Модели для организации поддержки принятия решения при анализе изображений в условиях неопределённости на основе построения контуров тема диссертации и автореферата по ВАК РФ 05.25.05, кандидат наук Лакомов Денис Вячеславович

• Лакомов Денис Вячеславович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Лакомов Денис Вячеславович

ВВЕДЕНИЕ

1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ

1.1 Онтологический анализ научной задачи

1.2 Структурная схема контура принятия решений при анализе изображений

1.3 Информационные технологии генерации, сбора, обработки, хранения и представления данных при выявлении объекта на изображении

1.4 Анализ программно-технических платформ применяемых в процессе обработки изображений

1.5 Выводы по первой главе

2 АНАЛИТИЧЕСКИЕ И ПРОЦЕДУРНЫЕ МОДЕЛИ АНАЛИЗА ИЗОБРАЖЕНИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЁННОСТИ ДЛЯ ПРЕДСТАВЛЕНИЯ ИНФОРМАЦИИ ЛПР

2.1 Аналитическая модель решения задачи нечёткой пространственной кластеризации объектов

2.2 Процедурная модель представления информации об объектах в виде набора кластеров в пространстве цветов типа «HSV» лицу, принимающему решение

2.3 Аналитическая модель решения задачи определения границ объектов

2.4 Процедурная модель представления информации об объекте лицу, принимающему решения (ЛПР), в виде контуров

2.5 Выводы по второй главе

3 ОБЪЕКТНАЯ МОДЕЛЬ ИНФОРМАЦИОННОГО ПРОЦЕССА ВЫЯВЛЕНИЯ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ В ИНТЕРЕСАХ ЛПР И ЛОГИКО -ЛИНГВИСТИЧЕСКАЯ МОДЕЛЬ ПОИСКА КОНТУРНЫХ ТОЧЕК ОБЪЕКТА

3.1 Объектная модель информационного процесса выявления объектов на изображении в интересах ЛПР на основе унифицированного языка программирования UML

3.2 Логико-лингвистическая модель определения контурных точек объекта, при отсутствии заданных граничных условий при двойной пороговой фильтрации

3.3 Выводы по третьей главе

4 ОЦЕНКА ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ РАЗРАБОТАННЫХ МОДЕЛЕЙ ДЛЯ ПРЕДСТАВЛЕНИЯ ИНФОРМАЦИИ ЛПР

4.1 Пользовательский интерфейс, структура и описание блоков разработанного программного комплекса

4.2 Структура макета роботизированного программно-аппаратного комплекса для контроля качества растительной сельскохозяйственной продукции

4.3 Результаты применения разработанных моделей выявления объектов на изображении

4.4 Оценка эффективности применения разработанных аналитических и процедурных моделей

4.5 Выводы по четвёртой главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А Результаты анализа изображений сельскохозяйственной

продукции

ПРИЛОЖЕНИЕ Б Результаты анализа изображений объектов систем

жизнеобеспечения города

ПРИЛОЖЕНИЕ В Результаты анализа изображений экологически опасных

объектов

ПРИЛОЖЕНИЕ Г Применение разработанных моделей в других областях

ПРИЛОЖЕНИЕ Д Материалы по внедрению результатов исследования

Введение диссертации (часть автореферата) на тему «Модели для организации поддержки принятия решения при анализе изображений в условиях неопределённости на основе построения контуров»

ВВЕДЕНИЕ

Общая характеристика работы. Актуальность. В настоящее время разработка систем поддержки принятия решений (СППР) приобретает особое значение, в связи с необходимостью оперативно обрабатывать при принятии решения огромные информационные массивы, элементами которых являются не только числовые данные, но и текстовая информация, изображения, хранящиеся в различных форматах и полученные с использованием различных технических средств. Вместе с этим поиск и выявление объектов на различных изображениях, осуществляемые в человеко-машинных системах, всегда приводили к необходимости постановки сложных математических задач и разработке методов и моделей для их решения. Для обеспечения возможности оперативного принятия управленческих решений и снижения степени неопределённости при обработке изображений разработка методов и моделей поиска и выявления объектов на различных изображениях является актуальной задачей.

Перечисленные выше системы находят применение в таких областях как: мониторинг экологически опасных объектов (выявление повреждений), мониторинг состояния мест добычи полезных ископаемых на наличие несанкционированной выемки ресурсов, мониторинг систем жизнеобеспечения города для оперативного принятия решений при выявлении повреждений, мониторинг состояния сельскохозяйственных полей и садов с применением робототехнических комплексов (РТК); поиск и обнаружение несанкционированных захоронений твёрдых бытовых отходов; системы биометрической идентификации человека; анализ качества плодоовощной продукции для выявления дефектов и повреждений плодов; анализ рентгеновских снимков и термограмм пациентов и решение специальных задач Министерства внутренних дел и Министерства обороны с применением робото-технических комплексов (РТК).

Степень разработанности темы исследования. Вопросам выявления объектов на изображениях и организации поддержки принятия решений (ППР)

посвящен ряд работ, в частности эти задачи нашли отражение в трудах Бомаса В.В., Визильтера Ю.В., Гонсалеза Р., Гренандера У., Громова Ю.Ю., Грузмана И.С., Кима Н.В., Крыжановского Г.А., Майстренко А.В., Матвеева М.Г., Местецкого Л.М., Небабина В.Г., Прэтта У., Пытьева Ю.П., Сельвесюка Н.И., Семёнова А.Д., Сироты А.А., Скрипкина В.А., Сойфера В.А., Уринцова А.И., Фисенко Т.Ю., Фукунаги К., Фурмана Я.А, Хафизова Р.Г., Эддоуса М., Щербакова М.А., и других. В работах приведённых авторов не решаются противоречия, связанные с отсутствием эффективных моделей анализа изображений, а также увеличением объемов обрабатываемых данных, затрудняющим работу информационных систем в режиме реального времени, что ограничивает их применение при организации поддержки принятия решений в различных предметных областях. Основным ограничением в данном случае является сложность осуществления при поддержке принятия решений процесса поиска и выявления объектов на изображениях низкого качеств. В трудах указанных авторов приведены результаты решения задач поиска и выявления объектов, в основном, в оптическом диапазоне волн, а об эффективных исследованиях этой задачи в инфракрасном диапазоне (ИК) сведений мало. В поставленных задачах на поиск и выявление объектов на изображении не накладывается ограничение, связанное с необходимостью решения задачи в реальном масштабе времени, то есть снижение времени анализа изображений при сохранении достоверности принимаемого решения. Эта задача может быть решена с помощью применения новых моделей, позволяющих снизить степень неопределённости при поиске и выявлении объектов на изображении при организации ППР.

В связи с вышесказанным, совершенствование информационных технологий, применяемых при обработке, представлении и воспроизведении информации в человеко-машинных системах и, в частности, в системах поддержки принятия решений, является актуальным научным направлением.

Объект исследования: системы поддержки принятия решения при выявлении объектов на изображениях в условиях неопределённости.

Предмет исследования: методы и модели обработки данных, формируемых при анализе изображений для повышения качества представления информации ЛПР.

Целью исследования является повышение качества представления информации лицу принимающему решение (ЛПР) при анализе нечётких изображений на основе применения разработанных аналитических, процедурных, объектной и логико-лингвистической моделей нечёткой пространственной кластеризации и построения контуров.

