WWW.KONF.X-PDF.RU
БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Авторефераты, диссертации, конференции
 

Pages:   || 2 | 3 | 4 | 5 |   ...   | 10 |

«ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ВОССТАНОВЛЕНИЯ ЦВЕТНЫХ И МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ИДЕНТИФИКАЦИИ МОДЕЛИ ДИХРОМАТИЧЕСКОГО ОТРАЖЕНИЯ ...»

-- [ Страница 1 ] --

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ

УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «САМАРСКИЙ ГОСУДАРСТВЕННЫЙ

АЭРОКОСМИЧЕСКИЙ УНИВЕРСИТЕТ ИМЕНИ АКАДЕМИКА С.П. КОРОЛЕВА

(НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ)»



ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ НАУКИ

ИНСТИТУТ СИСТЕМ ОБРАБОТКИ ИЗОБРАЖЕНИЙ

РОССИЙСКОЙ АКАДЕМИИ НАУК

На правах рукописи

НИКОНОРОВ Артем Владимирович

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ВОССТАНОВЛЕНИЯ

ЦВЕТНЫХ И МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ

ИДЕНТИФИКАЦИИ МОДЕЛИ ДИХРОМАТИЧЕСКОГО ОТРАЖЕНИЯ

05.13.17 Теоретические основы информатики Диссертация на соискание ученой степени доктора технических наук

Научный консультант:

д.т.н., профессор Фурсов В.А.

Самара - 2015

ОГЛАВЛЕНИЕ

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1 МОДЕЛИ ИСКАЖЕНИЙ, ПРОБЛЕМЫ ВОССТАНОВЛЕНИЯ

ИЗОБРАЖЕНИЙ

1.1  Классификация искажений

1.1.1  Аппаратные искажения

1.1.2  Искажения, вносимые изменением условий регистрации

1.1.3  Искажения, вносимые на этапе обработки данных

1.2  Состояние проблемы коррекции изображений

1.3  Модели формирования мультиспектральных изображений

1.4  Обзор методов коррекции искажений

Выводы по главе 1

2 ПРЕДСТАВЛЕНИЕ ИСКАЖЕНИЙ

НА ОСНОВЕ МОДЕЛИ ОТРАЖЕНИЯ

2.1  Описание искажений на основе бииллюминантной дихроматической модели

2.2  Представление априорной информации на основе модели спектральноконтурных элементов

2.3  Описание спектрально-контурных элементов в рамках бииллюминантной дихроматической модели

Выводы по главе 2

3 МЕТОДЫ ОБНАРУЖЕНИЯ И ЛОКАЛИЗАЦИИ

СПЕКТРАЛЬНО-КОНТУРНЫХ ЭЛЕМЕНТОВ

3.1 Общая характеристика задач детектирования и локализации спектральноконтурных элементов

3.2  Детектирование бликов на основе ограничений на характеристики........... 93  3.3  Распознавание бликов сложной формы по прецедентам

3.4  Фрактальные методы распознавания спектрально-контурных элементов 101  3.5  Детектирование спектрально-контурных элементов c использованием регулярных выражений

Выводы по главе 3

4 МЕТОДЫ КОРРЕКЦИИ ИСКАЖЕНИЙ

4.1  Постановка и схема решения задачи коррекции искажений мультиспектральных изображений

4.2  Понятие и условия корректируемости

4.3  Пространство спектрально-контурных элементов с метрикой Хаусдорфа 135  4.4  Построение корректирующих преобразований с учетом геометрии искажений

4.5  Идентификация корректирующих преобразований в метрике Хаусдорфа 151  4.6  Условия идентифицируемости корректирующих преобразований........... 155  Выводы по главе 4

5 МЕТОДЫ ИДЕНТИФИКАЦИИ КОРРЕКТИРУЮЩИХ

ПРЕОБРАЗОВАНИЙ НА ОСНОВЕ МОДЕЛИ

СПЕКТРАЛЬНО-КОНТУРНЫХ ЭЛЕМЕНТОВ

5.1  Структура численных методов идентификации корректирующих преобразований

5.2  Согласованная идентификация корректирующих преобразований.......... 163  5.3  Идентификация корректирующего преобразования на основе интегрального критерия близости моделей

5.4  Построение согласованных оценок на основе генетических алгоритмов. 171  5.5  Идентификация корректирующих преобразований с использованием алгоритма RANSAC

5.6  Сравнение качества восстановления с алгоритмом Retinex

5.7  Критерий качества коррекции и сравнение согласованной идентификации и алгоритма RANSAC

Выводы по главе 5

6 МАССИВНО-МНОГОПОТОЧНЫЕ АЛГОРИТМЫ КОРРЕКЦИИ

ИЗОБРАЖЕНИЙ НА ОСНОВЕ МОДЕЛИ СПЕКТРАЛЬНО-КОНТУРНЫХ

ЭЛЕМЕНТОВ

6.1  Ключевые архитектурные особенности массивно-многопоточных высокопроизводительных систем

6.2  Методы и алгоритмы эффективного вычисления локальных характеристик изображения





6.3  Эффективная реализация спектрально-контурных регулярных выражений

6.3.1  Параллельная реализация спектрально-контурных регулярных выражений

6.3.2  Параллельная реализация в виде детерминированного конечного автомата (ДКА)

6.3.3  Параллельная реализация в виде недетерминированного конечного автомата (НКА)

6.3.4  Сравнение производительности детектора на основе преобразования Хафа с цветоконтурными регулярными выражениями

6.4  Метод нежесткого следования в модели многогранников для решения задач восстановления изображений

6.4.1  Идентификация корректирующего БИХ-фильтра

6.4.2  Алгоритм условной идентификации фильтра

6.4.3  Двухэтапный генетический алгоритм идентификации БИХ-фильтра....233  6.4.4  Алгоритм нежесткого размещения для параллельной реализации БИХ-фильтра в GPU-системе

6.5  Анализ параллельной реализации численных методов согласованной идентификации

Выводы по главе 6

7 КОМПЛЕКСЫ ПРОГРАММ ДЕТЕКТИРОВАНИЯ АРТЕФАКТОВ И

ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МОДЕЛИ

СПЕКТРАЛЬНО-КОНТУРНЫХ ЭЛЕМЕНТОВ

7.1  Классы задач и вычислительные схемы восстановления и коррекции изображений

7.2  Коррекция искажений цветных и гиперспектральных изображений с использованием модели спектрально-контурных элементов

7.3  Детектирование объектов путём анализа характеристик спектральноконтурных элементов

7.4  Фрактальные методы распознавания спектрально-контурных элементов

7.5  Детектирование дорожных знаков на основе спектрально-контурных регулярных выражений

Выводы по главе 7

СПИСОК СОКРАЩЕНИЙ И ОСНОВНЫХ ОБОЗНАЧЕНИЙ

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А Акты о внедрении результатов диссертации

ВВЕДЕНИЕ

В диссертации рассматривается разработка теории, методов и алгоритмов восстановления цветных и мультиспектральных изображений на основе идентификации модели дихроматического отражения, создание быстродействующей массивномногопоточной технологии восстановления изображений, реализованной в гибридных вычислительных системах.

