Эффективные способы и средства описания изображений в задачах распознавания тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Корябкина, Ирина Валентиновна

• Корябкина, Ирина Валентиновна
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Корябкина, Ирина Валентиновна

Введение

Глава 1. Формальные способы описания изображений

1.1. Исследование моделей изображений

1.1.1. Понятие модели изображения

1.1.2. Классификация моделей изображений

1.2.1. Классы моделей, порождаемые методами когнитивной психологии

1.2.2. Классы моделей, порождаемые методами представления и обработки изображений

1.2.3. Классы моделей, порождаемые дескриптивным подходом к анализу и распознаванию изображений

1.2. Роль признаковой модели в задачах распознавания и анализа изображений

1.2.1. Признаковое описание изображений

1.2.2. Определение понятия «признак изображения»

1.2.3. Основные задачи анализа и распознавания изображений, в которых используются признаки изображений

Глава 2. Систематизация и сравнительный анализ признаков изображений

2.1. Основные подходы к классификации признаков изображений

2.1.1. Библиографические источники, использованные для классификации и систематизации признаков изображений

2.1.2. Требования к классификации признаков изображений

2.1.3. Принципы классификации признаков изображений

2.2. Классификации признаков изображений по информации об изображении

2.2.1. Классификация признаков по типу изображения, служащего основой для вычисления признака

2.2.1.1. Бинарные признаки

2.2.1.2. Тоновые признаки

2.2.1.3. Яркостные признаки

2.2.2. Классификация признаков по типу модельного представления, служащего основой для вычисления признака изображения

2.2.2.1. Статистические признаки

2.2.2.2. Признаки, характеризующие форму

2.2.2.3. Спектральные признаки

2.2.3. Классификация признаков по области изображения, на которой вычисляется признак

2.2.4. Классификация признаков по типу объекта, служащего основой для вычисления признака

2.2.4.1. Точечные признаки

2.2.4.2. Контурные признаки

2.2.4.3. Сегментационные признаки

2.2.4.4. Остовные признаки

2.3. Классификации признаков изображений по математическим средствам, используемым для вычисления признаков

2.3.1. Классификация по уровню признака

2.3.2. Классификация по способу определения признака

2.3.2.1. Вычисляемые признаки

2.3.2.2. Измеряемые признаки

2.3.2.3. Извлекаемые признаки

2.3.2.4. Выделяемые признаки

2.3.3. Классификация по типу пространства, допустимым элементом которого является признак

2.3.3.1. Символы и символьные строки

2.3.3.2. Числовые, векторные, матричные признаки

2.3.3.3. Структуры

2.3.3.4. Кусочно-непрерывные функции 59 2.3.4. Классификация признаков по математическому аппарату, используемому для определения признаков

2.3.4.1. Комбинаторные признаки

2.3.4.2. Логические признаки

2.3.4.3. Матричные признаки

2.3.4.4. Арифметические признаки

2.3.4.5. Топологические/геометрические признаки 62 2.4. Классификации признаков изображений, основанные на наличии у признаков некоторых специальных свойств

Глава 3. Метод выбора преобразований изображения в задачах распознавания изображений

3.1. Математическая постановка задачи распознавания изображений

3.1.1. Понятие эквивалентности в задачах распознавания изображений и способы задания эквивалентности

3.1.2. Математическая постановка задачи распознавания изображений в терминах классов эквивалентности

3.1.3. Математическая постановка редуцированной задачи распознавания изображений

3.1.4. Условия полноты класса ABO для редуцированной задачи распознавания изображений

3.1.5. Классы эквивалентности изображений в задачах распознавания

3.2. Мульти-модельные представления изображений в задачах распознавания

3.2.1. Понятие порождающего дескриптивного дерева

3.2.2. Параметрические ПДЦ 77 3.2.2.1. Использование параметрических ПДЦ при решении прикладных задач

3.3. Формальное описание метода выбора преобразования изображений в зависимости от информационных характеристик изображений

3.3.1. Информационные свойства изображений

3.3.2. Алгоритмическая схема, реализующая метод выбора преобразований изображений в задачах распознавания

Глава 4. Экспериментальное исследование метода выбора преобразования изображения. Библиотека вычисления признаков изображений.

4.1. Библиотека вычисления признаков изображений

4.1.1. Краткая характеристика библиотеки вычисления признаков

4.1.2. Сценарий работы с библиотекой вычисления признаков

4.2. Применение предложенного метода в задаче диагностического анализа цитологических препаратов

4.2.1. Постановка задачи анализа цитологических препаратов

4.2.2. Описание шагов предложенного метода при решении задачи анализа цитологических препаратов

4.2.3. Сравнение результатов распознавания на различных наборах признаков 114 Заключение 118 Список литературы

Введение диссертации (часть автореферата) на тему «Эффективные способы и средства описания изображений в задачах распознавания»

Разработка, исследование и реализация методов решения задач анализа, распознавания и оценивания изображений является одним из ведущих направлений информатики. Результаты соответствующих фундаментальных и прикладных исследований непосредственно используются в технической диагностике, неразрушающем контроле, дистанционном зондировании, экологическом мониторинге, прогнозировании и диагностике в медицине, планировании, поиске в геологии, прогнозировании в химии, автоматизации научных исследований. Данная тематика привлекает значительное число исследователей, однако, подавляющее большинство работ в данной области имеет эмпирический характер.

Сравнительно недавно пришло осознание необходимости разбиения задачи распознавания изображений на задачу приведения изображений к виду удобному для распознавания и собственно задачу распознавания [1, 7]. В этой связи возникла потребность в разработке методов и средств построения формальных описаний изображений.

Диссертационная работа посвящена исследованию информационной природы изображения как средства представления и передачи информации и исследованию методов формального описания изображений в задачах анализа и распознавания изображений с целью автоматизации выбора алгоритма преобразования изображений. Заметим, что эта проблематика имеет существенное значение для понимания информационной природы изображений. Задачи и результаты работы весьма существенны для разработки и исследования автоматизированных систем обработки и анализа изображений широкого назначения, не связанных с узкой предметной областью, способных работать с изображениями, полученными в широких диапазонах условий наблюдения. Создание нового поколения таких систем существенно связано с возможностью автоматизировать выбор метода преобразования изображения в зависимости от его информационной природы и семантики. Одним из основных направлений разработки таких систем является автоматизация выполнения их отдельных функций, в частности выбора методов описания и преобразования изображений с учетом их информационной природы.

