Academic literature on the topic 'Гістограмні методи'

Предметом вивчення в статті є метод тематичного сегментування кольорового зображення бортової системи оптико-електронного спостереження. Метою є розробка методу тематичного сегментування, в основу якого покладений ройовий метод штучної бджолиної колонії. Завдання: аналіз властивостей метаевристичних методів оптимізації, аналіз основних операцій метаевристичних методів оптимізації, формулювання оптимізаційної задачі вибору порогу тематичного сегментування оптико-електронного зображення при використанні ройового методу штучної бджолиної колонії, розробка схеми методу тематичного сегментування оптико-електронних зображень бортових систем оптико-електронного спостереження, отримання гістограм розподілу яскравості по кожному каналу яскравості кольорового зображення, викладення сутності методу тематичного сегментування кольорового зображення бортової системи оптико-електронного спостереження, аналіз ітераційного процесу пошуку оптимальних порогів тематичного сегментування в кольорових каналах оптико-електронного зображення, визначення оптимального значення порогового рівня для кожного каналу яскравості, отримання результату тематичного сегментування вихідного оптико-електронного зображення, візуальна оцінки якості сегментованого зображення. Використовуваними методами є: методи теорії імовірності, математичної статистики, ройового інтелекту, кластерізації даних, еволюційних обчислень, методи оптимізації, математичного моделювання та цифрової обробки зображень. Отримані такі результати. Встановлено, що для тематичного сегментування зображення бортової системи оптико-електронного спостереження доцільно використання метаевристичних методів оптимізації. Встановлено, що метод тематичного сегментування кольорового зображення заснований на ройовому методі штучної бджолиної колонії, у якості цільової функції використовується сума дисперсії тематичних сегментів, а оптимізаційна задача полягає в мінімізації цільової функції. Встановлено, що оптимальне значення порогового рівня для кожного каналу яскравості відповідає мінімуму цільової функції для кожного каналу яскравості. Висновки. Наукова новизна отриманих результатів полягає в наступному: підвищення візуальної якості сегментованого кольорового зображення, що в подальшому суттєво впливає на вирішення завдання дешифрування зображення.

Виконаний аналіз сучасних методів отримання та обробки зображень газорозрядного випромінювання. Представлено результати експериментальних досліджень стану людини на основі реєстрації зображень газорозрядного світіння пальців в імпульсному електромагнітному полі. Запропоновано методику аналізу кольорових зображень газорозрядного випромінювання шляхом побудови гістограм яскравості пікселів для трьох базових кольорів. Викладено правила класифікації зображень на основі використання кількісних значень глобальних та локальних екстремумів огинаючих гістограм, які розраховуються шляхом застосування пікового детектору.

Зроблено акцент на аерокосмічних зображеннях, методах їх отримання та застосування. Якість отриманих первинних зображень часто не відповідає потребам кінцевих користувачів. Якщо спотворювальним чинником для зображення є шум, то використовуються передусім фільтри, що з різним успіхом усувають різні типи шумів. Виділено групу сучасних систем та засобів програмного забезпечення, що використовують для отримання та оброблення аерокосмічних зображень. Охарактеризовано особливості таких зображень у різних спектральних діапазонах. Подано особливості типових спотворень для такого типу зображень. Окрему увагу при цьому приділено шумам різних типів. Оцінювати рівень шуму можна на базі одного та багатьох зображень. Для цього існують різні методи. Проаналізовано наявні методи оцінювання шуму для графічних зображень, зокрема такі типи методів: визначення функції рівня шуму з єдиного зображення, що використовує залежність дисперсії шуму від інтенсивності зображення і передбачає визначення ділянок однорідності (гомогенності); визначення типу та рівня шуму з гістограми яскравості зображення; оцінка на базі окремого зображення з використанням кусково-гладкої функції попередньої моделі зображень та функції відгуку камер із зарядовим зв'язком; оцінка на базі математичних співвідношень щодо залежності автокореляційної функції зображень від дисперсії адитивного шуму та інші. Експериментальним чином застосовано кілька методів для оцінки шуму для зображення з відкритого датасету DOTA.

