Модели и методы совмещения 2D и 3D изображений в системах технического зрения авиационного применения тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Новиков, Анатолий Иванович

  • Новиков, Анатолий Иванович
  • кандидат науккандидат наук
  • 2018, Рязань
  • Специальность ВАК РФ05.13.17
  • Количество страниц 332
Новиков, Анатолий Иванович. Модели и методы совмещения 2D и 3D изображений в системах технического зрения авиационного применения: дис. кандидат наук: 05.13.17 - Теоретические основы информатики. Рязань. 2018. 332 с.

Оглавление диссертации кандидат наук Новиков, Анатолий Иванович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1. ОБЗОР И АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ ПРЕДОБРАБОТКИ И СОВМЕЩЕНИЯ 2D И 3D ИЗОБРАЖЕНИЙ

1.1. Методы предварительной обработки изображений

1.1.1. Подавление шумов на изображении

1.1.2. Методы формирования контурных изображений

1.2. Формирование и исследование предельных областей поиска в плоскости Земли

1.3. Методы совмещения изображений

1.4. Методы реконструкции 3D изображений

1.5. Основные выводы по разделу

2. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ

2.1. Снижение уровня шума на изображениях

2.1.1. Линейные сглаживающие операторы

2.1.2. Результаты экспериментов

2.1.3. Искажения низкочастотной составляющей изображения линейными и нелинейными фильтрами

2.2. Детектирование границ перепада яркости

2.2.1. Метод углового коэффициента

2.2.2. Апробация детекторов границ на реальных изображениях

2.3. Основные выводы по разделу

3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ВИРТУАЛЬНОЙ ТЕЛЕВИЗИОННОЙ КАМЕРЫ

3.1. Математические модели ТВ - и ТПВ - изображений

3.1.1. Алгоритм формирования неискаженного ТВ-изображения

3.1.2. Алгоритм построения зоны обзора в условиях навигационных ошибок

3.1.3. Анализ результатов модельных экспериментов

3.1.4. Формирование предельной зоны поиска в плоскости Земли

3.2. Математические модели виртуального радиолокационного изображения

3.2.1. Общие положения и исходные данные

3.2.2. Алгоритм построения зоны обзора РЛИ в отсутствии ошибок навигационной системы

3.2.3. Алгоритм построения зоны обзора РЛИ с учетом угловых

ошибок навигационной системы

3.2.3.1. Без учета стробирования по дальности

3.2.3.2. Зоны обзора с учетом стробирования по дальности

3.2.4. Алгоритм построения зоны обзора РЛИ с учетом всех видов ошибок навигационной системы

3.3. Основные выводы по разделу

4. СОВМЕЩЕНИЕ ИЗОБРАЖЕНИЙ МЕТОДАМИ АФФИННОЙ И ПРОЕКТИВНОЙ ГЕОМЕТРИИ

4.1. Технология совмещения на основе преобразования в комплексной плоскости

4.1.1. Общая схема технологии и алгоритм преобразования

4.1.2. Синтез контурных изображений с последующим их улучшением

4.1.3. Автоматическая идентификация контуров и установление соответствия между ними на реальном и виртуальном изображениях

4.1.4. Результаты исследования технологии совмещения изображений

4.1.5. Результаты испытаний алгоритма на последовательности изображений

4.2. Совмещение 2D изображений с помощью проективных преобразований

4.2.1. Алгоритм совмещения

4.2.2. Исследование алгоритма совмещения

4.2.3. Технология совмещения реального и виртуального изображений с помощью проективного преобразования

4.2.4. Алгоритм установления соответствия между контурами

4.2.4.1. Установление соответствия между контурами на реальных

изображениях

4.2.4.2. Установление соответствия между контурами объектов на

реальном и виртуальном изображениях

4.2.5. Формирование множества пар ключевых точек

4.3. Совмещение радиолокационного изображения с телевизионным и виртуальным изображением

4.3.1. Нахождение координат образов угловых точек РЛИ на виртуальной камере

4.3.2. Формирование преобразования РЛИ к плоскости реального или виртуального изображений

4.4. Основные выводы по разделу

5. КОМБИНИРОВАННЫЕ МЕТОДЫ СОВМЕЩЕНИЯ ИЗОБРАЖЕНИЙ

5.1. Метод единственной пары ключевых точек

5.2. Алгоритмы создания сеток с неравномерным распределением узлов

5.2.1. Неравномерная сетка на числовой прямой

5.2.2. Результаты экспериментов

5.2.3. Неравномерные сетки в пространстве Rп

5.3. Алгоритм совмещения, основанный на прогнозировании значений навигационных параметров

5.3.1. Схема алгоритма совмещения

5.3.2. Вычислительный алгоритм

5.3.3. Экспериментальная часть и обсуждение

5.4. Описание аппаратной реализации предложенных алгоритмов

5.5. Основные выводы по разделу

6. РЕКОНСТРУКЦИЯ 3D ИЗОБРАЖЕНИЙ ПОДСТИЛАЮЩЕЙ ПОВЕРХНОСТИ В ПЛОСКОСТИ ЗЕМЛИ

6.1. Постановка задачи

6.2. Схема стереозрения и вычисление карты глубины изображения

6.3. Методы поиска ключевых точек на видеоизображениях и построения их описаний

6.4. Формирование множества пар соответствующих точек непосредственно в облаках точек

6.5. Совмещение облаков точек с помощью матрицы гомографии

6.6. Замечание о методах решения переопределенных СЛАУ в задачах обработки изображений

6.7. Реконструкция 3D изображений подстилающей поверхности по последовательности стереоизображений

6.8. Основные выводы по разделу

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. КОПИИ АКТОВ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ

ДИССЕРТАЦИОННОЙ РАБОТЫ

ПРИЛОЖЕНИЕ Б. КОПИИ СВИДЕТЕЛЬСТВ О РЕГИСТРАЦИИ ПРОГРАММ ДЛЯ ЭВМ

Рекомендованный список диссертаций по специальности «Теоретические основы информатики», 05.13.17 шифр ВАК

Введение диссертации (часть автореферата) на тему «Модели и методы совмещения 2D и 3D изображений в системах технического зрения авиационного применения»

ВВЕДЕНИЕ

Диссертационная работа посвящена разработке и исследованию математических методов и алгоритмов совмещения 2D изображений с заданными свойствами и решения на этой основе фундаментальной задачи совмещения разнородных изображений подстилающей поверхности в плоском случае. Одновременно в диссертации решается проблема реконструкции трехмерных изображений подстилающей поверхности по последовательности стереоизображений. Центральное место в технологии реконструкции трехмерного изображения занимает задача корректного совмещения (сшивания) трехмерных облаков точек.

Проведены исследования методов предварительной обработки двумерных изображений, в рамках которых предложены новые методы и алгоритмы выделения границ перепада яркостей и формирования контуров объектов на изображениях. Разработаны методы геометрического совмещения разнородных 2D изображений на основе аффинных и проективных преобразований плоскости, а также комбинированные методы совмещения с применением корреляционно-экстремальных алгоримов в поисковом режиме и на основании прогнозных значений навигационных параметров в следящем режиме.

Предложены методы реконструкции трехмерных моделей подстилающей поверхности в плоскости Земли по последовательности стереоизображений.

Актуальность темы. Развитие подвижных робототехнических комплексов как наземного, так и воздушного применения, невозможно без бортовых систем технического зрения (СТЗ), способных решать широкий спектр задач. В авиационных СТЗ наиболее острой и актуальной является проблема обеспечения безопасности полетов и особенно на этапе посадки, в условиях плохой видимости и сложного рельефа. Необходимость повышения безопасности полетов в условиях плохой видимости, обеспечения безопасного захода на посадку и приземления заставляют разработчиков радиоэлектронных систем создавать новые устройства и включать их в состав бортовых систем технического зрения (СТЗ).

В зависимости от комплектации в состав бортовой СТЗ могут входить радиолокационная станция (РЛС), телевизионная (ТВ) камера, тепловизор, лазерный локатор (лидар - LiDAR Light Detection and Ranging) [1]. Эти устройства - сенсоры - можно назвать «зрительной системой» летательного аппарата (ЛА). Каждый из сенсоров отображает специфические характеристики закабинного пространства (яркостные, тепловые, радиолокационные контрасты и т.д.). Пилот управляемого ЛА не в состоянии следить за всем многообразием информации, поступающей от сенсоров. Оптимальное использование информации, поступающей от нескольких сенсоров, возможно только с использованием бортового вычислительного комплекса, сопряженного с системой отображения информации. Совокупность бортовых сенсоров СТЗ, дополненная блоком улучшения изображений и их визуализации, получила название системы улучшенного видения (EVS).

В современных и перспективных ЛА наряду с реальными изображениями (РИ) подстилающей поверхности, формируемыми на основании информации, поступающей от датчиков СТЗ, широко используются еще и виртуальные изображения (ВИ). Виртуальное изображение синтезируются по навигационным данным на основании информации, хранящейся в бортовом вычислителе в виде цифровой карты местности (ЦКМ). Эта система называется системой синтезированного видения (SVS).

Объединение информации, содержащейся в РИ и ВИ, позволяет формировать комбинированное изображение. Комбинированные изображения необходимы для «восстановления» с помощью синтезированного изображения тех частей РИ, которые не видимы, например, из-за тумана или низкой облачности (рисунок 1). В верхней части рисунка 1б - виртуальное изображение, синтезированное по ЦКМ, в нижней - реальное ТВ изображение. Формирование комбинированного изображения возможно при условии, что выполнено геометрическое преобразование синтезированного ВИ к плоскости РИ, то есть, решена задача совмещения разнородных изображений.

Под разнородными изображениями здесь и далее будем понимать, с одной стороны, РИ, полученное от одного из сенсоров СТЗ, а с другой, ВИ, синтезированное по ЦКМ. Изображения, полученные от двух различных сенсоров СТЗ, например, от ТВ и ТПВ камер, будем называть разноспектральными.

а б

Рисунок 1 - Видеоизображение взлетно-посадочной полосы в условиях тумана

(а), комбинированное изображение (б) Таким образом, в состав СТЗ входят системы улучшенного видения (EVS), системы синтезированного видения (SVS) и комбинированные системы видения (CVS). Системы SVS синтезированного видения предоставляют априорную информацию о местности за счет использования цифровых карт местности. Изображение от SVS формируется с помощью виртуальной камеры, положение которой в трехмерном пространстве и углы поворота задаются навигационными системами, расположенными на борту ЛА. На практике изображение от SVS не совпадает геометрически с РИ из-за ошибок, накапливаемых в навигационных датчиках.

Устранение возникающих рассогласований достигается за счет корректного совмещения разнородных изображений. На вход СТЗ ЛА поступают реальное изображение и значения вектора vr = {xr, yr, hr ,Qr ,щг ,yr ) навигационных параметров. На основании этих данных формируется виртуальное изображение. Наложение ВИ на РИ обнаруживает несовпадение изображений объектов,

обусловленное неизвестной ошибкой Лу = (Ах, Лу, ЛИ, АО, А щ, Лу) вектора навигационных параметров. Необходимо «подобрать» такую поправку Лу^ к

значениям вектора навигационных параметров, чтобы виртуальное изображение, сформированное по скорректированному вектору у^ = уг + Лу^, максимально

точно совпало с РИ.

