, ярко проявляемая при рассмотрении их последовательностей, состоит в многослойности изображения, его многоступенчатости, непременном и многократном последовательном взаимодействии всех уровней, от глобальных к локальным, отражающем статистические, структурные, логические и другие характеристики.

В связи с этим разработка теории и методов обработки многомасштабных последовательностей цифровых изображений является актуальной научной проблемой, так как позволяет усовершенствовать применяемые в настоящее время методы обработки и анализа изображений.

Целью диссертационной работы является построение основ теории и развитие методов обработки многомасштабных последовательностей цифровых изображений в автоматизированных системах контроля качества изделий.

Для достижения поставленной цели необходимо:

1. Разработать теоретические основы обработки последовательностей цифровых изображений, включающие в себя:

— Введение основных понятий, определений, теорем, определяющих возможность описания различных подходов в обработке последовательностей цифровых изображений на единой теоретической основе;

— Обоснование полученных теоретических положений и выводов.

— Построение и исследование математических моделей формирования последовательностей цифровых изображений;

— Исследование процедур восстановления последовательностей по отдельным изображениям;

— Разработку основных подходов к построению алгоритмов цифровой обработки и анализа изображений на основе предложенных теоретических положений;

— Формирование классов методов и алгоритмов обработки изображений на основе предложенного теоретического подхода;

2. Разработать и исследовать новые методы и модели, реализующих основные положения теории обработки последовательностей цифровых изображений:

— Разработать алгоритмы адаптивного многомасштабного представления изображений и критерии выбора величины коэффициентов изменения масштаба изображения;

— Ввести математические модели, описывающие многомасштабные последовательности изображений;

— Показать возможность применения предложенных подходов в алгоритмах обработки и анализа изображений;

— Разработать алгоритмы фильтрации особенностей (признаков) изображений, основанные на использовании непрерывных и дискретных неравномерных многомасштабных последовательностях изображений.

3. Разработать и исследовать алгоритмы решения прикладных задач обработки дефектоскопических изображений в промышленных системах контроля качества изделий.

Методы исследования В качестве основного теоретического инструмента исследований использовались методы цифровой обработки многомерных сигналов, вейвлет — анализа, функционального анализа, математической статистики, теории информации, математического моделирования.

Теоретической и методологической основой исследований являются труды отечественных и зарубежных ученых по теории цифровой обработки сигналов и изображений, вейвлет — преобразования.

В процессе решения задач были использованы труды С. Абламейко, В. Воробьева, М. Викерхаузера, Р. Вудса, Р. Гонсалеса, В. Грибунина,.

У.Гренандера, И. Добеши, Ю. Журавлева, В. Киричука, J1. Новикова, С. Малла, П. Ошера, У. Прэтта, В. Пяткина, А. Розенфельда, С. Садыкова, В. Сергеева, В. Сойфера, В. Титова, К. Фу, Я. Фурмана, И. Цуккермана, К. Чуи, J1. Ярославского и др.

Научная новизна диссертационной работы.

Получены следующие основные результаты, обладающие научной новизной:

1.Основы теории обработки многомасштабных последовательностей цифровых изображений, особенностью которой является использование понятий наследственности и изменчивости признаков, обеспечивающей построение иерархических структур формальных описаний, т. е. моделей изображений, основанных на группах признаков, относящихся к различным морфологическим и масштабным уровням представления.

2. Новый метод формального описания изображений, основанный, в отличие от ранее известных, на анализе динамики характеристик группы признаков на последовательности изображений, полученной целенаправленным изменением исходного изображения.

3.Новые методы многомасштабного представления изображения, отличающиеся возможностью выбора коэффициента изменения масштаба, адаптивного к свойствам изображения и позволяющие более точно отслеживать особенности анализируемого изображения.

4.Методика построения математических моделей многомасштабных последовательностей изображений, основанная на использовании адаптивного выбора конфигурации локальной окрестности элемента изображения и произвольного коэффициента изменения масштаба, позволяющая более точно учитывать существующие связи и зависимости в последовательностях изображений.

5. Новые методы и алгоритмы обработки и анализа изображений, основанные на введенных теоретических положениях и подходах, обеспечивающие возможность более полного извлечения информации за счет использования многоуровневой системы признаков.

Теоретическая значимость работы.

Предложенная теория, выявляя общие закономерности среди различных задач обработки последовательностей цифровых изображений, позволила сформулировать новые проблемы и определить подходы, являющиеся основой для построения новых методов и алгоритмов обработки и анализа изображений.

Практическая значимость работы состоит в том, что предложенные в ней теоретические подходы, модели, методы и алгоритмы являются основой для построения программного обеспечения автоматизированных систем контроля качества изделий.

1. Введенный на базе предложенной теории адаптивный подход к многомасштабному представлению изображений, позволил улучшить результаты работы многомасштабных алгоритмов обработки изображений, за счет использования коэффициентов изменения масштаба, адаптивных к свойствам изображения.

2. Разработанные методы, алгоритмы, пакеты программ и устройства позволяют решать широкий круг практических задач и могут использоваться для обработки и анализа изображений в промышленных, научных, медицинских и др. системах автоматизированной обработки изображений, обеспечивая возможности:

— Сокращать время расшифровки рентгенографических снимков сварных соединений;

— Подавлять шум на рентгенограммах без внесения дополнительных искажений в обрабатываемое изображение;

— Выделять дефекты сварных соединений (газовые и шлаковые включения, непровары и трещины) на рентгенографических снимках;

— Обнаруживать групповые дефекты (цепочки и скопления инородных включений) сварных швов;

— Проводить количественный анализ микроструктур металлов;

— Восстанавливать томографические изображения по неполным данным.

Оригинальность предложенных устройств и программ подтверждается 12 патентами РФ и 9 Свидетельствами об официальной регистрации программ.

Внедрение результатов работы Результаты диссертационной работы внедрены на ОАО «ПО Муроммашзавод» (г. Муром), ОАО «Селивановский машиностроительный завод» (г. Селиваново), ОАО «Выксунский металлургический завод» (г. Выкса), ОАО «Муромтепловоз» (г. Муром), ОАО «Вол-готрансгаз» (г. Нижний Новгород), ОАО «Русполимет» (г. Кулебаки), Выксун-ском филиале ООО «ОМК — Сталь» (г. Выкса), ОАО «Муромский завод трубопроводной арматуры» (г. Муром), ГОУ ВПО «Муромский институт (филиал) Владимирского государственного университета» (г. Муром), филиале ГОУ ВПО «Московский государственный открытый университет» (г. Кулебаки), что подтверждено соответствующими актами.

Основные положения, выносимые на защиту.

1. Основные положения, определения, теоремы и доказательства разработанной теории обработки многомасштабных последовательностей цифровых изображений.

2. Критерии и методика вычисления значений коэффициентов изменения масштаба при адаптивном многомасштабном представлении изображений.

3. Методика выбора адаптивной конфигурации локальной окрестности элемента изображения, на основе использования критерия взаимной информации.

