МЕТОД КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ ПЛЯМ ЛАЗЕРНИХ ПУЧКІВ ІЗ ЗАСТОСУВАННЯМ ПАРАЛЕЛЬНО-ІЄРАРХІЧНОЇ МЕРЕЖІ ІЗ ПІДВИЩЕНОЮ ТОЧНІСТЮ
Keywords:
parallel-hierarchical network, FPGA, filtering, classification, preprocessingAbstract
У статті розглядається метод класифікації зображень плям лазерних пучків і його реалізація. Обговорюється необхідність фільтрації зашумлених зображень адаптивними методами, такими як паралельно-ієрархічні мережі. Представлена реалізація такої мережі на базі ПЛІС.References
1. JoshuaBuck, DewayneWashington, NASA Laser Communication System Sets Record with Data Transmission stoand from Moon: [Електронний ресурс], режим доступу: World Wide Web: http://www.nasa.gov/mission_pages/ladee
2. Елеутронний портал: [Електронний ресурс], режим доступу: World Wide Web: http://www.federalspace.ru/19038/
3. A. G. Borovoy, G. Ya. Patrushev, and A. I. Petrov, Laser beam propagation through the turbulent atmosphere with precipitation, Applied Optics, Vol. 27, Issue 17, pp. 3704-3714 (1988)
4. HugoWeichel, Laser Beam Propagation in the Atmosphere, SPIE, Vo.: TT03, 1990., p-108.
5. Medina-Carnicer, R., Muñoz-Salinas, R., Yeguas-Bolivar, E., Diaz-Mas, L. A novel method to look for the hysteresis thre shold sforthe Cannyedgedetector, PatternRecognition, 44 (6), pp. 1201-1211 (2011).
6. Medina-Carnicer, R., Muñoz-Salinas, R., Carmona-Poyato, A., Madrid-Cuevas, F.J. A novelhistogramtransformationtoimprovetheperformanceofthresholdingmethodsinedgedetection, PatternRecognitionLetters, 32 (5), pp. 676-693 (2011).
7. Fernández-García, N.L., Carmona-Poyato, A., Medina-Carnicer, R., Madrid-Cuevas, F.J. Automaticgenerationofconsensusgroundtruthforthecomparisonofedgedetectiontechniques, ImageandVisionComputing, 26 (4), pp. 496-511 (2008).
8. M.Petrovski, L.Tymchenko, , N. Kokryatskaya, V.Gubernatorov, Y. Kutaev A newsectioningmethodforclassificationofopticalobjectsbasedon PLD. JournalofComputerVisionandImageProcessing, Vol. 2, №1, 2012, pp. 33-51.
9. L. I. Timchenko, A multistage parallel-hierarchic networkas a modelof a neurolikecomputationscheme, Cyberneticsand SystemsAnalysis, 36, No. 2, 251–267 (2000).
10. V. P. Kozhemyako, Y. F. Kutaev, L. I. Timchenko, S.V. Chepornyuk, R.R. Hamdi, A.A. Gertsiy, I.D. Ivasyuk, The Q-transformationmethodapplyingtothefacialimagesnormalization, in: Proc. International ICSC/IFAC Symposiumon NEURAL COMPUTATION–NC’98, Vienna, 287-291 (1998).
11. William K. Pratt,IntroductiontoDigitalImageProcessing,CRC Press, 2013,-708p.
12. PaoloGiudici , Applieddatamining: statisticalmethodsforbusinessandindustry, JohnWileyandSons, 2003, pp. 111-117.
13. P.J. Brockwelland R.A. Davis, IntroductiontoTimeSeriesandForecasting, secondedition, Springer-Verlag, NewYork., 2002,
14. BoxGeorge, JenkinsGwilym, Time series analysis: forecasting and control, rev. 3 Prentice Hall PTR Upper Saddle River, NJ, USA , 1994, 592p.
15. Haykin S., Neural Networks, 2nd ed., New Jersey: Prentice Hall, 1999,-1104p.
16. Dimitri P. Bertsekas, Linearnetworkoptimization: algorithms and codes, MIT Press, 1991, pp.109-122.
17. Robert J. Howlett, L. C. Jain, Radialbasisfunctionnetworks 2: newadvancesindesign, -Haidelberg; NewYork: Phisyca-Verl., 2001.
18. A. Poplavskyy, N. Petrovskyi, L. Timchenko, N. Kokriatskaia, and Y. Kutaev, "Methodofreferencetunnelformationforimprovingforecastresultsofthelaserbeamsspotimagesbehavior" J.Opt. Eng. 50, 117007 (2011), DOI:10.1117/1.3655502
19. Боровиков В.П. Нейронные сети. Методология и технология современного анализа данных / В.П. Боровиков. -М.: Горячая линия-Телеком, 2008. - 392с.
