6021

Прямое и обратное преобразование Радона

Лабораторная работа

Коммуникация, связь, радиоэлектроника и цифровые приборы

Цель работы: Ознакомление с прямым и обратным преобразованием Радона изображений. Реализация прямого и обратного преобразований Радона с помощью функций в среде MatLAB (ImageProcessingToolbox). Короткие теоретические сведения ...

Русский

2012-12-27

1.24 MB

92 чел.

Цель работы: Ознакомление с прямым и обратным преобразованием Радона изображений. Реализация прямого и обратного преобразований Радона  с помощью функций в среде MatLAB (Image Processing Toolbox).

Короткие теоретические сведения

 Преобразование Радона.

С помощью преобразования Радона изображение представляется в виде набора проекций вдоль различных направлений. В результате получается совокупность теней, т.е. трёхмерная структура объекта сводится к набору двумерных изображений. При этом, проекция функции двух переменных f(x,y) представляет собой интеграл в определённом направлении.  Например, интеграл от f(x,y) в вертикальном направлении является проекцией  f(x,y) на ось x; интеграл в горизонтальном направлении является проекцией на ось  y.

Рис.1

Проекции могут быть вычислены вдоль любого угла  θ. Так, проекция  функции двух переменных  f(x,y) на ось  задаётся  интегралом

где оси   и   задаются поворотом против часовой стрелки на угол θ с использованием следующего выражения:

Геометрическое представление  преобразования Радона приведено на рисунке 2.

Рис.2

Преобразование Радона для большого количества углов чаще всего отображается в виде изображения. Например, преобразование Радона для прямоугольника при изменении θ от  0 до 180° с шагом 1° имеет вид (рис.3):

Рис.3

Обратное преобразование Радона реконструирует изображение по его матрице проекций. В компьютерной томографии (рис.4) осуществляется восстановление изображения сечения человеческого тела с использованием облучения рентгеновскими лучами под различными углами. Задача восстановления f(x,y) сводится к решению конечного числа уравнений  при различных значениях угла θ.

Рис.4

В большинстве случаев, не существует исходного изображения, от которого получают проекции. Например, при томографии, проекции формируются путём измерения интенсивности излучения, проходящего через физический объект под различными углами. Значения проекций накапливаются в специальном оборудовании, а затем с помощью обратной функции Радона выполняется неинвазивное (без вторжения во внутрь) восстановление внутренней структуры объекта (человека).

 


Порядок работы

  1.  Исследования преобразований Радона на модели

С помощью функции phantom сымитировать срез головы человека. Выполнить прямое преобразование Радона (radon), выбрав различные углы. Восстановить изображение с помощью обратного преобразования Радона. Исследовать влияние параметров команды iradon на сходство восстановленного изображения с оригиналом, а также на время выполнения обратного преобразования. Оценить качество восстановленного изображения.

close all; clear all; clc;

P=phantom(256); %Создание искусственного изображения среза головы

figure(1)

imagesc(P);

title('Head Phantom');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

%Прямые преобразования Радона с различными углами theta

theta1 = 0:10:170;

[R1,xp1] = radon(P,theta1);

theta2 = 0:5:175;

[R2,xp2] = radon(P,theta2);

theta3 = 0:2:178;

[R3,xp3] = radon(P,theta3);

theta4 = 0:0.1:179;

[R4,xp4] = radon(P,theta4);

figure(2)

subplot(2,2,1)

imagesc(theta1,xp1,R1)

title('Num angles = 18');

xlabel('Rotation Angle - \theta (degrees)');

ylabel('Sensor Position - x\prime (pixels)');

colormap(hot)

subplot(2,2,2)

imagesc(theta2,xp2,R2)

title('Num angles = 36');

xlabel('Rotation Angle - \theta (degrees)');

ylabel('Sensor Position - x\prime (pixels)');

colormap(hot)

subplot(2,2,3)

imagesc(theta3,xp3,R3)

title('Num angles = 90');

xlabel('Rotation Angle - \theta (degrees)');

ylabel('Sensor Position - x\prime (pixels)');

colormap(hot)

subplot(2,2,4)

imagesc(theta4,xp4,R4)

title('Num angles = 1791');

xlabel('Rotation Angle - \theta (degrees)');

ylabel('Sensor Position - x\prime (pixels)');

colormap(hot)

%Вычисление обратного преобразования Радона с различными углами theta

IR1=iradon(R1,theta1,'nearest','Ram-Lak',1,256);

