Методы и алгоритмы многомерного моделирования пространства характеристик изображений тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Трубаков, Андрей Олегович

• Трубаков, Андрей Олегович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Трубаков, Андрей Олегович

ВВЕДЕНИЕ.

1. АНАЛИЗ МЕТОДОВ МНОГОМЕРНОГО МОДЕЛИРОВАНИЯ ХАРАКТЕРИСТИК ДЛЯ СИСТЕМ ПОИСКА ИЗОБРАЖЕНИЙ ПО

СОДЕРЖАНИЮ.

1.1. Анализ проблем и применений поиска изображений по содержанию

1.2. Исследование возможности применения многомерного подхода к современным схемам поиска.

1.3. Сравнение многомерного подхода с другими методами обработки и поиска изображений.

1.4. Анализ существующих систем поиска изображений по содержанию.

1.5. Анализ методов многомерного моделирования пространства характеристик.

1.5.1. Схемы преобразования многомерных векторов к одномерному виду.

1.5.2. Методы многомерного хеширования.

1.5.3. Методы иерархической декомпозиции многомерного пространства.

1.6. Постановка задачи исследования.

1.7. Выводы.

2. ФУНКЦИОНАЛЬНО-СТРУКТУРНОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССА ПОИСКА ИЗОБРАЖЕНИЙ НА ОСНОВЕ МНОГОМЕРНОГО ПОДХОДА.

2.1. Общая структура модели поиска изображений по содержанию на основе многомерного подхода.

2.2. Предобработка изображений.

2.3. Сегментация изображений.

2.4. Формирование многомерного вектора характеристик.

2.4.1. Критерии цвета.

2.4.2. Критерии текстуры.

2.4.3. Критерии контура.

2.4.4. Критерии положения и формы.

2.5. Многомерное индексирование векторов характеристик.

2.6. Связь векторов многомерного пространства характеристик и семантической сети.

2.7. Подсистема взаимодействия с человеком.

2.8. Выводы.

3. МЕТОДЫ МОДЕЛИРОВАНИЯ МНОГОМЕРНОГО ПРОСТРАНСТВА ХАРАКТЕРИСТИК.

3.1. Общие принципы построения многомерного дерева.

3.2. Ограничивающие фигуры узлов многомерного дерева.

3.3. Решение проблемы большой размерности пространства.

3.4. Распределение критериев по вершинам дерева.

3.5. Композитная функция расстояния в многомерном пространстве.

3.6. Решение проблемы нецелевых вершин.

3.7. Проблема «проклятия измерений».

3.8. Критериальная балансировка многомерного дерева.

3.9. Результирующие принципы многомерной структуры.

3.10. Выводы.

4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ РАЗРАБОТАННЫХ МЕТОДОВ И АЛГОРИТМОВ.

4.1. Алгоритмы обработки многомерного индекса.

4.1.1. Алгоритмы поиска по многомерному индексу.

4.1.2. Алгоритм добавления объекта в многомерное дерево.

4.1.3. Алгоритм удаления объекта из многомерного дерева.

4.1.4. Алгоритм балансировки многомерного дерева по критериям.

4.1.5. Глобальная оптимизация многомерного индекса.

4.2. Программный комплекс поиска изображений по содержанию в дизайнерских коллекциях «Дизайнер+».

4.2.1. Назначение и особенности реализации.

4.2.2. Архитектура комплекса.

4.2.3. Выбор и ранжирование изображений.

4.2.4. Интерфейс web-подсистемы.

4.3. Программный комплекс распознавания дефектов в эпитаксиальных пленках кремниевых пластин (РДЭП).

4.3.1. Назначение системы и особенности реализации.

4.3.2. Архитектура программно-аппаратного комплекса.

4.3.3. Связь с семантической сетью и модуль реакций.

4.3.4. Пользовательский интерфейс.

4.3.5. Оценка результативности и эффективности применения ПК «РДЭП» на предприятии.

4.4. Выводы.

5. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ И ПРОВЕРКА АДЕКВАТНОСТИ РАЗРАБОТАННЫХ МЕТОДОВ МОДЕЛИРОВАНИЯ.

5.1. Описание тестовых коллекций.

5.2. Оценка релевантности поиска.

5.2.1. Эксперименты на основе реальных коллекций.

5.2.2. Эксперименты на основе синтезированной коллекции.

5.3. Оценка производительности индекса.

5.3.1. Высота внутреннего дерева.

5.3.2. Исследование алгоритмов балансировки.

5.4. Исследование методов и алгоритмов на основе программного комплекса РДЭП.

5.4.1. Формирование коллекций изображений дефектов.

5.4.2. Результаты экспериментов на синтезированных коллекциях с неизвестными параметрами кремниевой пластины.