4.Методы и алгоритмы обработки и анализа изображений на основе использования многомасштабных последовательностей.

5. Результаты теоретических и экспериментальных исследований.

Апробация работы Диссертационная работа и отдельные ее части докладывались и обсуждались более чем на 50 научно-технических конференциях, в том числе: 5th, 8th Int. Conf. «Pattern Recognition and Image Analysis: New Information Tehnologies» (PRIA-5−2000, Samara, PRIA-8−2007, Yoshkar-Ola), The 7 Int. Conf. PRIP'2003 Pattern Recognition and Information Processing (Minsk, Republic of Belarus), 4-й, 7-й, 8-й Межд. конф. «Распознавание — 99, 2005, 2008» (Курск, 1999, 2005, 2008), 7-й, 8-й, 9-й, 10-й Межд. конф. «Цифровая обработка сигналов и ее применение — DSPA2005, 2006, 2007, 2008», VII и VIII Межд. конф. «Искусственный интеллект. Интеллектуальные системы-2006, 2007» (АР Крым, Украина, 2006; Геленджик, Россия, 2007), IX Межд. конф. «Интеллектуальные системы и компьютерные науки» (Москва, МГУ, 2006), XXXIII и XXXIV Межд. конф. «Информационные технологии в науке, социологии, экономике и бизнесе IT&SE'06, IT + SE'07» (Украина, Крым, Ялта-Гурзуф, 2006, 2007 гг.), V Межд. конф. «Информационные технологии и математическое моделирование (ИТММ-2006)» (Томск, 2006), Межд. конф. «Математические методы в технике и технологиях, ММТТ-18» (Казань, 2005 г.), 6-й Межд. конф. «Измерение, контроль, информатизация» (Барнаул, 2006), XIII конф. ученых Украины, Белоруссии, России «Прикладные задачи математики и механики» (Севастополь, 2005г), 13-й и 14-й Межд. конф. «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2004, 2005), Междунар. конф. «Новые методологии проектирования изделий микроэлектроники (New design methodologies)» (г.Владимир, 2004 г.), 1-й и 2-й Межд. конф. «Инфотелекоммуникационные технологии в науке, производстве и образовании». (Ставрополь, 2004, 2006), Межд. конф. «Виртуальные и интеллектуальные системы ВИС-2006» (Барнаул, 2006), VI Межд. конф «Моделирование. Теория, методы и средства», (Новочеркасск, 2006), II и III Межд. конф. «Информационные технологии в науке, образовании и производстве» (Орел, 2006, 2008), VIII Всеросс. конф. «Теоретические и прикладные вопросы современных информационных технологий, ТиПВСИТ 2007» (Улан-Удэ, 2007), Межд. конф. «Фундаментальное и прикладное материаловедение» (Барнаул, 2007), 5-й, 10-й и 12-й Межд. конф. «Современные проблемы информатизации в моделировании и анализе сложных систем», (Воронеж, 2000, 2005, 2007 гг.), Всерос. конф. «Научная сессия ТУСУР — 2007» (Томск, 2007), научных конференциях МИВл-ГУ (1997;2008 гг.).

По данному научному направлению под руководством автора защищена одна кандидатская диссертация.

Публикации: По теме диссертационной работы опубликовано более 130 работ. Из них, 23 статьи в журналах, входящих в перечень ВАК РФ, 3 монографии, 3 учебных пособия, 19 патентов и свидетельств о государственной регистрации. На английском языке опубликовано 8 работ.

Личный вклад автора Все приведенные в диссертации результаты получены автором лично. Постановка основных задач и направлений исследования, отраженных в монографии [1] выполнена совместно с научным консультантом Садыковым С. С. В монографии [2] автором написана глава 3 и, частично, главы 1 и 5. В статьях [141, 235] основная идея принадлежит Орлову А. А. В остальных работах, опубликованных в соавторстве, автору принадлежит постановка задачи, теоретический анализ, решение и его обоснование. Основная идея всех изобретений и алгоритмы всех зарегистрированных программ разработаны автором.

Структура и объем диссертации

Диссертационная работа состоит из введения, 5 глав, заключения и приложений. Она содержит 280 с. текста, включает 50 рисунков, 12 таблиц, список литературы из 240 наименований.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ.

В диссертационной работе в рамках решения поставленной научной проблемы получены следующие результаты:

1. Разработаны основные положения теории обработки многомасштабных последовательностей цифровых изображений, определяющие возможности построения новых методов и алгоритмов цифровой обработки и анализа изображений.

2. Введено понятие сходимости последовательности изображений по набору признаков, определяющее возможность создания новых подходов к разработке алгоритмов выделения и анализа признаков изображений.

3. Предложенный подход, основанный на введении понятий наследственности и изменчивости признаков в последовательностях изображений, приводит к возможности формирования и использования операторов, обеспечивающих точное восстановление изображения по выбранной группе признаков. Описаны основные требования, предъявляемые к подобным операторам.

4. Разработанные теоретические основы обеспечивают возможность построения иерархических структур формальных описаний, т. е. моделей изображений, основанных на различных признаках, относящихся к различным морфологическим и масштабным уровням представления.

3. Разработаны методы представления изображения в виде многомасштабной последовательности с произвольными коэффициентами сжатия, позволяющие более полно вскрывать его внутреннюю структуру и обнаруживать скрытые признаки и особенности.

4. Осуществлён анализ свойств многомасштабного представления изображений в виде многомасштабных последовательностей. Выделены наиболее существенные связи между элементами многомасштабного представления, которые могут быть описаны при разработке моделей изображений. Предложен ряд подходов к модификации существующих многомасштабных моделей изображений. К ним относятся: использование адаптивного многомасштабного представления в качестве исходных данных для модели, применение окрестности, выбираемой на основе исходных данных, для описания связей между элементами многомасштабного разложения.

5. Разработаны адаптивные математические модели многомасштабного представления изображений.

6. На основе введенных теоретических положений разработаны алгоритмы:

— алгоритмы многомасштабной аппроксимации сигналов и изображений с произвольным коэффициентом сжатия;

— алгоритмы оценки параметров шума на изображении;

— алгоритмы многомасштабной фильтрации комбинированных помех изображений;

— алгоритмы многомасштабной фильтрации особенностей изображений, основанных на использовании непрерывного вейвлет-преобразования;

— алгоритмы многомасштабной фильтрации линейчатых объектов изображений;

— алгоритмы многомасштабного сглаживания линейчатых объектов с выбором коэффициента сглаженности;

— алгоритмы анализа признаков описания формы изображений на основе их многомасштабного представления;

— алгоритмы многомасштабной фильтрации групповых объектов изображений;

— кратномасштабный алгоритм восстановления томографических изображений по неполным данным в малоракурсной томографии,.

7. Проведены исследования разработанных методов и алгоритмов на тестовых и реальных изображениях, доказывающие работоспособность и возможность применения предложенных алгоритмов в практических задачах контроля качества изделий.

