Разработки СО РАН - каталоги программ и БД

Поиск по каталогам:

2014-12-31

Назначение - программа предназначена для квантования и сокращения размерности векторного пространства спектральных признаков изображения.

Область применения - для сокращения размерности данных в химии, биологии, медицине, в производственных процессах для исследования поверхности металлов и др., в сельском хозяйстве, лесоводстве при  автоматизации классификации сельскохозяйственных культур, лесных угодий при картировании, инвентаризации, оценке площадей, прогнозирования урожая и других.

Используемый алгоритм - Данные дистанционного зондирования Земли могут иметь большой объем и размерность (число спектральных каналов). Актуальной является задача предварительного сокращения этого объема, например,  в задачах кластеризации или классификации. Обычно каждый спектральный канал представлен 8-битовым машинным словом, т.е. уровень серого тона может пробегать целочисленные значения от 0 до 256. Квантование означает, что размер ячейки квантования увеличивается с уменьшением числа уровней квантования, благодаря этому исходные вектора объединяются. При этом число уровней квантования по каждому каналу может быть разным. Чтобы определить их соотношение, строится ковариационная матрица спектральных векторов данных, затем определяются собственные значения матрицы. Для нахождения собственных чисел и векторов ковариационной матрицы векторов признаков используется метод Якоби [1].  При квантовании для меньшей потери информации ячейка квантования в собственном пространстве (ортонормированном) векторов  должна оставаться гиперкубической. При этом условии разброс данных по каждому направлению, определяемый соответствующим собственным числом, должен быть пропорционален числу уровней квантования. Сохраняя число уровней серого по каждой оси собственного пространства  целым числом от 0 до 255, мы получим максимально возможное число уровней равным 256 и минимальное для задач классификации 2. Учитывая вышесказанное, если отношение какого-либо собственного числа к максимальному меньше 1/128, то соответствующая ось собственного пространства может не рассматриваться. Для задачи кластеризации часто требуется максимальное число уровней квантования существенно меньшее 256, поэтому число отсеченных осей возрастет. Соответственно размерность пространства, связанная таким образом с детальностью рассмотрения, уменьшится [2]. Исходное изображение данной программой переписывается в новой системе координат собственного пространства в виде raw-файла.           

Описание применения для сокращения размерности  и кластеризации [3] по картированию промышленных загрязнений [4] на сайте http://loi.sscc.ru/lab/WEBLAB/InfresLab2013/sidorova_pollution.htm. Рассматривалось изображение Омской области (около 57 Мбайт)  в семи спектральных каналах со спутника ИСЗ  “ Landsat-8” (разрешение 15 м, получен 08.02.2014). Предварительно было осуществлено сокращение  размерности векторного пространства спектральных признаков с семи до трех. Этого оказалось  достаточно для требуемой детальности кластеризации. Детальность, различная по полученным кластерам,  определялась делимым иерархическим гистограммным  алгоритмом [3] для предельной отделимости кластеров d=0.15  (0<d<1).

1.     Н.Н. Калиткин. Численные методы.  под ред. А.А. Самарского. Москва “Наука” 512 с  1978.

2.     V.S. Sidorova. Contextual Clustering Multispectral Data of Remote Sensing the Earth. Труды Международной научной  конференции. “Актуальные проблемы вычислительной и прикладной математики 2014” Июнь 8-11, 2014, Академгородок, Новосибирск, Россия. С. 108.

3.     V.S. Sidorova. Detecting Clusters of Specified Separability for Multispectral Data on Various Hierarchical Levels. Pattern Recognition and Image Analysis, 2014, Vol. 24, No. 1, pp. 151–155.         (SCOPUS)

4.     Программа фундаментальных исследований по стратегическим направлениям развития науки Президиума РАН № 43.

Функциональные возможности - Принципиальных ограничений на память программа не имеет. Только объем памяти используемого компьютера может ограничить размер обрабатываемого файла. Обработка изображения производится при построчном сканировании его. 

Инструментальные средства создания - Алгоритм реализован в программной среде системы объектно-ориентированного программирования Visual C++ версии 5.0 фирмы Microsoft c библиотекой классов MFC, разработанной для ОС Windows.

2014-12-31

Назначение: программа предназначена для вычисления и сохранения в виде raw-файла текстурных признаков CONTEXT для всех пикселей полутонового изображения.