Основными задачами работы являются: а) исследование и формализация методов и средств описания изображений в задачах распознавания (признаки и модели изображений); б) разработка метода эффективного выбора преобразований изображений в зависимости от специфических информационных характеристик, которыми обладает изображение; в) программная реализация и экспериментальное исследование разработанных методов.

Для достижения поставленной цели были проведены следующие исследования:

1. Исследование средств и способов формального описания изображений как основы для выбора алгоритма распознавания изображений, в том числе исследование моделей изображений и признаков изображений.

2. Построение классификаций признаков, используемых в задачах распознавания изображений.

3. Сравнительный анализ информационных характеристик изображений и признаков изображений, используемых в задачах распознавания изображений.

4. Разработка метода выбора преобразования изображения в зависимости от информационных характеристик анализируемого изображения.

5. Разработка библиотеки программ вычисления признаков изображений и построения признаковых описаний изображений.

6. Решение прикладных задач с использованием полученных теоретических результатов.

Основными результатами работы являются:

1. Метод выбора преобразования изображений, позволяющий учитывать информационную природу изображений, и его программная реализация.

2. Критерии классификации признаков, используемых для описания изображений.

3. Классификация признаков изображений как формального средства описания изображений.

4. Результаты сравнительного анализа информационных характеристик и признаков изображений, используемых человеком и в автоматизированных системах при распознавании изображений.

5. Метод построения многоаспектных описаний изображений на основе классификаций признаков изображений.

6. Результаты применения разработанного метода для решения задачи диагностического анализа изображений цитологических препаратов.

7. Библиотека вычисления признаков изображений для инструментально-программного комплекса автоматизации научных исследований и обучения в области обработки, анализа, распознавания и понимания изображений «Черный квадрат».

Результаты работы были использованы при выполнении ряда проектов Российской академии наук, Российского фонда фундаментальных исследований, Министерства образования и науки Российской Федерации и Международной Ассоциации содействия сотрудничеству с учеными из новых независимых государств бывшего Советского Союза. Материалы, изложенные в диссертационной работе, были доложены на 8 конференциях и семинарах. По теме диссертации опубликовано 10 работ [4,12,30,31,54,55,56, 57, 80, 81].

Представленная работа состоит из четырех глав, введения и заключения. Список литературы содержит 179 источников.

В первой главе диссертационной работы была проанализирована структура процесса распознавания изображений и выделены его основные шаги; показано, что построение модели изображения является существенным шагом решения задачи анализа и распознавания изображений. Основное внимание в данной главе и в работе в целом уделяется шагу «Выделение признаков изображений и построение модели/признакового описания исходного изображения». В результате проведенного анализа различных моделей изображений для дальнейшего исследования была выделена признаковая модель изображений как наиболее часто используемая и применяемая как в когнитивной психологии, так и в анализе изображений. Поскольку понятие «признак изображения» неоднозначно трактуется в литературе, было выделено четыре наиболее характерных способа определения понятия «признак изображения» и сформулировано определение, принятое в рамках данной работы. Выделены основные требования к признаку изображений, сформулированы основные задачи анализа и распознавания изображений, в которых используются признаки изображений.

Вторая глава посвящена анализу и классификации признаков, используемых в настоящее время при распознавании изображений. Установлено, что в целом, вопросы классификации признаков изображений, выделения существенных характеристик признаков изображений и поиска регулярного базиса для выбора признаков изображений в зависимости от природы рассматриваемого изображения в литературе не рассматриваются, хотя авторы часто ссылаются на необходимость таких исследований. Для разработки эффективной классификации признаков изображений сформулированы требования, предъявляемые к такой классификации. Выделены два наиболее общих принципа характеризации признаков изображений - зависимость признаков изображений от исходных данных (изображений) и от способов получения признаков. Подробно изучены способы объединения признаков в различные классы, рассмотрены основные из известных классификаций признаков, в том числе, предложенные автором работы, принципы, их порождающие, и проведен анализ наполнения этих классификаций признаками. Выбранная процедура анализа обеспечивает разделение признаков на классы, в зависимости от способов их порождения, вычисления и использования. Проведенный анализ показал, что ни одна из рассмотренных классификаций не может являться полноценным средством описания всевозможных признаков изображений и основой для выбора признаков в зависимости от исходных данных и решаемой задачи. В то же время рассмотренные классификации признаков изображений позволяют создавать многоаспектные представления изображений, сохраняющие информацию, существенную для решения прикладной задачи. Удобным средством выбора признаков и создания и использования многоаспектных представлений изображений в зависимости от особенностей решаемой задачи являются параметрические порождающие дескриптивные деревья на основе различных классификаций признаков изображений.

В третьей главе на основе анализа информационных свойств изображений и введенного понятия эквивалентности изображений предложен метод выбора преобразований изображения в зависимости от информационных характеристик изображений в задачах распознавания. Выделены и подробно описаны основные шаги предложенного метода. Предложенный метод увеличивает эффективность выбора алгоритмов анализа изображений и автоматизации (частичной или полной) обработки изображений и позволяет учитывать синтаксическую и семантическую информацию изображения при выборе алгоритмов анализа изображений. Рассмотрены математические постановки задачи распознавания, являющиеся необходимым шагом формализации процесса распознавания изображений для дальнейшей его автоматизации, показано, что при некоторых ограничениях классы изображений, задаваемые задачей распознавания, являются классами эквивалентности изображений. На основе Дескриптивного подхода к анализу изображений и рассмотренных классификаций признаков изображений введено и изучено понятие параметрического ПДЦ, приведены примеры построения и использования параметрических ПДЦ, показаны способы объединения параметрических ПДЦ.

Глава четыре посвящена практическому исследованию полученных теоретических результатов. Описана библиотека вычисления признаков изображений, программно реализованная в рамках алгоритмическо-программного комплекса для автоматизации научных исследований и обучения в области обработки, анализа, распознавания и понимания изображений «Черный квадрат», приведены характеристики разработанной библиотеки, описан сценарий работы с библиотекой. Сформулирована задача анализа изображений цитологических препаратов, особенностью которой является то, что различным диагнозам соответствуют различные информативные признаки и, следовательно, изображениям из различных классов эквивалентности, заданных условиями задачи, соответствуют различные признаковые модели изображений. Показано, что предложенный в главе 3 метод выбора преобразования изображений повышает точность распознавания в задаче диагностического анализа изображений цитологических препаратов.