Формирование комбинированного изображения предполагает решение не только задачи совмещения разнородных изображений - основной и наиболее сложной в комплексе задач, - но и ряда вспомогательных задач. Это задачи выделения контуров на РИ, улучшения контурных препаратов как на РИ, так и на ВИ, установление взаимно однозначного соответствия между контурами на РИ и ВИ, формирование множества пар ключевых точек и другие. Совмещение плоских разнородных изображений позволяет, с одной стороны, решать навигационную задачу - уточнять навигационные параметры ЛА, - с другой, предоставлять пилоту комбинированное изображение. Уточнение навигационных параметров производится в процессе сравнения текущего изображения (телевизионного, тепловизионного или радиолокационного) с виртуальным изображением, синтезированным по ЦКМ. Вторая задача - задача комплексирования разноспектральных сигналов - предполагает решение следующих задач:

• геометрические преобразования (масштабирование, поворот и т.п.) изображений, полученных от различных датчиков;

• яркостные преобразования (фильтрация шумов, контрастирование и т.п.) изображений;

• комбинирование полученных изображений с целью формирования выходного изображения с улучшенными информационными и качественными характеристиками.

Проблема совмещения как плоских так и пространственных изображений заключается в установлении соответствия между точками двух или более изображений. Данная проблема является фундаментальной задачей

компьютерного зрения, поскольку необходимость совмещения изображений возникает при решении таких задач, как выявление изменений в серии изображений, анализ движения, комплексирование информации от различных датчиков, стереозрение, анализ и распознавание объектов. Различные методы совмещения включают в качестве составных элементов выполнение таких операций, как выделение контуров, сегментация и построение структурного описания изображения [2; 3; 4; 5; 6].

Совмещение плоских реального и синтезированного изображений в бортовых СТЗ является одной из сложнейших задач по нескольким причинам. Одна из основных заключается в ошибках определения текущих координат ЛА как материальной точки в воздушном пространстве (широты Л, долготы р и высоты h), а также в ошибках определения ориентации ЛА как протяженного объекта в пространстве. К ним относятся ошибки в измерении параметров курса щ, тангажа в и крена у. Ошибки могут присутствовать и в ЦКМ. Как следствие изображение, синтезированное по ЦКМ при наличии в ней ошибок, будет отличаться от истинного. Еще одним источником ошибок в СТЗ могут быть сами сенсоры, формирующие изображение. Заявленные параметры сенсоров иногда отличаются от их реальных характеристик. Разная природа реального и синтезированного изображений является еще одной причиной, затрудняющей решение задачи совмещения изображений.

К ошибкам позиционирования могут добавляться еще и геометрические искажения контуров на этапах выделения границ перепада яркостей и формирования замкнутых контуров. Изображения одного и того же участка поверхности Земли, снятые из различных точек пространства, отличаются друг от друга еще и проективными искажениями.

Актуальность формирования 3D изображений в системах технического зрения авиационного применения обусловлена необходимостью решения многих задач вертолетной авиацией. К ним относятся задачи монтирования с помощью вертолета различных технических установок, спасение живой силы в условиях сложного рельефа, посадка вертолета на незнакомые площадки. Концептуально

совмещение 3D изображений не отличается от решения аналогичной проблемы в плоском случае. Необходимо решить две основные задачи:

• сформировать множество пар соответствующих точек;

• построить преобразование F, преобразующее точки одного множества к другому с минимизацией расстояния между соответствующими точками этих множеств.

Цель диссертационной работы - разработка методологии, математических моделей и методов совмещения разнородных 2D изображений и облаков точек в трехмерном пространстве для создания высококачественных изображений в реальном времени и их визуализации в бортовых системах технического зрения авиационного применения.

Степень проработанности темы. Цифровая обработка изображений как отрасль научного знания и как сфера приложения полученных результатов совершила за последние три десятилетия огромный скачок. Существенной вклад в развитие методов цифровой обработки изображений внесли отечественные ученые Алпатов Б.А., Визильтер Ю.В., Гуревич И.Б., Дворкович В.П., Журавлев Ю.И., Желтов С.Ю., Зубарев Ю.Б., Еремеев В.В., Киричук В.С., Кузнецов А. Е., Сойфер В.А., Сергеев В.В. и другие, а также зарубежные ученые Блейхут Р., Гонзалес Р., Понс Ж., Прэтт У., Форсайт Д., Кенни Д., Харалик Р., Харт Я. Научные результаты названных и других ученых по цифровой обработке изображений нашли отражение в монографиях [2-6; 7; 8; 9; 10; 11; 12; 13; 14; 15; 16; 17].

Как уже отмечалось выше, проблеме совмещения изображений посвящено большое число исследований, в частности, и в системах технического зрения авиационного применения [17; 18; 19; 20; 21; 22; 23]. Сложность проблемы совмещения разнородных изображений не позволяет пока создать универсальный алгоритм, который обеспечивал бы совмещение изображений независимо от сюжета и качества реального и синтезированного изображений. Скорее всего, такой алгоритм и невозможно создать без привлечения дополнительной информации с цифровых карт о топологических особенностях наблюдаемого

участка подстилающей поверхности [23]. Однако предложение автора работы [23] о создании ЦКМ, дополненных информацией о координатах и типе топологических особенностей, хотя и кажется привлекательным, но его практическая реализация вряд ли возможна в обозримом будущем. Можно предположить, что реальная система совмещения плоских разнородных изображений может быть построена только с использованием комбинации нескольких методов совмещения, каждый из которых включается в работу при соответствующем изменении наблюдаемой сцены. Алгоритмы, обеспечивающие совмещение изображений в условиях, отвечающих требованиям руководства Р-315 [24], предлагаются во многих работах [21-23; 25; 26; 27; 28; 29; 30; 31; 32].

Предельные ошибки навигационных параметров по координатам х, у, к не

должны превышать + 40 м, а по углам тангажа, курса и крена + 0,1°. При этом угловая ошибка совмещения изображений в авиационной системе

комбинированного видения не должна превышать 5 мрад («0,2865°) как в горизонтальной, так и в вертикальной плоскостях. Для видеокамеры с углами

обзора 40° по горизонтали и 30° по вертикали, формирующей изображение размером 640 х 480 пикселей, максимально допустимая величина расхождения между соответствующими пикселями на реальном и совмещенном с ним синтезированном изображениях не должна превышать 4 пикселей [24].

В третьем разделе диссертационной работы построены и исследованы математические модели виртуальной телевизионной камеры и виртуальной радиолокационной станции. Они формируют зоны обзора в плоскости Земли соответственно для видеоизображения и радиолокационного изображения. Виртуальные модели позволяют исследовать геометрию и размеры зон обзора для различных значений шестимерного вектора навигационных параметров и всевозможных значений и сочетаний ошибок этих параметров. Такой анализ необходим, в частности, для корректного расширения углов обзора камеры при решении задачи совмещения ВИ и РИ в схеме с расширенным ракурсом.

Расширение ракурса означает формирование ВИ большего размера за счет увеличения углов обзора виртуальной камеры. Увеличение углов обзора равносильно расширению ракурса по углам тангажа на величину 2 • Лв вдоль оси Ox и курса - на величину 2 • Л\ вдоль оси Oy.

Исследование математической модели виртуальной видеокамеры позволило установить, что, если значения угловых ошибок тангажа, курса и крена не выходят за пределы предельных значений, то расхождение меду реальным и синтезированным по ЦКМ изображениями не будет превышать 5 мрад. Совокупное же влияние ошибок всех 6 навигационных параметров может значительно превышать указанные 5 мрад. К сожалению, ошибки навигационных параметров, формируемые реальными датчиками, часто выходят далеко за пределы допустимых значений. В этих условиях создаваемые и уже созданные алгоритмы совмещения изображений могут давать плохое качество совмещения. Исследование зон обзора необходимо для понимания того, в каких пределах может изменяться зона обзора при самом неблагоприятном сочетании ошибок навигационных параметров и соответственно как эти изменения можно учесть в алгоритмах совмещения изображений.

Проблеме реконструкции 3D изображений и, в частности, проблеме сшивания трехмерных облаков точек посвящено большое число исследований [33; 34; 35; 36; 37; 38; 39; 40]. Можно выделить два основных подхода к решению этой проблемы. Первый по времени возникновения и наиболее широко используемый на практике - итеративный алгоритм ближайших точек (ICP), опубликованный впервые Besl и McKey в 1992 году [37]. Алгоритм состоит из двух основных этапов: поиск соответствующих точек в двух облаках на первом этапе, определение параметров преобразования (растяжение, сдвиг и вращение), применение этого преобразования и оценивание функции ошибки - на втором этапе. В качестве функции ошибки в методе point-to-point используется расстояние между соответствующими точками в паре облаков, а во втором методе point-to-plane - расстояние между точкой одного облака и касательной плоскостью

к другому облаку. Алгоритм имеет многочисленные модификации, например [36; 38; 39].

Второй подход к решению задачи совмещения 3D изображений основан на поиске замкнутого решения задачи сшивания двух облаков точек. Функция ошибки в этом методе, вычисляется по методу рош14о-р1апе [40].

В шестом разделе диссертации показано, что при наличии динамически меняющейся зоны перекрытия облаков точек стандартный вариант метода 1СР выполняет сшивку облаков точек по всему множеству точек в одном и втором облаке без учета этой зоны. Поэтому использование этого метода для решения задачи совмещения трехмерных изображений подстилающей поверхности под ЛА требует соответствующей доработки алгоритма.

Представляется интересным исследование возможности распространения идеи совмещения плоских изображений с помощью матрицы гомографии на

трехмерный случай. Матрица гомографии в пространстве R будет иметь размер 4 х 4 и, как следствие, будет содержать 15 неизвестных элементов (Н44 = 1). Математический аппарат, разработанный в четвертом разделе (пункт 4.2.1) для произвольного числа пар ключевых точек в плоской гомографии, без особого труда обобщается на трехмерный случай.

Матрица гомографии позволит получать конечное решение за один шаг. При этом матрица гомографии позволяет учитывать все виды деформаций облаков точек (сдвиг, поворот, изменение масштаба). Единственная проблема, которая может теоретически препятствовать широкому использованию матрицы гомографии для сшивания облаков точек - высокая зависимость от возможных ошибок в определении координат точек в облаках на этапе формирования карты высот по последовательности плоских изображений. Поэтому необходимо исследовать и другие методы совмещения облаков точек

Основные задачи исследования. Необходимо: - осуществить анализ существующих методов и алгоритмов формирования 2D изображений с заданными свойствами и на этой основе разработать

методологию, математические модели и алгоритмы совмещения реальных и виртуальных изображений в плоском случае;

- разработать новые или модифицировать известные методы и алгоритмы построения 3D моделей подстилающей поверхности по последовательности стереоизображений;

- разработать и апробировать на реальных изображениях подстилающей поверхности новые методы совмещения РИ и ВИ, удовлетворяющие требованиям нормативных документов, как по точности, так и по быстродействию;

- осуществить анализ существующих методов и алгоритмов предварительной обработки изображений с позиций их применимости для решения задачи совмещения изображений и, если необходимо разработать новые или модифицировать существующие;

- оценить реализуемость предложенных алгоритмов на специализированных вычислителях, в частности, на программируемых логических интегральных схемах (ПЛИС).

Методы исследования. Для решения поставленных задач применялись методы предварительной обработки изображений, методы комплексного контурного анализа, методы проективной геометрии, методы оптимизации, численные методы линейной алгебры, методы теории вероятности, методы моделирования и исследования 3D-изображений.

Научная новизна. В проведенном исследовании получены следующие результаты, которые обладают научной новизной:

1. Разработана методология формирования 2D изображений с заданными свойствами на основе решения задачи совмещения разнородных изображений, имеющей фундаментальное значение в проблеме цифровой обработки изображений в СТЗ авиационного применения.

2. Разработана технология реконструкции 3D изображений подстилающей поверхности в плоскости Земли на основе модифицированного варианта алгоритма 1СР, отличающаяся от базового варианта снижением вычислительных затрат и позволяющая получать высокое качество сшивания облаков точек.

