Повышение точности бесконтактного контроля геометрических параметров объектов машиностроения на основе пространственной цифровой обработки изображений тема диссертации и автореферата по ВАК РФ 05.11.16, кандидат технических наук Рощин, Дмитрий Александрович

  • Рощин, Дмитрий Александрович
  • кандидат технических науккандидат технических наук
  • 2011, Москва
  • Специальность ВАК РФ05.11.16
  • Количество страниц 176
Рощин, Дмитрий Александрович. Повышение точности бесконтактного контроля геометрических параметров объектов машиностроения на основе пространственной цифровой обработки изображений: дис. кандидат технических наук: 05.11.16 - Информационно-измерительные и управляющие системы (по отраслям). Москва. 2011. 176 с.

Оглавление диссертации кандидат технических наук Рощин, Дмитрий Александрович

ВВЕДЕНИЕ

ГЛАВА 1 СОСТОЯНИЕ ПРОБЛЕМЫ. ЦЕЛЬ И ЗАДАЧИ

ИССЛЕДОВАНИЯ 1.1 РАЗВИТИЕ СИСТЕМ РАСПОЗНАВАНИЯ ОБРАЗОВ

1.2. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ 16 РАСПОЗНАВАНИЯ ОБРАЗОВ ОБЪЕКТОВ

1.3. СТРУКТУРНЫЙ СОСТАВ СИСТЕМЫ РАСПОЗНАВАНИЯ

1.4. ПРИМЕНЕНИЕ МАШИННОГО ЗРЕНИЯ ДЛЯ СОПОСТАВЛЕНИЯ ОБЪЕКТОВ С ШАБЛОНАМИ

1.5. ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ

1.6. ВЫВОДЫ ПО ГЛАВЕ

ГЛАВА 2. МЕТОДЫ ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ

ДЛЯ ИССЛЕДОВАНИЯ ПРОБЛЕМЫ ВЫДЕЛЕНИЯ ОБРАЗА ОБЪЕКТОВ НА ДВУХМЕРНОМ ИЗОБРАЖЕНИИ

2.1 ОБЩАЯ СТРУКТУРА СИСТЕМЫ СОПОСТАВЛЕНИЯ ОБЪЕКТОВ С ШАБЛОНАМИ

2.2 ТЕХНОЛОГИЧЕСКИЙ ПРОЦЕСС ПОЛУЧЕНИЯ ОБРАЗА ОБЪЕКТА

2.2.1 ОПТИЧЕСКИЕ ПРИБОРЫ, ДЛЯ РЕГИСТРАЦИИ ИЗОБРАЖЕНИЯ, ОСНОВАННЫЕ НА КООРДИНАТНОМ 42 МЕТОДЕ ИЗМЕРЕНИЯ

2.2.2 ОПТИЧЕСКИЕ ПРИБОРЫ, ДЛЯ РЕГИСТРАЦИИ ИЗОБРАЖЕНИЯ, ОСНОВАННЫЕ НА ОПРЕДЕЛЕНИИ 44 ЦВЕТА

2.3 ФОРМИРОВАНИЕ ОБРАЗА ОБЪЕКТА ДЛЯ РЕШЕНИЯ ЗАДАЧ

СОПОСТАВЛЕНИЯ С ПРИМЕНЕНИЕМ ОПТИЧЕСКИХ УСТРОЙСТВ

2.4 РАЗЛИЧНЫЕ ПОДХОДЫ К РАСПОЗНАВАНИЮ ОБРАЗОВ

ОБЪЕКТОВ

2.4.1 ОБЩИЕ МЕТОДЫ РАСПОЗНАВАНИЯ

2.4.2 МЕТОДЫ ОБНАРУЖЕНИЯ ОБЪЕКТОВ, ЗАДАННЫХ 67 ЭТАЛОНАМИ

2.4.3 ПРОСТРАНСТВЕННАЯ ОРИЕНТАЦИЯ ОБРАЗА ОБЪЕКТА 75 ДЛЯ РЕШЕНИЯ ЗАДАЧ СОПОСТАВЛЕНИЯ С ШАБЛОНОМ

2.5 ВЫВОДЫ ПО ГЛАВЕ

ГЛАВА 3. ПРОГРАММНО МЕТОДИЧЕСКИЙ КОМПЛЕКС

СИСТЕМЫ СОПОСТАВЛЕНИЯ ОБЪЕКТОВ С ШАБЛОНАМИ.