В Заключении работы сформулированы основные научные и практические результаты, выносимые на защиту.

Заключение диссертации по теме «Теоретические основы информатики», Корябкина, Ирина Валентиновна

Заключение

Задачи и результаты работы предназначены для использования при разработке автоматизированных систем анализа и распознавания изображений широкого назначения, не связанных с узкой предметной областью, а также для решения особо важных прикладных задач и классов и отдельных задач, возникающих в тех случаях, когда автоматизация принятия интеллектуальных решений основана на методах распознавания образов, а исходная информация представляется в виде изображений, полученных в широких диапазонах условий наблюдения и средств регистрации. Создание нового поколения таких систем существенно связано с возможностью автоматизировать выбор метода преобразования изображения в зависимости от его информационной природы и семантики. Одним из основных направлений разработки таких систем является автоматизация выполнения их отдельных функций, в частности выбора методов описания и преобразования изображений с учетом их информационной природы.

В основу диссертационной работы положены результаты, полученные автором в ходе исследований, проводимых в рамках НИР по проектам Комплексной программы научных исследований РАН "Математическое моделирование и интеллектуальные системы", Программы фундаментальных исследований Отделения математических наук РАН "Алгебраические и комбинаторные методы математической кибернетики", Российского фонда фундаментальных исследований, совместного проекта в рамках соглашения между РАН и Национальным советом исследований Италии, проектов Международной Ассоциации содействия сотрудничеству с учеными из новых независимых государств бывшего Советского Союза.

На защиту вынесены следующие основные положения и результаты.

1. Метод выбора преобразования изображений, позволяющий учитывать информационную природу изображений, и его программная реализация.

2. Критерии классификации признаков, используемых для описания изображений.

3. Классификация признаков изображений как формального средства описания изображений.

4. Метод построения многоаспектных описаний изображений на основе классификаций признаков изображений.

5. Пример применения разработанного метода выбора преобразования изображений в задаче автоматизации медицинской диагностики.

6. Библиотека вычисления признаков изображений для инструментально-программного комплекса автоматизации научных исследований и обучения в области обработки, анализа, распознавания и понимания изображений «Черный квадрат».

Научная и практическая ценность работы определяется прямой возможностью использования разработанных и программно реализованных алгоритмов вычисления признаков изображений для решения широкого круга задач, сводящихся к задачам распознавания изображений, в различных прикладных областях (автоматизация научных исследований, прогнозирование и диагностика в медицине и химии, техническая диагностика, неразрушающий контроль, дистанционное зондирование, экологический мониторинг и др.)

Материалы, изложенные в диссертации, были доложены на:

• 6-ой Всероссийской с участием стран СНГ конференции «Методы и средства обработки сложной графической информации» (Нижний Новгород, сентябрь 2001);

• 5-ой Международной конференции «Распознавание-2001» (Курск, 2001);

• Международной конференции Международной ассоциации «Наука и технологии для развития» совместно с Сибирским отделением РАН «Автоматизация, контроль и информационные технологии», (Новосибирск, июнь 2002),

• 6-ой Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Великий Новгород, октябрь 2002);

• 6-м Открытом российско-немецком семинаре «Распознавание образов и понимание изображений» (001Ш-6-2003) (Катунь, август 2003);

• 13-ой Скандинавской конференции по анализу изображений (Гетеборг, Швеция, июнь-июль 2003);

• 7-ой Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, октябрь 2004);

• Международной научной конференции «Современные информационные и телемедицинские технологии для здравоохранения» (Минск, Беларусь, ноябрь 2005), пленарный доклад.

По результатам диссертации в реферируемых изданиях опубликовано 10 работ, в том числе в изданиях, входящих в список рекомендованных ВАК. Основные результаты изложены в следующих работах:

1. I.V. Koryabkina. Informational Specificity of an Image in Pattern Recognition Environment // Proceedings of the IASTED International Conference in cooperation with The Russian Academy of Sciences: Siberian Branch "Automation, Control and Information Technology", June 10-13,2002, Novosibirsk, Russian Federation. -P.435-438.

2. И.Б. Гуревич, И.В. Корябкина. Метод классификации изображений на основе их информационных характеристик // Труды 6-ой Международной конференции "Распознавание образов и анализ изображений: новые информационные технологии", Великий Новгород, 21-26 октября, 2002: В 2-х т. - НовГУ им. Ярослава Мудрого, Великий Новгород, 2002. -Т.1. - С. 172-176.

3. I. Gurevich, I. Koryabkina. How То Use Well-Known Feature Classifications For Feature Selection In Image Analysis Tasks // Proceedings of the 6th German-Russian Workshop "Pattern Recognition and Image Understanding" (OGRW-6-2003), Katun Village, Altai region, Russian Federation, August, 25-30,2003. - Novosibirsk, 2003. - P. 92-95.

4. I.B. Gurevich, I.V. Koryabkina. Image Classification Method Based on Image Informational Characteristics // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications.-2003.-Vol. 13,No.l.-P. 103-105.

5. I.B. Gurevich, I.V. Koryabkina. Comparative Analys and Classification of Features for Image Models // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - 2006. - Vol. 16, No.3. - P. 265-297.

6. I.B. Gurevich, I.V. Koryabkina, D.M. Murashov. Yu.O. Trusova, and A.V. Khilkov. An Open General-Purpose Research System for Automating the Development and Application of Information Technologies in the Area of Image Processing, Analysis, and Evaluation // Pattern

Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2006, Vol.16, No.4, pp. 530-563.

7. Irina Koryabkina. Method for Image Informational Properties Exploitation in Pattern Recognition // Proceedings of The 13th Scandinavian Conference on Image Analysis (SCIA2003), 29 June 2003 - 2 July 2003 /J.Bigun and T. Gustavsson (Eds.): SCIA 2003, LNCS 2749. - P.1006-1013.

8. S. Di Bona, I. Gurevich, I. Koryabkina, A. Nefyodov, O. Salvetti. Integration of two approaches to medical image analysis for diagnostic purposes // Proceedings of the 7th International conference "Pattern Recognition and Image Analysis: New Information Technologies" (PRIA-7-2004), St. Petersburg, Russian Federation, October 18-23, 2004.- SPbETU, 2004. - Vol. II. -P.658-661.

