Разработка метода и параллельных алгоритмов автоматической вариационной классификации объектов на изображениях земной поверхности
ВВЕДЕНИЕ 4
ГЛАВА 1. МЕТОДЫ И АЛГОРИТМЫ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ЗЕМНОЙ ПОВЕРХНОСТИ. СОСТОЯНИЕ ВОПРОСА И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ 11
1.1. Проблема классификации объектов на спутниковых фотографиях земной поверхности 11
1.2. Вариационный и эвристический подходы к решению задачи классификации 12
1.3. Методы и алгоритмы классификации объектов 15
1.3.1. Метод минимального расстояния 15
1.3.2. Алгоритм параллелепипеда 16
1.3.3. Иерархическая классификация 17
1.3.4. Метод максимума правдоподобия 22
1.3.5. Алгоритм FOREL 25
1.3.6. Алгоритм K-внутригрупповых средних (K-Means) 27
1.3.7. Алгоритм ИСОМАД (ISODATA) 29
1.4. Принцип однородности разбиения при классификации объектов 34
1.5. Информационная мера однородности 38
1.6. Постановка задач исследований 52
ГЛАВА 2. РАЗРАБОТКА МЕТОДА АВТОМАТИЧЕСКОЙ ВАРИАЦИОННОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ЗЕМНОЙ ПОВЕРХНОСТИ НА ОСНОВЕ ПРИНЦИПА ОДНОРОДНОСТИ РАЗБИЕНИЙ 53
2.1. Исследование свойств информационной меры однородности 53
2.2. Разработка функционала качества разбиения на основе информационной меры однородности. 67
2.3. Особенности применения вариационного метода классификации объектов при принятии решений об отборе наилучшего разбиения пикселей на классы в задаче дешифрирования ИЗП 71
2.4. Основные результаты и выводы главы 81
ГЛАВА 3. РАЗРАБОТКА ПАРАЛЛЕЛЬНЫХ АЛГОРИТМОВ КЛАССИФИКАЦИИ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ ЗЕМНОЙ ПОВЕРХНОСТИ 82
3.1. Особенности современных технологий программирования параллельных вычислений 82
3.2. Параллельные алгоритмы определения максимума функционала. 88
3.2.1. Параллельный алгоритм предварительной классификации. 88
3.2.2. Параллельный алгоритм построения минимального
Евклидова дерева 92
3.2.3. Алгоритм обхода иминимального остовного дерева; 104
3.2.4. Параллельный алгоритм определения максимума функционала качества разбиения 106
3.3. Оценка эффективности разработанных алгоритмов. 108
3.4. Основные результаты и выводы главы 123
ГЛАВА 4. ПРОГРАММНАЯ РЕЛИЗАЦИЯ ПАРАЛЛЕЛЬНЫХ АЛГОРИТМОВ ВАРИАЦИОННОЙ КЛАССИФИКАЦИИ ОБЪЕКТОВ. 125
4.1. Выбор технологий программирования 125
4.2. Архитектура программной реализации 129
4.3. Основные результаты и выводы главы 133
ЗАКЛЮЧЕНИЕ 134
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 135
ПРИЛОЖЕНИЕ А 147
ПРИЛОЖЕНИЕ Б 150
Одним из основных направлений развития информационных технологий является разработка методов и алгоритмов обработки и анализа изображений, что обусловлено тенденцией использования естественных для человека форм информационного обмена, к которым относятся визуальные отображения реальности. Среди интенсивно развивающихся направлений обработки изображений можно выделить анализ цифровых космофотоснимков земной поверхности, получаемых со спутников. Важность этого направления исследований определяется задачами мониторинга земной поверхности, и в частности выделения на изображениях некоторых особенностей (дешифрирование) в целях принятия соответствующих управленческих решений.