3.1 РАЗРАБОТКА ЭФФЕКТИВЫX МЕТОДОВ ВЫДЕЛЕНИЯ 80 ОБРАЗА И КОНТУРА ОБЪЕКТА

3.1.1 ПОВЫШЕНИЕ ТОЧНОСТИ ОПТИЧЕСКИХ СИСТЕМ 82 РАСПОЗНАВАНИЯ ОБРАЗОВ НА ОСНОВЕ ЦВЕТОВОЙ ГИСТОГРАММЫ.

3.1.2 ПОВЫШЕНИЕ ТОЧНОСТИ ОПТИЧЕСКИХ СИСТЕМ 88 РАСПОЗНАВАНИЯ КОНТУРОВ НА ОСНОВЕ ПРЕОБРАЗОВАНИЯ ХАФА.

3.2 МАТЕМАТИЧЕСКОЕ ОБЕСПЕЧЕНИЕ МОДУЛЯ 100 ПРОСТРАНСТВЕННОЙ ОРИЕНТАЦИИ ДВУМЕРНЫХ ОБЪЕКТОВ.

3.3 МАТЕМАТИЧЕСКОЕ ОБЕСПЕЧЕНИЕ МОДУЛЯ 107 ИДЕНТИФИКАЦИИ ОБЪЕКТОВ С ШАБЛОНАМИ

3.4 КЛАССИФИКАЦИЯ PI ПРЕДСТАВЛЕНИЕ ОБРАЗОВ В 117 БАЗЕ ДАННЫХ НА ОСНОВЕ СУБД SQL SERVER

3.5 АЛГОРИТМИЧЕСКАЯ РЕАЛИЗАЦИЯ ПРОГРАММНО 124 МЕТОДИЧЕСКОГО КОМПЛЕКСА СИСТЕМЫ

3.6 ВЫВОДЫ ПО ГЛАВЕ

ГЛАВА 4. СРАВНИТЕЛЬНЫЙ АНАЛИЗ ТОЧНОСТИ

СОПОСТАВЛЕНИЯ ОБЪЕКТА С ШАБЛОНАМИ

4.1 ПРИМЕР РЕАЛИЗАЦИИ ПРОЦЕДУРЫ СОПОСТАВЛЕНИЯ

ОБЪЕКТА С ШАБЛОНАМИ

4.2 ОЦЕНКА ЭФФЕКТИВНОСТИ ПРОГРАММНОГО МОДУЛЯ В

РЕЖИМЕ ФОРМИРОВАНИЯ ОБРАЗА ОБЪЕКТА НА ОСНОВЕ ЦВЕТОВОЙ ГИСТОГРАММЫ.

4.3 ОЦЕНКА ЭФФЕКТИВНОСТИ ОПТИЧЕСКИХ СИСТЕМ 138 РАСПОЗНАВАНИЯ КОНТУРОВ НА ОСНОВЕ ПРЕОБРАЗОВАНИЯ ХАФА.

4.4 ТЕСТИРОВАНИЕ ФУНКЦИОНАЛЬНОСТИ ПРОГРАММНО

МЕТОДИЧЕСКОГО КОМПЛЕКСА

4.5 ВЫВОДЫ ПО ГЛАВЕ

Рекомендованный список диссертаций по специальности «Информационно-измерительные и управляющие системы (по отраслям)», 05.11.16 шифр ВАК

Введение диссертации (часть автореферата) на тему «Повышение точности бесконтактного контроля геометрических параметров объектов машиностроения на основе пространственной цифровой обработки изображений»

Создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой. Чтобы в полном объеме оценить все значение этой проблемы, достаточно сказать, что создание искусственного интеллекта — относится к построению распознающих систем, приближающихся по своим возможностям к возможностям человека в решении задач распознавания. Необходимость в таком распознавании возникает в самых разных областях— от военного дела и систем безопасности до оцифровки всевозможных аналоговых сигналов. В настоящее время системы сопоставление объектов с шаблонами находят применение и на сборочных линиях предприятий и в медицинских диагностических системах.

Постоянно увеличивается номенклатура деталей, используемых на производстве. Имеется огромная база моделей разработанных в таких современных CAD/CAM системах, как «T-FLEX», «Solid Works», «Pro/Engineer», большая часть из которых автоматизирует такие операции, как быстрое и эффективное выполнение большого объема вычислений, хранения и передачи большого объема информации. Несмотря на это, вопрос о расширении возможностей функционирования всех типов автоматизированных систем до сих пор остается наиболее актуальным. Для решения этой задачи необходимо разрабатывать обслуживающие подсистемы в виде специальных функциональных модулей, в результате чего будет повышаться эффективность системы проектирования. Обслуживающая подсистема САПР с интегрированной системой сопоставления объектов с шаблонами позволяет решить проблему идентификации образца изделия соответствующей ему модели из имеющейся базы данных с целью получения информации о материале, геометрических параметрах и свойствах его поверхности. Такая система должна быть способна распознавать геометрическую форму объекта исследования и производить поиск модели, по которой это изделие было изготовлено.