3. Разработан метод геометрического совмещения 2D изображений на основе аффинных преобразований в комплексной плоскости, отличающийся от аналогов оригинальными технологиями установления взаимно однозначного соответствия между контурами на РИ и ВИ и позволяющий ускорить совмещение изображений в 10-50 раз по сравнению с корреляционными алгоритмами [22; 41].

4. Предложен метод геометрического совмещения 2D изображений на основе проективных преобразований, отличающийся применением автокорреляционных функций контуров для установления взаимно однозначного соответствия между контурами [29; 42], оригинальным алгоритмом построения проективного преобразования и позволяющий обеспечивать высокое качество совмещения по сравнению с другими методами [28; 42; 43; 44; 45; 46; 47; 48]. Разработан новый метод аппроксимации контуров многоугольниками с минимальным количеством вершин и формирования на этой основе множества пар ключевых точек [28; 44; 47].

5. Разработан комбинированный метод совмещения разнородных изображений, основанный на применении корреляционно-экстремального алгоритма совмещения в поисковом режиме и совмещения на основании прогнозных значений навигационных параметров в следящем режиме [30]. Отличается от геометрических методов совмещения решением обратной навигационной задачи, а от корреляционных - быстродействием. Обеспечивает по сравнению с лучшими аналогами повышение качества совмещения на 35-45% и значительное повышение скорости обработки.

6. Предложен новый метод выделения границ перепада яркости на плоских изображениях, отличающийся от других методов повышенной помехозащищенностью и позволяющий формировать контурное изображение, необходимое для решения задачи совмещения разнородных изображений, с минимальным числом неинформативных линий [49; 50; 51; 52; 53; 54; 55].

7. Разработаны математические модели виртуальной телевизионной камеры и радиолокационных изображений, отличающиеся от известных моделей построения изображения по ЦКМ малым числом расчетных параметров и

позволяющие формировать и исследовать предельные зоны поиска в плоскости Земли, знание которых необходимо для корректного расширения углов обзора виртуальной камеры при решении задачи совмещения изображений [30; 56; 57; 58].

8. Разработаны алгоритмы формирования неравномерных сеток узлов в пространствах различной размерности, позволяющие получить выигрыш во времени в 30-50 раз по сравнению с равномерными сетками узлов.

Положения, выносимые на защиту.

1. Методология формирования 2D изображений с заданными свойствами на основе решения задачи совмещения разнородных изображений, имеющей фундаментальное значение в проблеме цифровой обработки изображений в СТЗ авиационного применения.

2. Технология реконструкции 3D изображений подстилающей поверхности в плоскости Земли на основе модифицированного варианта алгоритма 1СР, обеспечивающая высокое качество сшивания облаков точек при низких вычислительных затратах.

3. Метод геометрического совмещения 2D изображений на основе аффинных преобразований в комплексной плоскости, позволяющий ускорить совмещение изображений в 10-50 раз по сравнению с корреляционными алгоритмами.

4. Метод геометрического совмещения 2D изображений на основе проективных преобразований плоскости, отличающийся применением автокорреляционных функций контуров для установления взаимно однозначного соответствия между контурами и позволяющий по сравнению с другими некорреляционнеыми методами обеспечивать высокое качество совмещения.

5. Комбинированный метод совмещения разнородных изображений, основанный на сочетании корреляционного алгоритма совмещения в поисковом режиме и межкадровой обработки - в следящем режиме. Обеспечивает по сравнению с лучшими аналогами повышение качества совмещения на 35-45% и значительное повышение скорости обработки.

6. Новый метод выделения границ перепада яркости на плоских изображениях, позволяющий получать контурное изображение с минимальным числом неинформативных линий.

Практическая ценность работы.

1. Метод совмещения с помощью аффинных преобразований в комплексной плоскости и комбинированный алгоритм совмещения, основанный на использовании корреляционно-экстремального совмещения в поисковом режиме и прогнозных значений навигационных параметров в следящем режиме, работают в автоматическом режиме, доведены до уровня промышленной эксплуатации и могут использоваться в рамках бортовых СТЗ.

2. Все алгоритмы, обеспечивающие предварительную обработку изображений, также реализованы программно и могут встраиваться в другие программные модули для решения задач более высокого уровня.

3. Разработанные алгоритмы и реализующее их программное обеспечение реконструкции 3D моделей подстилающей поверхности в плоскости Земли протестированы на реальных видеопоследовательностях и могут использоваться в СТЗ как воздушного, так и наземного применения.

4. Практическая значимость разработанных систем формирования 2D и 3D изображений с заданными свойствами подтверждается актами внедрения результатов от организаций, разрабатывающих СТЗ воздушного и наземного применения. В частности, это АО «Государственный Рязанский приборный завод», АО «ВНИИ «Сигнал», город Ковров.

Реализация и внедрение. Диссертация выполнена в Рязанском государственном радиотехническом университете в рамках следующих хоздоговорных научно-исследовательских работ выполненных по заказу АО «ГРПЗ»:

НИР «Совмещение-РГРТУ-1» «Разработка программно-математического обеспечения предобработки и визуализации изображений, поступающих от сенсоров системы технического зрения ЛА и формируемых на основе цифровой карты местности»;

НИР «Совмещение-РГРТУ-3» «Разработка методов и алгоритмов уменьшения вычислительной сложности совмещения реальных и виртуальных изображений в авиационных комбинированных системах видения»;

НИР 3-12 «Разработка программно-математического обеспечения для улучшенного и синтезированного изображений в системах технического зрения для управления летательным аппаратом, с использованием комплексной пилотажной и навигационной информации»;

Похожие диссертационные работы по специальности «Теоретические основы информатики», 05.13.17 шифр ВАК

Список литературы диссертационного исследования кандидат наук Новиков, Анатолий Иванович, 2018 год

СПИСОК ЛИТЕРАТУРЫ

1 Авиационные системы улучшенного и синтезированного видения // Аналитический обзор по материалам зарубежных информационных источников / под ред. академика РАН Е.А. Федосова. Научно-информационный центр ФГУП «ГосНИИАС», 2011.

2 Прэтт У. Цифровая обработка изображений. Пер. с англ. - М.: Мир, 1982. Кн.2. - 480 с.

3 Гонзалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2005. - 1072 с.

4 Визильтер Ю. В., Желтов С.Ю., Бондаренко А.В. и др. Обработка и анализ изображений в задачах машинного зрения. -М.: Физматкнига, 2010. - 672 с.

5 Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений. - М.: Техносфера, 2010. - 560 с.

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

7 Дворкович А.В., Дворкович В.П. Цифровые видеоинформационные системы (теория и практика). - М.: Техносфера, 2012. - 1009 с.

8 Журавлев Ю.И., Гуревич И. Б. Распознавание образов и анализ изображений // Искусственный интеллект: в 3-х книгах. Книга 2. Модели и методы: Справочник. - М.: Радио и связь, 1990. - 304 с.

9 Марр Д. Зрение. Информационный подход к изучению представлений и обработки зрительных образов. - М.: Радио и связь, 1987. - 400 с.

10 Методы компьютерной обработки изображений / Под ред. Сойфера В.А.

- М.: Физматлит, 2003. - 784 с.

11 Ту Дж., Гонсалес Р. Принципы распознавания образов. - М.: Мир, 1978.

- 412 с.

12 Быков Р.Е., Гуревич С.Б. Анализ и обработка цветных и объемных изображений. - М.: Радио и связь, 1984. - 248 с.

13 Дуда Р., Харт Я. Распознавание образов и анализ сцен. М.: Мир, 1976. -

511 с.

14 Василенко Г.И., Тараторин А. М. Восстановление изображений. - М.: Радио и связь, 1984. - 304 с.

15 Яншин В.В. Анализ и обработка изображений: принципы и алгоритмы. -М.: Машиностроение, 1994. - 112 с.

16 Виттих В.А., Сергеев В.В., Сойфер В.А. Обработка изображений в авт оматизированных системах научных исследований. - М.: Наука, 1982. - 214 с.

17 Обработка изображений в авиационных системах технического зрения. Под ред. Л.Н. Костяшкина, М.Б. Никифорова. - М.: Физматлит, 2016. - 240 с.

18 Алпатов Б.А., Бабаян П.В., Балашов О.Е., Степашкин А.И. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление. - М.: Радиотехника, 2008. - 176 с.

19 П.В. Бабаян, М.Д. Ершов. Алгоритмы устранения рассогласования разнородных изображений в бортовой системе видения// Вестник РГРТУ, №54, Часть 2. Рязань, 2015. - С. 15-20.

20 Новиков А.И., Логинов А.А., Муратов Е.Р., Никифоров М.Б. Сокращение вычислительной сложности совмещения изображений в авиационных системах технического зрения// Динамика сложных систем, т. 9, № 1, 2015. - C. 33-41.

21 Новиков А.И., Ефимов А.И. Предварительное совмещение изображений и методы оценки качества совмещения // Цифровая обработка сигналов, 2014, № 3. - C. 15-22.

22 Ефимов А.И., Новиков А.И. Программно-алгоритмический комплекс совмещения изображений в авиационных системах технического зрения// Сб. трудов III межд. конф. и молодежной школы «Информационные технологии и нанотехнологии - 2017», ITNT - 2017, Самара, 25-27 апреля. - Самара: Новая техника. 2017. - С. 400-409.

23 Бондаренко М.А. Разработка методов и алгоритмов совмещения 2D и 3D информации для авиационных систем улучшенного и синтезированного видения, дисс. канд. тех. наук: 05.13.11. - Москва, 2016. - 113 с. [Текст]. URL:

https://yandex.ru/search.rsl.ru/record/01006652791 (дата обращения 12.09.2017).

24 Руководство Р-315 «По минимальным стандартам характеристик авиационных систем (MASPS) для систем улучшенного видения, систем искусственного видения, комбинированных систем искусственного видения и бортовых систем увеличения дальности видения» Авиационного Регистра Межгосударственного Авиационного Комитета (АР МАК).

25 Новиков А.И, Саблина В.А., Горячев Е.О., Применение контурного анализа для совмещения изображений // Известия ТулГУ. Технические науки. Вып. 9. Ч.1. Тула: Изд-во ТулГУ, 2013. - С 260-270.

26 А.И. Ефимов, А.И. Новиков. Алгоритм поэтапного уточнения проективного преобразования для совмещения изображений// Компьютерная оптика. - 2016. - Т. 40, № 2. - С. 258-266. - DOI: 18287/2412-6179-2016-40-2-258266.

27 Логинов А.А., Новиков А.И., Саблина В.А., Щербакова О.В. Исследование возможности применения комплексного контурного анализа в задачах классификации и совмещения контуров // Вестник РГРТУ, №1 (выпуск 43). - Рязань, 2013. -с. 20-24.

28 Anatoly I. Novikov, Victoria A. Sablina, Michael B. Nikiforov, and Alexander A. Loginov, The Contour Analysis and Image-Superimposition Problem in Computer Vision Systems // International Journal "Pattern Recognition and Image Analysis", Pleiades Publishing, 2015, Vol. 25, No. 1. - Pp. 73-80.

29 Anatoly I. Novikov, Victoria A. Sablina, Aleksey I. Efimov, Michael B. Nikiforov. Contour Analysis in the tasks of real and virtual images superimposition// Journal Coupled Systems and Multiscale Dynamics, vol 4(4), 2016. - Pp. 251-259. (Doi: 10.1166/jcsmd. 2016.1112 J. Coupled Syst. Multiscale Dyn. vol 4(4)/2330-152X/2016/251/009).

30 Новиков А.И., Логинов А.А., Колчаев Д.А. Комбинированный метод совмещения разнородных изображений в авиационных системах технического зрения // Цифровая обработка сигналов, 2017, № 2. - C. 53-59.