5.4.3. Результаты экспериментов на синтезированных коллекциях с использованием семантической сети.

5.4.4. Результаты экспериментов на реальных фотографиях.

5.5. Тестирование отдельных алгоритмов и положений.

5.5.1. Алгоритм сегментации изображений.

5.5.2. Алгоритм преобразования к палитре на основе карты трансформации.

5.5.3. Меры различия цветовых гистограмм.

5.6. Выводы.

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы многомерного моделирования пространства характеристик изображений»

В современном мире информация играет первостепенную роль. Об этом говорили многие известные ученые, политики и философы — «кто владеет информацией, тот владеет миром» (Натан Ротшильд). Однако сама по себе информация в тех объемах, которые генерируются сегодня различными средствами, мала пригодна. Важно не только получать информацию, но и своевременно ее обрабатывать. Причем для обработки такого количества информации необходимы автоматические или полуавтоматические механизмы поиска и анализа интересующих данных. Самостоятельно человек уже не способен справиться с таким количеством информации, а без обработки, классификации и развитых механизмов поиска любые хранилища превращаются в неуправляемый и бесполезный инструмент [2, 80, 122].

Актуальность задачи. В последнее время появилось большое число задач, решение которых с использованием традиционных одномерных моделей данных является весьма трудоемким процессом. Это связано с тем, что объекты, рассматриваемые в таких областях, либо изначально являются многомерными, либо носят многокритериальный характер, что также соответствует многомерным задачам. Попытки преобразования характеристик таких объектов к одномерной модели, как правило, приводят к существенной потери информативности, а иногда — к неадекватному решению задачи. При этом моделирование в многомерной плоскости не только позволяет улучшить качество процесса обработки, но и повысить вычислительную эффективность математических методов, что может сыграть значительную роль при выборе алгоритма.

Актуальность работ в области многомерных моделей данных обуславливается большим числом прикладных задач, представление данных в которых преобразуется к многомерным векторам: медицина (многокритериальный анализ в диагностике), биология и генетика (базы геномов и анализ ДНК), экономика (многомерный анализ бизнес-процессов), распознавание речи (представление и поиск звуковых фрагментов), интеллектуальная обработка и поиск изображений (поиск подобных объектов с помощью векторов графических характеристик) и т.д. Перечисленные и многие другие задачи нуждаются в проработке и дальнейшем совершенствовании методов многомерного моделирования пространства характеристик.

Прикладные задачи накладывают на многомерные методы ряд дополнительных требований: наличие сложной, часто псевдометрической меры подобия (которая должна стать основой функции расстояния в многомерном пространстве характеристик); большая размерность пространства характеристик (это приводит к проблемам «проклятия измерений» и большого «перекрытия регионов» в структуре доступа); большой объем данных и необходимость поддержки работы с внешней памятью; адаптация математических методов под «неполные запросы», в которых параметры запроса определены частично или имеют разную важность с точки зрения процедур обработки; наличие механизма добавления к объектам многомерного пространства знаний прикладной области, и т.д. Существующие на сегодняшний день структуры и математические методы не позволяют решить все перечисленные проблемы.

Тенденция перехода от одномерной модели данных к многомерному представлению особенно хорошо заметна в области обработки изображений. Размеры современных коллекций таковы, что без применения специальных математических методов многомерного моделирования обработать все данные за приемлемое время невозможно. С одной стороны, область интеллектуальной обработки мультимедийной информации бурно развивается. Каждый год публикуются диссертации в этом направлении, появляется множество статей в научных журналах [31, 24, 22, 5, 26 и др.]. С другой стороны большинство существующих методов обработки и поиска графической информации либо абсолютно не приспособлены к большим объемам информации, либо требуют больших вычислительных ресурсов для выполнения подобных задач [19, 77, 85, 35]. К тому же многие алгоритмы и методы поиска не приспособлены для задач с динамическим наполнением, в которых исходный набор изображений и поисковые запросы подвержены постоянному изменению. Примером систем, плохо подходящих для подобных применений, являются практически все системы с обучением, т.к. они основаны на «запоминании» каких-то ключевых моментов определенного числа объектов и поиска в дальнейшем именно этого набора объектов [25, 59, 30, 109, 82].

Еще одной проблемой графических поисковых систем является так называемый «семантический разрыв» [26, 40, 64, 91]. Он заключается в том, что человек при анализе изображений оперирует высокоуровневыми понятиями, в то время как вычислительным устройствам доступны только значения отдельных пикселей. На уменьшение семантического разрыва направлено много работ и в нашей стране, и за рубежом. Однако общая методика для проектирования систем подобного класса пока отсутствует [129, 24, 36].

Таким образом, можно сделать вывод об актуальности работ, направленных на исследование и разработку математических методов и алгоритмов многомерного моделирования пространства характеристик изображений, способных эффективно работать в пространствах большой размерности со сложной функцией расстояния.

