ДонНТУ   Портал магистров

Роговая Ольга Александровна

Факультет: Институт информатики и искусственного интеллекта

Кафедра компьютеризированных систем управления

Специальность «Компьютеризированные системы управления»

Распознавание типов загрязнений водного бассейна с применением корреляционного анализа

Научный руководитель: к.т.н., доцент Володин Николай Александрович

Резюме Биография Реферат Библиотека Ссылки Отчет о поиске Индивидуальный раздел

Реферат по теме выпускной работы

Содержание

• Введение
• 1. Актуальность темы
• 2. Цель и задачи исследования, планируемые результаты
• 3. Обзор исследований и разработок
• 3.1 Обзор международных источников
• 3.2 Обзор национальных источников
• 3.3 Обзор локальных источников
• 4. Исследование информативности тестовых фигур с применением метода сопоставления с эталоном
• Выводы
• Список источников

Введение

Спектр геоэкологических проблем больших городов и промышленных зон, требующих своевременного решения, достаточно широк. К числу таких проблем можно отнести: загрязнение воздушного бассейна выбросами про­мышленных предприятий и автотранспорта, загрязнение поверхностных и подземных вод за счет сброса загрязняющих веществе и смыва их с урбани­зированных территорий, загрязнение почв, накопление производственных и бытовых отходов и их утилизация [1]. Одной из важнейших экологических задач было и остается рациональное использование и охрана водных ресурсов от загрязнения и ис­тощения. Качество поверхностных вод на урбанизированной территории следует рассматривать как результат сложного совместного действия разно­направленных процессов загрязнения и самоочищения.Экологическое состояние водных объектов в значительной мере определяется совокупным воздействием многих техногенных факторов. Наиболее значительные из них: сброс в водные системы недостаточно очи­щенных сточных вод от коммунальных и промышленных объектов через ка­нализационные системы; поступление загрязненных талых и дождевых вод; бытовые и производственные свалки в пределах во­досборной площади; выбросы от промышленных предприятий и автомо­бильного транспорта; рекреационная нагрузка в местах организованного и неорганизованного отдыха. При этом основными загрязнителями поверхно­стных вод до последнего времени считались промышленные и коммунальные стоки.
        Система контроля за окружающей средой включает три основ­ных вида деятельности: 1) слежение и контроль - систематические наблюдения за состоянием окружающей среды; 2) прогноз - опре­деление возможных изменений природы под влиянием естествен­ных и антропогенных факторов; 3) управление - мероприятия по ре­гулированию состояния окружающей среды[2] .

Возможность контроля за окружающей средой открыли средства дистанционного зондиро­вания, устанавливаемые на самолетах и орбитальных спутниках Зем­ли. Изображения земной поверхности, полученные с различных высот, безгранично расширяют поле зрения исследователя. Аэро­космические методы дали такой мощный толчок развитию наук о Земле, как в свое время изобретение микроскопа в биологии.

Отмечются следующие особенности и достоинства космичес­кого мониторинга:

- наблюдаются и регистрируются сведения об обширных про­странствах, вплоть до всей видимой в момент съемки части Земно­го шара; благодаря большой обзорности на снимках видны крупные региональные особенности хозяйственного воздействия на природ­ные ландшафты;

- космоснимки дают однотипную и детальную информацию о труднодоступных районах с такой же точностью, как и для хорошо изученных регионов, что позволяет эффективно применять метод экстраполяции дешифровочных признаков на основе выделения лан­дшафтов-аналогов;

- мгновенность изображения обширных площадей сводит к минимуму влияние переменных погодных и сезонных факторов; воз­можность регулярного проведения повторных съемок позволяет выб­рать лучшие изображения; по материалам повторных съемок изуча­ется динамика природных процессов;

- комплексный характер информации, содержащейся на космоснимках, позволяет использовать их для изучения сложных процес­сов взаимодействия общества и природы;

-  на снимках с высоким разрешением можно распознать осо­бенности морфологической структуры ландшафтов и техногенных образований.                Вместе с тем, благодаря естественной генерализации изображения, на космических снимках отображаются наиболее круп­ные и существенные элементы географической оболочки и следы антропогенного воздействия.

