Обработка и передача изображений icon

Обработка и передача изображений


Смотрите также:
Анализ, обработка и передача динамических изображений в моделях виртуальной реальности...
Обработка и передача изображений определение смены сцены и шумоподобности кадров...
Обработка и передача изображений...
Обработка изображений в системах распознавания рукописного текста...
Лекция 1
Учебно-тематический план ит профиль 10 класс дата урока...
Рабочая программа по дисциплине «Компьютерная обработка изображений» По направлению...
Том числе компьютерного. Информационные процессы: хранение, передача и обработка информации...
Пространственно-временная ранговая обработка телевизионных изображений с малоразмерными...
Направления работы конференции...
Конспект Лекций Лекция 1 Введение в компьютерную геометрию и графику Основные направления...
Xxxiv региональная школа-конференция “...



Загрузка...
скачать

Обработка и передача изображений




Оптимальные алгоритмы обработки радиолокационных изображений поверхностных и подповерхностных слоев с использованием весовой обработки сигналов многолучевых радиолокационных станций с синтезированием апертуры


Волосюк В.К.¹, Павликов В.В.², Кравченко В.Ф.³, Кутуза Б.Г.³


¹Национальный аэрокосмический университет им. Н.Е. Жуковского (ХАИ),

²Харьковский университет Воздушных Сил имени И.Н. Кожедуба,

³Институт радиотехники и электроники РАН


Введение. Высокая разрешающая способность радиолокационных систем по дальности обеспечивается применением сложных радиолокационных сигналов с внутриимпульсной модуляцией. Разрешающая способность по угловой координате зависит от соотношения длины волны к размеру раскрыва антенны [1]. Радиолокационные станции с синтезированием апертуры (РСА) позволяют формировать пространственную апертуру и получать высокие разрешающие способности по азимуту (порядка 0,3–1 метра). Соответственно задачи, решаемые РСА достаточно обширны: картографирование земных покровов; мониторинг (поиск разливов нефти, сельскохозяйственные задачи, загрязнение водных ресурсов…) и др.

В [2] определены требования к современным РСА космического и авиационного базирования. Основная направленность – переход к многофункциональным режимам работы РСА. Такими режимами в частности могут быть режим поверхностного зондирования объектов и режим подповерхностного зондирования с учетом того, что верхний покров является мешающим. Из [3] следует, что указанные режимы изучены недостаточно полно и, в ряде случаев, подлежат оптимизации.

^ Постановка задачи. Используя метод максимального правдоподобия необходимо сформировать оптимальный алгоритм получения РЛИ с помощью многолучевой РСА для указанных режимов зондирования, а также определить возможность повышения качества изображения путем оптимизации функции неопределенности РСА.




Рис. 1
^ Геометрия задачи. На рис. 1 представлена РСА на базе вертолета и антенной решетки с многолучевой диаграммой направленности (ДН).

Введены следующие обозначения: и – размер антенной системы (АС); и – углы наклона первого и последнего лучей ДН; – ширина участка обзора (в боковом направлении по каждому из слоев); и – минимальное и максимальное расстояние к слою; – количество слоев (первый – поверхность Земли, второй – первый подповерхностный, третий – второй подповерхностный слои); – плоскость АС; – плоскость соответствующего слоя.

Решение задачи. Получим алгоритмы на основе метода максимального правдоподобия для обеих режимов, причем формулы будем нумеровать с использованием букв, где – соответствует алгоритм зондирования, когда верхний слой не является мешающим, – верхний слой мешает фокусировке на нижние слои. В случае отсутствия буквенного обозначения имеется ввиду отношение этой формулы к обеим режимам.

Уравнение наблюдения можно представить в виде:

; (1.а), ; (1.б)

где – область ; – – сигнальная составляющая уравнения наблюдения, – комплексный коэффициент рассеяния элемента слоя ; – единичный сигнал; – – пространственно некоррелированная помеха (пространственный белый шум) с корреляционной функцией ; – – мешающие отражения от верхнего слоя.

В рамках метода максимального правдоподобия оптимальный алгоритм выделения заданного изображения можно отыскать из условия максимума функционала

; (2.а)

(2.б)

В результате решения данных уравнений (опустим подробные выкладки) получим следующее выражение для выходного эффекта РСА:

, (3.а)

(3.б)

где – комплексная огибающая ; – – огибающая сигнала, комплексно сопряженного к единичному сигналу. – – оценка комплексного коэффициента рассеяния, что то же самое что оптимальное РЛИ.