8. Предложена структура автоматизированной системы расшифровки дефектоскопических изображений сварных швов. С использованием разработанных алгоритмов и системы решены практические задачи автоматизированной расшифровки рентгенографических изображений сварных соединений.

Показать весь текст

Список литературы

  1. , A. JI. Теоретические основы обработки многомасштабных последовательностей цифровых изображений / A. JI. Жизняков, С. С. Садыков. -Владим. гос. ун-т-Владимир: Изд-во Владим. гос. ун-та, 2008. 121 с.
  2. , А. Д. Компьютерная реставрация изображений архивных фотодокументов / А. Д. Варламов, A. JI. Жизняков, С. С. Садыков. М.: Мир, 2006- 133 с.
  3. , A. JI. Многомасштабные методы обработки цифровых изображений: учебн. пособ. / A. JI. Жизняков, Гай В. Е., Фомин А. А. Владим. гос. ун-т,-Владимир: Изд-во Владим. гос. ун-та, 2008. — 102 с.
  4. , A. JI. Вейвлет преобразование в анализе и обработке изображений / A. JI. Жизняков, Н. В. Вакунов — М.: Государственный научный центр Российской Федерации — ВНИИ Геосистем, 2004. — 102 с.
  5. , A.JI. Формализация некоторых понятий теории обработки многомасштабных последовательностей цифровых изображений / A. JI. Жизняков // Системы управления и информационные технологии. 2007. — № 3.3(29). -С. 354−358.
  6. , A.JI. Обработка многомерных сигналов на основе стохастических моделей вейвлет коэффициентов / A. JI. Жизняков // Радиотехника. — 2006.-№−11.-С. 68−71.
  7. , A. JI. Формирование и анализ наборов признаков многомасштабных последовательностей цифровых изображений / A. JL Жизняков // Программные продукты и системы. 2007. — № 4. — С. 67−70.
  8. , A. JI. Понятия наследственности и изменчивости признаков в многомасштабных последовательностях цифровых изображений / A. JI. Жизняков // Приложение к журналу «Открытое образование». 2007. — С. 50−52.
  9. Жизняков, A. JL Построение пирамид изображений с адаптивным выбором масштабного коэффициента / A. JI. Жизняков // Искусственный интеллект: Научно-теоретический журнал НАН Украины. 2006. — № 4. — С. 743−748.
  10. , A. JI. Алгоритмы адаптивного многомасштабного преобразования изображений / A. JI. Жизняков // Информационные технологии моделирования и управления. — 2007. № 1(35). — С.63−70.
  11. , A. JI. Возможности применения непрерывного вейвлет-преобразования в интеллектуальных системах обработки информации / A. JI. Жизняков // Ползуновский альманах. № 4 / Барнаул: АлтГУ им. И. И. Ползу нова, 2006.-С. 32−35.
  12. , A. JI. Двумерное вейвлет — преобразование с дробным коэффициентом масштабирования в задачах цифровой обработки изображений / A. JI. Жизняков // Методы и устройства передачи и обработки информации / М.: Радиотехника, 2007 С. 108−112.
  13. А.Л. Двухмасштабная математическая модель изображения на основе вейвлетов // Сб. материалов 7 Международной конференции: Распознавание 2005 / Курск: КГТУ, 2005. — С. 37−38.
  14. , В.И. Марковские процессы / В. И. Тихонов, М. А. Миронов.- М.: Сов. радио, 1977. 488 с.
  15. , С. Вейвлеты в обработке сигналов: Пер. с англ. / С. Малла -М.: Мир, 2005.-671 с.
  16. , И. Десять лекций по вейвлетам / И. Добеши. — Москва-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2004. 464 с.
  17. , В. И. Теория и практика вейвлет преобразования / В. И. Воробьёв, В. Г. Грибунин. — СПб.: Изд-во ВУС, 1999. — 208 с.
  18. , И. Я. Основные конструкции всплесков / И. Я. Новиков, С. Б. Стечкин // Фундаментальная и прикладная математика. 1997. — Т. 3. — № 4. -С. 999- 1028.
  19. , А. В. О систематизации вейвлет преобразований / А. В. Переберин // Вычислительные методы и программирование. — 2001. — № 2- С. 15−40.
  20. , А. В. Многомасштабные методы синтеза и анализа изображений : дисс.к.ф.-м. наук: 05.13.11 / Переберин Антон Валерьевич. М.: Институт прикладной математики им. М. В. Келдыша, 2002. — 138 с.
  21. , А. П. Введение в теорию базисов всплесков / А. П. Петухов.- СПб.: Изд-во СПбГТУ, 1999. 132 с.
  22. Чуй, Ч. Введение в вейвлеты / Ч. Чуй- пер. Я. М. Жилейкина. М.: Мир, 2001.-412 с.
  23. , И. М. Вейвлеты и их использование / И. М. Дремин, О. В. Иванов, В. А. Нечитайло // Успехи физических наук. 2001. — Т. 17. — № 5. — С. 465 -501.
  24. ДеРоуз, Т. Вейвлеты в компьютерной графике: Пер. с англ. / Т. ДеРо-уз, Д. Салезин, Э. Столниц Ижевск: НИЦ «Регулярная и хаотическая динамика», 2002. 272 с.
  25. , С. Фракталы и вейвлеты для сжатия изображений: Учеб. пос. / С. Уэлстид. -М.: Триумф, 2003. 320 е.: ил.
  26. Tang, Y.Y. Wavelet Theory and Its Application to Pattern Recognition / Y. Y. Tang, L. H. Yang, J. Liu, H. Ma Singapore: World Scientific, 2000. 345 p.
  27. , P. E. Интерполяция и децимация цифровых сигналов: методический обзор / Р. Е. Крошьер, JI. Р. Рабинер // ТИИЭР. 1981. — Т. 69. — № 3. -С. 14−49.
  28. , С.С. Цифровая обработка и анализ изображений / С. С. Садыков. Ташкент: НПО «Кибернетика» АН РУз, 1994. — 195 с.
  29. Gaussian Scale-Space Theory / J. Sporring et al. Kluwer Academic Publishers, 1997.-425 p.
  30. , С. И. Радиотехнические цепи и сигналы / С. И. Баскаков. -М.: Высшая школа, 1988. 450 с.
  31. Левкович-Маслюк, Л. И. Дайджест вейвлет анализа в двух формулах и 22 рисунках / Л. И. Левкович-Маслюк // Компьютерра. — 1998. — № 8. — С. 31 -37.
  32. , В. П. Вейвлеты. От теории к практике. / В. П. Дьяконов -М.: СОЛОН-Р, 2002. — 400 с.
  33. , Р. Цифровая обработка изображений / Р. Вудс, Р. Гонсалес. -М.: Техносфера, 2005. 1072 с.
  34. Nicolier, F. Rational multiresolution analysis and fast wavelet transform: application to wavelet shrinkage denoising / F. Nicolier, A. Baussard, F. Truchetet // Signal Processing. 2004. — Vol. 84. — P. 1735 — 1747.
  35. Image analysis with 2D continuous wavelet transform / J-P. Antonie, R. Murenzi, P. Carrette, B. Piette // Signal Processing. 1993. — Vol. 31. — P. 241 — 272.