9. S.Ablameyko, S.Di Bona, I.Gurevich, I.Koryabkina, D.Murashov, A.Nefyodov, O.Salvetti, A.Trykova, I.Vorobjev. Towards automated analysis of cytological and histological specimen images // Proceedings of the International Conference on Advanced Information and Telemedicine Technologies for Health (AITTH2005), November 8-10, 2005, Minsk, Belarus. -P.27-31.

10. S. Di Bona, I. B. Gurevich, I. V. Koryabkina, A. V. Nefyodov, and O. Salvetti. Two Approaches to Medical Image Analysis: Comparison and Synthesis // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - MAIK "Nauka/Interperiodica", 2005. - Vol. 15, No.2. - P. 539-542.

Данная работа выполнена на основе Дескриптивного подхода к анализу изображений, и ее результаты вносят вклад в развитие его методов и средств, предназначенных для приведения изображений к виду, удобному для распознавания.

Список литературы диссертационного исследования кандидат технических наук Корябкина, Ирина Валентиновна, 2006 год

1. И.Б. Гуревич. Проблема распознавания изображений // Распознавание, классификация, прогноз. Математические методы и их применение: Ежегодник / Под ред. Ю.И.Журавлева. -М.: Наука, 1988. Вып. 1. - С. 280 - 329.

2. И.Б. Гуревич, Ю.И. Журавлев, Д.М. Мурашов, Ю.Г. Сметанин, A.B. Хилков. Система автоматизации научных исследований в области анализа и понимания изображений на основе накопления и использования знаний. 4.1 // Автометрия. 1999. - No.6. - С. 23-50.

3. И.А. Жернова. Разработка и программная реализация метода анализа изображений гематологических препаратов па основе инвариантов: Дипл. работа. М., 2003.

4. Ю.И. Журавлев. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. М.: Наука, 1978. - Вып. 33. - С. 5 - 68.

5. Ю.И. Журавлев, И.Б. Гуревич. Распознавание образов и анализ изображений // Искусственный интеллект: в 3-х книгах. Книга 2. Модели и методы: Справочник. М.: Радио и связь, 1990.-С. 149-191.

6. Ю.И. Журавлев, В.В. Рязанов, О.В. Сенько, РАСПОЗНАВАНИЕ. Математические методы. Программная система. Практические применения, М.: ФАЗИС, 2006.

7. Н.С. Поликарпова. Выбор и реализация системы признаков для описания изображений в задачах распознавания изображения: Дисс. к-та физ.-мат. наук.-М., 1994.

8. И. А.А. Трыкова. Диагностический анализ изображений гематологических препаратов на основе комплексного применения статистических методов: Дипл. работа. М., 2005.

9. P. Angel, and C. Morris, Analyzing the Mallat Wavelet Transform to Delineate Contour and Textural Features, Computer Vision and Image Understanding, Vol. 80,2000, P. 267-288.

10. S. Ansaldi, L. De Floriani, B. Falcidieno, Geometric Modeling of Solid Objects by Using a Face Adjacency Graph Representation, (SIGGRAPH'85), Comput. Graphics 19, N 3,1985.

11. S. Arivazhagan, L. Ganesan. Texture Classification Using Wavelet Transform, Pattern Recognition Letters, vol. 24,2003, P. 1513-1521.

12. E.B. Barrett, P. Payton, M.H. Brill. Contributions to the Theory of Projective Invariants for Curves in Two and Three Dimensions, in DARPA/ESPRIT Workshop on the Use of Invariants in Computer Vision, Reykjavik, Iceland, March 1991.

13. H. Bieri, Computing the Euler Characteristics and Related Additive Functionals of Digital Objects from Their Bintree Representation, Comput. Vision Graphics Image Process., 40 N 1,1987, P. 115-126.

14. J. Bigun, Recognition of Local Symmetries in Gray Value Images by Harmonic Functions, 9th Int. Conf. On Pattern Recognition (IAPR'1988), Rome, 1988.

15. J. Bigun, Structure Features for Some Image Processing Applications Based on Spiral Functions, Comput. Vision Graphics Image Process., 51, N2,1990, P. 166-194.

16. M. Bokser, Omnidocument Technologies, Proc. IEEE, Vol. 80,1992, P. 1066-1078.

17. M. Boldt, R. Weiss, E. Riseman, Token-Based Extraction Of Straight Lines, IEEE Trans, on Systems, Man, and Cybernetics (SMC-19), 1989, P. 1581-1594.

18. S. Brandt, J. Laaksonen, and E. Oja, Statistical Shape Features for Content-Based Image Retrieval, Journal of Mathematical Imaging and Vision, Vol. 17,2002, P. 187-198.

19. R.A. Brooks, Symbolic Reasoning among 3-D Models and 2-D Images, Artificial Intelligence, Vol. 17,1981, P. 285-349.

20. I. Bricault, and O. Monga, From Volume Images to Quadratic Surface Patches, Computer Vision and Image Understanding, Vol. 67, No. 1,1997, P. 24-38.

21. A.M. Bruckstein, A.N. Netravali, On the Differential Invariants of Planar Curves and the Recognition of Partially Occluded Planar Shapes, International Workshop on Visual Form, Capri, May 1991.

22. A.M. Bruckstein, R.J. Holt, A.N. Netravali, T.J. Richardson, Invariant Signatures for Planar Shape Recognition under Partial Occlusion, Comput. Vision Graphics Image Process.: Image Understanding, Vol. 58, No. 1, 1993, P. 49-65.

23. S. Chen, Yu. Zhu, D. Zhang, J.-Yu Yang, Feature Extraction Approaches Based on Matrix Pattern: MatPCA and MatFLDA, Pattern Recognition Letters, Vol. 26,2005, P. 1157-1167.

24. W. Chen, P. Meer, B. Georgescu, W. He, L. A. Goodell, D. J. Foran, Image Mining for Investigative Pathology using Optimized Feature Extraction and Data Fusion, Computer Methods and Programs in Biomedicine, Vol. 79,2005, P. 59—72.

25. L.S. Davis, Image Texture Analysis Techniques A Survey, University of Texas, Department of Computer Sciences, Technical Report TR-139, March 1980.

26. S. Di Bona, H. Niemann, G. Pieri, and O. Salvetti, Brain Volumes Characterisation Using Neural Networks, Artificial Intelligence in Medicine, Vol. 28,2003, P. 307-322.

27. S.A. Dudani, K.J. Breeding, R.B. McGhee, Aircraft Identification by Moment Invariants, IEEE Trans. Comput., C-26, N 1,1977, P. 39-45.