Актуальность темы В последние десятилетия наблюдается всё возрастающая востребованность в создании новых классов систем регистрации и обработки изображений. Потребность в таких системах инициируется огромным спектром приложений: индивидуальные миниатюрные устройства, мобильные системы технического зрения, системы дистанционного космического зондирования Земли и др. При этом постоянно возрастают требования к характеристикам таких систем, в частности, к качеству и быстродействию алгоритмов обработки изображений.

Теории и практике создания методов обработки изображений посвящено огромное число работ. Большой вклад в развитие этого направления внесли отечественные (Ю.И.

Журавлев, В.А. Сойфер, Ю.П. Пытьев, К.В. Рудаков, В.Г. Лабунец, Л.П. Ярославский) и зарубежные (Г. Риттер, Ж.П. Серра, С. Штернберг, Д.Е. Даджион, Р. Мерсеро, У. Прэтт, А. Розенфельд, Х. Ниман, Д. Кремерс, Э. Михаэльсен) ученые. В нашей стране важной вехой в практическом использовании полученных в этой области результатов явилось создание системы дистанционного зондирования Земли на основе космического аппарата «Ресурс – ДК».

Новый этап развития систем обработки изображений характеризуется переходом к использованию мультиспектральных и гиперспектральных изображений. В настоящее время созданы приборы, позволяющие регистрировать более 1000 спектральных компонент (J. Chanussot, 2014). К сожалению, алгоритмическое и программное обеспечение систем обработки (в т.ч. космических) изображений оказалось не вполне готовым к реализации эффективных технологий обработки таких изображений.

Связано это, по-видимому, с тем, что долгое время используемые методы традиционно ориентировались на обработку черно-белых и трехкомпонентных (RGB) изображений. В этом направлении разработано большое число эффективных методов и алгоритмов улучшения качества изображений. В частности, в наиболее востребованной задаче цветовой коррекции широко используются два подхода – методы цветовых инвариантов, в которых используется общая физическая модель формирования цвета изображения, и методы Retinex, основанные на модели психофизики восприятия цвета человеком. Основная идея этих подходов – приведение цвета изображения к виду, инвариантному к изменениям освещенности в достаточно широких пределах.

Подходы на основе узнаваемых цветов, модели Retinex и «серого мира» решают задачу цветовой коррекции безотносительно к пространственной составляющей изображения. Если искажения являются неизопланатичными, параметры алгоритма должны изменяться в зависимости от текущего значения пространственной координаты. Для такого случая также разработано большое количество «ручных» методик решения задачи (Д. Маргулис, Б. Фрэзер, К. Айсманн). Существуют модификации алгоритмов Retinex c остановом (Retinex with reset), которые используют нелинейную составляющую для локализации обработки изображения. В некоторых модификациях методов «серого мира»

также осуществляется изменение параметров алгоритма обработки в разных областях изображения, однако пока отсутствует общее теоретическое описание моделей, пригодных для автоматизированной реализации алгоритмов цветовой коррекции. В значительной степени это связано со сложностью физической модели некоторых искажений и артефактов, возникающих при обработке изображений.

Применение указанных и других известных методов и алгоритмов обработки изображений в задачах восстановления мультиспектральных изображений осложняется рядом новых проблем. Дело в том, что используемые в этих методах модели восстановления в большинстве случаев строятся на основе субъективного восприятия цвета, в то время как для мультиспектральных изображений понятие цвета вообще теряет смысл. В задачах восстановления мультиспектральных изображений речь может идти о восстановлении спектральных характеристик по заданным объективным критериям. Притом с увеличением числа спектральных компонент указанные, в том числе вычислительные, проблемы существенно возрастают. В частности, предъявляются существенно более высокие требования к доступным вычислительным ресурсам и организации вычислительного процесса.

Таким образом, актуальной является задача обобщения теории в направлении создания универсальных методов обработки изображений, обеспечивающих улучшение их качества, и учитывающих особенности мультиспектральных, в т.ч. гиперспектральных, изображений. Особую актуальность эта задача приобретает в связи с априорной неопределенностью характеристик искажающей системы. При этом неизбежным этапом сквозной технологии обработки изображений является решение задачи идентификации модели искажающей или восстанавливающей системы по прецедентам и неполным данным.

Известно большое число различных подходов и методов решения задачи идентификации. Большой вклад в развитие теории и методов идентификации внесли П. Гроп, Р.Е. Калман, Л. Льюнг, Б.Н. Петров, И.И. Перельман, Б.Т. Поляк, Е.Д. Теряев, Я.З. Цыпкин, Б.М. Шамриков, П. Эйкхофф. В частности, разработаны методы и алгоритмы идентификации систем регистрации и восстановления изображений по малому числу наблюдений. В рамках этого направления созданы эффективные методы и алгоритмы идентификации по малым фрагментам изображений. В частности, разработана эффективная технология идентификации восстанавливающих фильтров по тестовым фрагментам, у которых заданное «желаемое» распределение функции яркости формируется на фрагментах, извлеченных из исходного искаженного изображения.

Однако при применении этих подходов и методов в задачах обработки мультиспектральных изображений возникают проблемы, связанные с тем, что соответствующие технологии восстановления мультиспектральных изображений пока не имеют достаточно прочного теоретического обоснования. В частности, отсутствуют единые модели восстановления и коррекции, как трехкомпонентных, так и мультиспектральных (в т.ч.

гиперспектральных) изображений, а известные методы и алгоритмы коррекции искажений в условиях существенной априорной неопределенности недостаточно эффективны.

Таким образом, при использовании наиболее перспективных подходов и технологий к решению задач восстановления мультиспектральных изображений возникают следующие принципиальные вопросы:

• Всегда ли возможно достижение любого наперед заданного качества восстановления в смысле принятого критерия?

• Если это не всегда возможно, то каким требованиям должны удовлетворять корректирующие преобразования для достижения наилучшего в рамках объективных ограничений качества?

• Какой должна быть модель обучающих элементов вместо модели «узнаваемых цветов» в случае мультиспектральных изображений?

• Всегда ли возможна идентификация параметров модели корректирующих преобразований, если нет, то каковы условия идентифицируемости?

В настоящей работе теоретически обосновываются ответы на указанные основные вопросы, а также рассматриваются следующие связанные с ними ключевые задачи:

• теоретическое обоснование общей модели восстановления цветных и мультиспектральных изображений и разработка способов представления априорной информации, обеспечивающих возможность достижения высокой точности ее идентификации;

• разработка методов и алгоритмов идентификации корректирующих преобразований и их эффективная реализация в гибридных высокопроизводительных вычислительных средах.

