Главная Контакты Добавить в избранное Авторы Вопросы и ответы
,

УДК 681.3.01:519.67

ОПРЕДЕЛЕНИЕ ГРАНИЦ СЕГМЕНТА УПОРЯДОЧЕННОЙ ТЕКСТУРЫ НА ИЗОБРАЖЕНИИ С ОДНОРОДНЫМ ФОНОМ С ПОМОЩЬЮ МНОГОКАНАЛЬНОГО ОБНАРУЖЕНИЯ ПАЧКИ ИМПУЛЬСОВ

Полякова М.В.

Постановка проблемы. Помеховая ситуация является фактором, существенно ограничивающим область применения автоматизированных систем обработки и распознавания изображений. Повышения помехоустойчивости этих систем можно, в частности, достигнуть путём использования помехоустойчивых методов на одном из этапов решения задачи анализа и распознавания изображений – текстурной сегментации. Текстурная сегментация заключается в разбиении изображения на области с однородной текстурой.

Существующие модели текстур [1] целесообразно разделить на структурные, статистические и спектральные. Статистические модели текстур оценивают наличие или отсутствие пространственного взаимодействия между непроизводными элементами текстуры. Под непроизводными элементами понимаются области изображения с определенным изменением значений интенсивности.

Спектральные модели текстур выражают каждый из фрагментов текстуры в некоторой новой системе координат, базисные векторы которой интерпретируются в терминах пространственной частоты или других параметров описания текстуры.

Структурные модели текстур основаны на предположении, что текстура составлена из регулярно или почти регулярно распределенных по пространству непроизводных элементов [2]. Предполагается, что изображение включает несколько областей, текстурные различия которых обусловлены изменением типа или пространственной организации непроизводных элементов. Структурные модели текстур позволяют представить упорядоченные текстуры, которые по уровню сложности целесообразно разделить на равномерные и неравномерные. Равномерные текстуры характеризуются совокупностью равноотстоящих непроизводных элементов, идентичных по форме и ориентации. Для неравномерных текстур непроизводные элементы в пределах текстурно однородных областей изображения могут содержать случайные изменения координат их пространственного положения, ориентации и искажения формы.

Задача сегментации изображений упорядоченных текстур рассматривается в двух постановках: выделение текстурной области на однородном фоне и выделение границ текстурных областей. Параметры упорядоченной текстуры определяются априорной информацией о форме непроизводных элементов текстуры и расстоянии между ними. Эти параметры полагаются известными или неизвестными. В данной работе рассматривается одна из задач сегментации изображений упорядоченных текстур — выделение текстурной области на однородном фоне с известными параметрами текстуры.

Анализ последних публикаций. Нерешенные части общей проблемы. В результате анализа литературы по проблеме сегментации упорядоченных текстур выделим две группы методов сегментации. Методы первой группы [2] осуществляют переход от значений признака сегментации к значениям интенсивности изображения и включают процедуры оценки признака сегментации или величины, функционально связанной с этим признаком; сигнально-семантического преобразования (ССП), подчеркивающего границы между однородными областями изображения; пороговой и морфологической обработки потенциальных границ однородных текстурных областей. Согласно второй группе методов текстурной сегментации изображений [3] производится оценка признака сегментации, классификация векторов признака, выделение граничных точек однородных областей и обработка границ.

Процедуры, составляющие содержание методов первой группы текстурной сегментации изображений (детекторных) позволяют достичь высокого быстродействия и просты в реализации. Однако они непомехоустойчивы и дают высокую погрешность определения координат точек границ текстурных областей.  Методы текстурной сегментации, использующие классификацию векторов признака, более сложные и не обладают высоким быстродействием. Эти методы помехоустойчивы и позволяют получить низкую погрешность определения координат точек границ текстурных областей. Т. к. согласованная фильтрация — оптимальная процедура по критерию максимума отношения сигнал/шум на выходе линейного фильтра, для повышения помехоустойчивости детекторных методов сегментации упорядоченных текстур целесообразно использовать в составе процедуры сегментации корреляционно-экстремальную обработку на базе многоканального обнаружения пачки импульсов.