28. C.R. Dyer, Computing the Euler Number of an Image from its Quadtree, Comput. Graphics Image Process., 13,1980, P. 270-276.

29. B. Falcidiendo, F. Giannini, Automatic Recognition and Representation of Shape-Based Features in a Geometric Modeling System, Comput. Vision Graphics Image Process. 48, N 1, 1989, P. 93-123.

30. J. Fan, Y. Gao, H. Luo, G. Xu, Statistical Modeling and Conceptualization of Natural Images, Pattern Recognition, Vol. 38,2005, P. 865 885.

31. T.J. Fan, G. Medioni, R. Nevatia, Segmented Descriptions of 3-D Surfaces, IEEE Int. J. Rob. Autom., Vol. 3 No. 6,1987, P. 527-538.

32. T.J. Fan, Describing and Recognizing 3-D Objects Using Surface Properties, Springer-Verlag, New York, 1990.

33. C.L. Fennema, W.B. Thompson, Velocity Determination in Scenes Containing Several Moving Objects, Comput. Vision Graphics Image Process., 9,1979, P. 301-315.

34. M.A. Fischler, C.M. Bolles, Random Sample Consensus: A Paradigm for Model Fitting with Application to Image Analysis and Automated Cartography, Comm. ACM 24,1981, P. 381-395.

35. R.C. Gonzalez, and P. Wintz, Digital Image Processing, Addison-Wesley, London, 1977.

36. C.C. Gotleb, H.E. Kreyszig, Texture Descriptors Based on Co-occurrence Matrices, Comput. Vision Graphics Image Process., Vol. 51, No. 1, P. 70-86.

37. T. Goto, W.-S. Lee, N. Magnenat-Thalmann, Facial Feature Extraction for Quick 3-D Face Modeling, Signal Processing: Image Communication, Vol. 17,2002, P. 243-259.

38. I. Gourevitch, N. Polikarpova, Yu. Zhuravlev, On Image Features in a Recognition Environment. Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, Vol. 5, No. 2,1995, P. 204-215.

39. W.E.L. Grimson, On the Recognition of Parametrical Objects, 4th International Symposium on Robotics Research, Santa-Cruz, CA, August 1987.

40. W.E.L. Grimson, On the Recognition of Curved Objects, IEEE Trans. Pattern Anal. Mach. Intel 1. PAMI-11,1989, P. 632-642.

41. W.E.L. Grimson, T. Lozano-Perez, Localizing the Overlapping Parts by Searching the1.terpretation Tree, IEEE Trans. Pattern Anal. Mach. Intell. PAMI-9,1987, P. 469-482.

42. B.Gurevitch. Descriptive Technique for Image Description, Representation and Recognition // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications in the USSR. 1991. - Vol.1, No. 1. - P. 50 - 53.

43. I.B. Gurevitch. The Descriptive Framework for an Image Recognition Problem // Proceedings of The 6th Scandinavian Conference on Image Analysis (Oulu, June 19-22,1989): in 2 volumes. -Pattern Recognition Society of Finland, 1989. Vol. 1. -P. 220 - 227.

44. Gurevich, D. Harazishvili, I. Jernova, A. Khilkov, A. Nefyodov, and I. Vorobjev, Information Technology for the Morphological Analysis of the Lymphoid Cell Nuclei // Proceedings of the 13th

45. Scandinavian Conference on Image Analysis (SCIA2003), 29 June 2003 2 July 2003 /J.Bigun and T. Gustavsson (Eds.): SCIA 2003, LNCS 2749. - P.541-548.

46. B. Gurevich, I.A. Jernova. The Joint Use of Image Equivalents and Image Invariants in Image Recognition // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2003. - Vol. 13, No.4. - P. 570-578.

47. B. Gurevich, I.V. Koryabkina. Comparative Analysis and Classification of Features for Image Models // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2006. - Vol. 16, No.3. - P. 265-297.

48. I.B. Gurevich, I.V. Koryabkina. Image Classification Method Based on Image Informational Characteristics // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2003. - Vol. 13, No.l. - P. 103-105.

49. I.B.Gurevich, Yu.G.Smetanin, Yu.I.Zhuravlev, Descriptive Image Algebras: Determination of the Base Structures, Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications Vol. 9, No. 4,1999,635 647.

50. I. B. Gurevich, V. V. Yashina. Descriptive Image Algebras with One Ring // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2003. -Vol. 13, No.4. - P. 579-599.

51. I.Gurevich, V.Yashina. Generating Descriptive Trees // "Vision, Modeling, and Visualization 2005", Proceedings, November 16-18, 2005, Erlangen, Germany / G. Greiner, J. Hornegger, H. Niemann, M. Stamminger (Eds.). Infix, 2005. - P.367-374.

52. N. Haering, and N. da Vitoria Lobo, Features and Classification Methods to Locate Deciduous Trees in Images, Computer Vision and Image Understanding, Vol. 75, Nos. 1/2, July/August, 1999, P.133-149.

53. R. Haralick, K. Shanmugam, and I. Dinstein, Textural Features for Image Classification, IEEE Trans, on Systems, Man, and Cybernetics (SMC-3), 1973, 610-621.

54. R.M. Haralick, K. Shanmugam, I. Dinstein, Texture Features for Image Classification, IEEE Trans. System Man Cybernat., Vol. 8, no. 6,1973, P. 610-621.

55. R.M. Haralick, L.G. Shapiro, Glossary of Computer Vision Terms, Pattern Recognition, 1991, Vol.24, No. 1, P.69-93.

56. S.L. Horowitz, T. Pavlidis, A Graph-Theoretic Approach to Picture Processing, Comput. Graphics Image Process., Vol. 7,1978, P. 282-291.

57. L.-Y. Hsu, and M.H. Loew, Fully Automatic 3D Feature-Based Registration of Multi-Modality Medical Images, Image and Vision Computing, Vol. 19,2001, P. 75-85.

58. M.K. Hu, Visual Pattern Recognition by Moment Invariants, IRE Trans. Inform. Theory, IT-8, 1962, P. 179-187.

59. W.L. Hwang, F. Chang, Character Extraction from Document Using Wavelet Maxima, Image and Vision Computing, Vol. 16,1998, P. 307-315.

60. A. Imiya, U. Eckhardt, The Euler Characteristics of Discrete Objects and Discrete Quasi-Objects, Computer Vision and Image Understanding, Vol. 75, No. 3, September 1999, P. 307-318.