IR2=iradon(R2,theta2,'nearest','Ram-Lak',1,256);

IR3=iradon(R3,theta3,'nearest','Ram-Lak',1,256);

IR4=iradon(R4,theta4,'nearest','Ram-Lak',1,256);

figure(3)

subplot(2,2,1)

imagesc(theta1,xp1,IR1)

title('Num angles = 18');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(2,2,2)

imagesc(theta2,xp2,IR2)

title('Num angles = 36');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(2,2,3)

imagesc(theta3,xp3,IR3)

title('Num angles = 90');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(2,2,4)

imagesc(theta4,xp4,IR4)

title('Num angles = 1791');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

%Среднеквадратическая относительная погрешность (18 углов)

close all; clear all; clc;

P=phantom(256);

theta1 = 0:10:170;

[R1,xp1] = radon(P,theta1);

IR1=iradon(R1,theta1,'nearest','Ram-Lak',1,256);

d1_18=((abs(sum(sum((P-IR1).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность (18 углов)

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_18=((abs(sum(sum((P-IR1).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность (18 углов)

d3_18=max(max(abs(P-IR1)))

%Максимальная относительная погрешность (18 углов)

d4_18=((max(max(abs(P-IR1))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность (18 углов)

d5_18=((sum(sum(abs(P-IR1))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность (18 углов)

d6_18=(sum(sum(abs(P-IR1))))

%Среднеквадратическая абсолютная погрешность (18 углов)

d7_18=sqrt(sum(sum((P-IR1).^2)))

Погрешность

Количество углов

18

36

90

1791

d1 %

96.0877

60.1466

37.0012

32.1464

d2 %

110.8376

69.3794

42.6810

37.0810

d3

1.4261

1.1539

1.0088

0.9241

d4 %

142.6084

115.3943

100.8821

92.4145

d5 %

131.8101

81.1806

38.1935

17.2767

d6

1.0603e+004

6.5302e+003

3.0723e+003

1.3897e+003

d7

60.5740

37.9166

23.3256

20.2652

%Вычисление обратного преобразования Радона с различными типами интерполяции

close all; clear all; clc;

P=phantom(256);

theta = 0:0.5:179;

[R,xp] = radon(P,theta);

IR1=iradon(R,theta,'nearest','Ram-Lak',1,256);

%Среднеквадратическая относительная погрешность

d1_nearest=((abs(sum(sum((P-IR1).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_nearest=((abs(sum(sum((P-IR1).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_nearest=max(max(abs(P-IR1)))

%Максимальная относительная погрешность

d4_nearest=((max(max(abs(P-IR1))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_nearest=((sum(sum(abs(P-IR1))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_nearest=(sum(sum(abs(P-IR1))))

%Среднеквадратическая абсолютная погрешность

d7_nearest=sqrt(sum(sum((P-IR1).^2)))

IR2=iradon(R,theta,'linear','Ram-Lak',1,256);

%Среднеквадратическая относительная погрешность

d1_linear=((abs(sum(sum((P-IR2).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_linear=((abs(sum(sum((P-IR2).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_linear=max(max(abs(P-IR2)))

%Максимальная относительная погрешность

d4_linear=((max(max(abs(P-IR2))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_linear=((sum(sum(abs(P-IR2))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_linear=(sum(sum(abs(P-IR2))))

%Среднеквадратическая абсолютная погрешность

d7_linear=sqrt(sum(sum((P-IR2).^2)))

IR3=iradon(R,theta,'spline','Ram-Lak',1,256);

%Среднеквадратическая относительная погрешность

d1_spline=((abs(sum(sum((P-IR3).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_spline=((abs(sum(sum((P-IR3).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_spline=max(max(abs(P-IR3)))

%Максимальная относительная погрешность

d4_spline=((max(max(abs(P-IR3))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_spline=((sum(sum(abs(P-IR3))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_spline=(sum(sum(abs(P-IR3))))

%Среднеквадратическая абсолютная погрешность

d7_spline=sqrt(sum(sum((P-IR3).^2)))

figure(1)

subplot(1,3,1)

imagesc(theta,xp,IR1)

title('Интерполяция по ближайшей окрестности');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(1,3,2)

imagesc(theta,xp,IR2)

title('Линейная интерполяция');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(1,3,3)

imagesc(theta,xp,IR3)

title('Сплайновая интерполяция');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');