Объект и предмет исследования. Объектом исследования данной диссертационной работы являются обработка и поиск изображений по содержанию. Предметом исследования является разработка и применение новых математических методов и алгоритмов многомерного моделирования пространства характеристик изображений, на основе которых можно создавать прикладные информационно-поисковые модели или системы обработки, распознавания или классификации изображений.

Цель и задачи диссертационной работы. Целью работы является разработка новых эффективных численных методов и алгоритмов многомерного моделирования пространства характеристик изображений. Данные методы позволят повысить скорость работы систем поиска изображений по содержанию, расширить границы их применения, увеличить ограничения на обьем индексированных коллекций, улучшить качество поиска за счет использования большего числа характеристик.

Для достижения поставленной цели рассматриваются следующие задачи:

1. Формирование требований к математическим методам многомерного моделирования пространства характеристик изображений. Анализ характеристик, которые могут стать основой осей многомерного пространства, разработка новых и адаптация существующих алгоритмов получения этих характеристик.

2. Исследование существующих математических методов многомерного моделирования пространства характеристик (в том числе индексов пространств большой размерности).

3. Разработка новых математических методов многомерного моделирования пространства, структур и алгоритмов индексирования и организации поиска изображений по содержанию.

4. Разработка принципов построения функции расстояния для многомерных моделей пространства характеристик изображений с разнородными компонентами.

5. Разработка принципов построения отношений между объектами многомерного пространства характеристик изображений и знаниями прикладной области, текстовыми описаниями, лексемами.

6. Разработка программных комплексов для обработки и поиска изображений, построенных на основе предложенных математических методов моделирования многомерного пространства, проверка адекватности и эффективности алгоритмов с помощью этих комплексов.

Методы исследования. При выполнении исследований и решении поставленных задач использовались основные научные положения многомерного моделирования, методов многомерного индексирования и структур доступа, функционального анализа, численных методов кластеризации, теории графов, теории распознавания образов, численного дифференцирования и обработки изображений в частотной области, теории вероятности и статистической обработки.

При разработке программных комплексов использовались современные принципы организации комплексных систем с применением различных средств проектирования и языков программирования разного уровня, методы параллельного доступа к данным, основные положения объектно-ориентированного программирования.

Научная новизна. Научная новизна результатов диссертационного исследования заключается в следующем:

1. Разработан новый математический метод многомерного моделирования пространства характеристик изображений на основе иерархической декомпозиции, научную новизну которого составляет следующая совокупность оригинальных методов и алгоритмов:

• оригинальный метод сокращения размерности пространства в вершинах многомерного дерева за счет использования матриц сокращения, позволяющий повысить эффективность операций доступа;

• метод двойного упакованного многомерного дерева, позволяющий уменьшить потери эффективности в нецелевых вершинах и сохранить положительные стороны сильноветвящегося дерева для внешней памяти.

2. Предложен метод формирования композитной функции расстояния в многомерном пространстве для векторов с разнородным набором компонент и алгоритмы использования этой функции в многомерной иерархической модели, позволяющие объединить достоинства хорошо известных методов подобия.

3. Разработан алгоритм критериальной балансировки дерева и целевая функция оптимизации, позволяющие улучшить структуру индекса и повысить процент отсечения альтернатив при поиске.

4. Предложен метод связи объектов многомерного пространства и концептов семантической сети с помощью нечетких отношений, позволяющий уменьшить «семантический разрыв».

5. Разработаны эффективные численные методы обработки изображений для систем на основе многомерного индекса: сегментация изображений, формирование адаптивной палитры, сравнения цветового исполнения с использованием компенсационного расстояния.

Положения, выносимые на защиту. На защиту выносятся следующие основные положения.

1. Математические методы и алгоритмы многомерного моделирования пространства характеристик большой размерности.

2. Принципы формирования матриц сокращения размерности пространства, композитной функции расстояния и построения двойного упакованного дерева.

3. Принципы использования многомерного подхода для построения систем поиска изображений по содержанию.

4. Метод сравнения цветового исполнения изображений с помощью предложенной палитры и компенсационного расстояния, которые можно использовать как функцию расстояния в многомерном пространстве характеристик изображений.

5. Архитектура и функциональные характеристики разработанных проблемно-ориентированных программных комплексов «Дизайнер+» и «РДЭП».

Практическая ценность. Основными положениями, составляющими практическую ценность, можно считать:

1. Предложенные математические методы и алгоритмы многомерного моделирования пространства характеристик изображений и принципы создания на их основе прикладных систем поиска изображений по содержанию.

2. Разработанный программный комплекс поиска изображений по содержанию «Дизайнер+».