Важнейшая практическая задача настоящей работы состоит в создании информационной технологии восстановления мультиспектральных изображений и ее оперативная реализация в системах обработки данных ДЗЗ. При этом критичным фактором является производительность системы. Повышение производительности обычно достигается путем построения параллельных вычислительных технологий, реализуемых, в т.ч., на графических процессорах. Поэтому актуальной является также разработка и исследование новых массивно-многопоточных алгоритмов восстановления мультиспектральных изображений, ориентированных на реализацию в гибридных вычислительных системах.

Цель и задачи исследования Целью работы является разработка теории, методов и алгоритмов восстановления цветных и мультиспектральных изображений на основе идентификации модели дихроматического отражения, создание быстродействующей массивно-многопоточной технологии восстановления изображений, реализованной в гибридных вычислительных системах.

В соответствии с поставленной целью определены следующие задачи диссертации:

1. Обоснование общей схемы восстановления цветных и мультиспектральных изображений, основанной на идентификации корректирующего преобразования в рамках бииллюминантной дихроматической модели формирования изображений.

2. Формализация описания локальных характеристик бииллюминантной дихроматической модели и разработка методов представления априорной информации для идентификации корректирующего преобразования.

3. Формулировка и исследование условий корректируемости, устанавливающих границы достижимого качества восстановления при построении корректирующих преобразований, и установление теоретических оценок корректности модели.

4. Формулировка понятия и теоретическое обоснование условий идентифицируемости для различных видов искажений, в рамках параметрических классов корректирующих преобразований.

5. Разработка и исследование метода определения параметров корректирующего преобразования, основанного на использовании метрики Хаусдорфа, с учетом выполнения условий корректируемости и идентифицируемости.

6. Разработка метода и параллельного алгоритма рекурсивной многомерной обработки изображений в задаче восстановления и исследование эффективности его реализации в гибридных вычислительных средах.

7. Разработка устойчивых к ошибкам в исходных данных численных алгоритмов определения параметров корректирующих преобразований, основанных на применении согласованной идентификации.

8. Построение и исследование модификации бииллюминантной дихроматической модели для случая искажений типа хроматического сдвига, возникающих при съемке с использованием линзы Френеля.

9. Разработка новых методов и алгоритмов локализации и распознавания артефактов на изображениях, основанных на использовании методов фрактального анализа и обеспечивающих высокую вероятность распознавания.

10. Разработка и исследование метода и соответствующего параллельного алгоритма, основанных на регулярных выражениях и парадигме недетерминированных конечных автоматов, обеспечивающих надежное и оперативное детектирование артефактов на изображениях.

Область исследования соответствует п. 5 «Разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях, разработка и исследование методов и алгоритмов анализа текста, устной речи и изображений» и п. 7 «Разработка методов распознавания образов, фильтрации, распознавания и синтеза изображений, решающих правил. Моделирование формирования эмпирического знания» паспорта специальности 05.13.17 – Теоретические основы информатики (технические науки).

Научная новизна полученных результатов

1. Предложен новый подход к восстановлению цветных и мультиспектральных изображений, основанный на идентификации корректирующего преобразования в рамках бииллюминантной дихроматической модели формирования изображений, с представлением априорной информации о локальных характеристиках модели в виде спектрально-контурных элементов (СКЭ), позволяющий существенно повысить качество восстановления.

2. Теоретически обоснованы необходимые условия корректируемости и идентифицируемости в пространстве СКЭ, устанавливающие границы достижимого качества восстановления при построении корректирующих преобразований, на основе анализа искажений в рамках бииллюминантной дихроматической модели.

3. Предложен и теоретически обоснован метод определения параметров корректирующего преобразования в пространстве СКЭ с метрикой Хаусдорфа, с учетом введенных требований корректируемости и идентифицируемости.

4. Разработаны новый метод и параллельный алгоритм рекурсивной многомерной обработки изображений на основе предложенного нежесткого размещения в рамках модели многогранников, обеспечивающие существенное повышение быстродействия.

5. Предложен интегральный критерий взаимной близости оценок, на основе которого построен новый алгоритм согласованной идентификации параметров корректирующего преобразования по малому числу СКЭ, устойчивый к ошибкам в исходных данных.

6. Разработан новый метод коррекции хроматических искажений, возникающих в изображающих дифракционно-оптических системах, основанный на предложенной в работе модификации бииллюминантной дихроматической модели.

7. Разработаны новые методы и параллельные вычислительные алгоритмы локализации артефактов на изображениях, основанные на анализе локальных характеристик спектрально-контурных элементов с использованием методов фрактального анализа и недетерминированных конечных автоматов.

Практическая ценность работы Разработанные методы и алгоритмы восстановления цветных и мультиспектральных изображений имеют обширное применение в прикладных задачах. Они были использованы в системах обработки данных ДЗЗ, в системах видеонаблюдения, во встраиваемых системах технического зрения (системы активной автомобильной безопасности, автоматизированные медицинские системы и др.), в технологиях предпечатной подготовки изображений и др. Также, разработанные методы восстановления были успешно применены в технологии повышения качества изображений, полученных плоским дифракционным объективом. При этом впервые в мире было получено достаточно качественное изображение, зарегистрированное с помощью линзы Френеля высокого разрешения. В диссертации описаны результаты применения разработанных методов и алгоритмов в ряде других задач восстановления изображений.

Загрузка...

Работы по теме диссертации выполнялись в соответствии с планами фундаментальных научно-исследовательских работ (проекты РФФИ: 12-07-31208, 13-07-00997, 11-07-13164-офи-м-2011-РЖД, 11-07-12051-офи-м-2011, 10-07-00553-а, 09-07-00269-а,

ОФИ-М РЖД 13-07-13166), а также в рамках Федеральных целевых программ (ФЦП):

«Исследования и разработки по приоритетным направлениям развития научнотехнологического комплекса России на 2007-2013 годы» (госконтракт № 07.514.11.4105, 2011-2012), «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014–2020 годы» (соглашение № 14.575.21.0083).

Методы исследований В диссертационной работе используются методы математического анализа и линейной алгебры, теория идентификации, методы оптимизации, теория цифровой обработки сигналов и изображений, теория цвета и методы вычислительной фотографии, теория распознавания образов, методы фрактального анализа и метрической геометрии, теория конечных автоматов и формальных грамматик, теория и методы параллельных вычислений.

Положения, выносимые на защиту

1. Теоретические основы, методы и алгоритмы восстановления цветных мультиспектральных изображений, основанные на идентификации корректирующего преобразования в рамках бииллюминантной дихроматической модели формирования изображений, с представлением априорной информации о локальных характеристиках модели в виде спектрально-контурных элементов (СКЭ).

