Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик
В статье рассматривается проблема обработки и прогнозирования динамических изображений в реальном масштабе времени. Предлагаемый подход формирования эталонного туннеля предполагает метод обработки информации, при реализации которого вычисляются центры пятен лазерных пучков с повышенной точностью, а...
Saved in:
| Published in: | Штучний інтелект |
|---|---|
| Date: | 2011 |
| Main Authors: | , , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2011
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/60294 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик / Л.И. Тимченко, А.А. Поплавский, Н.И. Кокряцкая, Н.С. Петровский // Штучний інтелект. — 2011. — № 4. — С. 225-231. — Бібліогр.: 15 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859672285530554368 |
|---|---|
| author | Тимченко, Л.И. Поплавский, А.А. Кокряцкая, Н.И. Петровский, Н.С. |
| author_facet | Тимченко, Л.И. Поплавский, А.А. Кокряцкая, Н.И. Петровский, Н.С. |
| citation_txt | Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик / Л.И. Тимченко, А.А. Поплавский, Н.И. Кокряцкая, Н.С. Петровский // Штучний інтелект. — 2011. — № 4. — С. 225-231. — Бібліогр.: 15 назв. — рос. |
| collection | DSpace DC |
| container_title | Штучний інтелект |
| description | В статье рассматривается проблема обработки и прогнозирования динамических изображений в реальном масштабе времени. Предлагаемый подход формирования эталонного туннеля предполагает метод обработки информации, при реализации которого вычисляются центры пятен лазерных пучков с повышенной точностью, а также изображения трассы классифицируются с целью улучшения результатов дальнейшего прогнозирования их поведения.
The paper is devoted to the problem of processing and prediction of dynamic images in real time scale. The offered approach of forming of master tunnel assumes the method of information processing where the centers of laser beam images are calculated with improved accuracy and then the sequence of images is classified for the purpose of prediction upgrading.
|
| first_indexed | 2025-11-30T14:31:20Z |
| format | Article |
| fulltext |
«Штучний інтелект» 4’2011 225
4Т
УДК 62-566, 65.01, 519-714, 537.533
Л.И. Тимченко, А.А. Поплавский, Н.И. Кокряцкая, Н.С. Петровский
Государственный экономико-технологический университет транспорта, г. Киев, Украина
timchen@list.ru
Метод динамического туннелирования
изображений пятен лазерных пучков
для улучшения качества прогнозирования
их характеристик
В статье рассматривается проблема обработки и прогнозирования динамических изображений в реальном
масштабе времени. Предлагаемый подход формирования эталонного туннеля предполагает метод обработки
информации, при реализации которого вычисляются центры пятен лазерных пучков с повышенной
точностью, а также изображения трассы классифицируются с целью улучшения результатов дальнейшего
прогнозирования их поведения.
Введение
На данный момент существующие магистральные системы передачи испытывают
необходимость в существенном расширении канала. До сих пор данная потребность
решалась за счет применения оптоволоконного кабеля, однако применение его на даль-
них дистанциях сопряжено с многими технологическими сложностями, которые в той
или иной мере приводят к увеличению стоимости строительства и эксплуатации подоб-
ной системы. Одной из самых перспективных технологий как на больших, так и на
малых дистанциях являются атмосферные системы передачи, позволяющие передавать
значительные объемы информации посредством лазерного луча. Особенно перспектив-
ными в данном направлении выглядят системы, позволяющие передавать информа-
цию со спутника на Землю [1].
Для обеспечения спутниковой связи с помощью лазера необходимо постоянное
позиционирование принимающего и передающего устройств с высокой точностью. При
этом величина ошибки позиционирования не должна превышать тысячной доли градуса,
искажения приёма будут настолько высоки, что связь не состоится.
Поскольку под влиянием движения спутника, а также искажения, вызванного тур-
булентностью воздушных масс, геометрические параметры и положение пятна лазерного
пучка постоянно изменяются, необходимо постоянно в режиме реального времени про-
гнозировать его положение.
Цель данной работы – решить задачу эффективного прогнозирования определения
центра пятенного объекта с помощью максимального использования его информацион-
ных признаков, а также классифицировать кадры последовательности изображений пятен
лазерных пучков (ПЛП), с целью фильтрации лазерной трассы от сильно искаженных дей-
ствием помех изображений, тем самым сформировать туннель эталонных изображений.
