Search

The subject of research in the article is the module of automatic segmentation and subtraction of the background, which is created, based on the sequential application of methods of image preprocessing and modified method of interactive segmentation of images and implemented in the system of optical monitoring of the air situation. The aim of the work is to develop an image segmentation module to increase the efficiency of recognition of an air object type on a video image in the system of visual monitoring of the air environment by means of qualitative automatic segmentation. To solve this problem, a modified interactive algorithm in the mode of automatic selection of an object in the image, which allows more accurately, without the participation of the operator, to determine the foreground pixels of the image for further recognition of the type of airborne object. The following tasks are solved in the article: the analysis of existing methods of binarization of color images for semantic segmentation of images, which are used in image recognition systems; the development of a pipeline of methods for automatic segmentation of images in the system of optical monitoring of the air environment. In the work, the following methods are used: methods of digital image processing, methods of filtering and semantic segmentation of images, methods of graph analysis. The following results are obtained: the results of image processing with the proposed module of segmentation and background subtraction confirm the performance of the module procedures. The developed pipeline of methods included in the module demonstrates correct segmentation in 93% of test images in automatic mode without operator participation, which allows us to conclude about the effectiveness of the proposed module. Conclusions: The implementation of the developed module of segmentation and background subtraction for the system of optical monitoring of the air environment allowed to solve the problem of segmentation of video images for further recognition of aerial objects in the system of optical monitoring of the air environment in automatic mode with a high degree of reliability, thus increasing the operational efficiency of this system., Предметом исследования в статье является модуль автоматической сегментации и вычитания фона, созданный на основе конвейера методов предварительной обработки изображения и модифицированного метода интерактивной сегментации изображений, и внедренный в систему оптического мониторинга воздушной обстановки. Целью работы является разработка модуля сегментации изображений для повышения эффективности распознавания типа воздушного объекта на видеоизображении в системе визуального мониторинга воздушной обстановки путем качественной автоматической сегментации. Для решения этой задачи используется модифицированный интерактивный алгоритм в режиме автоматического выделения объекта на изображении, который позволяет точнее без участия оператора определять пиксели переднего плана изображения для дальнейшего распознавания типа воздушного объекта. В статье решаются следующие задачи: анализ существующих методов бинаризации цветного изображения для семантической сегментации изображений, которые используются в системах распознавания образов; разработка конвейера методов для автоматической сегментации изображений в системе оптического мониторинга воздушной обстановки. В работе используются методы: методы цифровой обработки изображений, методы фильтрации и семантической сегментации изображений, методы анализа графов. Получены следующие результаты: результаты обработки изображений с помощью предложенного модуля сегментации и вычитания фона подтверждают работоспособность процедур модуля. Разработанный конвейер методов, включенных в модуль, демонстрирует правильную сегментацию в 93% тестовых изображений в автоматическом режиме без участия оператора, что позволяет сделать вывод об эффективности применения предложенного модуля. Выводы: Внедрение разработанного модуля сегментации и вычитания фона для системы оптического мониторинга воздушной обстановки позволило с высокой степенью достоверности решить задачу сегментации видеоизображений для дальнейшего распознавания воздушных объектов в системе оптического мониторинга воздушной обстановки в автоматическом режиме, благодаря чему увеличилась эффективность эксплуатации данной системы., Предметом дослідження у статті є модуль автоматичної сегментації та віднімання фону, створений на основі конвеєра методів попередньої обробки зображення та модифікованого методу інтерактивної сегментації зображень, та впроваджений у систему оптичного моніторингу повітряної обстановки. Метою роботи є розробка модуля сегментації зображень для підвищення ефективності розпізнавання типу повітряного об’єкта на відеозображенні у системі візуального моніторингу повітряної обстановки шляхом якісної автоматичної сегментації. Для вирішення цього завдання використовується модифікований інтерактивний алгоритм у режимі автоматичного виділення об’єкта на зображенні, що дозволяє точніше без участі оператора визначати пікселі переднього плану зображення для подальшого розпізнавання типу повітряного об’єкта. У статті вирішуються такі задачі: аналіз існуючих методів бінаризації кольорового зображення для семантичної сегментації зображень, що використовуються у системах розпізнавання образів; розробка конвеєра методів автоматичної сегментації зображень у системі оптичного моніторингу повітряної обстановки. У роботі використовуються методи: методи цифрової обробки зображень, методи фільтрації та семантичної сегментації зображень, методи аналізу графів. Отримано такі результати: результати обробки зображень за допомогою запропонованого модуля сегментації та віднімання фону підтверджують працездатність процедур модуля. Розроблений конвеєр методів, включених у модуль, демонструє правильну сегментацію 93% тестових зображень в автоматичному режимі без участі оператора, що дозволяє зробити висновок про ефективність застосування запропонованого модуля. Висновки: Впровадження розробленого модуля сегментації та віднімання фону для системи оптичного моніторингу повітряної обстановки дозволило з високим ступенем достовірності вирішити задачу сегментації відеозображень для подальшого розпізнавання повітряних об’єктів у системі оптичного моніторингу повітряної обстановки в автоматичному режимі, завдяки чому збільшилася ефективність експлуатації цієї системи.

