Для заказа доставки работы воспользуйтесь поиском на сайте
advertisement
Для заказа доставки работы воспользуйтесь поиском на сайте http://www.mydisser.com/search.html МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ ДНЕПРОПЕТРОВСКИЙ НАЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ ИМЕНИ ОЛЕСЯ ГОНЧАРА На правах рукописи Егоров Артем Александрович УДК 007.001.362+681.327.12.001.362 ОПТИМИЗАЦИЯ ХАРАКТЕРИСТИК ЯРКОСТИ МНОГОМЕРНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ НЕЙРО-ФАЗЗИ ТЕХНОЛОГИЙ Специальность 05.13.06 – информационные технологии Диссертация на соискание ученой степени кандидата технических наук Научный руководитель Ахметшина Людмила Георгиевна доктор технических наук, профессор Цей примірник дисертації ідентичний за змістом з іншими, що подані до спеціалізованої вченої ради К 08.051.01 Вчений секретар спеціалізованої вченої ради К 08.051.01 Т.Г. Ємел'яненко Днепропетровск – 2013 СОДЕРЖАНИЕ ВВЕДЕНИЕ………………………………………………………………………… ..5 РАЗДЕЛ 1. Анализ состояния и тенденций развития технологий обработки и сегментации изображений…………………………………………………………14 1.1. Особенности изображений и методы повышения их качества ……..14 1.1.1. Основные характеристики изображений………………………..15 1.1.2. Пространственные методы повышения яркости и контраста изображений…………………………………………………………….. 24 1.2. Современные тенденции развития методов кластеризации, как этапа сегментации при анализе пространственных данных…………………….32 1.3. Методы формирования пространства информативных признаков на основе преобразования исходных данных ………………………………..45 ВЫВОДЫ…………………………………………………………………………... 48 РАЗДЕЛ 2. Информационная характеристик технология преобразования многомерных яркостных изображений ……………………………………..49 2.1. Метод адаптивной оптимизации яркостных многомерных характеристик фотографических изображений……………………………49 2.1.1. Адаптивное повышение яркости………………………………...52 2.1.2. Адаптивное пространственное контрастирование……………..58 2.1.3. Адаптивная гистограммная коррекция………………………….65 2.1.4. Адаптивное повышение яркости и контраста полутоновых изображений…………………………………………….......................... 72 2.2. Целевой синтез информационной технологии обработки многомерных изображений………………………………………………...76 ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ……………………………………....89 РАЗДЕЛ 3. Метод динамической нечеткой сегментации многомерных изображений………………………………………………………………………... 91 3.1. Алгоритм динамической нечеткой кластеризации…………………...91 3.1.1. Оценка расстояний между нечеткими кластерами при выполнении динамического сжатия функции преобразования функции принадлежностей…....98 3.1.2. Способы динамического принадлежностей ………………………………………………………103 3.1.3. Влияние применения дополнительных критериев останова на чувствительность кластеризации……………………………………...107 3.2. Методы синтеза и визуализации результатов нечеткой кластеризации.……………………………………………………………...1 08 3.2.1. Визуализация результатов нечеткой кластеризации на основе сравнения с исходными данными……………………………………..109 3.2.2. Использование топологической визуализации информации результатов при нечеткой кластеризации…………………………………112 3.2.3. Применение -суммы для визуализации результатов нечеткой кластеризации…………………………………………………………..1 16 ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ……………………………………...118 РАЗДЕЛ 4. Адаптивная гибридная кластеризация на основе нейро-фаззи технологии…………………………………………………………………………1 20 4.1. Повышение достоверности нечеткой кластеризации на основе иерархической модели……………………………………………………..120 4.2. Алгоритм гибридной нечеткой кластеризации……………………..123 4.3. Зависимость чувствительности метода от способа упорядочения центров нечетких кластеров и определения их результирующего количества………………………………………………………………….1 29 4.3.1. Методы упорядочения центров нечетких кластеров перед увеличением их количества……………………………………………129 4.3.2. Способы выбора значимых центров нечетких кластеров…….131 4.3.3. Исследование зависимости чувствительности метода от способа упорядочения центров нечетких кластеров и определения их результирующего количества…………………………………………132 4.4. Применение метода гибридной нечеткой кластеризации для выполнения бинаризации полутоновых изображений………………......140 ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ……………………………………...148 ВЫВОДЫ………………………………………………………………………….1 50 СПИСОК ИСТОЧНИКОВ……………………………..153 ПРИЛОЖЕНИЕ ИСПОЛЬЗОВАННЫХ ВВЕДЕНИЕ Актуальность темы. Обработка цифровых изображений в настоящее время является практически необходимой задачей, имеющей важное значение в различных областях человеческой деятельности. Этот процесс может выполняться в ручном, автоматизированном или автоматическом режимах. И если в первом случае существует профессиональное программное обеспечение (например, Adobe Photoshop), позволяющее эффективно решать эту задачу практически для любых типов изображений, то для автоматического и автоматизированного режимов обработки практически отсутствуют не только универсальные информационные системы (обеспечивающие как автоматическую подстройку яркостных характеристик, так и выполнение их сегментации), но и алгоритмы решения такой задачи в общем случае. В то же время именно эти режимы обработки, а особенно автоматический, и представляют интерес в современных системах распознавания, видеонаблюдения, экспертных системах и т.д. [1, 2]. Вследствие большой значимости решения задач, связанных с обработкой изображений (в том числе, развитие методов классификации и кластеризации), им постоянно уделялось внимание, как зарубежными, так и отечественными учеными, в частности, У. Прэттом, Р. Гонсалесом и Р. Вудсом, Б. Яне, Д. Форсайтом, Л. Заде, Р. Дудой и П. Хартом, Е.П. Путятиным, И.Б. Сироджей, Е.В. Бодянским, Н.Н. Куссуль, А.М. Ахметшиным, С.