автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Комбинированные алгоритмы поддержки принятия решений при автоматизированной идентификации зашумленных структурированных изображений

На правах рукописи

005050217

БУЛДАКОВ Николай Сергеевич

КОМБИНИРОВАННЫЕ АЛГОРИТМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ АВТОМАТИЗИРОВАННОЙ ИДЕНТИФИКАЦИИ ЗАШУМЛЕННЫХ СТРУКТУРИРОВАННЫХ ИЗОБРАЖЕНИЙ

05.13.01 - Системный анализ, управление и обработка информации (в технической отрасли)

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Саратов 2012

005050217

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Саратовский государственный технический университет имени Гагарина Ю.А.».

Научный руководитель: доктор технических наук, профессор

Большаков Александр Афанасьевич

Официальные оппоненты: Шульга Татьяна Эриковна,

доктор физико-математических наук, профессор, ФГБОУ ВПО «Саратовский государственный технический университет имени Гагарина Ю.А.», заведующая кафедрой «Прикладная информатика и программная инженерия»

Литовка Юрий Владимирович,

доктор технических наук, профессор, ФГБОУ ВПО «Тамбовский государственный технический университет»,

профессор кафедры «Системы автоматизированного проектирования»

Ведущая организация: Институт проблем точной механики и управления

РАН (г. Саратов)

Защита диссертации состоится «25» декабря 2012 г. в 14.30 часов на заседании диссертационного совета Д 212.242.04 при Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Саратовский государственный технический университет имени Гагарина Ю.А.» (410054, г.Саратов, ул. Политехническая, 77, Саратовский государственный технический университет имени Гагарина Ю.А., корп. 1, ауд. 319).

С диссертацией можно ознакомиться в научно-технической библиотеке СГТУ имени Гагарина Ю.А.

Автореферат разослан «20» ноября 2012 г.

Ученый секретарь диссертационного совета

В.В. Алешкин

Актуальность темы. Многие современные технические задачи связаны с распознаванием и принятием решений о внутренней структуре объектов, с дистанционным мониторингом состояния систем на основе обработки визуальных образов. При этом возникает необходимость обработки изображений, которой посвящено большое количество зарубежных и отечественных работ. Принимаемые решения часто основываются на идентифицируемых структурных элементах и их свойствах, полученных по результатам анализа снимков (Chino S., Chris-toyiannil., DeCartel J.M., DermatasE., DudaR.O., FujimuraS., Gonzalez R.C., Keyes W.I., Kokkinakis G., Hanaizumi H., Hart P.E., RoeR.W., Stork D.G., Sur-du J.R., Абакумов A.A., Вайнберг Э.И., Галушков А.И., Горбунов В.В., Дуд-кин A.A., Игнатьев A.A., Казак И.А., Курозаев В.П., Назиров P.P., Садыхов Р.Х., Соколов В.А., Шорин М.В. и др.).

Существующие системы обработки изображений успешно функционируют только при использовании качественных, контрастных снимков. В случае расплывчатых, зашумленных или низкоконтрастных изображений они обычно характеризуются низкой точностью выявления структур, что не позволяет в полной мере реализовать возможности традиционных методов идентификации снимков, в т.ч. алгоритмов сегментации аномальных структурных элементов. Задача усложняется при поиске или идентификации скрытых, завуалированных или зарождающихся структур (охраняемые объекты, минирование местности, возникновение патологии в биосистемах и др.). В этом случае необходимо использовать всю доступную информацию для принятия решения о возможном нахождении идентифицируемых структур на изображении.

В настоящее время существуют работы, в которых авторы для обработки неструктурированной информации предлагают использовать нейросетевые методы (Большаков A.A., Бровкова М.Б., Колентьев C.B., Макаренко A.A., Мир-кес Е.М., Ососков Г.А., Стадник A.B., Суятинов С.И., Федяев О.И. и др.). Однако открытыми остаются вопросы выбора критериев идентификации и разработки интеллектуальных технологий для автоматизированного распознавания зашумленных изображений. Кроме того, для повышения точности идентификации и эффективности принятия решений следует применять не только методы и модели искусственного интеллекта, но и расширенный вектор признаков, включающий доступную априорную информацию, например, о форме анализируемых структурных элементов, о физической плотности вещества и т.д., что позволит существенно повысить информативность визуальных данных. Следовательно, возникает необходимость создания более совершенных систем обработки изображений, способных относительно быстро и правильно распознавать структурные элементы на снимках различного качества.

Развитие сетевых технологий и совершенствование средств передачи данных создали основу для построения нового поколения систем распознавания изображений - Web-ориентированных систем дистанционного мониторинга состояния объекта и анализа полученных изображений, однако их практическая реализация требует обработки значительного объема информации. В случае автоматизированной идентификации скрытых структур на зашумленных снимках эта проблема обостряется. Поэтому для снижения вычислительных затрат и реализации автоматизированного распознавания возможных структурных элемен-

тов на исследуемых снимках целесообразно применить современные технологии виртуализации и облачных вычислений, комбинированные модели и алгоритмы.

Это обусловливает актуальность темы диссертационного исследования, которое соответствует приоритетным направлениям развития науки, технологий и техники РФ «Информационно-телекоммуникационные системы».

Целью работы является повышение эффективности распознавания структурных элементов на зашумленных изображениях на основе комбинированных алгоритмов, используемых в системах поддержки принятия управленческих решений в автоматизированных системах обработки изображений.

Для реализации этой цели необходимо решить следующие задачи:

1) выполнить анализ существующих методов обработки изображений (снимков) для идентификации структурных элементов;

2) сформировать критерии идентификации выделяемых структур;

3) разработать комбинированные алгоритмы распознавания структур на снимках;

4) создать методику интеллектуальной поддержки для принятия управленческих решений в автоматизированных системах обработки изображений;

5) разработать специальное математическое и программное обеспечение для автоматизированной системы идентификации структурных элементов на зашумленных изображениях;

6) апробировать предложенные интеллектуальные технологии обработки изображений при решении практических задач.

Объектом исследования являются плохо структурированные и зашум-ленные изображения.

Предмет исследования - комбинированные модели, методы и алгоритмы распознавания различных структур на зашумленных изображениях.

Методы исследования. При решении поставленных задач в работе использовались системный анализ, теория управления, методы теории идентификации и распознавания образов, методы и алгоритмы обработки изображений, метод клеточных автоматов, нейросетевые технологии. Научная новизна работы:

- разработаны критерии распознавания скрытых структурных элементов в зашумленных изображениях, отличающиеся учетом доступной априорной и апостериорной информации, что позволило разработать комбинированные алгоритмы дистанционной обработки снимков;

- предложены комбинированные алгоритмы распознавания скрытых технических объектов, отличающиеся использованием технологий клеточных автоматов и неокогнитрона, что позволило учесть доступную геометрическую информацию о форме и взаимном расположении структурных элементов;

- создан комбинированный алгоритм идентификации структурных изображений на рентгеновских снимках, отличающийся использованием количественной оценки рентгеноскопической плотности среды, кластеризации структур по признакам плотности изображения, нейронных сетей, что позволило разработать соответствующее специальное математическое обеспечение для поддержки управленческих решений в дистанционных автоматизированных системах обработки изображений;

- построена архитектура специального математического обеспечения для поддержки принятия решений в автоматизированных системах мониторинга и обработки изображений, отличающаяся использованием комбинированных алгоритмов идентифика-

ции структур на зашумленных снимках, что позволило предложить интеллектуальную интернет-технологию автоматизированной идентификации скрытых и завуалированных объектов с применением виртуализации и облачных вычислений.

Практическая ценность работы заключается в создании комбинированных алгоритмов распознавания возможных аномальных и регулярных структур на зашумленных изображениях, что позволяет решать различные практические задачи по выявлению скрытых или завуалированных объектов на снимках.

Предложенный комбинированный алгоритм распознавания скрытых технических объектов апробирован при идентификации минных полей по снимкам из космоса

Реализация согласно выявленным требованиям и предложенным принципам создания интеллектуальных систем дистанционного мониторинга и автоматизированной обработки снимков позволит повысить эффективность принятия управленческих решений по зашумленным изображениям. Результаты диссертации используются в учебном процессе различных вузов г. Саратова.

Достоверность и обоснованность результатов диссертационного исследования подтверждаются результатами компьютерного моделирования; успешным использованием полученных результатов в различных организациях; соответствием основных теоретических положений и выводов практическим результатам, полученным на основе разработанных моделей и алгоритмов.

Апробация работы. Основные результаты работы обсуждались на Международных научно-технических конференциях: «Математические методы в технике и технологиях» (Казань, 2005; Саратов, 2008, 2010, 2011; Харьков, 2012); «Информационные технологии в политическом, социальном и экономическом менеджменте» (Саратов, 2006); «Человеческий фактор в управлении социальными и экономическими системами» (Пенза, 2006); «Идентификация систем и задачи управления» (Москва, 2008); «Инфокоммуникационные технологии в науке, производстве и образовании» (Новочеркасск, 2008); «Перспективные информационные технологии для авиации и космоса» (Самара, 2010); «Инновации и актуальные проблемы техники и технологий» (Саратов, 2010); «Новые направления развития приборостроения.» (Минск, 2011).

Исследования поддержаны Государственным фондом содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодежного научно-инновационного конкурса У.М.Н.И.К.» (2009 - 2010 гг.).