Одной из основных процедур дешифрирования является выделение на изображениях земной поверхности (ИЗП) отдельных групп объектов, объединяемых на основе некоторых признаков (классификация), для чего предложены различные подходы. Классификация (кластерный анализ, кластеризация, таксономия) объектов на спутниковых ИЗП является одним из основных этапов предварительной обработки данных, необходимых для последующего проведения различных процедур, связанных с получением информации о запечатленных на снимках объектах, таких как распознавание, получение статистических оценок и прочее. Из-за трудностей обоснования количественных критериев оценивания качества разбиения генеральной совокупности объектов на классы наиболее сложная ситуация возникает при создании методов и алгоритмов автоматической классификации. Вместе с тем использование таких методов является важным предварительным этапом обработки ИЗП больших размеров, поскольку позволяет существенно сократить объем работы эксперта.
Среди существующих современных программных реализаций автоматической классификации объектов на спутниковых фотографиях земной поверхности следует выделить программный комплекс ENVI, в котором реализованы два алгоритма кластеризации, а именно ISODATA (ИСОМАД) и K-Means (К-внутригрупповых средних). Следует отметить, что результаты, получаемые при использовании упомянутых алгоритмов, не всегда совпадают с интуитивными представлениями экспертов об адекватности разбиения.
Таким образом, в основе алгоритмов автоматической классификации целесообразно использовать моделирование поведения человека, вырабатывающего решения. До определенной степени адекватно отражает действия человека при классификации объектов предложенный Загоруйко Н.Г. принцип однородности получаемых разбиений. В качестве основных показателей однородности им рассматриваются однородность размеров классов, однородность расстояний между классами, однородность расстояний между ближайшими элементами в классе и однородность распределения количества элементов по каждому классу. Представляется целесообразным развитие этого направления на основе совершенствования методов количественного оценивания однородности получаемых разбиений (построения интегральной меры однородности).
Важной особенностью классификации объектов на космофотоснимках земной поверхности является тот факт, что объемы обрабатываемой информации могут быть очень велики, так как количество возможных разбиений исходного множества пикселей на классы составляет B(N*M), где B-число Белла, а M и N – ширина и высота изображения в пикселях, что для изображения 50 на 50 пикселей составляет около 105638. При этом получаемые разбиения должны быть оценены с точки зрения некоторого критерия, основанного на интегральной мере однородности. Это приводит к необходимости применения высокопроизводительных вычислительных систем.
При автоматической классификации наиболее естественным представляется вариационный подход, в основе которого используется принцип определения экстремумов некоторых функционалов являющихся мерой адекватности, получаемых разбиений (критерий качества разбиения). Использование функционалов позволяет строить процедуры целенаправленного поиска их экстремумов, исключая полный перебор всех возможных разбиений. В случае классификации объектов на ИЗП такой функционал должен служить интегральной мерой однородности разбиений, в которой адекватно отражаются специфика задачи, так как объекты одного и того же класса (например посевы) могут быть расположены в разных частях ИЗП, отличаться количеством охватываемых пикселей и интенсивностями монохромных составляющих представлений цветных снимков.
Таким образом, разработка метода автоматической вариационной классификации объектов на ИЗП на основе поиска экстремума функционала, являющегося интегральной мерой однородности характеристик получаемых разбиений, и параллельной программно-алгоритмической его реализации на современных высокопроизводительных вычислительных системах является актуальной задачей.
1. Айвазян, С.А. Классификация многомерных наблюдений [Текст]/ Айвазян С.А., Бежаева З.И., Староверов О.В. – М.: Статистика, 1974. – 240с.
2. Александров, В.В. Алгоритмы и программы структурного метода обработки данных [Текст] / Александров В.В., Горский Н.Д. – Л.: «Наука», 1983. – 208с.
3. Аммерааль Л. STL для программистов на С++: Пер. с англ. [Текст]/ Аммерааль Л.— М.: ДМК,2000.— 240 с.
4. Антонов А. С. Параллельное программирование с использованием технологии MPI: Учебное пособие [Текст]/ Антонов А. С. – М.: Изд-во МГУ, 2004. – 71 с.