Для достижения цели исследования необходимо решить научную задачу, заключающуюся в разработке аналитических, процедурных, логико-лингвистической моделей, обеспечивающих выявление объектов на изображении в условиях неопределённости, обусловленной внутренними и внешними факторами, такими как наличие пожаров, дымов, бликов, сбоев в работе аппаратного или программного обеспечения и других, для систем поддержки принятия решений с применением математического аппарата контурного и кластерного анализов, теории нечётких множеств.

Для достижения цели и решения научной задачи были сформулированы частные задачи исследования:

1. Провести исследование методов и моделей выявления объектов на изображении, в оптическом и инфракрасном диапазонах волн, применимых при организации поддержки принятия решений в условиях неопределённости.

2. Построить аналитические и процедурные модели решения задачи определения границ объектов на изображении в условиях неопределённости, обусловленной внутренними и внешними факторами.

3. Построить аналитические и процедурные модели решения задачи нечёткой пространственной кластеризации изображения.

4. Разработать логико-лингвистическую модель (ЛЛМ) определения контурных точек объекта, являющихся граничными, при отсутствии заданных пороговых значений.

5. Построить на основе унифицированного языка программирования UML объектную модель информационного процесса анализа изображений для выявления объекта в интересах ЛПР при организации поддержки принятия решений.

6. Оценить влияние применения разработанных моделей на качество представления информации лицу принимающему решение.

Вышесказанное позволяет решить практическую задачу - необходимость организации поддержки принятия решения при анализе изображений для выявления на них объектов в интересах мониторинга и управления.

Научная новизна исследования заключается в оригинальных аналитических, процедурных и логико-лингвистической моделях, а именно:

1. Аналитическая модель решения задачи определения границ объектов отличается применением сочетания оператора Робинсона, стандартной модели построения контуров Канни и разработанной операции анализа области неоднозначности.

2. Процедурная модель представления информации об объекте лицу, принимающему решение, в виде контуров, отличается увеличенным количеством найденных контурных точек и применением двух дополнительных направлений вычисления значений градиентов в пикселях изображения.

3. Аналитическая модель решения задачи нечёткой пространственной кластеризации изображения, отличается применением метрики Чебышева в качестве критерия разбиения при построении признакового пространства, а также новой формулой расчёта элементов матрицы принадлежности пикселей заданным кластерам.

4. Процедурная модель представления информации об объекте лицу, принимающему решение, в виде набора кластеров в пространстве цветов типа «оттенок-насыщенность-яркость» (HSV), отличается уменьшением количества циклов вычисления значений элементов матрицы центров кластеров.

5. Новая логико-лингвистическая модель, основанная на применении методов нечёткой логики для определения принадлежности контурных точек к

граничным, при отсутствии заданных пороговых значений двойной пороговой фильтрации.

Теоретическая значимость результатов исследования заключается в расширении возможностей теории нечётких множеств, методов принятия решений на базе нечёткой логики, контурного анализа, а также методов обработки изображений при решении задач обнаружения и идентификации объекта на изображении в условиях неопределённости, а именно:

1. Аналитическая модель решения задачи определения границ объектов заключается в расширении возможностей методов контурного анализа при решении задач обнаружения и идентификации объекта на изображении..

2. Процедурная модель представления информации об объекте лицу, принимающему решение, в виде контуров Позволяет вычислять значения градиентов пикселей изображения в четырёх направлениях.

3. Аналитическая модель решения задачи нечёткой пространственной кластеризации изображения заключается в расширении возможностей методов кластерного анализа при решении задач обнаружения и идентификации объекта на изображении.

4. Процедурная модель представления информации об объекте лицу, принимающему решение, в виде набора кластеров в пространстве цветов типа «оттенок-насыщенность-яркость» (HSV) позволяет оценивать принадлежность пикселя центру кластера на основании метрики Чебышева.

5. Новая логико-лингвистическая модель, основанная на применении методов нечёткой логики для определения принадлежности контурных точек к граничным, при отсутствии заданных граничных условий двойной пороговой фильтрации заключается в расширении возможностей методов принятия решений на базе нечёткой логики.

6. Объектная модель информационного процесса анализа изображений для выявления объекта в интересах ЛПР позволяет выполнить формализацию информационного процесса обработки изображений.

Практическая значимость результатов исследования заключается в возможности использования полученных моделей для организации ППР и использования в информационных системах обнаружения объектов. Применение разработанных моделей позволило упростить и повысить эффективность анализа изображений при мониторинге экологически опасных объектов и СЖОГ, выявления повреждений объектов, для мониторинга состояния мест добычи полезных ископаемых; в сфере информационной безопасности в качестве систем биометрической идентификации; при анализе качества плодоовощной продукции; при анализе рентгеновских снимков и термограмм, а именно:

1. Аналитическая модель решения задачи определения границ объектов позволяет повысить количество найденных контурных точек объекта в среднем до 11 % по сравнению с исследованными в диссертации методами.

2. Процедурная модель представления информации об объекте лицу, принимающему решение, в виде контуров, применяется в программе для ЭВМ «Система контурного анализа нечётких изображений» (свидетельство о государственной регистрации № 2017662752).

3. Аналитическая модель решения задачи нечёткой пространственной кластеризации изображения позволяет снизить время обработки одного изображения до 30 % по сравнению с исследованными в диссертации методами.

4. Процедурная модель представления информации об объекте лицу, принимающему решение, в виде набора кластеров в пространстве цветов типа «оттенок-насыщенность-яркость» (HSV) применяется в программе для ЭВМ «Система анализа изображений объектов растительного происхождения» (свидетельство о государственной регистрации № 2018617413).

5. Логико-лингвистическая модель, основанная на применении методов нечёткой логики для определения принадлежности контурных точек к граничным, при отсутствии заданных граничных условий двойной пороговой фильтрации позволяет освободить ЛПР от необходимости чёткой формулировки ограничений, накладываемых на решение задачи выявления объектов.

6. Объектная модель информационного процесса анализа изображений для выявления объекта в интересах ЛПР позволяет осуществить интеграцию разработанных аналитических, процедурных и логико-лингвистической моделей и формализацию информационного процесса с максимальным учётов взаимосвязей.

Методология и методы исследования. Для решения поставленных во время исследования научных и практических задач применялись методы теорий информации, систем, нечётких множеств, принятия решений, математической статистики, моделирования систем, кластерного и контурного анализа изображений.

Результаты, выносимые на защиту:

1. Аналитическая модель решения задачи определения границ объектов.

2. Процедурная модель представления информации об объекте в виде контуров лицу, принимающему решение.

3. Аналитическая модель решения задачи нечёткой пространственной кластеризации изображения.

4. Процедурная модель представления информации об объекте в виде набора кластеров в пространстве цветов «оттенок-насыщенность-яркость» (HSV) лицу, принимающему решение.

5. Логико-лингвистическая модель определения контурных точек объекта при отсутствии заданных пороговых значений двойной пороговой фильтрации.

6. Объектная модель информационного процесса анализа изображения для выявления объекта в интересах ЛПР.

Степень достоверности и апробация результатов исследования.

Достоверность результатов исследований подтверждается корректным применением математического аппарата методов, применённых при исследовании, большим количество реальных исходных данных для проведения вычислительных экспериментов и сходимостью их результатов с результатами натурных экспериментов.