 

1. Актуальность темы

Проблема охраны окружающей среды является одной из важных задач науки, интерес к которой возрастает в связи с темпами технического прогресса во всем мире. На данном этапе развития цивилизации невозможно избежать выбросов загрязняющих веществ в атмосферу и воду, однако в случае разумного использования природных ресурсов можно обеспечить безопасный уровень воздействия на атмосферу [3]. В настоящее время наблюдения за качеством вод ведутся в не­достаточном объеме. Повышение экологической напряженности в больших городах и промышленных зонах требует более тщательных и более массовых наблюдений за состоянием окружающей среды. Основными факторами  антропогенного загрязнения моря являются: речной сток; береговой сток; абразия берегов; разливы нефти и нефтепродуктов разного происхождения. В первую очередь, интенсивному загрязнению подвергаются прибрежные воды. Для повышения эффективности мониторинга их экологического состояния необходимо быстро и эффективно определять тип загрязнений, а также их генезис и следствия[4]. Космические средства дистанционного зондирования Земли при контроле состояния водных объектов позволяют выявить источники и состав загрязняющих веществ, определить степень загрязнения различных участков объекта и динамику загрязнения во времени (рисунок 1.1).

                                            

                                                             

                                  Рисунок 1.1 – Дешефрирование загрязнений с судов на радиолакационном изображении ENVISAT
                                                                        ( анимация: 10 кадров, 5 циклов повторения, 267 килобайт)

                                                                 ( ENVISAT-спутниковое изображение видимого диапазона)

Магистерская работа посвящена актуальной научной задаче применения одного из существующих методов исследования информативности тестовых фигур, который основывается  на способе сопоставления с эталоном, в ходе которого вычисляется коэффициент взаимной корреляции.

2. Цель и задачи исследования, планируемые результаты

Целью исследования является разработка метода исследования информативности тестовых фигур, который основывается  на способе  сопоставления с эталоном.

Основные задачи исследования:

1. Анализ существующих методов исследования информативности тестовых фигур;
2.  Разработка искусственных дешифровочных признаков, сформированных в про­цессе обработки  космических снимков;
3. Выделение контура интересующего участка;
4. Преобразование исследуемых контуров;
5. Нормирование полученных данных [5]; 
6. Определение взаимной корреляционной функции между контурами исследуемой и тестовой фигуры; 
7. Расчет коэффициентов корреляции тестовых фигур для каждого типа загрязнения; 
8. Формирование таблиц коэффициентов корре­ляции для всех типов загрязнений по каждой тесто­вой фигуре; 
9. Анализ полученных результатов.

Объект исследования: космические снимки загрязненных участков водного бассейна.

Предмет исследования: метод исследования информативности тестовых фигур, который основывается  на способе сопоставления с эталоном, в ходе которого вычисляется коэффициент взаимной корреляции.

В рамках магистерской работы планируется получение актуальных научных результатов по следующим направлениям:

1. Разработка искусственных дешифровочных признаков, сформированных в про­цессе обработки  космических снимков;
2. Разработка алгоритма выде­ления контура интересующего участка
3. Реализация метода исследования информативности тестовых фигур, основыванная на способе сопоставления с эталоном.

3. Обзор исследований и разработок

В настоящее время существует большое количество различных методик и технологий выявления изменений по разновременным аэрокосмическимснимкам, которые были широко исследованы как американскими, европейскими, японскими учеными, так и отечественными сциалистами.

3.1 Обзор международных источников

Один из основных способов обнаружения объектов на изобра­жении состоит в сопоставлении с эталоном. При этом эталон интересующего нас объекта сравнивается со всеми неизвестными объектами, находящимися на изображении. Данные способы подробно изложены в книгах  Duda R. О., Hart P. Е., Highleyman W. Н., Kanal L. N., Randall N. C., Munson J. H.[6-11]. Вопросам использования вычислительных машин для обработки изображений  посвящены работы Thomas J. В.,  Andrews H. C., Cutrona L. J., Leith Е. N.. Palermo С. J., Porcello L. J.  [12-14].  

Основной этап при формировании символического описания изображения по массиву элементов или набору простейших признаков заключается в определении геометрических соотношений и связности между элементами, относительно которых предполагается, что они принадлежат одному классу [15-23].