31 Герман Е.В. Алгоритмы совмещения разнородных изображений в бортовых системах визуализации, дисс. канд. техн. наук: 05.132.01. - Рязань, 2014. - 180 с. [Текст] URL: https://yandex.ru/search.rsl.ru/record/01007853107 (дата обращения 14.03.2017).

32 Ефимов А.И. Разработка и исследование алгоритмов совмещения изображений от бортовых видеодатчиков с виртуальной моделью местности, дисс. канд. техн. наук: 05.13.17. - Рязань, 2016. - 172 с. [Текст] URL: https://yandex.ru/search.rsl.ru>ru/record/01008510654 (дата обращения 25.09.2017).

33 Stein, F. Structural Indexing: Efficient 3-D Object Recognition/ F. Stein, G. Medioni// IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992. Vol. 14(2). - Pp. 125-145.

34 Johnson, A. Surface Registration by Matching Oriented Points// A. Johnson, M. Hebert/ Proc. 3 DIM. 1997. - Pp. 145-152.

35 Черников И.С. Трехмерная реконструкция и распознавание по наборам дальнометрических данных/ И.С. Черников, А.А. Крыловецкий// Компьютерное моделирование 2009: труды международной научно-технической конференции. -Санкт-Петербург, 2009. - С. 284-287.

36 Chen. C. Ransac-Based Darces: A New Approach to Fast Automatic Registration of Partially Overlapping Range Images/ C. Chen, Y. Hung, J. Cheng// IEEE Transactions on Pattern Analysis and Machine Intelligence. 1999. Vol. 21, No. 11. - Pp. 1229-1234.

37 Besl P.J., McKey, Neil D. A Method for Registration of 3-D Shapes // IEEE Transactions on Pattern Analysis and Machine intelligence, Vol. 14, № 2б 1992. - Pp. 239-256.

38 Du, S. A extension of the ICP algorithm considering scale factor/ / S. Du, N. Zheng, S. Ying, Y. Wu// Proc. 14th IEEE International Conference of Image Processing (ICIP) -2007. - Pp. 193-196.

39 Du, S. Affine iterative closest point algorithm for point set registration/ S. Du, N. Zheng, S. Ying, J. Liu // Pattern Recognition Letters/ - 2010 - 31/ -Pp. 791-799.

40 A. Makovetskii, S. Voronin, V. Kober, D. Tihonkih. Affine registration of point-to-plane approach/Œ трудов III межд. Конф. и молодежной школы ITNT -2017/ - Самара: Новая техника. 2017. - C. 684-688.

41 Efimov, A.I., Novikov, A.I. Program-algorithm complex for image imposition in aircraft vision systems // CEUR Workshop Proceedings, vol. 1901, 2017. - Pp. 47

42 Новиков А.И., Саблина В.А., Никифоров М.Б. Алгоритмы автоматической идентификации объектов на разнородных изображениях и совмещения изображений// Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии - 2017», ITNT - 2017, Самара, 25-27 апреля, Самара: Новая техника. 2017. - С. 599-607.

43 Victoria A. Sablina, Anatoly I. Novikov, Michael B. Nikiforov, and Alexander A. Loginov. An Approach to the Image Superimposition Problem in Multispectral Computer Vision Systems // 2nd Mediterranean Conference on Embedded Computing (MECO), Budva, Montenegro, 2013. - Pp.117-120.

44 Anatoly I. Novikov, Victoria A. Sablina, and Aleksey I. Efimov, Image Superimposition and the Problem of Selecting the Set of Corresponding Point Pairs, 4th Mediterranean Conference on Embedded Computing (MECO) Proceedings. Budva, Montenegro, 2015. - Pp. 139-142.

45 Новиков А.И., Ефимов А.И. Совмещение изображений и оценка качества совмещения в системах технического зрения // 16-я Международная конференция «Цифровая обработка сигналов и ее применение- DSPA 2014» . М.: Россия, доклады. - C. 491-495.

46 Victoria A. Sablina, Anatoly I. Novikov, Michael B. Nikiforov, and Alexander A. Loginov, Contour Analysis Application for Object Detection in Aerial

rd

Image Sequence, 3 Mediterranean Conference on Embedded Computing (MECO) Proceedings. Budva, Montenegro, 2014. - Pp. 102-107.

47 Anatoly I. Novikov, Victoria A. Sablina, Michael B. Nikiforov, Alexander A. Loginov, Contour Analysis and Image Superimposition Task in Computer Vision System, The 11th International Conference on Pattern Recognition and Image Analysis:

New Information Technologies (PRIA-11-2013), Samara, Russian Federation, 2013, vol. I, - Pp. 282-285.

48 A.A. Loginov, Y. R. Muratov , M.B. Nikiforov, A.I. Novikov. Image vectorization in real Time // European Science and Technology, April 10th-11th, 2013, vol. 1, Munich, Germany, 2013. - Pp. 274-280.

49 A. I. Novikov. The Formation of Operators with Given Properties to solve Original Image Processing Tasks // Pattern Recognition and Image Analysis, 2015, Vol. 25, № 2. - Pp. 230-236. DOI: 10.1134/S1054661815020194.

50 Новиков А.И. Алгоритмы выделения границ полезных сигналов // Вестник РГРТУ. №2 (выпуск 24). - Рязань. 2008. - С. 11-15.

51 Новиков А.И. О суммировании многочленов и методе неопределенных коэффициентов // Вестник РГРТУ, № 2 (выпуск 36). - Рязань, 2013. - C. 10-16.

52 Новиков А.И. Приложения математики к решению реальных задач: задача обнаружения полезных сигналов и выделения их границ // В книге «Образование, наука и экономика в вузах. Интеграция в международное образовательное пространство». - Плоцк, Польша, 2008. - С. 501-507.

53 Новиков А.И. Алгоритм обнаружения и фильтрации полезных сигналов // Тезисы докладов IV Всероссийской научно-технической конференции «Методы и средства физических измерений». - Н.-Новгород, 1999. 2 с.

54 Новиков А.И. Построение эффективных оценок в задачах дискретной фильтрации и интерполяции // Тезисы докладов IV Всесоюзной конференции (Петрозаводск) «Перспективные методы планирования и анализа экспериментов при исследовании случайных полей и процессов». - М.: издательство МЭИ, 1991. - С. 55-56.

55 Никифоров М.Б., Новиков А.И., Саблина В.А., Щербакова О. В. Алгоритм выделения границ на изображениях // Тенденции и перспективы развития современного научного знания: материалы V Международной научно-практической конференции. В 2 т.: т. 1 / Науч.-инф. издат. центр «Институт стратегических исследований». - М.: Спецкнига, 2012. - С. 189-195.

56 Новиков А.И. Моделирование зон обзора в плоскости Земли // Межвузовский сборник научных трудов «Математические методы в научных исследованиях». Рязань, 2014. - С. 69-77.

57 Герман Е.В., Муратов Е.Р., Новиков А.И. Математическая модель формирования зоны неопределенности в задаче совмещения изображений// Вестник РГРТУ, № 4, вып. 46, часть 2. Рязань, 2013. - C. 10-16.

58 Новиков А.И., Юкин С.А. Оценка зоны неопределенности радиотражений в задаче совмещения изображений с картой местности // Цифровая обработка сигналов, № 4, 2014. - C. 38-45.

59 Anatoly I. Novikov. Formation of Operators with Given Properties to solve Original Image Processing Tasks, The 11th International Conference «Pattern Recognition and Image Analysis: New Information Technologies» (PRIA-11-2013), Samara, Russian Federation, 2013, vol. II. - Pp. 445 448.

60 Victoria A. Sablina, Anatoly I. Novikov, Michael B. Nikiforov, Alexander A. Loginov/ Navigation Parameters Correction Technique Using Multiple View Geometry

Methods// 22nd International Conference in Central Europe jn Computer, Graphics, Visualization and Computer Vision/ [Текст] URL: http://wscg.zcu.cz/DL/ wscg-DL.htm.

61 Новиков А.И., Ефимов А.И. Алгоритмы совмещения изображений на основе преобразования в комплексной плоскости // Научно-техническая конференция «Техническое зрение в системах управления - 2017», тезисы, Россия, Москва, ИКИ-РАН, 14-16 марта, 2017. - С. 34-36.

62 A.I. Novikov , S.A. Yukin, A.A. Loginov, M.B. Nikiforov, Y. R. Muratov, V.A. Sablina. Mathematical Models of Coverage Areas in the Earth Plane for Video and Radar Images// 2015 The 5th International Work-shop on Computer Science and Engineering (WCSE 2015), April 15-17, 2015, Moscov, Russia. - Pp. 136-142.

63 Новиков А.И., Ефимов А.И., Саблина В.А. Совмещение изображений и проблема выбора множества пар ключевых точек // Тезисы докладов Третьей международной научно-технической конференции «Актуальные проблемы

создания космических систем дистанционного зондирования Земли». - М.: ОАО «Корпорация «ВНИИЭМ», 2015. - С. 143-144.

64 A.I. Efimov, A.I. Novikov, V.A. Sablina, Image Superimposition Technique Computer Vision Systems Using Contour Analysis Methods, Mediterranean Conference on Embedded Computing, MECO 2016, Bar, Montenegro, 2016. - Pp. 132-137.

65 Новиков А.И., Ефимов А.И. Многошаговый алгоритм построения проективного преобразования и оценивания качества совмещения изображений// Доклады 18-й Международной конференции «Proceedings of the 18th International Conference» DSPA-2016, М.: Россия, доклады. Т. 2. - с. 638-641.

66 Victoria A. Sablina, Aleksey I. Efimov and Anatoly I. Novikov. Combined Approach to Object Contour Superimposition in Heterogeneous Images // 6th Mediterranean Conference on Embedded Computing (MECO), 2017. - Pp. 120-123.

67 Новиков А.И. Применение математических методов в задачах обработки изображений // Современные технологии в науке и образовании - СТН0-2017 [текст]: сб. тр. II междунар. науч.-техн. и науч.-метод. конф.: в 8 т. Т.2./ под общ. ред. О.В. Миловзорова. - Рязань: Рязан. гос. радиотехн. ун-т, 2017; Рязань.- С. 119-122.

68 Новиков А.И., Ефимов А.И. Совмещение 3D изображений в пространстве // 7-я международная конференция «К.Э. Циолковский - 160 лет со дня рождения. Космонавтика. Радиотехника, Геоинформатика», Тезисы докладов, Рязань, 2017. - С 373-377.

69 Новиков А.И., Логинов А.А., Колчаев Д.А. Комбинированный алгоритм совмещения разнородных изображений // 7-я международная конференция «К.Э. Циолковский - 160 лет со дня рождения. Космонавтика. Радиотехника, Геоинф орматика», Тезисы докладов, Рязань, 2017. - С 377-382.

70 Новиков А.И., Саблина В.А. О проблемах и результатах применения контурного анализа к обработке видеоизображений в системах технического зрения // Сборник материалов «Оптико-электронные приборы и устройства распознавания образов, обработки изображений и символьной информации»,

Курск, 2013. - С. 84-86.

71 Логинов А.А., Павлов О.В., Романов Ю.Н. Технология комплексирования видеоинформации от каналов технического зрения в бортовых системах улучшенного/синтезированного видения // Тезисы докладов 1-ой Всероссийской научно-практической конференции. Ульяновск: Улгту, 2011. - С. 36-39.

72 Богданов А.П., Романов В.Ю., Романов Ю.Н. Комплексирование телевизионных и тепловизионных видеоизображений // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: Материалы 11-ой Международной научно-технической конференции. Рязань, 2002. - С. 41- 43.