Функция неопределенности (ФН) системы:

, (4.а)

, (4.б)

где – комплексная огибающая единичного сигнала; – – функция обратная к корреляционной функции помех; – – весовая функция.

Желательно чтобы ФН имела вид дельта-функции Дирака, тогда при условии отсутствия помех согласно (3) оптимальная оценка РЛИ равнялась бы истинному РЛИ .

На практике необходимо добиться такого подбора весовых коэффициентов в ФН, чтобы минимизировать отклонение сглаженного РЛИ от истинного – тестового изображения. Проанализируем влияние весового окна навешенного на ФН и оценим среднемодульное отклонение сглаженного изображения от истинного.

В численном моделировании использовалось 95 весовых коэффициентов в т.ч. 30 – классических и 65 – новых Кравченко-Рвачева [4]. Результаты моделирования представлены на рис. 2. По оси абсцисс отложены номера окон согласно таблицы 1.




Рис. 2
Горизонтальная линия на рис. 2, проведенная по значению минимального СМО для классического окна – примем ее за опорное значение, т.е. такое значение, которое необходимо уменьшить новыми окнами на основании атомарных функций.

Формально условие выбора оптимального окна можно записать в виде:

, где – номер окна. – среднемодульное отклонение для -го окна.


Табл. 1. Номера окон следует отсчитывать сверху – вниз и слева – направо

Бартлетта-

Ханна

Натолла

Тьюки

а=0,1















Бартлетта

Парзена

а=0,3















Блэкмана

Прямоуг.

а=0,5















Блэкмана-

Хэрриса

Треугол.

Бомана















Чебышева

(-50 дБ)

Рисса

Хеннинга-

Пуассона

а=0,5















Финитный

Синк

Риммана

а=1















Гаусса

Вале-

Пуссена

а=1,5
















Хемминга

Пуассона

а=2

Коши

а=3
















Ханна

а=2,5

а=4
















Кайзера

а=3

а=5

















В таблице 1 приведены следующие обозначения: – прямое произведение окна и атомарной функции (АФ) , где номер АФ, – степень в которую необходимо возвести АФ, принимает значения Хемминга, Гаусса, Блэкмана-Хэрриса, Чебышева.

Структурные схемы, соответствующие синтезированным алгоритмам пространственно-временной обработки сигналов отраженных от земной поверхности или подповерхностного слоя без учета а) и с учетом мешающего отражения от верхнего слоя б) представлены на рис. 3.





а)

б)

Рис. 3

Выводы:

  1. Ф
    Рис. 1
    Н РСА без весовой обработки имеет вид и соответственно имеет достаточно высокое разрешение по главному лучу. Однако, функция обладает высоким уровнем боковых лепестков (-13 дБ), который приводит к просачиванию сигналов из различных направлений и приводит к размазыванию РЛИ. Выход может быть найден путем подбора оптимальных весовых коэффициентов. Из анализа численного эксперимента определения СМО сглаженного и тестового изображений по 95 окнам следует, что окна Кравченко-Рвачева на основе прямого произведения атомарных функций и веса Хемминга: № 35 – , 34 – , 33 – , 32 – , 31 – , 40 – , обладают наилучшими соотношениями ширины ФН основного луча и уровня бокового излучения. При этом классические окна № 9 (согласно табл. 1) – Ханна занимают лишь 8, № 8 – Хемминга – 18, а № 13 прямоугольное – 95 место.

  2. Введение оптимальных весовых коэффициентов в БСФА позволяет уменьшить размывание РЛИ за счет незначительного расширения ФН при сильном подавлении боковых лепестков.

  3. Рассмотренная задача полностью соответствует задаче двумерной линейной фильтрации со всеми ее достоинствами и недостатками. В качестве коэффициентов фильтра используются коэффициенты функции неопределенности.

Литература

  1. Волосюк В.К., Куртов А.И., Бледнов В.И. Продольный синтез апертуры в задачах оптимальной обработки сигналов при пеленговании воздушных целей. Успехи современной радиоэлектроники №9-10, 2004.

  2. Канащенков А.И. Формирование облика авиационных систем управления вооружением. – М.: "Радиотехника", 2006. – 336с.: 86 ил., 5 табл.