61. S.H. Jeng, H. Yuan, M. Liao, C.C. Han, M.Y. Chern, and Y.T. Liu, Facial Feature Detection Using Geometrical Face Model: an Efficient Approach, Pattern Recognition, Vol. 31, No. 3, 1998, P. 273-282.

62. A. T. B. Jin, D. N. C. Ling, O. T. Song, An Efficient Fingerprint Verification System Using Integrated Wavelet and Fourier-Mellin Invariant Transform, Image and Vision Computing, Vol. 22, 2004, P. 503-513.

63. T. Jolliffe, Principal Component Analysis, second ed., Springer-Verlag, New York, 2002.

64. A. Kale, A. Sundaresan, A.N. Rajagopalan, N.P. Cuntoor, A.K. Roy-Chowdhury, V. Kruger, R. Chellappa, Identification of Humans Using Gait, IEEE Transactions on Image Processing, Vol. 13, No. 9, Sept. 2004, P. 1163- 1173.

65. J.M. Keller, R.M. Crownover, R.Y. Chen, Characteristics of Natural Scenes Related to the Fractal Dimension, IEEE Trans. Pattern Anal. Mach. Intell. PAMI-9, N 5,1987,621-627.

66. M. L. Kherfi, D. Ziou, and A. Bernardi, Image Retrieval From the World Wide Web: Issues, Techniques, and Systems, ACM Computing Surveys, Vol. 36, No. 1, March 2004, P. 35-67.

67. A. Khotanzad, and Y.H. Hong, Invariant Image Recognition by Zernike moments, IEEE Trans. Pattern Anal. Mach. Intell., Vol. 12, No. 5,1990,489-497.

68. M. Kokare, B.N. Chatterji, P.K. Biswas, Cosine-Modulated Wavelet Based Texture Features for Content-Based Image Retrieval, Pattern Recognition Letters, Vol. 25,2004, P. 391 -398.

69. F.P. Kuhl, and C.R. Giardina, Elliptic Fourier features of a closed contour, Comput. Vis. Graphics Image Processing, Vol. 18,1982, P. 236-258.

70. K.I. Law. Rapid Texture Identification, Proc. SPIE 238,1980,376-380.

71. F. Kumura, and M. Shridhar, Handwritten numerical recognition based on multiple algorithms, Pattern Recognition, Vol. 24, no. 10,1991, P. 969-983.

72. M.D. Levine, Extracting Geometric Primitives, Comput. Vision Graphics Image Process.: Image Understanding, Vol. 58, No 1,1993, P. 1-22.

73. M.D. Levine, D. Martin, Feature Extraction: A Survey, Proceedings of IEEE, Vol. 57, No. 8, August 1969, P. 1391-1407.

74. M. Li, B. Yuan, 2D-LDA: A Statistical Linear Discriminant Analysis for Image Matrix, Pattern Recognition Letters, Vol. 26,2005, P. 527-532.

75. M. Lillholm, M. Nielsen, and L.D. Griffin, Feature-Based Image Analysis. Int. J. Comput. Vision. Kluwer Academic Publishers. 2003. - 52, N2-3. - P. 73-95.

76. C. Lin, and K.-C. Fan, Triangle-based Approach to the Detection of Human Face, Pattern Recognition, Vol. 34,2001, P. 1271-1284.

77. T. Lindeberg, Scale-space Theory in Computer Vision. The Kluwer International Series in Engineering and Computer Science. Kluwer Academic Publishers, 1994.

78. Shig-Ping Liou, R.C. Jain, An Approach to Three-Dimensional Image Segmentation, Comput. Vision Graphics Image Process.: Image Understanding, 53, No. 3,237 252,1991.

79. D.-H. Liu, K.-M. Lam, L.-S. Shen, Illumination invariant face recognition, Pattern Recognition, Vol. 38,2005, P. 1705-1716.

80. C.-L. Liu, K. Nakashima, H. Sako, and H. Fujisawa, Handwritten Digit Recognition: Benchmarking of State-of-the-art Techniques, Pattern Recognition, Vol. 36,2003, P. 2271-2285.

81. W. Liu, N. Zheng, Non-negative Matrix Factorization Based Methods for Object Recognition, Pattern Recognition Letters, Vol. 25,2004, P. 893-897.

82. S.-S. Liu, M.E. Jernigan, Texture Analysis and Discrimination in Additive Noise, Comput. Vision Graphics Image Process., 49, N 1,1990, 52-67.

83. J. Luo, A. Singhal, S. P. Etz, R. T. Gray, A computational approach to determination of main subject regions in photographic images, Image and Vision Computing, Vol. 22,2004, P. 227-241.

84. B.B. Mandelbrot. The Fractal Geometry of Nature, Freeman, San Francisco, 1983.

85. B.S. Manjunath, J.-R. Ohm, V.V. Vasuvedan, A.Yamada, Color and Texture Descriptors, IEEE Transactions on Circuits and Systems for Video Technology, Vol. 11, No. 6,2001, P. 703-715.

86. Manjunath B.S., Shelhar C. and Chellappa R., A New Approach to Image Feature Detection with Applications, Pattern Recognition, Vol. 29, No. 4,1996, P. 627-640.

87. D. Marr, Vision, Freeman, New York, 1982.

88. G. Medioni, R. Nevatia, Segment-Based Stereo Matching, Proceedings of the Image Understanding Workshop, Arlington, VA, 1983,128-136.

89. A.M. Mohamed, A. Elgammal, Face Detection in Complex Environments from Color Images, Proceedings of International Conference on Image Processing 3, 1999, P. 622-626.

90. G. Nagy, Feature Extraction on Binary Patterns, IEEE Trans, on System Science and Cybernetics, Vol. 5, No. 4, October 1969, P. 273-278.

91. A. Nikolaidis, I. Pitas, Facial feature extraction and pose determination, Pattern Recognition, Vol. 33,2000, P. 1783-1791.

92. H. O. Nyongesa, S. Al-Khayatt, S. M. Mohamed, and M. Mahmoud, Fast Robust Fingerprint Feature Extraction and Classification, Journal of Intelligent and Robotic Systems, Vol. 40, 2004, P. 103-112.

93. M. Okamoto, K. Yamamoto, On-line handwriting character recognition using direction-change features that consider imaginary strokes, Pattern Recognition, Vol. 32,1999, P. 1115-1128.

