автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка методов коррекции пространственных искажений изображений в робототехнических комплексах

Введение.

1. Теоретические обоснования методов коррекции пространственных искажений изображений.

1.1. Классификация искажений изображений и методов их устранения

1.2. Методы построения системы признаков, инвариантных к пространственным искажениям изображений объектов.

1.3. Методы коррекции пространственных искажений изображений, описываемых групповыми преобразованиями.

Выводы.

2. Методы коррекции пространственных искажений, описываемых групповым преобразованием.

2.1. Коррекция искажений, описываемых полной аффинной группой

2.2. Коррекция искажений при наличии реперных точек.

2.3 Коррекция нелинейных искажений путем аффинной или проективной аппроксимации.

2.4. Методы построения системы инвариантов для групп вращения плоскости.

Выводы.

3. Методы предварительной обработки изображений.

3.1. Улучшение качества изображений.

3.2. Бинаризация изображений.

3.3. Сегментация изображений.

Выводы.

4. Компьютерная реализация методов коррекции и распознавания изображений.

4.1. Особенности компьютерной реализации алгоритмов коррекции и распознавания изображений.

4.2. Распознавание объектов по спектральным аэрофотоснимкам.

4.3 Восстановление карты местности для выбора маршрутов мобильного робота.

Выводы.

Основные результаты диссертационной работы.

В настоящее время в различных сферах человеческой деятельности используется большое количество моделей нового класса машин, называемых роботами. Большая часть из них эксплуатируется в сфере производства, для автоматизации различных операций: штамповки, механической обработки, окраски, сварки, сборки. В этих моделях роботов, которые точнее было бы называть манипуляторами с программным управлением, применяются простые сенсорные системы в виде контактных или бесконтактных датчиков, силомоментных устройств, датчиков проскальзывания [1,2] и только в некоторых случаях применяются более сложные сенсорные системы на основе обзорных ультразвуковых, радиолокационных, телевизионных, сканирующих лазерных и т.п. датчиков [3]. Имеется опыт использования более сложных моделей роботов с полуавтоматическим и даже с автоматическим управлением для выполнения нестандартных работ [4,5]. Наиболее перспективным представляется применение роботов с телеуправлением или полностью автоматическим управлением без участия человека (с ограниченным участием) для выполнения работ в так называемых экстремальных условиях.

Под экстремальными условиями обычно понимается [6]:

- выполнение работ под водой, на космических объектах,

- работы по разборке завалов после экологических катастроф,

- работы на опасных объектах химического производства или на атомных станциях,

- спасательные, строительные и другие виды работ в городских кварталах,

- ведение боевых действий в условиях с ограничением видимости, при наличии непредусмотренных препятствий и т.п.

Во многих из вышеперечисленных случаев представляется целесообразным использование роботов с телеуправлением, когда решение о выполняемых действиях принимает оператор, наблюдающий за обстановкой в зоне действия робота. Для успешного функционирования таких роботов важным вопросом является создание комфортных условий для оператора, в частности объемное воспроизведение обстановки в зоне действия. Однако, имеется немало работ, где оператор хотя бы на время должен переходить на автоматический режим работы робота. В частности, это необходимо в случаях, когда скорость изменения обстановки не соответствует возможностям оператора отслеживать эти изменения и принимать правильные решения. Кроме того, в некоторых случаях оператор может попасть в зону радио тени и потерять контроль над роботом. В этих случаях робот сам должен принимать решение об изменении программы функционирования или о продолжении работы по начатой программе. Широкие возможности использования полностью автоматических роботов имеются в случаях функционирования их в частично или полностью недоступных для человека местах. Для этих работ целесообразно использовать роботы, которые хотя бы относительно короткое время могли бы функционировать в полностью автономном режиме. Такие роботы должны иметь развитые сенсорные системы, как правило, использующие несколько датчиков разного типа, высокопроизводительную систему комплексной обработки информации с этих датчиков, а также систему эффективного принятия решений.

Другим примером роботоподобной системы с развитой сенсорной системой может служить информационно-измерительная летающая лаборатория [7], оснащенная как цифровыми фотокамерами высокого разрешения, так и многополосным щелевым спектрометром бокового обзора. Подобные аппаратно-программные комплексы позволяют проводить в полуавтоматическом режиме, а в некоторых случаях и полностью автоматическом, экспресс-анализ земной поверхности с целью проведения экологического мониторинга [8,9], выявления различных аномалий и решения других природоохранных задач [10,11].