И. Авериным. Сложность разработки методов и информационных технологий, позволяющих обрабатывать широкий класс изображений в автоматическом (автоматизированном) режиме заключается в том, что исходные снимки могут существенно отличаться по типу (бинарные, полутоновые, цветные), характеристикам яркости, количеству компонент [3, 4, 5]. Кроме того, возникают сложности при сравнительной оценке результатов обработки [6] ввиду отсутствия стандартных критериев качества изображения. В данной работе используется термин «многомерные изображения», который включает, размерности: как частный одномерные, случай, изображения цветные, различной многопараметровые, мультиспектральные. Среди них наибольшие сложности возникают при обработке изображений, называемыми нами «низкокотрастными», отличительные особенности которых можно сформулировать следующим образом: 1. полный (или почти полный) диапазон уровней яркости, с наличием значительных темных и светлых участков гистограмма является мультимодальной; 2. плавный переход яркостей во всех областях и размытые границы между ними; 3. изменения уровней яркости объектов интереса ниже порога зрительного восприятия, что не позволяет провести непосредственный визуальный анализ; 4. отсутствие априорной информации о наличии и местоположении объектов интереса; 5. возможное наличие сложного структурированного фона; 6. существенные различия качества в зависимости от способа и условий формирования. Выбор методов, используемых в информационных технологиях обработки цифровых изображений, существенно зависит от поставленной цели. Так, при необходимости визуального анализа обязательно следует учитывать особенности цветового восприятия [7] и порог чувствительности человеческого зрения, который описывается отношением Вебера [8]. Отдельного внимания в этом случае заслуживает обработка фотографических изображений, когда требуется гарантированное сохранение цветового баланса и соответствия с исходным снимком чего, как правило, не могут обеспечить методы, пригодные для применения в автоматическом режиме. С другой стороны, при выполнении бинаризации или выделения контуров, требования к изменению яркостных характеристик исходного снимка совершенно иные: необходимо добиться максимального выявления границ объектов интереса. Одной из наиболее сложных задач при обработке изображений являются технологии сегментации [9, 10, 11] получении компактного представления полезного содержимого объекта [1] и которую можно интерпретировать, как визуализацию результатов кластеризации. При выполнении кластеризации уровень достоверности и детализации получаемого результата существенно зависит от используемого метода [1, 913]. В настоящее время существует огромное количество (порядка 200) различных методов кластеризации и их модификаций [9, 11, 12, 13], что связано с отсутствием универсального подхода [12, 13] и необходимостью разработки алгоритмов, направленных на решение конкретных задач. В последнее время широкое распространение получили методы, основанные на нейронных сетях [11-15], нечетких алгоритмах [12, 16-20] и их комбинациях (нейро-фаззи технологии [21-24]). Каждый из этих подходов имеет свои достоинства и недостатки. Так, при использовании нейросетевых алгоритмов возникают сложности с выбором архитектуры, формированием обучающих и тестовых данных, определения способа их предобработки. Проблемой нейронных сетей также часто является невысокая скорость обучения. Для нечетких алгоритмов характерна гибкость, возможность обработки слабоструктурированных данных, относительно высокая скорость работы, но в то же время серьезным недостатком является использование априорной информации при инициализации параметров алгоритма. Нейро-фаззи технологии выполнения кластеризации позволяют объединить в пределах одного алгоритма достоинства обоих подходов. В работе разработана информационная технологии преобразования многомерных изображений, которая позволяет осуществлять оптимизацию их яркостных характеристик с целью повышения достоверности визуального или компьютерного анализа в условиях отсутствия априорной информации об объектах потенциального интереса. Связь работы с научными программами, планами, темами. Диссертационная вычислительных работа машин выполнялась и на кафедрах автоматизированных электронных систем обработки информации Днепропетровского национального университета имени Олеся Гончара. Работа выполнена рамках научно-исследовательских тем: «Інтелектуальний аналіз і обробка даних в реальному часі на основі засобів обчислювального інтелекту» (номер госрегистрации 0104U003432) и «Моделирование процессов обработки информации и управления в компьютерных системах и сетях» (РФ-74-07). Цель и задачи исследования. Целью диссертационной работы является разработка информационной технологии преобразования многомерных изображений, основанной на методах адаптивной оптимизации яркостных характеристик и гибридной или динамической нечеткой кластеризации, которая обеспечивает повышение достоверности визуального или компьютерного анализа в условиях отсутствия априорной информации об объектах потенциального интереса. В соответствии с целью исследования были поставлены следующие задачи: 1. яркостных анализ современных пространственных методов преобразования характеристик, сегментации и способов повышения чувствительности сегментации при обработке многомерных изображений; 2. разработка характеристик метода многомерных адаптивной оптимизации фотографических изображений яркостных с целью повышения чувствительности визуального или компьютерного анализа; 3. разработка нового метода кластеризации на основе нейро-фаззи технологии, повышающего достоверность и скорость ее выполнения; 4. усовершенствование метода динамической нечеткой кластеризации и способа формирования результирующих изображений с целью повышения достоверности и скорости выполнения сегментации; 5. разработка информационной технологии преобразования многомерных изображений, основанной на методах адаптивной оптимизации яркостных характеристик и гибридной или динамической нечеткой кластеризации. Объект исследования процессы преобразования и визуализации многомерных изображений в информационных системах. Предмет исследования методы, алгоритмы и информационные технологии в задачах обработки многомерных изображений. Методы исследования. Были использованы методы компьютерной графики, теории алгоритмов, цифровой обработки изображений, матричной алгебры и вычислительного интеллекта, а именно нейро-фаззи технологии. Научная новизна полученных результатов. 1. Впервые предложен метод адаптивной оптимизации яркостных характеристик многомерных фотографических изображений, основанный на использовании их статистических параметров, который за счет нелинейности проводимых преобразований позволяет обеспечить повышение чувствительности анализа при гарантированном сохранении цветового баланса. 