Целью работы является повышение помехоустойчивости выделения текстурного сегмента изображения на однородном фоне путём разработки корреляционно-экстремального метода сегментации упорядоченных равномерных текстур. Для достижения поставленной цели решены следующие задачи:

¾          предложена структурно-статистическая модель изображения текстурной области на однородном фоне;

¾          на основе теории статистических решений получено оптимальное по критерию максимального правдоподобия решающее правило алгоритма многоканального обнаружения пачки импульсов значений интенсивности изображения на фоне белого гауссовского шума;

¾          сформулирован корреляционно-экстремальный метод сегментации упорядоченных равномерных текстур изображения и проведены экспериментальные исследования этого метода.

Структурно-статистическая модель изображения текстурной области на однородном фоне.            Первым этапом создания методов текстурной сегментации изображений, удовлетворяющих требованиям помехоустойчивости, является моделирование изображения. Поэтому сформулируем структурно-статистическую модель изображения текстурной области на однородном фоне.

            Пусть полутоновое изображение I(x, y), х=1, ..., N; y=1, …, М; представлено значениями интенсивности в точках  (x, y), где x, y — пространственные координаты. Для определения математической модели текстурной области на однородном фоне предположим, что совокупность значений интенсивности m-й строки изображения I(x, ym) включает область равномерной текстуры . Равномерная текстура , состоящая из равноотстоящих непроизводных элементов , определяется формулой

,

где  — период следования непроизводных элементов,  — их количество в текстурной области m-й строки изображения, “*”— оператор свертки, — детерминированная функция пространственной координаты х, для которой существует преобразование Фурье. Так как  совокупность значений интенсивности m-й строки изображения   I(x, ym) содержит текстурную область на однородном фоне, разобьем область определения [0, N] строки изображения на 3 сегмента точками  так, чтобы сегмент [] представлял текстурную область изображения. Последняя в терминах значений интенсивности m-й строки изображения определяется фрагментом текстуры  : , где 

   При формировании изображений существенно влияние внутренних шумов датчиков различной физической природы, адекватной моделью которых является адитивная гауссовская модель [4]. Тогда представим значения интенсивности m-й  строки изображения текстурной области на однородном фоне в виде разбиения на последовательные непересекающиеся сегменты

                                                         (1)

где — представление фона m-й строки изображения,  — белый гауссовский шум с нулевым средним и дисперсией . Значение фоновой составляющей изображения изменяется, однако это изменение ограничено:

  ,                                      

где — параметр модели.

Последовательности импульсов и их свойства. Импульсы — это колебания, существующие лишь в пределах конечного пространственного интервала [5].

 

Рис. 1 Импульс (а) и пачка из 3-х импульсов (б).

 

При решении практических задач часто пользуются числовыми параметрами импульса, дающими упрощённое представление о его форме. Так, для импульса, близкого по форме к прямоугольнику (рис. 1, а) принято определять его амплитуду А и длительность импульса.

Иногда импульсы удобнее обрабатывать пачками (рис. 1, б). Это производится в случаях, когда учитывается поведение исходной функции не в отдельных мало удалённых одна от другой точках, а в окрестностях этих точек. Для последовательности импульсов вводится понятие периода следования импульсов Tn — расстояния между соседними импульсами.

Оптимальное по критерию максимального правдоподобия решающее правило алгоритма многоканального обнаружения пачки импульсов. Пусть полезный сигнал изображения представлен матрицей нулей и единиц и наблюдается на фоне полутонового аддитивного  гауссовского шума. Получим решающее правило для обнаружения пачки импульсов на однородном фоне, оптимальное по критерию максимального правдоподобия. Согласно структурно-статистической модели изображения текстурной области на однородном фоне (1) определим модели эталонных фрагментов m-й строки изображения как

,

,

,

…,

,

,

,

…,

 

.                       (2)

 

Сигналы ,, …,  содержат (n-1)+tu отсчетов. Сигналы ,  соответствуют одиночным импульсам; , — пачкам из 2-х импульсов; сигнал — пачке из n импульсов.

Пусть на входе системы имеется аддитивная смесь сигнала и шума, что соответствует текстурной области в модели (1):

                              ,                                                       (3)

где , — значения интенсивности фрагмента m-й строки незашумленного изображения, определяемые формулой (2), — гауссовский белый шум с дисперсией  и нулевым средним, , где l=(n-1)+tu — количество пикселей во фрагменте m-й строки изображения. Значение k=0 в (3) соответствует случаю, когда на входе системы наблюдается только шум, это отвечает области фона в модели (1).

            Предположения о том, что фрагмент m-й строки изображения содержит тот или иной сигнал, реализуются в виде статистических гипотез Н0, …, Н2n-1, где Нk, — гипотеза о том, что фрагмент m-й строки изображения содержит сигнал .