3. Разработанный программный комплекс распознавания дефектов в эпитаксиальных пленках кремниевых пластин (РДЭП).

Практическое применение. Предложенные методы моделирования многомерного пространства характеристик легли в основу двух программных комплексов.

• Программный комплекс распознавания дефектов в эпитаксиальных пленках кремниевых пластин (РДЭП) зарегистрирован в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам [48]. Он также внедрен в научно-исследовательскую деятельность отдела развития ЗАО «Группа Кремний Эл».

• Разработанный программный комплекс поиска изображений по содержанию в дизайнерских коллекциях «Дизайнер+» внедрен в практическую эксплуатацию в отдел дизайна и печатной подготовки ООО «ТетраПром», а также используется в учебном процессе в рамках самостоятельной и исследовательской работы студентов и аспирантов соответствующих специальностей Брянского государственного технического университета.

Апробация результатов работы. Основные положения и наиболее важные научные и практические результаты диссертационной работы докладывались и обсуждались на 7 международных и российских конференциях, в том числе 58-й научной конференции профессорско-преподавательского состава БГТУ (г. Брянск, 2008); международной научно-практической конференции «Наука и производство — 2009» (г. Брянск, 2009); II научно-технической конференции «Информационные системы и технологии 2009» (г. Обнинск, 2009); международная научно-практическая конференция «Состояние, проблемы и перспективы автоматизации технической подготовки производства на промышленных предприятиях» (г. Брянск, 2009); научно-практической конференции «Современные проблемы информатики и прикладной математики» (г. Брянск, 2010); научно-практической конференции «Достижения молодых ученых в развитии инновационных процессов в экономике, науке, образовании» (г. Брянск, 2010); научно-технической конференция «Информационные технологии, энергетика и экономика» (г. Смоленск, 2011).

Публикации. По теме диссертации опубликовано 12 печатных работ, в том числе 1 монография и 3 статьи в научных журналах, рекомендованных ВАК.

Структура и объем работы. Цель и поставленные задачи определили следующую структуру работы.

В первой главе на основе анализа существующих систем поиска и обработки изображений, исследования их сильных и слабых мест, делается вывод о том, что одной из плохо проработанных сторон современных систем является поисковый индекс и его слабая ориентация на большие объемы информации. При этом работы Н. Катаяма, Е.В. Мясникова, Ю.И. Неймарка, И. Рубнера, М. Фликнера и др. позволяют сделать вывод о целесообразности применения методов многомерного моделирования пространства характеристик для эффективного решения этой задачи.

Научные основы математических методов многомерного индексирования заложены в работах Д. Бентли, В. Гейда, А. Генрича, А. Гуттмана, О. Гюнтера, Г. Крэйгала, К. Лин, И. Маналополуса, Д. Нивергелта, Г. Самета и др. Анализ этих работ позволяет сделать вывод о возможности разработки эффективного численного метода на основе многомерного пространства характеристик со сложной функцией расстояния для систем поиска изображений по содержанию.

Анализ работ Н.С. Васильевой, А. Вежневец, Р. Вудса, А.Е. Лепского, В.В. Лукина, Б.А. Новикова, H.H. Пономаренко, C.B. Поршнева, A.C. Потапова, П.Ю. Пытьева, Дж. Стокмана, Л. Шапиро, Б. Яне, и др. позволил рассмотреть основные подходы к обработке и поиску изображений и место методов многомерного моделирования пространства характеристик в общем спектре технологий. Также в первой главе рассматриваются многомерные методы на предмет того, что нового они могут внести в существующие классические подходы к поиску.

Во второй главе согласно работам Т.А. Летова, А.П. Михайлова, A.B. Пантелеева, A.A. Самарского, Б.Я. Советова, П.В. Трусова, С.А. Яковлева и др. проведена декомпозиция сложной задачи поиска на ряд более простых подзадач и построена структурно функциональная модель. После этой декомпозиции каждая подсистема проанализирована отдельно, предложены методы и новые алгоритмы по её усовершенствованию и адаптации для систем, основанных на поиске в многомерном пространстве характеристик изображений.

Также в этой главе рассмотрены основные критерии и характеристики, которые можно использовать в системах поиска по визуальному подобию, предложены собственные модификации методов оценки цветового подобия. Для стадии выделения однородных областей (сегментов) описывается новый алгоритм сегментации, предлагается метод связи многомерного индекса и семантической сети, который позволяет уменьшить «семантический разрыв» в процессе поиска.

Третья глава полностью посвящена описанию предлагаемых методов и алгоритмов организации многомерного пространства характеристик. В ней описываются основные проблемы индексирования и предлагаемые пути их решения. Рассматривается возможность уменьшения размерности пространства с помощью матриц сокращения и использование структуры двойного дерева («упаковка» внутреннего дерева с малой арностью во внешнее сильноветвящееся), позволяющее решить «противоречие арности».