73 Костяшкин Л.Н., Романов Ю.Н., Блохин А.Н., Шапка С.В., Богданов А.П., Морозов А.В. Интеллектуальные системы обработки видеоизображений для оптико-электронных систем наблюдения на борту гражданских ЛА «малой авиации» // Аэрокосмическое обозрение, 2008. № 3, - С. 20-22.

74 Алпатов Б.А., Блохин А.Н., Костяшкин Л.Н., Романов Ю.Н., Шапка С.В. Семейство многофункциональных систем обработки видеоизображений «Охотник» // Цифровая обработка сигналов, 2010. № 4. - С. 44-51.

75 Матвеева Е.И., Павлов О.В., Романов Ю.Н. Улучшение визуального качества видеоизображений в оптико-электронных обзорно-прицельных системах // Сборник материалов 3-й Всероссийской научно-практической конференции «Перспективные системы и задачи управления» т. 1. Таганрог, 2008. - С. 107-109.

76 Богданов А.П., Костяшкин Л.Н., Морозов А.В., Павлов О.В., Романов Ю.Н., Рязанов А.В. Способ комплексирования цифровых полутоновых телевизионных и тепловизионных 5/00, 2002.

77 Костяшкин Л.Н. Бабаев С.И., Логинов А.А., Павлов О.В., Технологии систем улучшенного/синтезированного зрения для управления летательными аппаратами // Труды научно-технической конференции-семинара «Техническое зрение в системах управления мобильными объектами-2010» / под ред. Р.Р.

Назирова. М.: Механика, управление и информатика, 2011. - С. 45-56.

78 Бондаренко М.А., Бондаренко А.В. Аппаратно-программная реализация мультиспектральных систем технического зрения // В сборнике «Труды XXIV Международной научно-технической конференции по фотоэлектронике и приборам ночного видения», 2016. - С. 233-237.

79 Бондаренко М.А., Дрынкин В.Н. Оценка эффективности методов комплексирования // В книге «Техническое зрение в системах управления - 2016». 2016. - С. 47.

80 Белоглазов И.Н., Джанджгава Г.И., Чигин Г.П . Основы навигации по геофизическим полям. . - М.: Наука. Главная редакция физ.-мат. Литературы. 1985. - 328 с.

81 Брянский С.А., Визильтер Ю.В. Условные морфологические меры сложности и информативности изображений // Математические методы распознавания образов. 2017, т. 18, № 1. - С. 110-111.

82 Выголов О.В., Визильтер Ю.В., Желтов С.Ю. Разработка прототипов систем улучшенного синтезированного и комбинированного видения для самолетов и вертолетов гражданской авиации // В книге «Авиационные системы в XXI веке». Сборник тезисов докладов. 2016. - С. 151.

83 Визильтер Ю.В., Выголов О.В., Желтов С.Ю., Рубис А.Ю. Комплексирование многоспектральных изображений для систем улучшенного на основе методов диффузной морфологии // Известия Российской академии наук. Теория и системы управления. 2016, № 4. - С. 103-114.

84 Джанджгава Г.И., Сазонова Т.В., Лещук О. Г., Шелагурова М.С. Комплексное использование цифровой картографической информации для решения задач навигации и индикации на всех этапах полета современных летательных аппаратов // Авиакосмическое приборостроение. 2011, № 3. - С. 1120.

85 Джанджгава Г.И., Сазонова Т.В., Лещук О. Г., Шелагурова М.С. Инновационные подходы к модернизации информационного поля кабины

летательных аппаратов за счет использования авианавигаторов серии «Символ» // Авиакосмическое приборостроение. 2011, № 6. - С. 3-11.

86 Бабиченко А.В., Орехов М.И., Сазонова Т.В., Шкред В.К. Информационные поля навигационного пространства // Инженерная физика. 2011, № 2. - С. 79-97.

87 Костяшкин Л.Н., Богданов А.П., Павлов О.В., Романов Ю.Н., Холопов И.С. Технологии улучшенного видения в обзорных авиационных системах технического зрения // Радиотехника. 2017, № 8. - С. 38-45.

88 Богданов А.П., Холопов И.С. Алгоритмы формирования цветного комплексированного изображения из многоспектральных монохромных на основе метода преобразования цветов // Цифровая обработка сигналов. 2013, № 3. - С. 26-32.

89 Toet A., Ijspeet J.K., Waxman A.M., and Aguilar M. Fusion of visible and thermal imagery improves situational awareness. Display, 18. 1997. - Pp. 85-95.

90 Das, S. and Krebs, W.K. Sensor fusion of multi-spectral imagery // Institution of Electrical Engineers: Electronics Letters, 2000. - № 36. - Pp. 1115-1116.

91 Toet, A. and Hogervorst, M.A. Portable real-time color night vision // Multisensor, Multisource Information Fusion: Architectures, Algorithms, and Applications. The International Society for Optical Engineering, Bellingham, WA, USA, 2008. - Pp. 706-713.

92 Toet, A., Hogervorst, M.A. The TRICLOBS portable triband lowlight color observation system // Proc. SPIE, 2009. - Vol. 7345. - Pp. 734503-1-734503-11.

93 Image Fusion and Its Applications / edited by Yufeng Zheng. - Rijeka: InTech, 2011. - 242 p.

94 D.L. Ruderman, T.W. Cronin and C.C. Chiao, Statistics of cone responses to natural images: Implications for visual coding // J. Optical Soc. of America, 1998. -Vol. 15, no. 8. - Pp. 2036-2045.

95 Erik Reinhard, Michael Ashikhmin, Bruce Gooch and Peter Shirley. Color transfer between images // IEEE Computer Graphics and Applications, 2001. - 0272-

1716. - Pp. 34-41.

96 Shi S., Wang L., Jin W., Zhao Y. Color night vision based on color transfer in YUV color space // Proc. SPIE, 2008. - Vol. 6623. - Pp. 66230B-1-66230B-12.

97 Efros, A.A. and Freeman, W.T. Image quilting for texture synthesis and transfer // Proceedings of ACM SIGGRAPH, 2001. - Pp. 341-346.

98 Tomihisa Welsh, Michael Ashikhmin, Klaus Mueller. Transferring Color to Greyscale Images // SIGGRAPH '02 Proceedings of the 29th annual conference on Computer graphics and interactive techniques, 2002. - Pp. 277-280.

99 Беляева О.В., Пащенко О.Б., Филиппов М.В. Быстрая билатеральная фильтрация аэрофотоснимков на основе параллельной декомпозиции на пространственные фильтры // Труды МАИ. Выпуск № 94. - С. 1-16.

100 Коваль Ю.А., Филиппов М.В. Метод предварительной фильтрации изображений для повышения точности распознавания образов // Инженерный журнал: наука и инновации. 2014, вып 12. URL: hрttp://engjournal .ru/catalog/it/hidden/1307.html (дата обращения: 12.02.2018).

101 Филиппов М.В., Ермилова О.С. Быстрый метод билатеральной фильтрации // Новые информационные технологии в автоматизированных системах. 2017, № 20. - С. 29-36.

102 Buades A., Coll B., Morel J.M. A review of image denoising algorithms, with a new one // Multiscale Modeling and Simulation. 2005, vol. 4. - Pp. 490-530.

103 Wang W.C.K., Chung A.C.S., Yu S.C.H. Bilateral filtering for biomedical Images // In Proceedings of the IEEE International Symposium on Biomedical Imaging. 2004. Pp. 820-823.

104 Yang Q., Tan K.-H., Ahuja N. Re bilateral al-time O(1) filtering // In Proceedings of the IEEE International Conference on Computer Vision and Pattern Recognition, (CVPR 09) , June 2009. - Pp. 557-564.

105 Московский С.Б., Сергеев А.Н., Лалина Н.А. Очистка сигнала от шумов с использованием вейвлет-преобразования // Universum: Технические науки : электрон. научн. журн. 2015. № 2 (15) URL:

http: //7universum.com/ru/tech/archive/item/1958.

106 Астафьева Н.М. Вейвлет-анализ: Основы теории и примеры применения // Успехи физических наук. 1996, Т. 166, № 11. - С. 1145-1170.

107 Филиппов Т.К. Применение Вейвлет-преобразования информации при техническом анализе // Научно технические ведомости. 2012, № 5 (157). - С. 9598.

108 Обидин М. В. Серебровский А. П. Вейвлеты и адаптивный трешолдинг// Информационные процессы. 2013, том 13, № 2, - Стр. 91-99.

109 Обидин М. В. Серебровский А. П. Очистка сигналов от шумов с использованием вейвлет преобразования и фильтра Калмана // Информационные процессы. 2013, том 13, № 3. - Стр. 198-205.

110 Бехтин Ю.С. Примеры применения теории вейвлет-преобразования зашумленных изображений на практике // Вестник РГРТУ. 2017, № 60. - С. 45-52.

111 Бехтин Ю.С. Титов Д.В. Теоретическое обснование выбора вейвлет-базиса в задачах сжатия зашумленных сигналов // Известия высших учебных завыедений. Приборостроение. 2015, том 58, № 2. - С. 87-93.

112 Бехтин Ю.С., Брянцев А.А., Баранцев А.А. Применение пространственно-оиентированных деревьев вейвлет-преобразования для комплексирования зашумленных мультиспектральных изображений // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2012, № 1. - С. 19-25.

113 Б.В. Костров, Асаев А.С., Злобин В.К., Муратов Е.Р. Спектральные методы обработки изображений // Вестник Рязанского государственного радиотехнического университета (Вып. 21). - Рязань, 2007. - С. 3-8.

114 Калинкина Д., Ватолин Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению. // Компьютерная графика и мультимедиа. Сетевой журнал. Выпуск №3(2). 2005. URL: http://cgm.computergraphics.ru/content/view/74 (дата обращения 17.03.2017).

115 Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. - М.: Мир, 1989. - 448 с.

116 Дворкович В.П., Дворкович А.В. Оконные функции для гармонического анализа сигналов. - М.: Техносфера, 2014. - 112 с.

117 Обработка изображений и цифровая фильтрация / Под ред. Т. Хуанга. -М.: Мир, 1979. - 318 с.

118 Дженкинс Г., Ваттс Д. Спектральный анализ и его приложения. - М.: Мир, 1972. Кн. 1. - 285 с.

119 Бендат Дж., Пирсол А. Применения корреляционного и спектрального анализа. - М.: Мир, 1983. - 312 с.

120 Костров Б.В., Асаев А.С., Муратов Е.Р. Метод фильтрации периодических помех на изображении // Информатика и прикладная математика. Межвузовский сборник научных трудов Рязанского государственного педагогического университета . - Рязань, 2005. - С. 36-39.

121 Костров Б.В., Асаев А.С., Муратов Е.Р. Фильтрация периодических помех на изображении // 14-я международная научно-техническая конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». - Рязань, 2005. - С. 205-206.

122 Костров Б.В., Костров Б.В., Саблина В.А. Алгоритм восстановления изображений с низкочастотными периодическими искажениями // Радиотехника, 2009. № 11. - С. 92-95.

123 Hartmuth H.F. Sequency Theory: Foundations and Applications. - New York: Academic Press, 1977. - 505 p.

124 Злобин В.К., Костров Б.В., Саблина В.А. Алгоритм секвентной фильтрации групповых помех на изображении // Вестник РГРТУ, № 4 (выпуск 30), 2009. -С. 3-7.

125 Кендалл М. Дж., Стьюарт А. Многомерный статистический анализ и временные ряды. - М.: Изд-во «Наука», 1976. - 736 с.

126 Андерсон Т. Статистический анализ временных рядов. - М.: Мир, 1976.

- 756 с.