    Разработка методики использования вейвлет-преобразования для обработки космических снимков высокого и среднего разрешения при мониторинге лесных массивов рассмотрены в работах Белова В.В, Скудина В.М., Мановича В.Н., Топчиева А.Г., Сухих В.И. [16 - 27]. 

    Разработке методики геоэкологического дешифрирования космических изображений посвящены работы Chain -I Chang, Davison L., Dan Bosence, Aawah M.H.[28-32].

Обработка изображений с целью их распознавания является одной из центральных и практически важных задач при создании систем искусственного интеллекта. Проблема носит явно выраженный комплексный иерархический характер и включает ряд основных этапов: восприятие поля зрения,сегментация, нормализация выделенных объектов, распознавание[33 - 35].

3.2 Обзор национальных источников

В Национальном аэрокосмическом университете им.Н.Е.Жуковского «ХАИ» В.В. Радчук, В.А. Слободян, А.Н. Брашеван активно занимались вопросами автоматизированной классификации структурных признаков загрязнения моря, исследования информативности тестовых фигур с применением корреляционного анализа, разработкой алгоритма распознавания загрязнения Черного и Азовского морей[36 ,37].

Методы корреляционного обнаружения объектов были рассмотрены в работах Гиренко А.В., Ляшенко В.В., Машталир В.П., Путятин Е.П. Был рассмотрен сравнительный анализ методов обработки и распознавания изображений применительно к системам технического зрения. Предложена классификация методов. Проанализированы их достоинства, недостатки и предпочтительные области применения. Особо выделяются нерешенные задачи. Более тщательно рассмотрены задачи нормализации образов в условиях аффинных и проективных преобразований, соответствующих условиям работы  органа зрения человека[38-39].

Был предложен метод выделения признаков по взаимной корреляции исследуемого контура и контуров набора тестовых фигур. Такой подход использовался, например, в распознавании рукописного текста [40, 41]. На основе полученных в [42] результатов разработан алгоритм автомитического опредления типа загрязнения. Для выделения аномального участка на поверхности морских акваторий  используется метод, описанный в [43].

3.3 Обзор локальных источников

В Донецком национальном техническом университете (кафедра вычислительной техники и информатики) широко разрабатываются методы распознавания изображений.

Статьи Г.Ю. Костецкой, О.И. Федяева посвящены распознаванию изображений человеческих лиц с помощью сверточной нейронной сети [44]. В статье рассматривается распознавание изображений человеческих лиц с помощью сверточной нейронной сети, которое реализовано в виде программной модели.

Данной теме посвящены работы Афанасенко А.В. на тему: «Разработка гибридной специализированной системы распознавания образов на базе нечетких нейронных сетей»[45], Скляренко М.И. «Анализ нестационарных сигналов при помощи вейвлет преобразования»[46], Махно Ю.С. «Распознавание графических образов с помощью нейронной сети типа неокогнитрон при наличии искажений»[47].

4. Исследование информативности тестовых фигур с применением метода сопоставления с эталоном

При обработке космических снимков оптическо­го диапазона для задач мониторинга оказывается недостаточным применение только естественных дешифровочных признаков, к которым принадлежат спсктрально-яркостные характеристики, форма вы­деленною пятна, его текстура и динамика изменения контуров пятна по времени [48]. Все эти признаки систематизированы и описаны словесно [49], и поэтому заключение о природе аномального пятна на морской поверхности в большей степени зависит от опыта оператора, который провидит обработку космических снимков. В связи с этим, для более эффективного опреде­ления типа загрязнения по материалам космических съемок необходима разработка искусственных дешифровочных признаков, сформированных в про­цессе обработки снимков.

 Для выделения искусственных дешифровочных признаков используется естественный дешифровочный признак - форма пятна выделенного на морской поверхности аномального явления. В работах [50] показано, что для каждого типа загрязнения ха­рактерна определенная форма пятна. В данной рабо­те предполагается, что использование этого призна­ка позволит повысить вероятность определения типа загрязнения.

Исследование формы пятна предполагает выде­ление контура интересующего участка. Алгоритм выделения показан на рис4.3. В рассмотренном слу­чае автоматическое выделение на космических снимках участков водной поверхности достигается применением линейной разделительной функции [4].

Рисунок 4.1 - Алгоритм выде­ления контура интересующего участка.

