Методы и алгоритмы выделения контуров изображений в радиотехнических системах с использованием дискретной вейвлет-фильтрации 05. 12. 04 Радиотехника, в том числе системы и устройства телевидения
Скачать 326.45 Kb.
|
1 2
На правах рукописи Швидченко Светлана Александровна Методы и алгоритмы выделения контуров изображений в радиотехнических системах с использованием дискретной вейвлет-фильтрации 05.12.04 – Радиотехника, в том числе системы и устройства телевидения Автореферат Диссертации на соискание ученой степени кандидата технических наук Таганрог – 2013Диссертационная работа выполнена на кафедре «Информационные технологии в сервисе» Ростовского технологического института сервиса и туризма (филиала) ФГБОУ ВПО «Южно-российский государственный университет экономики и сервиса».
Защита состоится 30 мая 2013 г. в 1420 часов на заседании диссертационного совета Д 212.208.20 Южного федерального университета по адресу: 347928, Ростовская обл., г. Таганрог, ГСП-17А, пер. Некрасовский, 44. С диссертацией можно ознакомиться в зональной научной библиотеке Южного федерального университета по адресу г.Ростов-на-Дону, ул. Пушкинская 148. Отзыв на автореферат, заверенный гербовой печатью организации, просим направлять в двух экземплярах по адресу: 347928, г. Таганрог, Ростовской обл., ГСП-17А, пер. Некрасовский, 44, ученому секретарю диссертационного совета Д 212.208.20 Автореферат разослан «___» _________ 2013 г.  Ученый секретарь диссертационного совета Д 212.208.20 к.т.н., доцент В.В. Савельев 1 Общая характеристика работыАктуальность темы. В последнее время интенсивно развиваются системы цифровой обработки изображений. При этом в значительной мере возрастает объем хранимой информации и ее достоверность. Одновременно возникает задача оперативной обработки и извлечения полезной информации из больших массивов изображений. Такие задачи возникают в очень многих областях знаний: в медицине, радиолокации, исследовании Космоса и Земли, телевидении и т. д. Например, диагностика различных заболеваний по изображениям внутренних органов человека, обнаружение лесных пожаров, навигационные задачи, задачи технического зрения специальных систем и т. д. При решении задач, связанных с речевыми и другими одномерными сигналами, эти сигналы бывает полезно преобразовывать в изображения. Характерно, что эти задачи приходится решать при наличии различного рода мешающих факторов – помех, мешающих изображений, переменчивости условий наблюдения и т. п. Объем исходных данных обычно очень велик, они поступают с большой скоростью и требуют обработки в режиме реального времени. Оператор не в состоянии справиться с таким потоком информации. Единственным выходом из такой ситуации является компьютерная обработка изображений. Для этого необходимо создание соответствующих математических методов описания и обработки изображений, а также программного обеспечения применительно к конкретным задачам. Одной из наиболее сложных и актуальных задач обработки видеоизображе ния является проблема выделения и распознавания объектов при наличии различного рода помех и создание на этой основе системы мониторин га. Главная задача таких систем - информировать человека о ситуации, сложив шейся в поле зрения камеры, и по возможности предпринять какие-либо заранее предусмотренные и программно заложенные действия. Вопросам обработки нестационарных сигналов новым математическим аппаратом – вейвлет-анализом посвящено достаточное количество работ зарубежных авторов, таких как: Daubeshies I., Chui C.K., Coifman R., Gross M., Mallat S., Stollnitz E., Sweldens W. и др. Российскими авторами опубликовано большое число работ в области вейвлет-анализа сигналов, а также посвященным разработке новых математических методов в теории сигналов. К ним относятся: Переберин А.В., Дремин И., Воробьев В.И., Грибунин В.Г., Дьяконов В.