Об'єкт дослідження - процес обробки та класифікації об’єктів на зображенні.Мета дослідження - розробка моделей і методів інтелектуальної прискореної обробки напівтонових зображень, які здатні аналізувати інформацію про розмір зображення та завантаженість потоків для рівномірного адаптивного розподілення завдань по потоках. Методи дослідження: для розв’язання поставлених задач використано теоретико-множинний підхід щодо створення узагальненої моделі процесу обробки напівтонових зображень, методи обробки зображень, засоби цифрової обробки сигналів, лінійної алгебри та теорії матриць, концепція високопродуктивних обчислень, обчислювальні методи для розробки прискорених моделей обробки зорових образів; теорія графів для створення моделей обробки зображення; імітаційне моделювання, яке підтвердило ефективність отриманих результатів і надало можливість виробити рекомендації щодо їх застосування; апарат штучних нейронних мереж персептронного типу.Наукова новизна: 1. Вперше запропоновано ярусно-паралельні моделі прискореної рядкової та блочної обробки напівтонових зображень, які за рахунок попереднього розподілу вихідного зображення на групи рядків або блоків дозволяють уникнути «прокляття розмірності» та прискорити процес оцінювання зображень. 2. Вперше запропоновано метод прискореної скелетонізації бінарного зображення на основі бітових масок, який за рахунок одночасного використання тридцяти шести бітових масок дозволяє прискорити процес виділення вісьової лінії зображення, а також зменшити обчислювальну складність на порядок у порівнянні з існуючими ітеративними методами скелетонізації.3. Набула подальшого розвитку узагальнена модель процесу обробки напівтонових зображень, яка на відміну від існуючих, передбачає послідовно-паралельне виконання бінарізації виділеної області інтересу, скелетонізації та нейромережної класифікації, що дозволяє суттєво скоротити час обробки вхідного напівтонового зображення. 4. Удосконалено метод класифікації напівтонових зображень за допомогою штучної нейронної мережі персептронного типу, в якому на відміну від існуючих, автоматично виконується рівномірний адаптивний розподіл груп нейронів по потоках у залежності від розміру зображення та завантаження потоків для паралельного обчислення, а також забезпечення найбільш рівномірного завантаження обчислювальних потоків, що дозволяє прискорити процес обробки зображень великої розмірності. Ступінь упровадження - було розроблено розподілену систему визначення стану цегли при виході її із тунельної сушарки та впроваджено у товаристві з обмеженою відповідальністю «Ампер» (м.Харків, Україна) (акт впровадження від 23.12.2009 р.); розроблено паралельну систему автоматичного суддівства змагань та впроваджено у Дитячо-юнацькій спортивній школі №1 у вигляді програмного модуля, що дозволяє оцінювати виконаний спортсменом елемент за короткий час (м.Харків, Україна) (акт впровадження від 20.01.2009 р.); результати дисертаційної роботи також впроваджено у навчальному процесі на кафедрі електронних обчислювальних машин ХНУРЕ у дисциплінах «Інтелектуальні комп’ютерні системи», «Паралельні та розподілені обчислення» та «Методи і засоби обчислювального інтелекту» Харківського національного університету радіоелектроніки (акт впровадження від 10.09.2010 р.). Сфера використання - для розроблення систем обробки та класифікації великих обсягів вхідної інформації, що вилучається з різнорідних джерел (фото- або відеокамер, тепловізорів), побудованих на основі паралельно-послідовних моделей згідно з концепцією паралельних і розподілених обчислень та високопродуктивних обчислювальних комплексів; в інтелектуальних системах класифікації різного роду інформації; у навчальному процесі під час підготовки фахівців у галузях технологій паралельних обчислень в задачах обробки зображень.