На защиту выносятся:

1) критерии идентификации скрытых и завуалированных структур снимков, основанные на характеристиках формы, взаимном расположении элементов и физической плотности;

2) комбинированный алгоритм идентификации структур на снимках земной поверхности на основе технологий клеточных автоматов и неокогнитрона;

3) метод оценки физической плотности вещества по изображению объекта;

4) комбинированный алгоритм для дистанционной обработки рентгеновских изображений;

5) архитектура системы интеллектуальной поддержки при принятии решений в системе дистанционного мониторинга и автоматизированной обработки снимков, а также технические принципы ее интернет-реализации.

Публикации. Основные результаты диссертационной работы опубликованы в 17 работах, в т.ч. 3 статьи - в журналах из списка, рекомендованного ВАК РФ.

Структура и объем диссертации. Диссертация состоит из введения, пяти разделов, заключения, списка использованной литературы и приложения. Работа изложена на 168 страницах машинописного текста, содержит 47 рисунков и 3 таблицы, список литературы включает 126 наименований.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, поставлены цель и задачи исследования, определены научная новизна результатов и их практическое значение.

В первом разделе поставлена задача автоматизированной идентификации структур на основе комбинированных алгоритмов.

Дана характеристика процесса идентификации структурных элементов как объекта исследования. Проанализированы методы кластеризации, основанные на позиционной и/или яркостной (плотностной) близости точек изображения. Показано, что типовые алгоритмы обработки изображений не позволяют достоверно распознавать скрытые структурные элементы на зашумленных изображениях, поэтому требуется новая технология идентификации структур, в первую очередь, на основе комбинированного подхода.

Сформулирована задача создания автоматизированной системы идентификации структурных элементов на зашумленных снимках, которая является комплексной.

Выполненный анализ позволил сформулировать требования к программно-техническим решениям архитектуры системы обработки зашумленных изображений.

Второй раздел посвящен разработке комбинированного алгоритма идентификации структур и его реализации на примере снимков земной поверхности.

Математически цифровая форма изображения имеет вид матрицы ТУхА/, каждый элемент которой характеризуется величиной яркости £ и координатами и^- (< = 1, = 1, М).

Идея предлагаемого комбинированного алгоритма заключается в следующем. Процесс идентификации включает два этапа, на первом осуществляется предварительная обработка изображения, на втором - собственно распознавание структур. При предварительной обработке используются различные комбинации как регулярных методов, так эвристик и интеллектуальных методов на множестве выявленных при системном анализе процедур (фильтрация, контрастирование, бинаризация, кластеризация). При распознавании структур на изображении используются аналогичные комбинации с использованием различных методов искусственного интеллекта. Процесс является итерационным, при этом используется как априорная, так и апостериорная информация. Сформированы критерии качества (эффективности) для предварительной обработки С] — аналог известного в теории обработки сигналов: соотношение сигнал/шум и для этапа распознавания С2- точность распознавания структур при заданных форме и размерах:

С, = ||&т = Ц^.Ц =^Лг(РогСг,у),Раг) (1)

где Qxy - изображение после предварительной обработки; - изображение после распознавания; Str - множество выделяемых образов заданной формы; Ve - мощность множества кластеров (количества точек изображения, вошедших в кластер); V* - мощность множества распознанных структур (количество структур, которые распознаны алгоритмом); For(x,у) - описание формы структуры; Par - вектор параметров на множестве координат х,у.

При разработке алгоритмов пред- п Р - О п t

варительной обработки выбирался " *Чху~~ ху~*

обеспечивающий значение С^ие менее 0,7. При распознавании структур це-

левым значением С2 являлось 0,8. _ Рис 1. Три контура идентификации

структурных элементов

Рассмотрим далее предлагаемый комбинированный алгоритм на примере распознавания мин по снимку. Предполагается, что с учетом масштаба изображения, средний диаметр изображения мины занимает 12 пикселей. Следует отметить, что этот диаметр включает размер мины и измененный вокруг нее подстилающий слой. Работу клеточного автомата (КА) можно трактовать как выполнение операции преобразования ^ входного образа О' в выходной образ

вГ1:

где 8' - значение элемента изображения с координатами р, д в окрестности Мху

в момент времени V, Г - функция выхода. В общем случае окрестность Мху представляется прямоугольником, который математически описывается выражением = {(р> <]}' х-!Л< р<х + Ь2; у-К\<ц<у + К7]. Разработка алгоритма обработки изображения на базе КА заключается в построении функций Г и определении порядка их применения.

Особенностью задачи является необходимость выделения малоразмерных объектов, изображения которых зависят от типа мин, способов их установки, условий наблюдения и типа регистрирующих датчиков. Другая трудность идентификации заключается в том, что в пределах одного снимка объекты могут находиться на различных подстилающих поверхностях.

Для предварительной обработки изображений применена технология клеточных автоматов (КА). Этап предварительной обработки изображения включает выполнение следующих шагов (процедур): низкочастотная фильтрация для устранения мелких помех и получения сглаженного изображения с более однородной внутренней структурой; контрастирование для выделения контуров; приведение изображения к бинарной форме для выделения полезной информации и устранения высокочастотных помех; формирование кластеров для выделения объектов, которые потенциально могут отображать мины; нормализация размеров кластеров для получения одинаковых размеров кластеров.

Для «размывания» элементов размером значительно меньше, чем размер мины, исследованы различные низкочастотные фильтры. Лучшие результаты

показал фильтр Гаусса qm = -

при значениях парамет-

I S«

255.0, S'v > Avg+0.2 • (Мах - Avg),

(3)

ров, учитывающих размеры обнаруживаемых объектов : LI = L2 = К\ = К2=\5 и а = 5.

0.0, S' < Avg - 0.2 • (Avg - Min),

Традиционное контрастирование на основе дифференциальных фильтров приводит к чрезмерной детализации изображения, что разрушает искомые объекты, поэтому апроби- Q= рованы алгоритмы линейного повышения контраста и интегрального контрастирования. В соответствии с первым алгоритмом, состояние автоматов вычислялось по формуле (3): где Avg, Мах, Min -среднеарифметическое, максимальное и минимальное значения яркости, соответственно.

Яркость пикселя при использовании алгоритма интегрального контрастирования определялась как

127.5

127.5-

0.2 • (Ми - Avg) J 0.2-(Avg-Min)

S'v a Avg,

В окончательном варианте выбран алгоритм интегрального контрастирования, который позволил улучшить контраст снимка. Однако, из-за большой зависимости яркости интересующих объектов от их положения на снимке, проведена нормализация или контрастирование исходного изображения добавлением локального контраста по формуле:

| лг+12 у+кг

е?=-щ+Ь2+]).(К1+К2+Г)^лТкр- (5)

Лучшие результаты получены при следующих значениях параметров: Ы = Ь2 = К\ = К2 = 10.

Для получения бинарной формы изображения разработаны две процедуры:

1) пороговое отсечение изображения по яркости и доведение изображения до бинарного:

255.0,

2 ^(x + i.y + j) '-TJ-'i

(sx+l)-(sy+l)

> (1.0 + 30.0- р),

(6)

0.0,

где sx = 6.0, sy = 6.0, а величина, регулирующая чувствительность алгоритма Р[0.0; 1.0], регулируется при настройке;

2) процедура стягивания с последующим компарированием.

Она реализуется на трех последовательных шагах. На первом шаге осуществляется операция стягивания, которая используется особым образом. Вначале вычисляется коэффициент охвата точки R^y с координатами (х, у). Здесь

1 1+1 у+1 ^

rv = int -i- £ является Целым числом и отношением суммарной яркости

пикселей, окружающих данную точку, к яркости самой точки. Установлено правило: если Игу > 6, то s'v принимает значение яркости, равное 255. Эта процедура позволила уменьшить разброс в яркости. На следующем шаге использовано равномерное сглаживание со следующими параметрами LI = L2 = Kl = К2 =2, что устранило мелкие детали (точки и штрихи) изображения, которые возникли на предыдущем шаге. На третьем шаге изображение приведено к бинарной форме.

Изображения мин не соприкасаются, имеют замкнутую форму, сравнительно небольшие размеры. Поэтому далее выделены замкнутые, не соприкасающиеся области (кластеры).

Предложенный алгоритм вначале вычисляет число соприкосновений по

*+1 v+t

формуле CNUMV= • Если точка с координатами (х, у) имеет нулевое

значение (пиксель имеет нулевую яркость) и имеются два соседних элемента также с нулевой яркостью, то CNUM будет равно 3. В этом случае две соседние точки включаются в кластер исходной точки.

Основным критерием распознавания мин по снимкам являются геометрические признаки. В работе предлагаются две процедуры распознавания минных полей в зависимости от способа их установки.

Первая процедура применима для распознавания клеточного поля, установленного минным заградителем. Она основана на том, что известны примерные размеры клеток, а угол между сторонами клеток равен ориентировочно 90°. Для минных полей с клеточной структурой в качестве признаков идентификации используются числовые значения, характеризующие взаимное расположение мин.

Вторая процедура предназначена для распознавания минного поля, установленного системой залпового огня. Процесс распознавания геометрических фигур в виде эллипсов рассеяния осуществлялся на основе предварительно обученной специальной нейронной сети (НС) — неокогнитрона, действующего по принципу зрительной системы человека. Предполагая, что минное поле представляет совокупность эллипсов рассеяния, неокогнитрон предварительно обучен распознавать именно эти фигуры. На вход неокогнитрона подается модифицированное изображение, полученное после нормализации по размеру. Модификация изображения производилась с помощью процедур «стягивание - расширение» для преобразования исходного рисунка, в котором минное поле представлялось набором точек, в рисунок, где поле представлено сплошной фигурой, похожей на эллипс.

В третьем разделе выполнен анализ моделей и методов идентификации структур рентгеновских изображений.