Основные результаты исследования обсуждены на международных и всероссийских конференциях: I научно-практической международной конференции «Информационные технологии в управлении и моделировании мехатронных систем» (г. Тамбов, 2017г.); XVIII Международной научно-методической конференции «Информатика: проблемы, методология, технологии» (г. Воронеж, 2018г.); XXVII международной научно-технической конференции «Современные технологии в задачах управления, автоматики и обработки информации» (Алушта, 2018г.); I международной научно-практической конференции «Цифровизация агропромышленного комплекса» (г. Тамбов, 2018г.); XI международной теплофизической школы. «Информационно -сенсорные системы в теплофизических исследованиях» (г. Тамбов, 2018г.); XIX Международной научно-методической конференции «Информатика: проблемы, методология, технологии» (г. Воронеж, 2019г.); XX Международной научно-методической конференции «Информатика: проблемы, методология, технологии» (г. Воронеж, 2020г.); I всероссийской заочной научно-практической конференции «Фундаментальные и прикладные научные исследования: актуальные вопросы, достижения и инновации» (г. Тамбов 2017); I Всероссийской научно -практической конференции «Беспилотная авиация: состояние и перспективы развития» (г. Воронеж, 2019 г.); XVI всероссийской школы-конференции молодых учёных «Управление большими системами» (г. Тамбов, 2019 г.).

Внедрение результатов исследования.

Результаты исследования были применены:

1. В отчёте о результатах исследования, выполненных по гранту РФФИ 1748-680254 «Модели и методы ИК-заметности подповерхностных объектов для предотвращения аварий в системах жизнеобеспечения города с использованием беспилотных летательных аппаратов».

2. В отчёте о результатах исследования, выполненных по ФЦП «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014-2020 годы» в работе «Построение

моделей и алгоритмов информационного обеспечения систем технического зрения для контроля качества растительной сельскохозяйственной продукции».

3. В отчёте составной части комплексной научно-исследовательской работы «Аватар - МО», 2016 г, составной части научно-исследовательской работе «Антиробот - РЭБ», 2017 г., составной части научно-исследовательской работе «Ворон МЦ», 2017 г.

4. Результаты исследования внедрены на кафедре «Информационные системы и защита информации» ФГБОУ ВО «Тамбовский государственный технический университет»: в виде учебных пособий, лабораторных работ и обучающих программ:

- направления подготовки 10.05.03 - «Информационная безопасность автоматизированных систем» дисциплина «Методы обработки изображений», тема 2 «Яркостные преобразования и пространственная фильтрация», тема 5 «Обработка цветных изображений» и тема 8 «Сегментация, представление и описание изображений»;

- направления подготовки 09.04.02 - «Информационные системы и технологии» дисциплина «Интеллектуальные системы и технологии»» тема 7 «Технология интеллектуального анализа данных» и тема 8 «Системы поддержки принятия решений»;

- направления подготовки 27.04.03 - «Системный анализ и управление» дисциплина «Интеллектуальные информационные системы» тема 7 «Основы интеллектуального анализа данных» и тема 8 «Системы поддержки принятия решений».

Применение результатов исследования позволило существенно повысить качество и эффективность учебного процесса по этим дисциплинам.

Публикации. По теме исследования публикованы 23 работы, в том числе 8 статей в изданиях перечня ВАК при Минобрнауки РФ, 2 статьи - в журналах, включенных в международные реферативные базы данных Scopus и WoS, а также получены 2 свидетельства о государственной регистрации программы для ЭВМ.

Выносимые на защиту результаты получены лично соискателем. В публикациях, написанных в соавторстве, личный вклад автора заключается в: постановке задачи на исследование [37-39]; разработке аналитических моделей выявления объектов на изображении [40-42, 115] проектировании процедурных моделей поиска и выявления объектов на изображении [43-44, 80-81]; проектировании процедурных моделей поиска и выявления объектов на изображении; создании логико-лингвистической модели построения контуров объекта [46-48]; создание объектной модели информационного процесса анализа изображения для выявления объекта в интересах ЛПР [45,53]; организации и проведении вычислительных экспериментов [49-52,116]; анализе результатов исследования [53-56].

Диссертация выполнена в соответствии с требованиями паспорта специальности 05.25.05 «Информационные системы и процессы» и соответствует п.п. 5 и 7.

Структура и объём работы. Диссертация состоит из оглавления, введения, четырёх глав, заключения, списка источников, который содержит 124 наименований и пяти приложений. Полный объём диссертации составляет 165 страниц. Основной текст работы включает 35 рисунков и 11 таблиц.

Введение содержит обоснование актуальности темы диссертации, цель диссертации, постановку научной и практической задач, описание научной новизны, теоретической и практической значимости диссертации, результаты, выносимые на защиту, информацию о личном вкладе автора в публикациях в соавторстве. Во введении проведено краткое описание глав диссертации.

Первая глава посвящена онтологическому анализу темы исследования, описанию процесса организации ППР для ЛПР, при выявлении объектов на изображении, состоянию вопросов анализа информационных технологий генерации, сбора, обработки, хранения и представления информации, обзору методов анализа изображений объектов в условиях неопределённости, их достоинствам и недостаткам, цветовым моделям представления графических данных, анализу программно-технических платформ реализации современных

информационно-коммуникационных технологий и применяемых в процессе обработки изображений. Показано место разработанных моделей в системе поддержки принятия решений анализа изображений, а также представлена структурная модель системы принятия решения при анализе изображений. В главе была решена первая частная научная задача.

Вторая глава содержит описание аналитической и процедурной моделей решения задачи определения границ объектов на изображении, а также аналитической и процедурной моделей решения задачи нечёткой пространственной кластеризации, разработанных в рамках решения второй и третьей частных научных задач.

Третья глава содержит описание новой логико-лингвистической модели построения контуров объекта без задания граничных условий двойной пороговой фильтрации, а также описание ЦЫС диаграмм объектной модели информационного процесса анализа изображений для выявления объекта в интересах ЛПР, созданных в рамках решения четвёртой и пятой частных научных задач.

Четвёртая глава посвящена обоснованию критериев эффективности применения разработанных моделей, оценке эффективности применения разработанных моделей при мониторинге объектов в условиях неопределённости, описанию интерфейса основных окон программного обеспечения, созданного на основе разработанных моделей анализа изображений. В главе решена шестая частная научная задача.

В заключении сформированы основные результаты, полученные в ходе исследования, а также сделаны выводы об их дальнейшем развитии.

АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ

1.1 Онтологический анализ научной задачи

Для того чтобы решить научную задачу необходимо создать концептуальную модель, построение которой обеспечивается согласно [90] результатом онтологического анализа.

Объект - явление, предмет, на который направлена чья-нибудь деятельность, чье-нибудь внимание [67].

Модель - схема какого-нибудь физического объекта или явления [67].

Решение - результат совершения окончательного заключения, вывода из чего-нибудь, нахождение ответа к задаче [67].

Принятие решений - умственный процесс, приводящий к выбору действия среди нескольких альтернатив; каждый процесс принятия решений заканчивается либо выбором действия, либо мнением относительно выбора действия [108].

Процесс принятия решений - это циклическая последовательность действий субъекта управления, направленных на разрешение проблем организации и заключающихся в анализе ситуации, генерации альтернатив, принятии решения и организации его выполнения [124].

Лицо, принимающее решения (ЛПР) - субъект, производящий выбор определенной альтернативы в качестве решения и несущий ответственность за последствия реализации данного решения [67].

Поддержка принятия решений (ППР) - это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающими процесс принятия решения [67].

