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

Разработка системы распознавания изображений объектов, наблюдаемых через слой турбулентной атмосферы

Диссертация: Разработка системы распознавания изображений объектов, наблюдаемых через слой турбулентной атмосферы
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Обеспечение инвариантности работы системы распознавания к изменению ориентации и положения объекта относительно изображающей системы посвящен ряд работ, авторы которых — Аракчеев П. В., Каляев И. А., Кухарев Г. А., Оссовский С., Arbter К., Ben-Arie J., Flusser J., Mamistvalov A.G., Suk Т., Tieng Q. и другие — достаточно много внимания уделили проблеме формирования множества векторов инвариантных… Читать ещё >

Содержание

  • СПИСОК ОСНОВНЫХ СОКРАЩЕНИЙ
  • СПИСОК ОСНОВНЫХ ОБОЗНАЧЕНИЙ
  • 1. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ
    • 1. 1. Основные концепции распознавания образов
    • 1. 2. Основные требования, предъявляемые к системе распознавания изображений объектов, наблюдаемых через слой приземной атмосферы
    • 1. 3. Обеспечение инвариантности результатов работы системы распознавания к изменению условий наблюдения объектов
      • 1. 3. 1. Методы формирования множества инвариантных признаков для распознавания изображений
      • 1. 3. 2. Обеспечение инвариантности распознавания объекта в результате применения специальных методов обработки векторов неинвариантных признаков
    • 1. 4. Применение методов редукции пространства признаков в задачах распознавания
  • 2. МОДЕЛИРОВАНИЕ ИЗОБРАЖЕНИЯ ОБЪЕКТА, НАБЛЮДАЕМОГО ЧЕРЕЗ СЛОЙ ПРИЗЕМНОЙ АТМОСФЕРЫ
    • 2. 1. Оптические характеристики атмосферы
    • 2. 2. Методика оценки влияния состояния атмосферы на параметры регистрируемого изображения объекта
    • 2. 3. Моделирование изображения объекта, наблюдаемого через слой атмосферы с выраженной турбулентностью при наличии рассеяния излучения
    • 2. 4. Оценка результатов моделирования изображений объекта
  • 3. ФОРМИРОВАНИЕ ВЕКТОРОВ ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ ПО ИХ ИЗОБРАЖЕНИЯМ
    • 3. 1. Построение контура изображения объекта, искаженного турбулентной атмосферой
    • 3. 2. Метод формирования вектора признаков как совокупности аффинных площадей контура изображения наблюдаемого плоского объекта
    • 3. 3. Формирование вектора признаков для распознавания наблюдаемого неплоского объекта
    • 3. 4. Предварительная редукция пространства признаков
  • 4. РАЗРАБОТКА СИСТЕМЫ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ ОБЪЕКТОВ И ОЦЕНКА ЕЕ ЭФФЕКТИВНОСТИ
    • 4. 1. Выбор квазиоптимальной структуры нейросетевого классификатора и параметров его обучения
    • 4. 2. Оценка эффективности работы системы распознавания при наблюдении объектов через турбулентную атмосферу и наличии аддитивного шума регистрирующего фотоприемника
    • 4. 3. Результаты экспериментальных исследований

Разработка системы распознавания изображений объектов, наблюдаемых через слой турбулентной атмосферы (реферат, курсовая, диплом, контрольная)

Известно, что анализ изображения объекта позволяет получать о нем наибольшее количество информации [1]. В последние годы все больший интерес вызывают оптико-электронные системы, обеспечивающие регистрацию изображений объектов и их автоматическую обработку, по результатам которой принимается решение активации или деактивации различных систем управления. Широкое распространение получили системы автоматического допуска персонала на охраняемые объекты, поиска «нежелательных» лиц, определения частоты появления тех или иных объектов в зоне ответственности системы безопасности [2 — 8]. Функционирование этих систем основано на алгоритмах решений задач распознавания образов. Согласно [8], «распознавание образов» — термин, обозначающая совокупность действий, обеспечивающих построение описаний образов и последующую классификацию регистрируемых образов. Термин «образ» в теории распознавания обозначает описание совокупности измеряемых параметров или оцениваемых свойств объекта, который требуется распознать [3]. Поэтому часто распознавание образов определяют как процесс обработки информации, в результате которого выделяются структуры данных, имеющие сходство с известной структурой [4].