П., Кравченко В. Ф., Рвачев В. А. Одной из тенденций развития современных информационных технологий является разработка методов и алгоритмов анализа сигналов и их производных на фоне шумов регистрации. Такие задачи возникают при математическом моделировании различных динамических процессов и объектов, описываемых дифференциальными уравнениями, а также при обработке изображений в задаче выделения контуров. Без умения достаточно эффективно решать задачи такого рода невозможно вести речь о создании соответствующих информационных систем обработки сигналов и изображений. Общим во всех этих задачах является то, что для автоматизированной обработки результатов измерений требуется вычисление производных различного порядка на фоне шума. Задача дифференцирования сигналов является некорректной, поэтому применяя традиционные дифференцирующие цепочки, оказывается невозможно создать достаточно близкий к идеальному дифференциатор. Очень часто решение задачи выделения контуров используется в промышленности при создании автономных роботов, а также систем анализа изображений в сложных условиях наблюдения, при воздействии различных мешающих факторов, усложняющих процесс регистрации изображения и при отсутствии априорных сведений о виде фоновых шумов. Это значит, что методы и алгоритмы обработки информации с датчиков изображения должны учитывать наличие шумов различной природы, связанных с регистрацией изображений и сигналов в реальных системах. При этом известные в настоящее время алгоритмы решения таких задач предполагают предварительную фильтрацию изображений, а затем решение задачи выделения контуров. При построении методов и алгоритмов фильтрации изображений требуется априорное знание характеристик искажающих помех. На практике, в большинстве случаев такая информация отсутствует или является приближенной. Отмеченное выше делает вполне очевидной актуальность проведения исследований существующих и создания новых методов цифрового дифференцирования сигналов и изображений, зарегистрированных на фоне шума, а также выбора таких из них, которые наиболее пригодны для реализации с использованием средств современной вычислительной техники, позволяют достичь высоких качественных характеристик, и не требуют знания априорных характеристик помех и фоновых шумов. Таким образом, научная задача разработки методов автоматизированного анализа результатов измерений для выделения контуров объектов в изображениях при наличии фонового шума в настоящее время не решена в достаточной мере, и является актуальной. Объект исследования: системы обработки сигналов цифровых изображений в сложных условиях наблюдения, при воздействии различных мешающих факторов, усложняющих процесс регистрации и при отсутствии априорных сведений о виде фоновых шумов. Предмет исследования: методы и алгоритмы обработки изображений при выделении контуров цифровых изображений на фоне шума. Цель работы: повышение точности (эффективности) выделения контуров фрагментов изображений, регистрируемых на фоне шума, на базе дискретного вейвлет-дифференцирования. Решение сформулированной выше научной задачи обуславливает необходимость постановки и решения следующих частных задач: - разработать метод дифференцирования сигналов и изображений на фоне шума с использованием дискретного вейвлет-преобразования; - разработать алгоритмы обработки изображений в условиях наличия шума с целью повышения эффективности выделения контура; - разработать метод определения вида плотности распределения сигналов и изображений с использованием математического аппарата кумулянтного анализа; - провести анализ эффективности и точностных характеристик синтезированных методов и алгоритмов; - создать пакет прикладных программ, позволяющих моделировать и проводить исследования процессов, протекающих в системах обработки изображений при выделении контуров; - разработать практические рекомендации по использованию синтезированных алгоритмов с целью создания перспективных систем обработки изображений. Методы исследования: в диссертационной работе теоретические исследования проведены с использованием методов теории вероятностей, а также методов вейвлет-преобразований. При проведении экспериментальных исследований использовались численные методы машинного моделирования и вычислительного эксперимента с использованием языков высокого уровня программирования. Достоверность и обоснованность результатов диссертационной работы подтверждается полнотой и корректностью исходных посылок, теоретическим обоснованием, основанным на использовании строгого математического аппарата, совпадением теоретических результатов с результатами статистического моделирования и экспертизами, проведенными при получении свидетельств об официальной регистрации программ для ЭВМ и широким обсуждением полученных результатов на научно-технических конференциях и семинарах. Научная новизна работы состоит в том, что в ней нашли дальнейшее развитие методы вейвлет-обработки сигналов и изображений в следующих направлениях: 1. Впервые