Погрешность

Тип интерполяции

nearest

linear

spline

d1 %

32.4182

31.2885

31.6798

d2 %

37.3945

36.0914

36.5428

d3

0.9206

0.8663

0.9012

d4 %

92.0633

86.6276

90.1225

d5 %

20.0611

15.4540

15.1226

d6

1.6137e+003

1.2431e+003

1.2165e+003

d7

20.4365

19.7244

19.9711


%Вычисление обратного преобразования Радона с различными типами фильтра

close all; clear all; clc;

P=phantom(256);

theta = 0:0.5:179;

[R,xp] = radon(P,theta);

IR1=iradon(R,theta,'linear','Ram-Lak',1,256);

%Среднеквадратическая относительная погрешность

d1_Ram=((abs(sum(sum((P-IR1).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_Ram=((abs(sum(sum((P-IR1).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_Ram=max(max(abs(P-IR1)))

%Максимальная относительная погрешность

d4_Ram=((max(max(abs(P-IR1))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_Ram=((sum(sum(abs(P-IR1))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_Ram=(sum(sum(abs(P-IR1))))

%Среднеквадратическая абсолютная погрешность

d7_Ram=sqrt(sum(sum((P-IR1).^2)))

IR2=iradon(R,theta,'linear','Shepp-Logan',1,256);

%Среднеквадратическая относительная погрешность

d1_Shepp=((abs(sum(sum((P-IR2).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_Shepp=((abs(sum(sum((P-IR2).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_Shepp=max(max(abs(P-IR2)))

%Максимальная относительная погрешность

d4_Shepp=((max(max(abs(P-IR2))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_Shepp=((sum(sum(abs(P-IR2))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_Shepp=(sum(sum(abs(P-IR2))))

%Среднеквадратическая абсолютная погрешность

d7_Shepp=sqrt(sum(sum((P-IR2).^2)))

IR3=iradon(R,theta,'linear','Cosine',1,256);

%Среднеквадратическая относительная погрешность

d1_Cosine=((abs(sum(sum((P-IR3).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_Cosine=((abs(sum(sum((P-IR3).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_Cosine=max(max(abs(P-IR3)))

%Максимальная относительная погрешность

d4_Cosine=((max(max(abs(P-IR3))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_Cosine=((sum(sum(abs(P-IR3))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_Cosine=(sum(sum(abs(P-IR3))))

%Среднеквадратическая абсолютная погрешность

d7_Cosine=sqrt(sum(sum((P-IR3).^2)))

IR4=iradon(R,theta,'linear','Hamming',1,256);

%Среднеквадратическая относительная погрешность

d1_Hamming=((abs(sum(sum((P-IR4).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_Hamming=((abs(sum(sum((P-IR4).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_Hamming=max(max(abs(P-IR4)))

%Максимальная относительная погрешность

d4_Hamming=((max(max(abs(P-IR4))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_Hamming=((sum(sum(abs(P-IR4))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_Hamming=(sum(sum(abs(P-IR4))))

%Среднеквадратическая абсолютная погрешность

d7_Hamming=sqrt(sum(sum((P-IR4).^2)))

IR5=iradon(R,theta,'linear','Hann',1,256);

%Среднеквадратическая относительная погрешность

d1_Hann=((abs(sum(sum((P-IR5).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_Hann=((abs(sum(sum((P-IR5).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_Hann=max(max(abs(P-IR5)))

%Максимальная относительная погрешность

d4_Hann=((max(max(abs(P-IR5))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_Hann=((sum(sum(abs(P-IR5))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_Hann=(sum(sum(abs(P-IR5))))

%Среднеквадратическая абсолютная погрешность

d7_Hann=sqrt(sum(sum((P-IR5).^2)))

figure(1)

subplot(2,3,1)

imagesc(theta,xp,IR1)

title('Усеченный фильтр Рама-Лака');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(2,3,2)

imagesc(theta,xp,IR2)

title('Фильтр Шеппа-Логана');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(2,3,3)

imagesc(theta,xp,IR3)

title('Косинусный фильтр');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(2,3,4)

imagesc(theta,xp,IR4)

title('Фильтр Хэмминга');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(2,3,5)

imagesc(theta,xp,IR5)

title('Фильтр Ханна');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)'); 