Необходимо отметить, что эти и другие роботоподобные устройства (адаптивные роботы, робототехнические комплексы, роботизированные системы) имеют общую структурно-функциональную схему. Подобные устройства состоят из системы распознавания или сенсорной системы, системы управления, приводов и исполнительных механизмов. Система распознавания после получения, обработки и анализа сенсорной информации, поставляет системе управления данные об окружающей среде, на основании анализа которых последняя вырабатывает управляющие сигналы для приводов исполнительных механизмов, а они совершают целенаправленные движения в соответствии с общей задачей, поставленной перед системой. Можно сказать, что именно система распознавания (сенсорная система), являясь непременной составляющей адаптивного робота, превращает программно управляемое устройство в интеллектуального робота, совершающего целесообразные действия в условиях изменяющейся внешней среды [12].

Сенсорная система интеллектуального робота существенно зависит от ограничений, которые накладываются на перемещения объектов в пространстве, от ограничений на форму объектов и от требуемого быстродействия транспортного или манипуляционного робота. Если известно, что все объекты, с которыми может взаимодействовать робот, перемещаются с ограничениями в пространстве, то часто удается обойтись либо плоским изображением (получаемым с помощью одной телекамеры или любого другого датчика, формирующего плоскую проекцию сцены), либо с помощью распределенных в пространстве датчиков относительно простого типа (например, фотопар). При ограничениях на форму объектов, например, в случае, когда заранее известны форма плоскостей объектов, также часто можно обойтись плоской проекцией и использовать так называемые процедуры устранения перспективных искажений [13]. В первых моделях интеллектуальных роботов [14] были представлены основные технические решения, которые по замыслу авторов могли быть использованы в качестве полностью автономных роботов. Так, большое число научно-исследовательских институтов как за рубежом, так и в бывшем СССР использовали телевизионные датчики обстановки и программы анализа объемных сцен из объектов, ограниченных плоскими гранями. Еще 12 лет назад работы в этом направлении продолжались в институте Кибернетики им. Глушкова (Украина) и Институте проблем передачи информации. Однако, еще ранее [15], была показана бесперспективность этого направления, поскольку вопреки мнению авторов необходимо было накладывать существенные ограничения на перемещения объектов в пространстве, а при переходе от объектов с плоскими гранями к произвольным объектам, размерность решаемой задачи росла катастрофически быстро. В первых моделях адаптивных роботов предпринимались попытки формального моделирования принципа человеческого зрения с использованием двух (или более) телевизионных камер с триангуляционным способом определения объемных координат видимой точки на объекте. Этот метод широко известен и описан в ряде работ [16,17]. К сожалению, он может быть использован только в случаях, когда на двух смещенных телевизионных изображениях можно надежно выделить проекции одной и той же точки, что принципиально невыполнимо при произвольных формах объектов. Выходом из создавшегося положения может быть добавление к двум датчикам телевизионного типа подсвечивающего лазера [18], либо облучение сцены специальным образом (системы со структурируемым подсветом). Однако даже в этих случаях препятствием является значительное время формирования объемной сцены. Другим подходом является использование для формирования объемной модели дальномерных систем различного типа (ультразвуковых, лазерных, радиолокационных и т.п.). В сложных случаях можно использовать перемещение дальномерных датчиков вокруг или даже внутри сцены с пересчетом видимых фрагментов в единую систему координат для формирования полной объемной модели [19]. Ограничением на использование таких сенсорных систем может служить только необходимое быстродействие системы обработки получаемой информации. Применение высокопроизводительных вычислительных систем, многопроцессорных систем обработки информации [20], гибридных преобразователей оптических изображений позволяет обеспечить универсальность интеллектуального робота с такой сенсорной системой, поскольку в построенной объемной модели имеется вся необходимая информация для распознавания объектов, определения их параметров положения, выбора маршрутов движения транспортных роботов с учетом различных ограничений (на вид движителя, габаритных размеров транспортного средства и т.п.).

В последние годы появились работы (Будапештский университет, Технический университет им.Н.Баумана) [21], в которых сенсорная система использует один датчик, облучающий объект и воспринимающий отраженный от него свет на основе картин Муара, что позволяет получать и обрабатывать изображения объемных сцен. К сожалению, эксперименты показывают, что такие сенсорные системы могут быть использованы в относительно простых случаях, при существенных ограничениях на форму объектов и на их перемещения в пространстве.