  36. , Н. М. Вейвлет анализ: основы теории и примеры применения / Н. М. Астафьева // Успехи физических наук. — 1998. — Т. 166. — № 11.—1. С. 1145- 1170.
  37. Sugino, N. Design of nonuniform filter banks with rational sampling factors / N. Sugino, T. Kida, Y. Shibahara, T. Watanabe // IEEE Transactions on Signal Processing. 1998. — Vol. 46, № 7. — P. 69 — 72.
  38. Ambrozi, F. Rational sampling filter banks based on IIR filters / F. Am-brozi, E. D. Re // IEEE Transactions on Signal Processing. 1998. — Vol. 46. — №. 12.-P. 3403−3408.
  39. , А. Л. Применение пакетного вейвлет преобразования для анализа многомерных сигналов / А. Л. Жизняков, В. Е. Гай // Радиотехника. -2007.-№−6.-С. 48−51.
  40. , А. Л. Использование вейвлетов для контроля резкости изображений / А. Л. Жизняков // Материалы 6 международной научно-технической конференции «Измерение, контроль, информатизация» / Барнаул: АлтГТУ. -2006.-С 46−48.
  41. , А.Л. Вейвлет классификация изображений микроструктуры металла / А. Л. Жизняков // Материалы 6 междунар. науч.-техн. конф. «Измерение, контроль, информатизация» / Барнаул: АлтГТУ. — 2006. — С. 107 109.
  42. , А.Л. Возможности использования методов цифровой фильтрации изображений в практике машиностроительного производства / А.Л.
  43. , А.А. Фомин // Материалы междунар. науч. техн. конф «Автоматизированная подготовка машиностроительного производства, технология и надежность машин, приборов и оборудования» / Вологда: ВоГТУ. — 2005. — Т1. — С. 62−65.
  44. Жизняков, A. J1. Применение многомасштабных методов для препарирования изображений микроструктуры металлов / A. J1. Жизняков // Известия ОрелГТУ. Серия «Информационные системы и технологии». 2006. — № 1. -С.60−63.
  45. , А. Л. Некоторые вопросы вычисления адаптивного многомасштабного преобразования изображений / А. Л. Жизняков // Труды научно-практ. конф. «Управление созданием и развитием систем, сетей и устройств телекоммуникаций» / СПб. 2008. — С. 133−138.
  46. Jagersand, М. Saliency maps and attention selection in scale and spatial coordinates: an information theoretic approach / M. Jagersand // Proc. of 5-th International Conference on Computer Vision. — Massachusetts.: MIT Press, 1995. P. 195 -202.
  47. Garcia, J. A. The selection of natural scales in 2d images using adaptive gabor filtering / J. A. Garcia, J. Fdez-Valdivia, J. Martinez-Baena / Pattern recognition letters. -2000. Vol. 16, P. 637 — 646.
  48. , А., Сечко В. Стохастические модели в задачах анализа и обработки изображений / А. Белокуров, В. Сечко // Зарубежная радиоэлектроника. 1994. — № 2. — С. 3 — 17.
  49. Методы цифровой обработки изображений: Учеб. пособие. Часть 1. / Садыков С. С. и др. Курск: Курск, гос. техн. ун-т, 2001. — 167с.
  50. Методы цифровой обработки изображений: Учеб. пособие. Часть 2. / Садыков С. С. и др. Курск: Курск, гос. техн. ун-т, 2002. — 118с.
  51. Гай, В. Е. Разработка математических моделей многомасштабного представления цифровых изображений / В. Е. Гай // Системы управления и информационные технологии. 2007. — № 4.1 (30). — С. 136 — 140.
  52. Bialek, W. Scaling of natural images: Scaling in the woods / W. Bialek, D. L. Ruderman // Physical Review Letters. 1994. — Vol. 73. — №. 6. — P. 814 — 817.
  53. Simoncelli, E. P. Statistical models for images: compression, restoration and synthesis / E. P. Simoncelli //31st Asilomar conference on Signals, Systems and Computers. Pacific Grove, California, 1997. — P. 673 — 678.
  54. Simoncelli, E. P. Image statistics and cortical normalization models / E. P. Simoncelli, O. Schwartz // Advances in Neural Information Processing systems. -1999.-Vol. 11.-P. 153 159.
  55. , А. К. Успехи в области математических моделей для обработки изображений / А. К. Джайн // ТИИЭР. 1981. — Т. 69. — № 5. — С. 9 — 39.
  56. Heitz, F. Restriction of a markov random field on a graph and multiresolu-tion statistical image modeling / F. Heitz, P. Perez // IEEE Transactions on Information theory. 1996. — Vol. 42. — №. 1. — P. 411 — 426.
  57. Geman, D. Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images / D. Geman, S. Geman // IEEE Transactions on PAMI. 1984. -Vol. 6.-P. 721 -741.
  58. Hassner, M. The use of markov random fields as models of texture / M. Hassner, J. Sklansky // Computer graphics and Image Processing. 1980. — Vol. 12. -P. 357−370.
  59. Muller, P. Bayesian Inference in wavelet-based models / P. Muller, B. Vi-dacovic New York: Springer, 1999. — 564 p.
  60. R. G. Baraniuk, M. S. Course Contextual hidden markov models for wavelet-domain signal processing / R. G. Baraniuk, M. S. Course // Proceedings of 31st Asilomar Conference in Signals, Systems and computers. New Jersey, 1997. — Vol. l.-P. 95- 100.
  61. Abramovich, F. Wavelet thresholding via a Bayesian approach / F. Abramovich, T. Sapatinas, B. W. Silverman // Journal of Statistic Society B. 1998. -Vol. 60.-P. 725−749.
  62. Simoncelli, E. P. Statistical modeling of Photographic images Handbook of Video and Image Processing / E. P. Simoncelli. Academic Press, 2005. — 629 p.
  63. Simoncelli, E. P. Scale mixture of gaussinas and the statistics of natural images / E. P. Simoncelli, M. J. Wainwright // Advances in Neural Information Processing Systems. 2000. — Vol. 12.-P. 855 -861.
  64. Simoncelli, E. P. Random cascades on wavelet trees ant their use in modeling and analyzing natural imagery / E. P. Simoncelli, M. J. Wainwright, A. S. Will-sky // Applied and Computational Harmonic Analysis. 2001. — Vol. 11- №. 1. — P. 89- 123.
  65. Portilla, J. Image denoising using a local gaussian scale mixture model in the wavelet domain / J. Portilla, E. P. Simoncelli, V. Strela // Proc. SPIE 45th Annual Meeting. San Diego, California, July 30 — August 4, 2000. — P. 459 — 471.