синтезирован новый метод восстановления первой и второй производной сигнала путем прямого и обратного дискретного вейвлет-преобразования, позволяющий повысить точность вычисления соответствующих производных на фоне аддитивного шума. 2. Разработан новый метод и алгоритмы вейвлет-дифференцирования изображений на базе вейвлетов DOG, WAVE и MATH с использованием дискретного вейвлет-преобразования, позволяющие повысить эффективность выделения контуров изображений и не требующих априорной информации о характеристиках фонового шума. 3. Разработана новая методика оптимизации числа членов ряда вейвлет-разложений, применение которой позволяет понизить избыточность преобразования и сократить объем вычислительных затрат на реализацию алгоритмов вейвлет-дифференцирования. 4. Разработан новый кумулянтный метод определения вида плотности распределения выборки случайной величины, позволяющий выработать гипотезу о виде плотности распределения шумов в изображениях и сигналах. Практическая значимость работы состоит в следующем: 1. Разработанный метод восстановления первой и второй производной сигнала путем прямого и обратного дискретного вейвлет-преобразования, позволяет повысить точность вычисления соответствующих производных на фоне аддитивного шума (уменьшить дисперсию ошибки) в 3÷5 раз по сравнению с известными. 2. Разработанный метод и алгоритмы вейвлет-дифференцирования изображений на фоне шума с использованием дискретного вейвлет-преобразования, позволяют повысить отношение пиковый сигнал-шум на 4,8÷9,6 дБ и на 2,8÷4,2 дБ уменьшить среднеквадратическое отклонение. 3. Проведены исследования предложенных алгоритмов выделения контуров восьмибитных изображений размером 512*512 «Тест», «Lena», «Cameramen», «House», с использованием вейвлетов DOG, WAVE и MATH на фоне шума для моделей с математическим ожиданием шума m0=0 и СКО формирующего шума в пределах от 5 до 50 с использованием дискретного вейвлет-преобразования. При этом полученные количественные результаты и экспертные оценки качества выделения контуров изображений позволяют сделать вывод о преимуществах предложенных алгоритмов по сравнению с известными. 4. Выполнена оценка вычислительных затрат, обусловленных применением синтезированных методов, позволяющая наилучшим образом выбрать параметры вычислительных алгоритмов при их реализации на ЭВМ. Показано, что для восьмибитного изображения размером 512*512 выигрыш в вычислительных затратах составит 1,7 раза. При этом для изображений большего размера он уменьшается. 5. Применение разработанного кумулянтного метода для определения гипотезы о виде плотности распределения шумов позволяет получить дополнительную априорную информацию о виде искажений цифрового изображения и более эффективно организовать процесс его анализа и обработки. 6. Разработанный пакет прикладных программ (свидетельства о регистрации программы для ЭВМ № 2010613246, 2010613401, 2010613399, 201061340, 2010613065) на основе вейвлет-преобразования обеспечивает обработку с высокой скоростью сигналов и изображений. Данные программные продукты позволяют находить первую и вторую производные сигналов, проводить оптимизацию числа коэффициентов вейвлет-преобразования, а также проводить кумулянтный анализ негауссовских случайных величин. Результаты диссертационной работы были использованы в отчетах по НИР Министерства образования РФ: - грант в рамках проекта по аналитической ведомственной целевой программе «Развитие научного потенциала высшей школы (2009-2011 годы)», подраздел 2.1.2 «Проведение фундаментальных исследований в области технических наук», проект: «Теоретические основы решения задач управления – идентификации – оценивания на основе объединенного принципа максимума»; - грант по Федеральной целевой программе «Научные и научно-педагогические кадры инновационной России» на 2009 - 2013 годы», мероприятие 1.2.1, проведение научных исследований научными группами под руководством докторов наук на тему: «Создание и исследование smart-технологий для доступа к широкополосным мультимедийным услугам»; - грант по Федеральной целевой программе «Научные и научно-педагогические кадры инновационной России» на 2009 - 2013 годы», мероприятие 1.4, поддержка развития внутрироссийской мобильности научных и научно-педагогических кадров путем выполнения научных исследований молодыми учеными и преподавателями в научно-образовательных центрах на тему: «Основы совмещенного синтеза оптимальных