5. Антонов А.С. Параллельное программирование с использованием технологии OpenMP: Учебное пособие [Текст]/ Антонов А.С. – М.: Изд-во МГУ, 2009. – 77 с.
6. Аркадьев, А.Г. Обучение машины классификации объектов [Текст]/ Аркадьев А.Г., Браверман Э.М. – М . : Наука, 1971. – 192с
7. Аркадьев, А.Г. Обучение машины классификации объектов [Текст]/ Аркадьев А.Г., Браверман Э.М. – М . : Наука, 1971. – 192с.
8. Барсегян А.Л. Методы и модели анализа данных: OLAP и Data Mining [Текст]/ Барсегян А.Л., Куприянов М. С, Степаненко В.В., Холод И.И. — СПб.: БХВ-Петербург, 2004. – 336 с: ил.
9. Барсук, А.А. Параллельный алгоритм построения минимального евклидова дерева в задаче классификации объектов на изображениях для GPU [Текст] / А.А. Барсук, Иванов О. Н.// Научные ведомости белгородского государственного университета № 13(108)2011. Выпуск 19/1. – С. 107 – 113.
10. Барсук, А.А. О распараллеливании вычислений в задаче автоматической классификации объектов на космофотоснимках [Текст] /А.А. Барсук // Научные ведомости белгородского государственного университета № 19 (90) 2010. Выпуск 16/1. – С. 171 – 175.
11. Бланшет Ж. Qt 4: программирование GUI на C++ [Текст]/ Бланшет Ж., Саммерфилд М. – М.: КУДИЦ-ПРЕСС, 2008. – 736 с.
12. Бондарев, В.М. Основы программирования [Текст] / Бондарев В.М. – Ростов-на-Дону: “Феникс”,1997. – 368с.
13. Боресков А. В. Основы работы с технологией CUDA [Текст]/ Боресков А. В., Харламов А. А. – М.: ДМК Пресс, 2010. – 232 с: ил.
14. Борисова, И.А. Функции конкурентного сходства в задаче таксономии [Текст]/ И.А.Борисова, Н.Г.Загоруйко // Материалы Всероссийской конференции с международным участие «Знания – Онтологии – Теории» (ЗОНТ–07), Новосибирск, 14-16 сентября 2007 г. – Т. 2. – С. 67-76.
15. Бородин, А.Н. Элементарный курс теории вероятностей и математической статистики [Текст]/ Бородин А.Н. – СПб: Лань, 1999. – 224с.
16. Браверманн, Э.М. Структурные методы обработки эмпирических данных [Текст]/ Браверманн Э.М., Мучник И.Б. – М.: Наука, 1983. – 464с.
17. Брайан Вард Работаем в Linux [Текст]/ Брайан Вард — Москва, НТ Пресс, 2008 г.- 400 с.
18. В. Костромин Самоучитель Linux для пользователя [Текст]/В. Костромин — Москва, БХВ-Петербург, 2005 г.- 658 с.
19. В. Соломенчук Linux : Валентин Соломенчук [Текст]/В. Соломенчук — Москва, БХВ-Петербург, 2005 г.- 282 с.
20. Вапник, В.Н. Восстановление зависимостей по эмпирическим данным [Текст]/ Вапник В.Н. – М.: Наука, 1979. – 449с.
21. Вапник, В.Н. Теория распознавания образов. Стохастические проблемы обучения [Текст]/ Вапник В.Н.,Червоненкис А.Я. – М.: Наука, 1974. – 415с.
22. Вапник, В.Н. Теория распознавания образов. Стохастические проблемы обучения [Текст]/ Вапник В.Н.,Червоненкис А.Я. ? М.: Наука, 1974. – 415с.
23. Василий Леонов Секреты Linux [Текст]/ Василий Леонов — Москва, Эксмо, 2010 г.- 336 с.
24. Ветров, Д.П. О минимизации признакового пространства в задачах распознавания [Текст] / Ветров Д.П., Рязанов В.В. // Доклады Всероссийской конференции «Математические методы распознавания образов»/ ММРО – 10: Изд-во ВЦ РАН, Москва, 2001. с. 22 – 25.