  3. В.К. Волосюк, А.В. Ксендзук, В.Ф. Кравченко, Б.Г. Кутуза. Пространственно-временная обработка сигналов в многолучевых РСА с картографированием подповерхностных слоев почв. Электромагнитные волны и электронные системы, №2-3, т.11, 2006, с. 41-50.

  4. Кравченко В.Ф. Лекции по теории атомарных функций и некоторым их приложениям. Монография. – М.: "Радиотехника", 2003. – 512 с.: ил.

  5. Обработка случайных сигналов и процессов/ А.Н. Беседин, А.А. Зеленский, Г.П. Кулемин, В.В. Лукин. – Учеб. пособие. – Харьков: Нац. аэрокосм. ун-т "Харьк. авиац. ин-т", 2005. – 469 с.




Optimum algorithms of processing of the radar-tracking images superficial and subsurface of layers with use of weight processing of signals of multibeam radar-tracking stations with synthesizing of the aperture


Volosyuk V.¹, Pavlikov V.², Kravchenko V.³, Kutuza B.³


¹National Aerospace University "Kharkov Aviation Institute",

²Kharkov University of air forces

³Institute of Radio-engineering and Electronics of RAS


In the report the synthesis of optimum algorithms subsurface of sounding in two variants is offered: the equation the supervision contains only a uncorrelated handicap and the synthesizing is conducted on superficial or subsurface to a layer; the equation of supervision contains both uncorrelated, and a correlated handicap - reflection from the top layer as interfering influence with synthesizing on subsurface to a layer. The optimum methods of processing of radar-tracking signals in both modes are analysed. The necessity of reception of function of uncertainty distinct from is shown which is characterized by a high degree of lateral petals. The presence of a high level of lateral petals results in infiltration of the signals which have come from directions of a distinct from direction of the main petal and distortion of the true radar-tracking image. Despite of a small enough parameter of width of such function of uncertainty, she is not optimum. The results of numerical modeling of influence on a degree of washing out of the radar-tracking images of change of function of uncertainty of system with the help of weight factors (classical and new Kravchenko-Rvacev) are submitted. The analysis of the data allows to make the following conclusions:

- The received results do not contradict physics of reception of the radar-tracking images. The put task can be referred to a task двумерной of a linear filtration of the image with the help of factors forming двумерную function of uncertainty of system, i.e. smoothing of the image by function of uncertainty. Т.о. The theory of processing of the images with the help of linear filters finds complete application in similar tasks.

- Optimum, from the point of view of a minimum a average modular of deviation dim from the test image, the windows Kravchenko-Rvacev are, namely on the basis of direct product of atomic functions and weight Hamming: , , , , , . This fact by is explained that the specified windows have the best parameters agrees of criteria of high resolution and minimum of lateral petals. In this case washing out occurs only because of difference of function of uncertainty from delta - function, and the elements of the test image, отстоящие from formed пиксела do not bring in essential distortions, that is observed in a situation of use of the not weighed function of uncertainty.

- In view of the received results the optimum algorithms for multibeam radar-tracking stations with synthesizing of the aperture in modes superficial and подповерхностного of sounding are synthesized at the strictly lateral review of a terrestrial surface.




^ ОБРАБОТКА ВИДЕОИНФОРМАЦИИ В СИСТЕМЕ МОНИТОРИНГА

ТРАНСПОРТНЫХ ПОТОКОВ

Кузьмин С.А.

Санкт-Петербургский Государственный Университет Аэрокосмического Приборостроения

Среди наиболее актуальных прикладных областей анализа видеоинформации особое место занимают задачи экологического мониторинга и, в частности, задача мониторинга транспортных потоков на городских магистралях. Рост парка транспортных средств намного опережает темпы дорожного строительства, что привело к увеличению плотности движения и росту негативного влияния на окружающую среду. Данные, получаемые в режиме реального времени позволили бы обеспечить эффективную работу автоматических систем регулирования дорожного движения для создания системы безостановочного движения городского автотранспорта, что позволит снизить расход топлива и уменьшить влияние на экологическую обстановку, устранит скопления машин с работающим двигателем, повысит безопасность движения.

В системах анализа видеоинформации стандартной является следующая последовательность операций: ввод кадров, предварительная обработка, обнаружение, классификация, сопровождение.