информационных, управляющих и навигационных систем». Научные результаты и практические рекомендации реализованы в ФУГП «Связь», ФКУ НПО «СТиС» МВД России г. Ростов-на-Дону, для выделения контуров изображений на фоне шума, а также в учебном процессе РТИСТ (филиал) ФГБОУ ВПО «ЮРГУЭС». Основные результаты и положения, выдвигаемые на защиту: - при комплексном использовании предложных в диссертационной работе методов и алгоритмов вейвлет-дифференцирования возможно существенно повысить точность дифференцирования сигналов и изображений, а также достоверность выделения контуров изображений на фоне шума; - метод восстановления первой и второй производной сигнала путем прямого и обратного дискретного вейвлет-преобразования на фоне аддитивного шума, позволяющий повысить точность вычисления соответствующих производных на фоне аддитивного шума по сравнению с известными; - метод и алгоритмы вейвлет-дифференцирования изображений с использованием вейвлетов DOG, WAVE и MATH на базе дискретного вейвлет-преобразования, не требующие априорной информации о характеристиках фонового шума и позволяющие повысить отношение пиковый сигнал-шум и уменьшить среднеквадратическое отклонение ошибки определения контура изображения; - методика оптимизации числа членов ряда вейвлет-разложений, позволяющая понизить избыточность преобразования и сократить объем вычислительных затрат на реализацию алгоритмов вейвлет-дифференцирования. Структура и объем работы. Результаты исследований в соответствии с выбранным направлением изложены во введении, в четырех главах работы и заключении. Общий объем диссертации 188 страниц, включая 37 иллюстраций, 11 таблиц, список литературы из 136 наименований и 5 приложений. Апробация работы. Материалы диссертации докладывались и обсуждались на 6 научно-технических конференциях: - 3, 4 Международной научной конференции «Современные проблемы радиоэлектроники» 2010г, 2012г, г. Ростов-на-Дону, РТИСТ ЮРГУЭС; - Всероссийской конференции с элементами научной школы для молодежи «Проведение научных исследований в области обработки, хранения, передачи и защиты информации» 2009г, г. Ульяновск, УлГТУ; - Всероссийской научно-практической конференции «Транспорт-2010», 2010г, г. Ростов-на-Дону, РГУПС; - Международной молодежной научно-практической конференции «Инфоком-2011», «Инфоком-2012», «Инфоком-2013», 2011г, 2012г, 2013г, г. Ростов-на-Дону, СКФ МТУСИ; - II Международном научном семинаре «Системный анализ, управление и обработка информации», 2012г. г. Ростов-на-Дону, ДГТУ; - XI науково-технiчноi конференцii аспiрантiв та студентiв в м. Донецьку 17-20 травня 2011 р. Украина, г. Донецк, ДонНТУ. Публикации. Основные научные и практические результаты, опубликованы в 20 научных работах, в том числе 4 - в журналах из перечня ВАК: «Вестник компьютерных и информационных технологий»; «Сервис в России и за рубежом»; «Успехи современной радиоэлектроники» (издательство «Радиотехника»); «Нелинейный мир» (издательство «Радиотехника»). По материалам диссертации получено 5 свидетельств на регистрацию программ для ЭВМ. 2 Краткое содержание работы Во введении приведена общая характеристика работы, проанализированы особенности цифровой обработки сигналов и изображений, обоснована актуальность решаемых в диссертации задач, проанализированы основные результаты, достигнутые в области разработок методов обработки сигналов и изображений к началу работы над диссертацией, сформулированы цель и задача исследования, дан краткий обзор содержания диссертации, перечислены новые научные результаты, полученные в ней, приведены сведения о практической ценности работы и апробации результатов. В первой главе рассмотрены общие вопросы цифровой обработки сигналов и изображений. Проведен анализ современного состояния исследуемой предметной области и определение основных направлений решения поставленной в общем виде научной задачи. В конце главы приводится математическая постановка решаемой научной задачи. Вторая глава посвящена разработке методов и алгоритмов вейвлет-дифференцирования сигналов и изображений. Прямое дискретное вейвлет-преобразование вычисляется по следующей формуле:  , (1)где  - отсчеты сигнала, k=0…N-1,  - дискретные значения вейвлет-функции,  ,  - множество целых чисел.Если  , то возможно восстановление сигнала в соответствии со следующим выражением:  . (2)Выражение для производной результатов измерений с использованием их вейвлет-преобразований с учетом (1) запишется в следующем виде:  . (3)Соответственно, вторая производная может быть найдена из выражения:  . (4)Рисунок 1. 