25. Вирт Н. Алгоритмы и структуры данных [Текст]/ Вирт Н. — М.: Мир, 1989.
26. Воеводин, В.В. Параллельные вычисления [Текст]/ В.В. Воеводин, Вл.В. Воеводин. СПб.: БХВ-Петербург, 2002.
27. Гайдышев, И. Анализ и обработка данных [Текст]/ Гайдышев И. – Санкт-Петербург: Питер, 2001. – 750с.
28. Гергель В.П. Лекции по параллельным вычислениям: учеб. Пособие [Текст]/В.П. Гергель,В.А.Фурсов. – Самара: Изд-во Самар. гос. аэрокосм. ун-та, 2009. – 164 с.
29. Гергель, В.П. Теория и практика параллельных вычислений: учеб. Пособие [Текст]/ В.П. Гергель.- М.: Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2007. – 423 с.
30. Голуб А. И. С и С++. Правила программирования [Текст]/ Голуб А. И. — М: БИНОМ, 1996 г. — 272 с
31. Гонсалес Р. Цифровая обработка изображений [Текст]/ Гонсалес Р., Вудс Р.. – М.: Техносфера, 2006. – 1072 с.
32. Горелик, А.Л. Методы распознавания [Текст]/ А.Л. Горелик, Скрипкин В.А. – Москва: Высшая школа, 2004. – 264с.
33. Горелик, А.Л. Методы распознавания [Текст]/ А.Л. Горелик, Скрипкин В.А. – Москва: Высшая школа, 2004. – 264с.
34. Горский, Н Распознавание рукописного текста: от теории к практике [Текст]/ Горский Н., Анисимов В., Горская Л. – СПб.: Политехника, 1997. -126 с.
35. Гуревич, И.Б. Минимизация булевых функций и эффективные алгоритмы распознавания [Текст]/ Гуревич И.Б., Журавлев Ю.И. // Кибернетика, 1974, № 3. – 16-20.
36. Демидович Е.М. Основы алгоритмизации и программирования. Язык СИ : учебн. Пособие [Текст]/ Демидович Е.М. – СПб.: БХВ-Петербург, 2008. – 448с.
37. Дж. Макконнелл. Основы современных алгоритмов [Текст]/ Дж. Макконнелл. – М:Техносфера, 2004. – 368с.
38. Дмитриев, А.Н. Ф.П. О математических принципах классификации предметов и явлений [Текст]/Дмитриев А.Н., Журавлев Ю.И., Кренделев Ф.П. // Дискретный анализ. – Н-ск:изд-во Институт математики СО АН СССР, 1966. Вып.7. – С. 3-15.
39. Дуда, Р.О. Распознавание образов и анализ сцен [Текст]/ Дуда Р.О., Харт П. Е. – М.: Мир, 1974. – 512с.
40. Дюкова, Е.В. Информативность признаков, отдельных значений признаков и фрагментов описаний объектов [Текст]/ Дюкова Е.В., Песков Н.В.// Доклады Всероссийской конференции «Математические методы распознавания образов», ММРО – 10: Изд-во ВЦ РАН, Москва, 2001. с. 201 – 205.
41. Дюкова, Е.В. О некоторых подходах к вычислению информативных характеристик обучающей выборки [Текст]/ Дюкова Е.В., Песков Н.В.//Доклады Всероссийской конференции «Математические методы распознавания образов», ММРО – 9: Изд-во ВЦ РАН, Москва, 1999. с. 181 – 183.
42. Емельянов, С.В. Автоматика и управление в технических системах [Текст]/ С.В.Емельянов, В.С.Михалевич – К.: Вища шк., 1992 – Кн 6
43. Жиляков, Е.Г. О реализации параллельных вычислений в методе автоматической вариационной классификации объектов на спутниковых фотографиях земной поверхности [Текст] / Е.Г. Жиляков, А.А. Барсук // Вопросы радиоэлектроники. Серия: ЭВТ. – 2011. – Вып. 1. – С. 10-17.
