Помощь в написании студенческих работ
Антистрессовый сервис

Разработка метода и параллельных алгоритмов автоматической вариационной классификации объектов на изображениях земной поверхности

Диссертация: Разработка метода и параллельных алгоритмов автоматической вариационной классификации объектов на изображениях земной поверхности
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Среди существующих современных программных реализаций автоматической классификации объектов на спутниковых фотографиях земной поверхности следует выделить программный комплекс ENVI, в котором реализованы два алгоритма кластеризации, а именно ISODATA (ИСОМАД) и K-Means (К-внутригрупповых средних). Следует отметить, что результаты, получаемые при использовании упомянутых алгоритмов, не всегда… Читать ещё >

Разработка метода и параллельных алгоритмов автоматической вариационной классификации объектов на изображениях земной поверхности (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. МЕТОДЫ И АЛГОРИТМЫ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ЗЕМНОЙ ПОВЕРХНОСТИ. СОСТОЯНИЕ ВОПРОСА И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ
    • 1. 1. Проблема классификации объектов на спутниковых фотографиях земной поверхности
    • 1. 2. Вариационный и эвристический подходы к решению задачи классификации
    • 1. 3. Методы и алгоритмы классификации объектов
      • 1. 3. 1. Метод минимального расстояния
      • 1. 3. 2. Алгоритм параллелепипеда
      • 1. 3. 3. Иерархическая классификация
      • 1. 3. 4. Метод максимума правдоподобия
      • 1. 3. 5. Алгоритм РОЯЕ
      • 1. 3. 6. Алгоритм К-внутригрупповых средних (К-Меаш)
      • 1. 3. 7. Алгоритм ИСОМАД (ЗОБАТА)
    • 1. 4. Принцип однородности разбиения при классификации объектов
    • 1. 5. Информационная мера однородности
    • 1. 6. Постановка задач исследований
  • ГЛАВА 2. РАЗРАБОТКА МЕТОДА АВТОМАТИЧЕСКОЙ ВАРИАЦИОННОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ЗЕМНОЙ ПОВЕРХНОСТИ НА ОСНОВЕ ПРИНЦИПА ОДНОРОДНОСТИ РАЗБИЕНИЙ
    • 2. 1. Исследование свойств информационной меры однородности
    • 2. 2. Разработка функционала качества разбиения на основе информационной меры однородности
    • 2. 3. Особенности применения вариационного метода классификации объектов при принятии решений об отборе наилучшего разбиения пикселей на классы в задаче дешифрирования ИЗП

Актуальность работы. Одним из основных направлений развития информационных технологий является разработка методов и алгоритмов обработки и анализа изображений, что обусловлено тенденцией использования естественных для человека форм информационного обмена, к которым относятся визуальные отображения реальности. Среди интенсивно развивающихся направлений обработки изображений можно выделить анализ цифровых космофотоснимков земной поверхности, получаемых со спутников. Важность этого направления исследований определяется задачами мониторинга земной поверхности, и в частности выделения на изображениях некоторых особенностей (дешифрирование) в целях принятия соответствующих управленческих решений.

Одной из основных процедур дешифрирования является выделение на изображениях земной поверхности (ИЗП) отдельных групп объектов, объединяемых на основе некоторых признаков (классификация), для чего предложены различные подходы. Классификация (кластерный анализ, кластеризация, таксономия) объектов на спутниковых ИЗП является одним из основных этапов предварительной обработки данных, необходимых для последующего проведения различных процедур, связанных с получением информации о запечатленных на снимках объектах, таких как распознавание, получение статистических оценок и прочее. Из-за трудностей обоснования количественных критериев оценивания качества разбиения генеральной совокупности объектов на классы наиболее сложная ситуация возникает при создании методов и алгоритмов автоматической классификации. Вместе с тем использование таких методов является важным предварительным этапом обработки ИЗП больших размеров, поскольку позволяет существенно сократить объем работы эксперта.