Background. The scientists have built effective convolutional neural networks in their research, but the issue of optimal setting of the hyperparameters of these neural networks remains insufficiently researched. Hyperparameters affect model selection. They have the greatest impact on the number and size of hidden layers. Effective selection of hyperparameters improves the speed and quality of the learning algorithm. It is also necessary to pay attention to the fact that the hyperparameters of the convolutional neural network are interconnected. That is why it is very difficult to manually select the effective values of hyperparameters, which will ensure the maximum efficiency of the convolutional neural network. It is necessary to automate the process of selecting hyperparameters, to implement a software mechanism for setting hyperparameters of a convolutional neural network. The author has successfully implemented the specified task. Objective. The purpose of the paper is to develop a technology for selecting hyperparameters of a convolutional neural network to improve the quality of segmentation of medical images.. Methods. Selection of a convolutional neural network model that will enable effective segmentation of medical images, modification of the Keras Tuner library by developing an additional function, use of convolutional neural network optimization methods and hyperparameters, compilation of the constructed model and its settings, selection of the model with the best hyperparameters. Results. A comparative analysis of U-Net and FCN-32 convolutional neural networks was carried out. U-Net was selected as the tuning network due to its higher quality and accuracy of image segmentation. Modified the Keras Tuner library by developing an additional function for tuning hyperparameters. To optimize hyperparameters, the use of the Hyperband method is justified. The optimal number of epochs was selected - 20. In the process of setting hyperparameters, the best model with an accuracy index of 0.9665 was selected. The hyperparameter start_neurons is set to 80, the hyperparameter net_depth is 5, the activation function is Mish, the hyperparameter dropout is set to False, and the hyperparameter bn_after_act is set to True. Conclusions. The convolutional neural network U-Net, which is configured with the specified parameters, has a significant potential in solving the problems of segmentation of medical images. The prospect of further research is the use of a modified network for the diagnosis of symptoms of the coronavirus disease COVID-19, pneumonia, cancer and other complex medical diseases., Проблематика. В дослідженнях вчених побудовано ефективні згорткові нейронні мережі, але питання оптимального налаштування гіперпараметрів вказаних нейронних мереж залишається недостатньо дослідженим. Гіперпараметри впливають на вибір моделі. Найбільший вплив вони створюють на кількість і розміри прихованих шарів. Ефективний підбір гіперпараметрів покращує швидкість та якість алгоритму навчання. Необхідно також звернути увагу на те, що гіперпараметри згорткової нейроної мережі взаємопов’язані. Саме тому ручний підбір ефективних значень гіперпараметрів, що забезпечить максимальну ефективність згорткової нейронної мережі, здійснити дуже непросто. Потрібно автоматизувати процес підбору гіперпараметрів, реалізувати програмний механізм налаштування гіперпараметрів згорткової нейронної мережі. Автором успішно реалізовано вказану задачу. Мета досліджень. Розробка технології підбору гіперпараметрів згорткової нейронної мережі для покращення якості сегментації медичних зображень. Методика реалізації. Вибір моделі згорткової нейронної мережі, яка дозволить здійснити ефективну сегментацію медичних зображень, модифікація бібліотеки Keras Tuner шляхом розробки додаткової функції, використання методів оптимізації згорткової нейронної мережі і гіперпараметрів, компіляція побудованої моделі та її налаштування, вибір моделі з найкращими гіперпараметрами. Результати досліджень. Здійснено порівняльний аналіз згорткових нейронних мереж U-Net і FCN-32. Обрано U-Net в якості мережі для налаштування завдяки її більш високій якості і точності сегментації зображень. Модифіковано бібліотеку Keras Tuner шляхом розробки додаткової функції для налаштування гіперпараметрів. Для оптимізації гіперпараметрів обґрунтовано використання методу Hyperband. Підібрано оптимальну кількість епох - 20. В процесі налаштування гіперпараметрів обрано найкращу модель з показником точності 0.9665. Значення гіпепараметру start_neurons дорівнює 80, гіперпараметр net_depth дорівнює 5, функція активації – Mish, гіперпараметр dropout набув значення False, а гіперпараметр bn_after_act набув значення True. Висновки. Згорткова нейронна мережа U-Net, яка налаштована з вказаними параметрами, має значний потенціал у вирішенні задач сегментації медичних зображень. Перспективою подальших досліджень є використання модифікованої мережі для діагностики ознак коронавірусної хвороби COVID-19, пневмонії, ракових пухлин та інших складних медичних захворювань.

Background. The scientists have built effective convolutional neural networks in their research, but the issue of optimal setting of the hyperparameters of these neural networks remains insufficiently researched. Hyperparameters affect model selection. They have the greatest impact on the number and size of hidden layers. Effective selection of hyperparameters improves the speed and quality of the learning algorithm. It is also necessary to pay attention to the fact that the hyperparameters of the convolutional neural network are interconnected. That is why it is very difficult to manually select the effective values of hyperparameters, which will ensure the maximum efficiency of the convolutional neural network. It is necessary to automate the process of selecting hyperparameters, to implement a software mechanism for setting hyperparameters of a convolutional neural network. The author has successfully implemented the specified task. Objective. The purpose of the paper is to develop a technology for selecting hyperparameters of a convolutional neural network to improve the quality of segmentation of medical images. Methods. Selection of a convolutional neural network model that will enable effective segmentation of medical images, modification of the Keras Tuner library by developing an additional function, use of convolutional neural network optimization methods and hyperparameters, compilation of the constructed model and its settings, selection of the model with the best hyperparameters. Results. A comparative analysis of U-Net and FCN-32 convolutional neural networks was carried out. U-Net was selected as the tuning network due to its higher quality and accuracy of image segmentation. Modified the Keras Tuner library by developing an additional function for tuning hyperparameters. To optimize hyperparameters, the use of the Hyperband method is justified. The optimal number of epochs was selected - 20. In the process of setting hyperparameters, the best model with an accuracy index of 0.9665 was selected. The hyperparameter start_neurons is set to 80, the hyperparameter net_depth is 5, the activation function is Mish, the hyperparameter dropout is set to False, and the hyperparameter bn_after_act is set to True. Conclusions. The convolutional neural network U-Net, which is configured with the specified parameters, has a significant potential in solving the problems of segmentation of medical images. The prospect of further research is the use of a modified network for the diagnosis of symptoms of the coronavirus disease COVID-19, pneumonia, cancer and other complex medical diseases. Проблематика. В дослідженнях вчених побудовано ефективні згорткові нейронні мережі, але питання оптимального налаштування гіперпараметрів вказаних нейронних мереж залишається недостатньо дослідженим. Гіперпараметри впливають на вибір моделі. Найбільший вплив вони створюють на кількість і розміри прихованих шарів. Ефективний підбір гіперпараметрів покращує швидкість та якість алгоритму навчання. Необхідно також звернути увагу на те, що гіперпараметри згорткової нейроної мережі взаємопов’язані. Саме тому ручний підбір ефективних значень гіперпараметрів, що забезпечить максимальну ефективність згорткової нейронної мережі, здійснити дуже непросто. Потрібно автоматизувати процес підбору гіперпараметрів, реалізувати програмний механізм налаштування гіперпараметрів згорткової нейронної мережі. Автором успішно реалізовано вказану задачу. Мета досліджень. Розробка технології підбору гіперпараметрів згорткової нейронної мережі для покращення якості сегментації медичних зображень. Методика реалізації. Вибір моделі згорткової нейронної мережі, яка дозволить здійснити ефективну сегментацію медичних зображень, модифікація бібліотеки Keras Tuner шляхом розробки додаткової функції, використання методів оптимізації згорткової нейронної мережі і гіперпараметрів, компіляція побудованої моделі та її налаштування, вибір моделі з найкращими гіперпараметрами. Результати досліджень. Здійснено порівняльний аналіз згорткових нейронних мереж U-Net і FCN-32. Обрано U-Net в якості мережі для налаштування завдяки її більш високій якості і точності сегментації зображень. Модифіковано бібліотеку Keras Tuner шляхом розробки додаткової функції для налаштування гіперпараметрів. Для оптимізації гіперпараметрів обґрунтовано використання методу Hyperband. Підібрано оптимальну кількість епох - 20. В процесі налаштування гіперпараметрів обрано найкращу модель з показником точності 0.9665. Значення гіпепараметру start_neurons дорівнює 80, гіперпараметр net_depth дорівнює 5, функція активації – Mish, гіперпараметр dropout набув значення False, а гіперпараметр bn_after_act набув значення True. Висновки. Згорткова нейронна мережа U-Net, яка налаштована з вказаними параметрами, має значний потенціал у вирішенні задач сегментації медичних зображень. Перспективою подальших досліджень є використання модифікованої мережі для діагностики ознак коронавірусної хвороби COVID-19, пневмонії, ракових пухлин та інших складних медичних захворювань.