            Задача различения сигналов ,, …,  на фоне помехи представляет многоальтернативный вариант проверки статистических гипотез Н0, …, Н2n-1. Решением  в этом случае является принятие гипотезы Нk и отклонение остальных гипотез Нi,  i¹k [6].

   Фрагмент m-й строки изображения размера l  является элементом выборочного пространства, на котором задана система функций правдоподобия .

Пусть на входе системы имеется только белый шум, тогда совместная  плотность вероятности выборки (функция правдоподобия) имеет вид:

.

Если на входе системы — аддитивная смесь сигнала и шума, то функция правдоподобия определяется как

, k=1, …, 2n-1.

Т. к. не имеется априорной информации о том, как часто появляется в строке изображения тот или иной сигнал, предположим, что появление сигналов ,, …,  равновероятно. Частным случаем алгоритма максимальной апостериорной вероятности различения сигналов при равновероятных гипотезах Н0, …, Н2n-1 является алгоритм максимального правдоподобия. Оптимальный по критерию максимального правдоподобия алгоритм различения сигналов формулируется следующим образом: принимается решение  о том, что        фрагмент m-й строки изображения содержит сигнал , если [6]

                               , k=0, …, 2n-1.                                  (4)      

Т. к. логарифм — онотонная функция, то оптимальное решающее правило можно переписать в виде:

                        , k=0, …, 2n-1.                                  (5)

 

Преобразуем  , k=0, …, 2n-1; cледующим образом:

.

            Тогда оптимальное решающее правило (5) можно представить в следующем виде:

                                                            , k=0, …, 2n-1.                                 (6)

Приведённые выкладки с незначительными изменениями справедливы для детерминированного сигнала  в качестве эталона, где решающее правило определяется (6). Получим оценки неизвестной амплитуды , детерминированного сигнала  и фона .

По методу наименьших квадратов расстояние между значениями интенсивности фрагмента изображения и эталонного сигнала должно быть минимальным:

где , .

Вычислив частные производные  и приравняв их к нулю, получаем систему уравнений:

 

Из этой системы уравнений получаем:

       ,                              (7а)

                                     .                                     (7б)

Формулы (6, а, б) можно преобразовать к виду

 

                ,                               (8а)

                            .                                                 (8б)

 

Корреляционно-экстремальный метод определения границ сегмента упорядоченной равномерной текстуры на однородном фоне. Сформулируем корреляционно-экстремальный метод определения границ сегмента упорядоченной равномерной текстуры на однородном фоне (рис. 2).

Каждая строка исходного изображения подвергается корреляционно-экстремальной обработке согласованными фильтрами СФ0, СФ1, …, СФ2n-1, содержащими эталонные фрагменты строки изображения ,, …,  последовательностей из 1, 2, …, п непроизводных элементов текстуры. В результате этой обработки формируются статистики , , …, . После вычитания из каждой статистики соответственно константы , , …, , все статистики сравниваются, выбирается максимальное значение, которое и определяет принятие решения  . Если  в (6) для фрагмента строки изображения , то в результирующее бинарное изображение записывается последовательность из  единиц, где Тппериод следования импульсов,  — протяженность импульса. После того, как результирующее бинарное изображение сформировано, оно содержит белую область на тёмном фоне, причем белая область соответствует текстурному фрагменту, темный фон — фону изображения. Бинарное изображение с выделенной областью фрагмента упорядоченной текстуры обрабатывается морфологической системой. Область, соответствующая текстурному фрагменту на бинарном изображении, содержит темные мелкие области площадью около (Тп -)(Тп -). Для удаления этих мелких темных пятен используется метод фильтрации слитных групп или сегментация по признаку равной интенсивности [4] для каждой строки и столбца изображения, заключающийся в следующем. Выделяется последовательность пикселей темного цвета для каждой строки бинарного изображения и рассчитывается длина каждой из этих последовательностей. Если длина последовательности превышает некоторый порог (например, Тп - пикселей), соответствующие пиксели строки изображения заливаются темным цветом. Далее аналогичная корреляционно-экстремальная и морфологическая обработка проводится по столбцам изображения. Бинарные изображения, полученные в результате построчной и постолбцовой обработки, объединяются по схеме логического сложения ИЛИ. Затем производится выделение границ сегмента упорядоченной текстуры методом контурной сегментации бинарного изображения.