Одно из важных направлений применения автоматических систем распознавания образов, широко обсуждаемое в настоящее время, — распознавание изображений летательных аппаратов (JIA), получаемых в видимом диапазоне длин волн при освещении JIA естественными источниками света. Основное назначение таких оптико-электронных систем — обеспечение обнаружения и распознавания класса JIA в целях повышения надежности работы системы управления воздушным движением и исключения поражения гражданских объектов средствами противовоздушной обороны. В силу этого, оптико-электронная система должна обеспечивать решение поставленной задачи, когда ЛА находится на значительном удалении от нее и регистрируемое изображение ЛА искажается слоем приземной атмосферы. Для обеспечения эффективного распознавания ЛА по их изображениям необходимо обеспечить инвариантность распознавания как к изменению ориентации и местоположения ЛА.

Чали относительно изображающей системы, как к изменению условий его освещенности, а также обеспечить устойчивость распознавания к возможным искажениям изображения атмосферой. Следует отметить, что успехи, достигнутые в объединении геометрического и яркостного инвариантов изображения, во многом ограничиваются условиями наблюдения ЛА [9].

Обеспечение инвариантности работы системы распознавания к изменению ориентации и положения объекта относительно изображающей системы посвящен ряд работ, авторы которых — Аракчеев П. В., Каляев И. А., Кухарев Г. А., Оссовский С., Arbter К., Ben-Arie J., Flusser J., Mamistvalov A.G., Suk Т., Tieng Q. и другие — достаточно много внимания уделили проблеме формирования множества векторов инвариантных векторов признаков. Анализ этих работ показывает, что ряд вопросов, связанных с устойчивостью распознавания к воздействию шумов и способности системы распознавания к различимости разных объектов требует дополнительного рассмотрения. Кроме того, до настоящего времени не исследована устойчивость распознавания к искажению изображений объекта турбулентной атмосферой.

Поэтому задача определения принципов построения и выбора параметров оптико-электронной системы, обеспечивающей распознавание ЛА по их изображениям, искаженным атмосферой, является актуальной.

Цель и задачи исследования

.

Цель проведенного исследования — разработка оптико-электронной системы, обеспечивающей автоматическое распознавание наблюдаемых объектов по их изображениям, получаемым в видимом диапазоне длин волн в условиях освещения объектов естественными источниками света и наличии искажающей атмосферы. Достижение поставленной цели потребовало решения следующих задач:

1. Проведение анализа существующих методов обеспечения инвариантности распознавания изображений к изменению ориентации и положения объекта в поле зрения изображающей системы, а также методов выбора информативных признаков и редукции пространства признаков, выбора типа и структуры классификатора;

2. Создание математической модели формирования изображения объекта, наблюдаемого через слой приземной атмосферы, и разработка программного обеспечения для ЭВМ, обеспечивающего моделирование изображений;

3. Формирование множества признаков, получаемых из изображений объектов, инвариантных как к изменению масштаба изображения, так и к изменению ориентации объектов относительно оптико-электронной системы;

4. Разработка системы распознавания объектов и оценка ее эффективности;

5. Оценка устойчивости распознавания объектов к наличию искажений их изображений турбулентной атмосферой;

6. Проведение экспериментальных исследований для подтверждения работоспособности разработанной системы распознавания.

Научная новизна работы.

Разработан метод формирования вектора признаков изображения плоского объекта, инвариантность которого к изменениям масштаба изображения и ориентации объекта относительно оптико-электронной системы доказана аналитически;

Предложен метод формирования вектора признаков изображения объекта, устойчивого к вносимым турбулентной атмосферой искажениям изображения;

Показано, что двухпараметрическая функциональная зависимость вектора внешней силы, используемой при модификации элементов активного контура изображения объекта, позволяет существенно ускорить процесс построения искомого контура изображения.

Практическая ценность.

1. Создан программный комплекс для моделирования искаженных турбулентной аэрозольной атмосферой изображений объектов при наличии аддитивного шума регистрирующего фотоприемника. 2. Предложенные методики моделирования и созданные на их основе алгоритмы и программы позволяют формировать множество векторов признаков изображений объектов, выбирать квазиоптимальную структуру системы распознавания и параметры классификатора, а также оценивать эффективность разработанной системы распознавания.

Защищаемые положения.

• Предложенная модификация метода активного контура, основанная на использовании деформирующих контур векторов внешних сил, направленных к одной и той же внутренней точке контура, обеспечивает удовлетворительную аппроксимацию контура изображения ЛА при существенных искажениях изображения турбулентной атмосферой.