Возникновение нового класса универсального оборудования для комплексного контроля геометрической формы деталей сложной формы на базе систем машинного зрения позволяет значительно повысить уровень автоматизации и производительность машиностроительного предприятия, что в конечном итоге положительно отражается на качестве готовой продукции. В основу таких систем входят различные устройства (в том числе и дигитайзеры), такие как оптические промышленные камеры, а также различного типа действия двухмерные и трехмерные сканеры (оптико-механические, лазерные, ультразвуковые). Отличительной особенностью этих систем является формирование цифрового изображения объекта, которое состоит из множества пикселей. Под термином "пиксель" (picture cell) понимается наименьший элемент поверхности визуализации, которому может быть независимым образом заданы цвет, интенсивность и другие характеристики изображения. Чем больше пикселей на единицу площади различает устройство формирования изображения, тем большую точность геометрических измерений оно способно обеспечить. В реальных производственных условиях измерительная информация об объекте представляется в виде его изображения, на котором помимо самого образа объекта содержатся шумы, создаваемые как самими техническими устройствами и источниками света, так и шумы, возникающие вследствие загрязнения поверхности объекта. Таким образом, возникает задача повышения точности определения геометрических параметров объекта по его цифровому изображению. Для решения этой задачи в работе задействован математический аппарат на основе теории распознавания образов и цифровой обработки изображений.

Цель работы заключается в повышении точности оптического контроля геометрической формы деталей пространственными методами цифровой обработки изображения.

В работе решаются следующие научные задачи, включающие: в поиск оптимального сочетания и применение методов цифровой обработки изображения, как математического аппарата для повышения точности процедуры распознавания областей и контуров объектов; • разработку последовательности вычислительных процедур и комплекса алгоритмов, необходимых для пространственной ориентации и сопоставления объектов с шаблонами; ® классификацию и идентификацию геометрической формы объекта на основе набора признаков под управлением СУБД SQL Server; в выполнение сравнительных экспериментальных исследований по нахождению погрешностей распознавания областей и контуров объектов с целью оптимизации архитектуры программно-математического обеспечения измерительной системы; в выполнение экспериментальных исследований по нахождению погрешностей сопоставления объекта с шаблоном, возникающих при изменении положения координат центра и угла поворота объекта в пространстве, а также при изменении разрешения изображения. На защиту выносятся следующие основные положения:

1. Структура обслуживающей подсистемы машинного зрения для решения задачи сопоставления объектов с шаблонами

2. Образ объекта, полученный методами гистограммы цветовой насыщенности, комплексной фильтрации и метода главных компонент

3. Описание образа объекта с применением системы классификации и кодирования

4. Ряд специализированных программных модулей для расширения функциональных возможностей систем распознавания, идентификации и классификации объектов.

Методы исследования. В ходе решения поставленных задач применялись следующие приемы:

• метод цифровой обработки изображения на основе математической теории распознавания образов, сегментации, аппроксимации;

• метод главных компонент для пространственной ориентации образов; метод идентификации по наименьшему расстоянию между признаками объектов; основные методы вычислительной геометрии и теорий матриц, множеств и вероятности. Научная новизна заключается:

1. В установлении зависимостей между описанием геометрической формы объекта с помощью сигнатуры "Угол-расстояние" и пространственного положения объекта, что позволяет повысить точность его сопоставления с шаблоном;

2. В выявлении закономерностей между представлением образа объекта с последующей идентификацией и его пространственной ориентацией на основе метода главных компонент.

3. В установлении связей между точностью распознавания контура образа и последовательностью совокупного применения методов цифровой обработки изображения: комплексная фильтрация, средства морфологической обработки, сегментация на основе преобразования Хафа.

4. В установлении закономерностей между точностью выделения образа объекта с ярко выраженной цветовой компонентой фона и гистограммой цветовой насыщенности.

5. В построении классификации деталей машиностроения по признакам геометрической формы образа для системы сопоставления объектов с шаблонами на основе использования технологического классификатора деталей машиностроения и приборостроения.

