автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.13, диссертация на тему:Разработка и исследование системы идентификации и цифровой обработки изображений на основе многопроцессорных вычислительных систем

ГОСУДАРСТВЕННЫЙ КОМИТЕТ РОССИЙСКОЙ ФЕДЕРАЦИИ МИНИСТЕРСТВО ОБЩЕГО И ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

ТАГАНРОГСКИЙ ГОСУДАРСТВЕННЫЙ РАДИОТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

На правах рукописи УДК 681.32(075)

Костюгс Андрей Иванович

РАЗРАБОТКА И ИССЛЕДОВАНИЕ СИСТЕМЫ ИДЕНТИФИКАЦИИ И ЦИФРОВОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МНОГОПРОЦЕССОРНЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ

Специальности: 05.13.13 - Вычислительные машины, комплексы, системы и сети. 05.13.14 - Систем!,I обработки информации и управления.

АВТОРЕФЕРАТ на соискание ученой степени кандидата технических наук

Таганрог -1997

Работа выполнена на кафедре вычислительной темшки Таганрогского государственного радиотехнического университета

НАУЧНЫЙ РУКОВОДИТЕЛЬ:

доктор технических наук, профессор, действительный член Академии естественных наук Российской Федерации ГУЗИК В.Ф.

ОФИЦИАЛЬНЫЕ ОППОНЕНТЫ:

1. Доктор техн. наук,

Кравченко Павел Павлович (ТРТУ, г.Таганрог)

2. Кандидат техн. наук,

Аграновский Александр Владимирович (ГП КБ "Спецвузавтоматика", г.Ростов н/Д)

Ведущее предприятие:

НИИ связи, г.Таганрог

Защита состоится "_" декабря 1997г. в _ часов на заседании

специализированного совета Д 063.13.01 по защите диссертаций при Таганрогском государственном радиотехническом уштерс1гтете по адресу: 347915, г. Таганрог, пер. Некрасовский, 44, ауд. Д-406.

С диссертацией можно ознакомиться в библиотеке универипета. Автореферат разослан "_"_ 1997г.

Ученый секретарь специализированного совета канд. техн. наук, доцент

Мо

А.Г. Чефранов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

АКТУАЛЬНОСТЬ ТЕМЫ. Рост значимости задач обработки больших объемов графической информации приводит к необходимости разработки новых высокопроизводительных систем идентификации и цифровой обработки изображений. Существующие на сегодняшний день вычислительные средства не позволяют решать подобные задачи в реальном масштабе времени. В то же время большинство задач обработки изображений теоретически могут быть распараллелены, что составляет основной структурный прннцип повышения производительности вычислительных систем. Непосредственный подход к реализации в явном виде распараллеливания ветвей вычислений приводит к построению вычислительных систем, имеющих один поток команд и много потоков данных. Характерными представителями последних являются параллельные системы с общим управлением и ассоциативные системы.

Однако решение таких задач на многопроцессорных и параллельных вычислительных системах затрудняется из - за большого объема обрабатываемых данных. При относительной простоте части алгоритмов обработки, распараллеливание оказывается не всегда эффективным, т.к. все алгоритмы требуют повышенного обмена данными между1 элементами вычислительной системы. Нелинейность имеющихся алгоритмов так же не всегда позволяет использовать вычислители с одиночным потоком команд, которые до сих пор применялись для проведения простейших преобразований изображения. С другой стороны, достижения в микроэлектронной технологии позволяют сегодня создавать многопроцессорные системы матричного типа, обладающие относительно низкой стоимостью при достаточно высокой производительности, что позволит наиболее эффективно решать задачи идентификации, кодирования и предварительной обработки графгиеской информации.

ОБЪЕКТ ИССЛЕДОВАНИЯ. Особое место в задачах обработки графической информации зашшает задача идентификации некоторого изображения среди аналогов. Используемые в настоящее время методы идентификации изображений являются недостаточно эффективными, так как имеется необходимость попарного сравнения каждого го имеющихся изображений с идентифицируемым, следствием чего является низкое быстродействие процесса идентификации для больших массивов данных, а также недостаточно высокая помехозащищенность существующих методов, что снижает достоверность результатов.