• Разработанный метод формирования вектора признаков контура изображения плоского объекта как Фурье-образа совокупности отсчетов аффинных площадей этого контура обеспечивает инвариантность вектора признаков к изменению ориентации и положения объекта относительно оптико-электронной системы.

• Разработанная система распознавания объектов по их изображениям обеспечивает устойчивое распознавание при изменении условий наблюдения объектов и искажениях изображений турбулентной атмосферой.

Методы исследования.

Для решения поставленных задач использовались: теория переноса оптического излучения в рассеивающих и случайно-неоднородных средах, теория случайных процессов и случайных полей, теория дифракции, теория линейной пространственной фильтрации, методы линейной алгебры, методы цифровой обработки изображений и нейросетевой обработки сигналов.

Реализация результатов работы.

Полученные в диссертации результаты могут быть использованы для построения оптико-электронных систем распознавания объектов, визуализации контуров регистрируемых изображений, а также реконструкции изображений объектов, искаженных турбулентной атмосферой.

Апробация результатов.

Основные результаты работы докладывались на 2 международных конференциях (Россия, Москва, 2001 г., Польша, Щецин, 2001 г.) и изложены в статье, опубликованной в журнале «Нейрокомпьютер».

Структура и объем работы.

Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Диссертация изложена на 130 страницах, содержит 28 иллюстраций и 4 таблицы. Библиография включает 108 наименований.

ОСНОВНЫЕ ВЫВОДЫ ДИССЕРТАЦИИ.

1. Созданная математическая модель формирования изображения объекта, наблюдаемого через слой приземной атмосферы, и разработанное на ее основе программное обеспечение для ЭВМ обеспечивают адекватное моделирование изображений объектов и позволяют оценивать результаты их распознавания.

2. Предложенная двухпараметрическая функциональная зависимость вектора внешней силы, используемой для модификации элементов активного контура изображения объекта, позволяет получить удовлетворительную аппроксимацию этого контура и ускорить процесс его построения по сравнению с известными методами модификации элементов активного контура.

3. Сформированный вектор признаков изображений плоских объектов инвариантен как к изменению ориентации объекта относительно оптико-электронной системы, так и к изменению его местоположения в поле зрения этой системы.

4. Предложенные методы и созданные на их основе алгоритмы и программы позволяют формировать множество векторов признаков изображений объектов, выбирать квазиоптимальную структуру системы распознавания и параметры классификатора, а также оценивать эффективность разработанной системы распознавания.

5. Разработанная система распознавания объектов по их изображениям обеспечивает устойчивое распознавание при изменении условий наблюдения и искажениях изображений турбулентной атмосферой.

6. Результаты выполненного эксперимента по распознаванию телевизионных изображений макетов четырех летательных аппаратов: F16 FIGHTEREUROFIGHTER JF 90- F-19 Stealth Fighter и BOEING 777−200 подтверждают работоспособность разработанной системы распознавания.

