Індекс рубрикатора НБУВ: З970.630

Рубрики:

Комп'ютерна геометрія

Шифр НБУВ: Ж23887 Пошук видання у каталогах НБУВ 

Досліджено вплив деяких зовнішніх факторів на ефект взаємодії напівпровідників з фотоемульсією. Показано, що вплив жевріючого розряду на хемографічну активність напівпровідника обумовлено не прямою дією іонів на його поверхню, а молекулами, які народилися в середовищі жевріючого розряду та можуть виступати каталізаторами окиснювальних процесів на поверхні Si.

Розроблено спрощений метод корекції сили світла автомобільних фар із неточковими джерелами, що дозволяє врахувати відмінності сили світла на різних відстанях з урахуванням похибок вимірювання. На основі експериментальних досліджень визначено діапазон значень поправок, що вводяться. Визначено межі застосовності методу.

Запропоновано швидкий, простий для реалізації контурний дескриптор, що може бути використаний для подальшої обробки класифікатором. Алгоритм призначений для класифікації простих об'єктів, найкращі результати класифікації досягаються в комбінації з текстурними дескрипторами.

Проблема автоматизованої обробки та аналізу даних зображень з мікроскопу має велике значення з огляду на її значний вплив на дослідження й останні розробки в області біології та медицини. Ефективні алгоритми обробки зображень сприяють розробці нових медичних діагностичних засобів і терапевтичних методів, а також сприяють розширенню нашого знання про основні механізми і процеси в живих організмах. Мета роботи - обробка мікроскопічних зображень біологічної нейронної мережі. Робота має на меті полегшити подальші дослідження біологічної нейронної мережі, що призведе до розробки більш ефективних методів діагностики, профілактики та лікування повіязаних із ними захворювань. Запропоновано алгоритм сегментації мережі біологічних нейронів, що складається з декількох кроків. На першому кроці застосовуються процедури обробки зображень, які спрямовані на підвищення якості даних зображення та виділення контурів біологічної нейронної мережі. На другому кроці будується скелетон мережі, при цьому використовується діаграма Вороного для відрізків, що складають контур об'єкта. Скелетон на основі діаграми Вороного використовується на третьому кроці для ідентифікації клітинних тіл і виокремлення їх від аксонів і дендритів. Розроблений алгоритм на основі діаграми Вороного надає змогу сегментувати окремі нейрони, локалізувати їх клітинні тіла, аксони, дендрити. Алгоритм також надає змогу представити нейронну мережу у вигляді графу. Структура даних діаграми Вороного дозволяє ефективно обчислити такий граф зі складністю O(N log N) операцій, де N - кількість точок контуру. Запропонований метод сегментації був реалізований на мовах програмування C++/Python і протестований на флуоресцентних зображеннях одержаних з CellImageLibrary (CIL). Висновки: запропонований метод сегментації спрямований на полегшення вивчення біологічних нейронних мереж. Метод надає змогу швидко сегментувати біологічну нейронну мережу за O(N log N) операцій з допомогою діаграми Вороного для відрізків. Структура даних діаграми Вороного, у свою чергу, надає змогу одержати представлення відсегментованої нейронної мережі у вигляді графу з атрибутами. Таким чином, можуть бути застосовані класичні алгоритми обробки графів для аналізу нейронної мережі і обчислення її різноманітних характеристик (наприклад, знаходження числа зв'язків між окремими нейронами, найкоротшого шляху передачі сигналу між двома нейронами тощо).

Запропоновано швидкий, простий для реалізації контурний дескриптор, що може бути використаний для подальшої обробки класифікатором. Алгоритм призначений для класифікації простих об'єктів, найкращі результати класифікації досягаються в комбінації з текстурними дескрипторами.

Дослідження присвячено розробці динамічної структури даних для розв'язання задач близькості на основі динамічної діаграми Вороного. Така структура даних може бути ядром моделі єдиного алгоритмічного середовища (МЄАС) та архітектури її реалізації на основі єдиної алгоритмічної платформи, для розв'язання комплексу задач візуалізації та комп'ютерного моделювання. Структуру даних побудовано на основі стратегії "розділяй та володарюй" за побудови діаграми Вороного. Подібно до оригінального алгоритму, зберігається двійкове дерево, яке представляє діаграму Вороного, але визначаються три нові операції: вставка, видалення та балансування. Для забезпечення ефективності операцій пропонується використати червоно-чорне дерево. Загалом запропонована структура даних показує набагато кращі результати, ніж оригінальний статичний алгоритм. У порівнянні з існуючими алгоритмами, дана структура є одночасно простою та ефективною. На базі динамічної діаграми Вороного можливо створити єдине алгоритмічне середовище для ефективного моделювання динамічних процесів.