1 – дисперсия ошибки для разностной схемы вычисления производной -  , 2 - дисперсия ошибки для первой производной сигнала, дифференцированного с использованием вейвлет-преобразования -  , 3 - дисперсия ошибки для второй производной сигнала, дифференцированного с использованием вейвлет-преобразования - .   На рисунке 1 приведены результаты вычислительного эксперимента – зависимость дисперсий  ,  ,  от дисперсии белого гауссовского шума  . Предложенный метод вейвлет-преобразования дает возможность дифференцировать результаты измерений с меньшей погрешностью, чем разностная схема. Это хорошо видно из рисунка 1. При увеличении дисперсии шума (увеличении погрешности измерений) разностная схема дифференцирования начинает давать значительную погрешность, а вейвлет-преобразование восстанавливает первую и вторую производные сигнала. При этом погрешность дифференцирования практически не зависит от дисперсии шума (погрешности измерений). Очевидно, что имея информацию о поведении первой и второй производных, можно определять локальные максимумы сигналов на фоне шума и другие особенности сигналов. Процедура определения параметров сигналов по первой и второй производной с использованием предложенного нового метода вейвлет-дифференцирования следующая:
В диссертации впервые разработан новый метод оптимизации числа вейвлет-коэффициентов при анализе нестационарного сигнала, позволяющий значительно снизить объем вычислительных затрат при прямом и обратном вейвлет-преобразовании и, соответственно при вычислении производных первого и высших порядков. Суть методики заключается в предварительной оценке дисперсии восстановления сигналов на фоне шума в зависимости от числа уровней вейвлет-преобразования. При этом выбирается число уровней преобразования, обеспечивающее минимум дисперсии ошибки. В дальнейшем это число уровней используется при проведении вейвлет-дифференцирования. Также во второй главе рассмотрен новый метод вейвлет-дифференцирования изображений. Для вычисления градиента изображения могут быть использованы следующие выражения:  (5)  (6) Тогда выражение для квадрата градиента интенсивности в терминах вейвлет –дифференцирования может быть записано следующим образом:  (7) В выражениях (5)÷(7)   коэффициенты прямого дискретного вейвлет-преобразования по i-ым строкам матрицы   . Соответственно   - коэффициенты прямого дискретного вейвлет-преобразования по j-ым столбцам матрицы .В третьей главе рассмотрен кумулянтный метод идентификации вида закона распределения на базе анализа сигналов и изображений. В дальнейшем правильность гипотезы может быть проверена с помощью известных критериев, например Колмогорова или Стьюдента. Кумулянтное описание случайных величин дает столь же полное их статистическое представление, сколь и моментное, оно обладает, вместе с тем, важными и привлекательными преимуществами. Первое преимущество заключается в том, что кумулянты, в отличие от моментов имеют четко выраженный самостоятельный статистический смысл и могут быть заданы в определенной степени независимо друг от друга, являясь в этом плане некоторыми «нормальными координатами» статистического описания. Второе преимущество кумулянтов связано с тем, что учет их высших порядков позволяет просто описать любую степень негауссовости случайных величин. По этой причине основную ценность кумулянтное описание имеет именно для негауссовых переменных. Третье, весьма важное преимущество кумулянтного описания случайных величин обусловлено тем, что конечному набору кумулянтов всегда соответствует некоторая вещественная функция, аппроксимирующая вероятностное распределение. В предложенном методе на базе эмпирических моментов определяются эмпирические значения кумулянтов. При этом необходимо обеспечить нормировку по второму кумулянту. В качестве критерия «близости» исследуемого распределения к тому или иному виду может служить следующее выражение:  (8) где: i- вид распределения, i=1, 2, 3,  - кумулянты, рассчитанные аналитически,  - кумулянты, рассчитанные эмпирически. Практическая значимость предложенного метода заключается в том, что гауссовский шум используется в качестве естественного приближения в тех случаях, когда детекторы изображения работают на пороге чувствительности. Размеры зерен на фотоэмульсии являются случайными величинами с