Показать весь текст

Список литературы

  1. Цифровое преобразование изображение / Р. Е. Быков, Р. Фрайер, К. В. Иванов, и др.- Под. Ред. Р. Е Быкова. М.: Горячая линия — Телеком, 2003. -228 с.
  2. Г. А. Биометрические системы: методы и средства идентификации личности человека. СПб.: Политехника, 2001. — 240 с.
  3. Fridman М., Kandel A. Introduction to pattern recognition: statistical, structural, neural and fuzzy logic approaches. London: Imperial college press, 2000. -329 p.
  4. Методы компьютерной обработки изображений / М. В. Гашников, Н. И. Глумов, Н. Ю. Ильясова и др.- Под ред. В. А. Сойфера. М.: ФИЗМАТЛИТ, 2003. — 784 с.
  5. Ross T.J. Fuzzy logic with engineering applications. -Singapore: McGraw-Hill Book Co, 1997. 600 p.
  6. Ким H.B. Обработка и анализ изображений в системах технического зрения.- М.: Изд-во МАИ, 2001. -164 с.
  7. Hoppner F. Fuzzy cluster analysis: methods for classification, data analysis and image recognition. New York: John Wiley & Sons, Inc., 1999. — 289 p.
  8. Nabney I.T. NETLAB algorithm for pattern recognition (advanced in pattern recognition). London: Springer, 2001. — 420 p.
  9. Jain A.K., Duin R.P.W., Mao J. Statistical pattern recognition: a review // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2000. — V. 22, № 1.- P. 4 37.
  10. Aferez R., Wang Y.F. Geometrical and illumination invariants for object recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence.- 1999. V. 21, № 6. — P. 505 — 535.
  11. Wood J. Taylor J.S. A unifying framework for invariant pattern recognition // Pattern recognition letters. 1996. — V. 17. — P. 1415 — 1422.
  12. Wood J. Invariant pattern recognition: a review // Pattern recognition. 1996. -V. 29, № 1.-P. 1−17.
  13. Zhuravlev Y.I. An algebraic approach to recognition or classification problems // Pattern recognition and image analysis. 1998. — V. 8, №. 1. — P 59 — 100.
  14. Martinez-Trinidad J.F., Guzman-Arenas A. The logical combinatorial approach to pattern recognition, an overview through selected works // Pattern recognition. -2001.-V. 34.-P. 741−751.
  15. С. Нейронные сети для обработки информации. Пер. с польского. — М.: Финансы и статистика, 2002. 344 с.
  16. Ф. Нейрокомпьютерная техника: Теория и практика. — М.: Мир, 1992.-240 с.
  17. Petrson М.Е., De Radder D., Handels H. Image processing with neural networks a review // Pattern recognition. — 2002. — V. 35. — P. 2279 — 2301.
  18. Rotation, scale and translation invariant pattern recognition using feature extraction / D. Prevost, M. Doucet, A. Bergeron etc. // Proc. SPIE. -1997. -V. 3073.-P. 255−264.
  19. Ben-Arie J., Wang Z. Pictorial recognition of object employing affine invariance in the frequency domain // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. — V. 20, № 6. — P. 604 — 618.
  20. Lu J., Yoshida Y. Blurred image recognition based on phase invariants // IEICE Tans. Fundamentals. 1999. — V. E82-A, № 8. — P. 1450 — 1455.
  21. Buryi E., Jafar A. Invariant Features Extraction Forming for Contrast Planer Objects Recognition // 8-th Int. Conf. ACS'2001. Szczecin (Poland), 2001. -Part. 2.-P. 205−207.
  22. Е.В., Джафар А. Получение инвариантных информативных признаков для распознавания двухмерных контрастных изображений объектов // Нейрокомпьютеры и их применение: Труды VI Всеросс. конф. М., 2000.-С. 32−43.
  23. Flusser J., Suk Т., Saic S. Recognition of blurred images by the method of moments // IEEE Transactions image processing. 1996. — V. 5, № 3. -P. 533−538.
  24. Flusser J., Suk T. Affine moment invariant: a new tool for character recognition // Pattern recognition letters. 1994. — V. 15. — P. 433 — 436.
  25. A.G. и-Dimensional moment invariant and conceptual mathematical theory of recognition и-dimensional solids // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. — V. 20, № 8. — P. 819 — 831.
  26. Application of affine-invariant Fourier descriptor to recognition of 3-D object / K. Arbter, W.E. Snyder, H. Burkhardt et all // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1990. — V. 12, № 7. — P. 640 — 646.