Один из основных способов обнаружения объектов на изобра­жении состоит в сопоставлении с эталоном. При этом эталон интересующего нас объекта сравнивается со всеми неизвестными объектами, находящимися на изображении. Если сходство между неизвестным объектом и эталоном достаточно велико, то этот объект помечается как соответствующий эталонному объекту. Полное совпадение эталона с какой-либо частью изображения бывает редко из-за действия шумов и искажений, вызванных про­странственной дискретизацией и квантованием яркости, а также вследствие отсутствия априорной информации относительно точ­ной формы и структуры объекта, который требуется обнаружить. Поэтому обычно с помощью некоторой конкретной меры различиямежду эталоном и изображением в точке указы­вают на наличие выделенного объекта там, где это различие меньше некоторого установленного порога. Обычно в качестве меры различия берется среднеквадрэтическая ошибка, определяемая как

 

Считается, что сходство с эталоном имеет место, если

       Нормированная взаимная корреляция имеет максимальную ве­личину, равную единице, тогда и только тогда, когда изображе­ние в окне точно совпадает с эталоном[51]. 

Выводы

 В рамках проведенных исследований выполнено:

1. Анализ существующих методов исследования информативности тестовых фигур;
2.  Разработка искусственных дешифровочных признаков, сформированных в про­цессе обработки  космических снимков;
3. Выделение контура интересующего участка;
4. Преобразование исследуемых контуров;
5. Нормирование полученных данных ; 
6. Определение взаимной корреляционной функции между контурами исследуемой и тестовой фигуры; 

Дальнейшие исследования направлены на следующие аспекты:

1. Расчет коэффициентов корреляции тестовых фигур для каждого типа загрязнения; 
2. Формирование таблиц коэффициентов корре­ляции для всех типов загрязнений по каждой тесто­вой фигуре; 
3. Анализ полученных результатов.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2012 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