  66. Fan, G. Wavelet based texture analysis and synthesis using hidden Markov models / G. Fan, X.-G. Xia // IEEE Transactions on Circuits and Systems. 2003. -Vol. 50.-P. 106- 120.
  67. Fan, G. Texture analysis and synthesis using wavelet-domain hidden Markov models / G. Fan, X.-G. Xia // Proc. 5th IEEE-EURASIP Workshop on
  68. Nonlinear Signal and Image Processing. Baltimore, Maryland, 2001. — P. 1025 -1037.
  69. A geometric hidden markov tree wavelet model / R. Baraniuk, H. Choi, J. Romberg, M. Wakin // IEEE Transactions on Image Processing. 1999. — Vol. 11.-№ 5, P. 95−115.
  70. Simoncelli, E. P. Texture characterization via joint statistics of wavelet coefficient magnitudes / E. P. Simoncelli, J. Portilla // Proc. of IEEE International Conference on Image Processing. Chicago, Illinois, 1998. — Vol. 1. — P. 305 — 310.
  71. Do, M. N. Rotation invariant texture retrieval using steerable wavelet-domain hidden markov models / M. N. Do, A. C. Lozano, M. Vetterli // Proc. of SPIE conf. on Wavelet Applications in Signal and Image Processing VIII. San Diego, 2000.-P. 417−425.
  72. Bouman, C. A. A multiscale random field model for bayesian image segmentation / C. A. Bouman, M. Sharpio // IEEE Transactions on Image Processing. -1994. Vol. 3. — №. 2. — P. 162- 177.
  73. Bouman, C. A. Multiple resolution segmentation of textured images / C. A. Bouman, B. Liu // IEEE Transactions on Pattern Analysis and Machine Intelligence. -1991.-Vol. 13. №. 2.-P. 99−113.
  74. Kato, Z. A hierarchical markov random field and multitemperature annealing for parallel image classification / Z. Kato, M. Berthod, J. Zerubia // Graphical models and image processing. 1996.-Vol. 58.-№. l.-P. 18−37.
  75. , C.C. Методы выделения структурных признаков изображений / С. С. Садыков, В. Н. Кан, К. Р. Самандаров. Ташкент: Фан, 1990. — 1 Юс.
  76. Методы и алгоритмы цифровой обработки изображений / Садыков С. С. и др. Ташкент: НПО «Кибернетика», АН РУз, 1993. — 296с.
  77. Oliva, A. Statistics of natural image categories / A. Oliva, A. Torralba // Network: Computation in Neural Systems. 2003. — Vol. 14. — P. 391 — 412.
  78. Second order image statistics in computer graphics / M. Ashikhmin, E. Re-inghard, P. Shirley, T. Troscianlco // IEEE Transactions on Image processing. 2002. -Vol. 5.-P. 65−78.
  79. Simoncelli, E. P. Natural image statistics and neural representation / E. P. Simoncelli, B. A. Olshausen // Annual Review Neuroscience. 2001. — Vol. 24. — P. 1193−1216.
  80. Liu, J. Information-Theoretic analysis of interscale and intrascale dependencies between image wavelet coefficients / J. Liu, P. Moulin // IEEE Transaction on image processing.-2001.-Vol. 10.-№. 11.-P. 1647- 1658.
  81. , E. С. Теория вероятностей / E. С. Вентцель. M.: Наука, 1969.-576 с.
  82. Baraniuk, R. Bayesian tree-structured image modeling using wavelet domain hidden Markov trees / R. Baraniuk, H. Choi, J. Romberg // IEEE Transactions on image processing.-2001.-Vol. 10.-№ 7.-P. 1056- 1069.
  83. Baraniuk, R. Wavelet based statistical signal processing using hidden Markov models / R. Baraniuk, M. Course, R. Nowak // IEEE Transactions on signal processing. — 1998. — Vol. 46. — P. 886 — 902.
  84. Chellappa, R. Multiresolution Gauss-Markov random fields models for texture segmentation / R. Chellappa, S. Krishnamachari // IEEE Transactions on Image processing. 1997.-Vol. 6.-№. 2.-P. 251 -267.
  85. Гай, В. Е. Использование критерия взаимной информации в локальных алгоритмах обработки вейвлет коэффициентов / В. Е. Гай, А. Л. Жизняков // Инфокоммуникационные технологии. — 2007. — Т. 5. — № 1. — С. 12- 17.
  86. Гай, В. Е. Выбор структуры локальной области в многомасштабных вейвлет алгоритмах обработки изображений / В. Е. Гай, А. Л. Жизняков // Петербургский журнал электроники. — 2007. — № 2 (51), — С. 81 — 90.
  87. Akaike, Н. Maximum likelihood identification of Gaussian autoregressive moving average models / H. Akaike // Biometrika. 1974. — Vol. 60. — P. 255 — 265.
  88. Rissanen, J. Modeling by shortest data description / J. Rissanen // IEEE Transaction on Information Theory. 1978. — Vol. 14. — P. 465 — 471.
  89. Kashyap, R. L. Estimation and choice of neghbors in spatial-interaction models of images / R. L. Kashyap, R. Chellappa // IEEE Transaction on Information Theory. 1983. — Vol. IT-29. — P. 60 — 72.
  90. Bennett, J. A spatial correlation method for neighbor set selection in random field image models / J. Bennett, A. Khotanzad // IEEE Transactions on image processing. 1999.-Vol. 8.-№. 5.-P. 734−740.
  91. Гай, В. E. Выбор структуры локальной области в вейвлет алгоритмах обработки изображений / В. Е. Гай, А. Л. Жизняков // Системы управления и информационные технологии. 2007. — № 2(28). — С. 82 — 86.
  92. Besag, J. Spatial interaction and the statistical analysis of lattice systems / J. Besag // Journal of Royal society. 1974. — Series E. — Vol. 26. — P. 192 — 236.
  93. Spence, С. Varying complexity in tree-structured image distribution models / C. Spence, L. C. Parra, P. Sajda // IEEE Transactions on image processing. -2006.-Vol. 15.-P. 319−330.
  94. , С.С. Системы цифровой обработки изображений / С. С. Садыков, Г. X. Кадырова, Ш. Р. Азимов. Ташкент: Фан, 1988 — 162 с.
  95. Cavallaro, A. Objective evaluation of segmentation quality using spatio-temporal context / A. Cavallaro A., E. D. Gelasia, T. Ebrahimi // IEEE ICIP. 2002. -VoL3.-P.301 -304.
  96. Гай, В. E. Об одном подходе к сегментации изображений / В. Е. Гай // Искусственный интеллект. 2007. — № 4. — С. 264−271.