  27. Tieng Q.M., Boles W.W. Wavelet-Based affine invariant representation: a tool for recognizing planer objects in 3D space // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997. — V. 19, № 8. — P. 846 — 857.
  28. Starck J.L., Murtagh F., Bijaoui A. Image processing and data analysis: multiscale approach. Cambridge: Cambridge university press, 1998. — 287 p.
  29. Чуй Ч. Введение в вэйвлеты. М.: Мир, 2001. — 412 с.
  30. В.П. Вэйвлеты. От теории к практике. М.: COJIOH-P, 2002. -448 с.
  31. Khalil M.I., Bayoumi М.М. A dyadic wavelet affine invariant function for 2D shape recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence.-2001.-V. 23,№ 10.-P. 1152−1163.
  32. Tieng Q.M., Boles W.W. Recognition of 2D object contours using the wavelet transform zero-crossing representation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997. — V. 19, № 8. — P. 910 — 916.
  33. Tarel J.P., Cooper D.B. The complex representation of algebraic curves and its simple exploitation for pose estimation and invariant recognition. // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2000. — V. 22, № 7. -P. 663−674.
  34. Shen D., Horace H.S. Generalized affine invariant image normalization // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1997. V. 19, № 5. -P. 431−440.
  35. Wu W-R., Wie S-C. Rotation and gray-scale transformation-invariant texture classification using spiral resampling subband decomposition, and hidden Markov model // IEEE Transactions on image processing. 1996. — V. 5, № 10. -P. 1423−1434.
  36. Dominant-Subspace invariants / D.G. Arnold, K. Sturtez, V. Velten et all // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2000. V. 22, № 7. -P. 649−662.
  37. Lei G. Recognition of planar objects in 3-D space from single perspective view using cross ratio // IEEE Transactions on robotic and automation. — 1990. V. 6, №. 4.-P. 432−437.
  38. Huttenlocher D.P., Lilien R.H., Olson C.F. View-based-recognition using an eigenspace approximation to the Hausdroft measure // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1999. — V. 21, № 9. — P. 951 — 955.
  39. Belongie S., Malik J., Puzicha J. Shape Matching and object recognition using shape contexts. // IEEE Transactions on Pattern Analysis and Machine V Intelligence. 2002. — V. 24, № 24. — P. 509 — 522.
  40. Kadyrov A., Petrou M. The trace transform and its applications // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2001. — V. 23, № 8. -P. 811−828.
  41. Wurtz R.P. Object recognition robust under translation, deformation, and change in background // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1997. — V. 19, № 7. — P. 769 — 775.
  42. O’Sullivan J.A. Blahut R.E. Snyder D.L. Information-theoretic image formation // IEEE Transactions on information theory. -1998. V. 44, № 6. -P. 2094−2123.
  43. Shao Y. Clenk M. Higher-order spectra (HOS) invariant for shape recognition // Pattern recognition. 2001. — V. 34. — P. 2097 — 2113.
  44. Xue Z., Shen D., Teoh E.K. An efficient fuzzy algorithm for aligning shapes under affine transformation // Pattern recognition. 2001. — V. 34. — P. 1171 -1180.
  45. Nakhodkin M.G., Musatenko Y.S., Kurashov V.N. Pattern recognition with fast feature extraction // Proc. SPIE. 1998. — V. 3402. — P. 333 — 343.
  46. Antoine J.P., Vandergheynst P. Target detection and recognition using tow-dinensional isotropic and anisotropic wavelets // Proc. SPIE. -1995. — V. 2485. -P. 20−31.
  47. Ground target classification using robust active contour segmentation / J.F. Bonnet, D. Duclos, G. Stamon et all // Proc. SPIE. 1999. — V. 3718. — P. 90 -100.
  48. Bouyoucef K., Murenzi R. Spatio-temporal wavelet application to target detection and recognition // Proc. SPIE. 1995. — V. 2485. — P. 32 — 43.
  49. Chen B.H., Thomopoulos S.-C.A., Lin C. Feature estimation and objects extraction using Markov random field modeling // Proc. SPIE.- 1995. V. 2485. -P. 44−53.
  50. Roy S., Arsenault H. H., Lefebvre D. Invariant object recognition under three dimensional rotation and change of scale // Opt. Eng. 2003. — V. 42, № 3. -P. 813−821.