логарифмически нормальным распределением. Шум типа «соль и перец» возникает в устройствах с ошибочной коммутацией. Шум, распределенный по экспоненциальному закону и закону Эрланга используется при описании искажений на изображениях, полученных с помощью лазерного излучения. Шум Релея образуется при фиксации удаленных изображений. Таким образом, знание вида плотности распределения позволяет получить дополнительную априорную информацию о виде искажений цифрового изображения и более эффективно организовать процесс его анализа и обработки. Также в третьей главе проведен анализ вычислительных затрат на реализацию предложенных методов вейвлет-дифференцирования и показаны их преимущества. В таблице 1: W1 – вычислительные затраты для метода Собеля, W2 – для метода вейвлет-дифференцирования. Таким образом, для большинства используемых в настоящее время изображений предложенный метод обеспечивает выигрыш в вычислительных затратах. Таблица 1 Выигрыш в вычислительных затратах
В четвертой главе проведен анализ результатов численного моделирования и даны научно - обоснованные рекомендации по практической реализации синтезированных методов и алгоритмов. Изображения в процессе формирования их изображающими системами (фотографическими, голографическими, телевизионными) обычно подвергаются воздействию различных случайных помех или шумов. При математическом моделировании использовался случайный аддитивный шум, статистически независимый от сигнала. Такая модель шума хорошо описывает шум квантования в аналого-цифровых преобразователях, действие зернистости фотопленки, и т.п. Поэтому при проведении диссертационных исследований использовались статистические критерии. В качестве количественных критериев в работе использованы следующие. 1. Среднеквадратическое отклонение  :    (9)При этом в качестве тестового изображения MT использовалось изображение контуров, полученное из незашумленного исследуемого изображения детектором границ Кани. В дальнейшем на исходное изображение накладывался аддитивный гауссовский шум и проводилось определение контуров предложенным методом вейвлет-дифференцирования и известным методом Собеля. При этом были получены изображения  .2. Отношение пиковый сигнал/шум SNR1:  ;  ; (10)где  - среднее значение  , M, N - размерность изображения.3. Отношение пиковый сигнал/шум SNR2 (с использованием в расчетах СКО фона):  ; (11)где:  - СКО фона;  - среднее значение фона; n1, m1- координаты выбранной площадки фона размером  на исследуемом изображении  , . (12)Рассмотрим эффективность предложенного метода на примере выделения контура исходного тестового изображения рис 2а. На рисунках 2 и 3 приведены результаты тестирования предложенных в работе алгоритмов для случая дисперсии формирующего шума σ =30. а) б) в)    Рисунок 2 - а) исходное тестовое изображение б) тестовое изображение, СКО формирующего шума σ =30 в) результат обработки изображения Рис. 2б оператором Собеля а) б) в)    Рисунок 3 - а) результат обработки изображения Рис. 2б вейвлетом WAVE; б) результат обработки изображения Рис. 2б вейвлетом DOG; в) результат обработки изображения Рис. 2б вейвлетом MATH В диссертационной работе рассмотрена эффективность предложенных методов и алгоритмов на серии тестовых изображений «Тест», «Lena», «Cameramen», «House». При реализации предложенного метода были использованы вейвлеты DOG, WAVE и MATH. На рисунках приведены результаты исследований изображения «Cameramen» для формирующего шума с СКО σ =30. а) б) в)    Рисунок 4 - а) исходное изображение «Cameramen»; б) изображение «Cameramen», СКО формирующего шума σ =30 в) результат обработки изображения Рис. 4б оператором Собеля а) б) в)    Рисунок 5 - а) результат обработки изображения Рис. 4б вейвлетом WAVE; б) результат обработки изображения Рис. 4б вейвлетом DOG; в) результат обработки изображения Рис. 4б вейвлетом MATH В таблице 2 приведены значения , SNR1 и SNR2 для серии тестовых изображений. Результаты расчетов приведены для модели с математическим ожиданием шума m0=0 и СКО σ =5, 20, 30, 40, 50. Анализ представленных на рисунках изображений и результатов, представленных в таблице 2 позволяет сделать следующие выводы. Предложенный метод обработки изображений на базе математического аппарата вейвлет-дифференцирования позволяет эффективно выделять контуры изображений, искаженных шумом. Таблица 2 Усредненные значения , SNR1 и SNR2 для серии тестовых изображений, формирующий шум с m0=0.