Известны попытки построения сенсорной системы транспортного робота, автоматически перемещающегося по дорогам с заранее неизвестным маршрутом движения. В этих моделях сенсорная система ориентируется на кромку дороги. При перемещениях на плоских участках достаточно использовать одну телевизионную камеру. При движении по дорогам с подъемами и спусками можно использовать лазерный дальномер с ограничением угла сканирования. Значительное сокращение времени формирования объемной модели и обработки получаемых изображений может быть достигнуто при использовании ком-плексирования датчика телевизионного типа (обзор) и дальномерной системы, определяющий объемные координаты не всех видимых точек объекта, а только точек, находящихся, например, на пути движения робота [22].

Таким образом, тип сенсорной системы необходимо выбирать исходя из класса решаемых задач, с точки зрения вариативности объектов манипулирования, необходимости использования полной или частично объемной модели обстановки и требуемого быстродействия. В работах [23,24] рассмотрены задачи формирования исходной модели внешней среды и преобразование построенной модели в форму, удобную для оптимизации последующих этапов обработки.

Представляется целесообразным привести основные этапы распознавания объектов по их изображениям с указанием основных проблем, возникающих на каждом этапе и пояснением используемых в дальнейшем терминов и понятий.

Процесс распознавания в общем случае принято разделять на следующие этапы [25]:

1. Получение с помощью одного или нескольких устройств изображения или изображений некоторой сцены (проблема - выбор устройств, оптимальных с точки зрения качества распознавания). Под сценой понимается расположение в трехмерном пространстве группы объектов, т.е. физических тел произвольной формы, имеющих возможность изменять свое положение. В простейшем случае сцена - это расположенные на плоскости, не перекрывающие друг друга плоские тела. Изображение с математической точки зрения можно представить как неотрицательную непрерывную функцию двух аргументов /(х., у{), х{ е {0, хт}, у{ е {0, уп}, заданную в прямоугольной области, где хт, уп - размеры изображения. Тогда яркость /-ой точки изображения с координатами (х„уг) есть значение функции в этой точке. В данном случае естественно использовать термин «точка изображения», подчеркивая тем самым, что речь идет о не имеющем собственного размера элементе изображения. Представление изображения в компьютере носит принципиально дискретный характер. Под изображением понимается матрица /?(/,/) (/=1,. А, 7=1, ,М) размером N строк на М столбцов, значение элемента которой соответствует яркости некоторой области поля зрения сенсорного устройства и, следовательно, носит интегральный характер. Естественно, номер элемента матрицы может быть только целым числом, да и значения элемента, хотя и могут представляться в действительной форме, как правило, представляются в целочисленной форме в пределах 0 - 255 (один байт). В таком случае представляется более оправданным использовать термин «пиксел» изображения, подчеркивая тем самым наличие конечных размеров у «точки» дискретного изображения.

Следует отметить, что в сенсорных системах роботизированных комплексов, как правило, используются монохромные (многоградационные, полутоновые) изображения, т.к. использование цветных (полихромных) изображений в большинстве случаев приводит к существенному усложнению алгоритмов обработки без заметного повышения качества распознавания.

2. Обработка изображения, которая, как правило, включает в себя следующие операции:

- предварительная фильтрация изображения с целью удаления яркостных помех и выделения наиболее информативных участков изображения, например, контура (проблема - выбор из большого числа разнообразных линейных и нелинейных фильтров тех, которые могут обеспечить в дальнейшем максимальную надежность распознавания);

- бинаризация изображения с постоянным или адаптивным порогом (проблема - выбор способа определения порога);

- сегментация изображения, возможно, с последующим возвратом к много градационному изображению отдельных фрагментов (проблема - выбор параметров сегментации, например, типа связности пикселов). Результатом всех этих операций является преобразованное тем или иным образом изображение. Устранение перспективных искажений можно представить как отдельную операцию, т.к., в отличие от перечисленных операций, она требует пространственного, а не яркостного преобразования изображения.

3. Формирование трехмерной модели видимой сцены с определением пространственного расположения отдельных фрагментов и объединения их в объемные образы с описанием свойств поверхности. Далее производится собственно распознавание объектов по построенной модели и определение их пространственных параметров положения. Естественно, в случае плоских объектов о формировании трехмерной модели говорить не приходится. Тогда данный этап сводится к двум операциям:

- вычисление признаков для каждого фрагмента изображения (проблема -выбор наиболее информативных признаков, инвариантных к не устраненным пространственным и яркостным искажениям);

- распознавание фрагментов одним из известных методов, например, по расстоянию в пространстве признаков (проблема - выбор метода распознавания, дающего наилучшие результаты для имеющейся совокупности классов объектов при значительной вариативности признаков). Следует отметить, что результатом первой операции будет, в отличие от предыдущих операций, не изображение, а набор значений некоторых признаков. Этот набор, представленный в виде вектора X = {хх,.,хк}, где к - число признаков, можно назвать «образом» распознаваемого объекта. Результатом последней операции должен быть номер класса р, к которому относится данный образ, из множества сформированных на этапе обучения классов Р={1, где / - число классов, что и является результатом распознавания.