В данной работе предлагается определять центры ПЛП с помощью контурной
ленты, образующейся вследствие использования градиентных масок или других методов
определения границ на нечетких изображениях. После чего необходимо проводить
формирование эталонной трассы с помощью классификации, основанной на формирова-
нии динамических границ последовательностей изображений.
Л.И. Тимченко, А.А. Поплавский, Н.И. Кокряцкая, Н.С. Петровский
«Искусственный интеллект» 4’2011 226
4Т
Контурная лента – область, образующаяся из элементов изображения, которая
позволяет отделить объект от фона. Большинство методов выделения контурных призна-
ков основывается на том, что разным объектам изображения отвечают области с относи-
тельно одинаковыми значениями яркости. На границах же яркость заметно меняется.
В качестве примера в работе используется алгоритм фильтрации по алгоритму
Робертса. После наложения градиентной маски на изображение определяются внешние
и внутренние границы объекта. Внутренняя граница задаёт базовый центр тяжести
объекта, в то время как область между внешней и внутренней границей используется
для его коррекции.
Для нахождения центра тяжести контура необходимо найти площадь и статические
моменты инерции контура, которые рассчитываются по формулам, изложенным в ра-
боте [2]. Следующим шагом является вычисление площади контура. Поскольку контур
можно рассматривать как многоугольник, то площадь контура, заданная своими верши-
нами в порядке обхода, определяется в виде замкнутой кривой без самопересечений.
Коррекция центра объекта происходит следующим образом.
Используются только точки, лежащие в области между внешней и внутренней
границей. Сначала находим приведенное максимальное значение яркости в контурной
области. Каждой точке в данной области x(i,j), где i, j – соответственно абсцисса и ор-
дината точки, назначается своя пара весовых коэффициентов влияния, i и j . Далее
определяются параметры коррекции и находятся координаты скорректированного
центра, что также описано в работе [2].
Формирование границ туннеля
Изменения положения пятна в трассе можно описать случайным процессом.
Предположим, что определенная последовательность кадров трассы содержит лишь уни-
модальные значения координат центров пятен лазерных пучков [3]. Таким образом,
можно утверждать, что появление определенного значения координат ПЛП можно опи-
сать нормальным законом распределения с математическими ожиданиями )(tx , )(ty и
среднеквадратическими отклонениями (СКО) )(tx , )(ty . Тогда данные значения мо-
гут быть найдены по соответствующим формулам:
N
x
t
N
i
it
x
1)( , (1)
N
tx
t
N
i
xit
x
1
2))((
)(
, .
))((
)( 1
2
N
ty
t
N
i
yit
y
(2)
В реальных условиях центр ЛП в смежных кадрах за счет воздействия окружаю-
щей среды или других факторов может быть несколько смещенным, поэтому в дан-
ном случае одного распределения становится недостаточно и его параметры нужно
корректировать.
При формировании и обновлении координат границ туннеля [4], [5] удобно исполь-
зовать смоделированные одним нормальным распределением средние значения ко-
ординат центров лазерных пучков. Тем не менее, если скорость изменения координат
Метод динамического туннелирования изображений пятен лазерных пучков...
«Штучний інтелект» 4’2011 227
4К
центра пятна не нулевая и туннель имеет узкие границы, существует вероятность по-
падания координат центров, важных для прогнозирования пятен, во внетуннельную
зону, что приводит к увеличению погрешности прогнозирования. Чтобы этого избежать,
необходимо корректировать границы туннеля в соответствии с изменениями координат
центров лазерных пучков, при этом, исключая кадры с существенно искаженными цен-
трами, не принадлежащими к туннельной зоне. Предлагается выделять смещения центров
ПЛП с помощью туннеля и корректировать туннель в случае плавных смещений. При
формировании начальных границ туннеля целесообразно проверить следующие условия:
1(1 ) .t tP (3)
В случае выполнения условия (3) необходимо дополнительно проверить условие:
,
dx
G
dt
(4)
где 0,95 0,99P – доверительная вероятность, G – пороговое значение
смещения.
Невыполнение условия (3) свидетельствует о том, что данная координата отвечает
модели с накопительными параметрами, а выполнение условия (4) указывает на наличие
существенного смещения центра. При формировании границ туннеля в случае, если
условие (4) выполняется, предлагается учитывать параметры данной точки с наимень-
шим весовым коэффициентом.