2. Впервые предложен метод гибридной нечеткой кластеризации, основанный на применении самоорганизующейся нейронной сети Кохонена переменного размера, который за счет итеративного уточнения центров нечетких кластеров обеспечивает повышение достоверности и скорости выполнения кластеризации. 3. Получил дальнейшее развитие метод динамической нечеткой кластеризации, который за счет изменения способа сжатия нечеткой функции принадлежности, введения дополнительных критериев останова вычислительного процесса и использования характеристик исходного изображения при дефаззификации обеспечивает повышение достоверности сегментации. 4. Разработана яркостных информационная характеристик многомерных технология преобразования изображений на основе использования методов адаптивной оптимизации яркостных характеристик и гибридной и динамической нечеткой кластеризации, которая обеспечивает повышение чувствительности визуального или автоматического компьютерного анализа. Практическая значимость полученных результатов. Разработанные методы и информационная технология позволяют создавать специализированные программные средства для обработки многомерных изображений различной физической природы, которые обеспечивают автоматическое улучшение их качества, повышение чувствительности и достоверности кластеризации. Предложенные методы кластеризации могут быть использованы для обработки любой информации, обладающей топологическими свойствами и возможностью ее интерпретации в виде изображения. Материалы диссертации внедрены в систему автоматизированной идентификации объектов с использованием их RGB визуальных образов, формируемых в режиме реального времени (корпорация "ПРОМТЕЛЕКОМ", акт от 2008 г.), в автоматизированной системе классификации объектов на основе повышения качества RGB изображения и последующей их сегментации (Днепропетровский областной кожно-венерологический диспансер, акт от 2009 г.), в учебном процессе Днепропетровского национального университета имени Олеся Гончара (акт от 2007 г.). Личный вклад автора. Все положения, которые выносятся на защиту, получены автором лично. В работах, выполненных в соавторстве, автору принадлежит выполнение экспериментальных исследований и интерпретация полученных результатов, в частности, [46, 48, 72, 76, 90]; кроме того: [104] программная реализация иерархической кластеризации; [71] разработка программного обеспечения для вычисления пространственных статистик; [91-93] программная реализация метода динамической нечеткой кластеризации, предложены варианты выбора метрики расстояний и методы динамического преобразования функции принадлежностей; [97-99, 105-109, 112, 115] метод гибридной нечеткой кластеризации sFCM; [108] метод пропорционального распределения; [113] метод переупорядочения центров нечетких кластеров; [103] метод визуализации результатов нечеткой кластеризации на основе применения -суммы; [81, 83, 84, 89, 116] метод адаптивного повышения яркости и контраста и информационная технология оптимизации яркостных характеристик, основанная на его применении; [114] модифицированный метод гибридной нечеткой кластеризации. Апробация результатов диссертации. Научные результаты и основные положения диссертационной работы докладывались и обсуждались на конференциях: I молодежном научно-практическом форуме «Информационные технологии в XXI веке» (Днепропетровск, 2003); международных научно-практических конференциях: "Математичне та програмне забезпечення інтелектуальних систем" (Днепропетровск, 2004, 2006 − 2011), "Сучасні проблеми геометричного моделювання" (Луцк, 2008, Харьков, 2009), "Геометрическое моделирование и компьютерный дизайн" (Одеса, 2010), "Сучасні інформаційні та інноваційні технології на транспорті" (Херсон, 2010); украино-российская научно-практическая конференция "Сучасні проблеми международных геометричного научных моделювання" конференциях: (Харьков, "Интеллектуальные 2007); системы принятия решений и прикладные аспекты информационных технологий" (Евпатория, 2005 2007), "Интеллектуальные системы принятия решений и проблемы вычислительного международных интеллекта" научно-технических (Евпатория, конференциях: 2010 2012), "Искусственный интеллект, интеллектуальные системы" (Кацивели, 2008, 2010, 2011), "Актуальные проблемы информационно-компьютерных технологий, мехатроники и робототехники" (Дивноморское, 2009); международных конференциях по математическому моделированию (Херсон, 2009 2011). Публикации. По основным материалам диссертации опубликовано 43 печатных работы (11 статей в журналах, 13 статей в сборниках научных работ, 20 публикаций в сборниках научных конференций), в том числе 23 в изданиях, которые входят в перечень Министерства образования и науки Украины. Структура и объем диссертации. Диссертация состоит из введения, четырех разделов, списка использованной литературы и содержит 87 рисунков и 1 приложение. Общий объем диссертации составляет 165 страниц. В первом разделе описаны характеристики и свойства анализа изображений, а также психофизиологические особенности их визуального восприятия, которые необходимо учитывать при разработке информационных технологий. Дано математическое описание цифрового многомерного изображения, его качественных характеристик, методов преобразования. Представлены недостатки формальных критериев оценки качества изображений. Проведено сравнение эффективности традиционных пространственных методов повышения яркости и контраста на примерах изображений разного типа. Рассмотрены современные подходы к решению задачи кластеризации и сегментации многомерных изображений на их основе, приведены алгоритмы наиболее распространенных методов. Описано влияние изменения пространства входных признаков на чувствительность кластеризации, способы его формирования на основе исходных данных, а также методы их предобработки. Во втором разделе представлен новый метод адаптивной оптимизации яркостных характеристик многомерных фотографических изображений, оснований на использовании их статистических параметров в степенных преобразованиях, который позволяет в автоматическом режиме повышать яркость и контраст с целью улучшения визуального анализа. Критериями оптимизации предложенного метода являются автоматические оценки уровня яркости V и контраста C , которые рассчитываются на основании статистических характеристик окна преобразования. Предложена информационная технология преобразования яркостных характеристик