44. Жиляков, Е.Г. Параллельный модифицированный алгоритм Борувки для GPU в задаче классификации объектов на космофотоснимках земной поверхности [Текст] / Е.Г. Жиляков, А.А. Барсук // Вопросы радиоэлектроники. Серия: ЭВТ. – 2012. – Вып. 1. – С. 64-76.
45. Жиляков, Е.Г. Вариационный алгоритм автоматической классификации объектов [Текст] / Е.Г. Жиляков, Е.М. Маматов, А.А. Барсук // Вопросы радиоэлектроники. Серия: ЭВТ. – 2007. – Вып. 1.- С. 110-123.
46. Жиляков, Е.Г. Информационный критерий однородности классификации объектов [Текст]/ Жиляков Е.Г., Маматов Е.М. // Российская научная конференция “Экономические информационные системы на пороге XXI века” :Сборник докладов / Московский государственный университет экономики, статистики и информатики – М., 1999. с. 197-200.
47. Жиляков, Е.Г. Использование информационной меры в автоматической классификации объектов [Текст]/ Жиляков Е.Г., Маматов Е.М.// Международная научно-практическая конференция, посвященная 30-летию академии “Качество, безопасность, энерго- и ресурсосбережение в промышленности строительных материалов и строительстве на пороге XXI века”. – Белгород: Изд-во БелГТАСМ, 2000г.
48. Жиляков, Е.Г. О компьютерной реализации автоматической вариационной классификации объектов на спутниковых фотографиях земной поверхности [Текст] / Е.Г. Жиляков, А.А. Барсук // Вопросы радиоэлектроники. Серия: ЭВТ. – 2010. – Вып. 1.- С. 166-171.
49. Жиляков, Е.Г. Об Автоматической классификации объектов [Текст]/ Жиляков Е.Г., Маматов Е.М. // Математическое моделирование в научных исследованиях. / Материалы Всероссийской научной конференции. Ч.1. – Ставрополь: Изд-во СГУ, 2000. с. 36-38.
50. Жиляков, Е.Г. Определение весов признаков в алгоритмах вычисления оценок [Текст]/ Жиляков Е.Г., Маматов Е.М. //Распознавание образов и обработка информации Сб. науч. Тр. – Минск – 1999 г.
51. Жиляков, Е.Г. Оценка информативности признаков в задачах распознавания образов [Текст]/ Жиляков Е.Г., Маматов Е.М. // Россия на пороге XXI века. Региональные особенности в процессе трансформации общества: Тезисы Международной научно-практической конференции, г.Архангельск, 29 мая 1999 г. – Архангельск: Международный «ИНСТИТУТ УПРАВЛЕНИЯ», 1999.
52. Жиляков, Е.Г. Оценка информативности признаков в задачах распознавания образов [Текст]/ Жиляков Е.Г., Маматов Е.М. // Россия на пороге XXI века. Региональные особенности в процессе трансформации общества: Тезисы Международной научно-практической конференции, г.Архангельск, 29 мая 1999 г. – Архангельск: Международный «ИНСТИТУТ УПРАВЛЕНИЯ», 1999.
53. Журавлёв Ю.И. Об алгебраических методах в задачах распознавания и классификации [Текст]/ Журавлёв Ю.И. //Распознавание,классификация,прогноз.Вып.1.—М.:Наука,1988.—С.9-16.
54. Журавлёв Ю.И. Распознавание образов и распознавание изображений [Текст]/ Журавлёв Ю.И., Гуревич И.Б. //Распознавание,классификация,прогноз.Вып.2.—М.:Наука,1989.—С.5-72.
55. Журавлев, Ю.И. Избранные научные труды [Текст]/Журавлев Ю.И – М:Магистр, 1998. – 422с.