127 Лебедев Д.С., Миркин Л.И. Двумерное сглаживание с помощью составной модели фрагмента. Сб. «Иконика. Цифровая голография, Обработка изображений». - М.: Наука, 1975. - С. 57-62.

128 Кольцов П.П. Оценка размытия изображения//Компьютерная оптика, 2011, том.35, вып. 1. - с. 95-96.

129 Костенко Л.С. Методы и алгоритмы сглаживания фона изображений в системах распознавания образов// Открытые информационные и компьютерные интегрированные технологии, 2014, №64. - с. 177-181

130 V. Labunets, E. Osthaimer. Systematic approach to linear filtering associated with aggregation operators. Part. 1. SISO-filters// Сб. трудов III межд. Конф. и молодежной школы ITNT-2017 "Информационные технологии и нанотехнологии

- 2017" ИТНТ-2017, Самара 25-27 апреля. - Самара: Новая техника. 2017. - С. 801810.

131 Чочиа П.А. Двухмасштабный анализ в решении задачи сглаживания изображений// Сб. трудов III межд. Конф. и молодежной школы ITNT-2017 "Информационные технологии и нанотехнологии - 2017" ИТНТ-2017, Самара 2527 апреля. - Самара: Новая техника. 2017. - С. 445-450.

132 Parzen E. On Estimation of a Probability Density Function and Model // Annals of Mathematical Statistics, 1962, vol.33. - Pp. 1065-1076.

133 Дуда Р., Харт П. Распознавание образов и анализ сцен. - М.: Мир, 1976.

- 511 с.

134 Чочиа П.А. Обработка и анализ изображений на основе двухмасштабной модели: Препринт ИППИ АН СССР / П.А. Чочиа - М.: ВИНИТИ, 1986. - 69 с.

135 Чочиа П.А. Двухмасштабная модель изображения // Кодирование и обработка изображений - М.: Наука, 1988, С. 69-87.

136 Чочиа П.А. Сглаживание изображений: сравнительный анализ методов фильтрации, основанных на парзеновском оценивании // Современные

информационные технологии и ИТ-образование. 2016, т.12, № 2. - С. 216-222.

137 Lee J.-S. Digital Image Smoothing and the Sigma Filter // Computer Vision, Graphics, Image Processing, 1983, vol. 24, no. 2. - Pp. 255-269.

138 Tomasi C., Manduchi R. Bilateral filtering for gray and color images // Proc. IEEE 6th Int. Conf. on Computer Vision. - Bombay, India, 1998, pp. 839-846.

139 Белим С.В., Кутлунин П.Е. Выделение контуров на изображениях с помощью алгоритма кластеризации // Компьютерная оптика, Т. 39-1, 2015. - С. 119-125.

140 John Canny. A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-8 NO. 6, November, 1986. - Pp. 679 - 698.

141 OpenCV шаг за шагом. Обработка изображения - детектор границ Кенни // robocraft.ru/blog/computervision/484.html [электронный ресурс].

142 Zakharov A.V., Kotovich N.V., Kutsaev A.S., Koltsov P.P., Kravchenko A.A. On some issues of the quantitative performance evaluation of detectors// International Journal Programmnye Produkty I sistemy. 2011, № 4. - Pp. 13-19.

143 Захаров А.В., Кольцов П.П., Котович Н.В., Кравченко А.А., Куцаев А.С., Осипов А.С. Некоторые методы сравнительного исследования детекторов границ// Труды научно-исследовательского института системных исследований Российской академии наук. 2012, том.2 , № 1. - С. 4-13.

144 I.E Abdou, W.K Pratt. Quantitative design and evaluation of enhancement thresholding edge detectors// Proceedings of IEEE, Vol. 67, No 5, 1979. - Pp. 753-763.

145 V. Ramesh, R.M. Haralick. Performance characterization of edge detectors// SPIE, Vol. 1708, 1992. - Pp. 252-266.

146 L. Kitchen, A. Rosenfeld. Edge evaluation using local edge coherence // IEEE Trans. Systems, Man and Cybernetics, Vol. 11, No 9, 1981. - Pp. 597-605.

147 P.L. Palmer, H. Dabis, J. Kittler. A performance measure for boundary detection algorithms // Computer Vision and Image Understating, Vol. 63, No 3, 1996. -Pp. 476-494.

148 R. Maini, H. Aggarwal. Study and comparison of various image edge detection techniques // International Journal of Image Processing, Vol. 3, No 1, 2009. -Pp. 1-11.

149 Кольцов, П.П. О количественной оценке эффективности алгоритмов анализа изображений/ П.П. Кольцов, А.С. Осипов, А.С. Куцаев, А.А. Кравченко, Н.В. Котович, А.В. Захаров // Компютерная оптика. - 2015. - т. 39, № 4. - С. 542556. - DOI: 18287/2412-6179-2016-40-2-258-266.

150 П.П. Кольцов. Эмпирический подход к оценке алгоритмов выделения границ // Информационные технологии и вычислительные системы. 2/2011. - С. 50-57.

151 Heitger F., Rosenthaler L., von der Heidt R., Peterhans E., Kubler o. Simulation of neural contour mechanisms: From Simple to end-stopped cells, Vision Research, No 32, 1992. - Pp. 963-981.

152 Rotwell C.A., Mundy J.L., Hoffman W., Nguen V.-D. Driving Vision by Topology, Int. Symp. Computer Vision, 1995. - Pp. 395-400.

153 Black M., Sapiro G., Marimont D., Heeger D., Robust Anisotropic Diffusion, IEEE Trans. Image Processing, vol. 7, No 3, 1998. - Pp. 421-432.

154 Iverson L.A., Zucker S.W. Logical/Linear Operators for Image Curves, IEEE Trans. PAMI, vol. 17, No 10, 1995. - Pp. 982-996.

155 Smith S.M. Flexible Filter Neighborhood Designation, Proc. 13th Int. Conf. on Pattern Recognition, 1996, vol. 1. - Pp. 206-212.

156 Грузман И.С., Киричук В.С., Косых В.П., Перетрягин Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах. -Новосибирск: Изд-во НГТУ, 2002. - 351 с.

157 Злобин В.К., Колесников А.Н., Костров Б.В. Корреляционно-экстремальные методы совмещения аэрокосмических изображений // Вестник РГРТУ, № 3 (выпуск 37), 2011. -С. 12-17.

158 Чочиа П.А. Быстрое корреляционное совмещение квазирегулярных изображений // Информационные процессы, том 9, № 3, 2009. - С. 117-120.

159 Андросов В.А., Бойко Ю.В., Бочкарев А.М., Однорог А.П. Совмещение изображений в условиях неопределенности // Зарубежная радиоэлектроника. 1985, № 4. - С. 54-70.

160 Андреев Г.А., Потапов А.А. Алгоритмы обработки навигационной пространственно-временной информации. Ч. 1 // Зарубежная радиоэлектроника. 1989, № 3. - С. 3-19.

161 Андреев Г.А., Потапов А.А. Алгоритмы обработки навигационной пространственно-временной информации. Ч. 2 // Зарубежная радиоэлектроника. 1989, № 4. - С. 3-21.

162 Гошин Е.В., Котов А.П., Фурсов В.А. Двухэтапное формирование пространственного преобразования для совмещения изображений // Компьютерная оптика, Т. 38, № 4, 2014. - С. 886-890.

163 Бессмельцев В.П., Булушев В.Д. Быстрый алгоритм совмещения изображений для контроля качества лазерной микрообработки // Компьютерная оптика, Т. 38-2, 2014. - С. 343-351.

164 Дышкант Н.Ф. Эффективные алгоритмы сравнения поверхностей, заданных облаками точек, дисс. Канд. Физико-математических наук: 01.01.09. -Моск. гос. ун-т им. М.В. Ломоносова. Фак. вычислит. математики и кибернетики. Москва, 2011. - 139 с. [Текст] URL: https://yandex.ru/search.rsl.ru/ru/record/01004848494 (дата обращения 16.05.2017).

165 Черников И.С. Методы и алгоритмы реконструкции и визуализации трехмерных моделей, дисс. канд. физико-математических наук: 05.03.17. -Воронеж, 2013. - 145 с. [Текст] URL: https://yandex.ru/search.rsl.ru>ru/record/01006715880 (дата обращения 30.05.2017).

166 Feldmar J., Ayache N. Rigit, affine and locally affine registration of free form surfaces // International Journal of Computer Vision, vol. 18, № 2, 1996. - Pp. 99 - 119.

167 Kadyrov A., Petrou M. Affine parameter estimation for the trace transform, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 28, no. 10, 2006.

- P. 1631 - 1645.

168 Wang W., Jiang Y., Xiong B. and others. Contour matching using the~affine-invariant support point set, IET Computer Vision, vol. 8, no. 1, 2014. - P. 35 - 44.

169 Guo H., Rangarajan A., Joshi S., Younes L. Non-rigid registration of shapes via diffeomorphic point matching, Proceedings of the IEEE International Symposium on Biomedical Imaging: From Nano to Macro, 2004. - P. 924 - 927.

170 Mann S., Picard R.W. Video orbits of the projective group a simple approach to featureless estimation of parameters, IEEE Transactions on Image Processing, vol. 6, no. 9, 1997. - P. 1281 - 1295.

171 Марусина М.Я., Скалецкая Н.Д., Казначеева А.О. Коррекция пространственных искажений в томографии // Научное приборостроение, 2005, т. 15, № 3. -С. 77-82.

172 Чекотило Е.Ю. Итерационная процедура высокоточного совмещения аффинно-преобразованных изображений // Технические науки: проблемы и перспективы. Материалы Международной научной конференции. - СПб.: Реноме, 2011. - С. 188-191. URL: hрttps: //moluch. ru/conf/tech/archive/2/13 9 (дата обращения: 7.03.2018).

173 Кузнецов П.К., Семавин В.И. Метод определения параметров движения яркостного поля // Известия ВУЗов. Приборостроение. 1990, № 6. - С. 26-30.

174 Холопов И.С. Алгоритм коррекции проективных искажений при маловысотной съемке // Компьютерная оптика. 2017, т. 41, № 2. - С. 284-290.

175 Кузнецов П.К., Чекотило Е.Ю., Мартемьянов Б.В. Исследование сходимости итерационной процедуры определения параметров движения изображений методом функционализации // Вестник Самарского государственного технического университета. 2010, № 2 (26). - С. 80-85.

176 Максимов В.А., Холопов И.С. Алгоритм коррекции проективных искажений при маловысотной фото.видеосъемке по данным от инклинометра и дальномера // Вестник РГРТУ. 2016, № 58. - С. 109-116.

177 Фурман Я.Я, Кревецкий А.В, Передреев А.К., Роженцов А.А.,

Хафазов Р.Г., Егошина И.Л., Леухин А.Н. Введение в контурный анализ; приложения к обработке изображений и сигналов. - М.: Физматлит, 2003. - 592 с.

178 A. Hast, J. Nysjo, and A. Marchetti, Optimal RANSAC - Towards a Repeatable Algorithm for Finding the Optimal Set, Journal of WSCG (2013), Vol. 21, No. 1. - Pp. 21-30.

179 Никифоров М.Б., Новиков А.И., Саблина В.А., Щербакова О.В. Алгоритм выделения границ перепада яркости при обработке видеоизображений // Информационные и телекоммуникационные технологии, № 18, 2013. - С. 17-24.

180 Карманов В.Г. Математическое программирование. - М.: Физматлит, 2004. - 264 с.

181 Непомнящий П.В., Юрин Д.В. Поиск опорных точек на векторных изображениях путем детектирования уголковых структур с помощью статистической оценки гипотез [Электронный ресурс]. // Graphicon 2002 proceedings. URL: http://www.graphicon.ru/2002/ (дата обращения 6.02. 2017)

182 Кузьмина К.В., Новиков А.И. Алгоритм установления соответствия между точками двух однотипных контуров // Межвузовский сборник научных трудов «Методы и средства обработки и хранения информации». - Рязань, РГРТУ. 2013. - С. 79-84.