Практическая полезность заключается:

1. В разработке информационно — алгоритмического и программного обеспечения, решающего представленные выше задач;

2. В разработке программно-методического комплекса для системы сопоставления объектов с шаблонами на основе СУБД SQL Server;

3. В разработке программного обеспечения графического редактора для реализации процедур пространственной обработки изображения;

4. В разработке методики описания, кодирования и классификации по признакам геометрической формы образа объекта для решения задачи сопоставления объектов с шаблонами.

Апробация работы. Основные положения и результаты работы в целом обсуждались на заседаниях кафедры "Информационно измерительные и управляющие системы" МГТУ "Станкин" в 2009-2011 гг., на научно-практической конференции "Автоматизация и информационные технологии" г. Москва в 2008 г., на международной конференции "Секция в ГОУ ВПО МГТУ «Станкин»" г. Москва в 2011 г., П международной научно-практической конференции "Инновации, качество и сервис в технике и технологиях", г. Курск в 2011 г., на всероссийской научно-технической конференции "Научная сессия ТУСУР-201Г' г. Томск в 2011 г., международной научно-технической конференции "Информационные системы и технологии" г. Орел в 2011 г.

Похожие диссертационные работы по специальности «Информационно-измерительные и управляющие системы (по отраслям)», 05.11.16 шифр ВАК

Заключение диссертации по теме «Информационно-измерительные и управляющие системы (по отраслям)», Рощин, Дмитрий Александрович

ОБЩИЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ ПО РАБОТЕ

Для достижения целей, сформулированной в данной работе, был проведен ряд исследований и разработаны новые программные продукты, результаты чего представлены выше. Все это позволяет сделать следующие выводы:

1. Из проведенного анализа существующих методов следует, что для повышения точности выделения прямолинейных участков контура на изображении целесообразно использовать следующую последовательность совокупного применения методов цифровой обработки изображения: комплексная' фильтрация, сегментация на основе преобразования Хафа, средства морфологогической обработки.

2. Из результатов проведенных исследований следует, что совокупное применения методов комплексной фильтрация и сегментации на основе преобразования Хафа позволяет устранить распознавание ложных контуров и повысить эффективность выделения контуров на 10 % по сравнению с выделением по градиенту яркости, благодаря чему повышается точность контроля геометрических параметров деталей.

3. Из проведенного анализа существующих методов пространственной ориентации! объектов следует, что для сопоставления образа объекта с шаблоном целесообразно использовать новый, предложенный в работе, метод пространственной ориентации объектов с помощью сигнатуры "Угол-расстояние".

4. Из результатов проведенных исследований следует, что применение метода пространственной ориентации с помощью сигнатуры "Угол-расстояние" позволяет совмещать объект и шаблон с погрешностью угла поворота до сотых долей градуса, в то время как пространственная ориентация объекта по методу главных компонент обеспечивает точность поворота до десятых долей градуса. ( 4 Я

5. Из проведенного анализа методов цифровой обработки изображений следует, что для повышения точности выделения областей объекта на изображении целесообразно использовать новый, предложенный в работе, метод гистограммы цветовой насыщенности.

6. Из результатов проведенных исследований следует, что применение метода гистограммы цветовой насыщенности для выделения областей объекта совместно с методом Ди Зензо для локализации и последующего восстановления зашумленных областей, а также сигнатуры "Угол-расстояние" для пространственной ориентации объекта позволяет снизить методическую погрешность формирования образа на 4 %, благодаря чему удалось повысить точность определения отклонений формы объекта более чем в два раза.

7. Разработанная процедура идентификации объектов на основе описания геометрической формы объектов с помощью сигнатуры "Угол-расстояние" и технологического классификатора деталей машиностроения позволяет производить идентификацию деталей машиностроения разнообразных отраслей промышленности.

Список литературы диссертационного исследования кандидат технических наук Рощин, Дмитрий Александрович, 2011 год

1. Aparte A. A., Cuento С., Lopez P. R., Papa М. A., Lim К. S. Signature Pattern Recognition . Computer Issues, Vol 28, No 1,1994.

2. Ball G.H., Hall D.J. "Isodata, an iterative method of multivariate data" in Proc. IFIPS Congress. 1965.

3. Ballard D. H. and Brown С. M. Computer Vision. // Prentice'Hall, Englewood Cliffs, New Jersey. № 13(2). - Pp.l 11-122. - 1982.