Системы поддержки принятия решений (СППР) - компьютерные автоматизированные системы, целью которых является помощь людям, принимающим решение в сложных условиях, для полного и объективного анализа предметной деятельности [67].

Организация - совокупность процессов или действий, ведущих к образованию и совершенствованию взаимосвязей между частями целого [123].

Исходя из вышесказанного, организацией поддержи принятия решения следует считать совокупность процедур, процессов и действий, ведущих к совершенствованию взаимосвязей между ЛПР, необходимой ему информацией и рекомендациями, облегчающими процесс принятия решений.

Изображение - объект, образ, явление, в той или иной степени подобное (но не идентичное) изображаемому или сам процесс их создания [123].

Обработка изображений - это преобразование одного изображения в другое с помощью операций сжатия, восстановления, улучшения визуального качества, квантования и фильтрации [17].

Анализ изображений - извлечение из изображения информации для принятия решений относительно объектов и ситуаций, представленных на изображении. Анализ изображений в широком смысле включает все виды преобразования изображений: обработку, изображений анализ в узком смысле, распознавание и понимание. Анализ изображений в узком смысле обеспечивает приведение изображения к виду, удобному для распознавания, т. е. построение формальной модели изображения [17].

Распознавание объектов на изображении заключается в постановке и решении задач распознавания образов при задании исходной информации в виде изображений и их моделей. В результате получается формальное описание изображения на языке его элементов и отношений между ними, которое пригодно для принятия решений о трёхмерном объекте [18].

Неопределённость - отсутствие или недостаток определения или информации о чём-либо. Причины возникновения неопределённости могут быть вызваны внешними или внутренними условиями. К неопределённости, вызванной внешними условиями, можно отнести [98,101]:

- наличие пожаров или дымов,

- движение объекта,

- фон подстилающей поверхности,

- присутствие бликов, обусловленных естественными или искусственными источниками света,

- погодные условия, ограничивающие видимость,

- отсутствие объекта в прямой видимости (маскировка).

К неопределённости, вызванной внешними условиями, можно отнести:

- нарушение фокусировки фоторегистрирующего устройства,

- непроизвольные изменения ракурса получения изображения,

- сбои в аппаратном и программном обеспечении.

Контур - это пространственно-протяженный разрыв, перепад или скачкообразное изменение значений яркости [123].

Контурный анализ изображений - это процесс описания, хранения, распознавания, сравнения и поиска графических образов (объектов) по их контурам [123].

Кластер - объединение нескольких однородных элементов, которое может рассматриваться как самостоятельная единица, обладающая определёнными свойствами [119].

Кластерный анализ изображения - это процесс группировки пикселей изображения на основании схожести между пикселями и центрами кластеров

Список литературы диссертационного исследования кандидат наук Лакомов Денис Вячеславович, 2021 год

СПИСОК ЛИТЕРАТУРЫ

1. Арлоу, Дж. UML 2 и Унифицированный процесс. Практический объектно-ориентированный анализ и проектирование / Дж. Арлоу, А. Нейштадт. -СПб: Символ_Плюс, 2007. - 624 с.

2. Абдулов, П.В. Введение в теорию принятия решений / П. В. Абдулов -М.: Книга по Требованию, 2013. - 188 с.

3. Акинин, М.В. Нейросетевые системы искусственного интеллекта в задачах обработки изображений / М.В. Акинин, А.И. Таганов. - М.: Горячая линия, 2016. - 152 с.

4. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. Тюмень: Издательство Тюменского государственного университета, 2000. - 352 с.

5. Анисимов, Б. В. Распознавание и цифровая обработка изображений: Учеб. пособие для студентов вузов / Б.В. Анисимов, В.Д. Курганов, В. A Злобин. - М.: Высш. шк., 1983. - 295 с.

6. Баллод, Б.А. Методы и алгоритмы принятия решений в экономике / Б.А. Баллод, Н.Н. Елизарова. - М.: Финансы и статистика, 2014. - 224 с.

7. Батыршин, И.З. Основные операции нечёткой логики / И.З. Батыршин. -Казань: Отечество, 2001. - 100 с.

8. Бомас, В.В. Поддержка принятия многокритериальных решений по предпочтениям пользователя СППР DSS/UTES // В.В. Бомас, В.А. Судаков, К.А. Афонин. - М: МАИ, 2006. - 172 с.

9. Быков, Р.Е. Цифровое преобразование изображений ./ Р.Е. Быков, Р. Фрайер, А.А. Манцветов. - М.: Горячая линия-Телеком, 2003. - 229 с.

10. Вапник, В.Н. Теория распознавания образов (статистические проблемы обучения) / В.Н. Вапник, А. Я. Червоненкис. - М.:Наука, 1974. - 416 с.

11. Васильев, К.К. Статистический анализ многомерных изображений / К.К. Васильев. - Ульяновск: УлГТУ, 2002. - 156 с.

12. Визильтер, Ю.В. Обработка и анализ изображений в задачах машинного времени: Курс лекций и практических занятий / Ю.В. Визильтер. - М.: Физматкнига, 2010. - 672 с.

13. Визильтер, Ю. В. Обработка и анализ цифровых изображений с примерами на LabVIEW IMAQ Vision // Ю. В. Визильтер, С. Ю. Желтов, В. А. Князь, А. Н. Ходарев, А. В. Моржин. - М.: ДМК Пресс, 2007. - 464 с.

14. Визильтер, Ю.В. Семантико-морфологическое описание и синтез изображений с использованием глубоких нейронных сетей / Ю.В. Визильтер, С.Ю. Желтов, В.В. Князь // Вестник компьютерных и информационных технологий. - 2019 г. - № 4. - С. 13-24.

15. Визильтер, Ю.В. Метрический подход к семантико-морфологическому сравнению изображений / Ю.В. Визильтер, С.Ю. Желтов, В.В. Князь // Вестник компьютерных и информационных технологий. - 2020 г. - № 5. - С. 3-12.

16. Виноградский, Б. Книга перемен. Технология принятия решений / Б. Виноградский. - М.: Профит Стайл, 2012. - 432 c.

17. Гонсалес, Р. Принципы распознавания образов / Р. Гонсалес, Дж. Ту. -М.: Мир, 1978. - 412 с.

18. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. -М: Техносфера, 2012. - 1072 с.

19. Грешилов, А. А. Математические методы принятия решений. - М.: МГТУ им. Н. Э. Баумана, 2012. - 584 c.

20. Горбачев, В.Н. Элементы обработки цифровых изображений / В.Н. Горбачев, В.Н. Дроздов, Е.С. Яковлева. - СПб.: ВВМ, 2012. - 49 с.

21. Грейди, Б. Язык UML. Руководство пользователя / Б. Грейди, Д. Рамбо, А. Джекобсон. - СПб.: Питер, 2004. -248 с.

22. Гренандер, У. Лекции по теории образов. В 3-х томах. Пер. с англ. - М.: Мир, 1 т., 1979. - 383c., 2 т., 1981. - 448 c., 3 т., 1983. - 432 с.

23. Грошев, И.В. Системы технического зрения и обработки изображений / И.В. Грошев, В.И. Корольков. - М.: РУДН, 2008. - 212 с.

24. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, В.С. Киричук. - Новосибирск: Издательство НГТУ, 2002. - 352с.

25. Гущин, А. В. Теория и алгоритмы: нечеткие арифметика, кластеризация, синтез знаний и принятие решений в условиях лингвистической неопределенности: учебное пособие для вузов / А.В. Гущин. Самарский гос. ун-т путей сообщения. - Самара: СамГУПС, 2012. - 96 с.