94. G. Pajares, J. M. de la Cruz, A wavelet-based image fusion tutorial, Pattern Recognition, Vol. 37,2004, P. 1855- 1872.

95. X.-B. Pan, M. Brady, A. K. Bowman, C. Crowther, R.S.O. Tomlin, Enhancement and feature extraction for images of incised and ink texts, Image and Vision Computing, Vol. 22,2004, P. 443451.

96. Ch. H. Park, H. Park, Fingerprint classification using fast Fourier transform and nonlinear discriminant analysis, Pattern Recognition, Vol. 38,2005, P. 495 503.

97. G. Paschos, M. Petrou, Histogram ratio features for color texture classification, Pattern Recognition Letters, Vol. 24,2003, P. 309-314.

98. G. Paschos, M. Petrou, Histogram ratios for color classification, Proceedings of the Joint Conference on Information Sciences, Vol. II, 2000, P. 20-24.

99. T. Pavlidis, P.C. Chen, Segmentation by Texture Using a Co-occurrence Matrix and Split-and-Merge Algorithm, Comput. Graphics Image Process., 10,1979,172-182.

100. T. Pavlidis, Algorithms for Graphics and Image Processing, Computer Science Press, Rockville, MD, 1982.

101. S. Peleg et al., Multiple Resolution Texture Analysis and Classification, IEEE Trans. Pattern Anal. Mach. Intell., PAMI-6,N4,1984,518-523.

102. A.P. Pentland, Fractal-Based Description of Natural Scenes, IEEE Trans. Pattern Anal. Mach. Intell., PAMI-6, N6, 1984,661-674.

103. E. Persoon, K.S. Fu, Shape Discrimination Using Fourier Descriptors, IEEE Trans, on Systems, Man, and Cybernetics (SMC-7), 1977,170-179.

104. I. Pima, M. Aladjem, Regularized discriminant analysis for face recognition, Pattern Recognition, Vol. 37,2004, P. 1945 1948.

105. S. Pinker, Visual Cognition: An Introduction, Visual Cognition, A cognition special issue, Edited by S. Pinker, Netherlands, 1988, P. 1-65.

106. J. Princen, J. Illingworth, J. Kittler, A Hierarchical Approach to Line Extraction Based on the Hough Transform, Comput. Vision Graphics Image Process., 52, N 1,1990, 57-77.

107. B. Raytchev, O. Hasegawa, and N. Otsu, User-Independent Online Gesture Recognition by Relative Motion Extraction, Pattern Recognition Letters, Vol. 21,2000, P. 69-82.

108. C.W. Richard, H. Hemami, Identification of Three Dimensional Objects Using Fourier Descriptors of the Boundary Curve, IEEE Trans, on Systems, Man, and Cybernetics (SMC-4), 1974,371-378.

109. K. Rodenacker, and E. Bengtsson, A Feature Set for Cytometry on Digitized Microscopic Images, Anal. Cell Pathology, Vol. 25, No. 1,2003, P. 1-36.

110. K.Rohr. Landmark-Based Image Analysis Using Geometric and Intensity models. Kluwer Academic Publishers, 2001,303 p.

111. A. Rosenfeld, From Image Analysis to Computer Vision: An Annotated Bibliography, 19551979 // Computer Vision and Image Understanding, Vol. 84,2001, P. 298-324.

112. A. Rosenfeld, Image Analysis and Computer Vision: 1990, CVGIP, Vol. 53, No. 3, May 1991, P. 322-365.

113. A. Rosenfeld, Image Analysis and Computer Vision: 1991, CVGIP, Vol. 55, No. 3, May 1992, P. 349-380.

114. A. Rosenfeld, Image Analysis and Computer Vision: 1992, CVGIP, Vol. 58, No. 1, July 1993, P.85-135.

115. A. Rosenfeld, Image Analysis and Computer Vision: 1993, CVGIP, Vol. 59, No. 3, May 1994, P. 367-404.

116. A. Rosenfeld, Image-Analysis and Computer Vision: 1994, CVIU, Vol. 62, No. 1, July 1995, P. 90-131.

117. A. Rosenfeld, Image-Analysis and Computer Vision: 1995, CVIU, Vol. 63, No. 3, May 1996, P. 568-602.

118. A. Rosenfeld, Image-Analysis and Computer Vision: 1996, CVIU, Vol. 66, No. 1, April 1997, P.33-93.

119. A. Rosenfeld, Image Analysis and Computer Vision: 1997, CVIU, Vol. 70, No. 2, May 1998, P. 239-284.

120. A. Rosenfeld, Image Analysis and Computer Vision: 1998, CVIU, Vol. 74, No. 1, April 1999, P. 36-95.

121. A. Rosenfeld, Image Analysis and Computer Vision: 1999, CVIU, Vol. 78, No. 2, May 2000, P. 222-302.

122. A. Rosenfeld, Survey. Image Analysis and Computer Vision: 1993 // CVGIP: Image Understanding, Vol. 59, No. 3,1994, P. 367-404.

123. A. Rosenfeld, A.C. Kak, Digital Picture Processing, Vol. 2, Academic Press, New York, MD, 1982.

124. P.L. Rosin, Measuring corner properties. Computer Vision and Image Understanding 73,1999, P. 291-307.

125. Y. Rui, and T. S. Huang, Image Retrieval: Current Techniques, Promising Directions, and Open Issues, Journal of Visual Communication and Image Representation, Vol. 10,1999, P. 39-62.

126. M.A. Ruzon, C. Tomasi, Corner detection in textured color images, International Conference on Computer Vision, 1999, P. 1039-1045.

127. A. de Saint Vincent, A 3D Perception System for the Mobile Robot HILARE, Proceedings, 1986, IEEE International Conference on Robotics and Automation, 1986,1105-1111.

128. C. Sanderson, K. K. Paliwal, Fast features for face authentication under illumination direction changes, Pattern Recognition Letters, Vol. 24,2003, P. 2409-2419.

129. Ch.S. Sastry, A. K. Pujari, B.L. Deekshatulu, C. Bhagvati, A wavelet based multiresolution algorithm for rotation invariant feature extraction, Pattern Recognition Letters, Vol. 25, 2004, P. 1845-1855.

130. L. Shafarenko, M. Petrou, J. Kittler, Histogram-based segmentation in a perceptually uniform color space, Pattern Recognition, Vol. 33, no. 4,2000, P. 671-684.