4. Ballard D. H. Generalizing the Hough transform to detect arbitrary shapes. // Pattern Recognition. 1981.

5. Ballard D. H., Brown С. M. Computer Vision, Prentice Hall, Upper Saddle River, NJ. 1982.

6. Ballard D.H., Brown С. M. Computer Vision. New York: Prentice Hall. 1982.

7. Batchelor B. G. Whelan P.F. Intelligent vision systems for industry. 2002.

8. Belongie S., Malik J., et al. Shape matching and object recognition using shape contexts. IEEE Trans, on Pattern Analysis and Machine Intelligence, Vol.24, April 2004.

9. Bengtsson A. and Eklundh J.-O. "Shape representation by multiscale contour approximation". IEEE Trans. Pattern Analysis and Machine Intell., January 1991.

10. Bezdek J. C. Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum, NY. 1981.

11. Bhiwani R.J. Khan M.A., Agrawal S.M. Texture Based Pattern Classification. International Journal of Computer Applications (0975 8887) Vol. 1 - No. 1, 2010.

12. Bribiesca E. 3D-curve representation by means of a binary chain code. Mathematical and Computer Modelling 40(3-4): 285-295 (2004)

13. Bribiesca E. A new chain code. Pattern Recognition 32(2): 235-251 (1999)

14. Bribiesca E. Arithmetic operations on shapes using shape numbers. Artificial Intelligence, vol. 17(1-3), 1981.

15. Bribiesca E., Guzman A. How to describe pure form and how to measure differences in shapes using shape numbers. Pattern Recognition, vol. 12. 1980.

16. Derpanis K.G. and Wildes R.P. Dynamic Texture Recognition based on Distributions of Spacetime Oriented Structure, In Proceedings of the IEEE Conference Computer Vision and Pattern Recognition (CVPR), 2010.

17. Devroye, Gyorfi, et al. A probabilistic theory of pattern recognition. Springer Verlag 1996.

18. Diallo M., Ferreira A., Rau-Chaplin A., and Ubeda S., Scalable 2d convex hull and triangulation algorithms for coarse grained multicomputers, J. Parallel Distrib. Comput. 56, 1999.

19. Duda R.O. Hart P.E. and Stork D.G., Pattern Classification. New York: John Wiley & Sons. 2001.

20. Duda R.O., Hart P.E., Stork D.G. Pattern Classification, New York: John Wiley & Sons, 2001.

21. Ecker A., Kiriakos N. Kutulakos and Allan D. Jepson. Shape from Planar Curves: A Linear Escape from Flatland Computer Vision and Pattern Recognition (CVPR), Minneapolis, USA, June 2007.

22. Ernesto Bribiesca. A chain code for representing 3D curves. Pattern Recognition 33(5): 755-765 (2000)

23. Estrada F. J. and Jepson A. D. Robust Boundary Detection With Adaptive Grouping, 5th IEEE Workshop on Perceptual Organization in Computer Vision, NY, USA, 2006.

24. Estrada F. J., Jepson A.D. and Chennubhotla C. Spectral Embedding and

25. Min-Cut for Image Segmentation, British Machine Vision Conference, London, U. K., 2004.

26. Fierrez J., Ortega-Garcia J., Ramos D. and Gonzalez-Rodriguez J. 'TIMM-based on-line signature verification: feature extraction and signature modeling", Pattern Recognition Letters, Vol; 28, n. 16, pp. 2325-2334, December 2007.

27. Freeman H. Computer processing of line drawing images. Computing Surveys 6 (1), 1974

28. Fu A.M., Yan H. and Huang K. A curve bend function method to characterize contour shapes. Pattern Recognition, 30(10): 1661-1671, 1997.

29. Fu K.S. Applications of Pattern Recognition. CRC Press 1982.

30. Gonzalez R. Thomason M., Syntactic Pattern Recognition: an Introduction, Addison-Wesley, Reading, MA, 1978.

31. Gupta L., Srinath M. D. Invariant planar shape recognition using dynamic alignment. Pattern Recognition, 1988.

32. Hall E.H. Computer Image processing and recognition, Academic, New York, 1979.

33. Ilaralick R.M., Shapiro L.G. Computer and Robot Vision: Vol. 1 and Vol. 2, Reading, MA: Addison-Wesley, 1992.

34. Herbert Freeman, Ruth Shapira. Determining the Minimum-Area Encasing Rectangle for an Arbitrary Closed Curve. Commun. ACM 18(7): 409-413, 1975.

35. Hotelling H. Analysis of a Complex of Statistical Variables Into Principal Components, Journal of Educational Psychology, volume 24. 1933.