Дана робота присвячена вирішенню задачі автоматичного визначення географічного положення ґрунтів, що виявляють ознаки деградації. У роботі проведене детальне дослідження існуючої літератури за тематикою, розглянуто алгоритми та підходи вирішення задачі та їх переваги і недоліки, а також запропоновано критерії оцінки та базовий алгоритм для порівняння з результатами подальших досліджень та експериментів. Такий підхід забезпечує адекватну оцінку якості розробки програмних засобів сегментації зображень. Оскільки алгоритми машинного навчання потребують попередньої обробки даних, а також існують певні особливості роботи із супутниковими зображеннями, розроблена низка функцій, які надалі можуть використовуватись такими алгоритмами. Результатом роботи є розроблений програмний пакет завантаження та передобробки супутникових зображень, а також тренування і оцінки моделей глибокого навчання. This work is devoted to solve the problem of automatic determination of the geographic location of soils showing signs of degradation. The work carried out a detailed study of the existing literature on the subject, considered algorithms and approaches to solving the problem and their advantages and disadvantages, as well as proposed evaluation criteria and a basic algorithm for comparison with the results of further research and experiments. This approach provides an adequate assessment of the quality of image segmentation software development. Since machine learning algorithms require pre-processing of data, and there are also certain features of working with satellite images, a number of functions have been developed that can be used by such algorithms in the future. The result of the work is a developed software package for downloading and processing satellite images, as well as training and evaluation of deep learning models.

Background. Fractal analysis is an informative and objective method of mathematical analysis that can complement existing methods of morphometry and provides a comprehensive quantitative assessment of the spatial configuration of irregular anatomical structures. Objective: a comparative analysis of fractal analysis methods used for morphometry in biomedical research. Methods. A comprehensive analysis of morphological studies, based on fractal analysis. Results. Different types of medical images with different preprocessing algorithms can be used for fractal analysis. The parameter determined by fractal analysis is the fractal dimension, which is a measure of the complexity of the spatial configuration and the degree of filling of space with a certain geometric object. The most known methods of fractal analysis are the following: box counting, caliper, pixel dilation, "mass-radius", cumulative intersection, grid intercept. The box counting method and its modifications is the most commonly used method due to the simplicity and versatility. Different methods of fractal analysis have a similar principle: fractal measures (different geometric figures) of a certain size completely cover the structure in the image, size of fractal measure is iteratively changed, and the minimum number of fractal measures covering the structure is calculated. Methods of fractal analysis differ in the type of fractal measure, which can be a linear segment, a square of a fractal grid, a cube, a circle, a sphere etc. Conclusion. The choice of the method of fractal analysis and image preprocessing method depends on the studied structure, features of its spatial configuration, the type of image used for the analysis, and the aim of the study., Актуальность. Фрактальный анализ является информативным и объективным способом математического анализа, который может качественно дополнить существующие методы морфометрии и позволит проводить комплексное количественное оценивание пространственной конфигурации иррегулярных анатомических структур. Цель: провести сравнительный анализ методик фрактального анализа, используемых для морфометрии в медико-биологических исследованиях. Методы. Проведен комплексный анализ морфологических исследований, в основе которых лежит фрактальный анализ. Результаты. Для фрактального анализа могут быть использованы различные типы медицинских изображений с различными алгоритмами предварительной подготовки. Показателем, определяемым с помощью фрактального анализа, является фрактальная размерность, которая является мерой сложности пространственной конфигурации и степени заполнения пространства определенным геометрическим объектом. Для фрактального анализа чаще всего используют способы подсчета квадратов, caliper, дилатации пикселей, «масса-радиус», накопительных сечений, grid intercept. Способ подсчета квадратов и его модификации используется чаще всего из-за его простоты и универсальности. Различные способы фрактального анализа имеют подобный принцип: на изображение накладывают фрактальные меры (различные геометрические фигуры) определенного размера, который итерационно изменяют, и подсчитывают минимальное количество фрактальных мер, позволяющих полностью покрыть структуру на изображении. Способы фрактального анализа отличаются типом фрактальной меры, которой может быть линейный отрезок, квадрат фрактальной сетки, куб, круг, сфера и другие. Заключение. Выбор способа фрактального анализа и предварительной подготовки изображения зависит от исследуемой структуры, особенностей ее пространственной конфигурации, типа изображения, использованного для анализа, и поставленной цели., Актуальність. Фрактальний аналіз є інформативним та об’єктивним способом математичного аналізу, що може якісно доповнити існуючі методи морфометрії та дозволить проводити комплексне кількісне оцінювання просторової конфігурації іррегулярних анатомічних структур. Мета: провести порівняльний аналіз методик фрактального аналізу, що використовуються для морфометрії у медико-біологічних дослідженнях. Методи. Проведено комплексний аналіз морфологічних досліджень, у основі яких лежить фрактальний аналіз. Результати. Для фрактального аналізу можуть бути використані різні типи медичних зображень із різними алгоритмами попередньої підготовки. Показником, що визначається за допомогою фрактального аналізу, є фрактальна розмірність, яка є мірою складності просторової конфігурації та ступеня заповнення простору певним геометричним об’єктом. Для фрактального аналізу найчастіше використовують способи підрахунку квадратів, caliper, дилатації пікселів, «маса-радіус», накопичувальних перетинів, grid intercept. Спосіб підрахунку квадратів та його модифікації використовується найчастіше через його простоту та універсальність. Різні способи фрактального аналізу мають подібний принцип: на зображення накладають фрактальні міри (різні геометричні фігури) певного розміру, який ітераційно змінюють, та підраховують мінімальну кількість фрактальних мір, що дозволяють повністю покрити структуру на зображенні. Способи фрактального аналізу відрізняються типом фрактальної міри, якою може бути лінійний відрізок, квадрат фрактальної сітки, куб, коло, сфера тощо. Підсумок. Вибір способу фрактального аналізу та попередньої підготовки зображення залежить від досліджуваної структури, особливостей її просторової конфігурації, типу зображення, використаного для аналізу, та поставленої мети.