Среди существующих современных программных реализаций автоматической классификации объектов на спутниковых фотографиях земной поверхности следует выделить программный комплекс ENVI, в котором реализованы два алгоритма кластеризации, а именно ISODATA (ИСОМАД) и K-Means (К-внутригрупповых средних). Следует отметить, что результаты, получаемые при использовании упомянутых алгоритмов, не всегда совпадают с интуитивными представлениями экспертов об адекватности разбиения.

Таким образом, в основе алгоритмов автоматической классификации целесообразно использовать моделирование поведения человека, вырабатывающего решения. До определенной степени адекватно отражает действия человека при классификации объектов предложенный Загоруйко Н. Г. принцип однородности получаемых разбиений. В качестве основных показателей однородности им рассматриваются однородность размеров классов, однородность расстояний между классами, однородность расстояний между ближайшими элементами в классе и однородность распределения количества элементов по каждому классу. Представляется целесообразным развитие этого направления на основе совершенствования методов количественного оценивания однородности получаемых разбиений (построения интегральной меры однородности).

Важной особенностью классификации объектов на космофотоснимках земной поверхности является тот факт, что объемы обрабатываемой информации могут быть очень велики, так как количество возможных разбиений исходного множества пикселей на классы составляет B (N*M), где В-число Белла, a M и N — ширина и высота изображения в пикселях, что для.

5638 изображения 50 на 50 пикселей составляет около 103OJ6. При этом получаемые разбиения должны быть оценены с точки зрения некоторого критерия, основанного на интегральной мере однородности. Это приводит к необходимости применения высокопроизводительных вычислительных систем.

При автоматической классификации наиболее естественным представляется вариационный подход, в основе которого используется принцип определения экстремумов некоторых функционалов являющихся мерой адекватности, получаемых разбиений (критерий качества разбиения). Использование функционалов позволяет строить процедуры целенаправленного поиска их экстремумов, исключая полный перебор всех возможных разбиений. В случае классификации объектов на ИЗП такой функционал должен служить интегральной мерой однородности разбиений, в которой адекватно отражаются специфика задачи, так как объекты одного и того же класса (например посевы) могут быть расположены в разных частях ИЗП, отличаться количеством охватываемых пикселей и интенсивностями монохромных составляющих представлений цветных снимков.

Таким образом, разработка метода автоматической вариационной классификации объектов на ИЗП на основе поиска экстремума функционала, являющегося интегральной мерой однородности характеристик получаемых разбиений, и параллельной программно-алгоритмической его реализации на современных высокопроизводительных вычислительных системах является актуальной задачей.

Целью работы является совершенствование процедур и алгоритмов анализа космофотоснимков на основе разработки метода и параллельных алгоритмов автоматической вариационной классификации объектов на изображениях земной поверхности, реализующих принцип максимальной однородности разбиения.

Для достижения поставленной цели были сформулированы и решены следующие задачи:

1. Разработка функционала (критерия) качества автоматической классификации объектов на цифровых ИЗП как интегральной меры однородности получаемых разбиений пикселей на классы.

2. Разработка параллельных алгоритмов принятия решений при отборе 6 наилучшего разбиения пикселей на классы на основе поиска экстремума критерия качества разбиения.

3. Разработка программной реализации параллельных алгоритмов принятия решений при автоматической вариационной классификации объектов на спутниковых ИЗП для гибридных многопроцессорных вычислительных систем.

4. Сравнительная оценка адекватности предлагаемого метода автоматической вариационной классификации.

Объект исследований: методы анализа ИЗП.

Предмет исследования: вариационные методы классификации объектов на цифровых ИЗП.

Методы исследований базируются на методах классификации объектов, распознавания образов, теории графов, теории вероятностей и математической статистики, вычислительных экспериментах.

Научную новизну работы составляет следующее:

1. Вариационный функционал качества классификации как интегральная мера однородности получаемых разбиений с позиций близости количества объектов в классах и равномерности заполнения векторами их признаков пространств классов.