2. Елеутронний портал: [Електронний ресурс], режим доступу: World Wide Web: http://www.federalspace.ru/19038/
3. A. G. Borovoy, G. Ya. Patrushev, and A. I. Petrov, Laser beam propagation through the turbulent atmosphere with precipitation, Applied Optics, Vol. 27, Issue 17, pp. 3704-3714 (1988)
4. HugoWeichel, Laser Beam Propagation in the Atmosphere, SPIE, Vo.: TT03, 1990., p-108.
5. Medina-Carnicer, R., Muñoz-Salinas, R., Yeguas-Bolivar, E., Diaz-Mas, L. A novel method to look for the hysteresis thre shold sforthe Cannyedgedetector, PatternRecognition, 44 (6), pp. 1201-1211 (2011).
6. Medina-Carnicer, R., Muñoz-Salinas, R., Carmona-Poyato, A., Madrid-Cuevas, F.J. A novelhistogramtransformationtoimprovetheperformanceofthresholdingmethodsinedgedetection, PatternRecognitionLetters, 32 (5), pp. 676-693 (2011).
7. Fernández-García, N.L., Carmona-Poyato, A., Medina-Carnicer, R., Madrid-Cuevas, F.J. Automaticgenerationofconsensusgroundtruthforthecomparisonofedgedetectiontechniques, ImageandVisionComputing, 26 (4), pp. 496-511 (2008).
8. M.Petrovski, L.Tymchenko, , N. Kokryatskaya, V.Gubernatorov, Y. Kutaev A newsectioningmethodforclassificationofopticalobjectsbasedon PLD. JournalofComputerVisionandImageProcessing, Vol. 2, №1, 2012, pp. 33-51.
9. L. I. Timchenko, A multistage parallel-hierarchic networkas a modelof a neurolikecomputationscheme, Cyberneticsand SystemsAnalysis, 36, No. 2, 251–267 (2000).
10. V. P. Kozhemyako, Y. F. Kutaev, L. I. Timchenko, S.V. Chepornyuk, R.R. Hamdi, A.A. Gertsiy, I.D. Ivasyuk, The Q-transformationmethodapplyingtothefacialimagesnormalization, in: Proc. International ICSC/IFAC Symposiumon NEURAL COMPUTATION–NC’98, Vienna, 287-291 (1998).
11. William K. Pratt,IntroductiontoDigitalImageProcessing,CRC Press, 2013,-708p.
12. PaoloGiudici , Applieddatamining: statisticalmethodsforbusinessandindustry, JohnWileyandSons, 2003, pp. 111-117.
13. P.J. Brockwelland R.A. Davis, IntroductiontoTimeSeriesandForecasting, secondedition, Springer-Verlag, NewYork., 2002,
14. BoxGeorge, JenkinsGwilym, Time series analysis: forecasting and control, rev. 3 Prentice Hall PTR Upper Saddle River, NJ, USA , 1994, 592p.
15. Haykin S., Neural Networks, 2nd ed., New Jersey: Prentice Hall, 1999,-1104p.
16. Dimitri P. Bertsekas, Linearnetworkoptimization: algorithms and codes, MIT Press, 1991, pp.109-122.
17. Robert J. Howlett, L. C. Jain, Radialbasisfunctionnetworks 2: newadvancesindesign, -Haidelberg; NewYork: Phisyca-Verl., 2001.
18. A. Poplavskyy, N. Petrovskyi, L. Timchenko, N. Kokriatskaia, and Y. Kutaev, "Methodofreferencetunnelformationforimprovingforecastresultsofthelaserbeamsspotimagesbehavior" J.Opt. Eng. 50, 117007 (2011), DOI:10.1117/1.3655502
19. Боровиков В.П. Нейронные сети. Методология и технология современного анализа данных / В.П. Боровиков. -М.: Горячая линия-Телеком, 2008. - 392с.
Downloads
-
PDF (Українська)
Downloads: 252
Abstract views: 260
How to Cite
[1]
L. I. Tymchenko, M. S. Petrovskyi, N. I. Kokriatska, and N. P. Babiuk, “МЕТОД КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ ПЛЯМ ЛАЗЕРНИХ ПУЧКІВ ІЗ ЗАСТОСУВАННЯМ ПАРАЛЕЛЬНО-ІЄРАРХІЧНОЇ МЕРЕЖІ ІЗ ПІДВИЩЕНОЮ ТОЧНІСТЮ”, Опт-ел. інф-енерг. техн., vol. 27, no. 1, pp. 5–17, Aug. 2014.
Issue
Section
OptoElectronic/Digital Methods and Systems for Image/Signal Processing
License
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