Image segmentation is a crucial step in the image processing and analysis process. Image segmentation is the process of splitting one image into many segments. Image segmentation divides images into segments that are more representative and easier to examine. Individual surfaces or items can be used as such pieces. The process of image segmentation is used to locate objects and their boundaries.Genetic algorithms are stochastic search methods, the work of which is taken from the genetic laws, natural selection, and evolution of organisms. Their main attractive feature is the ability to solve complex problems of combinatorial search effectively, because the parallel study of solutions, largely eliminates the possibility of staying on the local optimal solution rather than finding a global one.The point of using genetic algorithms is that each pixel is grouped with other pixels using a distance function based on both local and global already calculated segments. Almost every image segmentation algorithm contains parameters that are used to control the segmentation results; the genetic system can dynamically change parameters to achieve the best performance.Similarly to image sequencing, to optimize several parameters in the process, multi-targeted genetic algorithms were used, which enabled finding a diverse collection of solutions with more variables. Multi- targeted Genetic Algorithm (MTGA) is a guided random search method that consists of optimization techniques. It can solve multi-targeted optimization problems and explore different parts of the solution space. As a result, a diversified collection of solutions can be found, with more variables that can be optimized at the same time. In this article several MTGA were used and compared.Genetic algorithms are a good tool for image processing in the absence of a high-quality labeled data set, which is either a result of the long work of many researchers or the contribution of large sums of money to obtain an array of data from external sources.In this article, we will use genetic algorithms to solve the problem of image segmentation., У статті ми використовуємо генетичні алгоритми для розв’язання проблеми сегментації зображень, яка є вирішальним етапом у процесі оброблення та аналізу зображень. Сегментація зображення – це процес розбиття одного зображення на множину сегментів, де сегменти вже більш репрезентативні та зручніші для дослідження. Як деталі можна використовувати окремі поверхні або предмети. Процес сегментації зображень застосовують для визначення об’єктів та їхніх меж. Сенс використання генетичних алгоритмів полягає у тому, що кожен піксель групується в інші пікселі за допомогою функції відстані на основі як локальних, так і глобальних уже обчислених сегментів. Майже кожен алгоритм сегментації зображень містить параметри, які використовують для управління результатами сегментації; генетична система може динамічно змінювати параметри для досягнення найкращих показників. Як і в послідовності зображень, для оптимізації декількох параметрів у процесі застосовували багатоцільові генетичні алгоритми, за допомогою яких можна знайти різноманітну колекцію рішень із більшою кількістю змінних. Описано додаток, який дає змогу сегментувати зображення з використанням генетичних алгоритмів без потреби попе- реднього тренування моделі на великому масиві даних.

This paper has considered a model of image segmentation using convolutional neural networks and studied the process efficiency based on models involving training the deep layers of convolutional neural networks. There are objective difficulties associated with determining the optimal characteristics of neural networks, so there is an issue related to retraining the neural network. Eliminating retraining by determining the optimal number of epochs only would not suffice since it does not provide high accuracy. The requirements for the set of images for training and model verification were defined. These requirements are best met by the image sets PASCAL VOC (United Kingdom) and NVIDIA-Aerial Drone (USA). It has been established that AlexNet (Canada) is a trained model and could perform image segmentation while object recognition reliability is insufficient. Therefore, there is a need to improve the efficiency of image segmentation. It is advisable to use the AlexNet architecture to build a specialized model, which, by changing the parameters and retraining some layers, would allow for a better process of image segmentation. Five models have been trained using the following parameters: learning speed, the number of epochs, optimization algorithm, the type of learning speed change, a gamma coefficient, a pre-trained model. A convolutional neural network has been developed to improve the accuracy and efficiency of image segmentation. Optimal neural network training parameters have been determined: learning speed is 0.0001, the number of epochs is 50, a gamma coefficient is 0.1, etc. An increase in accuracy by 3 % was achieved, which makes it possible to assert the correctness of the choice of the architecture for the developed network and the selection of parameters. That allows this network to be used for practical tasks related to image segmentation, in particular for devices with limited computing resources, Рассмотрена модель сегментации изображений с помощью свёрточных нейронных сетей и исследование эффективности процесса на основе моделей с обучением глубоких слоев свёрточных нейросетей. Существуют трудности, связанные с определением оптимальных характеристик нейронных сетей, поэтому есть проблема переобучения нейросети. Устранение переобучения путем определения только оптимального количества эпох недостаточно, поскольку не обеспечивает высокую точность. Определены требования к набору изображений для обучения и проверки модели. Данным требованиям наиболее соответствуют наборы изображений PASCAL VOC (Великобритания) и NVIDIA-Aerial Drone (США). Установлено, что AlexNet (Канада) является обученной моделью и может выполнять сегментацию изображений, однако надежность распознавания объектов недостаточна. Поэтому возникает необходимость повышения эффективности сегментации изображений. Целесообразно использовать архитектуру AlexNet для создания специализированной модели, которая за счет изменения параметров и переобучения некоторых слоев позволит лучше проводить процесс сегментации изображения. Выполнено обучение пяти моделей с использованием следующих параметров: скорость обучения, число эпох, алгоритм оптимизации, вид изменения скорости обучения, коэффициент gamma, предварительно обученная модель. Разработана свёрточная нейронная сеть для повышения точности и эффективности сегментации изображения. Определены оптимальные параметры обучения нейросети: скорость обучения – 0,0001, число эпох – 50, коэффициент gamma – 0,1. Получено повышение точности на 3%, которое позволяет утверждать о правильности выбора архитектуры разработанной сети и подбора параметров. Это дает возможность использовать данную сеть для устройств с ограниченными вычислительными ресурсами, Розглянуто модель сегментації зображень за допомогою згорткових нейронних мереж та дослідження ефективності процесу на основі моделей із навчанням глибоких шарів згорткових нейромереж. Існують об’єктивні труднощі, пов’язані з визначенням оптимальних характеристик нейронних мереж, тому є проблема перенавчання нейромережі. Усунення перенавчання шляхом визначення лише оптимальної кількості епох недостатнє, оскільки не забезпечує високу точність. Визначено вимоги до набору зображень для навчання та перевірки моделі. Даним вимогам найбільш відповідають набори зображень PASCAL VOC (Велика Британія) і NVIDIA-Aerial Drone (США). Встановлено, що AlexNet (Канада) є навченою моделлю і може виконувати сегментацію зображень, проте надійність розпізнавання об’єктів недостатня. Тому виникає необхідність підвищення ефективності сегментацїі зображень. Доцільно використати архітектуру AlexNet для створення спеціалізованої моделі, яка за рахунок зміни параметрів та перенавчання деяких шарів дозволить краще проводити процес сегментації зображення. Виконано навчання п’яти моделей з використанням таких параметрів: швидкість навчання, число епох, алгоритм оптимізації, вид зміни швидкості навчання, коефіцієнт gamma, попередньо навчена модель. Розроблено згорткову нейронну мережу для підвищення точності та ефективності сегментації зображення. Визначено оптимальні параметри навчання нейромережі: швидкість навчання – 0,0001, число епох – 50, коефіцієнт gamma – 0,1 тощо. Отримано підвищення точності на 3%, яке дозволяє стверджувати про правильність вибору архітектури розробленої мережі та підбору параметрів. Це дає можливість використовувати дану мережу для практичних задач сегментації зображень, зокрема для пристроїв із обмеженими обчислювальними ресурсами