Область применения: Вычисляемые признаки системы CONTEXT могут быть использованы для математического описания статистических текстур  изображения - в химии, биологии, медицине, в производственных процессах для исследования поверхности металлов и др., в сельском хозяйстве, лесоводстве для  автоматизации классификации сельскохозяйственных культур, лесных угодий при картировании, инвентаризации, оценке площадей, прогнозирования урожая и других.

Используемый алгоритм - Вычисляются статистические текстурные признаки CONTEXT, определяемые в пикселе  как гистограмма уровней серого тона в его окрестности [1]. Использование признаков  CONTEXT для неконтролируемой классификации изображений леса на аэроснимках с помощью алгоритма [2] описано и иллюстрировано на сайте http://loi.sscc.ru/lab/RFFI2013/RU/sidorova_separability_TEXTURA.htm. Использование контекстных характеристик требует предварительного  сокращения размерности и квантования пространства спектральных признаков. 

Достоинство контекстной характеристики состоит в том, что в отличие от общепринятой одноканальной текстуры, может быть рассмотрена «цветная», многоспектральная. Кроме того, в качестве текстурных признаков непосредственно используются значения гистограммы в окрестности пикселя (а не формируются из нее сложные, долго вычисляемые формы).  

На сайте проиллюстрировано применение признаков для автоматизации распознавания леса на аэроснимках определенного масштаба. Наземная таксация (точное выборочное измерение параметров деревьв и характеристик лесных сообществ) осуществляется лесоводами в наиболее однородных частях контуров, построенных визуальным дешифрированием. Однако, визуальному дешифрированию свойствен субъективизм. Автоматизация в описании текстур и сегментации изображения позволяет избежать этого недостатка.  Полученные карты кластеров по признакам CONTEXT оказались очень похожими на аналогичные карты по признакам модели SAR. Новая карта несколько больше соответствует карте наземной таксации: лиственные насаждения разделились по кластерам более точно, меньшим оказалось как общее число кластеров, так и число кластеров с узкими сегментами, находящимися на границах различных тексту в плоскости изображения.

1.     Gong P and P Howarth Frequency base classification and grey level vector reduction for land use identification. // PE&RS, Vol.58, No.4, April 1992, PP.423-437

2.      V. S. Sidorova. Detecting Clusters of Specified Separability for Multispectral Data on Various Hierarchical Levels. // Pattern Recognition and Image Analysis, 2014, Vol. 24, No. 1, pp. 151–155...

Функциональные возможности - признаки могут не вычисляться заранее и храниться в отдельном файле, их расчет может быть встроен непосредственно в алгоритм кластеризации. 

Принципиальных ограничений на память программа не имеет. Только объем памяти используемого компьютера может ограничить размер обрабатываемого файла.

Инструментальные средства создания - Алгоритм реализован в программной среде системы объектно-ориентированного программирования Visual C++ версии 5.0 фирмы Microsoft c библиотекой классов MFC, разработанной для ОС Windows. При разработке программы  использовался механизм многодокументного интерфейса MDI.

2014-12-31

Назначение: Программа предназначена для вычисления вероятностных характеристик решения систем со случайной структурой с распределенными переходами.

Область применения: Программа рассчитана на математиков – вычислителей и может быть использована для моделирования   динамических систем (модели которых заданы системами со случайной структурой с распределенными переходами) в  различных областях науки - автоматическом управлении, статистической механике, химии, медицине, радиотехнике, теории надежности и др.

Используемый алгоритм: Для моделирования решения используется алгоритм на основе обобщенного метода Эйлера и метода максимального сечения [1].

Оцениваются следующие вероятностные характеристики решения:

  • условные: первый, второй момент и дисперсия для каждой структуры;
  • безусловные: первый, второй момент и дисперсия; вероятности состояний;
  • плотность вероятности для каждой структуры;
  • одномерная плотность распределения.

Вектор состояния Y(t) в каждой l-й структуре задан автономными стохастическими дифференциальными уравнениями (СДУ) в смысле Ито

dY(t) = A_l(Y(t))*dt + B_l(Y(t))*dW(t), где 

    Y(t) - вектор состояния системы (размерности n);

   W(t) - вектор независимых стандартных винеровских процессов (размерности m);

   A_l(Y) - известные векторные функции размерности n (снос);

   B_l(Y) - известные матричные функции размерности n x m (диффузия).

Интенсивности переходов зависят от времени и заданы матричной функцией V размерности lk x lk, где lk – число структур. Предполагается, что в начальный момент времени Т0 известно распределение вектора состояния системы Y(T0) и номер начальной структуры l(T0).