В случае систем роботоподобного типа кроме собственно распознавания объекта в большинстве случаев необходимо еще определить его геометрические характеристики и положение в пространстве. Кроме этого алгоритмы системы распознавания робототехнического комплекса должны обладать высоким быстродействием (0.01 - 1с) и точностью (99.5 - 98%), что значительно сужает круг возможных методов обработки на всех этапах распознавания.

Таким образом, на этапе распознавания фактически производится сравнение изображения распознаваемого объекта с эталоном по некоторому набору признаков. К сожалению, в подавляющем большинстве случаев два изображения одного и того же объекта существенно отличаются друг от друга. Это отличие вызывается, во-первых, техническими погрешностями аппаратуры, во-вторых, изменением освещенности, в-третьих, изменением взаимного положения объекта и устройства получения изображения. Именно последняя причина, определяющая пространственные искажения изображения, вызывает основные трудности при создании систем технического зрения для робототехнических комплексов и, следовательно, одной из актуальных задач является поиск методов компенсации (восстановления) изображения при различных пространственных искажениях или набора признаков, инвариантных к данным искажениям.

Основной целью диссертационной работы является анализ существующих и разработка новых методов и средств коррекции пространственных искажений сложных полутоновых изображений, обусловленных изменением взаимного положения устройства получения изображения и плоских объектов, с целью их распознавания и определения геометрических параметров в робототех-нических комплексах.

В соответствии с поставленной целью в работе решаются следующие задачи:

1.Проведение анализа искажений сложных многоградационных изображений плоских объектов, способов их математического описания, существующих методов и средств их устранения, используемых в сенсорных системах ро-бототехнических комплексов.

2. Разработка новых методов коррекции пространственных искажений, обусловленных изменением взаимного положения устройства получения изображения и объектов распознаваемой сцены.

3. Разработка алгоритмов и программного обеспечения для проведения компьютерного моделирования и экспериментальных исследований методов коррекции пространственных искажений и предварительной обработки растровых монохромных изображений с целью выявления последовательностей операций, наиболее эффективных с точки зрения улучшения распознаваемости объектов и определения их геометрических характеристик, для робототехниче-ских комплексов.

Практическое применение некоторых решений поставленных задач демонстрируется на примере программного обеспечения специализированной информационно-измерительной системы летающей лаборатории [7] и построения кусочно-плоскостной объемной модели поверхности с последующим анализом возможности достижения мобильным роботом заданной точки поверхности [26].

Основные результаты диссертационной работы

Основные научные и практические результаты состоят в следующем:

1. Развиты и дополнены основные разделы теории распознавания образов, относящиеся к коррекции яркостных и пространственных искажений многоградационных изображений плоских объектов в сенсорных системах робо-тотехнических комплексов.

2. Разработаны три метода коррекции пространственных искажений:

- метод коррекции изображений плоских объектов, пространственное искажение которых описывается преобразованием полной аффинной группой, основанный на выборе характерных точек на контуре изображения объекта;

- метод коррекции изображений плоских объектов, пространственное искажение которых описывается преобразованием полной проективной или аффинной группой, основанный на сравнении координат соответствующих ре-перных точек на эталонном и искаженном изображениях;

- метод коррекции изображений, пространственное искажение которых описывается преобразованием нелинейными группами, путем кусочно-аффинной или проективной аппроксимации.

3. Обоснована устойчивость алгоритма распознавания по спектральным отсчетам к ошибкам определения параметров групповых преобразований для растровых многоградационных изображений плоских объектов, пространственное искажение которых описывается неполной аффинной группой.

4. Обеспечено ускорение обработки информации и сокращение времени принятия решения путем коррекции пространственных искажений изображений плоских объектов, при распознавании по спектрометрическим изображениям и определении их геометрических характеристик.

5. Разработан программный продукт для выполнения лабораторных учебно-исследовательских работ, включающий коррекцию пространственных искажений изображений, построение инвариантных характеристик для групп вращения и сдвига плоскости, кластерный анализ объектов по плоским изображениям, масштабные преобразования растровых изображений.