многомерных изображений, основанная на методе адаптивной оптимизации, обеспечивающая улучшение их качества с сохранением цветового баланса. В третьем разделе развиты возможности метода динамической нечеткой кластеризации, что обеспечивает повышение достоверности и скорости обработки многомерных изображений благодаря автоматическому определению числа нечетких кластеров, использованию дополнительных критериев остановки вычислительного процесса и поиску конечного результата в полном пространстве промежуточных решений. Определение числа кластеров основано на значении критерия d min , вычисление которого базируется на использовании статистических характеристик матрицы расстояний между центроидами. Формирование матриц центроидов и нечетких функций принадлежности основывается на критерии оптимизации C tfz , вычисление которого базируется на показателях нечеткости и Ксие- Биени. Усовершенствованы способы синтеза и визуализации результатов нечеткой кластеризации, позволяющие получать как цветные, так и полутоновые результирующие изображения. В четвертом разделе предложен алгоритм гибридной нечеткой кластеризации sFCM, обеспечивающий повышение чувствительности и скорости выполнения сегментации. Он в рамках каждой итерации метода динамической нечеткой кластеризации использует SOM с целью уточнения значений центроидов. Развиты возможности метода нечеткой кластеризации на основе иерархической модели сегментации, представляющей собой последовательное объединение нечеткого алгоритма с последующим применением SOM, с целью повышения ее чувствительности благодаря нормализации значений нечеткой функции принадлежности. Автор выражает искреннюю признательность научному руководителю доктору технических наук, профессору Ахметшиной Людмиле Георгиевне за постановку целей и задач диссертационных исследований, а также за ценные замечания, которые были использованы при выполнении работы, и коллективу кафедр электронных вычислительных машин и автоматизированных систем обработки информации Днепропетровского национального университета имени Олеся Гончара за помощь и рекомендации при обсуждении результатов. ВЫВОДЫ В диссертации представлена новая информационная технологии преобразования многомерных изображений, которая позволяет осуществлять оптимизацию их яркостных характеристик с целью повышения достоверности визуального или компьютерного анализа в условиях отсутствия априорной информации об объектах потенциального интереса. В процессе выполнения диссертационной работы были получены следующие результаты. 1. Впервые предложен метод адаптивной оптимизации яркостных характеристик многомерных обеспечивающий повышение фотографических чувствительности их изображений, визуального и автоматического анализа, основанный на использовании статистических параметров в окне преобразования. Он позволяет за счет учета структурных особенностей исходных изображений осуществлять автоматический выбор вида и количества функции преобразования при одновременном и/или последовательном изменении яркости и контраста в зависимости от поставленной задачи. Критериями оптимизации предложенного метода являются автоматические оценки уровня яркости V и контраста C , которые рассчитываются на основании статистических преобразования. Достоинствами метода является: характеристик окна сохранение цветового соответствия с исходным изображением; автоматическая оценка уровня яркости и контраста и принятие решения о необходимости выполнения преобразования; возможность применения в автоматических информационных и управляющих системах; возможность параллельной обработки на современных CPU или в рамках концепции GPGPU. 2. Впервые кластеризации sFCM, предложен алгоритм обеспечивающий гибридной повышение нечеткой достоверности и скорости выполнения обработки за счет использования карты Кохонена на этапе вычисления значений центроидов в алгоритме динамической нечеткой кластеризации. Особенностью архитектуры карты Кохонена в предложенном алгоритме является динамическое изменение ее размера, который рассчитывается с использованием статистических характеристик матрицы расстояний между нейронами, что позволяет сократить количество итераций базового алгоритма. Комплексное использование метода адаптивной оптимизации и алгоритма sFCM позволило осуществить разработку информационной технологии, осуществляющей бинаризацию RGB изображений с целью автоматизированного выделения объектов интереса. 3. Получил дальнейшее развитие метод динамической нечеткой кластеризации, обеспечивающий повышение достоверности и скорости выполнения кластеризации, а также адаптивную оценку числа кластеров, за счет следующих изменений: введения критерия оптимизации d min при определении количества нечетких кластеров; введения операции масштабирования при расчете новой нечеткой функции принадлежности и центров кластеров в процессе сжатия; внесения новых критериев останова вычислительного процесса, основанных на вычислении показателей нечеткости и Ксие-Биени; осуществления поиска конечного результата в полном пространстве промежуточных решений с использованием критерия оптимизации C tfz . 4. Усовершенствованы способы дефаззификации − синтеза и визуализации результатов нечеткой кластеризации изображений, обеспечивающие повышение достоверности их сегментации. Формирование результирующего изображения предлагается осуществлять на основе: сравнения значений нечеткой функции принадлежности и центроидов с исходными данными, что позволяет формировать как цветные, так и полутоновые выходные изображения; топологической информации ближайшей окрестности каждого пикселя; применения -суммы значений функции принадлежности каждого пикселя. 5. Получил дальнейшее развитие метод нейро-фаззи кластеризации на основе иерархической модели, обеспечивающий повышение достоверности сегментации за счет нормализации значений нечеткой функции принадлежности перед обработкой ее нейронной сетью, что позволяет учитывать значимость формируемых кластеров. 6. Создана информационная технология преобразования яркостных характеристик многомерных изображений на основе использования методов адаптивной оптимизации кластеризации, которая и гибридной обеспечивает или динамической повышение нечеткой чувствительности визуального или компьютерного анализа. 