Магістерська дисертація 149 с., 117 рис., 26 табл., 1 додатки, 21 джерел. Об'єктом дослідження є сегментаційні маски зображень. Предметом дослідження є алгоритми створення сегментаційних масок, методи глибокого навчання. Мета дослідження: 1. Розробити алгоритм генерації сегментаційних масок, використовуючи тільки класи зображень. 2. Використати даний алгоритм на датасеті зображень і оцінити його. Новизна: запропонований градієнтний алгоритм до цього не використовувався для генерації масок всього датасету. Також сама проблема генерації розмітки на сьогодні тільки набуває популярності. В даній роботі було розглянуто градієнтний алгоритм для генерації сегментаційних масок, оптимізуючи модель лише на класах зображень. Отримані результати свідчать про перспективність використання даного методу. Також було запропоновано можливі шляхи удосконалення алгоритму. В результаті було оптимізовано алгоритм, який згенерував розмітку для вибірки зображень з дефектними листами сталі. Master's Thesis 149 pp., 117 Fig., 26 tables, 1 supplements, 21 sources. The object of the study is segmentation image masks. The subject of the study is an algorithm that generates segmentation image masks, using deep neural nets. The aim of the study: 1. Develop algorithm, which generates segmentation masks, using image class labels. 2. Use developed algorithm on image dataset and evaluate performance. Novelty: proposed gradient algorithm was not used for segmentation labeling of the whole dataset previously. Also the overall problem of segmentation markup generation is only becoming popular nowadays. In this paper gradient algorithm for mask generation, which needs only image class labels for optimization, was studied. Results of research propose future perspectives of the usage of the proposed algorithm. Also possible ways for algorithm improvement were proposed. As a result of research, the algorithm, which generated segmentation markup for defected steel plates, was developed.

У магістерській дисертації досліджується класифікація КТ знімків легень за допомогою нейронних мереж на прикладі виявлення туберкулом, з подальшою сегментацією зображення. Дана тема є актуальною, оскільки рівень захворюваності на туберкульоз є досить високим, а однією з головних причин проблем в лікуванні є не своєчасне діагностування захворювання. Збільшення доступності засобів швидкої перевірки і діагностування захворювання дозволить зменшити навантаження на лікарів та зменшити рівень захворюваності. Метою роботи є програмний застосунок на основі штучних нейронних мереж сегментації та класифікації, що виявляє знімки із підозрілими на туберкульоз зонами (наявністю туберкулом). Поставлена мета вимагає розв’язання наступних задач: огляд існуючих аналогів програмного застосунку; аналіз архітектур згорткових нейронних мереж; дослідження та обробка клінічних даних; проектування системи для класифікації хвороб на рак легенів; реалізація програмного застосунку системи; тестування системи. Об’єкт дослідження: архітектури згорткових нейронних мереж. Методи дослідження. Було опрацьовано теоретичні джерела за обраною науковою тематикою. Проведено порівняння існуючих рішень для автоматичного розв’язання поставленої задачі. Проведено порівняння оцінки точності класифікації згорткових нейронних мереж на обраних клінічних даних. Реалізовано програмний застосунок для виконання автоматичної класифікації та сегментації КТ знімків легень людини. Наукова новизна полягає в створенні програмного застосунку, який на основі аналізу знімків флюорографами виділяє ділянки з можливим розташуванням туберкулом. The master's dissertation investigates the classification of CT images of the lungs using neural networks on the example of tuberculosis detection, followed by image segmentation. This topic is relevant because the incidence of tuberculosis is quite high, and one of the main causes of problems in treatment is not timely diagnosis of the disease. Increasing the availability of means of rapid examination and diagnosis of the disease will reduce the burden on doctors and reduce the incidence. The aim of the work is to create a software application based on neural networks of classification and segmentation for automated detection of images containing areas suspected of tuberculosis (presence of tuberculosis). A system based on the U-Net neural network has been created. You can improve the product by increasing the size of the training sample. The software application is most effective during mass screening programs to detect pulmonary tuberculosis. The scientific novelty is the creation of a software application that, based on 2D analysis, identifies areas with a possible location of the tubercle. The research results are presented in the following publications

Дипломна робота 118 с., 23 рис., 12 табл., 2 додатки, 29 джерел. У роботі розглянуто та проаналізовано найбільш поширені методи семантичної сегментації зображень. Робота обраних для роботи методів була розглянута на декількох наборах даних, а саме: рукописні документи, фотографії об‘єктів, дерматоскопічні зображення, фотографії об‘єктів різних класів. Об’єктом дослідження стали результуючі сегментації зображень та те, наскільки вони відрізняються від справжніх. Предметом дослідження стали методи семантичної сегментації зображення, основані на різних підходах. Bachelor’s thesis: 118 p., 23 fig., 12 tabl., 2 appendixes, 29 sources. This paper considers and analyzes the most common methods of semantic segmentation of digital images. The results of the selected methods have been reviewed on several datasets: handwritten documents, photographs of objects, dermatoscopic images, photographs of objects of different classes. The object of the study were resulting segmentations of images and how they differ from the real ones. The subject of the study were methods of semantic image segmentation based on different approaches.