2. Способ описания характеристик цветных изображений при классификации объектов.

3. Параллельные алгоритмы принятия решений при классификации:

• алгоритм предварительной классификации;

• алгоритм построения минимального Евклидова дерева векторов признаков;

• алгоритм разрезания и обхода минимального Евклидова дерева;

• алгоритм определения максимума функционала качества классификации.

Практическая значимость работы определяется возможностью применения разработанных параллельных алгоритмов и их программных реализаций при анализе космофотоснимков в задачах мониторинга и управления.

Полученные результаты также используются при проведении НИР и ОКР ООО «НПП «Энергетические и информационные технологии», что подтверждается соответствующим актом, а также в учебном процессе магистрантов факультета КНиТ НИУ «БелГУ».

Связь с научными и инновационными программами.

Результаты диссертационного исследования были использованы в рамках выполнения следующих НИР:

ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009;2013 годы, госконтракт № 14.740.11.0690 от 12 октября 2010;

ФЦП «Научные и научно-педагогические кадры инновационной России» на 2009;2013, госконтракт № 14.740.11.0390 от 20 сентября 2010;

Грант РФФИ № 12−07−257-а;

Аналитическая ведомственная целевая программа (АВЦП) «Развитие научного потенциала высшей школы» в 2006;2008 гг., проект РНП.2.1.2.4974;

АВЦП «Развитие научного потенциала высшей школы» в 2006;2008 гг., проект РНП.2.2.1.1.3121;

АВЦП «Развитие научного потенциала высшей школы» на 2009;2010 гг., проект № 2.1.2/656;

Программа Фонда содействия развитию малых форм предприятий в научно-технической сфере «У.М.Н.И.К.», проект «Информационная технология вариационной классификации объектов на спутниковых фотографиях земной поверхности»;

Область исследования: Содержание диссертации соответствует следующим пунктам паспорта специальности 05.13.01 «Системный анализ, управление и обработка информации (в науке и технике)»:

П. 4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации.

П. 5. Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации.

П. 12. Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации.

Положения, выносимые на защиту:

1. Метод вариационной автоматической классификации объектов на цифровых ИЗП на основе максимизации функционала качества как интегральной меры однородности получаемых результатов разбиений.

2. Параллельные алгоритмы принятия решений на основе максимизации функционала качества, разработанные для гибридных многопроцессорных вычислительных систем с общей памятью.

3. Программная реализация параллельных алгоритмов на основе технологий С1ЛЭА и ОрепМР.

4. Результаты сравнительной оценки адекватности предлагаемого метода автоматической вариационной классификации.

Достоверность выводов и рекомендаций обусловлена корректностью формальных преобразований, подтверждается результатами вычислительных экспериментов и отсутствием противоречий с широко известными фактами теории и практики автоматической классификации объектов.

Личный вклад соискателя. Все изложенные в диссертации результаты исследования получены либо соискателем лично, либо при его непосредственном участии.

Апробация результатов диссертационного исследования.

Результаты диссертационного исследования обсуждались на следующих научно-технических конференциях, выставках и конвентах: Международная молодежная конференция «Прикладная математика, управление и информатика», 2012, г. БелгородВсероссийская молодежная конференция «Теория и практика системного анализа», 2012, г. БелгородПервая и Вторая Международная научно-техническая конференция «Компьютерные науки и технологии», 2011 и 2009, г. БелгородВсероссийская Выставка научно-технического творчества молодежи, 2010, г. МоскваВсероссийская выставка-конкурс прикладных исследований, изобретений и инноваций, 2009, г. СаратовВторой Всероссийский молодежный инновационный конвент, 2009, г. С.-ПетербургОкружной инновационный конвент, 2009, г. Дубна.

Публикации. По теме диссертационного исследования опубликовано 12 печатных работ (из них 6 в журналах из списка ВАК РФ), а так же 3 Свидетельства Роспатента РФ о государственной регистрации программы для ЭВМ.