7. технологии Эффективность предложенных методов и информационной подтверждена путем имитационного моделирования и экспериментальных исследований на изображениях различной физической природы в аспекте повышения качества, чувствительности при анализе и достоверности результатов сегментации в сравнении с использованием традиционных подходов. Алгоритм sFCM и метод динамической нечеткой кластеризации применимы для обработки числовых данных любого типа при исключении этапа динамического преобразования функции принадлежности. Изменяя стратегию выбора порядка выполнения предложенных методов и их совместного использования возможна целевая разработка новых информационных технологий для решения конкретных задач обработки широкого класса изображений. 8. Результаты научных исследований внедрены в корпорации "ПРОМТЕЛЕКОМ", в Днепропетровском областном кожно- винерологическом диспансере и в учебном процессе Днепропетровского национального университета имени Олеся Гончара. СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. ФОРСАЙТ Д. КОМПЬЮТЕРНОЕ ЗРЕНИЕ: СОВРЕМЕННЫЙ ПОДХОД / Д. ФОРСАЙТ, Ж. ПОНС; [ПЕР. С АНГЛ. А.В. НАЗАРЕНКО, И. Ю. ДОРОШЕНКО]. – М.: С.ПБ.; К.: ВИЛЬЯМС, 2004. – 926 С. 2. ПУТЯТИН РОБОТОТЕХНИКЕ Е.П. / ОБРАБОТКА Е.П. ПУТЯТИН, ИЗОБРАЖЕНИЙ С.И. АВЕРИН – В М.: МАШИНОСТРОЕНИЕ, 1990. – 320 С. 3. ДЖ. ШАПИРО Л. КОМПЬЮТЕРНОЕ ЗРЕНИЕ / Л. ШАПИРО, СТОКМАН; [ПЕР. С АНГЛ. А.В. НАЗАРЕНКО, И. Ю. ДОРОШЕНКО]. – М.: БИНОМ, 2006. – 752 С. 4. ЯНЕ Б. ЦИФРОВАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ / Б. ЯНЕ; [ПЕР. С АНГЛ. А.М. ИЗМАЙЛОВОЙ]. – М.: ТЕХНОСФЕРА, 2007. – 583 С. 5. В ГРУЗМАН И.С. ЦИФРОВАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ ИНФОРМАЦИОННЫХ СИСТЕМАХ / И.С. ГРУЗМАН – НОВОСИБИРСК: НГТУ, 2002. – 352 С. 6. ГОНСАЛЕС Р. ЦИФРОВАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ / Р. ГОНСАЛЕС, Р. ВУДС; [ПЕР. C АНГЛ. ПОД РЕД. П.А.ЧОЧИА]. – М.: ТЕХНОСФЕРА, 2006. –1070 С. 7. ЗАВАЛИШИН Н.В. МОДЕЛИ ЗРИТЕЛЬНОГО ВОСПРИЯТИЯ И АЛГОРИТМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ / Н.В. ЗАВАЛИШИН, И.Б. МУЧНИК – М.: НАУКА, 1974. – 344 С. 8. PRATT W.K. DIGITAL IMAGE PROCESSING / W.K. PRATT – NEW YORK; – CHICHESTER; WEINHEIM; BRISBANE: JOHN WILEY AND SONS INC., 2001. – 723 Р. 9. JAIN A.K. ALGORITHMS FOR CLUSTERING DATA / A.K. JAIN, R.C. DUBES – NJ: PRENTICE-HALL, 1988. – 320 P. 10. MATTHEWS G. CLUSTERING WITHOUT A METRIC / G. MATTHEWS, J. HEARNE // IEEE TRANS. PATTERN ANAL. MACH. INTEL. – 1991. –VOL. 13. – P. 175 − 184. 11. MANN S. INTELLIGENT IMAGE PROCESSING / S. MANN – N.Y.: JOHN WILEY AND SONS INC, 2002. – 342 P. 12. РУТКОВСКИЙ Л. МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ТЕХНОЛОГИИ / Л. РУТКОВСКИЙ М.: ГОРЯЧАЯ ЛИНИЯ-ТЕЛЕКОМ, 2010. 520 С. 13. ХАЙКИН С. НЕЙРОННЫЕ СЕТИ: ПОЛНЫЙ КУРС / С. ХАЙКИН; [ПЕР. С АНГЛ. Н.Н. КУССУЛЬ, А.Ю. ШЕЛЕСТОВА]; ПОД. РЕД. Н.Н. КУССУЛЬ – М.: ВИЛЬЯМС, 2006. – 1103 С. 14. КАЛЛАН Р. ОСНОВНЫЕ КОНЦЕПЦИИ НЕЙРОННЫХ СЕТЕЙ / Р. КАЛЛАН – М.: ВИЛЬЯМС, 2001. – 287 С. 15. РУДЕНКО О.Г. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ: АРХИТЕКТУРА, ОБУЧЕНИЕ, ПРИМЕНЕНИЕ / О.Г. РУДЕНКО, Е.В. БОДЯНСКИЙ – ХАРЬКОВ: ТЕЛЕТЕХ., 2004. – 384 С. 16. ЗАДЕ Л.А. РАЗМЫТЫЕ МНОЖЕСТВА И ИХ ПРИМЕНЕНИЕ В РАСПОЗНАВАНИИ ОБРАЗОВ И КЛАСТЕР-АНАЛИЗЕ / Л.А. ЗАДЕ; [ПЕР. С АНГЛ. П.П. КОЛЬЦОВА]; ПОД РЕД. ДЖ. ВЭН РАЙЗИНА // КЛАССИФИКАЦИЯ И КЛАСТЕР. М.: МИР, 1980. – С. 208 − 247. 17. ЛЕОНЕНКОВ А. НЕЧЕТКОЕ МОДЕЛИРОВАНИЕ В СРЕДЕ MATLAB И FUZZYTECH / А. ЛЕОНЕНКОВ – С.ПБ.: БХВ– ПЕТЕРБУРГ, 2003. – 719 С. 18. CINQUE L. A CLUSTERING FUZZY APPROACH FOR IMAGE SEGMENTATION / L. CINQUE, G.FORESTI, L.LOMBARDI // PATTERN RECOGNITION. – 2004. – VOL. 37. – P. 1797 – 1807. 19. ПЕГАТ А. НЕЧЕТКОЕ МОДЕЛИРОВАНИЕ И УПРАВЛЕНИЕ / А. ПЕГАТ; [ПЕР. С АНГЛ. А.Г. ПОДВЕСОВСКОГО, Ю.В. ТЮМЕНЦЕВА]; ПОД. РЕД. Ю.В. ТЮМЕНЦЕВА М.: БИНОМ, 2009. 768 С. 20. СHI Z. FUZZY ALGORITHMS: WITH APPLICATIONS TO IMAGE PROCESSING AND PATTERN RECOGNITION / Z. СHI, H. YAN, T. PHAM – SINGAPORE; NEW JERSEY; LONDON; HONG KONG: WORD SCIENTIFIC, 1998. – 225 P. 21. Cinquea L. A clustering fuzzy approach for image segmentation / L. Cinquea, G. Forestib, L. Lombardic // Pattern Recognition. – 2004. – Vol. 37. – Р. 1797 − 1807. 22. Muhammed H. H. Unsupervised Image Segmentation Using New Neuro-Fuzzy Systems. [Электронный ресурс] / H. H. Muhammed // Centre for Image Analyze. Режим доступа: Swedenhamed@cb.uu.se. 23. Bodyanskiy Ye. Combined learning algorithm for a self-organizing map with fuzzy inference / Ye. Bodyanskiy, Ye. Gorskov, V. Kolodyazhniy, Stefan А. // Computational Intelligence, Theory and Applications. – 2005. – Vol. 33. – P. 641 − 650. 24. HATZICHRISTOS T. DEFUZZIFICFTIONS OPERATORS FOR GEOGRAPHICAL DATA OF NOMINAL SCALE / T. HATZICHRISTOS, J. POTAMIAS // PROC. 12TH INT. CONF. ON GEOINFORMATICS, SWEDEN, 7-9 JUNE, 2004. – P. 481 − 488. 25. ЖУРАВЕЛЬ И.М. КРАТКИЙ КУРС ТЕОРИИ ОБРАБОТКИ ИЗОБРАЖЕНИЙ [ЕЛЕКТРОННИЙ РЕСУРС] / И.М. ЖУРАВЕЛЬ М., 1999. РЕЖИМ ДОСТУПА: URL: HTTP://MATLAB.EXPONENZA.RU/IMAGEPROCESS/BOOK2 26. JOHR R. DERMOSCOPY THE ESSENTIALS / R. JOHR, H. P. SOYER, G. ARGENZIANO, R. HOFMANN-WELLENHOF, M. SCALVENZI MOSBY; AN IMPRINT OF ELSEVIER LTD, 2004. 231 P. 27. Трассел Х.Д. Обработка рентгеновских изображений / Х.Д. Трассел // ТИИЭР. – 1981. – Т. 69, № 5. – С. 145 − 157. 28. S. M. Pizer et al. Adaptive Histogram Equalization and Its Variations / S. M. Pizer, E.P Ambrun, J.D Austin [et al.] // Computer Vision, Graphics and Image Processing. – 1987. – Vol. 39., № 3. – P. 355−368. 29. ZHU H. IMAGE CONTRAST ENHANCEMENT BY CONSTRAINED LOCAL HISTOGRAM EQUALIZATION / H. ZHU, F. H. Y. CHAN, F. K. LAM // COMPUTER VISION AND IMAGE UNDERSTANDING. – 1999. – VOL. 73., № 7. – P. 281−290. 30. LAINE A.F. MAMMOGRAPHIC FEATURE ENHANCEMENT BY MULTISCALE ANALYSIS / LAINE A.F., S. SCHULER, J. FAN, W. HUDA // IEEE TRANS. ON MEDICAL IMAGING. – 1994. – VOL. 13., № 4. – P. 725 − 738. 31. Oktem H. An Approach to Adaptive Enhancement of Diagnostic X-Ray Images / H. Oktem, K. Karen Egiazarian, J. Niittylahti, J. Lemmetti // EURASIP Journal on Applied Signal Processing. – 2003. – № 5. – P. 430−436. 32. Caselles V. Shape preserving local histogram modification / V. Caselles, J.L. Lisani, J.M. Morel, G. Sapiro // IEEE Trans. Image Processing. – 1998. – Vol. 8., № 2. – P. 220 − 230. 33. Fayad L. M. Chest CT with Multiscale Adaptive Histogram Equalization / L.M. Fayad, Y. Jin, A.F. Laine [et al.] // Radiology. – 2002. – Vol. 223., № 3. – P. 845 − 852. 