26. Джакония, В.Е. Телевидение: Учебник для вузов / В.Е. Джакония, А.А. Гоголь, Я.В. Друзин. - М.: Горячая линия-Телеком, 2004. - 228 с.

27. Дорогов, В. Г. Введение в методы и алгоритмы принятия решений / Я. О. Теплова, Г.В. Дорогов. - М.: Форум, Инфра-М, 2012. - 240 с.

28. Дружелаускайте, Е. В. Искусство правильного принятия решений. - М.: Форум, 2011. - 176 с.

29. Журавлев, Ю.И. Распознавание образов и анализ изображений: Искусственный интеллект. / Ю.И. Журавлёв, И.Б. Гуревич; под ред. Д.А. Поспелова. - М.: Радио и связь, 1990. - 304 с.

30. Заде, Л. Понятие лингвистической переменной и её приближение к принятию приближённых решений / Л.Заде. - М:МИР, 1973. - 167 с.

31. Карасев, П.И. Процедура обработки графических изображений в системах видеонаблюдения / П.И. Карасев, Ю.А. Губсков // Вестник воронежского института ФСИН России. - 2015. - № 2 - С. 35-37.

32. Карр, Ч. Количественные методы принятия решений в управлении и экономике / Ч. Хоув, Ч. Карр. - М.: Мир, 2014. - 464 с.

33. Катулев, А. Н. Математические методы в системах поддержки принятия решений / А. Н. Катулев, Н. А. Северцев. - М.:Высшая школа, 2012. - 312 с.

34. Козлов, В.Н. Элементы математической теории зрительного восприятия / В.Н. Козлов . — М.: МГУ им. М.В. Ломоносова, 2001. - 122 с.

35. Крашенинников, В.Р. Основы теории обработки изображений / В.Р. Крашенинников. - Ульяновск: УлГТУ, 2003. - 150 с.

36. Кремень, М. А. Психология принятия управленческих решений / М. А. Кремень, В. Е. Морозов. - Минск: Академия управления при Президенте Республики Беларусь, 2010. - 224 а

37. Лакомов, Д.В. Анализ изображений сельскохозяйственной продукции в условиях неопределённости / Д.В. Лакомов, В.В. Алексеев, Ю.Ю. Громов, А.Г. Дивин // Экологические системы и приборы. - М: «Научтехлитиздат». - 2017. -№12. - С. 28-40.

38. Лакомов, Д.В. Анализ изображений объектов систем жизнеобеспечения города / Алексеев В.В., Лакомов Д.В. // Информатика: проблемы, методология, технологии: сб. материалов ХУШ Международной научно-методической конференции. - Воронеж: ООО «Вэлборн». - 2018. - № 5. - С. 91-94.

39. Лакомов, Д.В. Анализ математических операторов применимых в алгоритме Канни для распознавания изображений в условиях неопределённости / Алексеев В.В., Лакомов Д.В. // Некоторые вопросы анализа, алгебры, геометрии и математического образования. - Воронеж: Издательско-полиграфический центр «Научная книга». - 2017. - № 6. - С. 22-23.

40. Лакомов, Д.В. Аналитическая модель обработки графических изображений в системах жизнеобеспечения города для выявления повреждений объектов / В.В. Алексеев, Д.В. Лакомов // Труды МАИ. - М. Издательство Московский авиационный институт (национальный исследовательский университет). - 2018. - № 103. - С. 24.

41. Лакомов, Д.В. Информационная система распознавания объектов на цифровых изображениях / Д.В. Лакомов, К.С. Кобелев, Ю.В. Минин, С.В. Ковалев // Информация и безопасность. - Воронеж: Воронежский государственный технический университет. - 2017. - № 3. - С. 392-401.

42. Лакомов, Д.В. Информационная технология обработки графических изображений при управлении системами жизнеобеспечения города / Лакомов Д.В., Маамари Г. Аль // Управление большими системами: сб. материалов XVI всероссийской школы-конференции молодых учёных. - Тамбов: Изд-во ФГБОУ ВО «ТГТУ». - 2019. - С. 378-382.

43. Лакомов, Д.В. К вопросу использования БПЛА для поиска и мониторинга состояния экологически опасных объектов / Лакомов Д.В., Алексеев В.В. // Информатика: проблемы, методология, технологии: сб. материалов XIX Международной научно-методической конференции. - Воронеж. Издательство «Научно-исследовательские публикации». - 2019. - С. 1185-1188.

44. Лакомов, Д.В. К вопросу обработки изображений объектов систем жизнеобеспечения города для выявления повреждений / Д.В. Лакомов, В.В. Алексеев // Информационно-сенсорные системы в теплофизических исследованиях: сборник материалов XI международной теплофизической школы. - Тамбов. Издательство ФГБОУ ВО «ТГТУ». - 2018. - С. 170-172.

45. Лакомов, Д.В. Логико-лингвистическая модель определения контурных точек сосредоточенных и площадных объектов в условиях неопределённости / Д.В. Лакомов, В.В. Алексеев, Д.В. Поляков // Информатика: проблемы, методология, технологии: сб. материалов XX Международной научно-методической конференции. -Воронеж. Издательство «Научно-исследовательские публикации». - 2020. - С. 1484-1491.

46. Лакомов, Д.В. Модель анализа изображений на основе метода нечёткой кластеризации / Д.В. Лакомов, В.В. Алексеев, Ю.В. Минин, Ю.В. Кулаков, Г.Н. Нурутдинов // Информация и безопасность. - Воронеж: Воронежский государственный технический университет. - 2017. - № 4. - С. 580-583.

47. Лакомов, Д.В. Модель анализа изображений объектов систем жизнеобеспечения / Д.В. Лакомов, В.В. Алексеев, Ю.Ю. Громов // Фундаментальные и прикладные научные исследования: актуальные вопросы, достижения и инновации: сборник материалов I всероссийской заочной научно-практической конференции. - Тамбов: ФГБОУ ВО «ТГТУ». - 2017. - С. 155-160.

48. Лакомов Д.В. Обработка графических изображений сосредоточенных и площадных объектов / В.В. Алексеев, Д.В. Лакомов, А.А. Шишкин, Аль Маамари Г. // Бизнес-информатика. - М.: НИУ ВШЭ. - 2019. - № 13. Т. 4. - С. 4959.

49. Лакомов, Д.В. Определение оптимальных значений параметров работы алгоритма анализа изображений в ИК спектре / Д.В. Лакомов, А.В. Яковлев // Информационные технологии в управлении и моделировании мехатронных систем: сборник материалов I научно-практической международной конференции. - Тамбов: ФГБОУ ВО «ТГТУ». - 2017. - С. 463-467.

50. Лакомов, Д.В. Определение оптимальных значений параметров работы алгоритма контурного анализа при обработке изображений в ИК-спектре / Д.В. Лакомов, В.В. Алексеев // Современные технологии в задачах управления, автоматики и обработки информации: сб. материалов XXVII международной научно-технической конференции - Алушта. Издательство ФГБОУ ВО «ТГТУ», 2018. - С. 170-172.

51. Лакомов, Д.В. Применение БИЛА для поиска и обнаружения экологически опасных объектов на территории региона / Лакомов Д.В. // Беспилотная авиация: состояние и перспективы развития: сб. материалов ст. по материалам I Всероссийской научно - практической конференции. - Воронеж: ВУНЦ ВВС «ВВА». - 2019. - С. 331-335.