В качестве способа предварительной обработки кадров была выбрана межкадровая фильтрация (временное шумоподавление), суть которого заключается в том, что слабые флуктуации обычно вызываются шумом и для повышения отношения сигнал/шум проводится усреднение интенсивности пикселей соседних кадров в местах слабых флуктуаций.

В качестве основного принципа обнаружения предлагается использовать идею объединения информации о движущихся областях и их границах, предложенную в статье [1]. Проведенные исследования [2] применимости алгоритма из статьи [1] показали наличие проблем в формировании сплошных объектов при использовании алгоритма «двойной разности». Эти проблемы особенно заметны на протяженных однородно окрашенных автомобилях (рис. 1). Использование вычисленных контуров кадра способствует усилению не только полезного сигнала, но и помех около полос дорожной разметки и бордюров дороги. Таким образом, необходима другая реализация идеи объединения информации о движущихся областях и их границах.



Рис. 1. Проблема обнаружения протяженных однородно окрашенных объектов при использовании двойной разности. Верхний ряд: три соседних кадра. Нижний ряд: изображение двойной разности, изображение контуров кадра, объединение информации о движущихся областях и контурах кадра с помощью морфологической операции Moving-Edge Closure.


Исследования многих специалистов (например, [3]) показывают, что использование оценки фона дает лучшие результаты, чем подходы, связанные с межкадровой разностью. Для оценки фона был выбран фильтр Калмана, эффективность которого подтверждается исследованиями [4]. Наши исследования показали, что стабильный фон получается после обработки 100 кадров (4 секунды при частоте 25 кадров в секунду). Вычислением разницы текущего кадра и оценки фона реализуется обнаружение движущихся областей (изображение ДО).



Рис. 2. Первый этап обнаружения транспортных средств. Верхний ряд: изображения кадра и оценки фона. Нижний ряд: движущиеся области и движущиеся контуры после шумоподавления.


Для улучшения внешнего вида движущихся областей следует использовать движущиеся контуры [5], а не контуры всего кадра. Для этого производится вычисление контуров кадра и контуров фона. Два данных контурных изображения вычитаются. В получившемся изображении содержатся контуры областей, отсутствовавших в изображении оценки фона, т.е. движущихся автомобилей (изображение ДК).

Затем изображения ДО и ДК обрабатываются для подавления шума и повышения связности объектов ранговыми методами (рис. 2).

После шумоподавления производится объединение изображений ДО и ДК с помощью логической операции ИЛИ. Получившееся изображение ДОДК обрабатывается ранговыми методами – медианным фильтром в форме креста с апертурой размером 3х3 пикселей, псевдонаращиванием (выбор 20-го ранга из 25) и псевдоэрозией (выбор 6-го ранга из 25) для апертур размером 5х5 пикселей. Названия ранговых операций говорят об их близости к морфологическим операциям наращивания и эрозии. Отличие состоит в том, что при псевдонаращивании будут уничтожаться одиночные шумовые выбросы, а при псевдоэрозии будут сохраняться мелкие детали объектов. Данные операции были разработаны нами в конце 2006 года. Результирующее изображение сегментируется разработанным методом, принадлежащим к классу методов наращивания областей. Результаты обработки и сегментации представлены на рис.3.

Для реализации распознавания (определения класса автомобиля) и сопровождения областям сопоставляется их индивидуальное описание. Каждая область описывается метрическими признаками (длина, ширина, эффективная площадь (пересчет из пикселей в квадратные метры)), позиционными признаками (минимальные и максимальные координаты по осям X и Y) и признаком формы (отношение длины к ширине). По результатам описания исключаются из рассмотрения:

- слишком малые области;

- области, находящиеся за пределами контрольной зоны (на значительном удалении от камеры);

- области, у которых отношение длины к ширине ниже 0.5.

Таким образом, снижается вычислительная нагрузка и значительно уменьшается вероятность сопровождения областей, не являющихся транспортными средствами.

Классификация объектов производится по их размерам. Для этого были выделены 4 класса транспортных средств (ТС) [6]:

  1. транспортные средства, имеющие менее 4-х колес (мотоциклы, мотороллеры) : длина - не более 3 м, ширина - до 1,5 м;

  2. легковые машины, джипы, малые тракторы: длина – от 3 до 4,5 м, ширина - от 1.5 до 2 м;

  3. микроавтобусы, фургоны, цистерны, тягачи без прицепа: длина - от 4,5 до 6,5 м, ширина - от 2 до 2.7 м;

  4. грузовики с прицепом, автобусы, самосвалы, трейлеры и составные автобусы: длина - больше 6,5 м, ширина - от 2 до 3 м.