Научные положения, выносимые на защиту:

1.Метод коррекции изображений плоских объектов, пространственное искажение которых описывается преобразованием полной аффинной группой, основанный на выборе характерных точек на контуре изображения объекта.

2.Метод коррекции изображений плоских объектов, пространственное искажение которых описывается преобразованием полной проективной или аффинной группой, основанный на сравнении координат соответствующих реперных точек на эталонном и искаженном изображениях.

3.Метод коррекции изображений, пространственное искажение которых описывается преобразованием нелинейными группами, путем кусочно-аффинной или проективной аппроксимации.

4.Обоснование устойчивости алгоритма распознавания плоских объектов по спектральным отсчетам к ошибкам определения параметров групповых преобразований растровых многоградационных изображений, пространственное искажение которых описывается неполной аффинной группой.

1. Козырев Промышленные роботы: Справочник. М.: Машиностроение, 1983. 376с.

2. Промышленная робототехника / Ямпольский Л.С., Яхимович В.А., Вайсман Е.Г. и др. К.: Техника, 1984. 264с.

3. Куафе Ф. Взаимодействие робота с внешней средой: Пер. с франц.; М.: Мир, 1985. 285с.

4. Разработка специализированной информационно-измерительной системы летающей лаборатории: Отчет по НИР 845 / ЛИАП; №Ф34662, Инв.№ Г08345, Л.,1989, 151с.

5. Дистанционное зондирование: количественный подход / Под ред. Ф.Свейна и Ш.Девис. Пер. с англ.; М.: Недра, 1983. 396с.

6. Панкратов В.В. Дистанционно-управляемый вертолетный комплекс мониторинга водной среды // Экстремальная робототехника: материалы XI научно-технической конференции / Под ред.Е.И.Юревича; СПб, СПбГТУ, 2001. С.125-129.

7. Асмус В.В., Борисоглебский Г.И., Головин В.Р. Методика цифровой обработки спутниковых снимков для определения степени покрытия почвы снегом // Обработка изображений и дистанционные исследования: Сб.ст. Новосибирск, ВЦСОАН СССР, 1987. С.39.

8. Люгер Д.Ф. Искусственный интеллект: Пер.с англ.; М.: Вильяме,2003.864с.

9. Техническое зрение роботов / В.И. Мошкин, A.A. Петров, B.C. Титов и др. / Под ред. Ю.Г.Якушенкова; М.: Машиностроение, 1990. 272с.

10. Интегральные роботы // сб.статей / под ред. Г.Е. Поздняка; М.: Мир, 1975. Вып.2. 536с.

11. Шведов A.M., Шмидт A.A., Якубович В.А. Инвариантные системы признаков в распознавании образов // Автоматика и телемеханика. 1979. №3. С.31-36.

12. Ерош И.Л., Игнатьев М.Б., Москалев Э.С. Адаптивные робототехни-ческие системы: Методы анализа и системы обработки изображений. Л.: ЛИАП, 1985. 144 с.

13. Марр Д. Зрение: Информационный подход к изучению представления и обработки зрительных образов: Пер.с англ.; М.: Радио и связь,1987. 400с.

14. Сырский Г.В., Михайлов Б.Б. Трехмерная система технического зрения // Робототехника для экстремальных условий: Сб.тр. VI научно-технической конференции / Под ред. Е.И.Юревича; СПбГТУ, 1996. С.246-255.

15. Крутиков В.Н. Состояние и перспективы развития гибридных преобразователей оптических изображений. Измерительная техника. 2002. №11. С.27-31.

16. Erosh I.L., Wenzel К. Group theory based technique for camera calibrations. Periodica politécnica. Vol 35, 1992.

17. Ерош И.Л. построение объемных моделей сенсорными системами роботов // Экстремальная робототехника: материалы XII научно-технической конференции / Под ред.Е.И.Юревича; СПб, СПбГТУ, 2002. С.313-316.

18. Хорн Б.К.П. Зрение роботов: Пер.с англ.; М.: Мир, 1989. 487с.

19. Генкин B.JL, Ерош И.Л., Игнатьев М.Б. Информационные устройства робототехнических систем: Учебное пособие для вузов, JL: ЛИАП, 1985. 240с.

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

21. Ерош И.Л., Соловьев Н.В. Оптимизация траектории движения автономного мобильного робота // Робототехника для экстремальных условий: Сб.тр. VIII научно-технической конференции / Под ред. Е.И.Юревича; СПбГТУ, 1997. С. 161-163.