52. Лакомов, Д.В. Применение метода нечётких С-средних для анализа качества сельскохозяйственной продукции / Д.В. Лакомов, В.В. Алексеев, Ю.Ю. Громов, А.Г. Дивин // Экологические системы и приборы. - М.: Научтехлитиздат. - 2017. - №10. - С. 12-20.

53. Лакомов, Д.В. Процедура анализа изображения отпечатков пальцев в системах биометрической идентификации человека на основе модели построения контуров / Д.В. Лакомов, Н.Г. Шахов, Ю.В. Минин, Г. Аль Маамари // Системы управления и информационные технологии, №3(81), 2020. - С. 89-94.

54. Лакомов, Д.В. Процедура распознавания в информационной системе идентификации сельскохозяйственных объектов / Д.В. Лакомов, В.В. Алексеев // Цифровизация агропромышленного комплекса: сборник материалов I международной научно-практической конференции. - Тамбов: ФГБОУ ВО «ТГТУ». - 2018. - С. 220-222.

55. Лакомов, Д.В. Обработка изображений при распознавании образов сельскохозяйственной продукции / Д.В. Лакомов // Цифровизация агропромышленного комплекса: сб. материалов I международной научно-практической конференции. - Тамбов. Издательство ФГБОУ ВО «ТГТУ». - 2018. - С. 261-263.

56. Лакомов, Д.В. Система биометрической идентификации личности на основе контурного анализа / Д.В. Лакомов, В.В. Алексеев, А.П. Рыжков, Ю.В. Кулаков, Г.Н. Нурутдинов // Информация и безопасность. - Воронеж: Воронежский государственный технический университет. - 2018. - № 2. - С. 177182.

57. Лапко, А. В. Многоуровневые непараметрические системы принятия решений / А. В. Лапко, С. В. Ченцов. - Новосибирск: Наука. Сибирская издательская фирма РАН, 2008. - 192 с.

58. Лепский, А.Е. Математические методы распознавания образов / А.Е. Лепский, А.Г. Броневич. - Таганрог: ТТИ ЮФУ, 2009. - 155 с.

59. Лепский, А.Е. Анализ неопределенности выделения информативных признаков и представлений изображений / А.Г. Броневич, А.Н. Каркищенко, А.Е. Лепский. - М.: Физматлит, 2013. — 320 с.

60. Матвеев М.Г. Математическое моделирование задачи сетевого планирования с помощью нечеткой математики / М.Г. Матвеев, Н.А. Алейникова // Вестник Воронежского государственного университета, серия: Системный анализ и информационные технологии. - Воронеж: Воронежский государственный университет. - 2018. - № 3. - С. 155-162.

61. Матвеев М.Г. Разработка оболочки экспертной системы на основе нечеткой логики / М.Г. Матвеев, А.А. Набокин // Сборник студенческих научных работ факультета компьютерных наук ВГУ. Под редакцией Д.Н. Борисова. -Воронеж: Воронежский государственный университет. - 2019. С. 139-145.

62. Мерков, А.Б. Распознавание образов: Введение в методы статистического обучения / А.Б. Мерков. - М.: Едиториал УРСС, 2011. - 256 с.

63. Мендель, А. В. Модели принятия решений. - М.:Юнити-Дана, 2010. -

464 а

64. Местецкий, Л.М. Непрерывная морфология бинарных изображений: фигуры, скелеты, циркуляры / Л.М. Местецкий. - М.: ФИЗМАТЛИТ, 2009. -288 с.

65. Местецкий, Л.М. Математические методы распознавания образов / Л.М. Местецкий. - М.: МГУ, 2004. - 144 с.

66. Новыш, Б. В. Экономико-математические методы принятия решений / Б.В. Новыш, В.К. Шешолко, Д.В. Шаститко. - Минск: Академия управления при Президенте Республики Беларусь, 2012. - 180 а

67. Ожегов С.И. Толковый словарь русского языка. 28-е издание, переработанное. Под общей редакции д.ф.н. Л. И. Скворцовой. — М.: ООО «Издательство «Мир и Образование». - 2015.

68. Орлов, А. И. Организационно-экономическое моделирование. Теория принятия решений. - М.:КноРус, 2011. - 576 а

69. Павлидис, Т. Алгоритмы машинной графики и обработки изображений / Т. Павлидис. - М.: Радио и связь, 1986. -198 с.

70. Патрик, Э.А. Основы теории распознавания образов. / Э.А. Патрик. - М.: Советское радио, 1980. — 407 с.

71. Пекерман, И.Л. Методы первичной обработки изображения / И.Л. Пекерман // Информационные технологии на службе общества: сборник материалов международной научно-практической конференции. - Казань: Казанский гос. техн. ун-т. - 2014. - С. 337-338.

72. Петровский, А.Б. Теория принятия решений. - М.:Академия, 2009. -

400 а

73. Поляков, Д.В. Обобщение векторно-пространственной модели для оценки семантической значимости характеристик текстовых документов / Д.В. Поляков, Е.Н. Лепёшкин, Н.М. Митрофанов. - Воронеж, Приборы и системы. Управление, контроль, диагностика. - 2016. - №2 - С.51-61.

74. Потапов, А.А. Новейшие методы обработки изображений / А.А. Потапов. - М : ФИЗМАТЛИТ, 2008. - 494 с.

75. Прэтт, У. Цифровая обработка изображений / У. Прэтт. - М., 1982, т. 1, - 312 с., т. 2, - 480 с.

76. Пучков, Н.П. Математическая статистика. Применение в профессиональной деятельности: учебное пособие / Н.П. Пучков. - Тамбов : Изд-во ФГБОУ ВПО «ТГТУ», 2013 - 80 с.

77. Пытьев, Ю. П. Методы морфологического анализа изображений / Ю.П. Пытьев. - М : ФИЗМАТЛИТ, 2010. - 336 с.

78. Рассел, Дж. Теория принятия решений. - М.: Книга по Требованию, 2012. - 116 с.

79. Сакович, И.О. Обзор основных методов контурного анализа для выделения контуров движущихся объектов / И.О. Сакович, Ю.С. Белов // Инженерный журнал: наука и инновации. - 2014. - №. 12. - С. 1-8.

80. Свидетельство о государственной регистрации программы для ЭВМ № 2017662752 «Система контурного анализа нечётких изображений». Авторы: Алексеев В.В., Громов Ю.Ю., Иванова О.Г., Лакомов Д.В. Дата регистрации: 15.11.17.

81. Свидетельство о государственной регистрации программы для ЭВМ № 2018617413 «Система анализа изображений объектов растительного происхождения». Авторы: Алексеев В.В., Громов Ю.Ю., Дивин А.Г., Иванова О.Г., Лакомов Д.В. Дата регистрации: 25.06.18.

82. Сельвесюк Н.И. Определение координат объектов по изображениям систем получения видовой информации / Н.И. Сельвесюк, Ю.Г. Веселов, А.С. Островский // Навигация, наведение и управление летательными аппаратами: сборник трудов II всероссийской научно-технической конференции, Москва-Раменское, 22-23 сентября 2015 г. - М.: Научтехлитиздат. - 2015. - С. 217-219.

83. Сельвесюк Н.И. Оценка характеристик обнаружения и распознавания объектов на изображении от специальных оптико-электронных систем наблюдения летного поля / Н.И. Сельвесюк, Ю.Г. Веселов, А.С. Островский, А.В.