Показано, что общим недостатком существующих методов идентификации структур по рентгеновским снимкам является использование косвенной информации

в виде интенсивности изображения, что может привести к ложным распознаваниям. Поэтому необходимо решать задачу идентификации структур, основываясь на числовой оценке рентгенографической плотности. Количественная оценка плотности позволяет расширить характеристический вектор признаков и повысить надежность распознавания различных аномалий.

Рассмотренные способы измерения рентгенографической плотности среды (непосредственное измерение, временное вычитание, энергетическое вычитание, измерение с использованием контрастного вещества) также характеризуются существенными недостатками, т.к. основываются на яркостях точек цифрового изображения. Для получения количественной оценки рентгенографической плотности требуются модели преобразования информативных параметров. На абсолютную интенсивность изображения влияет также ряд других факторов, например, мощность излучателя, вес и габариты объекта и др. Поэтому интенсивность изображения можно считать косвенной информацией, и возникает задача вычисления прямых показателей рентгенографической плотности по косвенным показателям интенсивностей точек цифрового изображения.

В частности, для более адекватного сопоставления плотностей можно вычислить плотность каждого участка объекта по отношению к плотности определенного типа. Относительная плотность позволяет сравнивать области на различных рентгенографических снимках. Однако отсутствие количественной оценки физической плотности ограничивает возможности применения метода.

Поставлена задача автоматизированной идентификации структур по рентгеновским изображениям, которая включает структурирование изображения на основе процедур контрастирования, вычисления плотности выявленных структурных элементов, кластеризации структур по признакам плотности и расположения. Предложено решать поставленную задачу с использованием интеллектуальных технологий распознавания образов. При нечетком задании степени принадлежности возможных значений параметров (характеристических признаков) заданному классу структур необходимо использовать функции принадлежности.

Четвертый раздел связан с созданием интеллектуальных, комбинированных алгоритмов и моделей для дистанционной обработки снимков.

Разработан комбинированный алгоритм автоматизированного анализа изображений и выявления структурных элементов, позволяющий принимать решения о наличии структур на снимках. Показано, что объективным критерием идентификации аномалий являются значения их физической плотности. Вычисление количественных оценок рентгенографической плотности можно разбить на два обобщенных этапа: выделение интересующих областей, которое может осуществляться, например, на основе клеточных автоматов; вычисление физической плотности вещества по изображению объекта.

Исходной информацией для оценки физической плотности является значение интенсивности светового луча Ь, прошедшего через фотоснимок. Поэтому необходимо получить выражение, связывающее физическую плотность вещества с интенсивностью Ь. Принято считать, что физическая плотность вещества пропорциональна линейному коэффициенту ослабления излучения в веществе у, ¿). Преобразование информации о значении ц осуществляется в два этапа. Вначале в процессе рентгеновского облучения значения коэффициента ¡л преобразуются в значения интенсивности / рентгеновского излучения, прошедшего через вещество.

В качестве исходной принята следующая модель распространения излучения в среде с коэффициентом /л(х,у,г)\

1(х,у)= Ш(Е,о)Е-ехр[-$ р(х,у,г)(Ь)+1 ¿{Е!,0)Е^(х,у,Е,,а)с1ШЕ1, (7)

где N - число квантов, падающих на единицу площади объекта. Здесь первое слагаемое представляет интенсивность первичных квантов, а второе - вторичных.

1(х,у)сЫ(1у - энергия, поглощаемая элементом сЬйу поверхности детектора. Примем следующие упрощающие предположения: каждый взаимодействующий с приемником квант локально поглощается, а характеристика приемника является линейной; влияние отсеивающего устройства не учитывается; функция рассеяния 5 является медленно меняющейся.

В результате второй интеграл в уравнении (7) можно заменить значением функции в центре изображения и получить выражение для интенсивности рентгеновского излучения, прошедшего о&ьекг и воздействующего на приемник излучения:

1{х, у) = ^(Е^Е ехр(-1 //(х, у, + 7?) (8)

Здесь Я представляет отношение рассеянного излучения к первичному, которое определяется из измерений или расчетом.

На втором этапе процесса преобразования информации интенсивность излучения 1{х,у) фиксируется на приемнике излучения. Так как в качестве приемника используется фотопленка, то следующей задачей является выявление связей между оптической плотностью пленки и физической плотностью исследуемого объекта. Конечное выражение для результирующей интенсивности Ь светового луча с исходной интенсивностью Ь0, прошедшего через фотопленку, подвергнутую рентгеновским излучениям, интенсивностью 1(х,у):

Ь = Ьй ехр(-Л") = Ьа схр(СМсг[1 — г¡л]) = Ь0К2 ехр. (9)

Здесь Ь - площадь поперечного сечения одного зерна; <7 - количество зерен бромистого серебра на единицу площади; а - площадь поперечного сечения одного сенсибилизированного зерна, образуемого после проявления; к - определяется характеристиками используемой аппаратуры; г — толщина объекта; К2 - постоянный коэффициент, зависящий от используемой аппаратуры.

Последнее выражение показывает зависимость регистрируемого светового сигнала I от искомой «относительной плотности» 2)1. Понятие относительности учитывает зависимость плотности почернения от толщины объекта г.

Рассмотрим прохождение одного рентгеновского луча сквозь объект, состоящий из п слоев, толщиной 2Г Если принять за I, интенсивность луча (плотность потока фотонов) до его прохожденияу'-го слоя объекта, встретившегося на пути траектории луча, а Ь}+/ — интенсивность луча после прохождения слоя, то их

связь можно представить выражением 1 = К0 Ь] ■ е г' , где а7 - относительная плотность точки (области) 7-го слоя объекта. Следовательно, изображение можно трактовать, как совокупность точек, яркость которых обратно пропорциональна значению выражения = К0Ц,-е'а, г1 ■е~"2'*2 •...■е'°"'г", где Ь0 - начальная интенсивность луча, которую приближенно можно принять постоянной и одинаковой для всех направлений излучения.

Плотность почернения О рентгенографического снимка определяется как п

В = '"Т- = ^о + ^ аГI > где ¿о и ¿х - падающий на пленку и прошедший сквозь

х > = 1

нее световые потоки, соответственно.

Снимок содержит изображение двух дополнительно введенных объектов (эталонов) с одинаковой и известной физической плотностью аэ и толщиной А (рис. 2). Схема расположения дополнительно введенных объектов обеспечивает фиксацию на пленке:

1) о =1п+а и - плотность почернения, обусловленная прохождением

э I 0 э э

луча через эталонный объект с известными параметрами а, и И;

2) А+т = '"т2- = ко + + Мт2т - плотность почернения, обусловленная прохождением луча через исследуемое тело и эталон;

3) = = К0 + + Мтгт " плотность почернения, обусловленная прохождением луча через участок объекта, содержащий элемент (например, камень в почках), физическую плотность которого требуется определить.

Приведенные соотношения позволяют оценить физическую плотность исследуемого элемента следующим образом: цк - + ———. В послед-

2к

нем уравнении учтен поправочный коэффициент К2, зависящий от используемого оборудования. Для окончательного определения физической плотности цк необходимо знать толщину исследуемого объекта гк. Эту величину можно оценить по снимку. Искомую толщину вычисляем в сравнении с размером эталона.

этапов Предложенный общий алгоритм

оценки плотности по рентгеновскому

\\/ \ о„„ экран снимку имеет вид.

рентген

А ■

о 1

и*

1) вычисление рентгенографической плотности £>э эталонного объекта, физическая плотность которого заранее известна;

2) обработка исходного нечеткого камень снимка с повышением контрастности;

Рис. 2. Формирование изображения 3) выделение видимых контуров на

при эталонно-фотометрическом методе обработанном снимке; вычисления физической плотности 4) выбор точки исходного снимка,

вещества плотность которой нас интересует;

5) вычисление усредненной локальной плотности в выбранной области по

| ( Я-1 Л-1 Л

формуле м(х,у) = /Г(7>Л'1 (х + у+Л I;

6) вычисление отношения локальной плотности к эталонной плотности и шачений физической плотности по формуле Цк = ---——— •

7) добавление значимого признака в характеристический вектор.

Разработан комбинированный алгоритм, повышающий эффективность процесса структуризации зашумленного изображения включением в процесс сегментации априорной информации о предполагаемой форме и плотности объектов.

Предположим, что исследуемый объект имеет округлую форму. Поэтому на этапе предварительной обработки снимка выделим все объекты, имеющие такие формы, на основе процедур контрастирования и выделения контуров, которые реализованы с использованием аппарата КА. Алгоритм детектирования уплотнений округлой формы основан на варьировании порога чувствительности. Анализ эффектов изменения пороговых значений отображаемых пикселей на округлость и размер уплотнений позволяет не только повысить достоверность выделения областей уплотнения округлой формы, но и оценить относительные размеры уплотнений. Переход к физическим размерам уплотнений осуществляется, используя информацию о размерах эталона к

Автоматизация диагностики достигается использованием в качестве классификатора НС. Однако типовые топологии НС, предназначенные для распознавания образов, не позволяют решить поставленную задачу. Поэтому для идентификации снимков разработана комбинированная модель НС (рис. 3), создан алгоритм ее обучения. Первый слой - это элемент сети радиальных базисных функций (ЯВЕ), каждый из нейронов содержит информацию о кластере обучающей выборки. Второй слой - персептрон прямого распространения (РРР) с бинарной сигмои-дальной функцией ограничения. Он распознает комбинации корреляций входного образа с каждым из кластеров и сопоставляет им выходные значения параметров сети. Для обучения сети использовались растровые изображения шаблонов искомых патологий (изображения 8 бит на пиксель, 80 х 80 точек) и их изолинии.

Моделирование заключалось в определении размеров и характеристик материалов, которые определялись их коэффициентами поглощения. Степень серого в изображении определяла интенсивность радиации, зарегистрированной детектором после прохождения через объект (рис. 4).