22. Харичев В.В., Шмидт A.A., Якубович В.А. Об одной новой задаче распознавания образов // Автоматика и телемеханика. 1973.№ 1. С.109-122.

23. Ерош И.Л., Тимофеев A.B. Сенсорные системы в ГАП. Л.: ЛДНТП, 1991. 145с.

24. Семенов С.И. Теория неадаптивных масок для обработки изображений. Биомедицинские технологии и электроника. 2002. №12. С.33-40.

25. Камынин С.С. Работы по машинному видению. М.: Институт прикладной математики АН СССР, 1988. 224с.

26. Техническое зрение роботов / Под.ред. А.Пью / Пер. с англ. Д.Ф. Миронова. М.: Машиностроение, 1987, 320с.

27. Красильников H.H. цифровая обработка изображений. М.: Вузовская книга, 2001. 319с.

28. Системы очувствления и адаптивные промышленные роботы/ В.Б. Брагин и др. / Под ред. Е.П. Попова, В.В. Клюева; М.: Машиностроение, 1985 256с.

29. Катыс П.Г. Автоматическая обработка и интерпретация изображений // Информационные технологии. 2001. №1. С.9-17.

30. Сизов B.JL, Алгоритмы калибровки координатных датчиков робото-технических систем // Техническая кибернетика. 1981. №3. С.63-70.

31. Разработка алгоритмов адаптации робототехнических систем. Отчет по НИР Г4-41-81 / ЛИАП; №81060039; Инв.№028500083280. Л., 1985. 115с.

32. Глущик Р.В., Кириенко В.О., Тропченко А.Ю. Алгоритмы локализации и распознавания объектов на полутоновых изображениях / Изв. вузов. Сер. Приборостроение. 2002. Т.45. №4. С.21-25.

33. Т.Хуанг, Г.Эндрюс и др. Обработка изображений и цифровая фильтрация / Пер. с англ. М.: Мир, 1979. 318с.

34. Быстрые алгоритмы в цифровой обработке изображений / Сб.ст.; Под ред. Т.Хуанга / Пер с англ. М.: Радио и связь, 1984. 221с.

35. Тевс С.С. Оптоэлектронная система распознавания и нормализации объектов // Датчики и системы. 2000. №3. С.30-32.

36. Микропроцессорные системы: Учебное пособоие для ВУЗов / Под ред. Д.В.Пузанкова. СПб., Политехника, 2002. 935с.

37. Смирнов А.Я. Цифровая обработка изображений. Л.: ГОИ, 1987. 50с.

38. Фу К., Гонсалес Р., Ли К. Робототехника: Пер с англ.; М.: Мир, 1989.624с.

39. Горев П.Г., Коренной A.B., Егоров С.А. Определение местоположения отдельных объектов на фоновом изображении. Радиотехника. 2000. №4. С.59-62.

40. Нелинейная фильтрация изображений с сохранением малоразмерных детелей в присутствии импульсных помех / В.Ф.Кравченко, В.И.Пономарев, А.Б.Погребняк и др. // Радиотехника и электроника. 2001. Т.46. №4. С.476-483.

41. Каверина JI.B. Адаптивная обработка изображений, искаженных атмосферными образованьями//Радиотехника. 2000. №4. С.67-70.

42. Система технического зрения адаптивного робота: Отчет по НИР Г4-41-81 / ЛИАП; №81060039; Инв. №0283085485. Л., 1983. 29с.

43. Кронрод М.А. Привязка и геометрическое совмещение изображений на ЭВМ // Иконика: Теория и методы обработки изображений. М.: Наука, 1983. С.108-114.

44. Файн B.C. Опознавание изображений: Основы непрерывно-групповой теории и ее применение. М.: Наука, 1970. 296с.

45. Робототехника / Андрианов Ю.Д., Бобриков Э.П., Гончаренко В.Н. и др. / Под ред. Е.П.Попова, Е.И.Юревича. М.: Машиностроение, 1984. 288с.

46. Kelly Р., Birk J., Wilson L. Algorithm to visually acquire workpieces. 7th ISIR, Tokyo, 1977. C. 275-292.

47. Преобразование моделей, формируемых сенсорными системами: Отчет по НИР Г4-41-81 / ЛИАП; №81060039; Инв.№02850003367. Л., 1984. 57с.

48. Головина Л.И. Линейная алгебра и некоторые ее приложения. М.: Наука, 1975. 392с.