34. CHENG H.D. A SIMPLE AND EFFECTIVE HISTOGRAM EQUALIZATION APPROACH TO IMAGE ENHANCEMENT / H.D. CHENG, X.J. SHI // DIGITAL SIGNAL PROCESSING. – 2004. –VOL. 14. – P. 158 – 170. 35. Pal S.K. Image Enhancement Using Smoothing with Fuzzy Sets / S.K. Pal, R.A. King // IEEE Transactions on Systems, Man and Cybernetics. – 1981. – Vol. SMS-11., № 2. – P. 494 − 501. 36. Tizhoosh H.R. Image Enhancement with Fuzzy Histogram Hiperbolizetion / H.R. Tizhoosh, M. Fochem // Proceedings of EUFIT’95. – 1995. – Vol. 3. – P. 1695 − 1698. 37. Orlando J. T. Image Segmentation by Histogram Thresholding Using Fuzzy Sets / J. T. Orlando // IEEE Trans. on Medical Processing. – 2002. – Vol. 11., № 2. – P. 1457 − 1465. 38. HASSANIEN A. A COMPARATIVE STUDY ON DIGITAL MAMMOGRAPHY ENHANCEMENT ALGORITHMS BASED ON FUZZY THEORY / A. HASSANIEN, A. BADR // STUDIES IN INFORMATICS AND CONTROL. – 2003. – VOL. 12., № 1. – Р. 1 − 31. 39. SELIM S.Z. GENERALIZED K-MEANS TYPE CONVERGENCE ALGORITHMS: THEOREM A AND CHARACTERIZATION OF LOCAL OPTIMALITY / S.Z. SELIM, M.A. ISMAIL // IEEE TRANS. PATTERN ANAL. MACH. INTELL. – 1984. – VOL. 6. – Р. 81−87. 40. CARPENTER G.A. PATTERN RECOGNITION BY SELFORGANIZING NEURAL NETWORKS / G.A. CARPENTER, S. GROSSBERG – CAMBRIDGE: MIT PRESS, 1991. – 217 Р. 41. MOODY J. FAST LEARNING IN NETWORKS OF LOCALLYTUNED PROCESSING UNITS / J. MOODY, C. DARKEN // NEURAL COMPUTATION. – 1989. – VOL. 1., № 2. – P. 281 294. 42. KOHONEN T. THE SELF-ORGANIZING MAP / T. KOHONEN // PROC. IEEE. – 1990. – VOL. 78., № 96. – P. 1464 − 1480. 43. КОХОНЕН Т. САМООРГАНИЗУЮЩИЕСЯ КАРТЫ / Т. КОХОНЕН; [ПЕР. С АНГЛ. В.Н. АГЕЕВА]. – М.: БИНОМ, 2008. – 655 С. 44. ДЕБОК Г. АНАЛИЗ ФИНАНСОВЫХ ДАННЫХ С ПОМОЩЬЮ САМООРГАНИЗУЮЩИХСЯ КАРТ / Г. ДЕБОК, Т. КОХОНЕН; [ПЕР. С АНГЛ. А.И. ГОРБУНОВА]. – М.: АЛЬПИНА, 2001. – 316 С. 45. ED. AKAY M. INFORMATION TECHNOLOGIES IN MEDICINE / M. ED. AKAY, A. MARSH – N.Y.: JOHN WILEY AND SONS INC., 2001. – VOL. 1. – 237 P. 46. АХМЕТШИНА ГЕОФИЗИЧЕСКИХ Л.Г. АНАЛИЗ ДАННЫХ САМООРГАНИЗУЮЩИХСЯ НА КАРТ / МНОГОМЕРНЫХ ОСНОВЕ Л.Г. МЕТОДА АХМЕТШИНА, А.А. ЕГОРОВ // НАУКОВИЙ ВІСНИК НГАУ. – 2001. – № 5. – С. 45 − 47. 47. Егоров А.А. Анализ многопараметровых медицинских данных с использованием самоорганизующихся карт Кохонена / А.А. Егоров // Информационные технологии в XXI веке: I молодежный научно- практический форум, 23 24 апреля 2003 г., Днепропетровск. С. 94 95. 48. АХМЕТШИНА Л. Г. СЕГМЕНТАЦИЯ МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ САМООРГАНИЗУЮЩИХСЯ КАРТ КОХОНЕНА / Л.Г. АХМЕТШИНА, А.А. ЕГОРОВ // СБ. НАУЧНЫХ ТРУДОВ НГУ. – 2002. – Т. 2., № 14. – С. 154 − 158. 49. CAILLOL H. ESTIMATION OF FUZZY GAUSSIAN MIXTURE AND UNSUPERVISED STATISTICAL IMAGE SEGMENTATION / H. CAILLOL, W. PIECZYNSKI, A. HILLION // IEEE TRANS. IMAGE PROCESS. – 1997. – VOL. 6., № 3. – Р. 425 − 440. 50. BEZDEK J.C. A CONVERGENCE THEOREM FOR THE FUZZY ISODATA CLUSTERING ALGORITHMS / J.C. BEZDEK // IEEE TRANSACTION ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE. – 1980. – VOL. 2., № 1. – Р. 1 − 8. 51. HALL L.O. A COMPARISON OF NEURAL NETWORK AND FUZZY CLUSTERING TECHNIQUES IN SEGMENTATION MRI OF THE BRAIN / L.O. HALL, A. BENSAID, L.P. CLARKE R.P. VELTHUIZEN [ET. AL.] // IEEE TRANS. ON NEURAL NETWORKS. – 1992. – VOL. 3. – Р. 672 − 682. 52. WANG F. A FUZZY EXPERT SYSTEM FOR REMOTE SENSING IMAGE ANALYSIS / F. WANG // PROCEEDINGS OF IEEE GEOSCIENCE AND REMOTE SENSING. – 1989. – № 7. – P. 848 − 851. 53. CHUANG K.H. MODEL-FREE FUNCTIONAL MRI ANALYSIS USING KOHONEN CLUSTERING NEURAL NETWORK АND FUZZY CMEANS / K.H. CHUANG, M.J. CHIU, C.C. LIN // IEEE TRANS. ON MEDICAL IMAGING. – 1999. – VOL. 18., № 9. – P. 1117 − 1128. 54. JIANG L. MODIFIED FUZZY C-MEANS ALGORITHM FOR SEGMENTATION OF MAGNETIC RESONANCE IMAGES / L. JIANG, W. YANG // TECHNIQUES AND APPLICATIONS: PROC. VII-TH DIGITAL IMAGE COMPUTING. – SYDNEY, 10-12 DEC. 2003. – P. 225 − 231. 55. CINQUE G. A CLUSTERING FUZZY APPROACH FOR IMAGE SEGMENTATION / G. CINQUE, L. FORESTI, J. LOMBARDI // PATTERN RECOGNITION. – 2004. – VOL. 37. – P. 1797 − 1807. 56. PHAM D.L. AN ADAPTIVE FUZZY C-MEANS ALGORITHM FOR IMAGE SEGMENTATION IN THE PRESENCE OF INTENSITY HOMOGENEITIES / D.L. PHAM, J.L. PRINCE // PATTERN RECOGNITION LETTERS. – 1999. – VOL. 20. – P. 57 − 68. 57. TSAO E.C. FUZZY KOHONEN CLUSTERING NETWORKS / E.C. TSAO, J.C. BEZDEK // PATTERN RECOGNITION. –1994. – VO1.27., № 5. – P. 757 − 764. 58. ZHANG D.Q. KERNEL BASED FUZZY AND POSSIBILISTIC C-MEANS CLUSTERING / D.Q. ZHANG, S.C. CHEN // ARTIFICIAL NEURAL NETWORK (ICANN '03): PROC. INTERN. CONF. – ISTANBUL, TURKEY, JUNE 2003. – P. 122 − 125. 59. Бодянский Е.В. Методы вычислительного интеллекта для анализа данных / Е.В. Бодянский // Радіоелектронні і комп’ютерні системи – 2007. − № 5 (24). – С. 66 − 76. 60. Yao K.C. Unsupervised segmentation using a self-organizing map and a noise model estimation in sonar imagery / K.C. Yao, M. Mignotte, C. Collet, P. Galerne , G. Burel // Pattern Recognition. – 2000. – Vol. 33. – P. 1575 – 1584. 61. CAMPBELL N.W. SEGMENTATION OF NATURAL IMAGES USING SELF-ORGANIZING FEATURE MAPS / N.W. CAMPBELL, B.T. THOMAS, T. TROSCIANKO // BRITISH MACHINE VISION CONFERENCE. – 1996. – P. 223 – 232. 62. Сироджа И.Б. Метод разноуровневых алгоритмических квантов знаний для принятия производственных решений при недостатке или нечеткости данных / И.Б. Сироджа, Т.Ю. Петренко – Киев: Наукова думка, 2000. – 247 с. 63. Cinquea L. A clustering fuzzy approach for image segmentation / L. Cinquea, G. Forestib, L. Lombardic // Pattern Recognition. – 2004. – Vol. 37. – P. 1797 − 1807. 64. Pham Dzung L. Adaptive Fuzzy Segmentation of Magnetic Resonance Images / L. Pham Dzung, L. Jerry Prince // IEEE Trans. on Medical Imaging. – 1999. – Vol. 18., №. 9. – P. 737 − 751. 65. Pham D. L. Adaptive Fuzzy Segmentation of Magnetic Resonance Images / D. L. Pham, J. L. Prince // IEEE Trans. on Medical Imaging. – 1999. – Vol. 18., № 9. – P. 737 − 751. 66. Chou Jin-Shin. Three-Dimensional Image Segmentation Using Neural Networks / Chou Jin-Shin, Chen Chin-Tu, Lin Wei-Chung. // Biomedical Image Processing and Biomedical Visualization: Proc. SPIE, Feb. 1 5, 1993. – San Jose. –Vol. 1905. – P. 577 − 584. 67. Bodyanskiy Ye. Hybrid neuron-fuzzy network with variable shape basis functions / Ye. Bodyanskiy, Ye. Gorskov, V. Kolodyazhniy, T. Rvachova // Proc. East West Fuzzy Colloquium: 13-th Zittau Fuzzy Colloquium, Sep. 13 15, 2006 г. – Zittau. – P. 322 − 331. 