183 Victoria A. Sablina, Anatoly I. Novikov, Michael B. Nikiforov, Geometric Transformations for the Map Image Superimposition with the Aerial Photograph, Proceedings of the VIIIth International Scientific and Information Technologies (CSIT), Lviv, Ukraine, 2013. - Pp. 31-33.

184 Елесина С.И., Костяшкин Л.Н., Логинов А.А., Никифоров М.Б. Совмещение изображений в корреляционно-экстремальных навигационных системах.- М.: Радиотехника, 2015. - 208 с.

185 Баклицкий В.К. Корреляционно-экстремальные методы навигации и наведения. - Тверь: ТО «Книжный клуб», 2009. - 360 с.

186 Красовский А.А., Белоглазов И.Н., Чигин Г.П. Теория корреляционно-экстремальных навигационных систем. - М.: Наука, 1979. - 380 с.

187 Сырямкин В.И., Шидловский В.С. Корреляционно-экстремальные радионавигационные системы. - Томск: Издательство Томского университета, 2010. - 316 с.

188 Елесина С.И., Ефимов А.И. Отбор критериальных функций для систем улучшенного и комбинированного видения // Известия ТулГУ, технические науки, вып. 9, ч.1. 2013. - С. 229-236.

189 S. Elesina, O. Lomteva. Increase of image combination performance in combined vision systems using genetic algorithm. Proceedings of the 3rd Mediterranean Conference on Embedded Computing (MECO). Montenegro, Budva, 2014. - Pp. 158161.

190 Tsai R.Y. A versatile camera calibration technique for high-accyracy 3D machine vision methodology using of the shelf cameras and lenses // Robotics and Automation, IEEE Journal of, 1987, Vol. 3, Issue 4. - Pp. 323-344.

191 Zhang Z. A flexible new technique for camera calibration Pattern Analysis and Machine Intelligence// IEEE Transactions on Image Processing, Vol. 22, Issue 11, 2000 - Pp. 1330-1336.

192 Фурсов, В.А. Решение задачи автокалибровки камеры с использованием метода согласованной идентификации / В.А. Фурсов, Е.В. Гошин // Компьютерная оптика. 2012, т. 36, № 4. - С. 605-610

193 Тупицын И.В. Реконструкция трехмерной модели объекта на основе стереопары при решении задач 3D-моделирования.//.Вестник Сибирского аэрокосмического университета имени академика М.Ф. Решетнева, СибГУ. -Красноярск, 2011. - С. 88-92.

194 Жук Д.В., Тузиков А.В. Реконструкция трехмерной модели по двум цифровым изображениям //.Информатика, №1, 2006. - С. 16-26.

195 Veksler O. Stereo correspondence by dynamic programming on a tree // Proc. CVP, 2005, Vol. 2. Pp. 384-390.

196 HartleyR., Zisserman A. Multiple View Geometry in Computer Vision. Cambridge university press, 2003. - 655 p.

197 Вахитов А.В., Гуревич Л.С., Павленко Д.В. Обзор алгоритмов стереозрения // Стохастическая оптимизация в информатике, вып. 4. - СПб.: Издательство С.-Петербургского университета, 2008. - С. 151-169.

198 Крыловецкий А.А., Протасов С.И. Алгоритмы анализа изображений в системах стереозрения реального времени // Вестник ВГУ, серия: Системный анализ и информационные технологии, 2010, № 2. - С. 9- 17.

199 Papadimitriou D., Dennis T. Epipolar line estimation and rectification for stereo image pairs // IEEE Transations on Image Processing, Vol. 5(4), 1996/ - Pp. 672676.

200 Herbert Bay, Andreas Ess, TinneTuytelaars, and Luc Van Gool. Speeded-Up Robust Features (SURF). Elsevier, CH-8092 Zurich, B-3001 Leuven, 2008.14 p.

201 Harris С., Stephens M. A combined corner and edge detector // Proceedings of the 4th Alvey Vision Conference. - 1988. - P.147-151.

202 Новиков А.И., Логинов А.А., Муратов Е.Р., Никифоров М.Б. Сокращение вычислительной сложности совмещения изображений в авиационных системах технического зрения// Динамика сложных систем, т. 9, № 1, 2015. - C. 33-41.

203 Loginov A.A., Muratov E.R., Nikiforov M.B., Novicov A.I. Reducing the computational complexity of image registration in the aircraft technical vision systems // Dynamics of complex systems, 2015, Vol. 9, No.1, pp. 39-45.

204 Viola P., Jones M. Rapid Object Detection using a Boosted Cascade of Simple Features // Proceedings IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2001. Pp. 1-9.

205 Viola P., Jones M. Robust real-time face detection // International Journal of Computer Vision, Vol. 57, No. 2, 2004. Pp. 137-154.

206 Peter Kovesi, MATLAB and Octave Functions for Computer Vision and Image Processing [Электронный ресурс]. URL: hрttp: //www.peterkovesi. com/matlabfns/ (дата обращения: 06.12.2016).

207 Новиков А.И., Орлов С.В., Никифоров М.Б. Метод и алгоритм

установления соответствия между ключевыми точками на паре изображений // Динамика сложных систем, т. 9, № 3, 2015. - C. 64-72.

208 Блейхут Р. Теория и практика кодов, контролирующих ошибки. - М.: Мир, 1986. - 576 с.

209 Демидович Б.П., Марон И.А. Основы вычислительной математики. - М.: Наука, 1966. - 664 с.

210 Kok-Lim Low. Linear Least-Squares Optimization for Point-to-Plane ICP Surface Registration// Technical Report TR04-004, Departament of Computer Science, University of North Carolina at Chapel Hill, 2004. - Pp. 1-3.

211 Новиков А.И. Решение переопределенных систем линейных алгебраических уравнений // Цифровая обработка сигналов, 2017, № 3. - C. 22- 27.

212 Андрушевский Н.М. Анализ устойчивости решений систем линейных алгебраических уравнений. - М.: Издательский отдел факультета ВМиК МГУ им. М.В. Ломоносова; МАКС Пресс, 2008. - 71 с.

213 Деммель Дж. Вычислительная линейная алгебра. Теория и практика. -М.: Мир, 1999. - 430 с.

214 Голуб Дж., Ван Лоун Ч. Матричные вычисления. - М.: Мир, 1999. - 548

с.

215 Икрамов Х.Д. Численные методы для симметричных линейных систем. - М.: Наука, 1988. - 160 с.

216 Воеводин В.В., Кузнецов Ю.А. Матрицы и вычисления. - М.: Наука, 1984. - 320 с.

217 Ильин В.А., Позняк Э.Г. Линейная алгебра. - М.: Наука, 1984. - 294 с.

218 Nikolajczyk K., Schmid C. Scale and affine invariant interest point detectors // International Journal of Computer Vision, 60(1), 2004. - Pp. 63-86.

219 Rosten E., Drummond T. Machine Learning for high-speed corner detection // 9th Conference on Computer Vision (ECCV 2006), Vol.1, 2006. - Pp. 430-443.

220 Tuytelaars T., Mikolajczyk K. Local Invariant Feature Detectors: A Survey // Foundation and Trends in Computer Vision, Vol. 3, No. 3, 2007. - Pp. 177-280.

221 Taylor S., Rosten E., Drummond T. Robust feature matching in 2.3 ¡us //

Proc. IEEE CVPR Workshop on Feature Detectors and Descriptors: The State of the Art and Beyond, 2009. - Pp. 15-22.

222 Quinlan J. R. Induction of decision trees // Machine Learning 1, 1986. Pp. 81-106.

223 Lucas B.D., Kanade T. An Iterative Image Registration Technique with an Application to Stereo Vision // Proceedings of the 7 th international joint conference on Artificial intelligence, Vol. 2, 1981. - Pp. 674-679.

224 Bouguet Jean-Yves. Pyramidal Implementation of the Lucas Kanade Feature Tracker Description of the algorithm // Intel Corporation Microprocessor Research Labs / [Текст] URL: http://robots.stanford.edu>cs223b04/algo_tracking (дата обращения 11.10.2017).

225 Лукьяница А.А., Шишкин А.Г. Цифровая обработка видеоизображений. - М.: Ай-Эс-Эс Пресс, 2009. - 518 с.

226 Kabsch W. A solution for the best rotation to relate two sets of vectors, Acta Crystallographic a Section A, vol. 32, no. 5, 1976. - Pp. 922-923

227 Stein F., Medioni G. Structural Indexing: Efficient 3-D Object Recognition // IEEE Transactions of Pattern Analysis and Machine Intelligence, vol. 14, no. 2, 1992. -Pp. 125-145.

228 Wahba G. A Least Squares Estimate of Satellite Attitude, SIAM Review, vol. 7, no. 3, 1965. - Pp. 35-44.

229 Horn B.K., Schunck B.G. Determining optical flow // Artifical Intelligence, Vol. 17, 1981/ - Pp. 185-203.

230 Barron J.L., Fleet J.D., Beauchemin S.S. Perfomance of optical flow techniques // International Journal of Computer Vision, Vol. 12, No. 1, 1994. - Pp. 4377.

231 Anandan P. A Computational framework and an algorithm for the measurement of visual motion // International Journal of Computer Vision, Vol. 2, , 1989. - Pp. 283-310.

232 Щербаков В.В., Гарганеев А.Г., Шакиров И.В. Алгоритм расчета оптического потока в задачах оценки параметров геометрических преобразований // Доклады ТУСУРа, № 2(26), часть 1, 2012. - С. 265-268.

ПРИЛОЖЕНИЕ А. КОПИИ АКТОВ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОЙ РАБОТЫ

В приложении А представлены копии актов о внедрении результатов диссертационного исследования:

1. Акт о внедрении результатов докторской диссертационной работы Новикова Анатолия Ивановича, представленной на соискание ученой степени доктора технических наук, в работах АО «ГРПЗ».

2. Акт о внедрении результатов докторской диссертационной работы Новикова Анатолия Ивановича, представленной на соискание ученой степени доктора технических наук, в работах АО «ВНИИ «Сигнал».

3. Акт о внедрении результатов докторской диссертационной работы Новикова Анатолия Ивановича, представленной на соискание ученой степени доктора технических наук, в учебном процессе кафедры «Электронные вычислительные машины» Федерального государственного бюджетного образовательного учреждения высшего образования «Рязанский государственный радиотехнический университет».

4. Акт о внедрении результатов докторской диссертационной работы Новикова Анатолия Ивановича, представленной на соискание ученой степени доктора технических наук, в учебном процессе кафедры «Вычислительная техника и системы управления» Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых (ВлГУ).

УТВЕРЖДАЮ

j^rtrpvfll^n м ее г hi е. i ь генерального ^Л^рс^^^схннчсскнй днрекз op

Ш 'Г|0 «СРШ»

\ Г-Н. Колодько _2018 г.

