Пример готовой дипломной работы по предмету: Электроника
Содержание
ВВЕДЕНИЕ 5
1 МЕТОДЫ И СРЕДСТВА ИСПОЛЬЗУЕМЫЕ ДЛЯ ВЫДЕЛЕНИЯ КОНТУРОВ ОБЪЕКТОВ ИЗОБРАЖЕНИЙ 7
1.1 Технические средства для реализации алгоритмов ЦОС 7
1.1.1 DSP 9
1.1.2 GPU 10
1.1.3 ПЛИС 11
1.1.3.1 Обзор и анализ семейств и производителей ПЛИС 13
1.1.3.2 Маршруты проектирования ПЛИС 17
1.1.3.3 Обзор и анализ инструментов и САПР для работы с ПЛИС 19
1.2 Выделения контуров (границ) 20
1.2.1 Основные методы выделения контуров 23
1.2.2 Детектор границ Канни 25
1.2.3 Выделение контура методом Marr-Hildreth 26
1.3 Программные средства для работы с изображениями 27
1.3.1 Библиотека OpenCV 27
1.3.2 Библиотека OpenCL 28
1.3.3 Image Processing Toolbox от MATLAB 29
1.4 Исследование патентов по предметной области 31
1.5 Выводы по разделу 34
2 ОПИСАНИЕ МАТЕМАТИЧЕСКИХ ОСНОВ ИСПОЛЬЗУЕМЫХ МЕТОДОВ, АЛГОРИТМОВ 35
2.1 Описание алгоритма Канни 35
2.1.1 Предварительная обработка изображения 36
2.1.2 Фильтр Гаусса 38
2.1.3 Выделение границ на основе оператора Собеля 39
2.1.4 Двойная пороговая фильтрация 41
2.2 Выводы по разделу 42
3 РАЗРАБОТКА УСТРОЙСТВА ДЛЯ ВЫДЕЛЕНИЯ КОНТУРОВ 43
3.1 Выбор маршрута проектирования и инструментария 43
3.2 Функциональное описание алгоритма 45
3.3 Разработка архитектуры устройства 46
3.4 Создание HDL-кода 48
3.5 Выбор ПЛИС 49
3.6 Выводы по разделу 51
ЗАКЛЮЧЕНИЕ 53
СПИСОК ЛИТЕРАТУРЫ 54
Приложение А. 57
Приложение Б.
6. Содержание
Выдержка из текста
«Разработка функциональных устройств на программируемых логических структурах»
На сегодняшний день для автоматизированного дешифрирования аэрокосмических снимков в современных программных средствах используются следующие три группы признаков распознавания: геометрические (форма, размер); яркостные (уровень яркости, цвет); структурные (текстура, структура).
Недостатками таких подходов являются:
Запись изобразительной информации – фотовыводные устройства; формновыводные устройства По конструктивным признакам фотовыводные устройства разделяют на: Растровые процессоры обработки изображений (РИПы) подразделяются на:
Запись изобразительной информации – фотовыводные устройства; формновыводные устройства По конструктивным признакам фотовыводные устройства разделяют на: Растровые процессоры обработки изображений (РИПы) подразделяются на:
Запись изобразительной информации – фотовыводные устройства; формновыводные устройства По конструктивным признакам фотовыводные устройства разделяют на: Растровые процессоры обработки изображений (РИПы) подразделяются на:
227 вопросовответы все проверены.
Запись изобразительной информации – фотовыводные устройства; формновыводные устройства По конструктивным признакам фотовыводные устройства разделяют на: Растровые процессоры обработки изображений (РИПы) подразделяются на:
Запись изобразительной информации – фотовыводные устройства; формновыводные устройства По конструктивным признакам фотовыводные устройства разделяют на: Растровые процессоры обработки изображений (РИПы) подразделяются на:
Методы исследования: теоретические методы исследований основывались на методах цифровой обработки изображений и распознавания образов. Экспериментальная часть исследования базировалась на обработке и анализе цифровых изображений с помощью ЭВМ с дальнейшей визуализаций результатов. Для программной реализации алгоритмов использовался математический пакет MathCAD.
Входными данными для программы являются изображения в формате .bmp, которые необходимо обработать с помощью фильтра низких частот Баттерворта.
Зачастую изображение приставляется в виде совокупности однородных участков, которые отличаются друг от друга теми или иными характеристиками. Количество различных типов,или классов, участков обычно невелико, вся же картина разделена на непересекающиеся области,каждая из которых заполнена изображением одного из типов. При анализе таких изображенийнаблюдателем или автоматической системой целью является определение геометрическихобластей и указание для каждой из них номера типа (класса).