Рис. 3. Архитектура гибридной нейросети

Рис. 4, Распределение интенсивности излучения: а- разрешение 0,1 мм; б- разрешение 0.2 мм Результаты вычислительных экспериментов, проведенных для разных комбинаций пластин, показали: можно определить расстояние между пластинами в случае, если разрешающая способность приемника больше, чем измеряемое расстояние; точность определения физической плотности при сделанных допущениях находится в пределах 5 - 7 %.

В пятом разделе выполнено построение системы дистанционного мониторинга и автоматизированной обработки снимков для интеллектуальной поддержки принятия управленческих решений.

В качестве специального математического обеспечения системы используются: алгоритм вычисления физической плотности вещества на основе эталонно-

фотометрического метода; комбинированная процедура сегментации на основе априорной информации о форме и плотности аномального образования; алгоритмы автоматизированного анализа снимков, в т.ч. нейросетевого распознавания образов для выявления аномальных областей.

Предложена архитектура построения интеллектуальной системы мониторинга и автоматизированной идентификации изображений, которую предлагается реализовать, используя технологию облачных вычислений на основе виртуализации. Это позволяет максимально эффективно использовать вычислительные ресурсы, повысить отказоустойчивость на основе отказа от привязки приложения к конкретному аппаратному обеспечению. Кроме того, виртуализация позволяет относительно легко масштабировать модули, добавлять новые алгоритмы работы без изменения аппаратной конфигурации.

Для реализации технологии виртуализации системы обосновано применение программного продукта уЗрИеге компании УГ^аге. Приведен пример реализации концепции для системы обработки рентгеновских изображений.

В заключении диссертации сформулированы основные результаты, полученные при выполнении работы.

В приложении приведены акты о внедрении результатов данной диссертационной работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В работе предложены, разработаны и успешно апробированы критерии, комбинированные алгоритмы автоматизированной идентификации скрытых, завуалированных или зарождающихся структур на зашумленных снимках. При этом получены следующие результаты:

- показано, что существующие методы кластеризации, основанные на позиционной и/или яркостной (плотностной) близости точек изображения, позволяют выделить структурные элементы на снимках только относительно хорошего качества;

- выполнен системный анализ существующих методов обработки снимков для идентификации скрытых структурных элементов в зашумленных изображениях и предложены критерии их распознавания с учетом априорной и апостериорной информации;

- сформированы критерии идентификации выделяемых структур, основанные на их особенностях (форме, взаимном расположении элементов, физической плотности);

- обосновано применение комбинированных алгоритмов для идентификации скрытых или завуалированных структурных элементов на зашумленных снимках;

- для автоматизации процесса сегментации изображения, повышения надежности и помехоустойчивости сегментации предложен комбинированный алгоритм обработки изображений на основе клеточных автоматов, использующий элементы искусственного интеллекта, при этом различные его варианты могут использоваться для сегментации, контрастирования, а также сглаживания;

- разработан комбинированный алгоритм распознавания скрытых технических объектов с учетом доступной геометрической информации об их форме и взаимном расположении, который реализует технологии клеточных автоматов и неокогнитрона и апробирован при идентификации минных полей по снимкам из космоса; при этом в качестве признаков идентификации для минных полей с клеточной структурой предложено использовать числовые значения, характеризующие взаимное расположение

мин, а для минных полей с меньшей степенью организации - распознавание геометрических образов на основе нейронной сети (неокогнигрона);

- поставлена и решена задача автоматизированной идентификации структур по рентгеновским изображениям, включающая структурирование изображения на основе процедур контрастирования, вычисление плотности, кластеризацию структур по признакам плотности и расположения;

- сформирован критерий идентификации объектов на основе вычисления их физической плотности, на базе которого разработаны комбинированные алгоритмы и модели автоматизированного распознавания структурных элементов при дистанционной обработке рентгеновских изображений;

- предложены эталонно-фотометрический метод оценки физической плотности вещества по изображению объекта и его практическая реализация;

- разработана интеллектуальная интернет-технология для автоматизированной идентификации скрытых и завуалированных объектов;

- предложены требования, технические принципы интернет-реализации и архитектура специального математического обеспечения для поддержки принятия управленческих решений в автоматизированной системе идентификации структур на зашумлен-ных изображениях на основе технологии виртуализации и облачных вычислений;

- обосновано применение программного продукта vSphere компании VMware для реализации технологии виртуализации системы обработки зашумленных изображений;

- на основе созданных комбинированных алгоритмов для распознавания аномальных структур на зашумленных изображениях решены практические задачи по выявлению скрытых или завуалированных объектов на снимках.

ПЕРЕЧЕНЬ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в центральных изданиях, включенных в перечень периодических

изданий ВАК РФ

1. Большаков A.A., Булдаков Н С. Синтез интеллектуальных систем дистанционного мониторинга и автоматизированной обработки снимков // Вестник Саратовского государственного технического университета. -2012. - №1 (64). Вып. 2. —С. 12В -132.

2. Большаков A.A., Булдаков Н.С. Построение систем обработки изображений с использованием технологии виртуализации // Вестник Саратовского государственного технического университета - 2011. - №4 (62). Вып. 4. - С. 224 - 228.

3. Большаков A.A., Булдаков Н.С. Использование клеточных автоматов для обработки изображений минных полей // Вестник Саратовского государственного технического университета. - 2010. - №4 (50). Вып. 2. - С. 120 - 124.

Публикации в других изданиях

4. Большаков A.A., Булдаков Н.С. Создание интеллектуальных методов и моделей для дистанционной обработки медицинских изображений // Математические методы в технике и технологиях: сб. тр. XXV Междунар. науч. конф. Т. 9. - Волгоград: Вол-гогр. гос. техн. ун-т, Харьков: Национ. техн. ун-т «ХПИ», 2012. - С. 119 -121.

5. Булдаков Н.С. Серверные решегага для ЦОД // Connect! Мир связи. - 2011. - № В. - С. 62 - 64.

6. Булдаков Н.С., Ланцберг A.B., Султанов С.И. Алгоритмы и технические средства для самостоятельного контроля функционального состояния // Математические методы в технике и технологиях: сб. тр. XXIV Междунар. науч. конф. Т. 2. - Саратов: СГТУ, 2011.-С. 101-103.

7. Булдаков Н.С. Измерение плотности вещества по рентгеновским снимкам для систем автоматизированной диагностики//Новые направления развития приборостроения: тр. 4-й Междунар. науч.-техн. конф. - Минск: БНТУ, 2011. - С. 87 - 88.

8. Булдаков Н.С., Масин М.А., Чефранова И.В. Мобильный терминал системы дистанционного мониторинга состояния человека // Инновации и актуальные проблемы техники и технологий: материалы Всерос. науч.-практ. конф. молодых ученых: в 2 т. -Саратов: СГТУ, 2010. - Т.1. - С. 92 - 94.

9. Булдаков Н.С. Нейросетевая идентификация рентгеновских снимков // Математические методы в технике и технологиях: сб. тр. XXIII Междунар. науч. конф. Т. 6. -Саратов: СГТУ, 2010. - С. 35 - 36.

10. Булдаков Н.С. Метод идентификации минных полей по аэрокосмическим снимкам // Перспективные информационные технологии для авиации и космоса: тр. Междунар. конф. с элементами научной школы для молодежи. - Самара: СГАУ им. С.П. Королева, 2010.-С. 743-747.

11. Булдаков Н.С., Ланцберг A.B. Модельный способ дистанционной оценки функционального состояния человека и его реализация в информационно-измерительном комплексе телемедицины // Инфокоммуникационные технологии в науке, производстве и образовании (Инфоком-3): материалы 3-й Междунар. науч.-техн. конф. Ч. 1. - Ставрополь: Северо-Кавказ. гос. техн. ун-т, 2008. - С. 188 - 194.

12. Булдаков Н.С., Самочетова Н.С., Султанов С.И. Идентификация биосистем по данным электрофизиологических измерений // Идентификация систем и задачи управления: тр. VII Междунар. конф. - М.: ИПУ РАН, 2008. - С. 457 - 464.

13. Булдаков Н.С., Синюшина О.В. Разработка метода количественной оценки плотности вещества для систем автоматизированной обработки рентгеновских снимков // Сб. конкурсн. работ Всерос. смотра-конкурса науч.-техн. творчества студ. высших учебных заведений «Эврика-2008». - Новочеркасск: Оникс+, 2008. - С. 125 - 127.

14. Булдаков Н.С., Синюшина О.В. Метод измерения плотности вещества по рентгеновским снимкам для систем автоматизированной диагностики // Математические методы в технике и технологиях: сб. тр. XXI Междунар. науч. конф. Т. 9. - Саратов: СГТУ, 2008. - С. 128-131.

15. Булдаков Н.С., Коблов A.B., Суятинов С.И. Информационно-измерительный комплекс регистрации и обработки многопараметрической биомедицинской информации // Человеческий фактор в управлении социальными и экономическими системами: сб. тр. Всерос. науч.-практ. конф. - Пенза: ПГСХА, 2006. - С. 139 - 147.

16. Булдаков Н.С. Моделирование сложных систем с помощью клеточных автоматов // Информационные технологии в политическом, социальном и экономическом менеджменте: сб. науч. тр. - Саратов: ПАГС, 2006. - С. 157 - 158.

17. Булдаков Н.С. Комбинированный алгоритм распознавания минных полей на аэрокосмических снимках // Математические методы в технике и технологиях: сб. тр. XVIII Междунар. науч. конф. - Казань: Изд-во КГТУ, 2005. - Т.6. - С. 60 - 63.