Рис. 3. Второй этап обнаружения транспортных средств. Верхний ряд: изображение ДОДК (объединение информации о движущихся областях и движущихся контурах) и изображение ДОДК после обработки ранговыми методами. Нижний ряд: наложение контуров обработанного изображения ДОДК на исходный кадр для демонстрации точности обнаружения и результат сегментации (каждая область окрашена своим цветом в соответствии с идентификатором, присвоенным при сегментации).


Сопровождение объектов реализуется на основе сопоставления описаний объектов текущего и предыдущего кадров. Для каждого объекта текущего кадра ищется наилучший «предок» в предыдущем кадре. При этом используются ограничения по удаленности, непохожести, несогласованности движения [7]. Таким образом проводится повторная идентификация ТС из предыдущего кадра и обнаруживаются новые ТС. Затем среди описаний предыдущего кадра производится поиск областей, которые не стали «предками» транспортных средств текущего кадра. Таким образом производится обнаружение моментов ухода ТС.

В системе мониторинга транспортных магистралей требуется не только обрабатывать видеоинформацию, но и вычислять статистические характеристики транспортного потока.

Определение статистических характеристик транспортного потока производится на основе обобщения информации о прошедших автомобилях за определенный промежуток времени. Для этого необходимо знать длину контрольной зоны, время прохода контрольной зоны каждым автомобилем, размеры автомобилей. На основании этой информации можно определить как первичную информацию: скорость и классы транспортных средств, так и вторичные: интенсивность движения за интервал времени, среднюю скорость транспортного потока и т.п.

Классификация сопровождаемых ТС позволяет оценить такие параметры транспортного потока (ТП), как общая плотность потока на участке магистрали, интенсивность движения по полосам, состав и неравномерность ТП в различные интервалы времени. Кроме того, могут быть подсчитаны средняя скорость ТП и её изменения за определенный промежуток времени.

Интенсивность движения в i-й полосе определяется как количество ТС, прошедших по ней за определенный отрезок времени t: . Интенсивность движения ТС определенного k-го класса - это количество ТС k-го класса, прошедших контрольную зону за определенный отрезок времени t: . Общая плотность потока на участке магистрали - это сумма интенсивностей движения ТС всех классов: .

Состав ТП определяются по результатам наблюдения за классами и количеством ТС, проходящих контрольную зону (КЗ).

Неравномерность ТП определяется в результате сравнения количества ТС, прошедших КЗ, в разные отрезки времени (например, днем и вечером).

Литература

  1. R. Cucchiara, M. Piccardi, A. Prati, N. Scarabottolo "Real-time Detection of Moving Vehicles" in Proceedings of 10th International Conference on Image Analysis and Processing(ICIAP 99), Venice, Italy, Sept. 1999. PP. 618-623.

  2. Астратов О. С., Кузьмин С. А. Обработка изображений в интеллектуальных транспортных системах// Материалы 4-ой международной конференции «Телевидение: передача и обработка изображений», СПб, 2005. С. 95-96.

  3. С.Н. Еремин, Л.Л. Малыгин, А.Е. Михайлов, В.А. Царев, Алгоритмы обработки изображений в задачах контроля движущихся транспортных средств//Пути Решения Экологических Проблем Транспортных Коридоров, сборник статей, подготовленный к Третьей Международной евроазиатской конференции по транспорту (С-Петербург, 11-12 сентября 2003 г.), http://www.eatu.ru/eatu.ru.page(BOOK).book(32).html

  4. Астратов О.С., Филатов В.Н., Чернышова Н.В. Видеомониторинг транспортных потоков //«Информационно - управляющие системы», 2004, №1. С. 14-21.

  5. Кузьмин С. А. Обнаружение движущихся визуальных объектов на основе выделения областей и контуров, не принадлежащих фону // Молодые ученые - промышленности Северо-Западного региона: Материалы конференций политехнического симпозиума. Декабрь 2006 года. СПб.: Изд-во Политехн. ун-та, 2006. C.56.