Для улучшения качества поиска описывается предложенный метод использования сложной композитной функции и разработанные алгоритмы поиска по иерархической структуре с данными характеристиками. А для увеличения скорости поиска и уменьшения негативного эффекта «нецелевых вершин» предлагается использовать внутреннее дерево малой арности.

В четвертой главе формализованы основные алгоритмы, предложенные в данной работе. Также дано описание двух разработанных программных комплексов: программного комплекса поиска изображений по содержанию в дизайнерских коллекциях «Дизайнер+» и программного комплекса распознавания дефектов в эпитаксиальных пленках кремниевых пластин «РДЭП». Приводятся функциональные характеристики разработанных комплексов, описания их структур и принципов работы, а также описания входящих в их состав модулей.

Пятая глава посвящена описанию исследования эффективности применения разработанных программных комплексов для решения поставленных задач. В ней приведены результаты экспериментов по определению работоспособности разработанных методов и алгоритмов, адекватности выдаваемых программной реализацией данных, описана методика тестирования и проверки. Некоторые положения, выносимые на защиту, были проанализированы с использованием дополнительно разработанных средств, что также описано в пятой главе.

В заключении сделаны основные выводы по работе, сформулированы основные научные и практические результаты.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Трубаков, Андрей Олегович

5.6. Выводы

1. Проведено тестирование предложенных методов и алгоритмов с помощью разработанного программного комплекса «Дизайнер+». Рассчитана релевантность поиска по визуальному подобию, как для однородных коллекций, так и для коллекций без определенной тематики.

2. Исследованы характеристики предложенных методов индексирования, значительно влияющих на производительность. Проверены характеристики высоты внутреннего дерева индекса, рассмотрено влияние балансировки дерева на эффективность поиска. В результате экспериментов было подтверждено ранее выдвинутое предположение, что ориентация на кластеризацию дает более качественную структуру индекса с точки зрения выполнения запросов поиска.

3. Проведено тестирование предложенного метода связи конечных объектов многомерного пространства характеристик и концептов семантической сети на основе разработанного программного комплекса РДЭП. Исследована возможность получения практической пользы от использования знаний семантической сети при выполнении поиска.

4. Разработан набор вспомогательных программ для тестирования и исследования отдельных положений, выдвинутых в диссертационной работе.

5. Проведено тестирование предложенного метода сегментации пейзажных изображений с помощью коллекции изображений университета Беркли.

6. Исследованы предлагаемые в работе методы формирования цветовой палитры на основе кластеризации цветового пространства и алгоритм преобразования полноцветного изображения к палитре на основе карты трансформации.

7. Исследована предлагаемая в работе мера сравнения цветовых гистограмм на основе компенсационного расстояния.

ЗАКЛЮЧЕНИЕ

На основании проведенного диссертационного исследования решена актуальная научно-техническая задача разработки математических методов и алгоритмов компьютерного моделирования многомерного пространства характеристик для систем поиска изображений по содержанию. На основе этих методов были созданы два проблемно-ориентированных комплекса: программный комплекс поиска изображений по содержанию «Дизайнер+» и программный комплекс распознавания дефектов в эпитаксиальных пленках кремниевых пластин (РДЭП), имеющих существенное значение в области повышения эффективности обработки фотографий на производстве. К основным выводам и результатам относятся:

1. Разработан новый математический метод моделирования многомерного пространства характеристик изображений, позволяющий проводить поиск по подобию в пространствах большой размерности за приемлемое время и использовать сложную композитную функцию расстояния.

2. Разработан математический метод связи объектов многомерного пространства (векторов характеристик) и концептов семантической сети, позволяющий уменьшить «семантический разрыв» за счет добавления смысловой нагрузки результатам или использования знаний семантической сети при поиске.

3. Разработаны эффективные вычислительные методы: поиск в многомерном пространстве большой размерности; преобразования в адаптивную палитру; балансировка и оптимизация структуры дерева; сегментация. Проведено тестирование этих методов с применением современных компьютерных технологий и обоснование их адекватности.

4. Проведены комплексные исследования проблемы потери производительности процедур поиска в многомерном пространстве на основе иерархической декомпозиции с применение современной технологии математического моделирования и вычислительного эксперимента. В результате этих исследований выявлен механизм появления нецелевых вершин дерева и предложены методы уменьшения негативного эффекта (предложен принцип двойного дерева для уменьшения арности и критериальная балансировка).

5. Разработан программный комплекс «Дизайнер+», предназначенный для поиска изображений по визуальному подобию в дизайнерских коллекциях изображений. Комплекс может быть использован в прикладных целях (например, он внедрен в отдел дизайна и печатной подготовки ООО «ТетраПром»), а так же в образовательных целях для соответствующих дисциплин. Исследование релевантности поиска по методике РОМИП (мера Ргес~шоп(10)), проведенная с привлечением внешних асессоров, показал релевантность от 22% (АИО-ЗТЯОЫС), до 88% (ОЯ-ЖЕАК).