Гайденков // Труды МАИ. - М.: Московский авиационный институт (национальный исследовательский университет). - 2018. № 103. С. 21.

84. Сельвесюк Н.И. Перспективы интеллектуализации современных авиационных комплексов / Н.И. Сельвесюк, В.В. Косьянчук, С.Ю. Желтов // Аналитическая механика, устойчивость и управление: сборник трудов XI Международной Четаевской конференции, посвященной 115-летию со дня рождения Н.Г. Четаева и памяти академика АН РТ Т.К. Сиразетдинова, Казань, 13-17 июня 2017 г. - Казнь: Казанский государственный технический университет им. А.Н. Туполева. - 2017. С. 125-137.

85. Селянкин, В.В. Анализ и обработка изображений в задачах компьютерного зрения / В.В. Селянкин, С.В. Скороход. - Таганрог: Южный федеральный университет, 2015. - 82 с.

86. Сирота А.А. Анализ алгоритмов поиска объектов на изображениях с использованием различных модификаций сверточных нейронных сетей / А.А. Сирота, А.И. Милованова // Вестник Воронежского Государственного Университета, серия: Системный анализ и информационные технологии. -Воронеж: Воронежский государственный университет. - 2019. № 3. С. 123-137.

87. Сирота А.А. Алгоритм построения сверхразрешения на основе калмановской фильтрации и суперпиксельной сегментации изображений / А.А. Сирота, С.В. Саввин, А.Ю. Иванков // Информатика: проблемы, методология, технологии: сборник материалов XIX международной научно-методической конференции. - Воронеж: «Научно-исследовательские публикации». 2019. С. 862866.

88. Сирота А.А. Анализ и сравнение алгоритмов, основанных на применении regional based convolutional networks, для детектирования объектов на изображениях / А.А. Сирота, А.И. Милованова // Сборник студенческих научных работ факультета компьютерных наук ВГУ. Под редакцией Д.Н. Борисова. -Воронеж: Воронежский государственный университет. 2019. С. 139-144.

89. Смирнов, А.В. Цифровое телевидение: от теории к практике / А.В. Смирнов, А.Е. Пескин. - М.: Горячая линия- Телеком, 2005. - 349 с.

90. Советов Б.Я. Интеллектуальные системы и технологии: учебник для студ. Учреждений высш. Проф. образования / Б.Я. Советов, В.В. Цехановский, В.Д. Чертовской. - М.: Академия. - 2013. - 320 с.

91. Сойфер, В.А. Теоретические основы цифровой обработки изображений / В.А. Сойфер, В.В. Сергеев, С.Б. Попов, В.В. Мясников. — Самара: Самарский государственный аэрокосмический университет имени академика С.П. Королева, 2000. - 256 с.

92. Тарасов, А. К. Принципы стратегического управления в теории принятия решений. - М.: Финансы и статистика , 2012. - 144 с.

93. Ташлинский, А.Г. Оценивание параметров пространственных деформаций последовательностей изображений: учеб. / А.Г. Ташлинский. -Ульяновск: УлГТУ, 2000. - 132 с.

94. Тейлор, Дж. Почти интеллектуальные системы. Как получить конкурентные преимущества путем автоматизации принятия скрытых решений / Дж. Тейлор, Н. Рэйден. - М.:Символ-Плюс, 2009. - 448 с.

95. Трофимов, В.В. Методы принятия управленческих решений / В.В. Трофимов, Л.А. Трофимова. - М.: Юрайт, 2013. - 336 с.

96. Уринцов, А.И. Системы поддержки принятия решений / А.И. Уринцов, В.В. Дик // - М.: МЭСИ, 2008. - 230 с.

97. Утробин, В. А. Компьютерная обработка изображений. Анализ и синтез / В.А. Утробин. - Н. Новгород: НГТУ, 2003. - 228 с.

98. Федотов, Н.Г. Теория признаков распознавания на основе стохастической геометрии и функционального анализа / Н.Г. Федотов. - М.: ФИЗМАТЛИТ, 2010. - 304 с.

99. Фисенко, В.Т. Компьютерная обработка и распознавание изображений: учеб. пособие / В.Т. Фисенко, Т.Ю. Фисенко. - СПб: СПбГУ ИТМО, 2008. -192 с.

100. Форсайт, Д. Компьютерное зрение. Современный подход / Д. Форсайт, Ж. Понс. - М.: Вильямс, 2004. - 928 с.

101. Фурман, Я.А. Введение в контурный анализ. Приложения к обработке изображений и сигналов / Я.А. Фурман. - М: ФИЗМАТЛИТ, 2003. - 592 с.

102. Фурман, Я.А. Комплекснозначные и гиперкомлекснозначные системы в задачах обработки многомерных сигналов / Я.А. Фурман, А. В. Кревецкий, Р. Г. Хафизов, Е. Л. Егошина // М: Физматлит, 2004. - 456 с.

103. Фурман, Я.А. Цифровые методы обработки и распознания бинарных изображений / Я.А. Фурман, В.В. Яшин. Красноярск: Красноярского ун-та, 1992.

- 248с.

104. Хафизов, Р.Г. Основы теории обработки непрерывных контуров изображений / Р.Г. Хафизов, А.А. Роженцов, Д.Г. Хафизов, С.А. Охотников; под общей редакцией профессора Р.Г. Хафизова. Йошкар-Ола: Поволжский государственный технологический университет, 2015. - 172 с.

105. Черноруцкий, И. Г. Методы оптимизации и принятия решений. - М.: Лань, 2013. - 384 c.

106. Черняк, В.З. Методы принятия управленческих решений / В. З. Черняк, И.В. Довдиенко. - М.: Академия, 2013. - 240 c.

107. Швидченко С.А. Методика обработки изображений при идентификации / С.А. Швидченко, А.П. Кузин // Современное общество, образование и наука: сборник научных трудов по материалам международной научно-практической конференции, Тамбов, 31 марта 2015 г. - Тамбов: ООО «Консалтинговая компания Юком». - 2015. - Ч. 1. - С. 162-163.

108. Эддоус, М. Методы принятия решений / М. Эддоус, Р. Стэнсфилд // Пер. с англ. под ред. член-корр. РАН И.И. Елисеевой. - М.: Аудит, ЮНИТИ, 1997.

- 590 с.

109. Юдин, Д.Б. Вычислительные методы теории принятия решений. - М.: Либроком, 2013. - 320 c.

110. Batard, T. A class of generalized Laplacians on vector bundles devoted to multi-channel image processing / T. Batard, N. Sochen // Journal of Mathematical Imaging and Vision. - 2014. - No. 48 (3). - P. 517-543.

111. Bloch, I. Fuzzy sets for image processing and understanding /1. Bloch // Fuzzy Sets and Systems. - 2015. - No. 281. - P. 280-291.

112. Canny, J. A computational approach to edge detection. Pattern Analysis and Machine Intelligence /J. Canny // IEEE Transactions on, PAMI-8(6):679-698, Nov. 1986.

113. Dubois, D. A review of fuzzy set aggregation connectives / D. Dubois, H. Prade. // Information Sciences, 36(1-2) -1985. - P. 85-121.

114. Edge-Detection Method for Image Processing Based on Generalized Type-2 Fuzzy Logic / P. Melin [et al.] // IEEE Transactions on Fuzzy Systems. - 2014. -No.22 (6), art. no. 6698367. - P. 1515-1525.