Объем и структура работы. Диссертация состоит из Введения, четырех глав, Заключения и Приложений. Работа изложена на 150 страницах машинописного текста, включая 80 рисунков, 27 таблиц и список литературных источников из 113 наименований.

4.3. Основные результаты и выводы главы.

1. Выбраны технологии используемы для программной реализации алгоритмов автоматической вариационной классификации объектов на ИЗП, а именно:

• ОС Linux;

• Язык С++;

• ОрепМР;

• CUDA;

• Библиотека QT;

2. Разработан прототип программной системы автоматической вариационной классификации объектов на ИЗП.

ЗАКЛЮЧЕНИЕ

.

1. Создан новый метод автоматической вариационной классификации объектов на цифровых ИЗП на основе принципа максимальной однородности получаемых разбиений пикселей изображения на классы с позиции равномерности заполнения векторами признаков пространств классов и количеств составляющих классы объектов.

2. Разработана интегральная мера однородности в виде функционала, максимизация которого положена в основу принятия решений при классификации объектов на ИЗП.

3. Разработаны параллельные алгоритмы обработки изображений при принятии решений об отборе наилучшего разбиения пикселей изображения на классы для гибридных многопроцессорных вычислительных систем с общей памятью:

• алгоритм предварительной классификации;

• алгоритм построения минимального Евклидова дерева;

• алгоритм обхода минимального Евклидова дерева;

• алгоритм поиска максимума функционала качества разбиения.

4. С использованием технологий С1ГОА и ОрепМР разработана программная реализация созданных алгоритмов, работоспособность которой апробирована на основе обработки реальных ИЗП и модельных изображений.

5. Проведенные сравнительные вычислительные эксперименты по моделированию процесса классификации иллюстрируют адекватность предложенного метода.