ЦЕЛЬ И ЗАДАЧИ РАБОТЫ. Целью работы является разработка комплексного решения проблемы идентификации заданного изображения, устранетше канальных шумов и искажений, возникших в результате передачи изображения, а также получение минимального объема передаваемых (хранимых) данных, позволяющее восстановить полностью или с заданными искажениями исходное шображение. Достижение этой цели дает возможность идентифицировать по заданному критерию предъявляемое изображение, снизить требования к каналам связи, сократить время поиска и передачи данных, минимизировать объем требуемой памяти, повысить быстродействие вычислительной системы.

В соответствш1 с поставленной целью решаются следующие задачи:

- теоретически и экспериментально обосновать возможность создания высокопроизводительной системы идентификации и цифровой обработки изображений;

- разработать эффективную методику распознавания изображений;

- разработать усовершенствованные алгоритмы предварительной обработки графической информации;

- разработать алгоритмы мшпшизащш хранимого набора данных;

■ разработать методы эффективного распараллеливания всего комплекса алгоритмов для решения задачи в масштабе реального времени;

- оценить эффективность различных типов многопроцессорных систем для решения описанной задачи и предложить наиболее производительную структуру вычислительной системы.

МЕТОДЫ ИССЛЕДОВАНИЯ. Для решения поставленных задач используются методы теоршг построения вычислительных систем, арифметические основы дискретной техники, теории организации вычислительного процесса, языков программирования, методы вычислительной математики и имитационного моделирования, теории случайных процессов.

ОСНОВНЫЕ ПОЛОЖЕНИЯ. ВЫНОСИМЫЕ НА ЗАЩИТУ. На

защиту выносятся следующие положения и результаты:

- методика вероятностной идентификации изображений;

- алгоритм фрактального кодирования данных;

• рекурсивно - иерархическое описание изображения;

- структура многопроцессорной вычислительной системы для решения задач идентификации, кодирования и предварительной обработки изображений в масштабе реального времени.

НАУЧНАЯ НОВИЗНА. Научная новизна работы состоит в разработке комплекса алгоритмов и структурных решений для задач цифровой обработки и идентификации изображений.

ОСНОВНЫЕ НАУЧНЫЕ РЕЗУЛЬТАТЫ.

- предложена методика вероятностной идентификации изображений;

- разработан алгоритм фрактального кодирования изображения;

- разработаны усовершенствованные алгоритмы предвартельной обработки изображений;

- разработана структура эффективной многопроцессорной системы, определены ее основные параметры;

- построена математическая модель вычислительного процесса в предложенной системе, определены аналитические оценки ее производительности.

ПРАКТИЧЕСКАЯ ЦЕННОСТЬ РАБОТЫ. Практическую ценность работы представляют:

- методика вероятностной идентификации изображений;

- алгоритм фрактального кодирования данных;

- усовершенствованные алгорэтмы цифровой обработки шображешш;

- архитектура матрнчной многопроцессорной вычислительной системы с потоковой обработкой данных для решения задач цифровой обработки и идентификации изображений.

Предложенные решения позволяют строить системы управления базами данных графической информации, системы реставрации изображений, системы идентификации объектов.

РЕАЛИЗАЦИЯ РЕЗУЛЬТАТОВ РАБОТЫ. Исследования проводились в соответствии с планами научно - исследовательских работ Таганрогского государственного радиотехнического университета. Результаты проведенных исследований нашли практическое использование в следующих разработках, выполненных в 1993-1997 годах на кафедре вычислительной техники:

- "Разработка принципов и средств построения машины баз данных на архитектуре супермакронейрокомпьютера", Таганрог, 1993.

- "Разработка эмулятора базового модуля наращивания супер-ЭВМ", УДК 621.391.24:681.3.01, N гос. per.: 01.9.50003771, Таганрог, 1995.