  97. Fan, G. On context based bayesian image segmentation: joint multi-context and multiscale approach and wavelet-domain hidden markov models / G. Fan, X.-G. Xia // IEEE Transactions on Geosciences and remote sensing. 2001. -Vol. 10. — №. 6.-P. 659−680.
  98. Kim, B.-G. Fast image segmentation based on multi-resolution analysis and wavelets / B.-G. Kim, J.-I. Shim, D.-J. Park // Pattern Recognition Letters. -2002. Vol. 24. — P. 2995 — 3006.
  99. , A. JI. Сегментация изображений на базе использования адаптивной локальной области / A. JI. Жизняков, В. Е. Гай // Вестник компьютерных и информационных технологий. 2008. -№ 1.-С. 16−21.
  100. Image segmentation using markov random field in fully parallel cellular network architectures / L. Czuni, G. Geldreich, Z. Kato, T. Sziranyi, J. Zerubia // Real-Time Imaging.- 2000. Vol. 6. — P. 196 — 211.
  101. Сегментация изображений на основе вейвлет — преобразования с использованием многомасштабных марковских случайных полей // В. Е. Гай / Системы и методы обработки и анализа информации: Сб. науч. ст. / М.: Горячая линия Телеком, 2005. — С. 304 — 310.
  102. Вероятностный подход к сегментации изображений / В. Е. Гай // Методы и устройства передачи и обработки информации: межвуз. сб. научн. тр. -Вып.9 / М.: Радиотехника, 2007. С. 171 — 176.
  103. Гай, В. Е. Формирование тестовых изображений для оценки качества алгоритмов сегментации // В. Е. Гай, С. Н. Борблик / 8-я Международная конференция и выставка: Цифровая обработка сигналов и её- применение. Москва, 2006. — Т. 2. — С. 356 — 358.
  104. Gai, V. Е. Test image forming to segmentation algorithm quality evaluation / V. E. Gai, S. N. Borblilc // 8-th International Conference and exhibition: Digital signal processing and its application. Moscow, 2006. — Vol. 2. — P. 358 — 359.
  105. Baraniuk, R. G. Multiscale Image Segmentation Using Wavelet Domain Hidden Markov Models / R. G. Baraniuk, H. Choi, J. K. Romberg // IEEE Transaction Image Processing. — 2001. — Vol. 10. — P. 1309 — 1321.
  106. Fan, G. A joint multi-context and multiscale approach to Bayesian image segmentation / G. Fan, X.-G. Xia // IEEE Transactions on Geoscience and Remote Sensing.-2001.-Vol. 39.- № 12.-P. 2680−2688.
  107. Heeger, D. J. A model of perceptual image fidelity / D. J. Heeger, P. C. Teo // Proc. IEEE Int. Conf. Image Processing, 1995. P. 343 — 345.
  108. , А. М. Image quality measures and their performance / A. M. Eskicioglu, P. S. Fisher // IEEE Transaction on Communications. 1995. — Vol. 43. -P. 2959−2965.
  109. Awate, S. P. Unsupervised, information-theoretic, adaptive image filtering for image restoration / S. P. Awate, R. T. Whitaker // IEEE Transactions on pattern analysis and machine intelligence. 2006. — Vol. 28. — №. 3. — P. 1−13.
  110. Оценка подходов к фильтрации изображений в вейвлет области / В. Е. Гай // Системы и методы обработки и анализа информации: Сб. науч. ст. / М.: Горячая линия Телеком, 2006. — С. 75 — 79.
  111. Donoho, D. L. De-Noising by soft-thresholding / D. L. Donoho // IEEE Transactions on Information Theory. 1995. — Vol. 41.-№ 3.-P. 613 — 627.
  112. , А. А., Жизняков, А. Л. Фильтрация локальных неоднородно-стей двумерных сигналов на основе вейвлет преобразования / А. А. Орлов, А. Л. Жизняков // Радиотехника, 2006. — № 6. — С. 99−100.
  113. , А.Е. Методы цифровой обработки изображений : учеб. пособие / А. Е. Архипов, С. В. Дегтярев, С. С. Садыков. Курск: Изд-во Курск, гос. техн. ун-та, 2002. — 118 с.
  114. Методы компьютерной обработки изображений / под ред. В. А. Сойфера. Изд. 2-е, испр. — М.: ФИЗМАТЛИТ, 2003. — 784 с.
  115. , У. Цифровая обработка изображений : в 2 кн. / У. Прэтг — пер. М.: Мир, 1982.
  116. , Л. Компьютерное зрение / Л. Шапиро, Д. Стокман — пер. -М.: БИНОМ. Лаборатория знаний, 2006. 752 с.: ил.
  117. , Л.П. Введение в цифровую обработку изображений / Л. П. Ярославский. -М.: Советское радио, 1979. 312 с.: ил.
  118. Adelson, Е.Н. et al. Pyramid methods in image processing / E.H. Adel-son [et al.] // RCA Engineer. 1984. — Vol. 29. — № 6. — PP. 33−41.
  119. , Д.А. Определение уровня шума на изображении на основе усреднения дисперсии в блоках / Д. А. Калинкина // Тез. докл. междунар. конф. «Ломоносов 2005», М., 2005. С. 29−30.
  120. Ту, Д. Принципы распознавания образов / Д. Ту, Р. Гонсалес — пер. -М.: Мир, 1978.-414 с.
  121. , Б.В. Распознавание образов и цифровая обработка изображений : учеб. пособие для студентов вузов. / Б. В. Анисимов, В. Д. Курганов,
  122. В.К. Злобин. М.: Высшая школа, 1983. — 295 с.: ил.
  123. , Э. Основы теории распознавания образов / Э. Патрик — пер. М.: Советское радио, 1980. — 408 с.: ил.
  124. , А.А. Возможности применения вейвлет-преобразования для выделения объектов на изображениях / А. А. Фомин // Информационные технологии моделирования и управления. 2007. — № 1(35). — С. 95−99.
  125. Tang, Y.Y. et al. Wavelet theory and its application to pattern recognition / Y.Y. Tang [et al.]. Singapore: Regal press, 2000. — 359 p.
  126. , П. Распознавание образов / П. Колере, Д. Мюррэй — пер. -М.: Мир, 1970.-288 с.
  127. , И. М. Практическое применение вейвлет анализа / И. М. Дремин, О. В. Иванов, В. А. Нечитайло // Наука производству. — 2000. — № 6, С. 13−15.
  128. , В. П., Абраменкова, Н. В. MATLAB. Обработка сигналов и изображений. Специальный справочник. / В. П. Дьяконов, Н. В. Абраменкова СПб.: Питер, 2002. — 608 с.
  129. , В. П. Вейвлеты. От теории к практике. / В. П. Дьяконов -М.: COJIOH-P, 2002. 446с.
  130. , Я.А. и др. Введение в контурный анализ и его приложения к обработке изображений и сигналов / Я. А. Фурман [и др.] - под ред. Я. А. Фурмана. -М.: ФИЗМАТЛИТ, 2002. 592 с.
  131. Комплекснозначные и гиперкомплексные системы в задачах обработки многомерных сигналов / под ред. Я. А. Фурмана. М.: ФИЗМАТЛИТ, 2004.-456 с.