68. Karayiannis N.B. Segmentation of Magnatic Resonance Images Using Fuzzy Algorithms For Learning Vector Quantization / N.B. Karayiannis, P. Pai // IEEE Trans. on Medical Imaging. – 1999. – Vol. 18., №. 2. – P. 172 − 180. 69. Куссуль Н.М. Аналіз даних зоряної камери на основе нейромереж / Н.М. Куссуль, А.Ю. Шелестов, В.Ш. Пасечник [и др.] // Искусственный интеллект. – 2002. – № 4. С. 719 − 726. 70. КУССУЛЬ Н.Н. ОБУЧЕНИЕ НЕЙРОННЫХ СЕТЕЙ С ИСПОЛЬЗОВАНИЕМ МЕТОДА НЕЧЕТКИХ ЭЛЛИПСОИДНЫХ ОЦЕНОК / Н.Н. КУССУЛЬ // ПРОБЛЕМЫ УПРАВЛЕНИЯ И ИНФОРМАТИКИ. – 2001. – № 1. С. 68 – 75. 71. Ахметшина Л.Г. Повышение чувствительности нечеткой кластеризации на основе применения пространственных статистик / Л.Г. Ахметшина, А.А. Егоров // Інтелектуальні системи прийняття рішень та прикладні аспекти інформаційних технологій: міжнар. наук. конф., 18-21 трав. 2005 р., Євпаторія. – Т. 1. – С. 35 − 37. 72. Ахметшина Л.Г. Самоорганизующаяся сегментация мультиспектральных изображений на основе метода главных компонент / Л.Г. Ахметшина, А.А. Егоров // Системні технології. – 2003. – № 5. С. 70 − 74. 73. Шекхар Ш. Основы пространственных баз данных / Ш. Шекхар, С. Чаула; [пер. с англ. А.В. Петров]. – М.: Кудиц-образ, 2004. – 334 с. 74. АХМЕД Н. ОРТОГОНАЛЬНЫЕ ПРЕОБРАЗОВАНИЯ ПРИ ОБРАБОТКЕ ЦИФРОВЫХ СИГНАЛОВ / Н. АХМЕД, К.Р. РАО; [ПЕР. С АНГЛ. Т. Э. КРЕНКЕЛЯ]; ПОД РЕД. И.Б. ФОМЕНКО. – М.: СВЯЗЬ, 1980. – 248 С. 75. Фукунага К. Введение в статистическую теорию распознавания образов / К. Фукунага; [пер. И. Ш. Торговицкого]; под. ред. Ф.Ф. Дорофеюка. – М.: Наука, 1979. – 367 с. 76. Ахметшина Л.Г. Сегментация мультиспектральных изображений сетью Кохонена на основе метода градиентного отображения / Л.Г. Ахметшина, А.А. Егоров // Вестник ХГТУ. – 2003. – № 19. С. 22 − 25. 77. Егоров А.А. Влияние расширения пространства информативных признаков на повышение чувствительности нечеткой кластеризации / А.А. Егоров // Системні технології. – 2004. – № 6. С. 128 − 134. 78. Kim J. Adaptive mammographic image enhancement using first derivative and local statistics / J. Kim, J. Park, K. Song, H. Park // IEEE Trans. on Medical Imaging. – 1997. – Vol. 16., № 16. – P. 495 – 502. 79. БУСЫГИН Б.С. РАСПОЗНАВАНИЕ ГЕОЛОГО-ГЕОФИЗИЧЕСКОМ ОБРАЗОВ ПРОГНОЗИРОВАНИИ ПРИ / Б.С. БУСЫГИН, Л.В.МИРОШНИЧЕНКО. – ДГУ, 1991. – 168 С. 80. ЕГОРОВ НЕЙРОСЕТЕВОЙ А.А. УЛУЧШЕНИЕ КЛАСТЕРИЗАЦИИ ДОСТОВЕРНОСТИ НИЗКОКОНТРАСТНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ НЕЧЕТКИХ ПРЕОБРАЗОВАНИЙ / А.А. ЕГОРОВ РІШЕНЬ ТА // ІНТЕЛЕКТУАЛЬНІ ПРИКЛАДНІ СИСТЕМИ АСПЕКТИ ПРИЙНЯТТЯ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ: МІЖНАРОДНА НАУКОВА КОНФЕРЕНЦІЯ, 15 18 ТРАВНЯ 2006 Р., ЄВПАТОРІЯ. Т. 2. – С. 207 210. 81. Ахметшина Л.Г. Влияние метода межоконного сглаживания на результаты автоматизированного контрастирования / Л.Г. Ахметшина, А.А. Егоров // Математичне та програмне забезпечення інтелектуальних систем: міжнародна науково-практична конф., 18 20 листопада 2009 г, Дніпропетровськ. – С. 22 23. 82. АХМЕТШИНА Л.Г. АВТОМАТИЗИРОВАННОГО ПОВЫШЕНИЯ МЕТОДИКА ЯРКОСТИ И КОНТРАСТА МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ / Л.Г. АХМЕТШИНА, А.А. ЕГОРОВ // ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. – 2009. – № 3. С. 506 – 515. 83. Егоров А.А. Методика автоматизированного повышения яркости и контраста мультиспектральных Багатопроцесорні обчислювальні изображений та керувальні / А.А. системи: Егоров // міжнародна науково-технічна конф., 28 вересня 3 жовтня 2009 р., Дивноморське. Т. 2. С. 178 180. 84. Ахметшина Л.Г. Повышение достоверности цветопередачи в методике обработки мультиспектральных изображений / Л.Г. Ахметшина, А.А. Егоров // Искусственный интеллект. 2010. № 4. С. 201 211. 85. Ахметшина Л.Г. Повышение достоверности цветопередачи в методике обработки мультиспектральных изображений / Л.Г. Ахметшина, А.А. Егоров // Искусственный интеллект. Интеллектуальные системы: международная научно-техническая конф., 20-24 сентября 2010 г., Кацивели. Т. 1. С. 250 254. 86. ЕГОРОВ А.А. МЕТОД АДАПТИВНОГО КОНТРАСТИРОВАНИЯ МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ ДЛЯ ПОВЫШЕНИЯ КЛАСТЕРИЗАЦИИ / ДОСТОВЕРНОСТИ А.А. ЕГОРОВ // НЕЧЕТКОЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. – 2008. – № 3. С. 306 – 314. 87. ЕГОРОВ А.А. МЕТОД АДАПТИВНОГО КОНТРАСТИРОВАНИЯ МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ ДЛЯ ПОВЫШЕНИЯ КЛАСТЕРИЗАЦИИ ИНТЕЛЛЕКТ. / ДОСТОВЕРНОСТИ А.А. ЕГОРОВ ИНТЕЛЛЕКТУАЛЬНЫЕ // НЕЧЕТКОЙ ИСКУССТВЕННЫЙ СИСТЕМЫ: ВОСЬМА МІЖНАРОДНА НАУКОВО-ТЕХНІЧНА КОНФ., 22-27 ВЕРЕСНЯ 2008 Р., КАЦИВЕЛИ. Т. 2. С. 27 31. 88. Егоров А.А. Повышение чувствительности нечеткой кластеризации на основе адаптивной модификации яркости и контраста / А.А. Егоров // Системні технології. 2010. – № 4 (69). – С. 23 35. 89. ЕГОРОВ А.А. АВТОМАТИЗИРОВАННОГО КОНТРАСТА НА ВЛИЯНИЕ ПОВЫШЕНИЯ ЧУВСТВИТЕЛЬНОСТЬ МЕТОДИКИ ЯРКОСТИ И НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ / А.А. ЕГОРОВ // СУЧАСНІ ІНФОРМАЦІЙНІ ТА ІННОВАЦІЙНІ ТЕХНОЛОГІЇ НА ТРАНСПОРТІ: ДРУГА МІЖНАРОДНА НАУКОВО-ПРАКТИЧНА КОНФ., 25-27 ТРАВНЯ 2010 Р., ХЕРСОН. Т. 2. С. 31 35. 90. АХМЕТШИНА МЕЖДУ Л.Г. НЕЧЕТКИМИ ИСПОЛЬЗОВАНИЕ КЛАССАМИ РАССТОЯНИЙ ДЛЯ ПОВЫШЕНИЯ ОБЪЕКТИВНОСТИ НЕЙРОСЕТЕВОЙ СЕГМЕНТАЦИИ ЗЕМНОЙ ПОВЕРХНОСТИ / Л.Г. АХМЕТШИНА, МАТЕМАТИЧНЕ ТА ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ: А.А. ПРОГРАМНЕ ДРУГА ЕГОРОВ // ЗАБЕЗПЕЧЕННЯ МІЖН. НАУК.-ПРАКТ. КОНФ., 17-19 ЛИСТ. 2004 Р., ДНІПРОПЕТРОВСЬК. – С. 8 − 9. 91. АХМЕТШИНА Л.Г. МОДИФИКАЦИЯ МЕТОДА НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ НА ПРЕОБРАЗОВАНИЯ ФУНКЦИИ Л.Г. АХМЕТШИНА, ПРОГРАМНЕ ОСНОВЕ А.А. ЕГОРОВ ЗАБЕЗПЕЧЕННЯ ДИНАМИЧЕСКОГО ПРИНАДЛЕЖНОСТИ // МАТЕМАТИЧНЕ ІНТЕЛЕКТУАЛЬНИХ / ТА СИСТЕМ: ЧЕТВЕРТА МІЖН. НАУК.-ПРАКТ. КОНФ., 15-17 ЛИСТ. 2006 Р., ДНІПРОПЕТРОВСЬК. С. 6 − 7. 92. Ахметшина Л.Г. Модификация метода нечеткой кластеризации на основе динамического преобразования функции принадлежности / Л.Г. Ахметшина, А.А. Егоров // Питання прикладної математики і математичного моделювання. – 2007. № 27 – С. 30 − 35. 93. Ахметшина Л.Г. Влияние метода динамического преобразования функции принадлежности на результаты нечеткой кластеризации / Л.Г. Ахметшина, А.А. Егоров // Системні технології. – 2007. – Вип. 2 (49). – С. 3 − 8. 94. Егоров А.