Достаточную информацию для этого обеспечивает детектор выхода за границы
туннеля, следящий за попаданием координат центра лазерного пучка в туннель и филь-
трующий одиночные помехи. При наличии такой информации обновление границ тун-
неля происходит согласно формулам:
txtt kxkx 1)1( ,
1(1 ) ,t t y ty k y k
1 1 1 1 1
2 1 1 1 1
, ( ; / 2 / 2; ) ( ; / 2 / 2; ),
, / 2; / 2 / 2; / 2 ,
t t t t t t
t t t t t t
k x x w x w y y w y w
k
k x x w x w y y w y w
10 21 kk , (5)
где xt – координата средней линии туннеля в t-й момент времени, tx – матема-
тическое ожидание xt , w – ширина туннеля, k1, k2 – параметры, определяющие ско-
рость обновления границ туннеля. Поскольку невозможно создать идеальный детектор
границ туннеля, и с учетом возможности резкого изменения положения центра ЛП,
не рекомендуется k1 присваивать нулевое значение, т.к. при этом кадры с внетун-
нельными центрами никогда не будут учтены. Это может привести к полной потере
входной информации при импульсном изменении центра положения пучка или к необ-
ходимости ручной коррекции положения средней линии туннеля. При больших значе-
ниях k2 влияние текущего значения положения центра лазерного пятна будет настолько
весомым, что пятна с координатами, близкими к значениям границ туннеля, и соответ-
ственно, в большинстве случаев с большим значением шумов, будут также существенно
влиять на среднюю линию туннеля. Рекомендованные экспериментально подобран-
ные значения: k1 = 0,09; k2 = 0,35.
Л.И. Тимченко, А.А. Поплавский, Н.И. Кокряцкая, Н.С. Петровский
«Искусственный интеллект» 4’2011 228
4Т
Рисунок 1 – Формирование границ туннеля. А – изменение координаты центра ЛП
в трассе; В – динамическая граница туннеля; С – статическая граница туннеля
На рис. 1 показано динамическое изменение границ туннеля в соответствии с из-
менением положения координат центра лазерного пучка во времени. Из рисунка
видно, что количество точек, попадающих в туннельную зону, значительно больше
в случае формирования динамических границ, чем статических. Данная методика дает
возможность классифицировать изображения трассы на группы изображений, коорди-
наты центров которых вошли в туннельную или во внетуннельную зоны, принимая
во внимание информативные признаки обеих групп. Таким образом, при прогнози-
ровании следующего кадра учитываются не только «эталонные» изображения и со-
ответствующие им математические ожидания, а и возможность наложения шума на
изображение.
Результаты экспериментальных исследований
Обработав значительное количество изображений (15 лазерных трасс по 1000 изо-
бражений в каждой), можно отметить, что данный метод улучшает результаты алгорит-
мов прогнозирования поведения изображений на 15 – 20 %, за счет использования
дополнительно информации яркостей точек, находящихся на границе между фоном
и объектом, и устранения сильно искаженных действием помех для кадров изображений.
Результаты обработки трассы № 10 с разными значениями ширины туннеля
приведены в табл. 1.
В табл. 1 введены обозначения: W – ширина туннеля; Hn – количество попа-
даний в туннель (координаты центров объекта получены разработанным алгоритмом
определения центров с повышенной точностью); Hc – количество попаданий в туннель
(координаты центров объекта получены классическим методом); Pn, Pc – процент
попаданий в туннель; R – разность процентного попадания в туннель разработанного
и классического методов.
Существует большое количество способов прогнозирования [6] величины сле-
дующего шага некоторого временного ряда, отличающихся по количеству необходимых
вычислений, погрешностью прогнозирования и количеством шагов, на которые может
прогнозировать данный алгоритм. Однако в случае работы в реальном времени на пер-
вое место выходят скорость обработки и аппаратные затраты на выполнение алгоритма.
Метод динамического туннелирования изображений пятен лазерных пучков...