1. Т.А. Аверина. Статистический алгоритм моделирования динамических систем с переменной структурой  // Сиб. ЖВМ, 2002, т. 5, № 1, сс. 1-10.

В приложении находятся два файла:

1.  test_random_str_2014.pdf - Описание основного алгоритма и демонтстрация вычисленных вероятностных характеристик тестового примера: решалась задача стабилизации малого искусственного спутника, находящегося под действием гравитационного и управляющего моментов;

2.  random_structure_2014.rar - .заархивированные файлы программы и ее описания.
Инструментальные средства создания - Язык программирования Фортран ...

2014-12-30

Назначение - для иллюстрации процесса решения линейного дифференциального уравнения первого порядка методом Бернулли-Фурье с добавлением по одному символу после временной задержки.

Область применения - для сопровождения лекций и практических занятий по дифференциальным уравнениям.

Используемый алгоритм - в массиве строк размещено решение произвольного линейного дифференциального уравнения методом Бернулли-Фурье от формулировки исходного уравнения до записи общего решения со всеми промежуточными формулами. Строки включают управляющие символы, позволяющие в графическом представлении аналитических преобразований ту или иную часть строки разместить в числителе или знаменателе дроби, вне дроби или под радикалом. Информация о каждом графическом символе, в том числе и о горизонтальных и вертикальных линиях, входящих в формулу, фиксируется в массивах. Счетчик выведенных на экран символов изменяется с некоторой временной задержкой, обеспечивая посимвольный вывод всех преобразований. Более подробно алгоритм изложен в статье [1].

[1] Попов А.А. Методика программирования на языке Java тренажеров по математике с посимвольным контролем аналитических преобразований. Программная инженерия, 2012, №8, с.38-43.

Функциональные возможности - программа управляется 4 клавишами и является электронным эквивалентом процесса написание символов на аудиторной доске. Случайно генерируется более 100 шаблонов линейных дифференциальных уравнений, содержащих различные варианты функций из таблицы производных. На основе данных шаблонов генерируются различные линейные дифференциальные уравнения с подробными решениями, на примере которых можно проиллюстрировать метод Бернулли-Фурье и дополнительно процедуру подведения функции под знак дифференциала.

Инструментальные средства создания - программы написаны на языке Java с использованием среды Eclipse

Во вложении запакованный файл IllustrBernulli.rar содержит 7 файлов: файл с расширением .bat необходим для загрузки файла с основным классом IllustrBernulli.class, который в процессе выполнения использует остальные классы.В файле IllustrBernulli.doc проиллюстрированы основные моменты работы программы.

2014-12-30

Назначение: ввод всех промежуточных и окончательных формул решения линейного дифференциального уравнения с использованием метода Бернулли-Фурье в графическом виде с контролем при добавлении каждого символа.

Область применения: в учебных заведениях при обучении решению линейных дифференциальных уравнений, выработки навыков использования метода Бернулли-Фурье.

Используемый алгоритм: в массиве строк размещено решение произвольного линейного дифференциального уравнения со всеми промежуточными действиями, полученного с помощью метода Бернулли-Фурье. Для каждого символа фиксируется информация о том, в каком месте формулы он находится. Последовательность таких символов определяет эталонное решение, с которым сравниваются вводимые символы. К эталонному решению добавлено несколько исключений, устраняющих неоднозначность при расположении вводимых символов в текущей формуле. Подробнее алгоритм изложен в статье [1].

[1] Попов А.А. Методика программирования на языке Java тренажеров по математике с посимвольным контролем аналитических преобразований. Программная инженерия, 2012, №8, с.38-43.

Функциональные возможности: случайно генерируется более 100 шаблонов линейных дифференциальных уравнений, содержащих различные варианты функций из таблицы производных. В каждый шаблон кроме табличных функций включаются их аргументы в виде квадратичной или линейной функции со случайно генерируемыми коэффициентами. Различия в функциях и их аргументах обеспечивают случайный выбор интегрируемого уравнения из объема, содержащего не менее 10000 различных уравнений.

Инструментальные средства создания: программы написаны на языке Java с использованием среды Eclipse

Во вложении архивный файл TrainBernulli.rar содержит 7 файлов: файл с расширением .bat необходим для загрузки файла с основным классом TrainBernulli.class, который в процессе выполнения использует остальные классы. В файле TrainBernulli.doc проиллюстрированы основные моменты работы программы.