Математична статистика – розділ математики, в якому на основі дослідних даних вивчаються ймовірнісні закономірності масових явищ. Обробки даних, що здійснюється методами математичної статистики, потребують всі галузі досліджень: медицина, біологія, соціологія, математика, фізика, педагогіка тощо. До найважливіших розділів математичної статистики відносять:статистичні ряди розподілу;оцінка параметрів розподілу;закони розподілу вибіркових характеристик;перевірка статистичних гіпотез;дисперсійний, кореляційно-регресійний, коваріаційний аналіз;факторний та кластерний аналіз тощо.Тут розглядається лише один з перелічених розділів математичної статистики – оцінка параметрів розподілу, до яких відносяться такі параметри як математичне сподівання випадкової величини, її дисперсія, середньоквадратичне відхилення, асиметрія, ексцес та гістограма.Статистичні розрахунки без допомоги ЕОМ є складними й потребують використання багатьох таблиць функцій та квантилів стандартних розподілів. Це не сприяє тому, щоб відчути елемент новизни в матеріалі, який вивчається, змінити задовільно умови задач тощо. Використання ж спеціалізованих математичних пакетів під час навчання вимагає досить високого рівня підготовки з математичної статистики.Більшість з існуючих математичних пакетів надають можливість користувачам оперувати з випадковими величинами, в тому числі й пакети, що набули широкої популярності: Excel, Maple, Matlab.Статистика в цих пакетах має свою розвинену систему команд для обслуговування прикладних задач. Команди для статистичних робіт призначені тим категоріям користувачів, котрі потребують середовища, яке дозволяє легко переходити від однієї математичної спеціалізації до іншої, не витрачаючи зайвого часу на трансформацію даних й опанування різноманітних програмних засобів у вигляді набору команд для аналізу даних з обчисленням різноманітних середніх та квантилів, графічного зображення даних у вигляді гістограм та графіків, а також для обробки даних [1].Метою цієї статті є порівняння результатів статистичних обчисленьта побудови гістограми, що здійснено за допомогою згаданих пакетів.Проілюструємо це, здійснивши обробку вибірки, обсяг якої складає 80 значень (табл. 1), за допомогою пакетів Excel, Maple, Matlab. Результати обробки вибірки, наведеної в табл. 1, подано в табл. 2.Таблиця 1Вибірка 13,3913,4613,2613,5913,5413,4213,5313,513,5213,3613,5713,3113,4213,5313,3313,3613,3713,4513,5713,3713,3913,3413,3313,2613,3813,5513,4313,4413,3113,3213,5813,313,6213,3413,6413,5613,5313,2913,513,3413,3713,4413,6613,513,413,2813,4313,413,5113,2413,4413,3313,3313,5813,4313,413,2313,4813,4913,2613,313,3413,5313,2513,5413,513,4213,2813,4513,413,5513,4713,413,5413,4813,2813,3213,3613,3813,31 Таблиця 2Результати обробки вибірки ВручнуExcelMapleMatlabСереднє13,4213,4213.4213.42Дисперсія вибірки0,011362030,01136200,0113620,0114Стандартне відхилення0.106592800,10659280,1065930,1066Асиметричність0,1942020,20170280,1966600,1979Ексцес2,0440198–0,8841312,0698932,0961 Як випливає з результатів обчислень, всі пакети подають однакові результати для математичного сподівання (середнього), дисперсії та середньоквадратичного відхилення.Щодо коефіцієнтів асиметрії та ексцесу, то жоден результат не збігається.Аналіз результатів обчислень показав, що збіг між цими обчисленнями відсутній через різне визначення коефіцієнтів асиметрії та ексцесу в наведених пакетах.Теоретично коефіцієнт асиметрії, який характеризує несиметричність графіка функції розподілу і визначається як , де m3 – центральний емпіричний момент третього порядку, що визначається як;n – обсяг вибірки;xi – елемент вибірки;– вибіркове середнє, яке визначається як;σ – підправлене середнє квадратичне або стандартне відхилення випадкової величини, яке визначається як.В пакеті Excel коефіцієнт асиметрії обчислюється за виразом.В системі комп’ютерної математики Maple коефіцієнт асиметрії обчислюється за виразом .В системі комп’ютерної математики Matlab коефіцієнт асиметрії збігається з теоретичним.Теоретично коефіцієнт ексцесу, який характеризує сплющеність кривої розподілу та протяжність спадів, і визначається як , де m4 – центральний емпіричний момент четвертого порядку, який визначається як ; –3 враховує той факт, що коефіцієнт ексцесу для нормального закону розподілу випадкових величин дорівнює 3.Коефіцієнт ексцесу в пакеті Excel обчислюється за виразом.В системі комп’ютерної математики Maple коефіцієнт ексцесу обчислюється за виразом .В системі комп’ютерної математики Matlab коефіцієнт ексцесу обчислюється як теоретичний без урахування поправки на нормальний закон розподілу .Для візуалізації відмінностей обчислення коефіцієнтів асиметрії та ексцесу їх наведено на рис. 1. а бРис. 1. Відмінності обчислення коефіцієнтіва – коефіцієнт асиметрії; б – коефіцієнт ексцесу Результати побудови гістограми для цієї вибірки наведено на рис. 2.З цього рисунку видно, що гістограми, які побудовані вручну та за допомогою систем комп’ютерної математики Maple та Matlab, є однаковими, а побудована за допомогою пакету Excel, має багато відмінностей.Щоб з’ясувати причини такої розбіжності, проаналізуємо межі інтервалів на які поділено варіаційний ряд, що утворено з вибірки.Результати обчислення меж інтервалів, що виконано за допомогою пакету Excel, наведено в таблиці 3.Таблиця 3Межі інтервалів за пакетом Excel BinFrequency13,23113,28375813,33751213,391251413,4451413,49875713,55251513,606256More3 Результати обчислення меж інтервалів, що здійснено за допомогою інших пакетів, наведено в таблиці 4. а) б) в) г)Рис. 2. Гістограми: а – вручну; б – Excel; в – Maple; г –Matlab Таблиця 4Межі інтервалів за іншими обчисленнями BinFrequency13.23 .. 13.27778613.27778 .. 13.325561113.32556 .. 13.373331413.37333 .. 13.421111213.42111 .. 13.46889913.46889 .. 13.51667913.51667 .. 13.564441113.56444 .. 13.61222513.61222 .. 13.663 З порівняння даних з таблиць 3 та 4 випливає, що в пакеті Excel межі інтервалів обчислюються з похибками, а це призводить до неправильного визначення кількості елементів, які потрапляють в ці інтервали.Отже, для того, щоб правильно побудувати гістограму за допомогою пакету Excel, попередньо необхідно обчислити межі інтервалів.Таким чином, під час обчислення статистичних характеристик за допомогою комп’ютерних пакетів необхідно або здійснити попереднє порівняння результатів обчислень, що не завжди зручно, або з’ясувати за якими формулами відбуваються обчислення необхідних параметрів і вжити відповідних заходів для усунення можливих розбіжностей.