Показать весь текст

Список литературы

  1. , С.А. Классификация многомерных наблюдений Текст./ Айвазян С. А., Бежаева З. И., Староверов O.B. М.: Статистика, 1974. — 240с.
  2. , В.В. Алгоритмы и программы структурного метода обработки данных Текст. / Александров В. В., Горский Н. Д. Л.: «Наука», 1983. — 208с.
  3. Аммерааль Л. STL для программистов на С++: Пер. с англ. Текст./ Аммерааль Л.— М.: ДМК, 2000, — 240 с.
  4. А. С. Параллельное программирование с использованием технологии MPI: Учебное пособие Текст./ Антонов А. С. -М.: Изд-во МГУ, 2004. 71 с.
  5. A.C. Параллельное программирование с использованием технологии ОрепМР: Учебное пособие Текст./ Антонов A.C. М.: Изд-во МГУ, 2009. — 77 с.
  6. , А.Г. Обучение машины классификации объектов Текст./ Аркадьев А. Г., Браверман Э. М. M.: Наука, 1971. — 192с
  7. , А.Г. Обучение машины классификации объектов Текст./ Аркадьев А. Г., Браверман Э. М. M.: Наука, 1971. — 192с.
  8. А.Л. Методы и модели анализа данных: OLAP и Data Mining Текст./ Барсегян А. Л., Куприянов М. С, Степаненко В. В., Холод И. И. — СПб.: БХВ-Петербург, 2004. 336 с: ил.
  9. , A.A. О распараллеливании вычислений в задаче автоматической классификации объектов на космофотоснимках Текст. /A.A.
  10. Барсук // Научные ведомости белгородского государственного университета № 19 (90) 2010. Выпуск 16/1. С. 171 — 175.
  11. Бланшет Ж. Qt 4: программирование GUI на С++ Текст./ Бланшет Ж., Саммерфилд М. М.: КУДИЦ-ПРЕСС, 2008. — 736 с.
  12. , В.М. Основы программирования Текст. / Бондарев В. М. Ростов-на-Дону: «Феникс», 1997. — 368с.
  13. А. В. Основы работы с технологией CUD, А Текст./ Боресков А. В., Харламов А. А. М.: ДМК Пресс, 2010. — 232 с: ил.
  14. , А.Н. Элементарный курс теории вероятностей и математической статистики Текст./ Бородин А. Н. СПб: Лань, 1999. — 224с.
  15. , Э.М. Структурные методы обработки эмпирических данных Текст./ Браверманн Э. М., Мучник И. Б. М.: Наука, 1983. — 464с.
  16. Брайан Вард Работаем в Linux Текст./ Брайан Вард — Москва, НТ Пресс, 2008 г.- 400 с.
  17. В. Костромин Самоучитель Linux для пользователя Текст./В. Костромин —Москва, БХВ-Петербург, 2005 г.- 658 с.
  18. В. Соломенчук Linux: Валентин Соломенчук Текст./В. Соломенчук — Москва, БХВ-Петербург, 2005 г.- 282 с.
  19. , В.Н. Восстановление зависимостей по эмпирическим данным Текст./ Вапник В. Н. М.: Наука, 1979. — 449с.
  20. , В.Н. Теория распознавания образов. Стохастические проблемы обучения Текст./ Вапник В. Н., Червоненкис А. Я. М.: Наука, 1974. 415с.
  21. , В.Н. Теория распознавания образов. Стохастические проблемы обучения Текст./ Вапник В. Н., Червоненкис, А .Я.? М.: Наука, 1974. -415с.
  22. Василий Леонов Секреты Linux Текст./ Василий Леонов — Москва, Эксмо, 2010 г.- 336 с.
  23. , Д.П. О минимизации признакового пространства в задачах распознавания Текст. / Ветров Д. П., Рязанов В. В. // Доклады Всероссийской конференции «Математические методы распознавания образов"/ ММРО 10: Изд-во ВЦ РАН, Москва, 2001. с. 22 — 25.
  24. Н. Алгоритмы и структуры данных Текст./ Вирт Н. — М.: Мир, 1989.
  25. , В.В. Параллельные вычисления Текст./ В. В. Воеводин, Вл.В. Воеводин. СПб.: БХВ-Петербург, 2002.
  26. , И. Анализ и обработка данных Текст./ Гайдышев И. -Санкт-Петербург: Питер, 2001. 750с.
  27. В.П. Лекции по параллельным вычислениям: учеб. Пособие Текст./В.П. Гергель, В. А. Фурсов. Самара: Изд-во Самар. гос. аэрокосм, ун-та, 2009. — 164 с.