Погрешность

Тип фильтра

Рама-Лака

Шеппа-Логана

Косинусный

Хэмминга

Ханна

d1 %

31.2885

31.1055

31.0972

31.5070

31.6213

d2 %

36.0914

35.8803

35.8707

36.3435

36.4753

d3

0.8663

0.8476

0.8124

0.7917

0.7852

d4 %

86.6276

84.7566

81.2392

79.1673

78.5186

d5 %

15.4540

15.3622

15.8115

16.9154

17.1456

d6

1.2431e+003

1.2357e+003

1.2719e+003

1.3607e+003

1.3792e+003

d7

19.7244

19.6090

19.6037

19.8621

19.9341


%Вычисление обратного преобразования Радона с различными параметрами d (сдвиг по частотной области)

close all; clear all; clc;

P=phantom(256);

theta = 0:0.5:179;

[R,xp] = radon(P,theta);

IR1=iradon(R,theta,'linear','Cosine',0.1,256);

%Среднеквадратическая относительная погрешность

d1_01=((abs(sum(sum((P-IR1).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_01=((abs(sum(sum((P-IR1).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_01=max(max(abs(P-IR1)))

%Максимальная относительная погрешность

d4_01=((max(max(abs(P-IR1))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_01=((sum(sum(abs(P-IR1))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_01=(sum(sum(abs(P-IR1))))

%Среднеквадратическая абсолютная погрешность

d7_01=sqrt(sum(sum((P-IR1).^2)))

IR2=iradon(R,theta,'linear','Cosine',0.5,256);

%Среднеквадратическая относительная погрешность

d1_05=((abs(sum(sum((P-IR2).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_05=((abs(sum(sum((P-IR2).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_05=max(max(abs(P-IR2)))

%Максимальная относительная погрешность

d4_05=((max(max(abs(P-IR2))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_05=((sum(sum(abs(P-IR2))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_05=(sum(sum(abs(P-IR2))))

%Среднеквадратическая абсолютная погрешность

d7_05=sqrt(sum(sum((P-IR2).^2)))

IR3=iradon(R,theta,'linear','Cosine',0.9,256);

%Среднеквадратическая относительная погрешность

d1_09=((abs(sum(sum((P-IR3).^2))/sum(sum(P.^2))))^0.5)*100

%Нормализованная среднеквадратическая погрешность

P_sr=(sum(sum(P)))/(size(P,1)*size(P,2));

d2_09=((abs(sum(sum((P-IR3).^2))/sum(sum((P-P_sr).^2))))^0.5)*100

%Максимальная погрешность

d3_09=max(max(abs(P-IR3)))

%Максимальная относительная погрешность

d4_09=((max(max(abs(P-IR3))))/(max(max(P))))*100

%Нормализированная абсолютная средняя погрешность

d5_09=((sum(sum(abs(P-IR3))))/(sum(sum(abs(P)))))*100

%Абсолютная средняя погрешность

d6_09=(sum(sum(abs(P-IR3))))

%Среднеквадратическая абсолютная погрешность

d7_09=sqrt(sum(sum((P-IR3).^2)))

figure(1)

subplot(1,3,1)

imagesc(theta,xp,IR1)

title('D=0.1');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(1,3,2)

imagesc(theta,xp,IR2)

title('D=0.5');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');

subplot(1,3,3)

imagesc(theta,xp,IR3)

title('D=0.9');

xlabel('x\prime (pixels)');

ylabel('y\prime (pixels)');


Погрешность

Сдвиг по частотной области (параметр D)

D=0.1

D=0.5

D=0.9

d1 %

61.8194

33.7143

31.2002

d2 %

71.3089

38.8895

35.9896

d3

0.7558

0.7386

0.8032

d4 %

75.5842

73.8645

80.3183

d5 %

53.7335

20.3204

16.1436

d6

4.3223e+003

1.6346e+003

1.2986e+003

d7

38.9711

21.2536

19.6687


  1.  Преобразование реального биомедицинского изображения

Выполнить прямое и обратное преобразование Радона, используя реальное биомедицинское изображение.

close all; clear all; clc;

Ima=rgb2gray(imread('C:\24','jpg'));

Im=double(Ima);

figure(1)

imshow(Ima)

theta = 0:0.5:179;

[R_Im, xp]=radon(Im,theta);

figure(5)

imagesc(theta,xp,R_Im)

IR_Im=iradon(R_Im,theta,'linear','Cosine',1);

figure(6)

imagesc(theta,xp,IR_Im)

PAGE  2


 