«Штучний інтелект» 4’2011 229
4К
Таблица 1 – Зависимость количества попаданий в туннельную зону
Разработанный и классический методы
W Hn Pn(%) dHn/dW Hc Pc(%) dHс/dW R(%)
0,2 491 24,7 219 472 23,8 228 1,0
0,3 750 37,7 259 702 35,3 230 2,4
0,4 992 49,9 242 922 46,4 220 3,5
0,5 1202 60,5 210 1124 56,6 202 3,9
0,6 1410 71,0 208 1304 65,6 180 5,3
0,7 1553 78,2 143 1490 75,0 186 3,2
0,8 1694 85,3 141 1650 83,0 160 2,2
0,9 1788 90,0 94 1750 88,1 100 1,9
1 1860 93,6 72 1809 91,0 59 2,6
1,1 1909 96,1 49 1868 94,0 59 2,1
1,2 1924 96,8 15 1906 95,9 38 0,9
1,3 1944 97,8 20 1925 96,9 19 1,0
1,4 1969 99,1 25 1941 97,7 16 1,4
1,5 1980 99,6 11 1952 98,2 11 1,4
1,6 1983 99,8 3 1964 98,8 12 1,0
1,7 1984 99,8 1 1975 99,4 11 0,5
1,8 1987 100,0 3 1983 99,8 8 0,2
1,9 - - - 1984 99,8 1 0,2
2 - - - 1984 99,8 0 0,2
2,1 - - - 1985 99,9 1 0,1
2,2 - - - 1985 99,9 0 0,1
2,3 - - - 1986 99,9 1 0,1
2,4 - - - 1987 100,0 1 0
В табл. 2 представлены данные о средней ошибке прогнозирования некоторых
методов прогнозирования для известного метода предобработки и метода ПКЛ без
туннелирования (δxcр – средняя относительная погрешность метода, рассчитывалась
между действительным и прогнозируемым значением).
Таблица 2 – Средняя ошибка прогнозирования значения координаты X изображения
центра пятна лазерного пучка без туннелирования
Название метода
Относительная погрешность
при прогнозировании на 1 шаг, δxcр,%
Известный метод
предобработки
Метод предобработки
«контурной ленты»
Числовые модели[7]
1)Экспоненциальное сглаживание,
аддитивная модель 1,05 0,93%
2) Экспоненциальное
сглаживание, модель Винтера 1,05 0,93
3) Авторегресионная модель [8] 2,47 1,87
Нейронные сети[9]
4) Радиально базисная функция
РБФ S5[10]
0,78 0,67
5) Линейная сеть S5 [11] 0,76 0,62
6) Многослойный персептрон
структуры MP5-5-4
0,76
0,66
Л.И. Тимченко, А.А. Поплавский, Н.И. Кокряцкая, Н.С. Петровский
«Искусственный интеллект» 4’2011 230
4Т
Данные алгоритмы были промоделированы в программе STATISTICA 6.0 [12].
Как видно из табл. 2 для одних и тех же методов, метод «контурной ленты» пока-
зывает результаты на 15 – 20 % лучше, чем известный метод. Данные ошибки прогно-
зирования при использовании алгоритма туннелирования на примере координаты Х
представлены в табл. 3.
Таблица 3 – Средняя ошибка прогнозирования значения координаты X центра
пятна лазерного пучка с туннелированием
Название метода
Относительная погрешность при прогнозировании
на 1 шаг, δxcр,%
Известный метод
предобработки
Метод предобработки
«контурной ленты»
Числовые модели
1)Экспоненциальное
сглаживание, аддитивная модель 0,99 0,87
2) Экспоненциальное
сглаживание, модель Винтера 1,00 0,87
3) Авторегресионная модель 2,05 1,46
Нейронные сети
4) Радиально базисная функция
РБФ S5 0,75 0,64
5) Линейная сеть S5 0,74 0,62
6) Многослойный персептрон
структуры MP5-5-4
0,74
0,63
Из табл. 3 видно, что метод «контурной ленты» является лучшим с точки зрения
предварительной обработки для прогнозирования центра лазерного пучка. Также можно
отметить, что погрешность δxcр меньше при использовании алгоритма туннелирования и
нейронных сетей, поэтому они являются более предпочтительными для применения по
сравнению с численными методами.
Выводы
К основным преимуществам данного метода по сравнению с классическими ме-
тодами [13], [14] определения центра фигуры [15] можно отнести следующие:
1. Точность определения центра увеличена за счет учета особенностей кон-
турной линии.
2. Алгоритм реагирует на наименьшие изменения границы объекта динамичес-
кого изображения и соответствующим образом влияет на определение его центра.
3. Формирование границ туннеля не требует значительных затрат времени.
4. Диапазон допустимых входных значений ограничен лишь возможностями вы-
числительной системы (алгоритм корректно работает с резкими изменениями поло-
жения центра ЛП).
5. Эксперименты показывают, что предложенный метод предварительной обра-
ботки изображений на основе «контурной ленты» является более предпочтительным по
сравнению с применением известных методов предварительной обработки изобра-
жений для прогнозирования положения лазерного пучка.