Иногда такую совокупностьсведений об исходном изображении называют ею картой. Обработка изображения, позволяющаяполучить карту изображения, называют сегментацией.
Цель данного курсового проекта – разработка устройства позволяющего производить предварительную обработку сигналов напряжения с аналоговых датчиковРешение данной задачи в настоящее время актуально, в связи с возросшей необходимостью оптимизации работы производства для увеличения конкурентоспособности выпускаемой продукции на рынке. Для этого требуется наладить процесс сбора достоверной информации о работе производства, а также обеспечить ее хранение и обработку, чтобы в дальнейшем использовать полученные данные для анализа возможности улучшения технологических и бизнес-процессов предприятия.
- комплект разработчика приложений на языке Java, который включает в себя компилятор Java (javac), стандартные библиотеки классов Java, примеры, документацию, различные утилиты и исполнительную систему Java — Java Development Kit 8
СПИСОК ЛИТЕРАТУРЫ
1. Fykse E. Performance Comparison of GPU , DSP and FPGA implementations of image processing and computer vision algorithms in embedded systems Egil Fykse. 2013. № 11 June 25.
2. Hussain W. Basics of field programmable Lecture, 2011. P. 1– 11.
3. Brown S., Rose J. Architecture of FPGAs and CPLDs: A tutorial // IEEE Des. Test Comput. 1996. Vol. 13, № 2. P. 42– 57.
4. Официальный сайт Xilinx. Ссылка: http://www.xilinx.com/.
5. Официальный сайт Altera. Ссылка: https://www.altera.com/.
6. Oruklu E. System-on-Chip Design Using High-Level Synthesis Tools // Circuits Syst. 2012. Vol. 03, № 01. P. 1– 9.
7. Минь Н.К. Методы и алгоритмы обработки изображений в системах технического зрения промышленных робототехнических комплексов. Московский Государственный Технический Университет имени Н.Э. Баумана, 2015. 136 p.
8. Aresh K.N., Ahender M.M. FPGA Based Implementation of Image Edge Detection using Canny Edge Detection Algorithm // Int. J. Sci. Engeneering Techology Res. 2014. Vol. 03, № 29. P. 5840– 5844.
9. Engineering T. Hardware Implementation of Edge Detection Algorithm-A Review 1,2 // Int. J. Eng. Dev. Res. 2014. Vol. 3, № 2. P. 55– 56.
10. Intel Corporation B., OpCV. The OpenCV Tutorials 2.3. 2011. P. 351.
11. Munshi A. OpenCL 1.2 Specification // Version 1.2. 2012. P. 380.
12. Toolbox I.P. Image Processing Toolbox // Image Process. 2004. P. 1– 4.
13. Евгений С. Способ помехоустойчивого градиентного выделения контуров объектов на цифровых изображениях: pat. RU 2 459 251 C2 USA. Россия: Александрович, Самойлин Евгений, 2009. P. 3.
14. Быков В., Новак В., Александр Р.А. Способ выделения локальных объектов на цифровых изображениях поверхности: pat. RU 2 459 251 C2 USA. Россия: Закрытое акционерное общество “Нанотехнология МДТ,” 2010. P. 5.
15. Гданский Николай, Юлия М. Градиентный способ выделения контуров объектов на матрице полутонового растрового изображения: pat. RU 2325044 C1 USA. Россия: Московский государственный университет инженерной экологии, 2007. P. 5.
16. Томакова Римма , Филист Сергей К.Н., Ольга Ш., Александр К. Способ автоматической сегментации полутоновых сложноструктурированных растровых изображений: pat. RU 2580074 C1 USA. Россия, 2016.
17. Мирошниченко, Сергей Труфанов М., Анциферов А. Способ выделения контуров объектов изображения и устройство для его реализации: pat. RU 2383925 C2 USA. Россия: Государственное образовательное учреждение высшего профессионального образования Курский государственный технический университет, 2007. P. 4.
18. Белим С.В., Кутлунин П.Е. Выделение контуров на изображениях с помощью алгоритма кластеризации. 2015. P. 119– 124.
19. Жарких А.А. Двухэтапный алгоритм выделения контуров на изображении. 2007. P. 202– 205.
20. Станислав Ч. « Синтез нейроподобных помехоустойчивых детекторов границ ». Санкт-Петербургский Государственный Университет Аэрокосмического Приборостроения, 2012. 121 p.
21. А.Власов И.Ц. Модификация алгоритма канни применительно к обработке рентгенографических изображений // Вестник науки Сибири. 201 3 . № 4. 2013. Vol. 4, № 10. P. 120– 127.
22. Fei-Fie. Canny Edge Detection. 2015. P. 1– 25.
список литературы