1.    Луканин В.Н., Трофименко Ю.В. Промышленно-транспортная эколо­гия: Учебник для вузов. - М.: Высшая школа., 2001. - 273 с.
2.  Проблемы создания региональных геоинформационных комплексов и опыт решения прикладных задач на основе аорокосмичсской информации / отв. ред. В.В. Лебедев. - М.: Наука, 2002. - 239 с.
3. Марчук Г. И. Математическое моделирование в проблеме окружающей    среды – М.: Наука, 1982–315 с.
4. Красовский Г.Я., Петросов В.А. Інформаційні технології космічного моніторингу водних екосистем і прогнозу водоспоживання міст. – К.: Наукова думка, 2003. – 224 с.
5.      Математические модели электронных аппара­тов и систем / М.Ф. Бабаков, А.В. Попов, М.И. Луханин: Учебн. пособие. - X.: Нац. аэрокосмический ун-т «Харьк. авиа. ин-т», 2003. - 109 с.
6. Duda R. О., Hart P. Е., Pattern Classification and Scene Analysis, Wiley-lnterscience, New York, 1973, pp. 276—284. (Имеется перевод: Дуда P., Xapt П., Распознавание образов и анализ сцеп. — М.: Мир, I97G.J
   Ito M. Algebraic theory of automata and languages / M. Ito. – World Scientific Publishing, 2004. – 199 pp.
7. Highleyman W. Н., An Analog Method for Character Recognition, IRE Trans. Electronic Computers, EC-10, 3, 502—510 (September 1961) - 446 pp..
8. Kanal L. N.. Randall N. C., Recognition System Design by Statistical Ana-lysis, Proceedings ACM National Conference, 1964.- pp. 107—120.
9.  Munson J. H., Experiments in the Recognition of Hand-Printed Text: Part I— Character Recognition, Proceedings Fall Joint Computer Conference, December 1968, pp. 1125—1138.
10. Turin G. L., An Introduction to Matched Filters, IRE Trans. Inf. Theory, IT-6, 3. 311—329 (June 1960).
11. Cook С. E., Bernfeld M., Radar Signals, Academic Press, New York, 1965. [Имеется перевод: Кук Ч., Берифельд М., Радиолокационные сигналы. Теория и применение. — М.: Советское радио, 1971.] - pp. 16—20.
12. Thomas J. В., An Introduction to Statistical Communication Theory, Wiley, New York, 1965, pp. 187—218.
13. Andrews H. C., Computer Techniques in Image Processing, Academic Press, New York, 1970, pp. 55—71. [Имеется перевод: Эидрюс Г., Применение вычислительных машин для обработки изображений.—М.: Энергия, 1977.]
14. Cutrona L. J., Leith Е. N.. Palermo С. J., Porcello L. J., Optical Data pp. 187—218.
15. Rosenfeld A., Connectivity in Digital Pictures, J ACM, 17, 1, 146—160 (January 1970).    
16.  Rosenfeld A., Picture Processing by Computer, Academic Press, New York 1969. [Имеется перевод: Розеифельд А., Распознавание и обработка изображений. — М.: Мир, 1972). - pp. 157—160.
17.  Концептуальный подход к созданию системы мониторинга состояния земель лесного фонда РФ Текст. / В.Н. Манович // Материалы X международной научно-практической конференции «Геоинфо-кад», Китай. -2006. - С. 18-21.
18.   Скудин, В.М. Проблема незаконных рубок в России и пути ее решения Текст. / В.М. Скудин // Материалы Всерос. совещания-семинара с между-нар. участием, Красноярск: Ин-т леса им. В.Н. Сукачева СО РАН, 2005. — С. 9 — 14. 
19. Белов, В.В. Мониторинг лесных пожаров по данным дистанционного зондирования Текст. / В.В. Белов, С.В. Афонин, Ю.В. Гриднев // Геоинформатика 2000: Тр. Междунар. научно-практ. конф., Томск: ТГУ, 2000. -С.17-22.
20. Биосфера и другие результаты дистанционного зондирования Текст. / А.Г. Топчиев и др. М.: Наука, 1999. - 224 с.
21.  Манович, В.Н. Лесоустройство и экологический мониторинг Текст. / В.Н. Манович // Материалы 7-ой международной научно-практической конференции «Геоинфокад», Австрия. 2003. - с. 16-20.
22.  Манович, В.Н. Лесоустройство и экологический мониторинг Текст. / В.Н. Манович // Материалы 8-ой международной научно-практической конференции «Геоинфокад», Франция. — 2004. — с.55-58.   
23.  Манович, В.Н. Экологический мониторинг и аудит земель лесного фонда с использованием данных дистанционного зондирования Земли Текст. / В.Н. Манович // Материалы 9-ой международной научно-практической конференции «Геоинфокад», Италия. 2005. - с.50-54.
24. Манович, В.Н. Использование геоинформационных систем лесного хозяйства для организации государственной инвентаризации лесов Текст. / В.Н. Манович // Геодезия и картография. 2009. - №1. - С. 45 — 47.
25. Сухих, В.И. Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве Текст.: учебник. / В.И. Сухих. Йошкар-Ола: МарГТУ, 2005.-392 с.
26. Сухих, В.И. Аэрометоды в лесоустройстве. Текст. / В.И. Сухих, Н.Н. Гусев, Е.П. Данюлис. М.: Лесная промышленность, 1977. — 192 с.
27. Chain-I Chang and oth. Least Squares Subspace Projection Approach to Mixed Pixel Classification for Hiperspectral Images. IEEE Transaction of Geoscience & Remote Sensing, 1998, V. 36, № 3, p. 899-912. 
28. Davison L., Dan Bosence, G. Lan Alsop & Mohammed H. Al-Aawah (1996); Deformation and sedimentation around active Miocene salt diapirs on the Tihama Plain, northwest Yemen; Geo. Soci. Special publication No. 100, 23-39. 
29. El-Anbaawy, M. I. H., Aawah, M. A. H. Al- Thour, K. A. and Tucker, M. (1992): Miocene evaporates of the Red Sea rift, Yemen Republic; Sedimentlogy of the Salif halite. Sed. Geo. V. 81; 61-77. 
30.  Elsagheer, A.A.A (2004) Geology of the coastal area of Wadi Mwar Red Sea Republic of Yemen; thesis Msc. Faculty of science Cairo Uni. Pp: 183. 
31. ERDAS Imagine Field Guide. Atlanta, USA, 1999-2001. Учебник Field Guide выложен на сайте компаний Leica Geosystems (http://gi.leica-geosystems.com/LGISub2x514x0.aspx). 
32. M. Taraclioti, M. Petrov. IllUmination Invariant Unmixing of set of Mixed Pixel IEEE Transaction of Geoscience & Remote Sensing, 1998, V. 39, № 10, p. 2227-2234. Аэрокосмические средства и методы исследования лесных ресурсов на базе ГИС технологий Текст.: учеб. пособие для студентов лес. фак. / В.И. Сухих и др. М.: МГУЛ, ЦЭПЛ РАН, 1999. - 304 с.
33.    Handbook of pattern recognition and computer vision / Chen C.H., Rau L.F. and Wang P.S.P.(eds.). – Singapore-New Jersey-London-Hong Kong: World Scientific Publishing Co. Pte. Ltd., 1995. - 984 p.
34.    Shalkoff R.J. Digital image processing and computer vision. – New York-Chichester-Brisbane-Toronto-Singapore: John Wiley & Sons, Inc., 1989. - 489 p.
35.   Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. М: Машиностроение, 1990. 320 с.
36. В.А.Слободян Исследование информативности тестовых фигур с применением корреляционного анализа / А. Слободян  // Авиационно - космическая техника и технология №2. – Х.:Нац. аэрокосмический ун-т «Харьк. авиа. ин-т», 2008. – с. 89-92.
37. В.В. Радчук, В.А. Слободян Автоматизированная классификация структурных признаков загрязнения моря / В.В. Радчук, В.А. Слободян  // Авиационно - космическая техника и технология . – Х.:Нац. аэрокосмический ун-т «Харьк. авиа. ин-т», 2008