Литература
1. Laser Control of Near Earth Space and Possbilities for Removal of Space Debris from Orbit with Explosive
Photo-Dissociation Lasers with Phase Conjugation / Basov N.G., Zemskov E.M., Kutaev Y.F. [et. al.] //
Proc. GCL/HPL 98. SPIE Symposium, St-Petersburg (Russia), 1998.
Метод динамического туннелирования изображений пятен лазерных пучков...
«Штучний інтелект» 4’2011 231
4К
2. Использование градиентных масок для быстрого определения центров изображений пятен лазерных
пучков с повышенной точностью / Л.И. Тимченко, А.А. Поплавский, Н.И. Кокряцкая, А.В Поплав-
ский // Искусственный интеллект. – № 3. – 2010.
3. Method for Processing of Extended Laser Paths Images / Timchenko L.I., Kutaev Yu.F., Kozhemyako V.P.,
[et. al.] // J. Advances in Electrical and Computer Engineering. Suceava (Romania). – 2003. – Vol. 3 (10),
№ 2 (20). – P. 66-78.
4. Timchenko L.I. «Parallel - hierarchical transformation as the system model of efficient means of
artificial intelligence» Precis of the Dissertation for Doctor of Science (Eng) Degree: 05.13.23, State
Scientific - Research Institute of Information Infrastructure / Timchenko L.I. – Lviv, 2002. – 36 p.
5. System of coordinates referencing for non-stationary signals / Timchenko L., Kutaev Yu F, Gertsiy A.A.
[et al.] // J. of Russian Academy of Science, series «Physics». – 2001. – № 6. – P. 886-890.
6. Chetirkin E.M.. Statistical prediction methods / Chetirkin E.M. – Мoskow : Статистика, 1987. – 200p.
7. Brockwell P.J. Introduction to Time Series and Forecasting, second edition / P.J. Brockwell, R.A. Davis. – New
York Springer-Verlag,., 2002,
8. Box George; Jenkins Gwilym,Time series analysis: forecasting and control, rev. 3 Prentice Hall PTR
Upper Saddle River. – NJ, USA, 1994. – 592 p.
9. Haykin S. Neural Networks / Haykin S. – [2nd ed.]. – New Jersey : Prinston Hall, 1999. – 1104 p.
10. Robert J. Howlett Radial basis function networks 2: new advances in design / Robert J. Howlett, L.C. Jain. –
Springer, 2001. – 360 p.
11. Dimitri P. Bertsekas Linear network optimization: algorithms and codes / Dimitri P. Bertsekas, Boro-
vikov V.P. – MIT Press, 1991. – P. 109-122.
12. Borovikov V.P. STATISTICA. Art analysis of data on your computer / Borovikov V.P. – St.Petersburg :
Питер, 2003. – 688 p.
13. Pratt W. Digital processing of images / Pratt W. – Moskow : Mir, 1982. – Vol. 1, 2.
14. Pavlidis T. Algorithms of Machine graphics and image processing / Pavlidis T. – Moskow : Radio and
communication, 1986.
15. Kozhemyako V.P. «Analysis of the methodological approaches in connection with the problem solving
of extrapolation of object trajectory / Kozhemyako V.P., Timchenko L.I., Poplavskyy A.A. // SPIE
Symposium, USA. – Vol. 5175. – 2003. – P. 222-236.
Literatura
1. Basov N.G. Proc. GCL/HPL 98. SPIE Symposium, St-Petersburg (Russia). 1998.
2. Timchenko L.I. Iskusstvennyjintellekt. 2010
3. Timchenko L.I. Advances in Electrical and Computer Engineering. Suceava (Romania). Vol 3 (10). № 2
(20). 2003. P 66-78
4. Timchenko L.I. Parallel - hierarchical transformation as the system model of efficient means of artificial
intelligence. Research Institute of Information Infrastructure. Lviv. 2002. 36 p.
5. Timchenko L. System of coordinates referencing for non-stationary signals of Russian Academy of
Science. Series “Physics”. №6. 2001. P 886-890
6. Chetirkin E.M.. Statistical prediction methods. Moscow: Statistika. 1987. 200 p.
7. Brockwell P.J. Introduction to Time Series and Forecasting. Second edition. Springer-Verlag. New York. 2002.
8. Box George. Time series analysis: forecasting and control, rev. 3Prentice Hall PTR Upper Saddle River,
NJ, USA. 1994. 592p.