2. Теоретически обоснованные необходимые условия корректируемости и идентифицируемости в пространстве СКЭ, устанавливающие границы достижимого качества восстановления мультиспектральных изображений при построении корректирующих преобразований и обеспечивающие корректность модели.

3. Метод определения параметров корректирующего преобразования в пространстве СКЭ с метрикой Хаусдорфа, позволяющий строить высокоточные процедуры идентификации с учетом условий корректируемости и идентифицируемости.

4. Метод и алгоритм нежесткого следования в рамках модели многогранников, обеспечивающие существенное повышение быстродействия параллельных алгоритмов рекурсивной многомерной коррекции изображений.

5. Устойчивые к ошибкам в исходных данных численные алгоритмы определения параметров корректирующего преобразования c учетом условий корректируемости, основанные на применении согласованной идентификации с интегральным критерием взаимной близости оценок, обеспечивающие более высокую, по сравнению с известными алгоритмами, точность.

6. Метод коррекции хроматических искажений, возникающих в изображающих дифракционно-оптических системах, основанный на предложенной в работе модификации бииллюминантной дихроматической модели и обеспечивающий решение задач, которые ранее для этого класса изображений не ставились и не решались.

7. Методы и алгоритмы локализации и распознавания артефактов на изображениях, основанные на использовании методов фрактального анализа и построении спектрально-контурных регулярных выражений c параллельной реализацией на основе недетерминированных конечных автоматов, обеспечивающие повышение качества и быстродействия распознавания изображений.

Степень достоверности и апробация результатов Достоверность ключевых результатов обеспечивается аналитическими доказательствами. Для разработанных алгоритмов выполнено сравнение с лучшими современными аналогами в различных прикладных задачах на основе реальных данных и данных имитационного моделирования. Разработанные алгоритмы показали лучшие результаты как с использованием объективных критериев качества, так и визуально.

Результаты внедрены в системах обработки гиперспектральных данных Акционерного общества «Ракетно-космический центр «Прогресс» (г. Самара), в системах предварительной обработки медицинских данных Самарского государственного медицинского университета, в технологическом процессе подготовки и цветовой коррекции изображений в Издательском доме «Агни» (г. Самара), в системах обработки изображений, разрабатываемых компанией Aligned Research Group (Los Gatos, CA, USA), а также используются в системах видеонаблюдения в ЗАО «Интегра-С».

Основные результаты диссертации докладывались и обсуждались на международных конференциях: Computer Vision and Pattern Recognition (CVPR-2015, Boston); 2012 и 2014 IEEE IAPR Workshop on Pattern Recognition in Remote Sensing (PRRS); «Распознавание образов и анализ изображений» (РОАИ-10-2010, 2010 г., Санкт-Петербург и РОАИ-11-2013, 2013, г. Самара); International Workshop on Benchmark Test Schemes for AR/MR Geometric Registration and Tracking Method (TrakMark). 2012. Tsukuba / Japan;

Pattern Recognition and Image Analysis (2007, 2009, 2013); 8th-9th Open German-Russian Workshop «Pattern Recognition and Image Understanding» (2011, 2014); Параллельные вычислительные технологии, международной научной конференции – ПАВТ (2009, 2010, 2011, 2012); Международной суперкомпьютерной конференции «Научный сервис в сети Интернет» (2009, 2010, 2011, 2012); IASTED International Conferences on Automation, Control, and Information Technology, 2010; Международной конференции перспективные информационные технологии, 2010, Самара; International Conference on Signal Processing and Multimedia Application, IEEE, 2010; 3rd International Workshop on Image Mining Theory and Applications in conjunction with VISIGRAPP 2010, Angers, France; 13-th IFAC Symposium on Information Control Problems in Manufacturing, Moscow, Russia, 2009;

Всероссийской научно-методической конференции Телематика (2006, 2007, 2008, 2009);

3-й Российской конференции с международным участием «Технические и программные средства систем управления, контроля и измерения», 2012 и на семинарах Московского физико-технического института, Института систем обработки изображений РАН, Самарского государственного аэрокосмического университета.

Личный вклад автора Основные результаты диссертации получены автором самостоятельно. Также автор самостоятельно проводил вычислительные эксперименты на реальных и синтезированных данных. Постановка задач и обсуждение результатов проводились совместно с научным консультантом.

Основные публикации Всего автором опубликовано 75 работ, из них по материалам диссертации – 60 печатных работ, в том числе 24 – в ведущих рецензируемых научных изданиях, рекомендованных ВАК (из них 21 проиндексирована в SCOPUS, 4 – в IEEExplore), 2 монографии, 1 патент, 1 свидетельство о государственной регистрации программы для ЭВМ.

Структура и объем диссертации Диссертация состоит из введения, 7 глав, списка сокращений и основных обозначений, заключения, одного приложения, списка литературы (232 наименования).

Работа изложена на 312 страницах, содержит 98 рисунков.

Краткое содержание работы В первой главе диссертации приводится классификация искажений цветных и мультиспектральных изображений и приводится обзор теоретически обоснованных и эвристических методов коррекции искажений. Рассмотрено описание процесса формирования изображений на основе бииллюминантной дихроматической модели отражения (БИДМ). Сформулирована задача восстановления изображений на основе идентификации корректирующего преобразования в рамках выбранной модели формирования мультиспектральных изображений.

Во второй главе рассмотрено описание искажений изображений на основе БИДМ.

Проведен анализ малых участков изображения с близкими характеристиками БИДМ.

Такие участки являются ключевым элементом предложенных в настоящей работе методов коррекции искажений, поэтому в настоящей главе вводится специальный термин для их обозначения – спектрально-контурный элемент (СКЭ). Далее в главе формулируются основные свойства СКЭ и определяется метрическое пространство спектральноконтурных элементов.

Третья глава посвящена методам детектирования СКЭ на изображении. Рассмотрены методы распознавания СКЭ по прецедентам, как с использованием в качестве признаков характеристик СКЭ, так и распознавание на основе систем итерированных функций. Также рассмотрен метод детектирования артефактов на основе спектральноконтурных регулярных выражений.

В четвертой главе описывается метод решения основной задачи настоящей работы – идентификации корректирующего преобразования. Идентификация выполняется на двух множествах СКЭ – искажённых и неискажённых. Для корректного решения данной задачи необходимо установить попарное соответствие между СКЭ так, чтобы в каждой паре присутствовали искажённый и неискажённый СКЭ с одинаковыми характеристиками отражения. Центральным результатом главы является сформулированное и доказанное необходимое условие существования такого соответствия, названное требованием корректируемости. Это требование позволяет провести отбор в наборах СКЭ, предварительно сформированных с использованием методов локализации, описанных в главе 3. Предложено решение задачи идентификации как оптимизационной проблемы в метрике Хаусдорфа. Показано, что для задачи идентификации корректирующего преобразования с учетом требования корректируемости данная проблема сводится к задаче МНК с условием неотрицательности.