The subject matter of research in the article is the morphological structure of bone tissue in the lumbar spine, visualized by tomography in the sagittal and axial planes. The goal of the research is to create the most informative investigation method for analyzing the structure of bone tissue, taking into account pathology in the form of metastatic bone lesions. This is justified by the fact that the detection of pathological processes is one of the most important tasks of image processing and analysis; at the same time, early diagnosis of various pathologies, including cancer, significantly increases the chances of patient recovery. Tasks: to consider the existing modern methods for analyzing the structure of bone tissue, to develop and propose a method for detecting bone tissue pathology in multiple myeloma. For the development of methods for the analysis of tomographic images with lesion of the bone structure, one of the fundamental issues is visualization of tomographic data. In this case, it is advisable to provide modules for both two-dimensional and three-dimensional visualization with methods of processing and segmentation of vertebral bodies, as well as correcting the results obtained in an interactive mode. The research uses methods of improving the quality of images, filtering using adaptive local filters, segmentation and stereology methods, cluster analysis method. The result of the work is to obtain a method suitable for use in the analysis of bone tissue with its accompanying pathology in the form of bone metastases. This method will be the basis for the further development of a method aimed at analyzing the microstructure of bone tissue, which will significantly increase the accuracy of calculations. Conclusions. The relevance of the topic under study is of vital importance for a huge number of patients suffering from cancer. In the course of the research, algorithms for processing and analyzing input images were developed, taking into account the modality of the input data. This makes it possible to develop the next stage of analysis aimed at the microstructure of the bone tissue., Предметом исследования в статье является морфологическая структура костной ткани в поясничном отделе позвоночника, визуализированная томографией в сагиттальной и аксиальной плоскостях. Целью работы является создание наиболее информативного метода исследования для анализа структуры костной ткани с учетом патологии в виде метастатического поражения костей. Это обосновано тем, что обнаружение патологических процессов является одной из важнейших задач обработки и анализа изображений; при этом ранняя диагностика различных патологий, включая рак, значительно увеличивает шансы восстановления пациентов Задачи: рассмотреть существующие современные методы анализа структуры костной ткани, разработать и предложить метод выявления патологии костной ткани при множественной миеломе. Для разработки методов анализа томографических изображений при поражении костной структуры одним из основополагающих вопросов является наглядная визуализация томографических данных. При этом целесообразно предусмотреть модули как двухмерной, так и трехмерной визуализации с методами обработки и сегментации тел позвонков, а также коррекции получаемых результатов в интерактивном режиме. В работе используются методы повышения качества изображений, фильтрации с применением адаптивных локальных фильтров, методы сегментации и стереологии, метод кластерного анализа. Результатом работы является получение метода, пригодного для использования в анализе костной ткани с сопутствующей ее патологией в виде костных метастазов. Данный метод будет основой для дальнейшей разработки метода, направленного на анализ микроструктуры костной ткани, что в разы увеличит точность расчетов. Выводы. Актуальность исследуемой темы имеет жизненно важное значение для огромного количества пациентов, страдающих онкозаболеваниями. В процессе исследования были разработаны алгоритмы обработки и анализа входных изображений с учетом модальности входных данных. Это дает возможность разрабатывать следующий этап анализа, направленный на микроструктуру костной ткани., Предметом дослідження в статті є морфологічна структура кісткової тканини у поперековому відділі хребта, візуалізована томографією в сагітальній і аксіальній площинах. Метою роботи є створення найбільш інформативного методу дослідження аналізу структури кісткової тканини з урахуванням патології у вигляді метастатичного ураження кісток. Це обумовлено тим, що виявлення патологічних процесів є однією з найважливіших задач обробки та аналізу зображень; при цьому рання діагностика різних патологій, включаючи рак, значно збільшує шанси відновлення пацієнтів Завдання: розглянути існуючі сучасні методи аналізу структури кісткової тканини, розробити і запропонувати метод виявлення патології кісткової тканини при множинній мієломі. Для розробки методів аналізу томографічних зображень при ураженні кісткової структури одним з основоположних питань є наочна візуалізація томографічних даних. При цьому доцільно передбачити модулі як двомірної, так і тримірної візуалізації з методами обробки і сегментації тіл хребців, а також корекції отриманих результатів в інтерактивному режимі. В роботі використовуються методи підвищення якості зображень, фільтрації із застосуванням адаптивних локальних фільтрів, методи сегментації і стереологіі, метод кластерного аналізу. Результатом роботи є отримання методу, придатного для використання в аналізі кісткової тканини з супутньою патологією у вигляді кісткових метастазів. Даний метод буде основою для подальшої розробки методу, спрямованого на аналіз мікроструктури кісткової тканини, що в рази збільшить точність розрахунків. Висновки. Актуальність досліджуваної теми має життєво важливе значення для величезної кількості пацієнтів, які страждають на онкозахворювання. У процесі дослідження було розроблено алгоритми обробки і аналізу вхідних зображень з урахуванням модальності вхідних даних. Це дає можливість розробляти наступний етап аналізу, спрямований на мікроструктуру кісткової тканини.

Дана магістерська дисертація присвячена дослідженню та розробці алгоритмічно-програмного методу колоризації зображень за допомогою нейронних мереж. Дана магістерська дисертація включає у себе проведені дослідження проблеми колоризації зображень, власноруч розроблений алгоритмічно-програмний метод для виконання напівавтоматичної колоризації зображень за участю користувача, який вносить власні кольорові підказки. З метою тестування та демонстрації роботи розробленої системи нейронних мереж було створено простий веб-сервіс, який надає можливість користувачу обрати необхідне зображення, за допомогою палітри кольорів внести власні підказки та отримати результат роботи системи. У даній магістерській дисертації проведено детальний аналіз існуючих проблем у роботі з зображеннями, огляд різних алгоритмів для усунення дефектів на зображеннях та запропоновано власний метод для виконання інтерактивної колоризації зображення за участю користувача. Також розроблено простий веб-сервіс, на якому розгорнуто натреновані моделі для їх експлуатації. This master's dissertation is devoted to the research and development of an algorithmic-software method of coloring images using neural networks. This master's dissertation includes research on the problem of image colorization, self-developed algorithmic-software method for semi-automatic image colorization with the participation of a user who makes their own color prompts. In order to test and demonstrate the work of the developed neural network system, a simple web service was created, which allows the user to select the desired image, use the color palette to enter their own tips and get the result of the system. This master's dissertation provides a detailed analysis of existing problems in working with images, a review of various algorithms for eliminating defects in images and proposed its own method for performing interactive coloring of images with the participation of the user. A simple web service has also been developed, which deploys trained models for their operation.