115. Lakomov D.V. Image processing system in conditions of uncertainty and the training of its operator / V. V. Alekseev, D. V. Lakomov, A. G. Maamari, A. A. Shishkin //IOP Conf. Series: Materials Science and Engineering 537 (2019) 062043 IOP Publishing doi:10.1088/1757-899X/537/6/062043

116. Lakomov D.V. Simulation images of external objects in a virtual simulator for training Human-machine systems operators / V.V. Alekseev, D.V. Lakomov, A. A. Shishlin, M Nasraoui, G. Al Maamari // Journal of Physics: Conference Series. IOP Conf. Series: Journal of Physics: Conf. Series 1278 (2019) 012032 doi:10.1088/1742-6596/1278/1/012032

117. Lenz, R. Siegel Descriptors for Image Processing / R. Lenz // IEEE Signal Processing Letters. - 2016. - No. 23 (5), art. no. 7434603. - P. 625-628.

118. Matveev M.G. W-algebra for solving problems with fuzzy parameters / M.G. Matveev, A.O. Shevlyakov // Journal of Physics: conference series. - 2018. p. 012044

119. Muthukrishnan R, Radha M. Edge Detection Techniques for Image Segmentation, International Journal of Computer Science & Information Technology (IJCSIT), 2017, 3(6). - P. 259-267.

120. Paris, S. Local Laplacian filters: Edge-aware image processing with a Laplacian pyramid / S. Paris, S. Hasinoff, J. Kautz // Communications of the ACM. -2015. - No. 58 (3). - P. 81-91.

121. Visilter Yu. V. Facedetectnet: face detection via fully-convolutional network / Yu. V. Visilter, A. S. Moiseenko, V.S. Gorbatsevich // Computer optics. -2019. -1. -P. 63-71

122. Методы кластеризации [Электронный ресурс]. Воронежский государственный университет. - Режим доступа:

https://edu.vsu.ru/pluginfile.php/1953207/mod resource/content/1/кластеризация.pdf

123. Dic.academic. Толкование терминов. [Электронный ресурс]. - Режим доступа https ://dic. academic. ru/dic. nsf/

124. StudFiles. Лекция «организация процесса принятия решений. [Электронный ресурс]. - Режим доступа: https://studfile.net/preview/5176051/page:6/

ПРИЛОЖЕНИЕ А Результаты анализа изображений сельскохозяйственной продукции

Рисунок А.2 - Определение дефектов на томате

Рисунок А.3 - Определение дефектов на абрикосе

Рисунок А.4 - Определение дефектов на группе объектов

Рисунок А.5 - Определение дефектов на кабачке

Рисунок А.6 - Определение дефектов на огурце

Рисунок А.8 - Определение дефектов на группе объектов

Рисунок А.9 - Определение дефектов на изображениях объектов в ИК диапазоне

ПРИЛОЖЕНИЕ Б Анализ изображений объектов систем жизнеобеспечения города

«1

Рисунок Б.1 - Анализ изображений объектов СЖОГ в ИК - диапазоне с помощью

алгоритма контурного анализа

Рисунок Б.2 - Анализ изображений объектов СЖОГ в ИК диапазоне с помощью

алгоритма кластерного анализа

ПРИЛОЖЕНИЕ В Анализ изображений экологически опасных объектов

Рисунок В.2 - Анализ скрытого в земле газопровода в ИК диапазоне

Рисунок В.3 - Анализ полигона ТБО

Рисунок В.4 - Анализ труб отопления

Рисунок В.5 - Анализ теплотрассы

ПРИЛОЖЕНИЕ Г Применение разработанных моделей в других областях

Рисунок Г.1 - Кластерный анализ изображений сельскохозяйственных полей

Рисунок Г.2 - Контурный анализ изображений сельскохозяйственных полей

Рисунок Г.4 - Кластерный анализ изображений военной техники

Рисунок Г.5 - Контурный анализ термограмм человека

Рисунок Г.6 - Кластерный анализ термограмм человека

Рисунок Г.7 - Контурный анализ отпечатков пальцев человека

ПРИЛОЖЕНИЕ Д Материалы по внедрению результатов исследования

УТВЕРЖДАЮ

т • • оч • " /■ # Лй

АКТ

о реализации результатов исследования Лакомова Дениса Вячеславовича

Комиссия в составе: председателя комиссии - начальника цикла боевой подготовки (специалистов комплексов радиоэлектронной борьбы на беспилотных летательных аппаратах и средств комплексного технического контроля) Каданцева С.М., членов комиссии: начальника отдела (обеспечения радиоэлектронной защиты) Ильичева Н.С., начальника отдела (отработки способов боевого применения сил и средств РЭБ) Зацепина И.В., составила настоящий акт о том, что результаты диссертации, представленной на соискание учёной степени кандидата технических наук Лакомовым Д.В., а именно:

модель нечёткой пространственной кластеризации объектов на изображении;

модель построения контуров объекта на изображении и логико-лингвистическая модель определения контурных точек объекта в условиях отсутствия заданных граничных условий двойной пороговой фильтрации, были использованы в составной части комплексной научно-исследовательской работы «Аватар - МО» 2016 г, в составной части научно-исследовательской работы «Антиробот - РЭБ» 2017 г., в составной части научно-исследовательской работы «Ворон - МЦ» 2017 г.

Применение данных моделей позволило выполнить составные части указанных научно-исследовательских работ на высоком научно-техническом уровне. Комиссиями по приему составных частей указанных научно-исследовательских работ принято решение об использовании полученных положительных результатов при подготовке отчетных материалов по научно-исследовательским работам.

Председатель комиссии:

Члены комиссии:

И.Зацепин

£ 1Молоткова

проректор ФГБОУ ВО

государственный

АКТ

об использовании результатов исследования Лакомова Денис Вячеславовича

Комиссия в составе: председатель - директор института Автоматики и информационных технологий д.т.н., профессор Громов Ю.Ю., члены комиссии: заведующий кафедрой Информационные системы и защита информации д.т.н., профессор Алексеев В.В.. к.т.н., доцент кафедры Информационные системы и защита информации М.А. Ивановский - составила настоящий акт о том, что результаты диссертации Лакомова Д.В.. выполненной на соискание учёной степени кандидата технических наук, использованы в учебном процессе на кафедре Информационные системы и защита информации ФГБОУ ВО «Тамбовский государственный технический университет» при разработке учебно-методических пособий, лабораторных работ и обучающих программных комплексов по следующим дисциплинам:

- направление подготовки 10.05.03 - «Информационная безопасность автоматизированных систем» дисциплина «Методы обработки изображений», тема 2 «Яркостные преобразования и пространственная фильтрация», тема 5 «Обработка цветных изображений» и тема 8 «Сегментация, представление и описание изображений»;

- направление подготовки 09.04.02 - «Информационные системы и технологии» дисциплина «Интеллектуальные системы и технологии»» тема 7 «Технология интеллектуального анализа данных» и тема 8 «Системы поддержки принятия решений»;

- направление подготовки 27.04.03 - «Системный анализ и управление» дисциплина «Интеллектуальные информационные системы» тема 7 «Основы интеллектуального анализа данных» и тема 8 «Системы поддержки принятия решений». Применение результатов диссертации Лакомова Д.В. позволило существенно

повысить качество и эффективность учебно!

Председатель комиссии: д.т.н. профессор

Члены комиссии:

к.т.н. доцент

д.т.н. профессор