  28. , В.П. Теория и практика параллельных вычислений: учеб. Пособие Текст./ В. П. Гергель.- М.: Интернет-Университет Информационных технологий- БИНОМ. Лаборатория знаний, 2007. 423 с.
  29. А. И. С и С++. Правила программирования Текст./ Голуб А. И. — М: БИНОМ, 1996 г. — 272 с
  30. Р. Цифровая обработка изображений Текст./ Гонсалес Р., Вудс Р. М.: Техносфера, 2006. — 1072 с.
  31. , А.Л. Методы распознавания Текст./ А. Л. Горелик, Скрипкин В. А. Москва: Высшая школа, 2004. — 264с.
  32. , А.Л. Методы распознавания Текст./ А. Л. Горелик,
  33. В.А. Москва: Высшая школа, 2004. — 264с.137
  34. Горский, Н Распознавание рукописного текста: от теории к практике Текст./ Горский Н., Анисимов В., Горская JI. СПб.: Политехника, 1997. -126 с.
  35. , И.Б. Минимизация булевых функций и эффективные алгоритмы распознавания Текст./ Гуревич И. Б., Журавлев Ю. И. // Кибернетика, 1974, № 3. 16−20.
  36. Е.М. Основы алгоритмизации и программирования. Язык СИ: учебн. Пособие Текст./ Демидович Е. М. СПб.: БХВ-Петербург, 2008. — 448с.
  37. Дж. Макконнелл. Основы современных алгоритмов Текст./ Дж. Макконнелл. М: Техносфера, 2004. — 368с.
  38. , А.Н. Ф.П. О математических принципах классификации предметов и явлений Текст./Дмитриев А.Н., Журавлев Ю. И., Кренделев Ф.П. // Дискретный анализ. Н-ск:изд-во Институт математики СО АН СССР, 1966. Вып.7. — С. 3−15.
  39. , P.O. Распознавание образов и анализ сцен Текст./ Дуда P.O., Харт П. Е. М.: Мир, 1974. — 512с.
  40. , C.B. Автоматика и управление в технических системах Текст./ С. В. Емельянов, В. С. Михалевич К.: Вища шк., 1992 — Кн 6
  41. , Е.Г. Параллельный модифицированный алгоритм Борувки для GPU в задаче классификации объектов на космофотоснимках земной поверхности Текст. / Е. Г. Жиляков, A.A. Барсук // Вопросы радиоэлектроники. Серия: ЭВТ. 2012. — Вып. 1. — С. 64−76.
  42. , Е.Г. Вариационный алгоритм автоматической классификации объектов Текст. / Е. Г. Жиляков, Е. М. Маматов, A.A. Барсук //Вопросы радиоэлектроники. Серия: ЭВТ. -2007. -Вып. 1, — С. 110−123.
  43. , Е.Г. О компьютерной реализации автоматической вариационной классификации объектов на спутниковых фотографиях земной поверхности Текст. / Е. Г. Жиляков, A.A. Барсук // Вопросырадиоэлектроники. Серия: ЭВТ. -2010. Вып. 1.- С. 166−171.139
  44. , Е.Г. Об Автоматической классификации объектов Текст./ Жиляков Е. Г., Маматов Е. М. // Математическое моделирование в научных исследованиях. / Материалы Всероссийской научной конференции. 4.1. Ставрополь: Изд-во СГУ, 2000. с. 36−38.
  45. , Е.Г. Определение весов признаков в алгоритмах вычисления оценок Текст./ Жиляков Е. Г., Маматов Е. М. //Распознавание образов и обработка информации Сб. науч. Тр. Минск — 1999 г.
  46. Ю.И. Об алгебраических методах в задачах распознавания и классификации Текст./ Журавлёв Ю. И. //Распознавание, классификация, прогноз .Вып. 1.—М. :Наука, 1988.—С .9−16.
  47. Ю.И. Распознавание образов и распознавание изображений Текст./ Журавлёв Ю. И., Гуревич И. Б. //Распознавание, классификация, прогноз.Вып.2.—М.:Наука, 1989.—С.5−72.
  48. , Ю.И. Избранные научные труды Текст./Журавлев Ю. И М: Магистр, 1998. — 422с.
  49. Загоруйко, Н. Г Прикладные методы анализа данных и знаний Текст./Загоруйко Н.Г. //Вычислительные системы, Новосибирск: ИМ СО РАН, 1999.-270.