  132. Madchakham, S. Edge detection in speckled SAR images using wavelet decomposition / S. Madchakham, P. Thitimajshima, Y. Rangsanseri // Proceedings of the 22nd Asian conference on remote sensing, 2001. PP. 825−828.
  133. Mallat, S. Characterization of signals from multiscale edges / S. Mallat, S. Zhong // IEEE transaction on pattern analysis and machine intelligence. 1992. -Vol. 14.-№ 7.-PP. 710−732.
  134. , А.Л. Многомасштабный подход к анализу контуров изображений / А. Л. Жизняков, А. А. Фомин // Искусственный интеллект. 2007. -№−4.-С. 280−287.
  135. Жизняков, A. J1. Многомасштабный подход к фильтрации контуров полутоновых изображений / А. Л. Жизняков, А. А. Фомин // Вестник компьютерных и информационных технологий. 2007. — № 9. — С. 75−82.
  136. Li, J. A wavelet approach to edge detection / J. Li. — Huntsville: Sam Houston state university, 2003. 80 p.
  137. Zhisnyakov, A.L. Images structure signs wavelet-filtering / A.L. Zhisnyakov, A.A. Fomin // Proc. of the 8th international conf. «Pattern Recognition and Image Analysis: New Information Technologies». Yoshkar-Ola, 2007. -Yoshkar-Ola, 2007. PP. 228−231.
  138. , А.А. Возможности вейвлет-анализа при обработке контуров изображений / А. А. Фомин // Тез. докл. XIV междунар. конф. «Ломоносов». М., 2007 г. -М.: СП «Мысль», 2007. С. 24.
  139. , А.А. Выделение и обработка контуров изображений на основе вейвлет-преобразования / А. А. Фомин // Системы управления и информационные технологии. 2007. — № 1.2(27). — С. 295−299.
  140. , В.В. Вейвлет-анализ временных рядов : учеб. пособие / В. В. Витязев. СПб.: Изд-во С.-Петерб. ун-та, 2001. — 58 с.
  141. , Т. Алгоритмы машинной графики и обработки изображений / Т. Павлидис. М.: Радио и связь, 1986. — 394 с.
  142. Allon, S. Fast deblurring algorithms Electronic document. / S. Allon, M. Debertrand, B. Sleutjes, 2004. 56 p. (http://www.bmi2.bmt.tue.nl/image-analysis/Education/OGO/0504−3.2bDebIur/OGO3.2b2004Deblur.pdf).
  143. , Н.П. Радиационная, ультразвуковая и магнитная дефектоскопия металлоизделий : учеб. пособие / Н. П. Алешин, В. Г. Щербинский. М.: Высшая школа, 1991.-271 с.: ил.
  144. Контроль качества сварки: учеб. пособие для машиностроительных вузов / под ред. В. Н. Волченко. М.: Машиностроение, 1975. — 328 с.: ил.
  145. , А.Н. Многопараметровый магнитный контроль объемного и термического упрочнения стальных изделий : автореф. дис.. канд. техн. наук / А. Н. Сташков. Екатеринбург: Изд-во ИФМ УрО РАН, 2006. — 22 с.
  146. , В.В. Неразрушающий контроль и диагностика фундамент технической безопасности 21 века / В. В. Клюев // Дефектоскопия. — 2005. — № 2. -С. 8−25.
  147. , В.И. Проблемы автоматизации контроля магнитных полей рассеяния с помощью магнитных жидкостей / В. И. Дроздова, Г. В. Шагрова, А. В. Приходкин // Успехи современного естествознания. — 2007. № 9. — С. 7577.
  148. Дунин-Барковский, И. В. Измерения и анализ шероховатости, волнистости и некруглости поверхности / И.В. Дунин-Барковский, А.Н. Карташо-ва. -М.: Машиностроение, 1978. 232 с.: ил.
  149. , В.К. Термоциклическая обработка металлов и деталей машин / В. К. Федюкин, М. Е. Смагоринский. JI.: Машиностроение. Ленингр. отд-ние, 1989. — 255 с.: ил.
  150. Федеральная служба государственной статистики Электронный ресурс. (http://www.gks.ru).
  151. , Н.П. Ультразвуковая дефектоскопия : справ, пособие / / Н. П. Алешин, В. Г. Лупачев. М.: Высшая школа, 1987. — 271 с.: ил. 1
  152. , В.П. Адаптивная тепловая томография / В. П. Вавилов, j А. И. Иванов, К. Малдаг // Дефектоскопия. 1994. — № 1. — С. 12−25.
  153. , И.Н. Неразрушающий контроль. В 5 кн. Кн. 2. Акустические методы контроля: практ. пособие / И. Н. Ермолов, Н. П. Алешин, А. И. Потапов — под ред. В. В. Сухорукова. М.: Высшая школа, 1991. — 283 с.: ил.
  154. Chen, С.Н. Advanced image processing methods for ultrasonic NDE research / C.H. Chen. Dartmouth: University of Massachusetts Dartmouth, 2007. — 5 P
  155. Syrova, L. The use of statistical properties of image in the defectoscopy of visualized transparent polymeric foils / L. Syrova, R. Ravas, J. German. Bratislava: Department of measurement, 2001. — 4 p.
  156. , А.А. К вопросу о показателях качества при метрологическом обеспечении ультразвуковых дефектоскопов общего назначения / А. А. Щербаков // Дефектоскопия. 2004. — № 3. — С. 20−27.
  157. , В.Я. и др. Автоматизированная двухканальная установка для измерения параметров резьбы ниппелей насосно-компрессорныхтруб / В. Я. Колючкин и др. // Дефектоскопия. 2003. — № 9. — С. 84−87.
  158. , A.M. Выбор параметров системы ручного томографического контроля сварных швов / A.M. Люткевич // Контроль. Диагностика.2004.-№ 5.-С. 23−30.
  159. Nacereddine, N. et al. Weld defect detection in industrial radiography based digital image processing / N. Nacereddine [et al.] // Transactions on engineering, computing and technology. 2004. — V.2. — PP. 145−148.
  160. , B.A. Развитие методов ультразвуковой дефектоскопии сварных соединений / В. А. Бархатов // Дефектоскопия. 2003. — № 1. — С. 28−55.
  161. Диагностика и контроль качества сварных конструкций нефтегазовых объектов и оборудования: инф. материалы к лекциям и практическим занятиям. М.: РГУ нефти и газа им. И. М. Губкина, 2007. — 178 с.
  162. , В.Т. и др. Алгоритмы обработки данных для автоматизации работы ультразвуковых систем с когерентной обработкой данных / В. Т. Бадалян [и др.] // Дефектоскопия. 2004. -№ 12. — С. 3−15.
  163. Servais, P. Development of new ТВЕ method using thermography for composite inspection on aircraft with portable military thermal imager / P. Servais // ECNDT-2006. 2006. — 11 p.
  164. Silva, R.R. State-of-the-art of weld seam inspection by radiographic testing: Part I Image processing Electronic document. / R.R. Silva, D. Mery, 2005. — 9 p. (http://www.ndt.net/article7v 12n09/mery 1 .pdf).