  6. Астратов О. С., Кузьмин С. А. Обнаружение транспортных средств и оценка параметров транспортных потоков по видеопоследовательности //«Информационно - управляющие системы», 2006, №3. С. 19-28.

  7. Кузьмин С. А. Признаковые пространства для задачи повторной идентификации при сопровождении визуально наблюдаемых объектов// Научная сессия ГУАП: Сб. докл.: В 2 ч. Ч.I. Технические науки /СПбГУАП. СПб., 2006. С. 168-171.



^ VIDEO INFORMATION PROCESSING AT THE SYSTEM OF TRANSPORTATION MONITORING


Kuzmin S.

Saint-Petersburg State University of Aerospace Instrumentation


One of the mostly important applications of video information analysis is ecological monitoring and particularly intelligent transportation systems at big cities.

Interframe filtering (temporal denoising) applied to each frame of image sequence in order to decrease noise before start of object detection. The idea of combination of moving regions and contours in image is the main concept of our algorithm. The investigation of existing algorithm [1], which have the same idea, show problems (regions are separate, presence of noise) in creation of solid objects from several sequences. The reasons of these problems are: 1) weak detection of long vehicles with solid color, because of used double difference approach; 2) contours are detected at complete image (i.e. not only from the vehicles, but from borders of the road too). This means that idea about combination of moving regions and contours should have another implementation.

We propose the combination of moving regions and moving contours in this work. The image of moving regions is obtained as a difference of current frame and image of background estimation (which is calculated by the Kalman filter). The image of moving contours is obtained as a difference of contours from current frame and contours from image of background estimation. The rank methods are applied to these images with moving regions and moving contours with the aim to enhance connectivity of objects and decrease noise.

Then, the filtered images are combined by logical operation OR. Then, the rank methods (median filter, pseudodilatation and pseudoerosion) are applied to the resulting image. The final image is segmented. The pseudodilatation is selection of 20th rank out of 25, the pseudoerosion is selection of 6th rank out of 25. These operations are less sensitive to the noise and much better preserve objects than well known morphological dilatation and erosion. I’m the author of these operations.

The description is calculated for each region after segmentation. The parts of the description for region are features like length, width, area, coordinates, length/width ratio. The regions, which have inappropriate features in the description, are not recognized and not tracked. The examples of inappropriate features are:

- small area;

- coordinates of the region are too far from the camera;

- the length/width ratio is less than 0.5.

These excluded regions probably are not individual vehicles and because of that their recognition and tracking would not have any sense.

The classification of vehicles is implemented by the size (length, width) and area. Four classes of vehicles are used in the system.

The object tracking is performed by the comparison of regions descriptions from current and previous frame. For each region in the current frame the best ancestor is searched among the regions from the previous frame. The process is fast, because the limits of remoteness, unlikeness and uncoordinated motion are used. The result of the process is re-identification of the vehicles from previous frame and detection of new vehicles. Then, then search of regions in the previous frame, whose doesn’t have successors in current frame, is performed. The result of the process is detection of passed vehicles.

The intelligent transportation system performed vehicles detection, classification and tracking. The results of measurements can be used for the calculation of the statistical characteristics of the traffic. In this work several indexes are discussed: intensity of motion at lane, intensity of motion of some class of vehicles, overall intensity at the observed part of road, unevenness of intensity.

References

  1. R. Cucchiara, M. Piccardi, A. Prati, N. Scarabottolo "Real-time Detection of Moving Vehicles" in Proceedings of 10th International Conference on Image Analysis and Processing(ICIAP 99), Venice, Italy, Sept. 1999. PP. 618-623.







Цифровая обработка сигналов и ее применение

Digital signal processing and its applications




Скачать 185,31 Kb.
оставить комментарий
Дата02.10.2011
Размер185,31 Kb.
ТипДокументы, Образовательные материалы
Добавить документ в свой блог или на сайт

Ваша оценка этого документа будет первой.
Ваша оценка:
Разместите кнопку на своём сайте или блоге:
rudocs.exdat.com

Загрузка...
База данных защищена авторским правом ©exdat 2000-2017
При копировании материала укажите ссылку
обратиться к администрации
Анализ
Справочники
Сценарии
Рефераты
Курсовые работы
Авторефераты
Программы
Методички
Документы
Понятия

опубликовать
Загрузка...
Документы

Рейтинг@Mail.ru
наверх