Актуальність: У проєктній діяльності необхідно оперувати великим масивом числових даних із різних проєктних завдань, що обтяжує комунікацію між виконавцями. Додає складності значна кількість проєктної інформації, що може бути неправильно поданою, а тому й незрозумілою для проєктних виконавців. Це створює комунікативні бар’єри, допоки доповідач не пояснить суть процесу, зобразивши діаграму, схему чи графік. З огляду на це, графічна подача інформації про проєкт, не замінюючи текстового представлення, є доцільною і значно пришвидшує розуміння принципів його виконання. Мета: дослідити роль діаграм, графіків та схем як інструментарію представлення проєктної інформації. Методи: теоретичний аналіз наукових джерел – для з’ясування стану дослідженості цієї проблематики в України та за її межами; порівняння – з метою вивчення наукових підходів до розв’язання проблеми; синтез прогресивного досвіду – для представлення проєктної інформації у вигляді діаграм, графіків та схем. Результати: досліджено діаграму Ганта як гістограму для послідовного представлення інформації. Розкрито блок-схему, що ілюструє перебіг будь-якого процесу від загальної інформації до проєктних завдань. Висвітлено специфіку Кривої S, як для представлення базової чи фактичної кумулятивної вартості, так і порівняння цих двох показників у часі. Проаналізовано стовпчасту діаграму, що використовується для порівнянь та узагальнення груп даних. Розкрито характеристики ресурсної гістограми – для планування управління персоналом. Приділена увага діаграмі запуску, що використовується для управління якістю та відображає продуктивність представлення проєкту в часі. Особлива увага приділена діаграмі Парето, згідно з якою забезпечується аналіз існуючих проблем у проєктній діяльності та прийняття рішень щодо контролю її якості. Проаналізовано секторну діаграму, яка використовується для показу вкладу окремих елементів у загальну суму проєкту. Контрольна діаграма – для перевірки стабільності будь-якого проєктного процесу як з контрольними межами, так і без них. Висвітлено основні складові організаційної схеми, що дає змогу зрозуміти організаційну ієрархію, рівні ескалації та шлях спілкування в проєкті. Висновки: здійснений аналіз діаграм, графіків та схем як елементів проєктної комунікації засвідчив позитивний вплив графічної складової на комунікаційний процес