36. Hough P.V.C. Methods and Means for Recognizing Complex Patterns. -U.S., Patent 3069654, 1962.

37. Hu J.M. and Yan. H. Polygonal-approximation of digital curves based on the principles of perceptual organization. Pattern Recognition, 30(5):701-718, 1997.

38. Hu M.K. Visual pattern recognition by moment invariants. IRE Tr. on Inf. Theory 8, 179-187, 1962.

39. Huang JJ. and Schultheiss P.M. "Block quantization of correlated Gaussian random variables,". IEEE Transactions on Communications Systems, vol. CS-11, pp. 289-296, September 1963.

40. Huang S.C., Sun Y.N. Polygonal approximation using genetic algorithms, Pattern Recognition 32. 1999.

41. Jenq J.F., Salini S. Serial and parallel algorithms for medial axis transform. IEEE Transactions on Pattern. Analysis and Machine Intelligence, 14(12):1218-1224, 1992.

42. EL Fukunaga. Introduction to statistical pattern recognition. New York, Academic Press, 1972.

43. Katchalski-Katzir E., et al. 'Molecular Surface Recognition: Determination of Geometric Fit between Proteins and their Ligands by Correlation Techniques', Proc. National Academy of Science USA, Vol. 89, 1992.

44. Kramer, II., and Mathews M., A linear coding for transmitting a set of correlated signals: IRE Transactions on Information Theory, 1956.

45. Latecki L. J. and Lakamper R. Application of Planar Shape Comparison to Object Retrieval in Image Databases. Pattern Recognition (PR), pp. 15-29, 35 (1), 2002.

46. Latecki LJ. and Lakamper R. Convexity Rule for Shape Decomposition Based on Discrete Contour Evolution. Computer Vision and Image Understanding (CVIU) 73,441-454, 1999.

47. Loncaric S. "A Survey of Shape Analysis Techniques", Pattern Recognition, Vol. 31, No. 8, pp. 983-1001, 1998.

48. Lu G., Zhang D. Wang K., Palmprint recognition using eigenpalm-like features, Patt. Recog. Lett. 1473-1477.24 (2003)

49. Mamistvalov. G, "n-Dimensional moment invariants and conceptual mathematical theory of recognition n-dimensional solids," IEEE Trans. PAMI-20, no. 8, pp. 819-831, August 1998.

50. Murino et all. Noisy texture classification: A higher-order statistics approach. Pattern Recognition 31 (4), 383-393. 1998.

51. Murino et all. "Unsupervised Scene "Analysis: A Hidden Markov Model Approach", Computer Vision and Image Understanding, Vol. 102/1, pp. 2241, April 2006.

52. Pearson K. Principal components analysis, London Edinburgh and Dublin Philosophical Magazine and Journal 6, no. 2, 1901.

53. Preparata, Shamos. Computational Geometry: An introduction, SpringerVerlag, New York,1985.

54. Rice T.H. Recognizing Planar Objects using Invariant Image Features, Lecture notes in computer science. Springer, Berlin, 1993.

55. Rosenfeld A., Kak A.C. Digital picture processing, Vol. 2. Academic Press, New York. 1982.

56. Rosin P. L. Techniques for Assessing Polygonal Approximations of Curves. IEEE Trans. Pattern Anal. Mach. Intell., 1997.

57. Rosin P.L., Zunic J. D. Orientation and anisotropy of multi-component shapes from boundary information. Pattern Recognition, 2011.

58. Sato Y. and Tamura S. Detecting Planar and Curved Symmetries of 3D Shapes from a Range Image, Computer Vision and Image Understanding, Vol.64, No.l,pp.l75-187, 1996.

59. Shaked D., and Bruckstein A. M., "Pruning Medial Axes", Computer Vision and Image Understanding, Vol. 69, 1998.

60. Shan Liu-Yu, Thonnat M. Description of object shapes by apparent boundary and convex hull. Pattern Recognition, 1993.

61. Shapiro L.G. and Stockman G.C. Computer Vision, Upper Saddle River, NJ: Prentice-Hall, 2001.

62. SHen D., Ip H. Cheung K., Teoh E., Symmetry detection by generalized complex (GC) moments: A close-form solution. IEEE Transactions on Pattern Analysis and Machine Intelligence, 21, 5,1999.

63. Sonka M. Stefaneik R.M., and Tadikonda S., "Feasibility of automated separation of arteries", 1999.

64. Stenberg L. Триангуляционный датчик, http://www.sensorika.com, 2009.

65. Swets D. L. and Weng J. Using discriminant eigenfeatures for image retrieval. IEEE Trans. Pattern Anal. Mach. Intell., 18(8):831-836, 1996.