 

Рис. 2 Структурная схема корреляционно-экстремального метода определения границ сегмента упорядоченной равномерной текстуры на однородном фоне.

 

Каждая строка исходного изображения подвергается корреляционно-экстремальной обработке согласованными фильтрами СФ0, СФ1, …, СФ2n-1, содержащими эталонные фрагменты строки изображения ,, …,  последовательностей из 1, 2, …, п непроизводных элементов текстуры. В результате этой обработки формируются статистики , , …, . После вычитания из каждой статистики соответственно константы , , …, , все статистики сравниваются, выбирается максимальное значение, которое и определяет принятие решения  . Если  в (6) для фрагмента строки изображения , то в результирующее бинарное изображение записывается последовательность из  единиц, где Тппериод следования импульсов,  — протяженность импульса. После того, как результирующее бинарное изображение сформировано, оно содержит белую область на тёмном фоне, причем белая область соответствует текстурному фрагменту, темный фон — фону изображения. Бинарное изображение с выделенной областью фрагмента упорядоченной текстуры обрабатывается морфологической системой. Область, соответствующая текстурному фрагменту на бинарном изображении, содержит темные мелкие области площадью около (Тп -)(Тп -). Для удаления этих мелких темных пятен используется метод фильтрации слитных групп или сегментация по признаку равной интенсивности [4] для каждой строки и столбца изображения, заключающийся в следующем. Выделяется последовательность пикселей темного цвета для каждой строки бинарного изображения и рассчитывается длина каждой из этих последовательностей. Если длина последовательности превышает некоторый порог (например, Тп - пикселей), соответствующие пиксели строки изображения заливаются темным цветом. Далее аналогичная корреляционно-экстремальная и морфологическая обработка проводится по столбцам изображения. Бинарные изображения, полученные в результате построчной и постолбцовой обработки, объединяются по схеме логического сложения ИЛИ. Затем производится выделение границ сегмента упорядоченной текстуры методом контурной сегментации бинарного изображения.

Экспериментальные исследования. Известно, что согласованные фильтры оптимальны на классе линейных систем по критерию максимума отношения сигнал/шум на выходе линейного фильтра. Поэтому построенный на основе согласованной фильтрации корреляционно-экстремальный метод определения границ сегмента упорядоченной равномерной текстуры на однородном фоне имеет высокую помехоустойчивость. Проиллюстрируем помехоустойчивость предложенного корреляционно-экстремального метода определения границ сегмента упорядоченной равномерной текстуры на однородном фоне путем сравнения его с методом сегментации упорядоченных текстур с помощью фильтров Габора [2], согласно которому производится:

¾          обработка значений интенсивности изображения с помощью фильтров Габора с целью преобразования значений признака сегментации упорядоченной текстуры в интенсивность;

¾          контурная сегментация результирующего изображения путем применения метода Канни.

В качестве экспериментальных исследований предложенного метода оценивалась его помехоустойчивость, погрешность определения координат точек границ текстурной области и эффективность сегментации.

            При оценке помехоустойчивости предложенного метода учитывались три основных вида ошибок при определении положения границ текстурных сегментов: пропуск истинных границ сегментов, ошибка в определении положения, принятие шумовых выбросов за границу сегмента. Вероятность выявления действительных границ сегментов можно легко вычислить, сравнивая идеально и реально сегментированные изображения по критерию Прэтта [7].

Показателем качества текстурной сегментации изображения выбран показатель близости между границами тестового идеально сегментированного изображения  и сегментированного t-м методом обработки [7]:

                                  ,                                                    (9)

где Р – длина границ выделенных сегментов в пикселях, M, N – размеры изображения.

Для оценки эффективности сегментации использовался показатель [7]

                                           ,                                                                 (10)

где n – количество пикселей в обрабатываемом полутоновом изображении,   q – количество градаций интенсивности, k – количество значащих пикселей результата сегментации.

Получены графики зависимости значения критерия Прэтта и показателей (9), (10) от отношения сигнал/шум q по мощности (рис. 4). При их оценке использовалось тестовое изображение, состоящее из 256х256 элементов, интенсивность которого менялась в диапазоне 0 … 127. В центре этого изображения находился фрагмент упорядоченной текстуры размера 56х56 пикселей из белых квадратов 8х8 пикселей на расстоянии 8 пикселей по горизонтали и вертикали друг от друга (рис. 3).

 

                                                             а)                                                  б)

Рис. 3 Тестовое изображение (а) и его строка (б).