Відсутність загальних підходів до оцінки стану сільськогосподарських земель за даними ДЗЗ показує, що задача моніторингу змін їх стану є до кінця не вирішеною. У статті розглянута можливість використання фрактального аналізу космічних знімків супутника Sentinel-2 сільськогосподарських земель для визначення змін їх стану під впливом різних чинників. Оцінені характеристики космічних знімків супутника Sentinel-2 заданої території з сільськогосподарськими полями на них. Наведено порядок побудови поля фрактальних розмірностей та розрахунку фрактальної розмірності з використанням методів, які найчастіше застосовують на практиці для аналізу цифрових зображень – методи покриття і призми. Показано, що розрахунок і візуалізація ПФР космічних знімків сільськогосподарських земель дозволяє здійснювати їх сегментацію і виділяти межі проведених польових робіт, зміну їх у часі та оцінювати їх структуру після завершення робіт. Визначено, що під час фрактального аналізу космічних знімків супутника Sentinel-2 доцільно використовувати мінімальні або різниці фрактальних розмірностей. Показано, що для автоматизації процесу сегментації різних структур на космічному знімку можна застосовувати гістограму ПФР і селективні зображення. Запропоновано метод моніторингу змін стану сільськогосподарських земель з використанням фрактального аналізу, який дозволяє визначати межі аномалій на зображенні, початок зміни стану земель, обсяг проведених робіт та їх тривалість, а також оцінювати структуру земель