131. M. Shi, Y. Fujisawa, T. Wakabayashi, and F. Kimura, Handwritten Numeral Recognition Using Gradient and Curvature of Gray Scale Image, Pattern Recognition, vol. 35, 2002, P. 20512059.

132. F.Y. Shih, and C.-F. Chuang, Automatic Extraction of Head and Face Boundaries and Facial Features, International Journal on Information Science, Vol. 158,2004, P. 117-130.

133. K. Sobottka, I. Pitas, A Novel Method for Automatic Face Segmentation, Facial Feature Extraction and Tracking, Signal Process. Image Commun., Vol. 12, No. 3,1998, P. 263-281.

134. K.Y. Song, J. Kittler, M. Petrou, Defect detection in random colour textures, Image Vision Comput., Vol. 14, no. 9,1996, P. 667-684.

135. H. Suh, and R.S. Ahluwalia, Feature Modification in Incremental Feature Generation, Computer-Aided Design, Vol. 27, No. 8,1995, P. 627-635.

136. Z. Sun, G. Bebis, R. Miller, Object detection using feature subset selection, Pattern Recognition, Vol. 37,2004, P. 2165-2176.

137. H. Takahashi, A neural net OCR using geometrical and zonal pattern features, Proc. First Int. Conf. Document Anal. Recognition, Saint-Malo, France, 1991, P. 821-828.

138. T. Tamminen, J. Lampinen, Learning an Object Model for Feature Matching in Clutter. Proceedings of the 13th Scandinavian Conference on Image Analysis (SCIA2003), Sweden, June 29 -July 2,2003, Springer, P. 193-199

139. W.B. Thompson, Combining Motion and Contrast for Segmentation, IEEE Trans. Pattern Anal. Mach. Intel!., PAMI-2,1980, 543-549.

140. C. Town, and D. Sinclair, Language-based Querying of Image Collections on the Basis of an Extensible Ontology, Image and Vision Computing, Vol. 22,2004, P. 251-267.

141. O.D. Trier, A.K. Jain, and T. Taxt, Feature Extraction Methods for Character Recognition A Survey, Pattern Recognition, Vol. 29, No. 4,1996, P. 641-662.

142. M. Turk, A. Pentland, Eigenfaces for recognition, Journal of Neuroscience, Vol. 3, 1991, P. 71-86.

143. S. Ullman, Visual Routines. Visual Cognition. A cognition special issue. Edited by S. Pinker. Netherlands, 1988, P. 97-160.

144. A. Vailaya, A. K. Jain and H. J. Zhang, "On Image Classification: City Images vs. Landscapes," Pattern Recognition, vol. 31, no. 12,1998.

145. L. Van Gool, P. Kempenaers, A. Oosterlinck, Shape Recognition under Affine Distortion, in Visual From (C.Arcelli, L.Cordella, G. Santit di Baja, Eds.), Plenum, New York, 1992.

146. P.A. Veatch, and L.S. Davis, Efficient Algorithms for Obstacle Detection Using Range Data, Comput. Vision Graphics Image Process., Vol. 50, No. 1,1990, P. 50-75.

147. B.C. Vemuri, A. Mitiche, J.K. Aggarwal, Curvature-Based Representation of Objects from Range Data, Image Vision Comput., 4, N 2,1986, P. 107-114.

148. S. Venkatesh, R. Owens, On the Classification of Image Features, Pattern Recognition Letters, Vol. 11,1990, P. 339-349.

149. B. Verma, M. Blumenstein, M. Ghosh, A Novel Approach for Structural Feature Extraction: Contour vs. Direction, Pattern Recognition Letters, Vol. 25,2004, P. 975-988.

150. R. Voss, Random Fractals: Characterization and Measurement, in Scaling Phenomena in Disordered Systems (R.Pynn and A.Skjelyorp, Eds.) Plenum, New York, 1986.

151. T.P. Wallace, P.A. Wintz, An Efficient Three-Dimensional Aircraft Recognition Algorithm Using Normalized Fourier Descriptors, Comput. Vision Graphics Image Process., Vol. 13, 1980, P. 96-126.

152. H.-H. Wang, A New Multiwavelet-Based Approach to Image Fusion, Journal of Mathematical Imaging and Vision, Vol. 21,2004, P. 177-192.

153. H. Wang, and S.F. Chang, A Highly Efficient System for Automatic Face Region Detection in MPEG video, IEEE Trans. Circuits Systems Video Technol., Vol. 7, No. 4,1997, P. 615-628.

154. J.-G. Wang, and E. Sung, Frontal-view Face Detection and Facial Feature Extraction Using Color and Morphological Operations, Pattern Recognition Letters, Vol. 20,1999, P. 1053-1068.

155. X. Wang, X. Ding, C. Liu, Gabor Filters-based Feature Extraction for Character Recognition, Pattern Recognition, Vol. 38,2005, P. 369 379.

156. K.-W. Wong, K.-M. Lam, W.-C. Siu, An Efficient Algorithm for Human Face Detection and Facial Feature Extraction under Different Conditions, Pattern Recognition, Vol. 34, 2001, P. 19932004.

157. Z. Xue, S.Z. Li, and E.K. Teoh, Bayesian Shape Model for Facial Feature Extraction and Recognition, Pattern Recognition, Vol. 36,2003, P. 2819 2833.

158. M. Yachida, M. Ikeda, S. Tsuji, A Plan-Guided Analysis of Cineograms for Measurement of Dynamic Behavior of Heart Wall, IEEE Trans. Pattern Anal. Mach. Intell., PAMI-2, N6,1980, 537542.

159. N. Yager, A. Amin, Fingerprint Verification Based on Minutiae Features: a Review, Pattern Analysis & Applications, vol. 7,2004, P. 94-113.

160. G. Yang, T.S. Huang, Human Face Detection in a Complex Background, Pattern Recognition, Vol. 27, No. 1,1994, P. 53-63.

161. J. Yang, D. Zhang, X. Yong, J.-YuYang, Two-dimensional Discriminant Transform for Face Recognition, Pattern Recognition, Vol. 38,2005, P. 1125 1129.

162. C.T. Zahn, R.S. Roskies, Fourier Descriptors for Plane Closed Curves, IEEE Trans. Comput., C-21,1972,269-281.

163. P. Zamperoni, Feature Extraction. Progress in Picture Processing. Elsevier Science B.V., 1996, P. 123-184.