6. Разработан программный комплекс РДЭП, который может быть использован для исследования дефектов в эпитаксиальных пленках, автоматической проверки кремниевых пластин и определении типа брака. Основой этого комплекса является графическое поисковое ядро на основе методов моделирования многомерного пространства визуальных характеристик дефектов. Исследования показали, что точность определения отдельно стоящих дефектов в случае известных параметров технологического процесса и типа пластины составляет 95%.

Разработанный программный комплекс распознавания дефектов в эпитаксиальных пленках кремниевых пластин (РДЭП) зарегистрирован в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам [48].

Список литературы диссертационного исследования кандидат технических наук Трубаков, Андрей Олегович, 2011 год

1. Аверченков, В. И. Информационный поиск в сети интернет / В. И. Аверченков, В. В. Мирошников, С. М. Рощин. Брянск: БГТУ, 2001. - 204 с.

2. Аверченков, В. И. Мониторинг и системный анализ информации в сети Интернет: монография / В. И. Аверченков, С. М. Рощин. Брянск: БГТУ, 2006. -160 с.

3. Айфичер, Э. С., Джервис Б.У. Цифровая обработка сигналов: практический подход / Э. С. Айфичер, Б. У. Джервис; изд. 2-е. — С.П.: Вильяме,2008. 992 с.

4. Байгарова, Н. С. Некоторые подходы к организации содержательного поиска изображений и видеоинформации / Н. С. Байгарова и др. // Препринт ИПМ им. М.В.Келдыша РАН. № 78. - Москва, 2002.

5. Васильева, Н. С. Выбор шага квантования при построении цветовой гистограммы в задаче поиска изображений / Н. С. Васильева // Вестник СПбГУ. Сер. 10: Прикладная математика, информатика, процессы управления. — СПбГУ,2009. Вып. 2. - С. 155-164.

6. Введение в математическое моделирование: учеб. пособие / Под ред. П. В. Трусова. М: Логос, 2005. - 440 с.

7. Вежневец, А. Методы сегментации изображений: автоматическая сегментация / А. Вежневец, О. Баринова // Компьютерная графика и мультимедиа. 2006. - № 4.

8. ГОСТ Р 50779.10-2000. Статистические методы. Вероятность и основы статистики. Термины и определения.

9. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. —

10. М.: Техносфера, 2005. — 1072 с.

11. Гулаков, В. К. Использование многомерных деревьев для обработки многомерной информации / В. К. Гулаков, А. О. Трубаков, Е. О. Трубаков // Вестник БГТУ. 2007. - № 3 (15). - С. 46-54.

12. Гулаков, В. К. Многомерные структуры данных: монография / В. К. Гулаков, А. О. Трубаков. — 2010. — 386 с.

13. Гулаков, В. К. Сравнение производительности многомерных структур файлов-решеток и хеширования PLOP / В. К. Гулаков, А. О. Трубаков // Вестник БГТУ.-2010.-№ 1 (25).-С. 91-97.

14. Гулаков, В. К. Контекстный поиск изображений, как основа современных систем машинного зрения / В. К. Гулаков, А. О. Трубаков // Вестник славянских вузов. Брянск, 2010. — № 2. — С. 175-181.

15. Гулаков, В. К. Информативная значимость текстурных характеристик на основе матрицы смежности уровней яркости пикселей изображения / В. К. Гулаков, А. О. Трубаков // Вестник БГТУ. — Брянск: БГТУ, 2011.

16. Гаврилова, Т.А. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский. — СПб: Питер, 2000. — 384 с.

17. Дорогов, А. Ю. Быстродействующий алгоритм семантической классификации ХРЕО-изображений / А. Ю. Дорогов, Р. Г. Курбанов, В. В. Разин // Нейроинформатика. 2006. - Т. 1, № 2. - С. 124-144.

18. Евстигнеев, В.А. Теория графов: алгоритмы обработки деревьев / В. А. Евстигнеев, В. Н. Касьянов. — Новосибирск: Наука, 1994. — 360 с.

19. Калачик, Р. А. Методы поиска графической информации в информационных системах / Р. А. Калачик // Диссертация на соискание ученой степени кандидата технических наук. — 2008. — 162 с.

20. Кнут, Д. Э. Искусство программирования. Сортировка и поиск / Д. Э. Кнут. М.: Вильяме, 2000. - 832 с.

21. Левашкина, А. О. Разработка методов поиска изображений на основе вычислительных моделей визуального внимания / А. О. Левашкина // Автореферат диссертации на соискание ученой степени кандидата технических наук. 2009. - 24 с.