 

                               а)                                                                            б)

в)

Рис. 4 Зависимость критерия Прэтта (а), показателя погрешности определения координат точек границ текстурной области (б) и эффективности сегментации (в) для метода работы [2] (1) и предложенного метода (2)

На изображение фрагмента упорядоченной текстуры был наложен независимый гауссовский шум со среднеквадратическим отклонением . Аддитивная смесь сигнала и шума была ограничена по уровню соответственно диапазону интенсивностей 0 … 255.

Отношение сигнал/шум q по мощности определялось как ,где h – разность интенсивностей непроизводного элемента текстуры и однородного фона.

Анализируя полученные результаты, следует заметить, что предложенный метод сегментации изображений упорядоченных текстур превосходит по помехоустойчивости известный метод в 1,1 — 1,7 раз при отношениях сигнал/шум 5 — 100 по мощности. При низких отношениях сигнал/шум корреляционно-экстремальный метод использовать нецелесообразно, если не изменить морфологическую обработку. По эффективности предложенный метод сегментации изображений упорядоченных текстур превосходит метод работы [2] в 2,7 — 4,8 раза, т. к. недостатком известного метода являются сдвоенные границы сегмента текстуры. По видимому обработку значений интенсивности изображения с помощью фильтров Габора лучше применять в методах текстурной сегментации изображений с помощью классификации. Это связано с тем, что фильтры Габора представляют собой полосовые фильтры, применение которых к последовательности импульсов ведет к утрате части высокочастотной и низкочастотной информации о последовательности импульсов со спектром, покрывающим всю частотную ось.

Сравнительная оценка качества выделения границ текстурных областей показала, что предложенный метод хуже метода работы [2] до 1,8 раз при отношениях сигнал/шум 2 и выше по мощности. При отношениях сигнал/шум 1 и менее по мощности известный метод [2] превосходит предложенный метод сегментации до 3 раз. В этом случае результат сегментации предложенным методом требует дополнительной морфологической обработки. Т. о.  предложенный корреляционно-экстремальный метод сегментации  изображений упорядоченных текстур можно рекомендовать при отношениях сигнал/шум 5 и выше по мощности в задаче определения границ сегмента упорядоченной текстуры с известными параметрами на однородном фоне, где требуются методы текстурной сегментации с высокой помехоустойчивостью.

Корреляционно-экстремальный метод определения границ сегмента упорядоченной равномерной текстуры на однородном фоне может использоваться для обработки аэрофотоснимков сельскохозяйственных культур. Его можно применять также при контроле качества тканей, а также при решении других задач обработки изображений упорядоченных равномерных текстур.

 

The multifractal method of images noise recognition is proposed.

 

1.                 Харалик Р. Статистический и структурный походы к описанию текстур // ТИИЭР. — 1979. — Т. 67, № 5. — С. 98 — 120.

2.                 Dunn D., Higgins W.E., Wakeley J. Texture segmentation using 2D Gabor elementary function // IEEE Trans. on PAMI. — 1994. — Vol.16, № 2. — P. 130 — 149.

3.                 Chaudhuri B.B., Sarkar N. Texture segmentation using fractal dimension // IEEE Trans. on PAMI. — 1995. — Vol.17, № 1. — P. 72 — 77.

4.                 Крылов В.Н., Максимов М.В. Вторичные преобразователи сигналов изображений. — Одесса: Астропринт, 1997. — 176 с.

5.                 Баскаков С.И. Радиотехнические цепи и сигналы. — М.: Высш. шк., 1988. — 488 с.

6.                 Левин Б.Р. Теоретические основы статистической радиотехники. — М.: Радио и связь, 1989. — 656 с.

7.                 Абакумов В.Г., Крылов В.Н., Антощук С.Г. Повышение эффективности обработки образной информации в автоматизированных системах // Электроника и связь. Тематический выпуск «Проблемы электроники». — 2005. — Ч. 1. — С. 100 — 105.

 





Ответы на вопросы [_Задать вопроос_]

Читайте также

 
Полякова М.В., Крылов В.Н. Обобщённые масштабные функции с компактным носителем в задаче сегментации изображений упорядоченных текстур. – C. 75 – 84.