- "Методы защиты информации в каналах связи", Таганрог, 1996. Результаты исследований были использованы в НИИ МВС в работе по

теме "Разработка методов и средств для решения задач обработки многомерной информации" и в ЭТЦ УВД №1 г.Ростова н/Д.

АПРОБАЦИЯ РАБОТЫ. Основные научные результаты диссертационной работы докладывались и обсуждались:

- на региональной НТК "Методы и средства цифровой обработки сигналов", Таганрог, 1994;

■ на 40-й НТК профессорско-преподавательского состава ТРТУ, Таганрог,

1994.

- на П Всероссийской НТК "Техническая кибернетика, радиоэлектроника и системы управления", Таганрог, 1995.

- на Всероссийской НТК "Новые информационные технологии. Информационное, программное и аппаратное обеспечение", Таганрог,

1995.

- на 41-й НТК профессорско-преподавательского состава ТРТУ, Таганрог,

1995.

- на 42-й НТК профессорско-преподавательского состава ТРТУ, Таганрог,

1996.

- на Всероссийской НТК "Компьютерные технологии в инженерной и управленческой деятельности", Таганрог, 1996.

- на Ш Всероссийской НТК "Техническая кибернетика, радиоэлектроника и системы управления", Таганрог, 1996.

- на 43-й НТК профессорско-преподавательского состава ТРТУ, Таганрог,

1997.

- на Всероссийской НТК "Радиоэлектроника, микроэлектроника, системы связи и управления", Таганрог, 1997.

ПУБЛИКАЦИИ. По результатам диссертационной работы опубликовано 9 печатных работ, в том числе значшельная часть практических результатов изложена в отчетах о выполнении НИР.

СТРУКТУРА И ОБЪЕМ РАБОТЫ. Диссертационная работа состоит из введения, четырех разделов и заключения, изложенных на 155 страницах, содержит 10 рисунков, 16 таблиц, 110 наименований библиографии и 2 страницы приложения, всего 167 страниц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи исследований.

В первом разделе рассмотрены существующие методы представления тображения и задачи, возникающие при его кодировании, обработке и анализе с целью идентификации предъявляемого изображения. Проведен анализ методов идентификации, кодирования и предварш-ельноЙ обработки изображений, которые являются обязательными стадиями обработки, и используются во всех современных системах технического зрения и распознавания образов. При этом из существующих наборов алгорттмов реализации процессов предварительной обработки изображений были рассмотрены наиболее оптимальные с точки зрения объема и скорости вычислений, простоты реализации.

Сформулирована задача создания системы идентификации и цифровой обработки изображений, предлагается общая методика решения задачи.

Вводимые в ЭВМ видеоданные представляются в виде некоторой регулярной, иерархической, не зависящей от содержания данных структурой. Эта структура описывается рекурсивно, путем указания элементарной ячейки и закона ее развития. Специальная нумерация элементов структуры, также определяемая рекурсивно, позволяет абстрагироваться от исходного многомерного скалярного или векторного поля и работать с плоским графом (регулярным деревом), сохраняющим в то же время все свойства многомерного поля. Предложенный математический аппарат дает возможность оперировать не с отдельными элементами изображения, а сразу группами элементов рагтичного размера, что позволяет отойти от концепций поэлементной обработки.

В предлагаемом методе вероятностной идентификации изображений последаше интерпретируются как случайные процессы двух переменных, т.е. как случайные поля, которым присущи те или иные вероятностные характеристики. Это в первую очередь совместный двумерный закон распределения вероятностей, который позволяет теоретически рассчитывать корреляционные функции изображения. Для задач обработки изображений наиболее характерен случай, когда имеется конкретная реализация дискретного изображения, а совместный двумерный закон распределения вероятностей неизвестен. Дискретное гоображение рассматривается как специфическое (а именно, двумерное) представление одномерного случайного процесса, по данным которого и производится оценивание отдельных вероятностных характеристик с целью его идентификации.