В роботі розглядається задача розпізнавання рукописних математичних виразів. Визначено ряд способів, завдяки яким здійснюється виділення ознак математичних формул та розпізнавання математичної моделі на зображенні. Описується метод навчання програми розпізнавання, заснований на аналізі формул, та його технічна реалізація. Приділено увагу взаємовигідній людино-машинній взаємодії.

We propose a combined method to segment the images of scanned documents, which, in contrast to known methods, implies a preliminary separation of the graphics and photograph regions from the text regions and a background. In this case, an analysis of the connected components is performed, which are different for graph­ics, photographs, and text regions. In order to classify the selected regions into the photograph and graphics regions, a block method is employed. It was established that such a technique for splitting the regions into blocks less affects the quality of segmentation when compared to applying the block method directly to the original im­age. To extract the text regions that are more complex in their shape from the background, the neighborhood of each pixel was processed.To detect the boundaries of illustrations on the images of scanned documents, we applied the bloomberg method. In order to classify into photographs and graphics, it is proposed to split an illustration into blocks of pixels. Each block of pixels is identified with a vector of two features: the mean value of the local gradient magnitude, and the mean value of the function that localizes at the images of scanned documents the linear objects (graphics and text characters). The derived feature vectors were classified using a sup­port vector machine.When extracting the text regions, we applied a low-frequency filtering and a thresholding.The combined method was implemented in practice to segment the test images of scanned newspaper articles from the document da­tabase mediateam at oulu university (finland). It was established that the combined method is characterized by an increase in perfor­mance speed during image segmentation at high quality processing., Запропоновано комбінований метод сегментації зображень відсканованих документів, в якому, на відміну від відомих, проводиться попереднє відокремлення області графічних і фотозображень від текстових областей і фону. При цьому проводиться аналіз зв'язкових компонент, які є різними для графічних зображень, фотозображень та текстових областей. Для класифікації виділених областей, на області фото і графіки використовується блоковий метод. Встановлено, що такий спосіб розбиття областей на блоки менше впливає на якість сегментування в порівнянні з застосуванням блочного методу безпосередньо до вихідного зображення. Для відділення більш складних за формою текстових областей від фону застосовано обробка околиці кожного пікселя.Для виділення на зображеннях відсканованих документів границь ілюстрацій використовувався метод Блумберга. Для поділу на фото і графіку запропоновано розбиття ілюстрації на блоки пікселів. Кожному блоку пікселів відповідає вектор з двох ознак: середнього значення величини локального градієнта і середнього значення функції, що локалізує на зображеннях відсканованих документів лінійні об'єкти (графіка і символи тексту). Отримані вектора ознак класифікувалися машиною опорних векторів.При виділенні текстових фрагментів використовувалися низькочастотна фільтрація і порогове перетворення.Практичне відпрацювання комбінованого методу проведено для сегментації тестових зображень відсканованих статей газет з бази даних документів MediaTeam університету Оулу (Фінляндія). Встановлено, що комбінований метод характеризується підвищеною швидкодією сегментації зображень при високій якості обробки, Предложен комбинированный метод сегментации изображений отсканированных документов, в котором, в отличие от известных, проводится предварительное отделение области графических и фотоизображений от текстовых областей и фона. При этом проводится анализ связных компонент, которые различны для графических изображений, фотоизображений и текстовых областей. Для классификации выделенных областей, на области фото и графики используется блочный метод. Установлено, что такой способ разбиения областей на блоки меньше влияет на качество сегментации по сравнению с применением блочного метода непосредственно к исходному изображению. Для отделения более сложных по форме текстовых областей от фона была применена обработка окрестности каждого пикселя.Для выделения на изображениях отсканированных документов границ иллюстраций использовался метод Блумберга. Для разделения на фото и графике предложено разбиение иллюстрации на блоки пикселей. Каждому блоку пикселей соответствует вектор из двух признаков: среднего значения величины локального градиента и среднего значения функции, локализующей на изображениях отсканированных документов линейные объекты (графика и символы текста). Полученные вектора признаков классифицировались машиной опорных векторов.При выделении текстовых фрагментов использовались низкочастотная фильтрация и пороговое преобразование.Практическая отработка комбинированного метода была проведена для сегментации тестовых изображений отсканированных статей газет из базы данных документов MediaTeam университета Оулу (Финляндия). Установлено, что комбинированный метод характеризуется повышением быстродействия сегментации изображений при высоком качестве обработки

У даній роботі розглянута проблема фантомного забезпечення гамма-камер. Наведені основні положення для генерації віртуального фантома сцинтиграфічного зображення нирки з 99mTc-ДМСА: просторовий розподіл препарату в нирках, тип та рівень шумів, форма нирок. Результати даної роботи дозволяють провести кількісну оцінку коректності роботи методів сегментації сцинтиграфічних зображень. This work dedicated to problem of phantoms for gamma-camera. It is shown basis points for generating virtual phantom of scintigraphic image of the kidney with 99mTc-DMSA: spatial distribution of preparation in kidney, type and level of noise, shape of kidney. The results of this work allow performing a quantitative evaluation of correctness work of segmentation methods for scintigraphic images. В данной работе рассматриваются проблема фантомного обеспечения гамма-камер. Приведены основные положения для генерации виртуального фантома сцинтиграфического изображения почки с 99mTc-ДМСА: пространственное распределение препарата в почках, тип и уровень шумов, форма почек. Результаты данной работы позволяют провести количественную оценку корректности работы методов сегментации сцинтиграфических изображений.