Крылов В.Н., Полякова М.В. Частотно-детекторный метод текстурной сегментации изображений

Полякова М.В., Волкова Н.П., Іванова О.В. Сегментація зображень стохастичних текстур амплітудно-детекторним методом у просторі вейвлет-перетворення

Полякова М.В., Ищенко А.В., Худайбердин Э.И. Порогово-пространственная сегментация цветных текстурированных изображений на основе метода JSEG

Деревянко А.И., Михалев А.И., Власова Т.Е. Определение контуров на скейлинговых растровых изображениях.

53 Физика

54 Химия. Кристаллография. Минералогия

Полторак В.П., Дорогой Я.Ю. Система распознавания образов на базе нечеткого нейронного классификатора.

55 Геология. Геологические и геофизические науки

Клименко А.К. О влиянии конструктивных параметров обратной модели на её устойчивость

Ходаков В.Е., Чёрный С.Г., Мартыновец С.Н. Формирование экспертных оценок при решении задач размещения производств

Данилец Е.В. Имитационное моделирование систем управления качеством в экономике

Искусство. Декоративно-прикладное искусство. Фотография. Музыка. Игры. Спорт

36 Обеспечение духовных и материальных жизненных потребностей. Социальное обеспечение. Социальная помощь. Обеспечение жильем. Страхование

Информационно-измерительные системы

Ковальов О.І. Вимірювання у процесно-орієнтованих стандартах

Полякова М.В., Ищенко А.В., Худайбердин Э.И. Порогово-пространственная сегментация цветных текстурированных изображений на основе метода JSEG

Дзюбаненко А. В. Организация компьютерных систем для анализа изображений

Гордеев Б.Н., Зивенко А.В., Наконечный А.Г. Формирование зондирующих импульсов для полиметрических измерительных систем

Богданов А.В., Бень А.П., Хойна С.И. Релаксация обратного тока диодов Шоттки после их магнитно-импульсной обработки (МИО)

Тверезовский В.С., Бараненко Р.В. Проектирование измерителя добротности варикапов

Тверезовский В.С., Бараненко Р.В. Оптимизированная модель измерителя доб-ротности варикапов

Руднєва М.С., Кочеткова О.В., Задорожній Р.О. Принципи побудови оптимальної структури інформаційно-вимірювальної системи геометричних розмірів об’єктів в діапазоні від 1 нм до 1000 нм

Биленко М.С., Рожков С.А., Единович М.Б. Идентификация деформаций пе-риодических структур с использованием систем технического зрения

Рашкевич Ю.М., Ковальчук А.М., Пелешко Д.Д. Афінні перетворення в модифікаціях алгоритму RSA шифрування зображень

Дидык А.А., Фефелов А.А, Литвиненко В.И., Шкурдода С.В., Синяков Ф. В. Классификация масс-спектров с помощью кооперативного иммунного алгоритма

Клименко А.K. Обратная модель для решения задач в системах с многосвязными динамическими объектами

Завгородній А.Б. Порівняльне дослідження твердотільних і рідиннофазних об'єктів методом газорозрядної візуалізації

Голощапов С.С., Петровский А.В., Рожко Ж.А., Боярчук А.И. Измерение доб-ротности колебательного контура на основе метода биения частот

Кириллов О.Л., Якимчук Г.С. Диагностирование критерия безопасности при заполнении замкнутых объемов СПЖ косвенным методом

Долина В.Г. Проблеми підвищення точності рефрактометра на основі прозорих порожнистих циліндрів.

Самков О.В., Захарченко Ю.А. Застосування алгоритму клонального відбору для побудови планів модернізації авіаційної техніки

Попов Д.В. Метод формування регламентів технічного обслуговування повітряних суден

Казак В.М., Чорний Г.П., Чорний Т.Г. Оцінювання готовності технічних об’єктів з урахуванням достовірності їх контролю

Тверезовский В.С., Бараненко Р.В. Технические аспекты проектирования цифрового измерителя добротности варикапов

Тверезовский В.С., Бараненко Р.В. Технические аспекты проектирования устройства для разбраковки варикапов по емкостным параметрaм и добротности

Сосюк А.В. Інтелектуальний автоматизований контроль знань в системах дистанційного навчання

Соколов А.Є. Деякі аспекти систезу комп’ютеризованої адаптивної системи навчання

Полякова М.В., Волкова Н.П., Іванова О.В. Сегментація зображень стохастичних текстур амплітудно-детекторним методом у просторі вейвлет-перетворення

Луцкий М.Г., Пономаренко А.В., Филоненко С.Ф. Обработка сигналов акустической эмиссии при определении положения сквозных дефектов

Литвиненко В.И., Дидык А.А., Захарченко Ю.А. Компьютерная система для решения задач классификации на основе модифицированных иммунных алгоритмов

Лубяный В.З., Голощапов С.С. Прямоотсчетные измерители расхождений емкостей

Беляев А.В. Построение навигации для иерархических структур в WEB-системах и системах управления WEB-сайтом

Терновая Т.И., Сумская О.П., Слободянюк И.И., Булка Т.И. Контроль качества тканей специального назначения с помощью автоматических систем.