22. Лепский, А. Е. Математические методы распознавания образов: курс лекций / А. Е. Лепский, А. Г. Броневич. — Таганрог: изд-во ТТИ ЮФУ, 2009. — 155 с.

23. Марков, И. Синтез цветовых и текстурных признаков при поиске изображений по содержанию / И. Марков, Н. Васильева // Труды Российского семинара по Оценке Методов Информационного Поиска РОМИП 2007-2008. —2008.-С. 135-144.

24. Мельниченко, А. Методы поиска изображений по визуальному подобию и детекции нечетких дубликатов изображений / А. Мельниченко, А. Гончаров // Труды Российского семинара по Оценке Методов Информационного Поиска. —2009.-С. 108-121.

25. Местецкий, Л. М. Математические методы распознавания образов: курс лекций / Л. М. Местецкий. ВМиК МГУ, 2004. - 85 с.

26. Методы компьютерной обработки изображений / под ред. В. А. Сойфера. -М.: Физматлит, 2001 784 с.

27. Мирошкин, А. В. Разработка и реализация математической модели графической поисковой системы / А. В. Мирошкин // Диссертация на соискание ученой степени кандидата технических наук. — 2005. — 122 с.

28. Мицель Л. Л. Непараметрический алгоритм текстурного анализа аэрокосмических снимков / Л. Л. Мицель, Н. В. Колодникова, К. Т. Протасов // Известия ТПУ. 2005. - № 1. - С. 65-70.

29. Мясников, Е. В. Навигация по коллекциям цифровых изображений на 5 основе методов автоматической классификации / Е. В. Мясников // Сборник работ участников конкурса "Интернет-Математика 2007". — 2007. — С. 144-152.

30. Мясников, Е. В. Анализ методов снижения размерности в задаче представления коллекций цифровых изображений / Е. В. Мясников // Компьютерная оптика. — 2008. — № 32. — С. 296-301.

31. Некрестьянов, И. РОМИП'2010: отчет организаторов / И. Некрестьянов, М. Некрестьянова // Труды Российского семинара по Оценке Методов Информационного Поиска. — 2010. — С. 5-27.

32. Неймарк, Ю. И. Многомерная геометрия и распознавание образов / Ю. И. Неймарк // Соросовский образовательный журнал. — 1996. — № 7. — С. 119123.

33. Пантелеев, A.B. Методы оптимизации в примерах и задачах / А. В. Пантелеев, Т. А. Летова. — М.: Высшая школа, 2005. — 544 с.

34. Пономаренко, Н. Н. Оптимизация весов многопараметровой меры подобия для поиска изображений / Н. Н. Пономаренко, С. К. Абрамов, В. В.

35. Лукин, А. С. Царан // Системы обработки информации. — 2007. 31-35 с.

36. Потапов, А. С. Распознавание образов и машинное восприятие / А. С. Потапов. С.П.: Политехника, 2007. — 552 с.

37. Поршнев С. В. Универсальная классификация алгоритмов сегментации изображений / С. В. Поршнев, А. О. Левашкина // Журнал научных публикаций аспирантов и докторантов. — 2008. — № 3 — С. 163-172.

38. Представление и использование знаний: пер. с япон. / Под ред. X. Уэно, М. Исидзука. М.: Мир., 1989. - 220 с.

39. Пытьев, Ю. П. Методы морфологического анализа изображений / Ю. П. Пытьев, А. И. Чуличков. М.: ФИЗМАТЛИТ, 2010. - 342 с.

40. Скворцов, А. В. Глобальные алгоритмы построения Я-деревьев // Геоинформатика: Теория и практика. — Томск: изд-во Том. ун-та, 1998. Вып. 1. — С. 67-83.

41. Самарский, А. А. Математическое моделирование: Идеи. Методы. Примеры / А. А. Самарский, А. П. Михайлов. М.: Физматлит, 2005. — 2-е изд. -320 с.

42. Советов, Б. Я. Моделирование систем / Б. Я. Советов, С. А. Яковлев. — М.: Высш. шк., 2007. — 5-е изд. — 343 с.

43. Свидетельство Роспатента об официальной регистрации программы для ЭВМ №2011611245. Программный комплекс распознавания дефектов в эпитаксиальных пленках кремниевых пластин (РДЭП) / Трубаков А.О.

44. Трубаков, А. О. Классификация многомерных структур данных / А. О. Трубаков; под ред. С. П. Сазонова, И. В. Говорова // материалы 58-й научной конференции профессорско-преподавательского состава. — Брянск, 2008. — С. 304305.