Пропонується метод інформаційного синтезу вирішальних правил діагностичної системи для радіонуклідного статичного обстеження органів людини на гамма-камері в умовах незбалансованого обсягу навчальних вибірок класів розпізнавання. Розглядається формування вхідного математичного опису діагностичної системи. Розроблено алгоритми сегментації та класифікації сцинтиграфічних зображень на основі інформаційно-екстремального машинного навчання. Розроблені алгоритми ґрунтуються на адаптивному двійковому кодуванні значень ознак розпізнавання та оптимізації геометричних параметрів розбиття простору ознак на класи еквівалентності, контейнери яких відновлюються в радіальному базисі бінарного простору Хеммінга, в процесі максимізації інформаційної спроможності діагностичної системи. Як критерій функціональної ефективності діагностичної системи використано модифікацію інформаційного критерію за С. Кульбаком, що є функціоналом від першої та другої достовірностей рішень, що приймаються в робочому режимі системи. Як приклад реалізації запропонованих алгоритмів розглядається паралельна композиція інформаційно-екстремальних класифікаторів для оцінювання рівня ураження паренхіми нирок внаслідок інфекційних захворювань. Предлагается метод информационного синтеза решающих правил диагностической системы для радионуклидного статического обследование органов человека на гамма-камере в условиях несбалансированного объема обучающих выборок классов распознавания. Рассматривается формирования входного математического описания диагностической системы. Разработаны алгоритмы сегментации и классификации сцинтиграфических изображений на основе информационно-экстремального машинного обучения. Разработанные алгоритмы основываются на адаптивном двоичном кодировании значений признаков распознавания и оптимизации геометрических параметров разбиения пространства признаков на классы эквивалентности, контейнеры которых восстанавливаются в радиальном базисе бинарного пространства Хэмминга, в процессе максимизации информационной способности диагностической системы. В качестве критерия функциональной эффективности диагностической системы использовано модификацию информационного критерия по С. Кульбаку в виде функционала от первой и второй достоверностей решений, принимаемых в рабочем режиме системы. В качестве примера реализации предложенных алгоритмов рассматривается параллельная композиция информационно-экстремальных классификаторов для оценки уровня поражения паренхимы почек инфекционными заболеваниями. The article presents the method of an informational synthesis of decision rules for radionuclide diagnostic system of static examination of the human on gamma camera in case of unbalanced training dataset. The making of input mathematical description for intelligent radionuclide diagnostic system is considered. The algorithms for segmentation and classification scintigraphy images based on informationextreme machine learning are developed. The algorithms are based on adaptive binary coding of feature vectors and optimization of geometrical parameters of feature space partition into classes with containers which build into a radial basis of binary Hamming space to maximize the information ability of system intended to radionuclide diagnostics. The modified S. Kulback’s information criterion for estimate efficiency of diagnostic system is expressed in terms of positive and negative predictive value. The physical modeling of proposed algorithms is implemented by the example of bootstrap aggregating informationextreme classifiers intended to estimation of level of kidney lesion.

The existing methods of angiograms processing do not provide the required speed and quality of segmentation, which determines the accuracy of diagnostic solutions. Therefore, to reduce the angiograms processing time a method has been developed for segmentation of the vessels illustrations on the 3098pangiograms, and analyze the result of segmentation by means of conversion with the generalized comb wavelet function at the vessels localization and the replacement of several processing levels by the one. The latter is achieved by the fact that the convolution with a generalized comb wavelet function is similar to using a set of bandpass filters. At the phase of segmentation results analysis of the vessels skeleton excretion was increased using morphological processing. The implementation of the developed method has allowed to reduce angiogram images processing time at 43% that is required to combine the diagnostic and therapeutic potential of the angiography method during a single procedure. Thus, the noise resistance characteristics may be changed as follows: the probability of the 1st type error is 1.22 times reduced, and the probability of the 2nd type error 1.14 times increases. As a result of experiments, it was shown that the developed method provides the vessels localization quality required for accurate singling out of the diagnostic parameters of heart disorders, which improves the accuracy of heart diseases diagnosing., Усовершенствован метод сегментации изображений сосудов на ангиограммах путем применения преобразования с обобщенной гребенчатой вейвлет-функцией, а также предложена процедура улучшения качества выделения скелетона сосудов путем удаления петель. Это позволило повысить быстродействие метода сегментации ангиограмм и обеспечить качество локализации дерева сосудов на ангиограмме, необходимое для принятия диагностического решения., Удосконалено метод сегментації зображень судин на ангіограмах шляхом застосування перетворення з узагальненою гребенчатою вейвлет-функцією, а також запропонована процедура поліпшення якості виділення скелетона судин шляхом видалення петель. Це дозволило підвищити швидкодію методу сегментації ангіограм і забезпечити якість локалізації дерева судин на ангіограмі, необхідну для прийняття діагностичного рішення.

Запропоновано методику розпізнавання ПЕТ-знімків, яка дозволяє ідентифікувати і спостерігати за розвитком ракових пухлин за допомогою використання комплексу алгоритмів кластеризації зображень. The method of recognizing the PET images, which allows us to identify and observe the development of cancerous tumors by using complex algorithms for clustering images.

Unsupervised image segmentation algorithms based on-mean clustering, expectation-maximization, mean-shift, normalized graph cut, weighted aggregation, statistical region merging, JSEG, HGS and ROI-SEG are considered. The results of segmentation obtained by mentioned algorithms on textural, satellite and natural images are presented. The analysis of quality and segmentation speed of each algorithm realization is performed, Рассмотрены алгоритмы автоматизированной сегментации на основе кластеризации по -средних, максимизации-ожидания, сдвига среднего, нормализированного пересечения графов, взвешенной агрегации, статистического объединения областей, JSEG, HGS и ROI-SEG. Представлены результаты сегментации, а также проведен анализ качества и быстродействия каждого из алгоритмов на естественном, спутниковом и содержащем текстуры изображениях, Розглянуто алгоритми автоматизованої сегментації на основі кластеризації по k-середніх, максимізації-очікування, зсуву середнього, нормалізованого перетину графів, виваженої агрегації, статистичного об'єднання областей, JSEG, HGS та ROI-SEG. Подано результати сегментації, а також проведений аналіз якості та швидкодії кожного з алгоритмів на природному, супутниковому та містить текстури зображеннях

Аннотация – Various methods of image segmentation including automatic segmentation methods and interactive methods are observed and programmed. Comparison of implemented segmentation methods was done using different input parameters. Also effectiveness estimation of these methods is presented. When you are citing the document, use the following link http://essuir.sumdu.edu.ua/handle/123456789/28803