Подписано в печать 12.11.2012 Формат 60x84 1/16

Бум. офсет. Усл. печ. л. 1,0 Уч.-изд. л. 1,0

Тираж 100 экз. Заказ 31

ООО «Издательский Дом «Райт-Экспо»

410031, Саратов, Волжская ул., 28 Отпечатано в ООО «ИД «Райт-Экспо» 410031, Саратов, Волжская ул., 28, тел. (8452) 90-24-90

ВВЕДЕНИЕ.

1. ПОСТАНОВКА ЗАДАЧИ АВТОМАТИЗИРОВАННОЙ ИДЕНТИФИКАЦИИ СТРУКТУР НА ОСНОВЕ КОМБИНИРОВАННЫХ МОДЕЛЕЙ, МЕТОДОВ И АЛГОРИТМОВ

1.1. Характеристика процесса идентификации структурных элементов как объекта исследования.

1.1.1. Цели и задачи идентификации структурных элементов

1.1.2. Формирование характеристического вектора признаков

1.2. Обзор методов обработки изображений для идентификации структурных элементов.

1.2.1. Предварительная обработка изображений.

1.2.2. Методы структурирования изображений.

1.2.3. Методы кластеризации структурных элементов.

1.3. Описание особенностей автоматизированной идентификации структурных элементов на зашумленных снимках.

1.3.1. Анализ подходов к распознаванию изображений.

1.3.2. Выбор программно-технических решений по созданию автоматизированной системы идентификации структур

1.4. Постановка цели диссертационного исследования.

Выводы по разделу 1.

2. РАЗРАБОТКА ОБЩЕГО КОМБИНИРОВАННОГО АЛГОРИТМА И АПРОБАЦИЯ ПРИ ИДЕНТИФИКАЦИИ СТРУКТУР НА

СНИМКАХ ЗЕМНОЙ ПОВЕРХНОСТИ.

2.1. Разработка общего комбинированного алгоритма и критериев идентификации зашумленных структурированных изображений

2.2. Описание задач распознавания структур при аэрофотосъемке

2.3. Анализ особенностей задачи распознавания минных полей по снимкам из космоса.

2.3.1. Проблемы идентификации мин по снимкам.

2.3.2. Клеточные автоматы в обработке изображений.

2.4. Разработка алгоритма предварительной обработки изображений на основе клеточных автоматов.

2.4.1. Низкочастотная фильтрация.

2.4.2. Контрастирование.

2.4.3. Приведение изображения к бинарной форме.

2.4.4. Формирование кластеров.

2.4.5. Нормализация размеров кластеров.

2.5. Создание методов распознавания мин в зависимости от способа их установки.

2.6. Построение программного комплекса для исследования методов и алгоритмов обработки изображений.

Выводы по разделу 2.

3. АНАЛИЗ МОДЕЛЕЙ И МЕТОДОВ ИДЕНТИФИКАЦИИ

СТРУКТУР РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ.

3.1. Описание и анализ предметной области.

3.2. Характеристика основных подходов к идентификации структур по рентгеновским снимкам.

3.2.1. Выделение контуров объекта.

3.2.2. Анализ статистических характеристик объектов на снимке

3.2.3. Сравнение растровых фрагментов изображения.

3.3. Описание способов измерения рентгенографической плотности среды для идентификации аномальных структур.

3.3.1. Непосредственное измерение.

3.3.2. Временное вычитание.

3.3.3. Энергетическое вычитание.

3.3.4. Измерение с использованием контрастного вещества.

3.4. Анализ и модификация моделей преобразования информативных параметров при получении и анализе снимка

3.5. Постановка задачи автоматизированной идентификации структур по рентгеновским изображениям.

Выводы по разделу 3.

4. СОЗДАНИЕ КОМБИНИРОВАННЫХ МЕТОДОВ И МОДЕЛЕЙ

ДЛЯ ДИСТАНЦИОННОЙ ОБРАБОТКИ СНИМКОВ.

4.1. Синтез алгоритма автоматизированного анализа снимков и выявления структурных элементов.

4.2. Создание алгоритма вычисления физической плотности вещества.

4.3. Разработка комбинированного метода сегментации на основе априорной информации о форме и плотности аномального образования.

4.3.1. Нейросетевая идентификация аномальных структур.

4.3.2. Выбор функций принадлежности.

4.3.3. Анализ результатов экспериментальных исследований по верификации метода и практической оценки его точности

4.4. Разработка требований и принципов построения распределенной системы автоматизированной обработки снимков.

Выводы по разделу 4.

5. СИНТЕЗ СИСТЕМ ДИСТАНЦИОННОГО МОНИТОРИНГА И

АВТОМАТИЗИРОВАННОЙ ОБРАБОТКИ СНИМКОВ ДЛЯ

ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ

УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ.

5.1. Описание задач системы дистанционного мониторинга и автоматизированной обработки снимков.

5.2. Синтез комбинированных методов и моделей автоматизированной идентификации структур в Web-системах обработки изображений.

5.3. Анализ предложенной типовой архитектуры системы дистанционного мониторинга.

5.4. Создание методов построения виртуальной архитектуры системы дистанционного мониторинга и автоматизированной обработки снимков.

5.4.1. Разработка структурной модели интеллектуальной системы мониторинга и обработки изображений.

5.4.2. Характеристика особенностей применения технологии виртуализации.

5.5. Выбор и обоснование программно-аппаратного обеспечения системы.

Выводы по разделу 5.

Актуальность темы. Многие современные технические задачи связаны с распознаванием и принятием решений о внутренней структуре объектов, с дистанционным мониторингом состояния систем на основе обработки визуальных образов. При этом возникает необходимость обработки изображений, которой посвящено большое количество зарубежных и отечественных работ. Принимаемые решения часто основываются на идентифицируемых структурных элементах и их свойствах, полученных по результатам анализа снимков (Chino S., Christoyianni I., DeCartel J.M., Dermatas E., Duda R.O., Fujimura S., Gonzalez R.C., Keyes W.I., Kokkinakis G., HanaizumiH., Hart P.E., RoeR.W., Stork D.G., SurduJ.R., Абакумов A.A., Вайнберг Э.И., Галушков А.И., Горбунов В.В., Дудкин A.A., Игнатьев A.A., Казак И.А., Курозаев В.П., НазировР.Р., СадыховР.Х., Соколов В.А., Шорин М.В. и др.).

Однако существующие системы обработки изображений успешно функционируют только при использовании качественных, контрастных снимков. В случае расплывчатых, зашумленных или низкоконтрастных изображений они обычно характеризуются низкой точностью выявления структур, что не позволяет в полной мере реализовать возможности традиционных методов идентификации снимков, в т.ч. алгоритмов сегментации аномальных структурных элементов. Задача усложняется в случае поиска или идентификации скрытых, завуалированных или зарождающихся структур (охраняемые объекты, минирование местности, возникновение патологии в биосистемах и др.). В этом случае необходимо использовать всю доступную информацию для принятия решения о возможном нахождении идентифицируемых структур на изображении.

В настоящее время существуют работы, в которых авторы для обработки неструктурированной информации предлагают использовать нейросетевые методы (Большаков A.A., Бровкова М.Б., Колентьев C.B., Макаренко A.A., Миркес Е.М., Ососков Г.А., Стадник A.B., Суятинов С.И., Федяев О.И. и др.). Однако открытыми остаются вопросы выбора критериев идентификации и разработки интеллектуальных технологий для автоматизированного распознавания зашумленных изображений. Кроме того, для повышения точности идентификации и эффективности принятия решений следует применять не только методы и модели искусственного интеллекта, но и расширенный вектор признаков, включающий доступную априорную информацию, например, о форме анализируемых структурных элементов, о физической плотности вещества и т.д., что позволит существенно повысить информативность визуальных данных. Следовательно, возникает необходимость создания более совершенных систем обработки изображений, способных относительно быстро и правильно распознавать структурные элементы на снимках различного качества.

Развитие сетевых технологий и совершенствование средств передачи данных создали основу для построения нового поколения систем распознавания изображений - \¥еЬ-ориентированных систем дистанционного мониторинга состояния объекта и анализа полученных изображений, однако их практическая реализация требует обработки значительного объема информации. В случае автоматизированной идентификации скрытых структур на зашумленных снимках эта проблема обостряется. Поэтому для снижения вычислительных затрат и реализации автоматизированного распознавания возможных структурных элементов на исследуемых снимках целесообразно применить современные технологии виртуализации и облачных вычислений, комбинированные модели и алгоритмы.

Сказанное обусловливает актуальность темы диссертационного исследования, которое соответствует приоритетным направлениям развития науки, технологий и техники РФ «Информационно-телекоммуникационные системы».

Целью работы является повышение эффективности распознавания структурных элементов на зашумленных изображениях на основе комбинированных алгоритмов, используемых в системах поддержки принятия управленческих решений в автоматизированных системах обработки изображений.

Для реализации цели необходимо решить следующие задачи: 1) выполнить анализ существующих методов обработки изображений (снимков) для идентификации структурных элементов;

2) сформировать критерии идентификации выделяемых структур;

3) разработать комбинированные алгоритмы распознавания структур на снимках;

4) создать методику интеллектуальной поддержки для принятия управленческих решений в автоматизированных системах обработки изображений;

5) разработать специальное математическое и программное обеспечение для автоматизированной системы идентификации структурных элементов на зашумленных изображениях;

6) апробировать предложенные интеллектуальные технологии обработки изображений при решении практических задач.

Объектом исследования являются плохо структурированные и зашумленные изображения.

Предмет исследования - комбинированные модели, методы и алгоритмы распознавания различных структур на зашумленных изображениях.