В пятой главе рассмотрены рандомизированные алгоритмы оптимизации с отбором данных для реализации идентификации корректирующего преобразования с учетом требования корректируемости. Рассмотрены два класса численных алгоритмов оптимизации с отбором данных: на основе метода Ransac и на основе метода согласованной идентификации. Для метода согласованной идентификации предложен интегральный критерий взаимной близости оценок, позволяющий рассчитывать близость между моделями разной структуры. Также разработан генетический алгоритм согласованной идентификации, позволяющий получать оценки за приемлемое время.

Рассмотрен ряд прикладных задач восстановления как цветных, так и гиперспектральных изображений. Проведенное сравнение с коррекцией на основе метода Retinex подтвердило более высокое качество разработанных методов восстановления изображений. Разработанные методы восстановления позволили впервые в мире получить цветное изображение высокого разрешения с помощью линзы Френеля. Эти результаты обсуждались на конференции «Компьютерное зрение и распознавание образов» (секция вычислительных оптических средств), прошедшей в Бостоне, США, в июне 2015 года (Computer Vision and Pattern Recognition, CVPR 2015).

В шестой главе рассмотрены методы и алгоритмы восстановления изображений и детектирования артефактов на основе модели СКЭ в гибридных высокопроизводительных средах. Рассмотрена конечно-автоматная реализация спектрально-контурных регулярных выражений для GPU. Описан новый метод распараллеливания циклов на основе модели многогранников. Для GPU-архитектуры разработанный метод обладает константной сложностью в зависимости от размеров области рекурсивной обработки, тогда как существующие алгоритмы имеют линейную сложность. В заключительном разделе рассмотрен разработанный параллельный алгоритм согласованной идентификации корректирующего преобразования.

В седьмой главе рассмотрены комплексы программ, основанные на разработанных методах и алгоритмах восстановления изображений, в частности:

коррекция точечных артефактов (ПК «Блик»);

локализация артефактов в видеопотоке;

коррекция теневых искажений;

коррекция обширного матового блика;

детектирование дорожных знаков в составе системы интеллектуальной системы автомобильной безопасности;

коррекция искажений гиперспектральных изображений в системах ДЗЗ.

1 МОДЕЛИ ИСКАЖЕНИЙ,

ПРОБЛЕМЫ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ

1.1 Классификация искажений Существуют различные определения понятия изображения. Здесь мы не затрагиваем его философские аспекты и рассматриваем изображение как информацию, представляемую в виде, пригодном для визуального восприятия. Мы ограничиваемся рассмотрением электронных или цифровых изображений, регистрируемых с помощью электронных средств и отображаемых на экране монитора, а под искажением понимаем его отличие от изображения, принятого в силу заданных критериев образцовым. Природа искажений цифровых изображений очень разнообразна. Для их описания используются различные модели [1–9]. Для выработки единых подходов к разрозненным задачам обработки изображений с целью их коррекции рассмотрим типы и общие закономерности формирования искажений [1].

Искажения возникают на всех этапах «жизни» изображения – формирования, получения, хранения и обработки. Характер и модели искажений на каждом из этих этапов различны. При оценке степени влияния различных типов и источников искажений, наряду с их характеристиками, важно также учитывать конкретную прикладную область, где эти изображения используются. Так, например, для задач, в которых используются свойства стереоизображений, существенны проективные искажения. Для задач дистанционного зондирования Земли наиболее серьёзные проблемы связаны с искажениями, вносимыми турбулентными потоками в атмосфере. Во всех случаях серьезные трудности вызывают окклюзии – скрытие от регистратора части объекта.

По источникам возникновения искажений их можно разбить на три класса: аппаратные искажения; искажения, возникающие вследствие отличия условий регистрации от заданных; искажения, вносимые алгоритмами обработки данных. Рассмотрим эти классы искажений более детально.

1.1.1 Аппаратные искажения Аппаратные искажения вносятся в ходе регистрации изображений и обусловлены несовершенством регистрирующей аппаратуры. Эти искажения можно подразделить на две группы, определяемые типом источника искажений.

1. Оптические элементы. Искажения, вносимые оптическими элементами – наиболее изученный класс искажений [1], [10–12]. Для оптических элементов характерны следующие искажения:

- расфокусировка – размытие изображения, определяемое функцией размытия точки оптической системы. При расфокусировке точка на изображении воспроизводится в виде некоторого пятна (кружка размытия), а две близко расположенные точки на исходном изображении сливаются в одну на наблюдаемом [1];

- хроматические аберрации – изменение спектрального состава света по сравнению со спектром, принятым для заданных условий регистрации в качестве эталонного. Обычно эти искажения усиливаются при увеличении открытия диафрагмы, а также при съёмке осветительных потоков на границах объектов, например, при съёмке сквозь листву или ветки возникает характерное голубое сияние на контурах объектов;

- дисторсия – геометрические искажения (выпуклость или вогнутость изображения к его границам). Этот тип искажений возникает вследствие уменьшения оптического разрешения объектива от центра к периферии. При этом края изображения оказываются смазанными и нечёткими (расфокусированными);

- виньетирование – падение (реже увеличение) яркости изображения от центра к краям кадра.

2. Аналоговые или цифровые видеодатчики. Примером аналогового видеодатчика является фотоплёнка. Цифровые видеодатчики – это различные приборы с зарядовой связью: ПЗС-линейка, ПЗС-матрица, ПЗС-матрица с временной задержкой и накоплением и др. Аналоговый и цифровой способы регистрации могут комбинироваться, например, при сканировании фотоплёнки.

Регистрация изображений с помощью ПЗС-матрицы происходит за счёт накопления заряда на некоторой площади электрода. Такому накоплению соответствует некоторое усреднение непрерывного светового сигнала. Искажения, возникающие при регистрации ПЗС-приборами, следующие:

- «тепловой» шум ПЗС-матрицы, проявляющийся в виде стохастически возникающих точек разной интенсивности, например, при регистрации сцен с низкой освещенностью;

- полосовые искажения, «выбитые» пикселы и строки (striping). Такие искажения обычно возникают при регистрации с помощью ПЗС-линеек в системах ДЗЗ;

- размытие изображения, например, «смаз» вследствие движения сцены относительно регистратора или, наоборот, регистратора относительно сцены со скоростью, при которой один и тот же участок движущегося объекта (сцены) регистрируется несколькими пикселами [10];

- кольца Ньютона на изображении, возникающие при сканировании фотоплёнок.