56. Загоруйко, Н.Г Прикладные методы анализа данных и знаний [Текст]/Загоруйко Н.Г. //Вычислительные системы, Новосибирск: ИМ СО РАН, 1999. – 270.
57. Загоруйко, Н.Г. Алгоритмы обнаружения эмпирических закономерностей [Текст]/ Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. – Новосибирск: Наука, 1985.
58. Загоруйко, Н.Г. Какими решающими функциями пользуется человек? [Текст]/Загоруйко Н.Г. //Вычислительные системы, Новосибирск, 1967, вып. 28, с.69 – 78.
59. Загоруйко, Н.Г. Таксономия в анизотропном пространстве [Текст]/Загоруйко Н.Г.// Эмпирическое предсказание и распознавание образов. – Новосибирск: 1978. – С. 26-35.
60. Ким, Дж.-О. Факторный, дискриминантный и кластерный анализ [Текст]/ Дж.-О. Ким, Ч.У. Мьюллер, У.Р. Клекка и др. – М.: Финансы и статистика, 1989. – 215с.
61. Ким, Дж.-О. Факторный, дискриминантный и кластерный анализ [Текст]/ Дж.-О. Ким, Ч.У. Мьюллер, У.Р. Клекка и др. – М.: Финансы и статистика, 1989. – 215с.
62. Кнут Д. Искусство программирования, том 4. Комбинаторные алгоритмы [Текст]/ Кнут Д. – М.: «Вильямс», 2013. — 960 с.
63. Ковалевский В.А. Локальные и глобальные решения в распознавании и изображений [Текст]/ Ковалевский В.А. //ТИИЭР.—1979.—Т.67.—№5.—С.50-58.
64. Компанец, Л. Ф. Математическое обеспечение научных исследований в автоматике и управлении [Текст]/ Л. Ф. Компанец, А. А. Краснопрошина, Н. Н. Малюков – К.: Вища шк.,1992. – 287с.
65. Кормен, Томас X. Алгоритмы: построение и анализ, 2-е издание [Текст]/ Кормен, Томас X., Лейзерсон, Чарльз И., Ривест, Рональд Л., Штайн, Клиффорд. – М.: Издательский дом “Вильяме”, 2005. — 1296 с.”
66. Ларичев, О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных странах [Текст]/Ларичев О.И. – Учебник. – М.: Логос, 2002. – 392с.
67. Лбов, Г.С. Методы обработки разнотипных экспериментальных данных [Текст]/ Лбов Г.С. -Новосибирск:Наука, 1981. – 160с.
68. Маматов Е.М. Применение информационной меры однородности в задачах автоматической классификации объектов и распознавания образов (Системный анализ, управление и обработка информации (информационно-телекоммуникационные системы)): Дисс. … канд-та техн. Наук. – Белгород, 2006.-126 с.
69. Маматов, Е.М. О формировании признакового пространства в задачах распознавания образов и классификации объектов [Текст]/Маматов Е.М. // ВЕСТНИК Московской академии рынка труда и информационных технологий № 4(26) – 2006г. – с.20 – 28.
70. Маматов, Е.М. О формировании признакового пространства в задачах распознавания образов и классификации объектов [Текст]/Маматов Е.М. // ВЕСТНИК Московской академии рынка труда и информационных технологий № 4(26) – 2006г. – с.20 – 28.
71. Маматов, Е.М. Обработка растровых изображений с использованием вариационного алгоритма автоматической классификации объектов, основанного на функционале однородности [Текст]/Маматов Е.М. // Современные проблемы прикладной математики и математического моделирования: Материалы конференции. – Воронеж: Воронежская государственная академия, 2005 г. – с. 142.
72. Маматов, Е.М. Определение весомости признаков в задачах распознавания образов и классификации объектов [Текст]/ Маматов Е.М. // Научные ведомости. Белгородский государственный университет. Серия: Информатика и прикладная математика. № 2., Выпуск 3,. Белгород: Изд-во БелГУ – 2006г., с 107 – 117.