А. Динамическое сжатие и преобразование функции принадлежности в алгоритмах нечеткой кластеризации / А.А. Егоров // Збірник наукових праць Національного гірничого університету. – 2007. – № 28. – С.104 – 110. 95. Егоров А.А. Динамическое сжатие нечеткой функции принадлежности на основе расстояний между классами / А.А. Егоров // Современные проблемы геометрического моделирования: вторая украино- российской научно-практическая конф., 24-27 апреля 2007 г., Харьков. – С. 227 – 232. 96. Ахметшина Л.Г., Динамическое преобразование функции принадлежности в модифицированных алгоритмах FCM / Л.Г. Ахметшина, А.А. Егоров // Інтелектуальні системи прийняття рішень та прикладні аспекти інформаційних технологій: міжнародна наукова конференція, 15-18 травня 2007 р., Євпаторія. – С. 16 20. 97. Ахметшина Л.Г. Применение критериев качества группирования для повышения чувствительности модифицированного алгоритма гибридной нечеткой кластеризации / Л.Г. Ахметшина, А.А. Егоров // Вестник Херсонского национального технического университета. 2011. № 3 (42). С. 50 55. 98. Ахметшина Л.Г. сходимости нечеткой модифицированного Повышение чувствительности и скорости кластеризации алгоритма на динамического основе сжатия применения функции принадлежности / Л.Г. Ахметшина, А.А. Егоров // Интеллектуальные системы принятия решений и проблемы вычислительного интеллекта: международная научная конф., 16-20 мая 2011 р., Евпатория. Т. 1. С. 211 214. 99. Ахметшина Л.Г. Повышение чувствительности алгоритма гибридной нечеткой кластеризации на основе вычисления взвешенного Евклидова расстояния / Л.Г. Ахметшина, А.А. Егоров // Математичне та програмне забезпечення інтелектуальних систем: IX міжнародна науковопрактична конф., 16-18 листопада 2011 р., Дніпропетровськ. – С. 13 14. 100. Егоров А.А. Визуализация результатов нечеткой кластеризации на основе сравнения с исходными данными / А.А. Егоров // Математичне та програмне забезпечення інтелектуальних систем: міжнародна науковопрактична конф., 12-14 листопада 2008 р., Дніпропетровськ. – С. 117 118. 101. Егоров А.А. Визуализация результатов нечеткой кластеризации цветных изображений на основе метода сравнения с исходными данными / А.А. Егоров // Вестник Херсонского национального технического университета. 2009. № 2 (35). С. 195 199. 102. ЕГОРОВ А.А. ИСПОЛЬЗОВАНИЕ ТОПОЛОГИЧЕСКОЙ ИНФОРМАЦИИ ПРИ ВИЗУАЛИЗАЦИИ РЕЗУЛЬТАТОВ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ ИЗОБРАЖЕНИЙ / А.А. ЕГОРОВ // СИСТЕМНІ ТЕХНОЛОГІЇ. 2009. – № 1 (60). – С. 36 43. 103. Ахметшина Л.Г. Влияние параметров дефазификации на результаты нечеткой кластеризации / Л.Г. Ахметшина, А.А. Егоров // Математичне міжнародна та програмне забезпечення науково-практична конф., інтелектуальних 10-12 листопада систем: 2010 р., Дніпропетровськ. – С. 13 15. 104. Ахметшина Л.Г. Сегментация изображений на основе обобщения метода многомерной нечеткой кластеризации / Л.Г. Ахметшина, А.А. Егоров // Науковий вісник Національного гірничого університету. 2004. – № 11. С. 34 − 37. 105. Ахметшина Л.Г. Модификация метода FCM с использованием карты Кохонена при вычислении центров нечетких классов / Л.Г. Ахметшина, А.А. Егоров // Математичне та програмне забезпечення інтелектуальних систем: міжнародна науково-практична конф., 14-16 листопада 2007 р., Дніпропетровськ. – С. 14 15. 106. Ахметшина Л.Г. Сегментация низко контрастных изображений алгоритмом гибридной кластеризации SOM-FCM / Л.Г. Ахметшина, А.А. Егоров // Системні технології. 2008. – № 2 (55). – С. 34 40. 107. Ахметшина Л.Г. Использование расстояний в n-мерном пространстве для повышения достоверности в модифицированном алгоритме нечеткой кластеризации / Л.Г. Ахметшина, А.А. Егоров // Наукові нотатки. Міжвузівський збірник (за напрямом «Інженерна механіка»). 2008. Т. 2., № 22. – С. 16 – 20. 108. Ахметшина нечеткой Л.Г. кластеризации Повышение на основе чувствительности гибридной формирования центроидов пропорционально расстояниям в q-мерном пространстве / Л.Г. Ахметшина, А.А. Егоров // Геометричне та комп’ютерне моделювання. 2009. Вип. 24. С. 193 198. 109. Ахметшина Л.Г. Динамическое сжатие функции принадлежности на основании расстояний между центроидами в алгоритме гибридной нечеткой кластеризации / Л.Г. Ахметшина, А.А. Егоров // Прикладна геометрія та інженерна графіка. 2010. Т. 1., Вип. № 84. С. 88 92. 110. Егоров А.А. Динамическая модификация функции принадлежности в алгоритме гибридной нечеткой кластеризации / А.А. Егоров // Вестник Херсонского национального технического университета. 2010. № 3 (39). С. 170 174. 111. ЕГОРОВ А.А. ПОВЫШЕНИЕ БЫСТРОДЕЙСТВИЯ МЕТОДА ГИБРИДНОЙ НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ ЗА СЧЕТ ДИНАМИЧЕСКОГО СЖАТИЯ РАЗМЕРНОСТИ КАРТЫ КОХОНЕНА / А.А. ЕГОРОВ // ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. 2011. № 4. С. 489 497. 112. Егоров А.А. Повышение быстродействия метода гибридной нечеткой кластеризации за счет динамического сжатия размерности карты Кохонена / А.А. Егоров // Искусственный интеллект. Интеллектуальные системы: международная научно-техническая конф., 19-23 сентября 2011 г., Кацивели. Т. 1. С. 275 278. 113. Ахметшина Л.Г. Повышение чувствительности алгоритма sFCM на основе переупорядочения последовательности центров нечетких кластеров / Л.Г. Ахметшина, А.А. Егоров // Интеллектуальные системы принятия решений и проблемы вычислительного интеллекта: международная научная конф., 27-31 мая 2012 г., Евпатория. С. 305 307. 114. АХМЕТШИНА Л.Г. ВЛИЯНИЕ ВИДА МЕРЫ РАССТОЯНИЯ НА ЧУВСТВИТЕЛЬНОСТЬ НЕЙРО-ФАЗЗИ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ / Л.Г. АХМЕТШИНА, А.А. ЕГОРОВ // ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ. 2012. № 4. С. 535 545. 115. Ахметшина Л.Г. Влияние способов получения новых центроидов и выбора существенных кластеров на чувствительность алгоритма гибридной нечеткой кластеризации / Л.Г. Ахметшина, А.А. Егоров // Интеллектуальные системы принятия решений и проблемы вычислительного интеллекта: международная научная конф., 17-21 мая 2010 г., Евпатория. Т. 1. С. 231 234. 116. АХМЕТШИНА БИНАРИЗАЦИИ Л.Г. СНИМКОВ ПОВЫШЕНИЕ ОТПЕЧАТКОВ ДОСТОВЕРНОСТИ ПОВЕРХНОСТИ ПОКРЫТИЙ НА МЕТАЛЛИЧЕСКОЙ ПОДЛОЖКЕ НА ОСНОВЕ АДАПТИВНОЙ МОДИФИКАЦИИ ЯРКОСТИ И КОНТРАСТА / Л.Г. АХМЕТШИНА, А.А. ЕГОРОВ // СИСТЕМНІ ТЕХНОЛОГІЇ. 2011. – № 5 (76). – С. 32 43. Для заказа доставки работы воспользуйтесь поиском на сайте http://www.mydisser.com/search.html