66. Voss K. and Suesse. H. Invariant Fitting of Planar Objects by Primitives. IEEE Trans. Pattern Anal. Mach. Intell.1997.

67. Zadeh L. A. "Shadows of Fuzzy Sets", Probl. Peredachi Inf., 2:1, 37-44, 1966

68. Zamperoni P. Methoden der digitalen Bildsignalverarbeitung. Vieweg, Braunschweig, 1989.

69. Zhang T. Y., Suen C. Y. A fast parallel algorithm for thinning digital patterns, Communications of the ACM, v.27 n.3, p.236-239, March 1984

70. Zhu P., Chirlian P.M. On critical point detection of digital shapes. IEEE Trans. Pattern Anal. Machine Intell. 17(8) ., 1995.

71. Zimmer et all. A rotationally invariant block matching strategy improving image denoising with non-local means International Workshop on Local and Non-Local Approximation in Image Processing. August 2008.

72. Беллман Р. Введение в теорию матриц. — М.: Мир, 1969.

73. Белоусов Ю.И., Можейко В.И., Силаев Н.А., Регинский В.Д., Фисенко В.Т. Некоторые аспекты построения корабельных оптико-электронных систем //Морская радиоэлектроника, вып. 2 (12), июнь 2005. С. 23-26.

74. Борисенко Б., Ярошенко С. 3D-сканирование в интересах 3D-моделирования. www.comprice.ru. 2004.

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

76. Витих В.А., Сергеев В.В., Сойфер В.А. Обработка изображений в автоматизированных системах научных исследований. -М.: Наука, 1982

77. Головастое А. Машинное зрение и цифровая обработка изображений. СТА-ПРЕСС. №4. 2010.

78. Гонсалес Р., Р. Вудс. Цифровой обработка изображений. М.: Техносфера, 2005.

79. Горелик A.JL, Скрипкин В. А. Методы распознавания: учеб. пособие / -4-е изд., испр. М.: Высшая школа, 2004.

80. Давыдов А.В. Распознавание объектов изображений. Курс лекций по цифровой обработке сигналов, http://prodav.narod.ru, 2008.

81. Дж. Дейт К. Введение в системы баз данных = Introduction to Database Systems. — 8-е изд. — М.: Вильяме, 2005.

82. Джозеф Джарратано, Гари Райли. «Экспертные системы: принципы разработки и программирование» : Пер. с англ. — М. : Издательский дом «Вильяме», 2006.

83. Дрязгов В.Д., Колобков B.C., Петров B.C., Фисенко В.Т. Способ получения стереоскопического цветного телевизионного изображения. Патент РФ на изобретение № 2189121, 2002 г.

84. Загребельный В. Е. Оптические методы обработки измерительной информации. Учеб. пособие. Омск: Изд-во ОмГТУ, 1996.

85. И. Грэхем. Объектно-ориентированные методы. Принципы и практика = Object-Oriented Methods: Principles & Practice. — 3-е изд. — M.: Вильяме, 2004.

86. Иванов В.А., Кованько В.В., Колобков B.C., Фисенко В.Т. Способ выполнения подводных подъемно-транспортных операций. Патент РФ на изобретение № 2203829, 2003.

87. Игнатьев К. Трёхмерные сканеры, http://www.proibis.by.ru/045-003.htm

88. Кироловский В. К. Оптические измерения. Часть 3. Функциональная схема прибора оптических измерений. Типовые узлы. Оптические измерения геометрических параметров. Учеб. пособие. СПБ ГУ ИТМО. 2004.

89. Лантух Ю.Д. Оптические методы в информатике: Учебное пособие. Учебное пособие. Оренбург: ГОУ ОГУ, 1999.

90. Лурьев А.И. Аналитическая механика. М.: Изд-во физико-математической литературы, 1961.

91. Лысенко О.Н. Машинное зрение от SICK/VP. Автоматизация в промышленности, №3 2007.

92. Мельников С.Р., О.В. Дроздов. Лазерное сканирование: новый метод создания трехмерных моделей местности и инженерных объектов. Журнал "Горная промышленность". №5. 2001.

93. Мирошников М.М. Теоретические основы оптикоэлектронных приборов. Л.: Машиностроение, 1983. 696 с.

94. Можейко В.И., Фисенко В.Т., Фисенко Т.Ю. Автоматическое сопровождение объектов в компьютерных системах обработки изображений // Оптический журнал, том 74, номер 11, 2007. С. 39-46.