Методы исследования. При решении поставленных задач в работе использовались системный анализ, теория управления, методы теории идентификации и распознавания образов, методы и алгоритмы обработки изображений, в т.ч. фильтрации, контрастирования, сегментации, кластеризации и др., метод клеточных автоматов, нейросетевые технологии.

Научная новизна работы:

- разработаны критерии распознавания скрытых структурных элементов в зашумленных изображениях, отличающиеся учетом доступной априорной и апостериорной информации, что позволило разработать комбинированные алгоритмы дистанционной обработки снимков;

- предложены комбинированные алгоритмы распознавания скрытых технических объектов, отличающиеся использованием технологий клеточных автоматов и неокогнитрона, что позволило учесть доступную геометрическую информацию о форме и взаимном расположении структурных элементов;

- создан комбинированный алгоритм идентификации структурных изображений на рентгеновских снимках, отличающийся использованием количественной оценки рентгеноскопической плотности среды, кластеризации структур по признакам плотности изображения, нейронных сетей, что позволило разработать соответствующее специальное математическое обеспечение для поддержки управленческих решений в дистанционных автоматизированных системах обработки изображений;

- построена архитектура специального математического обеспечения для поддержки принятия решений в автоматизированных системах мониторинга и обработки изображений, отличающаяся использованием комбинированных алгоритмов идентификации структур на зашумленных снимках, что позволило предложить интеллектуальную интернет-технологию автоматизированной идентификации скрытых и завуалированных объектов с применением виртуализации и облачных вычислений.

Практическая ценность работы заключается в создании комбинированных алгоритмов распознавания возможных аномальных и регулярных структур на зашумленных изображениях, что позволяет решать различные практические задачи по выявлению скрытых или завуалированных объектов на снимках. Предложенный комбинированный алгоритм распознавания скрытых технических объектов апробирован при идентификации минных полей по снимкам из космоса.

Реализация согласно выявленным требованиям и предложенным принципам создания интеллектуальных систем дистанционного мониторинга и автоматизированной обработки снимков позволит повысить эффективность принятия управленческих решений по зашумленным изображениям. Результаты диссертации используются в учебном процессе различных вузов г. Саратова.

Достоверность и обоснованность результатов диссертационного исследования подтверждаются результатами компьютерного моделирования; успешным использованием полученных результатов в различных организациях; соответствием основных теоретических положений и выводов практическим результатам, полученным на основе разработанных моделей и алгоритмов.

Апробация работы. Основные результаты работы обсуждались на Международных научно-технических конференциях: «Математические методы в технике и технологиях» (Казань, 2005; Саратов, 2008, 2010, 2011; Харьков, 2012); «Информационные технологии в политическом, социальном и экономическом менеджменте» (Саратов, 2006); «Человеческий фактор в 9 управлении социальными и экономическими системами» (Пенза, 2006); «Идентификация систем и задачи управления» (Москва, 2008); «Инфокоммуникационные технологии в науке, производстве и образовании» (Новочеркасск, 2008); «Перспективные информационные технологии для авиации и космоса» (Самара, 2010); «Инновации и актуальные проблемы техники и технологий» (Саратов, 2010); «Новые направления развития приборостроения.» (Минск, 2011).

Исследования поддержаны Государственным фондом содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодежного научно-инновационного конкурса -У.М.Н.И.К.», по проекту «Разработка метода количественной оценки плотности вещества для систем автоматизированной обработки рентгеновских снимков» (выполнение в период 2009-2010 гг.).

На защиту выносятся:

1) критерии идентификации скрытых и завуалированных структур снимков, основанные на характеристиках формы, взаимном расположении элементов и физической плотности;

2) комбинированный алгоритм идентификации структур на снимках земной поверхности на основе технологий клеточных автоматов и неокогнитрона;

3) метод оценки физической плотности вещества по изображению объекта;

4) комбинированный алгоритм для дистанционной обработки рентгеновских изображений;

5) архитектура системы интеллектуальной поддержки при принятии решений в системе дистанционного мониторинга и автоматизированной обработки снимков, а также технические принципы ее интернет-реализации.

Публикации. Основные результаты диссертационной работы изложены в 17 опубликованных печатных работах (в т.ч. 3 статьи в центральных журналах, 14 статей в материалах Международных и Всероссийских конференций).

Структура и объем диссертации. Диссертация состоит из введения, пяти разделов, заключения, списка использованной литературы и приложения. Работа изложена на 168 страницах машинописного текста, содержит 47 рисунков и 3 таблицы, список литературы включает 126 наименований.

Выводы по разделу 5

1. С развитием разнообразных систем дистанционного мониторинга постоянно расширяется и сфера применения систем обработки изображений. Поэтому требуются интегрированные распределенные системы сбора, передачи и обработки данных, способные реализовывать дистанционный мониторинг исследуемых объектов, а также автоматизированную идентификацию их изображений.

2. Реализация созданной комбинированной технологии автоматизированной идентификации структур в системах дистанционного мониторинга и обработки снимков позволит повысить эффективность принятия решений по зашумленным изображениям.

3. В качестве специального математического обеспечения системы используются: алгоритм вычисления физической плотности вещества на основе эталонно-фотометрического метода; комбинированный метод сегментации на основе априорной информации о форме и плотности аномального образования; алгоритмы автоматизированного анализа снимков, в т.ч. нейросетевого распознавания образов для выявления аномальных областей.

4. Предложенную концепцию построения интеллектуальной системы мониторинга и автоматизированной идентификации изображений можно реализовать, используя технологию облачных вычислений на основе виртуализации.

5. Для реализации технологии виртуализации системы обосновано применение программного продукта vSphere компании VMware.

152

ЗАКЛЮЧЕНИЕ

В работе предложены, разработаны и успешно апробированы критерии, комбинированные методы, модели и алгоритмы автоматизированной идентификации скрытых, завуалированных или зарождающихся структур на зашумленных снимках. При этом получены следующие результаты:

- показано, что существующие методы кластеризации, основанные на позиционной и/или яркостной (плотностной) близости точек изображения, позволяют выделить структурные элементы на снимках только относительно хорошего качества;

- выполнен системный анализ существующих методов обработки снимков для идентификации скрытых структурных элементов в зашумленных изображениях и предложены критерии их распознавания с учетом априорной и апостериорной информации;

- сформированы критерии идентификации выделяемых структур, основанные на их особенностях (форме, взаимном расположении элементов, физической плотности);

- обосновано применение комбинированных методов для идентификации скрытых или завуалированных структурных элементов на зашумленных снимках;

- для автоматизации процесса сегментации изображения, повышения надежности и помехоустойчивости сегментации предложен комбинированный метод обработки изображений на основе клеточных автоматов, использующий элементы искусственного интеллекта. Различные его варианты могут использоваться для сегментации, контрастирования, а также сглаживания;

- разработаны комбинированные методы распознавания скрытых технических объектов с учетом доступной геометрической информации об их форме и взаимном расположении, который реализует технологии клеточных автоматов и неокогнитрона и апробирован при идентификации минных полей по снимкам из космоса;

- в качестве признаков идентификации для минных полей с клеточной структурой предложено использовать числовые значения, характеризующие взаимное расположение мин, а для минных полей с меньшей степенью организации - метод распознавания геометрических образов на основе нейронной сети (неокогнитрона);

- поставлена и решена задача автоматизированной идентификации структур по рентгеновским изображениям, включающая структурирование изображения на основе алгоритмов контрастирования, вычисление плотности, кластеризацию структур по признакам плотности и расположения;

- сформирован критерий идентификации объектов на основе вычисления их физической плотности, на базе которого разработаны комбинированные методы и модели автоматизированного распознавания структурных элементов при дистанционной обработке рентгеновских изображений;

- предложены эталонно-фотометрический метод оценки физической плотности вещества по изображению объекта, а также его практическая реализация;

- разработана интеллектуальная интернет-технология для автоматизированной идентификации скрытых и завуалированных объектов;

- предложены требования, технические принципы интернет-реализации и архитектура специального математического обеспечения для поддержки принятия управленческих решений в автоматизированной системе идентификации структур на зашумленных изображениях на основе технологии виртуализации и облачных вычислений;

- обосновано применение программного продукта уБрЬеге компании УМ\уаге для реализации технологии виртуализации системы обработки зашумленных изображений;

- на основе созданных комбинированных моделей, методов и алгоритмов для распознавания аномальных структур на зашумленных изображениях решены практические задачи по выявлению скрытых или завуалированных объектов на снимках.

1. Бутаков Е.А., Островский В.И., Фадеев Л.И. Обработка изображений на ЭВМ. М.: Радио и связь, 1987. - 236 с.

2. Гинзбург В.И. Формирование и обработка изображений в реальном времени. М.: Радио и связь, 1986. - 312 с.

3. Методы компьютерной обработки изображений / под ред. В.А. Сойфера. -М.: Физматлит, 2001. 784 с.

4. Гонсалес Р., Вудс Р. Цифровая обработка изображений: пер. с англ. / под ред. П.А. Чочиа. М.: Техносфера, 2005. - 1072 с.

5. Катыс Г.П. Обработка визуальной информации. М.: Машиностроение, 1990. -320 с.

6. Перспективы цифровой рентгенографии в диагностике сердечнососудистых заболеваний / А.О. Антонов, О.С. Антонов, Н.Т. Пак и др. // Патология кровообращения и кардиохирургия. 2003. - №1. - С. 91-94.

7. Габуния Р.И., Колесникова Е.К., Туманов Л.Б. Компьютерная томография органов грудной клетки // Вестник рентгенологии. 1983. - №1. - С. 12-18.