49. Неймарк М.А. Теория представления групп, М.: Наука, 1976. 462с.

50. Ерош И.Л. Применение преобразований Крестенсона для определения параметров положения объектов по плоским проекциям // Техн.кибернетика, 1981. №3. С.46-52.

51. Промышленные системы с искусственным интеллектом: Методические указания / И.Л.Ерош, В.Л.Генкин, Н.В.Соловьев и др.; ЛИАП, 1987. 32с.

52. Соловьев Н.В. Методы коррекции пространственных искажений изображений плоских объектов в условиях действия полной аффинной группы преобразований. // Информационно-управляющие системы. 2003. № 6. С. 7 11.

53. Разработка методов оптимизационного системного проектирования механических конструкций, приводов, систем управления и адаптации роботизированных комплексов: Отчет по НИР ГЗ-4-14-86 / ЛИАП; №01860016170; Инв.№02870089857, Л., 1987. 120с.

54. Визуальные и речевые терминалы ЭВМ: Методические указания / И.Л.Ерош, В.Л.Генкин, Н.В.Соловьев и др.; ЛИАП, 1987, 29с.

55. Яншин В.И, Калинин Г.Н. Обработка изображений на языке СИ. Алгоритмы и программы. М.: Мир, 1994, 124с.

56. Ерош И.Л., Соловьев Н.В., Ахутина Л.В. Программа для коррекции пространственных искажений изображений методом кусочно-аффинной аппроксимации. №50930000054 Сб. Алгоритмы и программы ВНИИцентр М.: 1993.

57. Ерош И.Л., Соловьев Н.В. Использование избыточности реперных точек для коррекции пространственных искажений на аэрокосмических снимках // Сб.тр. X Всесоюзного симпозиума по проблеме избыточности в информационных системах; Л., 1989, С.52 54.

58. Braccini С., Marino G/ Fast Geometrical Manipulations of Digital Images // Computer graphics and image processing. 1980. vol.13. № 2. P.127-141.

59. Ерош И.Л. Дискретная математика. Комбинаторика: Учеб.пособие / СПб.: СПбГУАП, 2001. 36с.

60. Ерош И.Л. Восстановление рельефа неровной поверхности по плоскому изображению и реперным точкам // Робототехника для экстремальных условий: Сб.тр. VII научно-технической конференции / Под ред. Е.И.Юревича; СПбГТУ, 1998. С.88-92.

61. Кухарев Г.А. Биометрические системы: Методы и средства идентификации личности человека. Спб.: Политехника, 2001. 240с.

62. Kuchariew G. Inwarianty Obrazow Konturowych día Zadan Rozpoznawania. Materialy IV Sesji Naukowej Informatyki. INFORMA, Szczecin, 1999, С. 51-58.

63. Alferez R., Wang Y.-F. Geometric and Illumination Invariants for Object Recognition // IEEE Trans. Pattern Analysis and Machine Intelligence. 1999, Vol.21. №6, C.505-535.

64. Разработка математического обеспечения системы управления взаимодействием оборудования в ГПС: Отчет по НИР 757 / ЛИАП; №01860016170; Инв.№02800046557, Л., 1988. 452с.

65. Erosh I.L., Ignatiev М.В. Adaptive robot for conveyor, Proceedings of 4th ISIR, Tokyo, 1974.

66. Erosh I.L. at all. Algorithm and computers for adaptive robots. Proc. of the 6th ISIR. Nottingham.1976

67. Исследование методов предварительной обработки изображений: Методические указания / И.Л.Ерош, В.Л.Генкин, Н.В.Соловьев и др.; ЛИАП, 1991, 24с.

68. Parker J.R., Algorithms for image processing and computer vision. New York.: Wiley computer publishing, 1999.

69. Фурман Я. А. Основы теории обработки контуров изображений. Йошкар-Ола: МарГТУ, 1997.

70. Ерош И.Л., Соловьев Н.В., Ахутина Л.В. Программа для коррекции яркостных искажений изображений методами линейной и нелинейной фильтрации. Сб. 50930000055 Сб. Алгоритмы и программы ВНИИцентр М.: 1993

71. Верденская Н.В. Сегментация изображений статистические модели и методы. Зарубежная радиоэлектроника. 2002. №12. С.33-47.

72. Bajcsy R. Computer Identification of Visual Surfaces // Computer Graphics and Image Processing, 1973. №2. C.l 18-130.