Рассмотрены существующие параллельные архитектуры, проанализированы особенности параллельного решения задач обработки изображений. В результате проведенного анализа обоснована целесообразность создания системы идентификации и обработки изображений на основе многопроцессорных вычислительных систем. Показано

преимущество предлагаемых алгоритмических и архитектурных решений по сравнению с аналогами.

Во втором разделе производится декомпозиция задачи на отдельные подзадачи, предлагаются алгоритмы решения каждой фазы обработки и анализа изображения - кодирования, предобработки, цденгификащш. Рассматриваются параллельные аспекты решеши задач. Вводится методика рекурсивно - иерархического описания изображения. Решается задача вероятностной идентификации изображений.

Общий цикл цифровой обработки и идентификации разбивается на следующие основные задачи:

- считывание закодированного соответствующим образом изображения;

- предварительная обработка, которая позволяет как улучшить внешний ввд гоображения, так и убрать имеющиеся искажения;

- собственно процесс идентификации, который состоит id получения графического препарата изображения и анализа его числовых характеристик.

Сначала счигывается анализируемое изображение. Изображение может храниться как в одном го стандартных форматов (BMP, WMF, и т.д.), так и в предлагаемом формате фрактального кодирования шображения, которое в этом случае представляется в вцде функции Z - F(X,Y). Фрактальное кодирование изображения f заключается в отыскании совокупности W сжимающих преобразований Щ такой, что |W| = f; т.е. чтобы изображение было неподвижной точкой этой совокупности преобразований:

/ = »m=Xw),

X т y

Z

А Ц Q а

О О S,

+

F

где 51 отвечает за контрастность, а О, - за яркость изображения. При этом мы находим преобразования Щ и фрагменты О,, которые полностью, определят фрактальную модель изображения £

Затем в случае необходимости улучшения визуального восприятия изображения производится его поворот на задаваемый угол.

После этого изображение преобразуется в рекурсивно - иерархическую структуру. Иерархическое представление предполагает один и тот же закон перехода от одного уровня структуры к другому, причем этот закон

формулируется относительно группы элементов изображения нижнего уровш и одного элемента изображения следующего уровня. Это правило описывает и схему преобразования исходных данных, и результирующую структуру данных; наполнение этой структуры происходит при задании конкретного изображения в качестве входной информации. Для операций над объектам! рекурсивно-иерархического типа предлагается аппарат рекурсивной нумерации блоков, который позволяет в едином описании учесть и положение, и размеры блоков изображения и прошводигь над ними различные операции, причем результаты этих операций уточняются, если происходи декомпозиция блоков для более детального представления описываемой части изображения. Координаты точки в многомерном пространстве можно определить рекурсивно, через ее координаты на каждой го осей. Для р-мерного пространства :

позиционная координата (1) = .цифра позиционная координата (ш) = <позиционная координата (т-1)> <цифра>,

где <цифра>::0/1/2/.../К. Иначе говоря, позиционная координата представляет собой правильную дробь от 0 до 1 в К-нчной системе счисления, где К - число квантов (ячеек, элементов), различимых в многомерном кванте предыдущего уровня, а на уровне 1 - в исходном пространстве. Важным свойством позиционной координаты является то, что она одновременно указывает и положение кванта в многомерном пространстве и его размер. Таким образом, действия с позиционными координатами кванта можно рассматривать как локальные операции сразу над множествами квантов самого последнего номера разбиения. Пусть 8 - характеристика кванта (яркость, цвет) 1-го уровня, расположенного в -строке, )г -столбце, у^-слое. Тогда имеем отображение Щ) - описание закона нумерации квантов Мо разбиения и способ определения значения элемента яркости ^го уровня, в общем случае представляющий собой огрубляющий фильтр, определяемый характером задачи, типом шкалы, в которой гомеряется яркость, удобством анализа модели. Здесь г - уровень от 1 до ш, Р - размерность пространства, К -число частей при разбиении, у - К-ичные {К = к") цифры кванта. При представлении цветных графических изображений для получения цвета, соответствующего вершине 1-го уровня, проводится "голосование" цветов, приписанных подчиненным вершинам 0:+1)-го разбиения. Использование предлагаемого представления устраняет необходимость отдельной обработки каадого элемента исходного изображения. Наличие в дереве терминальных вершин позволяет относить к той или иной области целые фрагменты изображения, соответствующие элементам яркости различных уровней. Если совместить это преимущество с возможностью обработки дерева по уровням сверху - вниз, то получим алгоритм, обеспечивающий после окончания