38. Гиренко А.В., Ляшенко В.В., Машталир В.П., Путятин Е.П. Методы корреляционного обнаружения объектов. Харьков: АО “БизнесИнформ”,1996. 112 с.

39. Вестник Национального Технического Университета “Харьковский политехнический институт” Выпуск 114.- Харьков: НТУ “ХПИ”, 2001. – 128с. 7. Прблемы бионики. Всеукраинский межведомственный сборник. Выпуск 50.- Харьков: “ХГТУРЭ”, 1999. – 217с. 
40. Гонсалес Р., Дж. Ту. Принципы распознавания образов: Пер. с англ. – М.: Мир, 1978. – 416 с. 
41.  Прэтт У. Цифровая обработка изображений: Пер. с англ. – М.: Мир, 1982. – Кн. 2. – 480 с.
42. Слободян В.А. Исследование информативности тестовых фигур с применением корреляционного анализа // Авиационная и космическая техника и технология. – 2008. – №2 (49). – С. 89 – 92.
43.  Гелецян Д. Векторизация растровых изображений.
44. Г.Ю. Костецкая, О.И. Федяева Распознавание изображений человеческих лиц с помощью сверточной нейронной сети[Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2010/fknt/kostetskaya/library/art06/index.html
45.  Афанасенко А.В. «Разработка гибридной специализированной системы распознавания образов на базе нечетких нейронных сетей»[Электронный ресурс]. – Режим доступа: http://www.uran.donetsk.ua/~masters/2003/kita/afanasenko/diss/index.htm 
46. Скляренко М.И. «Анализ нестационарных сигналов при помощи вейвлет преобразования»[Электронный ресурс]. – Режим доступа: http://www.masters.donntu.ru/2006/kita/sklyarenko/index.htm 
47. Махно Ю.С. «Распознавание графических образов с помощью нейронной сети типа неокогнитрон при наличии искажений»[Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2008/fvti/makhno/diss/index.htm 
48. Брук В.В. Исследование загрязнения водных объектов взвешенными веществами но материалам космических съемок: Дис.  канд. техн. наук. - X., 1991.- 181 с. 
49.   Красовский Г.Я. Аэрокосмический монито­ринг поверхностных вод. - Л.:ВНИИКАМ, 1992. - 231 с. 
50.  Мацокин Л.В. Метод районирования вод Чер­ного моря но комплексу параметров. Проблемы Черного моря. - Севастополь. МГИ Академии Наук Украины, 1992. - С.69-70. 
51. Прэтт У. Цифровая обработка изображений: Пер. с англ. – М.: Мир, 1982. – Кн. 2. – 480 с. 

Резюме Биография Библиотека Ссылки Отчет о поиске Индивидуальный раздел