73. WWW.IAKP.COM институт аэрокосмического приборостроения.

74. Катыс Г.П., Катыс П.Г. Системы распознавания визуальной информации. Приборы и системы. Управление, контроль, диагностика.2001. №11. С.54-60.

75. WWW.BSUIR.UNIBEL.BY научно-исследовательская лаборатория компьютерных систем идентификации образов.

76. Борисенко В.И., Болдырев Н.И. Комплекс расчета статических характеристик цифрового изображения. М.: ИКИ АНСССР, 1986. 16с.

77. О создании программно-аналитического комплекса "Метамонитор" для обработки данных дистанционного зондирования земной поверхности. Денисов A.JI. и др. // В журнале "Вопросы устойчивого и бескризисного развития". Т 2/2. Новосибирск ИДМИ 2000г.

78. Симонович С.В., Евсеев Г.А., Алексеев А.Г. Специальная информатика: Учебное пособие. М.: ААСТ-ПРЕСС, 2002. 480с.

79. Потемкин В.Г. Система инженерных и научных расчетов MATLAB 5.x. М.: Диалог, 1999. 366с.

80. Дьяконов В., Абраменкова И., MATLAB. Обработка сигналов и изображений. СПб.: Питер, 2002. 608с.

81. Врагов A.B., Денисов A.JI. Информационные технологии для обработки спутниковых данных // Сибирская индустрия информационных систем: Тезисы докладов I региональный форум, Новосибирск, 21-24 октября 2002 года.

82. Назаров Л.Е., Кузнецов О.О., Назарова З.Т., Нейросетевые алгоритмы классификации типов земных покровов с использованием радиолокационных и многозональных изображений Земли из космоса. Информацонные технологии. 2002. №11. С.13-19.

83. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978.411с.

84. Ерош И.Л., Соловьев Н.В., Ахутина Л.В. Пакет программ для распознавания объектов по их спектрометрическим изображениям методом кластерного анализа. Сб. 50930000053 Сб. Алгоритмы и программы ВНИИцентр М.: 1993

85. Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания: Некоторые аспекты. М.: Радио и связь, 1985. 160с.

86. Бородин А.Н. Элементарный курс теории вероятностей и математической статистики. СПб.: Лань, 2002. 256с.

87. Распознавание образов: Состояние и перспективы / К.Верхаген, Р.Дейн, Ф.Грун и др. / Пер. с англ.; М.: Радио и связь, 1985. 104с.

88. Вашкелис В.В., Вашкелис В.П. Методы определения угловых и маш-табных отклонений между изображениями. Информационные технологии. 2001. №6. С.35-38.

89. Ерош И.Л., Гладкова И.Г., Соловьев Н.В. Программная реализация методов обработки и анализа аэрофотоснимков // Теория и практика создания систем технического зрения: Материалы семинара; МДНТП., 1990. С.64-67.

90. Коренной A.B., Егоров С.А., Лепешкин С.А. Алгоритмы определения местоположения отдельного объекта на восстанавливаемом избражении в системах активного зондирования / Изв. вузов. Сер. Радиотехника. 2001. Т.44. №9/10. С.29-32.

91. Генкин В.Л., Ерош И.Л., Москалев Э.С. Системы распознавания автоматизированных производств. М.: Машиностроение, 1988. 242с.

92. Грузман И.С. Квазиоптимальный алгоритм совмещения изображений // Обработка изображений и дистанционные исследования: Сб.ст. Новосибирск, ВЦСОАН СССР, 1987. С.78.

93. Беляков С.Л. Идентификация картографических образов в системе «клиент/сервер». Приборы и системы. Управление, контроль, диагностика. 2001. №10. С.13-15.

94. Соловьев Н.В. Применение спектральных характеристик для распознавания изображений, полученных при дистанционном зондировании земной поверхности. // Информационно-управляющие системы. 2003. №2-3. С. 2-7.

95. R.Sadykhov, A.Selikhanovich, D.Vershok, K.Shilling. Intelligent system for mobile robot control // Proc. of the symposium on Robotics and Automation, England, Manchester, 2000, c. 152-157

96. Перков A.H. Разработка и исследование методов адаптивного синтеза рельефов местности. Автореф. дис. канд. техн. наук. СПб.: СПб Гос.эл. тех. ун-т. 1998. 16с.

97. И.Л.Ерош, Н.В.Соловьев K.Wencel. Интеллектуальный шагающий робот. // Робототехника для экстремальных условий: Сб.тр. VIII научно-технической конференции / Под ред. Е.И.Юревича; СПбГТУ, 1997. С. 178-179.