обработки 1-го уровня приближенное решение задачи сегментации, причем это решение будет уточнением решения после обработки (Ы)-го уровня.

Далее производится центрирование изображения. Данная операция производится: во-первых, с целью помещения выделенного объекта в центре поля зрения, во-вторых, с целью подготовки изображения объекта к операщш распознавания, т.е. сравнения с образами, хранящимися в графической библиотеке. Рассчитываются координаты геометрического ценгрЗ выделенного объекта Л/0О0,>0).

где - 1, если точка (Лу или Уц) принадлежит изображению, и — 0 -в противном случае. Рассчитываются значения <1Х и (ГУ, определяющие величину и направление смещения геометрического центра объекта Мв(х0,уо) относительно центра матрицы изображения В(х,у) : с1Х = .г- dY = у-у0. Объект приводится к центру матрицы изображения. Для этого над всеми элементами изображения выполняется преобразование В'(Х,У) = В(Х + <1Х,У + ¿У), где В'(Х,У) - матрица центрированного изображения.

На следующем этапе изображение масштабируется таким образом, чтобы полностью заполнять окно анализа.

После этого производится операщш повышения контрастности изображения с одновременной трансформацией его в монохромный вид. Вычисляется градиент функции яркости 8(1,_]), т.е.

II 0(У) II = II ё*ас1 8(У) ||, где || ||; ¿о = 1,Ы - матрица градиентов исходного изображения; матрица || ^ас! 5(1,|| - оценка модуля градиента яркости в точке (У). Ввод1ггся функция преобразования уровней яркости: || II = 1Р( 0(1 о) )||, где || 5'(у) || - матрица иреобразовашюго изображения; Р( ) - функция преобразования, являющаяся в общем случае нелинейной. Производится пороговая обработка полученного изображения с использованием адаптивного порога:

х

/

}

,У) =

1,5"0,7) >

0,5'0',7) -<

где - фушащя яркости результирулощего бинарного изображения, а Р( Б (у)) - пороговая функция.

Затем изображение фильтруется с целью удаления возможных шумов, которые могут повлиять на структуру и форму выделяемых объектов.

Далее выделяются контура изображения для повышения точности анализа. Пусть || В(^) || - матрица исходного бинарного изображения, тогда элемент а(У) является граничным, если выполняется условие:

в случае равенства выражения этот элемент является внутрешпш. Изображение просматривается построчно и значения внутренних элементов заменяются на фоновые:

где В'(у) - преобразованное изображение. Формируется векторное описание контуров. Для этого вводится понятие направления движения. Направление движения - это номер вектора, соединяющего два соседних 8 -связных элемента растра изображения с координатами (¿¡.д) и таких,

что

Точка, для которой изменилось направление движения по сравнению с направлением от предыдущей точки, является крайней и дол лага быть включена в векторное описание контура, т.е. точка с координатами (У), для которой выражение ((¡-ЫКм+1)!(Ио)-(Н-Н)) истинно, принадлежит В"(У), где В"(у) - результирующее изображение выделенного контура.

Затем производится фильтрация кошуров для отсеивания случайных пикселов анализируемого шображения; изображение сегментируется, строится векторное описание выделенных сегментов. Результирующее изображение формируется го совокупности граничных точек и ограниченных ими областей.