  51. Miquel A., Perpinan C. A Review of Dimension Reduction Techniques.-Sheffield, 1997. 62 p. (Technical Report CS-96- 09, Dept. of Computer Science).
  52. De Backer S. Unsupervised pattern recognition, dimensionality reduction and Classification. PhD Dissertation, University of Antwerp. — Antwerp, 2002. -138 p.
  53. Kudo M. Sklansky J. Comparison of algorithms that select features for pattern classification // Pattern recognition. 2000. — V. 33. — P. 25 — 41.
  54. Hjaltason G.R., Samet H. Properties of embedding methods for similarity searching in metric spaces // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2003. — V. 25, № 5. — P. 530 — 549.
  55. E.B., Джафар А. Распознавание двухмерных контрастных изображений объектов по инвариантным информативным признакам с применением нейросетевых алгоритмов // Нейрокомпьютеры: разработка, применение. 2001. — № 1. — С. 34 — 42.
  56. В.Е., Орлов В. М. Лазерные системы видения. М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. — 352 с.
  57. А. Распространение и рассеяние волн в случайно-неоднородных средах. -М.: Мир, 1981.- 4.2. -317с.
  58. С.М., Кравцов Ю. А., Татарский В. И. Введение в статистическую радиофизику. — М.: Наука, 1978. — Ч. 2, Случайные поля. — 463 с.
  59. Kopeika N. S. A system engineering approach to imaging. Washington: SPIE, 1998.-679 p.
  60. А.Н., Предко К. Г. Оптическое изображение при дистанционном наблюдении. Минск: Навука i тэхшка, 1991. — 359 с.
  61. Дж. Статистическая оптика: Пер. с англ. / Под ред. Г. В. Скроцкого.- М.: Мир, 1988.-527с.
  62. Kopeika N.S., Sadot D., Dror I. Aerosol light scatter vs turbulence effects in image blur // Proc. SPIE. 1998. — V. 3219. — P. 44 — 51.
  63. Прикладная физическая оптика / И. М. Нагибина, В. А. Москалев, Н. А. Полушкина и др. М.: Высшая школа, 2002. — 565 с.
  64. В.Е., Кабанов М. В. Перенос оптических сигналов в земной атмосфере.- М.: Сов. радио, 1977. 368 с.
  65. М.М. Теоретические основы оптико-электронных приборов.- Л.: Машиностроение, 1983. 696 с.
  66. Lukin V.P. Adaptive beaming and imaging in the turbulent atmosphere.- Washington: SPIE, 2002. 202 c.
  67. А. Теория систем и преобразований в оптике. Пер. с англ. / Под ред. В. И. Алексеева. М.: Мир, 1971. — 495 с.
  68. Источники и приемники излучения / Г. Г. Ишанин, Э. Д. Панков, А. Л. Андреев и др. С-Пб.: Политехника, 1991. — 240 с.
  69. Min G. Advanced optical imaging theory. Georgia (USA): Springer, 1999. -214 c.
  70. Дж. Введение в Фурье-оптику. Пер. с англ. / Под ред. Г. И. Косорова. -М.: Мир, 1970.-364 с.
  71. А.Ю. Основы радиооптики. М:. САЙнС-ПРЕС, 2003. — 80 с.
  72. Dror I., Kopeika N.S. Comparison of turbulence MTF and aerosol MTF // Proc. SPIE. 1992. — V. 1688. — P. 716 — 727.
  73. Fortes B.V., Lukin V.P. Modeling of the Image Observed through a turbulent atmosphere // Proc. SPIE. 1992. — V. 1688. — P. 477 — 488.
  74. Roddier N. Atmospheric wavefront simulation using Zernike Polynomials //Optical engineering.-1990.-V. 29,№ Ю.-Р. 1174−1180.
  75. Brummelaar T.A. Modeling atmospheric wave aberration and astronomical instrumentation using the polynomials of Zernike // Optics communication. 1996. — V. 132. — P. 329 — 342.
  76. В.П., Майер H.H., Фортес Б. В. Расчет функции точки адаптивного телескопа с гартмановским датчиком волнового фронта // Оптика атмосферы и океана. 1992. — Т. 5, № 12. — С. 1241 — 1251.
  77. В.В., Орлов В. Г., Куэвас С. Моделирование обусловленных турбулентностью флуктуаций логарифма амплитуды. Подход Карунена-Лоева // Оптика атмосферы и океана. 1996. — Т. 9, № 11. — С. 1505 — 1508.
  78. Bondeau С., Bourennane Е., Paindvoine М. Restoration of a short Exposure image sequence degraded by atmospheric turbulence // Proc. SPIE. — 2000. -V. 4125.-P. 120−130.
  79. Error due to atmospheric turbulence effects on solar diameter measurements performed with an astrolabe / L. Lakhal, A. Irbah, M. Bouzaria, et all // Astronomy & astrophysics supplements series. 1999. — V. 138. — P. 155−162.
  80. Shui V.H., Reeves B.L. Effect of turbulence scale and spectral function on optical image degradation // Proc. SPIE. 1992. — V. 1688, 1992. — P. 429 — 441.