8. Магнитный интроскоп для оперативного обнаружения скрытых дефектов ферромагнитных объектов / A.A. Абакумов, A.A. (мл.) Абакумов, А.И. Галушков, М.В. Шорин // Контрольно-измерительные приборы и системы. -2000. -№1. С. 28-30.

9. Вайнберг Э.И., Казак И.А., Курозаев В.П. Точность воспроизведения пространственной структуры контролируемого объекта в рентгеновской промышленной томографии // Дефектоскопия. 1980. - № 10. - С. 5-8.

10. Ю.Литвинов В.И., Мороза A.M. Лабораторная диагностика туберкулеза. -М.: МНПЦБТ, 2001. 184 с.

11. П.Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений. СПб.: СПбГУ ИТМО, 2008. - 192 с.

12. Christoyianni I., Dermatas E., Kokkinakis G. Neural classification of abnormal tissue in digital mammography using statistical features of the texture // IEEE Engineering in Medicine and Biology, 1995. P. 535-538.

13. De Parades. Radiographic breast anatomy: radiological signs of breast cancer // Papers of 79th Scientific Assembly of the Radiological Society of North America, 1993.-P. 35-40.

14. Бобровник Ю.А. Реконструктивная вычислительная томография -эффективный метод визуализации // Диагностика и прогнозирование сварочных конструкций. 1986. - №2. - С. 56-64.

15. Гинтов О.Б. Полевая тектонофизика и ее применение при изучении деформаций земной коры Украины. Киев: Феникс, 2005. - 572 с.

16. Геологический словарь: в 2 томах/ Х.А. Арсланова, М.Н. Голубчина, А.Д. Искандерова и др.; под ред. К.Н. Паффенгольца. 2-е изд., испр. - М.: Недра, 1978.-486 с.

17. Прэтт У. Цифровая обработка изображений. Т. 1,2.- М.: Мир, 1982. 791 с.19.3асухин Е.А. Способ распознавания графического образа материальногообъекта. Патент РФ. № 92010391, МКИ 6 G 06. К 9/00.

18. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. М.: Высшая школа, 1983. - 295 с.

19. DeCartel J.M., Surdu J.R. Practical recognition vehicles in FLIR // In. Proc. SPIE, Automatic Object Recognition V, 1995. Vol. 2485. - P. 200-210.

20. Roe R.W., Keyes W.I. Application of a distance-based method for analyzing spatial patterns to the analysis of radionuclide tomograms // Practical radiology, 1981.-Vol. 14. -No. 1-6.- P. 11-15.

21. Дуда P., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. - 511 с.

22. Duda R.O., Hart P.E., Stork D.G. Pattern classification (2nd Edition). New York: Wiley-Interscience, 2001.- 738 p.

23. De Parades. Radiographic breast anatomy: radiological signs of breast cancer // Papers of 79th Scientific Assembly of the Radiological Society of North America, 1993.-P. 35-40.

24. Меденников П.А., Павлов Н.И. Способ идентификации материальных объектов. Патент РФ. № 2163394, МКИ 7 G 06. К 9/00. - Заявка № 99106435/09, заявл. 29.03.1999.

25. Жирин В.М., Князева С.В., Эйдлина С.П. Использование материалов съемок при оценке восстановительной динамики лесов на равнинных территориях // Современные проблемы дистанционного зондирования Земли из космоса. 2011. - Т.8, № 2. - С. 208-216.

26. Соколов В.А. Выбор апертуры при обработке тепловизионных изображений // Известия ТулГУ. Серия Вычислительная техника. Информационные технологии. Системы управления. 2004. - Т. 1, вып. 1. - С. 145-152.

27. Методы компьютерной обработки изображений / под. ред. В.А. Сойфера. М.: Физматлит, 2003. - 784 с.

28. Красильников Н.Н. Цифровая обработка изображений. М.: Вузовская книга, 2001. - 320 с.

29. Садыхов Р.Х., Дудкин А.А. Обработка изображений и идентификация объектов в системах технического зрения // Искусственный интеллект. -2006. -№3,- С. 694-703.

30. Техническое зрение в системах управления мобильными объектами: труды науч.-техн. конф.-семинара. Вып. 4 / под ред. P.P. Назирова. М.: КДУ, 2011.- 328 с.

31. Frederick Hoare, Gerhard de Jager. Model based segmentation of medical x-ray images // IEEE Transactions on Medical Imaging, 1989. Vol.8. - P. 154.

32. Hanaizumi H., ChinoS., Fujimura S. A Binary Division Algorithm for Clustering Remotely Sensed Multispectral Images // IEEE Transactions Instrumentation and Measurement, 1995. Vol. 44. - P. 759-763.

33. Sherrier R.A., Johnson G. Regionally adaptive histogram equalization of the chest. // IEEE Transactions on Medical Imaging, 1987,- Vol. Ml-6. P. 1-7.

34. Тоффоли Т., Марголус H. Машины клеточных автоматов. М.: Мир, 1991. - 280 с.

35. Булдаков Н.С. Моделирование сложных систем с помощью клеточных автоматов // Информационные технологии в политическом, социальном и экономическом менеджменте: сб. науч. трудов. Саратов: ПАГС, 2006. -С. 157-158.

36. Xing Y., HudaW., LaineA.F. Comparison of a dyadic wavelet image enhancement algorithm with unsharp masking and median filtering // SPIE Proceedings: Medical Imaging Image Processing, San Diego, 1995. - Vol. 2434, CA. - P. 718-729.

37. Добеши И. Десять лекций по вейвлетам. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.

38. Лангем М.М., Новиков Н.А. Сегментация изображений на основе описаний кластеров структурированными гауссовыми смесями // Техническое зрение в системах управления мобильными объектами. -2011.-Вып. 4.-С. 291-302.

39. Bajcsy P., Ahuja N. Location- and Density-Based Hierarchical Clustering Using Similarity Analysis // Short Papers of IEEE Transactions on pattern analysis and machine intelligence. 1998. - Vol. 20, №9. - P. 1011-1015.

40. Contour and Texture Analysis for Image Segmentation / J. Malik, S. Belongie, Th. Leung, J. Shi // Intern. J. Computer Vision. 2001. - Vol. 43. - N. 1. - P. 7-27.

41. Булдакова Т.И., Колентьев C.B, Суятинов С.И. Алгоритм оценки относительной плотности тканей по рентгеновским снимкам с использованием вейвлет-анализа // Вестник новых медицинских технологий. 2003. - № 1. - С. 6-8.

42. Bajcsy P., AhujaN. Uniformity and Homogenity Based Hierarchical Clustering // Proceedings of thirteenth Int'l Conference on Pattern Recognition, Vienna, Austria. 1996. - Vol. B. - P. 96-100.

43. Алгоритм анализа и принятия решения в задаче селекции объектов на изображениях наземных сцен / Ю.Б. Блохинов, В.В. Гнилицкий,

44. B.В. Инсаров, А.С. Чернявский // Техническое зрение в системах управления мобильными объектами. 2011. - Вып. 4. - С. 92-108.

45. Люггер Д.Ф Искусственный интеллект: стратегии и методы решения сложных проблем: пер. с англ. М.: Издат. дом «Вильяме», 2003. - 864 с.

46. Павлидис Т. Алгоритмы машинной графики и обработки изображений. -М.: Радио и связь, 1986. 400 с.

47. Миркес Е.М. Нейроинформатика. Красноярск: ИПЦ КГТУ, 2002. - 347 с.

48. Watanabe S. Pattern Recognition: Human and Mechanical. New York: Wiley, 1985.-570 p.

49. Canfield K. Improving interorganizational data interchange for drug development // Comput. Biol. Med. 1999. - №29. - P. 89-99.

50. Черняк JI. Облака: три источника и три составных части // Открытые системы. 2010. -№ 1.-С. 12-15.

51. Использование методов дистанционного зондирования в операциях по гуманитарному разминированию / С.И. Ивашов, В.В. Разевиг, P.P. Илющенко и др. // Наукоёмкие технологии. -2002. №6. - С. 27-42.

52. Горелик А.Л., Скрипкин В.А. Методы распознавания: 3-е изд., перераб. и доп. М.: Высшая школа, 1989. - 232 с.

53. Preston К. Basics of cellular logic // Proceedings of the IEEE. 1979. - Vol 67.- №5. P. 833-847.

54. Fukushima K. Analysis of the process of visual pattern recognition by Neocognitron // Neural Networks. 1987. - Vol. 2. - P. 413-420.

55. Fukushima K., Miyake S., Takayuki I. Neocogitron: A neural network model for a mechanism of visual pattern recognition // IEEE Transaction on Systems, Man and Cybernetics. 1983. - Vol. SMC-13(5). - P. 826-834.

56. Круглов B.B., Борисов B.B. Искусственные нейронные сети. М.: Горячая линия - Телеком, 2001.-382с.

57. Большаков А.А., Булдаков Н.С. Использование клеточных автоматов для обработки изображений минных полей // Вестник Саратовского государственного технического университета. 2010. - №4 (50). Вып. 2. -С.120-124.

58. Булдаков Н.С. Комбинированный алгоритм распознавания минных полей на аэрокосмических снимках // Математические методы в технике и технологиях: сб. трудов XVIII Междунар. науч. конф. Казань: Изд-во КГТУ, 2005.-Т.6.-С. 60-63.

59. Антонов А.О., Антонов О.С., Виноградова Е.В. Цифровые диагностические изображения. Практический опыт применения цифровых технологий в медицине // Бюллетень Сибирского отделения РАМН, 1999.- №1(91). С. 127-131.

60. Suyatinov S.I., Kolentev S.V. Criteria of identification of the medical images. -SPIE Proceeding. 2003. - Vol. 5067. - P. 148-153.