На следующем этапе выделенные сегменты аналгоируются как двумерные распределения случайной величины. Для векторизованных областей рассчитываются их характеристики распределения: асимметрия, среднеквадратичное отклонение, энтропия, дисперсия. Начальные моменты т„ к-го порядка вычисляются по общей формуле:

у = Ф(и +1) + Ь(и -1) + Ь(1 +1,7) + Ь(! -1,7)) -Ч 4,

щ =

где х, - некоторое значение дискретной случайной величины X, р, = Р{Х - *,} - вероятность с которой случайная величина X пришмает значение х,. Применительно к анализу изображения ||Л„[| размером Л", х Л^ элемеотов соответствующая формула приобретает вид:

Щ = (1 / sunii^A^

к

U

где sum - количество обработанных пикселей исходного шображения. Центральные моменты uk определяются выражением:

Щ:

При этом определяем для анализируемого изображения «2 -центральный момеш второго порядка (дисперсия), среднеквадратичное отклонение

коэффициент ассиметрии

CT=JU2

_ щ

коэффициент эксцесса

ил о 82 =-4"3 ¿Г

Энтропия (средняя собственная информация) определяется следующим выражением:

1 = -Ха1оВ2Л

I

На заключительном этапе анализируемое шображение и его раесч1панные характеристики заносятся в базу данных изображений; рассчшанные характеристики сравниваются с их аналогами для изображений, хранящихся в БД; строится таблица подобия анализируемого изображения с имеющимися аналогами.

В третьем разделе работы рассматривается возможность параллельной организации вычислений для проведения их в масштабе реального времени. Производится анализ различных параллельных структур. Предлагается использование комплексной системы, включающей в себя матрицу процессорных элементов для проведения вычислении в наиболее трудоемкой фазе анализа. Приводится оценка производительности предложенной вычислительной системы.

Вычислотельная система для решения задачи в масштабе реального времени включает в себя:

- устройство управления;

- устройство ввода изображения;

- оперативную память для хранения изображений;

- матрицу процессорных модулей, выполняющих фазы предварительной обработки и построения графического препарата изображения;

- коммутирующую среду (КС);

- процессор постобработки, завершающий векторизацию сегментов и рассчитывающий их числовые характеристики;

- ОЗУ для хранения числовых характеристик изображений;

- устройство вывода.

Кроме этого, вычислительная система может включать в себя дополнительные блоки, предназначенные для анализа, классификации, или восстановления изображений, - в зависимости от решаемой задачи.

Рассмотрены особенности выполняемых операций и предложена общая структура процессорных модулей, состоящих из устройства рекурсивно -иерархического преобразования изображения, шперфейсного и управляющих блоков, памяти команд и данных, а также специализированных процессорных элементов, включающих локальную быструю память, набор контроллеров каналов связи и АЛУ.

Предложены варианты использования существующих микропроцессоров в проектируемой системе, показана возможность использования процессоров ТМ8320С80 в качестве базовых для данной системы.

Проведены оценки быстродействия вычислительной системы и показана возможность ее работы в реальном масштабе времени.

В четвертом разделе рассматривается созданная имитационная модель описанной системы идентификации и цифровой обработки изображений. Описывается методика построения и структура программной модели. Анализируются результаты моделирования и зависимости эффективности методов и алгоритмов в зависимости от типов входного изображения и управляющих параметров алгоритмов.

Разработанный программный комплекс позволяет оценить временные и качественные параметры процесса идентификации для различных числовых характеристик, различного разрешения и сложности исходного изображения, а также предоставляет возможность исследовать влияние управляющих параметров алгоритмов цифровой обработки на результаты и качество изображения.

Результирующие данные сохраняются на магнитом носителе для дальнейшего анализа.

В заключении сформулированы основные выводы и результаты диссертационной работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе рассмотрен комплекс теоретических и практических вопросов, связанных с решением задачи построеши высокоэффективной системы тщенгификации, кодирования и цифровой обработки графической информации. В работе получены следующие основные результаты:

1. На основе проведенного анализа результатов исследований и методов работы систем идентификации и цифровой обработки изображений обоснована возможность создания высокопроизводительной системы идентификации и цифровой обработки изображений.