95. Неизвестный С. И., Никулин О. Ю. Приборы с зарядовой связью. Основа современной телевизионной техники. Основные характеристики ПЗС. М.: Журнал "Специальная Техника" №5, 1999.

96. Неизвестный С. И., Никулин О. Ю. Приборы с зарядовой связью. Устройство и основные принципы работы. — М.: Журнал "Специальная Техника" №4 1999.

97. Норенков И.П. Разработка систем автоматизированного проектирования. М: Издательство МГТУ им. Н.Э. Баумана, 1994.

98. Петренко А.И., О.И. Семенков. Основы построения систем автоматизированного проектирования — Киев: Высшая школа, 1984.

99. Петров A.B., Черненький В.М. Разработка САПР в 10-ти книгах М.: Высшая школа, 1990.

100. Питер Джексон. Введение в экспертные системы = Introduction to Expert Systems. — 3-е изд. — M.: «Вильяме, 2001. — С. 624. — ISBN 0-20187686-8

101. Программирование на платформе Microsoft .NET Framework /Пер. с англ. — 2-е изд., испр. — М.: Издательско-торговый дом "Русская Редакция", 2003.

102. Пугачев B.C. Теория вероятностей и математическая статистика: Учеб. пособие для втузов М. : Наука, 1979.

103. Пытъев Ю.П. Задачи морфологического анализа изображений//Сб. «Математические методы исследования природных ресурсов Земли из Космоса» М.: Наука, 1984.

104. Самарин Ю.Н., Синяк М.А. Цифровые технологии в полиграфии. RuPrint.Ru №11.2003.

105. Светцов В.И. Оптическая и квантовая электроника: Учебное пособие. -Иваново: Иван. гос. хим.-техн. ун-т., 2004.

106. Синтес А. Освой самостоятельно объектно-ориентированное программирование за 21 день = Sams Teach Yourself Object-Oriented Programming in 21 Days. — M.: Вильяме, 2002

107. Сканеры. КомпьюАрт №7. 2005.

108. Соммервилл И. Инженерия программного обеспечения = Software Engineering. — 6-е изд. —М.: « «Вильяме», 2002.

109. Степаненко О. С. Сканеры и сканирование. М.: Диалектика, 2004.

110. Тимоти Бадд Объектно-ориентированное программирование в действии = An Introduction to Object-Oriented Programming. — СПб.: «Питер», 1997.

111. ИЗ. Умнов А.Е. Аналитическая геометрия и линейная алгебра: Учеб. пособие: Для вузов М.О.: Издание ЗАО "Оптимизационные системы и технологии", 2004.

112. Фисенко В.Т. Фисенко Т.Ю. Компьютерная обработка и распознаваниеизображений: учебное пособие. СПб: СПбГУ ИТМО, 2008.

113. Цифровая фотография, http://polienci.at.ua/publ/21-l-0-18. 2009.

114. Эсбенсен К. Анализ многомерных данных : 2 Междунар. шк.-конф. "Соврем, методы многомер. анализа данных" (WSC-2) — Барнаул: Изд-во Алт. гос. ун-та, 2003.

115. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007.

116. ГОСТ 23501.101-87 Системы автоматизированного проектирования. Основные положения.

117. ГОСТ 28195-99 Оценка качества программных средств. Общие положения.

118. OK 021-95. Технологический классификатор деталей машиностроения и приборостроения.for (int x = 0; x < r; x++) {int c = gistoglx. + gistog2[x];if (c > 0) {

119. AL.Add(c); if (c > MaxY) MaxY = c;

120. BrightS = new decimal512.; System.Collections.ArrayList Bright = new System.Collections.ArrayList();

121. System.Collections.ArrayList AL = new System.Collections. ArrayList();

122. System.Collections-ArrayList FL = new System.Collections.ArrayList();

123. System.Collections.ArrayList OL = new System.Collections. ArrayList();for (int y = 1; y < B.Height 1; y++) {for (int X = 1; x < B.Width 1; X++)

124. Color CI B .GetPixel(x 1, y - l) ;

125. Color C2 B .GetPixel(x. y - l) ;

126. Color C3 = B .GetPixel(x + 1, y 1);

127. Color C4 = B .GetPixel(x 1, y>;

128. Color C5 = B .GetPixel(x. y);

129. Color C6 = B .GetPixel(x + 1, y>;

130. Color C7 = B -GetPixel(x 1, y + l);

131. Color C8 = B -GetPixel(x. y + l) ;

132. FileName = openFileDialogl.FileName;else return;

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.