73. Маматов, Е.М. Определение весомости признаков в задачах распознавания образов и классификации объектов [Текст]/ Маматов Е.М. // Научные ведомости. Белгородский государственный университет. Серия: Информатика и прикладная математика. № 2., Выпуск 3,. Белгород: Изд-во БелГУ – 2006г., с 107 – 117.
74. Мандель, И.Д. Кластерный анализ [Текст]/ Мандель И.Д. – Москва: Финансы и статистика, 1988. – 176с.
75. Марр Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов: Пер.сангл. [Текст]/ Mapp Д. —М.:Радиоисвязь,1987.—400с.
76. Оппенгейм, А. Цифровая обработка сигналов [Текст]/ Оппенгейм А., Шафер Р. – Москва: Техносфера, 2006. – 856с.
77. П. Плаугер STL — стандартная библиотека шаблонов C++: Пер. с англ. [Текст]/ П. Плаугер,А. Степанов, М. Ли, Д. Массер.— СПб.: БХВ-Петербург, 2004.— 656 с.
78. Павлидис Т. Иерархические методы в структурном распознавании образов [Текст]/ Павлидис Т. //ТИИЭР.—1979.—Т.67.—№5.—С.39-49.
79. Павловская Т.А. С/С++. Программирование на языке высокого уровня [Текст]/ Павловская Т.А. – СПб: Питер, 2007. – 464 с.
80. Подбельский В.В. Фомин С.С. Программирование на языке Си [Текст]/Подбельский В.В. – М.: Финансы и статистика, 2007 – 600с.
81. Потапов А.С. Распознавание образов и машинное восприятие [Текст]/ А.С. Потапов. Спб: – Политехника, 2007. – 552 стр
82. Рис, У. Основы дистанционного зондирования [Текст]/ Рис У. – М.:Техносфера, 2006. – 336с.
83. Самаль, Д.И. Подходы и методы распознавания людей по фотопортретам [Текст]/ Самаль Д.И., Старовойтов В.В. – Минск:ИТК НАНБ, 1998. – 54с.
84. Сандерс Д., Кэндрот Э. Технология CUDA в примерах. Введение в программирование графических процессоров [Текст] / Д. Сандерс, Э. Кэндрот. Москва: – ДМК Прес, 2011. – 312 с.
85. Седжвик, Р. Фундаментальные алгоритмы на С++. Алгоритмы на графах: Пер. с англ. [Текст]/ Роберт Седжвик – СПб: ООО «ДиаСофтЮП». 2002 – 496 с.
86. Страуструп Б. Дизайн и эволюция языка C++. Объектно-ориентированный язык программирования: Пер. с англ. [Текст]/ Страуструп Б.— М.: ДМК пресс, Питер, 2006.— 448 с.
87. Страуструп Б. Язык программирования C++: Пер. с англ. — 3-е спец. изд. [Текст]/ Страуструп Б.— М.: Бином, 2003.— 1104 с.
88. Т. Адельштайн Системное администрирование в Linux [Текст]/ Т. Адельштайн, Б. Любанович — Москва, Питер, 2009 г.- 288 с.
89. Ту, Дж. Принципы распознавания образов [Текст]/ Дж. Ту, Р. Гонсалес – М.: Мир, 1978.-411с.
90. Ф. А. Резников Операционная система Ubuntu Linux 10.04 [Текст]/ Ф. А. Резников, В. Б. Комягин — Санкт-Петербург, Триумф, 2011 г.- 208 с
91. Форсайт, Дэвид А. Компьютерное зрение. Современный подход [Текст]/ Форсайт, Дэвид А., Понс, Жан. – М.: Издательский дом «Вильямс», 2004. – 928с.
92. Фу, К. Последовательные методы в распознавании образов и обучения машин [Текст]/ Фу К. – М.: Наука, 1971г. – 256с.
93. Фукунага, К. Введение в статистическую теорию распознавания образов [Текст]/ Фукунага, К. – М.: Наука. Главная редакция физико математической литературы, 1979. – 368 с.