1.1.2 Искажения, вносимые изменением условий регистрации

1. Условия освещения. Известны следующие типы искажений, возникающих вследствие отклонения условий освещения и отражения от заданных:

- световые блики, возникающие вследствие наличия на регистрируемом объекте участков с высокой отражательной способностью (лобовые стёкла автомобилей, окна зданий и др.);

- затенения, возникающие вследствие перекрытия источника освещения;

- искажения, возникающие вследствие неоднородного или отличающегося от требуемого спектрального состава освещения, или освещения, полученного от нескольких источников с различным спектральным составом.

2. Текстурные или рельефные искажения. Искажения, обусловленные взаимодействием освещения с текстурой или рельефом регистрируемого объекта (сцены):

- искажения, обусловленные неравномерной отражающей способностью поверхности регистрируемого объекта (текстурой);

- искажения освещения, связанные с переотражениями и затенениями источников света вследствие рельефа поверхности.

3. Геометрические искажения. Искажения, связанные с особенностями геометрии съёмки, следующие:

- перспективные искажения;

- искажения изображений, вызванные деформациями среды между регистрирующей аппаратурой и объектом или деформациями носителя объекта. Такие искажения возникают, например, при подводной съёмке, вследствие атмосферной турбулентности, при аэрокосмической съёмке, при нежёстких деформациях носителя – тканевых деформациях, и др. [13–15].

Заметим, что геометрические параметры съемки оказывают также влияние на искажения, связанные с условиями освещения. В частности, при изменении угла съёмки могут возникать блики на различных участках изображения.

1.1.3 Искажения, вносимые на этапе обработки данных Основные источники искажений (артефактов), возникающих в процессе обработки изображений, следующие:

- сжатие изображений с потерями, компенсации таких артефактов посвящены, например, работы [1], [16], [17];

- обработка изображений с целью улучшения качества (устранение смаза, расфокусировки и др.) часто вносит артефакты в виде фантомных контуров, в частности, такие искажения часто возникают при обработке изображения БИХ-фильтром, имеющим небольшой запас устойчивости, а также при применении частотных методов фильтрации, использующих Фурье-преобразования изображений.

На рисунке 1.1 в виде схемы представлена классификация описанных выше искажений, возникающих на цифровых изображениях. На рисунках 1.2–1.5 приведены примеры некоторых из указанных выше видов искажений.

Рисунок 1.1 – Классификация искажений изображений

Некоторые виды искажений могут возникать в результате комбинации нескольких источников, или же различные источники искажений могут приводить к одинаковым искажениям. Далее для краткости такие искажения будем называть искажениями комплексного типа.

Примером искажений комплексного типа может служить расфокусировка. Она может быть обусловлена искажениями в оптической подсистеме или влиянием среды, например, дымкой между объектом и регистратором. Другой пример – импульсный шум на изображении, который также может иметь различные причины: тепловой шум видеодатчика, пыль на оптических поверхностях, точечные блики на поверхности объекта и т.д.

Особый класс составляют гиперспектральные изображения (ГСИ). Поскольку эти изображения также являются мультиспектральными, на них могут возникать все описанные выше типы искажений. Особенность в данном случае состоит в том, что регистрируемый спектральный диапазон может быть значительно шире оптического, а спектральные составляющие регистрируются независимо друг от друга. Тем не менее, физика этих искажений имеет общую природу, и может ставиться задача построения универсальных методов коррекции, которые будут работать и для этого класса изображений.

При построении алгоритмов обработки изображений, наряду с анализом природы искажений, важной также является информация о характере искажений безотносительно к их источникам. Эта информация позволяет строить алгоритмы обработки для коррекции однотипных искажений, вызываемых разными источниками. Поэтому важной представляется также классификация по результату и характеру влияния искажения на изображение.

В рамках такой классификации можно выделить следующие группы искажений:

- изменение геометрии объектов;

- изменение цвета всего изображения или его частей;

- структурные изменения изображения, приводящие к появлению в процессе регистрации на изображении локальных особенностей, отсутствующих на регистрируемой сцене.

Рассмотрим каждую из перечисленных групп подробнее.

Изменение геометрии объектов – это искажения относительных размеров присутствующих на регистрируемой сцене объектов или их частей. Основными типами гео

–  –  –

Изменения цвета изображения или его локальных областей происходят в результате неравномерности освещения, переотражения от поверхности объектов, хроматической аберрации и др.

Структурные изменения изображения – это искажения, характеризующиеся возникновением на изображении локальных особенностей, отсутствующих на регистрируемой сцене. С точки зрения последующей обработки целесообразно рассматривать мелкие и крупные структурные изменения. Примеры крупных структурных изменений – полосовые искажения (рисунок 1.3а, б), выбитые пикселы (рисунок 1.3в), кольца Ньютона на сканированных изображениях (рисунок 1.3г). Примерами мелких структурных изменений являются: точечные блики на изображении (рисунок 1.4а), импульсный шум (рисунок 1.4б), артефакты сжатия с потерями (рисунок 1.5а, б) и др.

–  –  –

Рисунок 1.4 – Искажения, вносимые условиями регистрации изображений:

точечные блики (а), импульсный шум (б) В настоящей работе мы не будем касаться вопросов, связанных с изменением геометрии, включая крупные структурные изменения, а ограничимся рассмотрением методов, связанных с отклонениями спектрального состава освещения сцены от некоторого заданного освещения. При этом в случаях, когда речь будет идти об искажениях изображений, регистрируемых в оптическом диапазоне, мы будем употреблять термин цветовые искажения. В случае мультиспектральных (в т.ч. гиперспектральных) изображений, в формировании которых участвуют спектральные составляющие за пределами оптического диапазона, применение этого термина некорректно. Поэтому в общем случае в качестве эквивалента понятия цвет мы будем применять термин спектральная интенсивность.

а) б)

Рисунок 1.5 – Искажения, вносимые на этапе обработки:

артефакты сжатия (а), артефакты масштабирования (б) Таким образом, в диссертации будут рассматриваться модели и методы коррекции искажений, связанных с изменением спектральной интенсивности, а также обусловленных взаимодействием спектра освещения с поверхностной структурой регистрируемого объекта. В частности, будут рассматриваться задачи спектральной (в т.ч. цветовой) коррекции [18, 19], а также задача коррекции хроматических аберраций как частный случай задачи цветовой коррекции. Хроматическая аберрация, вообще говоря, может трактоваться как специфический тип расфокусировки, при которой диаметр пятна размытия зависит от длины волны регистрируемого излучения. Заметим, что смаз и расфокусировка связаны с изменением спектральной составляющей изображения и относятся к искажениям комплексного типа. Поэтому вопросам построения моделей и коррекции этих искажений здесь также будет уделено большое внимание.