Шеховцов А.В. Інформаційний аспект: розпізнавання образів індивідуума.

Литвиненко В.И. Прогнозирования нестационарных временных рядов с помощью синтезируемых нечетких нейронных сетей

Ковриго Ю.М., Мисак В.Ф., Мовчан А.П., Любицький С.В. Автоматизована система діагностики генераторів електростанцій

Браїловський В.В., Іванчук М.М., Ватаманюк П.П., Танасюк В.С. Керований детектор імпульсного ЯКР спектрометра

Забытовская О.И. Построение функции полезности по экспериментальным данным.

Шиманські З. Апаратні засоби сегментації мовного сигналу

Хобин В.А., Титлова О.А. К вопросу измерения парожидкостного фронта в дефлегматоре абсорбционно-диффузионной холодильной машины (АДХМ)

Фефелов А. А. Использование байесовских сетей для решения задачи поиска места и типа отказа сложной технической системы

Слань Ю. М., Трегуб В. Г. Оперативна нейромережна ідентифікація складних об’єктів керування

Ролик А.И. Модель управления перераспределением ресурсов информационно-телекоммуникационной системы при изменении значимости бизнес-процессов

Кириллов О.Л., Якимчук Г.С., Якимчук С.Г. Изучение электрического поля с помощью датчика измерителя электростатического потенциала на модели замкнутого металлического объема

Грицик В.В. Застосування штучних нейронних мереж при проектуванні комп’ютерного зору.

Гасанов А.С. Информационные технологии построения систем прогнозирования отказов

Шеховцов А.В., Везумский А.К., Середа Е.С. Алгоритм сжатия информации без потерь: модифицированный алгоритм LZ77

Ходаков В.Е., Жарикова М.В., Ляшенко Е.Н. Методы и алгоритмы визуализации пространственных данных на примере моделирования распространения лесных пожаров.

Полякова М.В., Крылов В.Н. Обобщённые масштабные функции с компактным носителем в задаче сегментации изображений упорядоченных текстур. – C. 75 – 84.

Полторак В.П., Дорогой Я.Ю. Система распознавания образов на базе нечеткого нейронного классификатора.

Литвиненко В.И. Синтез радиально-базисных сетей для решения задачи дистанционного определения концентрации хлорофилла.

Бражник Д.А. Управление совмещением изображения объекта в сцене и эталонного изображения.

Бабак В.П., Пономаренко А.В. Локализация места положения сквозных дефектов по сигналам акустической эмиссии.

Мороз В. В. R-D проблема и эффективность систем сжатия изображений.

Крылов В.Н., Полякова М.В., Волкова Н.П. Контурная сегментация в пространстве гиперболического вейвлет-преобразования с использованием математической морфологии.

Квасников В.П., Баранов А.Г. Анализ влияния дестабилизирующих факторов на работу биканальной координатно-измерительной машины.

Казак В.М., Гальченко С.М., Завгородній С.О. Аналіз можливості застосування імовірнісних методів розпізнавання для виявлення пошкоджень зовнішнього обводу літака.

Тищенко И.А., Лубяный В.З. Управление коммутационными процессами в интегрированных сетях связи.

Корниенко-Мифтахова И.К.,Филоненко С.Ф. Информационно-измерительная система для анализа характеристик динамического поведения конструкций.

Тверезовский В.С., Бараненко Р.В. Модель измерителя емкости с линейной шкалой измерений.

Полякова М.В., Крылов В.Н. Мультифрактальный метод автоматизированного распознавания помех на изображении.

Рожков С.О., Федотова О.М. Алгоритм розпізнавання дефектів тканин для автоматичної системи контролю якості.

Бражник Д.А. Использование проективного преобразования для автоматизации обнаружения объектов.

Ходаков В.Є., Шеховцов А.В., Бараненко Р.В. Математичні аспекти створення автоматизованої системи „Реєстр виборців України”