2. Разработана комплексная алгоритмическая последовательность вероятностной идентификации изображений, состоящая из фаз предварительной обработки, получеши графического препарата, вычисления и анализа числовых характеристик изображения.

3. Доказана математически и подтверждена экспериментально методика вероятностной идентификации изображений, позволяющая с большой степенью достоверности и за минимальное время идентифицировать предъявляемое изображение.

4. Разработана методика рекурсивно - иерархического представления изображения, позволяющая ускорить процесс его предварительной обработки.

5. Разработан алгоргггм фрактального кодирования изображений, позволяющий минимизировать объем хранимой графической информации.

6. Разработаны методы эффективного распараллеливания всего комплекса алгоритмов для решения задачи в масштабе реального времени.

7. На основе анализа сложности и особенностей алгоритмов обработки и оиьбмоз сбр абатываемых данных предложена структура многопроцессорной вычислительной системы.

Рассмотрены особегаюстн выполняемых операций и предложена общая структура процессорных модулей, а также специализированных процессорных элементов. Произведена оценка эффективности предложешюй вычислительной системы.

По теме диссертации опубликовано 9 работ:

1. А.И.Костток, О.В.Шаповалов. "Алгоритмы поддержки БД на основе МВС." Тезисы докладов 2-й всероссшюкой научной студенческой конференции. - Таганрог, ТРТУ, 1994г.

2. А.И.Костток, А.Н.Пустовой. "Декодер фрактальных изображений," Тезисы докладов 42-й студенческой научной конференции "Техническая кибернетика, радиоэлектроника и системы управления." - Таганрог, ТРТУ, 1995г.

3. В.Ф.Гузик, А.И.Костток. "Фрактальное кодирование изображений." Тезисы докладов 41-й научно-технической конференщш профессорско-преподавательского состава, аспирантов и сотрудников университета. Таганрог, ТРТУ, 1995г.

4. А.И.Костюк. "Фрактальное сжатие изображешш." Тезисы докладов всероссийской научной конференщш студентов и аспирантов "Новые информационные технолопш. Информационное, программное и аппаратное обеспечение." - Таганрог, ТРТУ, 1995г.

5. Отчет о НИР "Разработка эмулятора базового модуля наращивания Супер-ЭВМ." Номер темы 12223. Тагащюг 1994г. УДК 621.391.24:681.3.01, N гос. регистрации 01.9.50003771

6. Гузик В.Ф., Костток А.И. Методы обработки графической штформащш в каналах связи. Тезисы докладов всероссшюкой конференщш с международным участием "Новые информационные технолопш в инженерной и управленческой деятельности." - Таганрог, ТРТУ, 1996г.

7. А.ИКостюк. "Рекурсивно - иерархическая обработка изображений." Тезисы докладов Ш всероссийской научной конференщш студентов и аспирантов "Техническая кибернетика, радиоэлектроника и системы управления." - Таганрог, ТРТУ, 1996г.

8. Гузик В.Ф., Золотовский В.Е. Костток А.И. Алгорит.мика параллельной идентификации изображений. Тезисы докладов 43-й научно-

технической конференции профессорско-преподавательского состава, аспирантов и сотрудников университета. Таганрог, ТРТУ, 1997г.

9. А.И.Костюк. "Методика вероятностной идентификации изображений." Тезисы докладов всероссийской научной конференции студентов и аспирантов "Радиоэлектроника, микроэлектроника, системы связи и управления." - Таганрог, ТРТУ, 1997г.

В работах, написанных в соавторстве, личный вклад автора состоит в следующем: [1] - сформулированы требования к вычислительным системам, ориентированным на потоковую обработку; [2,3] - предложен алгоритм фрактального кодирования изображений; [5] - реализована методика моделирования МВС; [6] - предложены алгоритмы цифровой обработки графической информации; [8] - предложена методика вероятностной нденгификащш изображений.

ОП. Тип. ТРТУ. Заказ № 406. Тир. 100 экз. 1997 г.