  81. Yang C.C., Elsebelgy B.H., Plonus M.A. Effects of turbulence on the formation of Gaussian image and signal-to-noise ratio // Proc. SPIE. — 1994. V. 2222. -P. 595−604.
  82. Frieden B.R. An exact, linear solution to the problem of imaging through turbulence // Optics communications. 1998. — V. 150. — P. 15−21.
  83. Patent № 5 841 911. (USA). Method for restoration of images disturbed by the atmosphere / Kopeika N.S., Sadot D. 1998.
  84. Г. Н. Сравнительный анализ разрешающей способности оптико-электронных систем формирования изображений при некогерентной и когерентной подсветках наблюдаемых объектов // Оптика и спектроскопия.- 2000. Т. 89, № 56. — С. 872 — 877.
  85. Н.Н. Цифровая обработка изображений. М.: Вузовская книга, 2001.-320 с.
  86. Shah М. Fundamentals of computer vision. Orlando, 1992. — 132 p.
  87. Amini A.A., Weymouth Т.Е. Using dynamic programming for solving variational problem in vision // IEEE Transaction on pattern analysis and machine intelligence. 1990. — V. 12, № 9. — P. 855 — 866.
  88. Leymarie F., Levine D. Tracking deformable objects in plane using an active contour model // IEEE Transaction on pattern analysis and machine intelligence.- 1993. V. 15, № 6. — P. 617 — 634.
  89. Ray N., Chanda В., Das J. A fast and flexible multiresolution snake with a definite termination criterion // Pattern recognition. 2001. V. 34. — P. 1483 — 1490.
  90. Cohen L.D. Cohen I. Finite-element methods for active contour models and balloons for 2-D and 3-D Image // IEEE Transaction on pattern analysis and machine intelligence.-1993.-V. 15,№ 11.-P. 1131 -1146.
  91. Xu C., Prince J.L. Snakes, shapes, and gradient vector flow // IEEE Transaction on image processing. 1998. — V.7, № 3. — P. 359 — 369.
  92. Peterfreund N. Robust tracking of position and velocity with Kalman snakes // IEEE Transaction on pattern analysis and machine intelligence. 1999. — V. 21, № 6.-P. 564−569.
  93. Niedziela Т., Baron G., Rogala K. Method of contour and its characteristic features extraction from noisy image // Proc. SPIE. 2001. — V. 4516.- P. 78 86.
  94. Park H.W., Schoepflin Т., Kim Y. Active Contour Model with Gradient Directional Information: Directional Snake // IEEE Transaction on circuits and system for video technology. 2001. — V. 11, № 2. — P. 252 — 256.
  95. Chan T.F., Vese L.A. Active contours without edges // IEEE Transaction on image processing. 2001. — V. 10, № 2. — P. 266 — 277.
  96. Дюк В., Самойленко A. Data mining: учебный курс. СПб.: Питер, 2001. -368 с.
  97. А.В. Цифровая обработка сигналов. СПб.: Питер, 2003. -604 с.
  98. М.С., Матушкин Б. Д. Цифровая обработка сигналов: процессоры, средства проектирования. С-Пб.: Политехника, 1999. — 592 с.
  99. Nguyen N., Milanfar P., Golub G. Efficient generalized cross-validation with application to parametric image restoration and resolution enhancement // IEEE Transaction on image processing. 2001. — V. 10, № 9. — P. 1299 — 1308.
  100. Porter R., Canagaraigh N. A robust automatic clustering scheme for image segmentation using wavelet // IEEE Transaction on image processing. — 1996. -V. 5,№.4.-P. 662−665.
  101. Л.Г., Максимов А. В. Нейрокомпьютеры. — М.: Изд-во Ml ТУ им. Н. Э. Баумана, 2002. 320 с.
  102. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая Линия-Телеком, 2002. — 382 с.
  103. . Р. Основные концепции нейронных сетей. Пер. с англ. — М.: Издательский дом «Вильяме», 2003. 288 с.
  104. Нейрокомпьютеры в системах обработки изображений / А. Н. Балухто, В. И. Булаев, Е. В. Бурый и др.- Под ред. А. И. Галушкина. — М.: Радиотехника, 2003.-Т. 7.-192 с.
  105. Нейрокомпьютеры в системах обработки сигналов / В. Ф. Гузик, А. Е Ермаков, И. Н. Карелов и др.- Под ред. Ю. В. Гуляева — М.: Радиотехника, 2003.-Т. 9.-224 с.
  106. Hoist A. The use of a Bayesian neural network model for classification tasks. PhD Dissertation of Royal institute of technology. Stockholm, 1997. — 110 p.
  107. Cha I., Kassam S.A. RBFN restoration of nonlinearly degraded images // IEEE Transactions on image processing. 1996. — V. 5, № 6. — P. 964 — 975.
Заполнить форму текущей работой

Пора сдавать?