АКТ

внедрения результатов докторской диссертационной работы 1(овикова Анатолия Ивановича

Комиссия в составе: директора-главного конструктора научно-конструкторского центра видеокомпьютерных технологий (НКЦ В КГ) АО«IT Г13», кандидата технических наук Костяшкшш Л.И., главного конструктора но направлению, кандидата технических наук Логинова А.А., начальника лаборатории Рожковского С.С., ведущего научного сотрудника, кандидата технических наук Юкина С.А., рассмотрев представленные материалы, составила насiомщнй акт о том, что практические и теоретические результаты научных исследований Новикова A.M.. работающего в ФГБОУ ВО "РГРТУ" в должности доцента, нашли применение в следующих работах АО «1~Р113»:

- НИР «Разработка аппаратно-программных средств совмещения графических изображений в режиме реального времени» (шифр «Совмещение -

- составная часть НИОКР «Разработка хкнзно-технического проекта на многоспектальную систему технического зрения с РЛС 3 мм диапазона (МСТЗ)» (шифр «ИКБО ИМА Образцы - ГРПЗ - МСТЗ - 2013»);

- в инициативных разработках НКЦ ВКТ АО «ГРПЗ» но теме «Многое псктральная система технического зрения для ЬРЭО боевого вертолета (МСТЗ)».

При этом использованы следующие результаты диссертационной работы Новикова А.И., представленной на соискание ученой степени доктора технических наук:

1. Метод углового коэффициента выделения границ перепада яркости на плоских изображениях, облетающий по сравнению с другими методами повышенной помехозащищенностью и ориентированный на применение н

авиационных системах технического зрения

2. Методы и алгоритмы геометрического совмещения 20 изображений на основе аффинных и проективных преобразований плоскости, позволяющие

ь>);

ускорить совмещение изображений в 10-50 рш по сравнению с корреляционнымн алгоритмами

З.Комбннироваиный метол совмещения разнородных изображений, основанный на применении корреляционно-экстремального алгоритма совмещения в поисковом режиме и совмещения на основании прогнозных значений навигационных нарамегров в следящем режиме.

Результаты диссертационной работы 11овикова Л.И. использовались для проведения экспериментальных исследований совмещения телевизионных и тенловн зионных изображений с виртуальными изображениями, синтезированными по цифровой карте местности, а гак же для преобраювания радиолокационного изображения к плоскости панорамного реального или вирту ального изображения.

11редседагель комиссии Члены комиссии

# »

с

Л.Н. Костяшкин А.Д. Логинов С.С. Рожковский С Л. Юкин

<8

АКЦИОНЕРНОЕ ОБЩЕСТВО

«ВСЕРОССИЙСКИЙ т-г

НАУЧНО« ЖЛЫОМТЫККМ «С И ГНАЛ»

( АО »11111111 «СИГНАЛ» )

1Чхс«1.601903, г.Ковро», НлалвчирсшЛ области, »1 Крчгк»оП. ж 5? Гсюс мСшка.<> №хфия 140232» 9-03-34 ♦«и..(49232>>27.|9 «ел 14<Ш2( 3-25-73 Ь-аиП ш

ОКНО 07523445 (МРИ 11(13332000232 НННКПЛ 3305Т0«Ы 330250001

УТВЕРЖДАЮ Главный конструктор -ститель генерал ьно! о ора по научной работе 1И«СИГНАЛ» цент

Филюгппи» СИ. __ 201«!

АКТ ВНЕДРЕНИЯ

результатов докторской лнсссртаннонной работы Новикова Анатолия Ивановича в АО «ВНИИ «Сигнал»

Экспертная комиссия в составе:

Председателя комиссии ученый секретарь НТС, л т.н. Эксперты: начальник НПК-4. к.з.н.

зам. начальника НПК-4. к.т.н.

Куренкон В.П.; Измайлов П.В.: Варабин Л. А

Рассмотрев прелставленные материалы, составила настоящий акт о том. что теоретические результаты научных исследований Новикова Л И . работающего в ФГБОУ ВО «Рязанский государственный радиотехнический университет» (РГРТУ) в должности донента кафедры ЭВМ. и практические результаты в виде системы обработки данных, использованы в АО «ВНИИ «СИГНАЛ» лля совершенствования изображений в условиях плохой видимости, совмещения телевизионных и теп лови шонных изображений методами проективной геометрии, а также лля формирования трехмерных изображений наблюдаемой сиены и объектов интереса на ней.

Теоретические и практические результаты нашли применение и следующих работах, выполненных в АО «ВНИИ «СИГНАЛ»:

• НИР «Исследования по созданию робототехническнх систем», шифр

«Удар».

• ОКР «Комплексы мобильные биоморфные робототехиическне». шифр

«Рысь».

В указанных работах использованы результаты диссертационной работы Новикова ЛИ., представленной на соискание ученой степени доктора технических наук, а именно:

1. Алгоритмы н программное обеспечение формирования операторов с заданными свойствами для решения задач подавления шумов на изображениях и операторов выделения границ перепада яркости.

2. Совмещение разнородных изображений - телевизионной» и теплови знойного - методами проективной геометрии с использованием комплексного контурного анализа

3^ Модифицированный метод и программное обеспечение реконструкции 31) изображений объектов на наблюдаемой поверхности тел основе итеративного алгоритма ближайшей точки 1СР.

Внедрение перечисленных результатов в системы технического зрения боевых машин и мобильных роботов повышает качество принятия решений н сложных условиях видимости.

Члены комиссии:

УТВЕРЖДАЮ Проректор РГРТУ по учебной работе, к ф.-м.н.. доц.

К В. Бухемский

рг 2018

внедрения результатов докторской диссертационной работы

Новикова Анатолия Ивановича в учебном процессе Рязанского государственного радиотехнического университета

Настоящим актом удостоверяется, что результаты теоретических исследовании и разработанное программное обеспечение для совмещения 2Р изображений, формирования облаков точек и реконструкции по ним 30 изображений объектов, полученные Новиковым Л.И. в ходе работ над докторской диссертацией, внедрены в учебном процессе кафедры «Электронные вычислительные машины» Рязанского государственного

радиотехнического университета в дисциплинах:

1. Программно-математическое обеспечение многосиектральных систем техническою зрения авиационного применения (для бакалавров целевою набора направления подготовки 09.03.01 «Информатика и вычислительная

2. Алгоритмические основы обработки изображений в многоспектральных системах технического зрения авиационного применения (для бакалавров целевого набора направления подготовки 09.03.01 «Информатика и вычислительная техника).

техника).

3. Методы совмещения изображений в реальном времени (для мшистрантов целевого набора направления подготовки 09.04.01 «Информатика

и вычислительная техника).

В качестве методического обеспечения по названным дисциплинам используются теоретические и практические результаты, полученные Новиковым Л.И. и вошедшие в коллективную монографию «Обработка изображений в авиационных системах техническою зрения. Под ред. Л.Н. Костяшкина, М.Б. Никифорова - М.: Физматлит. 2016. - 240 с.» (главы 2,4 и 5). а также учебное пособие с грифом НМС министерства образования и науки РФ «Новиков А.И. Начала линейной алгебры и аналитическая геометрия. - М.: Физматлит. 2015. - 346 с».

Директор института магистрату ры

и аспирантуры, к.т.н., доцент

Л.В. Корячко

Декан факультета вычислительной

техники,

д.т.н., профессор

А.Н. Пылькин

Заведующий кафедрой электронно-вычислительных машин, д.т.н., профессор

К)

образовательной

Панфилов _2018

АКТ

внедрения результатов докторской диссертационной работы Ноннковя Анатолия Ивановича в учебном процессе Владимирского государственного университета имени Александра Григорьевича и Николая Григорьевича Столетовых < Вл1~У \

Настоящим актом удостоверяется, что результаты теорешческнх исследований и разработанное программное обеспечение для синтеза 21) и Ч> изображений, полученные Новиковым А.И. в ходе рабог нал докторской диссертацией, внедрены в учебном процессе кафелры «Вычислительная техника и системы управления» Владимирского государствен нот о университета н дисциплине « Цифровая обработка сигналов

В качестве методического обеспечения но названным дисциплинам используются теоретические и практические результаты, полученные Новиковым А И. в рамках работ над диссертацией и вошедшие в коллективную монографию Обработка изображений в авиационных системах технического зрения. Под ред. Л.Н. Костяшкина. М.Б. Никифорова - М.: Физмагдит. Г0|л 240 с.» (главы 2,4 и 5). а также методические указания к лабораторным работам «Алгоритмические основы совмещения изображений различной физической природы»), Рязань. 2016. авторы А.И Новиков. А.И Пфимов

Названные материалы получены кафелрой «Вычислительная техника и системы управления» Владимирского государственного университета в рамках научно-технического обмена от кафелры «Электронные вычисл.ггельныс

ПРИЛОЖЕНИЕ Б. КОПИИ СВИДЕТЕЛЬСТВ О РЕГИСТРАЦИИ ПРОГРАММ ДЛЯ ЭВМ

В приложении Б приведены копии свидетельств о регистрации программ для ЭВМ, полученных в ходе диссертационной работы:

1. Новиков А.И., Саблина В.А. Программный комплекс предварительной обработки и совмещения изображений на базе контурного анализа. Свидетельство о государственной регистрации программы для ЭВМ №2015612442 от 18.02.2015г.

2. Ефимов А.И., Новиков А.И. Программа для построения проективных преобразований изображений. Свидетельство о государственной регистрации программы для ЭВМ №2015660419 от 30.09.2015г.

3. Ефимов А.И., Новиков А.И., Никифоров М.Б. Программа для определения качества совмещения изображений. Свидетельство о государственной регистрации программы для ЭВМ №2015660721 от 7.10.2015г.

4. Ефимов А.И., Новиков А.И., Устюков Д.И. Программа совмещения изображений на основе преобразования в комплексной плоскости. Свидетельство о государственной регистрации программы для ЭВМ №2017614322 от 6.07.2017г.

5. Ефимов А.И., Новиков А.И., Устюков Д.И. Программа получения контурного описания для совмещения изображений. Свидетельство о государственной регистрации программы для ЭВМ №2017615853 от 11.08.2017г.

1РШСЖЙС1КАШ ШЦЖ^А'ЦШ

рил

¡ядащй

V

й к? я

Ш

СВИДЕТЕЛЬСТВО

о государственном рсгистраиии программы для ЭВМ

№ 2015660419

Программа для построения проективных преобразований

изображений

11раво(ю.1а.татс.1ь Федора. ¡ьное государственное бюджетное оЛртоватаьное учреждение высшего профессионального обра шва ним "Ря шнеки и государственный радиотехнический университет" (К1/)

Авторы: Ефимов .Алексей Игоревич (ИС ), Новиков Анатати Иванович (КС)

Заяика .V 2015617501

Дата поступлении 14 анкета 2015 I.

Дата келаретвстюЛ рс* мстрации я Рссстрс программ для ЭВМ 30 сентября 201$ Л

¡ачестипкльр)п*нм)итеяя Фг»Ьрагьной спмНы п*> шитчекщхчъшш чм'н пнчишн ти

ЛЛ Кирий

РОССИЙСКАЯ Ф1ВДЖРАДШ£[

йДММ

а а а а & а

СВИДЕТЕЛЬСТВО

о государс?венной регистрации программы хля ЭВМ

№ 2015660721

(1р»|римма для определения качества совмещении

изображений

Iipaju.44iij.ijic.ib: Федеральное г(кударственное бюджетное обра шейте, ¡ыюе учреждение высшего нрофессиона. гьного образования «Рязанский государственный радиотехнический университет» (Я1 )

Акторы: Ефимов Алексей Игоревич (Яи), Новиков Лнаташй Иванович (ЯС), Никифоров Михаш Борисович (Я1)

2015617484

Дата поступления 14 ан|>с(а 2015 г. Д91« госуларенюмюЯ регистрации

п Рссстрс 11(*чрлмм ш )ВМ 07 октября 2015 г,

Заместите, г* /п н*мм>итс /я Ф&*сра1ьной с.пжбы т> интеиситшьной собственности

.7 . 7. Кирий

•2 й й- К й й 2( « й 2 «2 С й 5- 2 ¡а 5 й й? й 5 2 !5 ¡2 а й а Й ¡2 3 5 2

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.