61. Рентгенотехника: справочник / под общ. ред. В. В. Клюева. М.: Машиностроение, 1992. - 480 с.

62. Автоматизация разделения рентгенограмм на «норму» и «патологию» / А.О. Антонов, О.С. Антонов, Д.К. Мантула, А.Г. Хабахпашев // Вестник рентгенологии. 1992. - № 2. - С. 17-18.

63. Вайнберг Э. И., Казак И. А., Курозаев В. П. Точность воспроизведения пространственной структуры контролируемого объекта в рентгеновской промышленной томографии // Дефектоскопия. 1980. - № 10. - С. 5-8.

64. Воробьев В.А., Горшков В.А., Сырков В.Б. Оценка плотности материала по обратно рассеянному гамма-излучению // Дефектоскопия. 1993. -№9.-С. 33-35.

65. Hoare F., Jager G. Model based segmentation of medical x-ray images // IEEE Transactions on Medical Imaging. 1989. - Vol. 8. - P. 154-160.

66. Распознавание образов и медицинская диагностика / под ред. Ю.И. Неймарка. М.: Наука, 1972. - 328 с.

67. Sezan M.I., Tekalp A.M., Schaetzing R. Automatic anatomically selective image enhancement in digital chest // IEEE Transactions on Medical Imaging. -1989.-Vol. 8.-P. 154-162.

68. Sherrier R.A., Johnsos G. Regionally histogram equalization of the chest // IEEE Transactions on Medical Imaging. 1987. - Vol. 6. - P. 1-7.

69. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. -М.: Машиностроение, 1990. 320 с.

70. Опенгейм Э. Применение цифровой обработки сигналов.—М.: Мир, 1980. 550 с.

71. Hall E.L., Kruger R.P., Dwyer S.J. A survey of preprocessing and feature extraction techniques for radiographic images // TC. 1971. - Vol. 20. - № 9. -P. 1032- 1041.

72. Осовский С. Нейронные сети для обработки информации: пер. с польск. ИД. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

73. Системы искусственного интеллекта / В.А. Чулюков, И.Ф. Астахова, А.С. Потапов и др. М.: БИНОМ. Лаборатория знаний, 2008. - 292 с.

74. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2004. - 424 с.

75. Пароль Н.В., Кайдалов С.А. Фоточувствительные приборы и их применение. М.: Радио и связь, 1991. - 112 с.

76. Ишанин Г.Г. Приемники излучения оптических и оптико-электронных приборов. Л.: Машиностроение, 1986. - 175 с.

77. Ишанин Г.Г., Мальцева Н.К., Мусяков В.Л. Источники и приемники излучения: пособие по решению задач. СПб.: СПбГУ ИТМО, 2006. - 85 с.

78. Уэбб С. Физика визуализации изображений в медицине. Т. 1. М.: Мир, 1991.-552 с.

79. Сизиков B.C. Устойчивые методы обработки результатов измерений: учеб. пособие. СПб.: Изд-во «СпецЛит», 1999. - 240 с.

80. Яворский Б.М., Пинский A.A. Основы физики. Т. 2. М.: Физматлит, 2000. - 576 с.

81. Аксеенко М.Д., Бараночников М.Л. Приемники оптического излучения. -М.: Радио и связь, 1987. 296 с.

82. Аниконов Д.С., Ковтанюк А.Е., Прохоров И.В. Использование уравнения переноса в томографии. М.: Логос, 2000. - 224 с.

83. Бабак В.П. Автоматизированные системы неразрушающего контроля на базе ЭВМ. М.: Машиностроение, 1986. - 346 с.

84. Белокуров И.П., Коваленко В.А. Дефектоскопия материалов и изделий. -Киев: Техника, 1989. 192 с.

85. Беллман Р. Математические методы в медицине. М.: Мир, 1987. - 200 с.

86. Колентьев C.B. Программный комплекс для вычисления относительной рентгенографической плотности // Состояние и проблемы измерений: труды 8-й Всерос. науч.-техн. конф. Ч. 2. М.: МГТУ им. Н. Э. Баумана, 2002.-С. 8-10.

87. An introduction to evaluating biométrie systems / P.J.Phillips, A.Martin, C.L. Wilson, M. Przybocki // Computer. 2000. - Vol. 33. - № 2. - P. 56-63.

88. Cherian Т., Mulholland E.K., Carlin J.B. Standardized interpretation of paediatric chest radiographs for the diagnosis of pneumonia in epidemiological studies // Bulletin of the World Health Organization. 2005. - Vol. 83. - P. 353-359.

89. Chapman W.W., Fiszman M., Frederick P.R. Quantifying the Characteristics of Unambiguous Chest Radiography Reports in the Context of Pneumonia // Academic Radiology. 2001. - Vol. 8. - P. 57-66.

90. Рекомендации по протоколированию рентгенологического исследования легких // Радиология-Практика. 2000. - № 2. -С. 18-20.

91. Database design and implementation for quantitative image analysis research / M. Brown, S.K. Shah, R.C. Pais et al. // IEEE Trans. Inf. Technol. Biomed. -2005. Vol. 9, No. 1. - P. 99-108.

92. Multiple sclerosis medical image analysis and information management / L. Liu, D. Meier, M. Polgar-Turcsanyi et al. // J. Neuroimag. 2005. - Vol. 15. -P. 103S-107S.

93. Method and system for enhancement and detection of abnormal anatomic regions in a digital image / K. Doi, G. Willowbrook, H.-P. Chan, L. MaryeUen. Patent USA № 4,907,156. -МКИА61В 6/12; G06K 9/46; НКИ 364/413.13; 382/19.

94. Binkowskia M. The analysis of densitometry image of bone tissue based on computer simulation of X-ray radiation propagation through plate model // Computers in Biology and Medicine. 2007. - Vol. 37. - P. 245-250.

95. Булдаков Н.С., Самочетова Н.С., Суятинов С.И. Идентификация биосистем по данным электрофизиологических измерений // Идентификация систем и задачи управления: труды VII Междунар. конф. М.: ИЛУ РАН, 2008. - С.457-464.

96. Нейроинформатика / A.M. Горбань, B.JI. Дунин-Барковский, А.Н. Кидрин и др. Новосибирск: Наука, 1998. - 296 с.

97. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: учеб. пособие для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 320 е., ил. (Сер. Информатика в техническом университете).

98. Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2001. - 287 с.

99. Булдаков Н.С. Нейросетевая идентификация рентгеновских снимков // Математические методы в технике и технологиях: сб. трудов XXIII Междунар. науч. конф. Т. 6. Саратов: СГТУ, 2010. - С.35-36.

100. Абраменкова И.В., Шатхин М.Р. Нейро-нечеткие методы прогнозирования в онкологии // Вестник новых информационных технологий. 2002. - Т.9. №4. - С.91-92.

101. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. -М.: Физматлит, 2002. 256 с.

102. Методы робастного, нейро-нечеткого и адаптивного управления / под ред. Н.В. Егунова. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 744 с.

103. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия -Телеком, 2004. - 252 с.

104. Булдаков Н.С. Измерение плотности вещества по рентгеновским снимкам для систем автоматизированной диагностики // Новые направления развития приборостроения: труды 4-й Междунар. науч.-техн. конф. -Минск: БНТУ, 2011. С. 87-88.

105. Вопросы создания Единого информационного пространства в системе здравоохранения РАН / Н.Г. Гончаров, Я.И. Гулиев, Ю.В. Гуляев и др. //

106. Информационные технологии и вычислительные системы. 2006. - № 4. -С. 83-94.

107. Doughty К., Cameron К., Garner P. Three generations of telecare of elderly // J. Telmed. Telecare. 1996. - Vol. 2, no. 2. - P. 71-80.

108. Johnson P., Andrews D.C. Remote continuous physiological monitoring in the home // J. Telmed. Telecare. 1996. - Vol. 2, no. 2. - P. 107-113.

109. A home telecare management system / MJ. Rodriguez, M.T. Arredondo // J. Telmed. Telecare. 1995. - Vol. 1, no. 2. - P. 86-94.

110. The electronic doctor (TED) A home telecare system / G.Williams, P.J. King, A.M. Capper, K. Doughty // Proc. 18th IEEE Annu. EMBS Int. Conf. - Amsterdam, The Netherlands. - Oct. 31-Nov. 3, 1996. - Vol. 1. - P. 53-54.

111. Bai J. The design and preliminary evaluation of a home electrocardiography and blood pressure monitoring network // J. Telmed. Telecare. 1996. - Vol. 2, no. 2. - P. 100-106.

112. Manickam S., Abidi A. Extracting clinical cases from XML-cased electronic patient records for use in web-based medical case based reasoning systems // Proc. Medinfo. 2001. - P. 643-647.

113. Булдаков H.C., Ланцберг A.B., Суятинов С.И. Алгоритмы и технические средства для самостоятельного контроля функционального состояния //

114. Математические методы в технике и технологиях: сб. трудов XXIV Междунар. науч. конф. Т. 2. Саратов: СГТУ, 2011. - С. 101-103.

115. Большаков A.A., Булдаков Н.С. Построение систем обработки изображений с использованием технологии виртуализации // Вестник Саратовского государственного технического университета. 2011. - №4 (62). Вып. 4.-С. 224-228.

116. Булдаков Н.С. Серверные решения для ЦОД // Connect! Мир связи. -2011. -№ 8.-С. 62-64.

117. Большаков A.A., Булдаков Н.С. Синтез интеллектуальных систем дистанционного мониторинга и автоматизированной обработки снимков // Вестник Саратовского государственного технического университета. 2012. - №1 (64). Вып. 2. - С. 128 - 132.