В данном случае свойства вейвлет-преобразования позволяют отказаться от применения различных масок, то есть, по сути, отказаться от малоэффективных методов численного дифференцирования. На базе предложенного метода могут быть реализованы и другие алгоритмы выделения контуров на базе вейвлет-дифференцирования с использованием других вейвлетных базисов. В заключении сформулированы основные результаты, полученные в результате работы над диссертацией. В приложениях приведен пакет прикладных программ, использованных при обработке сигналов и изображений. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
1 2
Добавить документ в свой блог или на сайт
Похожие:
 | Способы обнаружения аномальных значений при анализе нестационарных случайных процессов Специальность 05. 12. 04 – Радиотехника, в том числе системы и устройства телевидения | | Рабочая программа по учебной дисциплине история и философия науки Радиотехника, в т ч системы и устройства телевидения; 05. 12. 07 Антенны, свч-устройства и их технологии; 05. 12. 13 Системы, сети... |
| Урока по информатике и геометрии по теме "Алгоритмы создания изображений.... ... | | Улучшение качества гидроакустических изображений на основе метода... |
 | Оборудование космических кораблей Системы поддержания жизнедеятельности экипажа, в том числе системы терморегуляции, энергетические системы, системы рециркуляции воздуха,... | | Контрольная работа по курсу «Информатика» включает следующие блоки:... Используя алгоритмы перевода из одной системы счисления в другую, представить предложенные в вашем варианте числа в указанных системах... |
| Программа по формированию навыков безопасного поведения на дорогах... Цель урока: закрепление, обобщение и систематизация знаний учащихся по теме «Системы счисления» правил перевода и выполнения арифметических... | | Анализ и фильтрация изображений большой информационной емкости на... |
| Методы и алгоритмы обработки изображений в системе телевизионного... Специальности: 05. 13. 11 математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей | | Основная образовательная программа по направлению подготовки магистров 210400. 68 «Радиотехника» Общие положения Основная образовательная программа по направлению подготовки магистров 210400. 68 «Радиотехника», магистерская программа... |
| Разработка и исследование алгоритмов распознавания изображений на... | | Кино и телевидения ... |
| Социолингвистика Текущий контроль осуществляется с использованием накопительной балльно-рейтинговой системы и включает оценку самостоятельной (внеаудиторной)... | | Что такое медиаурок и чем он отличается от традиционного? Медиа это эмоционально яркое сообщение. Медиа – это коммуникационные средства в виде символов, изображений, речи, фильма, радио,... |
| Курсовая работа на тему: «Исследование эффективности поиска в Интернете... Целью данной работы является оценка эффективности поисковых стратегий в информационно-поисковых системах (ипс) | | Патентам и товарным знакам (19) Степанов о. А. Применение теории нелинейной фильтрации в задачах обработки навигационной информации. Спб.: Гнц РФ цнии «Электроприбор»,... |