Робота присвячена важливій темі теорії інформаційних систем – теорії і практиці виявлення сигналів у завадах. У будь-якому середовищі на поширення сигналів діють завади, що спотворюють структуру сигналів і, відповідно, інформацію, яку вони несуть. Загальною властивістю сигналів є їх випадковий характер, тому для математичного опису сигналів використовують апарат теорії ймовірностей. Сигнал – носій інформації, якої немає в точці приймання до моменту його прийняття. Оскільки інформація про об’єкт кодується в одному або декількох параметрах сигналу – амплітуді, частоті, фазі, часі затримки, то принаймні один з цих параметрів невідомий для спостерігача. Крім того, наявність завад і шумів, що є випадковими процесами, а також випадкові параметри каналу поширення сигналу зумовлюють потребу в застосуванні методів теорії ймовірностей, теорії випадкових процесів та методів математичної статистики під час проведення досліджень з обробки сигналів. Для математичного опису сигналів і завад використовують ті чи інші моделі випадкових процесів – гауссівські випадкові процеси, негауссівські випадкові процеси із складеним розподілом, негауссівські марковські випадкові процеси. Моделюють випадковий процес заданою багатовимірною щільністю розподілу ймовірностей. В роботі обґрунтовано методологічні принципи обробки сигналів за умов апріорної невизначеності, коли щільність розподілу ймовірностей невідома. В основу статистичної обробки інформаційних параметрів сигналів покладено знаходження таких інформаційних ознак: середніх значень інтервалів, статистичний розподіл вибірки, дисперсії амплітуд. Використовуючи комп’ютерне моделювання в системі Matlab, за допомогою адаптивних алгоритмів проведено генерацію сумішей радіотехнічних завад різних видів. У процесі оброблення за цими алгоритмами також визначено статистичні оцінки параметрів суміші сигналу і завад. Обчислені параметри сигналу використовуються для з’ясування наскільки узгоджена з дослідними даними гіпотеза про те, що невідома характеристика має саме те значення, яке отримане в результаті її оцінювання. Для візуалізації досліджень створено програмний код в системі Matlab з використанням спеціального середовища візуального програмування GUIDE, який дозволяє: генерувати випадкові сигнали з різними формами спектрів завад, демонструвати їх, будувати гістограми та підбирати закони розподілу, що якнайкраще описують випадковий процес. Крім того, в програмі обчислено ймовірність виявлення сигналу і побудовано графік залежності ймовірності виявлення сигналу від ймовірності хибної тривоги і відношення сигналу до шуму при різних обсягах вибірки.

Наведено стан і динаміку лісового фонду Скрипаївського навчально-дослідного лісгоспу. Проаналізовано динаміку лісового фонду в межах категорій земель за період з 1959 по 2012 рр. Представлено розподіл площі за переважаючими породами та встановлено збільшення площі головних лісотворних порід і зменшення другорядних, що свідчить про позитивні методи ведення лісового господарства. Проведено порівняння наявного та оптимального розподілу деревостанів за групами віку, на основі вказаних даних побудовано гістограму. Аналізуючи середні таксаційні показники, зафіксовано значне збільшення віку насаджень і втрати щорічного приросту. Виявлено як позитивні, так і негативні сторони росту та розвитку лісових насаджень.

1. Гойко О. Методичний підхід щодо вибору методу статистичної обробки для медико-соціологічних досліджень / О.В. Гойко // Медична інформатика та інженерія. – 2015. – №2. – С. 52-58. 2. Гойко О. Сучасні технології обробки й аналізу медичних даних / О.В. Гойко // Медична інформатика та інженерія. – 2009. – №4. – С. 39-44. 3. Голованова І. Основи медичної статистики / І. Голованова, І. Бєлікова, Н. Ляхова – Полтава, 2017. – С. 113.<br>Статистичні методи обробки даних вже давно застосовуються в різних сферах людської діяльності й, насамперед, там, де досліджуються закономірності, властиві великим обсягам об'єктів. Це відбувається й в медичній галузі, де завдяки використанню більш потужної сучасної апаратури та застосуванню нових методів обстеження невпинно зростають інформаційні масиви та кількісні дані про стан здоров'я пацієнта.

Проблема виявлення пішохода полягає в тому, що люди дуже різноманітні за статурою та можуть приймати різні пози, у зображення можуть бути різні спотворення. Існує ряд методів для виявлення пішохода: методи основані на Haar wavelet признаках, нейронні мережі, гістограми направлених градієнтів та інші. В даній роботі пропонується розгляд варіанту застосування HOG.