9. Haykin S. Neural Networks. 2nd ed. New Jersey,:Prinston Hall. 1999. 1104p.
10. Robert J. Radial basis function networks 2: new advances in design. Springer. 2001. 360p.
11. Dimitri P, Linear network optimization: algorithms and codes.MIT Press. 1991. P 109-122
12. Borovikov V.P. STATISTICA. Art analysis of data on your computer.St.Petersburg.: Piter. 2003. 688 p.
13. Pratt W. Digital processing of images. Moscow; Mir. Vol 1-2. 1982
14. Pavlidis T. Algorithms of Machine graphics and image processing. Moskow: Radio and communication. 1986
15. Kozhemyako V.P. SPIE Symposium. USA. Vol 5175. 2003. P 222-236
L.V. Timchenko, A.A. Poplavskij, N.I. Kokrastskaja, N.S. Petrovskij
Method of Dynamic Laser Beam Spot Images Tunnelling for Upgrading of Prediction of their Characteristics
The paper is devoted to the problem of processing and prediction of dynamic images in real time scale. The
offered approach of forming of master tunnel assumes the method of information processing where the centers of
laser beam images are calculated with improved accuracy and then the sequence of images is classified for
the purpose of prediction upgrading.
Статья поступила в редакцию 22.06.2011.
|
| id | nasplib_isofts_kiev_ua-123456789-60294 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-11-30T14:31:20Z |
| publishDate | 2011 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Тимченко, Л.И. Поплавский, А.А. Кокряцкая, Н.И. Петровский, Н.С. 2014-04-13T20:03:58Z 2014-04-13T20:03:58Z 2011 Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик / Л.И. Тимченко, А.А. Поплавский, Н.И. Кокряцкая, Н.С. Петровский // Штучний інтелект. — 2011. — № 4. — С. 225-231. — Бібліогр.: 15 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/60294 62-566, 65.01, 519-714, 537.533 В статье рассматривается проблема обработки и прогнозирования динамических изображений в реальном масштабе времени. Предлагаемый подход формирования эталонного туннеля предполагает метод обработки информации, при реализации которого вычисляются центры пятен лазерных пучков с повышенной точностью, а также изображения трассы классифицируются с целью улучшения результатов дальнейшего прогнозирования их поведения. The paper is devoted to the problem of processing and prediction of dynamic images in real time scale. The offered approach of forming of master tunnel assumes the method of information processing where the centers of laser beam images are calculated with improved accuracy and then the sequence of images is classified for the purpose of prediction upgrading. ru Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик Method of Dynamic Laser Beam Spot Images Tunnelling for Upgrading of Prediction of their Characteristics Article published earlier |
| spellingShingle | Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик Тимченко, Л.И. Поплавский, А.А. Кокряцкая, Н.И. Петровский, Н.С. Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений |
| title | Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик |
| title_alt | Method of Dynamic Laser Beam Spot Images Tunnelling for Upgrading of Prediction of their Characteristics |
| title_full | Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик |
| title_fullStr | Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик |
| title_full_unstemmed | Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик |
| title_short | Метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик |
| title_sort | метод динамического туннелирования изображений пятен лазерных пучков для улучшения качества прогнозирования их характеристик |
| topic | Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений |
| topic_facet | Интеллектуальные интерфейсы и распознавание образов. Системы цифровой обработки изображений |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/60294 |
| work_keys_str_mv | AT timčenkoli metoddinamičeskogotunnelirovaniâizobraženiipâtenlazernyhpučkovdlâulučšeniâkačestvaprognozirovaniâihharakteristik AT poplavskiiaa metoddinamičeskogotunnelirovaniâizobraženiipâtenlazernyhpučkovdlâulučšeniâkačestvaprognozirovaniâihharakteristik AT kokrâckaâni metoddinamičeskogotunnelirovaniâizobraženiipâtenlazernyhpučkovdlâulučšeniâkačestvaprognozirovaniâihharakteristik AT petrovskiins metoddinamičeskogotunnelirovaniâizobraženiipâtenlazernyhpučkovdlâulučšeniâkačestvaprognozirovaniâihharakteristik AT timčenkoli methodofdynamiclaserbeamspotimagestunnellingforupgradingofpredictionoftheircharacteristics AT poplavskiiaa methodofdynamiclaserbeamspotimagestunnellingforupgradingofpredictionoftheircharacteristics AT kokrâckaâni methodofdynamiclaserbeamspotimagestunnellingforupgradingofpredictionoftheircharacteristics AT petrovskiins methodofdynamiclaserbeamspotimagestunnellingforupgradingofpredictionoftheircharacteristics |