1.2 Состояние проблемы коррекции изображений

Коррекция искажений, связанных с отклонениями спектрального состава регистрируемого излучения от заданного (желаемого) спектра, описанных в предыдущем разделе, является актуальной во многих прикладных областях. Для многих областей, таких как подготовка изображений к печати, обработка фото, издательское дело, рекламное дело и отчасти видео- и кинопроизводство, обработка и коррекция изображений в промышленных масштабах выполняется операторами вручную, на основе большого количества эвристических методик. Формализация и автоматизации этих методик является одной из основных задач настоящей работы. Общие методы локализации и коррекции искажений мультиспектральных изображений, предлагаемые далее, во многом являются развитием идей, лежащих в основе методик, описываемых в настоящем разделе.

Автоматизация процесса коррекции изображений достигается за счет специализированного программного обеспечения – растровых редакторов изображений, которое реализует базовые операции по обработке и коррекции изображений. Существует достаточно большое количество программных систем для обработки растровых изображений

– Gimp, Krita, Photoshop [18], [19]. Однако, де-факто, стандартом в области является пакет Adobe Photoshop. Этот пакет определяет стандартный набор инструментальных средств, используемых в эвристических методиках цветовой коррекции.

Методики обработки и коррекции цветных изображений с использованием Adobe Photoshop описаны в монографиях Д. Маргулиса [18], [19]. Формализации данных методик в научных публикациях достаточно редки и разрозненны. Похожие, но упрощенные, алгоритмы используются в микропрограммах цифровых фото- и видеокамер. Как правило, эти алгоритмы достаточно широко патентуются.

Многие алгоритмы коррекции в микропрограммах фотокамер работают по принципу конвейера [20], [21], [22], [23]. Реализация алгоритмов выполнена в виде микропрограммы для SoC системы [21], [22]. Типичная схема обработки приведена на рисунке 1.6.

Рисунок 1.6 – Конвейерная постобработка изображения при цифровой съемке

Ряд работ посвящен задаче идентификации параметров съемки по выходному изображению [24], [25], [26]. Цвет пиксела изображения при цифровой съемке формируется посредством субпиксельного массива цветовых фильтров и интерполяционных методик. След этого массива и некоторые специфические артефакты идентифицируются по выходному изображению. Данный факт позволяет определить ряд параметров постобработки изображения в камере, как показано в работах [24], [25], [26], [27]. В ряде работ [28], наоборот, ошибки в идентификации массива цветовых фильтров по изображению являются основанием для заключения о том, что изображение подвергалось дополнительной обработке и может быть сфальсифицировано. Постобработка при съемке достаточно хорошо развита и происходит в реальном времени, однако высокого качества можно достичь только с использованием необходимой априорной информации, получаемой от оператора. Поэтому, несмотря на развитие средств автоматической коррекции, для получения приемлемого качества обработки изображения используются эвристические методики [18], [19], основанные на использовании инструментальных средств пакета Adobe Photoshop. Далее кратко рассматриваются указанные средства и методики согласно работам [18], [19], [29], намечаются пути их автоматизации.

Оператор цветокоррекции обычно выполняет обработку изображений в одном из следующих цветовых пространств – аддитивном пространстве RGB и субтрактивном пространстве CMYK. Иногда при работе учитывается, что базовые цвета этих пространств являются дополнительными. Тонкая коррекция оттенков обычно выполняется в равноконтрастном пространстве Lab. Компоненты a и b характеризуют цвет, а L отвечает за яркость. Наиболее полно приемы работы в данном пространстве описаны в [29].

Для большей наглядности выполняемой коррекции может быть использовано интегральное цветовое пространство HSL, компоненты которого отвечают соответственно за цветность, насыщенность и яркость изображения. Коррекция может выполняться также в монохроматическом пространстве, в градациях серого.

Основные задачи



Pages:   || 2 | 3 | 4 | 5 |   ...   | 10 |
 
Похожие работы:

«ЛЯШ Ася Анатольевна МЕТОДИКА ОБУЧЕНИЯ БУДУЩИХ УЧИТЕЛЕЙ ИНФОРМАТИКИ ИСПОЛЬЗОВАНИЮ ИНФОРМАЦИОННО-ОБРАЗОВАТЕЛЬНЫХ СИСТЕМ В ПРОФЕССИОНАЛЬНОЙ ДЕЯТЕЛЬНОСТИ Специальность 13.00.02 – теория и методика обучения и воспитания (информатика) Диссертация на соискание ученой степени кандидата педагогических наук Научный руководитель: доктор педагогических...»

«САВОСТЬЯНОВА ИРИНА ЛЕОНИДОВНА МЕТОДИЧЕСКАЯ СИСТЕМА ФОРМИРОВАНИЯ ПРОФЕССИОНАЛЬНОЙ ИНФОРМАЦИОННОЙ КОМПЕТЕНТНОСТИ БУДУЩИХ БАКАЛАВРОВ-ЭКОНОМИСТОВ В ДИСЦИПЛИНАХ ИНФОРМАЦИОННОГО ЦИКЛА 13.00.02 – Теория и методика обучения и воспитания (информатика, уровень высшего профессионального образования) Диссертация на соискание ученой степени кандидата...»

«Морозов Роман Викторович МОДЕЛЬ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ ПО ПОЖАРНОЙ БЕЗОПАСНОСТИ ЗДАНИЙ СФЕРЫ ОБРАЗОВАНИЯ 05.13.01 – Системный анализ, управление и обработка информации (информатика, вычислительная техника и управление) Диссертация на соискание ученой степени кандидата технических наук Научный...»

«Конфектов Михаил Николаевич Картографирование типов застройки Подмосковья по космическим снимкам Диссертация на соискание ученой степени кандидата географических наук по специальности 25.00.33 картография Научный руководитель: в. н. с., д. г. н. Кравцова В. И. Москва, 2015 Содержание ВВЕДЕНИЕ 1. ГЕОГРАФИЧЕСКИЕ И ИСТОРИЧЕСКИЕ УСЛОВИЯ ФОРМИРОВАНИЯ ЗАСТРОЙКИ...»

«Егоров Алексей Юрьевич ФОРМИРОВАНИЕ И РАЗВИТИЕ РЫНКА ОРГАНИЧЕСКОЙ АГРОПРОДОВОЛЬСТВЕННОЙ ПРОДУКЦИИ (НА ПРИМЕРЕ ЦФО) Специальность 08.00.05 Экономика и управление народным хозяйством (экономика, организация и управление предприятиями, отраслями, комплексами – АПК и сельское хозяйство) ДИССЕРТАЦИЯ на соискание ученой степени кандидата экономических наук...»

«Агрова Ксения Николаевна МЕТОД, АЛГОРИТМ И СТРУКТУРНО-ФУНКЦИОНАЛЬНАЯ ОРГАНИЗАЦИЯ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ОБ УЧАСТИИ КОМПАНИЙ НА ЭЛЕКТРОННЫХ ТОРГОВЫХ ПЛОЩАДКАХ Специальность 05.13.10 «Управление в социальных и экономических системах» Диссертация на соискание ученой степени кандидата...»