Дипломну роботу присвячено обґрунтованню методу обробки зображення для верифікації особи в телекомунікаційних системах з використанням фільтра Лапласа та еквалізації гістограми зображення. Проведено аналіз методів розпізнавання особи, представлено структурні схеми систем верифікації особи в телекомунікаційних мережах для ідентифікації особи та обґрунтовано метод обробки зображення, що дає можливість збільшити достовірність та швидкодію систем верифікації.<br>The diploma work is devoted to the substantiation of method of processing image for identity verification in telecommunication systems using the Laplace filter and the equalization of the image histogram. The analysis of face recognition methods is carried out, the structural schemes of face verification systems in telecommunication networks for face identification are presented and the method of image processing is substantiated, which gives an opportunity to increase the reliability and speed of verification systems.<br>ВСТУП 9 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 11 1.1. Задачарозпізнавання особи в телекомунікаційних системах 11 1.2. Задача верифікації особи в телекомунікаційних системах 15 1.3. Класифікація методів верифікації особи 17 1.4. Принципи верифікації особи 18 1.5. Висновки до розділу 1 20 РОЗДІЛ 2. ОСНОВНА ЧАСТИНА 21 2.1. Методи верифікації особи за параметрами обличчя 21 2.2. Алгоритм роботи методів розпізнавання особи 22 2.3. Системи верифікації особи в телекомунікаційних мережах 30 2.4. Методи обробки зображення 37 2.5. Висновки до розділу 2 54 РОЗДІЛ 3. НАУКОВО-ДОСЛІДНА ЧАСТИНА 55 3.1. Обгрунтування методу обробки зображення 55 3.1.1.Еквалізація гістограми 56 3.1.2. Фільтр Лапласа 57 3.2.Реєстрація експериментальних даних 59 3.3.Обробка зображення для верифікації особи 62 3.4.Аналіз та оцінка зображення 66 3.5. Висновки до розділу 3 73 РОЗДІЛ 4.ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 75 4.1. Охорона праці під час роботи з персональним комп’ютером при виконанні наукового дослідження 75 4.2. Забезпечення надійності роботи телекомунікаційних систем до дії уражаючих факторів надзвичайних ситуацій 77 4.3 Висновки до розділу 4 84 ВИСНОВКИ 85 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 87 Додаток А Копія тези конференції 89 Додаток Б Лістинг програми 92

Мета роботи полягає у підвищенні міцнісної надійності РЕА за рахунок розробки і удосконаленні методів статистичної обробки емпіричних даних вимірювань параметрів РЕА. У роботі використані такі методи дослідження та апаратура: математичної і прикладної статистики для обробки результатів експериментів, методи опору матеріалів, експериментальні методи механічних випробувань, методи математичної статистики; експериментальні дослідження із застосуванням тензометричної апаратури зі спеціально розробленою схемою температурної компенсації; допоміжні методи і засоби для проведення експериментів, випробувальна машина для навантаження.

Кваліфікаційну роботу магістра присвячено дослідженню методів та засобів опрацювання зображень у комп’ютерних біомедичних системах. У кваліфікаційній роботі магістра проведено аналіз методів та засобів опрацювання біомедичних зображень. Завдяки цьому зроблені висновки щодо доцільності використання тих чи інших методів в покращенні та обробці медичних світлин. Обґрунтовано використання саме тих методів, які в процесі досліду змогли показати себе з кращої сторони в ряду факторів таких як час обробки, візульний результат опрацювання, чіткість дрібних деталей. Досліджена доцільність використання методів візуального покращення медичних зображень з використанням методів Канні та середньоквадратичних відхилень. Досліджена ефективність використання фільтрації біомедичних зображень, які мали візуальні спотворення у вигляді шуму. Такі досліди дали змогу визначити найвдаліший метод з обраних для дослідження. Розроблений лістинг коду в програмі MatLab для проведення опрацювання медичних світлин та дослідження їхньої ефективності. Апробовано запропоновані для кожного рівня представлення методи та засоби опрацювання біомедичних зображень, методи його фільтрації, роботи з гістограмами та візуального поліпшення якості.