  165. Zhao, J. et al. Fluorescence magnetic particle flaw detecting system based on low light level CCD [Electronic document] / J. Zhao [et al.], 2000. (http://www.ndt.net/article/wcndt2004/html/htmltxt/631ma.htm).
  166. , А.Б. Вейвлетный анализ акустических полей и сигналов в ультразвуковой дефектоскопии / А. Б. Ринкевич, Д. В. Перов // Дефектоскопия.2005.-№ 2.-С. 43−53.
  167. , С.И. Информационно-диагностическая система для онкологии : монография / С. И. Семенов. Владимир: ВООО ВОИ «Рост», 2002. -209 с.
  168. Ibarra-Castanedo, С. Thermographic image processing for NDT / C. Ibarra-Castanedo, A. Bendada, X. Maldague. Buenos Aires, 2007. — 6 p.
  169. , В.В. Новый стробоскопический метод визуализации дефектов в проводящих материалах с помощью магнитооптического метода / В. В. Рандошкин // Дефектоскопия. 1994. — № 11. — С. 38−45.
  170. , А.С. и др. Автоматизированный магнитный контроль труб нефтяного сортамента / А. С. Шлеенков [и др.] // Дефектоскопия. — 2002. -№−6.-С. 12−18.
  171. Введение в цифровую фильтрацию / под ред. Р. Богнера, А. Кон-стантинидиса — пер. -М.: Мир, 1976. 216 с.
  172. , В.Ф. Методы и средства автоматизированной расшифровки рентгенографических изображений сварных соединений : автореф. дис.. канд. техн. наук / В. Ф. Юрченко. Киев: Изд-во ИЭС им. Е. О. Патона, 1983.- 16 с.
  173. , А.Л. Обнаружение пор и шлаковых включений по рентгенографическим снимкам сварных швов средствами вейвлет-анализа / А. Л. Жизняков, А. А. Фомин, Г. А. Симонова // Заводская лаборатория. Диагностика материалов. 2007. — Т. 73. — № 11. — С. 25−29.
  174. , Ф. Атлас структур сварных соединений / Ф. Хорн — пер. М.: Металлургия, 1977. — 288 с.
  175. , А. Л., Садыков, С. С. Использование вейвлет преобразования для классификации текстур на аэрокосмических снимках / А. Л. Жизняков, С. С. Садыков // Геоинформатика. — 2005. — № 1. — С. 3−6.
  176. Фрактография средство диагностики разрушенных деталей / М. А. Батлер и др. -М.: Машиностроение, 1987. — 172 с.
  177. Гай, В. Е. Классификация изображений микроструктур металлов на основе многомасштабных моделей / В. Е. Гай, A. JT. Жизняков // Фундаментальные проблемы современного материаловедения. 2007. — № 2. — С. 46−50.
  178. , К. С. Стереология в материаловедении / К. С. Чернявский. М.: Металлургия, 1977. — 280 с.
  179. ГОСТ 5639–82. Стали и сплавы. Методы выявления и определения величины зерна. Взамен ГОСТ 5639–79. М.: Издательство стандартов, 1983, 21 с.
  180. ГОСТ 23 055–78. Контроль неразрушающий. Сварка металлов плавлением. Классификация сварных соединений по результатам радиографического контроля. Введ. 1978−07−04. — М.: Изд-во стандартов, 1978. — 9 с.
  181. ГОСТ 7512–82. Контроль неразрушающий. Соединения сварные. Радиографический метод. Взамен ГОСТ 7512–75 — введ. 1982−20−12. — М.: Изд-во стандартов, 1982. — 18 с.
  182. ГОСТ 8233–56. Сталь. Эталоны микроструктуры. Введ. 1956−1126. -М.: Изд-во стандартов, 1956. — 12 с.
  183. СТО Газпром 2−2.4−083−2006. Инструкция по неразрушающим методам контроля качества сварных соединений при строительстве и ремонте промысловых и магистральных газопроводов. Введ. 2006−30−10. — М.: Изд-во ООО «ВНИИГАЗ», 2006. — 126 с.
  184. , А.Л. Автоматизированная подсистема кратномасштаб-ной обработки рентгенограмм в системах неразрушающего контроля / А. Л. Жизняков, А. А. Фомин // Автоматизация и современные технологии. 2007. -№−12.-С. 26−35.
  185. , А.Л. Автоматизированное обнаружение дефектов сварных соединений / А. Л. Жизняков, А. А. Фомин // Фундаментальные проблемы современного материаловедения. 2007. — Т. 4. — № 2. — С. 75−80.
  186. , А. Л. Автоматизированная система кратномасштабной обработки и анализа рентгенографических снимков / А. Л. Жизняков // Программные продукты и системы. 2007. — № 3. — С. 92−94.
  187. Жизняков, A. JL, Семенов, С. И. Некоторые проблемы построения вычислительных томографов специального назначения / А. Л. Жизняков, С. И. Семёнов // В сб. Обработка и анализ данных. Ташкент: НПО «Кибернетика» АН РУз, 1998. — С. 4−10.
  188. , А.Л., Садыков, С.С. Применение эволюционной управляемой фильтрации в вычислительной томографии / А. Л. Жизняков, С. С. Садыков // В сб. Обработка и анализ данных. Ташкент: НПО «Кибернетика» АН РУз, 1998. — С.11−14
  189. , А.Л., Моделирование томографических изображений / А. Л. Жизняков // В сб. тез. докладов научно технической конференции «Радиоэлектроника и электротехника в народном хозяйстве», М.: издательство МЭИ, 1998.-С. 120.
  190. Аппаратные и программные средства планирования лучевой терапии / А. Л. Жизняков, С. И. Семенов, Л. Т. Сушкова, Д. П. Троицкий, К. В. Чирков // Медицинская техника. 2007. — №. 5. — Т. 41. — С. 25−27.
  191. Алгоритмы восстановления томографических изображений / А. Л. Жизняков, С. И. Семенов, Л. Т. Сушкова, Д. П. Троицкий, К. В. Чирков // Информационно-измерительные и управляющие системы. 2007. — Т. 5,. — № 9. — С. 29−38.
  192. Возможности реализации режима вычислительного томографа на рентгеновском симуляторе SLS-9 / А. Л. Жизняков, С. И. Семенов, Л. Т. Сушкова, Д. П. Троицкий, К. В. Чирков // Информационно-измерительные и управляющие системы. 2007. — Т.5. — № 6. — С.20−25.
  193. Hardware and software for X-ray therapy planning / A. L. Zhiznyakov, S. I. Semenov, L. T. Sushkova, D. P. Troitskii, К. V. Chirkov // Biomedical Engineering. Springer New York. — 2007. — Vol. 41. — №. 5. — P. 232 — 234
  194. , Н. В. Разработка алгоритмов обработки изображений на основе вейвлет преобразований / Н. В. Вакунов // Тез. докл. Всеросс. науч.-техн. конф. «Биомедсистемы — 2004», Рязань: Рязанск. гос. радиотехн. академия, 2004. — С. 69.
Заполнить форму текущей работой

Пора сдавать?