  50. , Н.Г. Алгоритмы обнаружения эмпирических закономерностей Текст./ Загоруйко Н. Г., Елкина В. Н., Лбов Г. С. Новосибирск: Наука, 1985.
  51. , Н.Г. Какими решающими функциями пользуется человек? Текст./Загоруйко Н.Г. //Вычислительные системы, Новосибирск, 1967, вып. 28, с. 69 78.
  52. , Н.Г. Таксономия в анизотропном пространстве Текст./Загоруйко Н.Г.// Эмпирическое предсказание и распознавание образов. Новосибирск: 1978. — С. 26−35.
  53. Ким, Дж.-О. Факторный, дискриминантный и кластерный анализ Текст./ Дж.-О. Ким, Ч. У. Мьюллер, У. Р. Клекка и др. М.: Финансы и статистика, 1989.-215с.
  54. Ким, Дж.-О. Факторный, дискриминантный и кластерный анализ Текст./ Дж.-О. Ким, Ч. У. Мьюллер, У. Р. Клекка и др. М.: Финансы и статистика, 1989. — 215с.
  55. Д. Искусство программирования, том 4. Комбинаторные алгоритмы Текст./ Кнут Д. М.: «Вильяме», 2013. — 960 с.
  56. В. А. Локальные и глобальные решения в распознавании и изображений Текст./ Ковалевский В. А. //ТИИЭР.—1979.— Т.67.—№ 5.—С.50−58.
  57. , Л. Ф. Математическое обеспечение научных исследований в автоматике и управлении Текст./ Л. Ф. Компанец, А. А. Краснопрошина, Н. Н. Малюков К.: Вища шк., 1992. — 287с.
  58. Кормен, Томас X. Алгоритмы: построение и анализ, 2-е издание Текст./ Кормен, Томас X., Лейзерсон, Чарльз И., Ривест, Рональд Л., Штайн,
  59. Клиффорд. М.: Издательский дом «Вильяме», 2005. — 1296 с."141
  60. , О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных странах Текст./Ларичев О. И. Учебник. -М.: Логос, 2002.-392с.
  61. , Г. С. Методы обработки разнотипных экспериментальных данных Текст./ Лбов Г. С. -Новосибирск:Наука, 1981. 160с.
  62. , Е.М. О формировании признакового пространства в задачах распознавания образов и классификации объектов Текст./Маматов Е.М. // ВЕСТНИК Московской академии рынка труда и информационных технологий № 4(26) 2006 г. — с.20 — 28.
  63. , Е.М. О формировании признакового пространства в задачах распознавания образов и классификации объектов Текст./Маматов Е.М. // ВЕСТНИК Московской академии рынка труда и информационных технологий № 4(26) 2006 г. — с.20 — 28.
  64. , И.Д. Кластерный анализ Текст./ Мандель И. Д. -Москва: Финансы и статистика, 1988. 176с.
  65. Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов: Пер. сангл. Текст./ Марр Д. —М. :Радиоисвязь, 1987.—400с.
  66. , А. Цифровая обработка сигналов Текст./ Оппенгейм А., Шафер Р. Москва: Техносфера, 2006. — 856с.
  67. П. Плаугер STL — стандартная библиотека шаблонов С++: Пер. с англ. Текст./ П. Плаугер, А. Степанов, М. Ли, Д. Массер.— СПб.: БХВ-Петербург, 2004.— 656 с.
  68. Т. Иерархические методы в структурном распознавании образов Текст./ Павлидис Т. //ТИИЭР.—1979.—Т.67.— № 5.—С.39−49.
  69. Т.А. С/С++. Программирование на языке высокого уровня Текст./ Павловская Т. А. СПб: Питер, 2007. — 464 с.
  70. В. В. Фомин С.С. Программирование на языке Си Текст./Подбельский В.В. М.: Финансы и статистика, 2007 — 600с.
  71. A.C. Распознавание образов и машинное восприятие Текст./ A.C. Потапов. Спб: Политехника, 2007. — 552 стр
  72. Рис, У. Основы дистанционного зондирования Текст./ Рис У. -М.?Техносфера, 2006. 336с.
  73. , Д.И. Подходы и методы распознавания людей по фотопортретам Текст./ Самаль Д. И., Старовойтов В. В. Минск: ИТК НАНБ, 1998. — 54с.
  74. Д., Кэндрот Э. Технология CUDA в примерах. Введение в программирование графических процессоров Текст. / Д. Сандерс, Э. Кэндрот. Москва: ДМК Прес, 2011. — 312 с.