94. Фурман Я.А. Введение в контурный анализ и его приложения к обработке изображений и сигналов [Текст] / Фурман Я.А. —М.:Физматлит,2002.—592с.
95. Цыпкин, Я.З. Адаптация и обучение в автоматических системах [Текст]/Цыпкин Я.З. Москва: «Наука», 1968. – 400с.
96. Цыпкин, Я.З. Основы теории обучающихся систем [Текст]/Цыпкин Я.З. Москва: «Наука», 1970. – 560с.
97. Чандра, А.М. Дистанционное зондирование и географические информационные системы [Текст]/ Чандра А.М, Гош С.К. – М.: Техносфера, 2008. – 312с.
98. Шеннон К. Работы по теории информации и кибернетике [Текст]/ Шеннон К. – М: Издательство иностранной литературы, 1663, 830с.
99. Шлее, М. Qt4.5. Профессиональное программирование на C++[Текст]/ Шлее М. – СПб.: БХВ-Петербург, 2010. — 896 с.
100. Энслейн, К. Статистические методы для ЭВМ [Текст]/ К. Энслейн, З. Релстон, Г.С. Уилф. – М.: Наука, 1986. – 464с.
101. Яне, Б. Цифровая обработка изображений [Текст]/ Б. Яне. – М.:Техносфера, 2007. – 584с.
102. Ярославский Л.П. Введение в цифровую обработку изображений [Текст] / Ярославский Л.П. – М.: Сов. радио, 1979. – 312 с.
103. A.Bernardini AUTOMATIC CLASSIFICATION METHODS OF HIGH-RESOLUTION SATELLITE IMAGES: THE PRINCIPAL COMPONENT ANALYSIS APPLIED TO THE SAMPLE TRAINING SET/A.Bernardini, E. S. Malinverni, P. Zingaretti, A. Mancini. // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B7. Beijing, 2008 – p. 701-706.
104. David B. Kirk. Programming Massively Parallel Processors – A Hands-on Approach [Text]/ David B. Kirk, Wenmei W. Hwu. – Morgan Kaufmann Publishers, Elsevier, 2010 – 280 p.
105. Flajolet, P. Analytic Combinatorics [Text] / Philippe Flajolet, Robert Sedgewick. – Cambridge University Press, 2009 – 810p.
106. G. Karniadakis. Parallel Scientific Computing in C++ and MPI [Text] / George Em Karniadakis, Robert M. Kirby II. – Cambridge University Press, 2003 – 630p.
107. Hastie, T., The Elements of Statistical Learning: Data Mining, Inference, and Prediction [Text] / Hastie, T., Tibshirani R., Friedman J. – Springer-Verlag, 2009. – 746 p.
108. I. Foster. Designing and Building Parallel Programs: Concepts and Tools for Parallel Software Engineering [Text]/Ian Foster. – Addison-Wesley, 1995 – 381p.
109. J. Sanders CUDA by Example: An Introduction to General-Purpose GPU Programming + Code [Text] /Jason Sanders, Edward Kandrot. – Addison-Wesley Professional, 2010 – 312p
110. Mitchell, T. Machine Learning [Text] / Tom Mitchell. – McGraw-Hill Science/Engineering/Math, 1997. – 432 p.
111. NVIDIA CUDA C BEST PRACTICES GUIDE, version 4.0.
112. NVIDIA CUDA C Programming Guide, version 4.0.
113. W.Gropp. Using MPI: Portable Parallel Programming with the Message-Passing Interface. Second edition [Text]/ W.Gropp, E.Lusk, A.Skjellum. – MIT Press, 1999 – 371 p.
Помогаем с подготовкой сопроводительных документов
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
5 (91 отзыв)
5 (285 отзывов)
4.9 (298 отзывов)
4.8 (373 отзыва)
4.5 (330 отзывов)
4.7 (46 отзывов)
5 (428 отзывов)
4.8 (1033 отзыва)
4.8 (105 отзывов)