«ЖЕЛЕЗНЯКОВ ВЛАДИМИР АНДРЕЕВИЧ Разработка методики геоинформационного обеспечения оперативного обновления электронных карт большого объёма с использованием банка пространственных данных Специальность 25.00.35 – Геоинформатика Диссертация на соискание учёной степени кандидата технических наук Научный руководитель: доктор...»

«Шереужев Мурат Альбертович Совершенствование товародвижения на рынке подсолнечного масла Специальность: 08.00.05. – Экономика и управление народным хозяйством (экономика, организация и управление предприятиями, отраслями, комплексами: АПК и сельское хозяйство) Диссертация на соискание ученой степени кандидата экономических...»

«Федосеева Марина Васильевна СЕТЕВЫЕ СООБЩЕСТВА КАК СРЕДСТВО ОРГАНИЗАЦИИ УЧЕНИЧЕСКОГО САМОУПРАВЛЕНИЯ 13.00.02 — теория и методика обучения и воспитания (информатизация образования) Диссертация на соискание ученой степени кандидата педагогических наук Научный руководитель академик РАО, доктор педагогических наук, профессор Кузнецов А.А. МОСКВА 201...»

«Носаль Ирина Алексеевна Обоснование мероприятий информационной безопасности социально-важных объектов Специальность 05.13.19 – Методы и системы защиты информации, информационная безопасность Диссертация на соискание ученой степени кандидата технических наук Научный руководитель д.т.н., профессор Осипов В.Ю. Санкт-Петербург – 2015...»

«УДК 316.32 АБДУЛЛАЕВ Ильхом Заирович «ИНФОРМАТИЗАЦИЯ ОБЩЕСТВЕННО-ПОЛИТИЧЕСКОЙ ЖИЗНИ В УСЛОВИЯХ ГЛОБАЛИЗАЦИИ РАЗВИТИЯ» Специальность – 23.00.04 – Политические проблемы мировых систем и глобального развития Диссертация на соискание ученой степени доктора политических наук Ташкент – 2007 ОГЛАВЛЕНИЕ с. 3 – 15 ВВЕДЕНИЕ Глава 1. Понятийно-категориальные основы теории информационного...»

«ФИРСОВА Екатерина Валериевна ОБУЧЕНИЕ ДИСКРЕТНОЙ МАТЕМАТИКЕ СТУДЕНТОВ ВУЗА С ИСПОЛЬЗОВАНИЕМ ДИСТАНЦИОННЫХ ОБРАЗОВАТЕЛЬНЫХ ТЕХНОЛОГИЙ (на примере специальности/профиля «прикладная информатика (в экономике)») 13.00.02 – теория и методика обучения и воспитания (математика) ДИССЕРТАЦИЯ на соискание ученой степени...»

«Шаталов Павел Сергеевич СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО УПРАВЛЕНИЮ ПРИРОДНЫМИ ПОЖАРАМИ С ИСПОЛЬЗОВАНИЕМ ВЫСОКОПРОИЗВОДИТЕЛЬНЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ И ДАННЫХ КОСМИЧЕСКОГО МОНИТОРИНГА 05.13.01 Системный анализ, управление и обработка информации (информатика, вычислительная техника, управление) Диссертация на соискание ученой степени...»

«УДК 316.32 АБДУЛЛАЕВ Ильхом Заирович «ИНФОРМАТИЗАЦИЯ ОБЩЕСТВЕННО-ПОЛИТИЧЕСКОЙ ЖИЗНИ В УСЛОВИЯХ ГЛОБАЛИЗАЦИИ РАЗВИТИЯ» Специальность – 23.00.04 – Политические проблемы мировых систем и глобального развития Диссертация на соискание ученой степени доктора политических наук Ташкент – 2007 ОГЛАВЛЕНИЕ с. 3 – 15 ВВЕДЕНИЕ Глава 1. Понятийно-категориальные основы теории информационного...»

«Баженова Ирина Васильевна МЕТОДИКА ПРОЕКТИВНО-РЕКУРСИВНОГО ОБУЧЕНИЯ ПРОГРАММИРОВАНИЮ СТУДЕНТОВ МАТЕМАТИЧЕСКИХ НАПРАВЛЕНИЙ ПОДГОТОВКИ 13.00.02 – Теория и методика обучения и воспитания (информатика, уровень профессионального образования) Диссертация на соискание учёной степени кандидата педагогических наук Научный руководитель: доктор...»

«Масленников Андрей Геннадьевич РАЗРАБОТКА МЕТОДА ОБРАБОТКИ ТРАФИКА В ОЧЕРЕДЯХ МАРШРУТИЗАТОРОВ МУЛЬТИСЕРВИСНОЙ СЕТИ НА ОСНОВЕ НЕЧЁТКОЙ ЛОГИКИ Специальность 05.12.13 — Системы, сети и устройства телекоммуникаций Диссертация на соискание учёной степени кандидата технических наук Научный руководитель: кандидат технических наук Деарт В.Ю. Москва – 2015 Оглавление Стр. Введение............................»

«Талдонова Светлана Сергеевна МЕТОДИЧЕСКИЙ ИНСТРУМЕНТАРИЙ ОЦЕНКИ ИНВЕСТИЦИОННОЙ ПРИВЛЕКАТЕЛЬНОСТИ В СИСТЕМЕ КОРПОРАТИВНОГО УПРАВЛЕНИЯ ОРГАНИЗАЦИЕЙ Специальность 08.00.05 – Экономика и управление народным хозяйством (менеджмент) ДИССЕРТАЦИЯ на соискание учной степени кандидата...»

«ПРОКОПЬЕВ МИХАИЛ СЕМЕНОВИЧ МЕТОДИКА ОБУЧЕНИЯ ДИСЦИПЛИНЕ «ИКТ В ОБРАЗОВАНИИ» БУДУЩИХ ПЕДАГОГОВ НА ОСНОВЕ МОДУЛЬНОЙ МЕЖПРЕДМЕТНОЙ ИНТЕГРАЦИИ 13.00.02 – Теория и методика обучения и воспитания (информатика, уровень высшего профессионального образования) Диссертация на соискание ученой степени кандидата педагогических наук Научный...»

«Конорев Максим Эдуардович ВИРТУАЛЬНЫЙ ИСТОРИЧЕСКИЙ АРХИВ КАК СРЕДСТВО ИНФОРМАТИЗАЦИИ ИСТОРИЧЕСКОГО ОБРАЗОВАНИЯ ПРИ ПОДГОТОВКЕ БАКАЛАВРОВ В ВУЗЕ 13.00.02 – теория и методика обучения и воспитания (информатизация образования) Диссертация на соискание ученой степени кандидата педагогических наук Научный руководитель: доктор педагогических...»









 
2016 www.konf.x-pdf.ru - «Бесплатная электронная библиотека - Авторефераты, диссертации, конференции»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.