  75. , Р. Фундаментальные алгоритмы на С++. Алгоритмы на графах: Пер. с англ. Текст./ Роберт Седжвик СПб: ООО «ДиаСофтЮП». 2002 — 496 с.
  76. . Дизайн и эволюция языка С++. Объектно-ориентированный язык программирования: Пер. с англ. Текст./ Страуструп Б, — М.: ДМК пресс, Питер, 2006, — 448 с.
  77. . Язык программирования С++: Пер. с англ. — 3-е спец. изд. Текст./ Страуструп Б.— М.: Бином, 2003.— 1104 с.
  78. Т. Адельштайн Системное администрирование в Linux Текст./ Т. Адельштайн, Б. Любанович — Москва, Питер, 2009 г.- 288 с.
  79. Ту, Дж. Принципы распознавания образов Текст./ Дж. Ту, Р. Гонсалес-М.: Мир, 1978.-411с.
  80. Ф. А. Резников Операционная система Ubuntu Linux 10.04 Текст./ Ф. А. Резников, В. Б. Комягин — Санкт-Петербург, Триумф, 2011 г.-208 с
  81. Форсайт, Дэвид А. Компьютерное зрение. Современный подход Текст./ Форсайт, Дэвид А., Понс, Жан. М.: Издательский дом «Вильяме», 2004. — 928с.
  82. Фу, К. Последовательные методы в распознавании образов и обучения машин Текст./ Фу К. М.: Наука, 1971 г. — 256с.
  83. Я.А. Введение в контурный анализ и его приложения к обработке изображений и сигналов Текст. / Фурман Я. А. — М.:Физматлит, 2002.—592с.
  84. , Я.З. Адаптация и обучение в автоматических системах Текст./Цыпкин Я. З. Москва: «Наука», 1968. 400с.
  85. , Я.З. Основы теории обучающихся систем Текст./Цыпкин Я. З. Москва: «Наука», 1970. 560с.
  86. , A.M. Дистанционное зондирование и географические информационные системы Текст./ Чандра А. М, Гош С. К. М.: Техносфера, 2008. — 312с.
  87. Шлее, М. Qt4.5. Профессиональное программирование на С++Текст./ Шлее М. СПб.: БХВ-Петербург, 2010. — 896 с.
  88. , К. Статистические методы для ЭВМ Текст./ К. Энслейн, 3. Релстон, Г. С. Уилф. -М.: Наука, 1986. 464с.
  89. Яне, Б. Цифровая обработка изображений Текст./ Б. Яне. -М.Техносфера, 2007. 584с.
  90. Л.П. Введение в цифровую обработку изображений Текст. / Ярославский Л. П. М.: Сов. радио, 1979. — 312 с.
  91. David B. Kirk. Programming Massively Parallel Processors A Hands-on Approach Text./ David B. Kirk, Wenmei W. Hwu. — Morgan Kaufmann Publishers, Elsevier, 2010 — 280 p.
  92. Flajolet, P. Analytic Combinatorics Text. / Philippe Flajolet, Robert Sedgewick. Cambridge University Press, 2009 — 81 Op.
  93. G. Karniadakis. Parallel Scientific Computing in C++ and MPI Text. / George Em Karniadakis, Robert M. Kirby II. Cambridge University Press, 2003- 630p.
  94. Hastie, T., The Elements of Statistical Learning: Data Mining, Inference, and Prediction Text. / Hastie, T., Tibshirani R., Friedman J. SpringerVerlag, 2009. — 746 p.
  95. I. Foster. Designing and Building Parallel Programs: Concepts and Tools for Parallel Software Engineering Text./Ian Foster. Addison-Wesley, 1995 — 381p.
  96. J. Sanders CUDA by Example: An Introduction to General-Purpose GPU Programming + Code Text. /Jason Sanders, Edward Kandrot. Addison-Wesley Professional, 2010 — 312p
  97. Mitchell, T. Machine Learning Text. / Tom Mitchell. McGraw-Hill Science/Engineering/Math, 1997. — 432 p.
  98. NVIDIA CUDA C BEST PRACTICES GUIDE, version 4.0.
  99. NVIDIA CUDA C Programming Guide, version 4.0.
  100. W.Gropp. Using MPI: Portable Parallel Programming with the Message-Passing Interface. Second edition Text./ W. Gropp, E. Lusk, A.Skjellum.- MIT Press, 1999 371 p.
Заполнить форму текущей работой

Сессия? Спокойно!