А также другие работы, которые могут Вас заинтересовать

43939. Расчет подстанции ОАО Квадра 1.53 MB
  Объем электрической энергии мощности произведенный на территории области в 2010 г. к каждой ПС подключаются потребители первой категории для обеспечения резервирования необходимо устанавливать по два трансформатора или автотрансформатора на ПС причем каждый из них рекомендуется загружать не более чем на 7075 от номинальной мощности. Расчет производиться по формулам: где коэффициент мощности нагрузки Для ПС1. Выбор автотрансформатора по заданной трансформаторной мощности ПС.
43941. Безопасность в чрезвычайных ситуациях. Методические указания 273 KB
  Руководствуется допустимыми дозами облучения установленными для различных категорий населения НРБУ99 оказавшегося в зоне радиоактивного загрязнения при аварии на АЭС. При написании расчетной части студент использует исходные данные полученные у преподавателя цикла ГО и по методическим указаниям к расчетнографической работе Выявление и оценка радиационной обстановки на объекте при загрязнении радиоактивными веществами после аварии на АЭС выполняет ее. Определяет допустимое время начала работы рабочих и служащих...
43942. Обгрунтування застосування пристроїв для збирання, завантаження та транспортування рулонів трести льону-довгунця та конопель в Інстітуті луб'яних культур 27.69 MB
  Обгрунтування застосування пристроїв для збирання завантаження та транспортування рулонів трести льонудовгунця та конопель в Інстітуті луб'яних культур. Зміни у затратах на завантаження та перевезення рулонів впливають на затрати у механізованих роботах та суттєво впливають на собівартість кінцевого продукту. Кількість рулонів на довжині стрічки наприклад довжиною 500 м може бути різною рис. Також на кількість рулонів на довжині стрічки впливають конструктивні особливості прес підбирачів діаметр пресувальної камери та ширина захвату.
43943. Программа MS Publisher как инструмент создания электронного пособия 573.5 KB
  Для этого щелкнуть левой кнопкой мыши внутри текстовой рамки. Текстовый файл Чтобы создать текстовую рамку надо щелкнуть на кнопке на панели инструментов Объекты MS Publisher щелкнуть в публикации протащить указатель мыши при нажатой левой кнопке чтобы нарисовать рамку нужного размера и отпустить кнопку мыши. Чтобы избавиться от фона надо щелкнуть на кнопке Цвет заливки на панели инструментов Форматирование и выбрать значение Нет заливки. Чтобы сгруппировать рамки необходимо их выделить а затем щелкнуть на кнопке Сгруппировать...
43944. Вплив мотивації на вибір професії у підлітковому віці 361 KB
  При задоволенні потреби закінчується потребовий цикл. Задоволення потреби – це оволодіння предметом потреби та його використання. Виконавча діяльність організму, орієнтована у напрямку його потребових зв’язків з оточуючим середовищем, розуміється як діяльність
43945. Организация движения пассажирских поездов дальнего, местного и пригородного сообщения 3.21 MB
  Технология обработки составов пригородных поездов. Основными направлениями развития пассажирских перевозок обеспечивающими их эффективность и качество в ближайшей перспективе являются оптимальное планирование эксплуатационной работы по пассажирским перевозкам четкое выполнение графика движения поездов совершенствование форм и методов продажи билетов повышение уровня пассажирского сервиса и развития материальнотехнической базы пассажирского хозяйства. Наиболее полно...
43946. Разработка и обоснование мероприятия по повышению эффективности деятельности ООО «Феникс-Т» 839.5 KB
  Для предприятия одним из направлений повышения эффективности его деятельности могут рассматриваться инвестиции в расширение деятельности. Обоснование целесообразности инвестиций осуществляется на основе разработки бизнес-проекта инвестиционного проекта и расчета показателей эффективности инвестиций. Цель выпускной квалификационной работы разработать и обосновать мероприятия по повышению эффективности деятельности ООО Феникс Т. Для достижения поставленной цели необходимо решить следующие задачи: рассмотреть теоретические основы повышения...
43947. Практическое выполнение следующих видов макияжа и грима - подиумный, свадебный, портретный и ретро-макияж в стилистике 20-х годов 1.21 MB
  Практическое выполнение следующих видов макияжа и грима подиумный свадебный портретный и ретромакияж в стилистике 20х годов. Для достижения этой цели были поставлены следующие задачи: Собрать и проанализировать теоретический и иллюстративный материал касающийся выполнения подиумного макияжа свадебного макияжа портретного грима и ретромакияжа. Выделить характерные...