45. Трубаков, А. О. Многомерная модель поиска изображений в хранилищах данных / А. О. Трубаков // Материалы межрегиональной научно-технической конференции «Информационные системы и технологии 2009». — Обнинск, 2009. С. 166-167.

46. Тюхов, Б.П. Полуавтоматическое семантическое аннотирование мультимедиаресурсов / Б. П. Тюхов, С. В. Новиков // Программные продукты и системы. №2. - 2010.

47. Форсайт, Д. Компьютерное зрение. Современный подход / Д. Форсайт, Ж. Понс. М.: Вильяме, 2004. - 928 с.

48. Шапиро, Л. Компьютерное зрение / Л. Шапиро, Д. Стокман. — М.: Бином, 2006. 752 с.

49. Эсбенсен, К. Анализ многомерных данных: пер. с англ. / под ред. О. Родионовой. ИПХФ РАН, 2005. - 160 с.

50. Яне, Б. Цифровая обработка изображений / Б. Яне. — М.: Техносфера, 2007. 584 с.

51. Amit, Y. Shape quantization and recognition with randomized trees / Y. Amit, D. Geman // Neural Computation. 1996. - 9(7). - pp. 1545-1588.

52. Agarwal, P.K. k-Means Projective Clustering / P. K. Agarwal, N. H. Mustafa

53. Proceedings of the twenty-third ACM SIGMOD-SIGACT-SIGART symposium on Principles of database systems. New York, USA, 2004. — pp. 155-165.

54. Bach, J. Virage image search engine: an open framework for image management / J. Bach, C. Fuller, A. Gupta et. all. // In Proceedings of the SPIE, Storage and Retrieval for Image and Video Databases IV. — San Jose, 1996. — PP. 7687.

55. Bellmann, R. Adaptive Control Processes: A Guided Tour / R. Bellmann // Princeton University Press. — 1961. — 255 p.

56. Bentley, J. L. Multidimensional binary search tree used for associative searching / J. L. Bentley // Communications of the ACM. 1975. - 18 (9) - pp. 509517.

57. Benitez, A. Using relevance feedback in content-based image metasearch / A. Benitez, M. Beigi, S. Chang // IEEE Internet Computing. 1998. - No. 4. - pp. 59-69.

58. Beyer, K. When is nearest neighbor meaningful / K. Beyer, J. Goldstein, R. Ramakrishnan, U. Shaft // Proc. Int. Conf. Database Theory. 1999. - pp. 217-235.

59. Bradsky, G. Learning OpenCV: Computer Vision with the OpenCV Library / G. Bradsky, A. Kaehler. O'Reilly Media, 2008. - 576 p.

60. Berchtold, S. The X-tree: An Index Structure for High-Dimensional / S. Berchtold, D. A. Keim, H.-P. Kriegel // Data. In Proc. of the 22nd International Conference on Very Large Data Bases (VLDB). Bombay, 1996. — pp. 28-39.

61. Beckmann, N. The R*-tree: An efficient and robust access method for points and rectangles / N. Beckmann, H.-P. Kriegel, R. Schneider, B. Seeger // ACM SIGMOD International Conference on Management of Data. 1990. - pp. 322-331.

62. Brakatsoulas, S. Revisiting R-tree Construction Principles / S. Brakatsoulas, D. Pfoser, Y. Theodoridis // Proceedings of the 6th East European Conference on Advances in Databases and Information Systems. — 2002. — pp. 149-162.

63. Baeza-Yates, R. Modern Information Retrieval / R. Baeza-Yates, B. Ribeiro-Neto. — New York: Addison Wesley, 1999. — pp. 534.

64. Carreira-Perpinan, M. A. A review of dimension reduction techniques / M. A. Carreira-Perpinan // Technical Report CS—96—09, Dept. of Computer Science, University of Sheffield. 1997. - 69 P.

65. Carson, C. Storage and retrieval of feature data for a very large online image collection / C. Carson, V. E. Ogle // IEEE Computer Society Bulletin of the Technical Committee on Data Engineering. — 1996. — PP. 19—27.

66. Chalasani, S. Graph Based Image Segmentation / S. Chalasani // Department of Electrical & Computer Engineering Clemson University. — June 2004. — pp. 1-5.

67. Chung, K. Efficient algorithms for coding Hilbert curve of arbitrary-sized image and application to window query / K. Chung, Y. Huang, Y. Liu // Information Sciences. 2007. - vol. 177. - pp. 2130-2151.

68. Devroye, L. On the variance of the height of random binary search trees / L. Devroye, B. Reed // SIAM Journal on Computing. 1995. - pp. 1157-1162.

69. Donoho, D. L. High-Dimensional Data Analysis: The Curses and Blessings of Dimensionality / D. L. Donoho // American Mathematical Society "Math Challenges of the 21st Century". 2008. - 33 p.

70. Durranta, R. J. When is 'nearest neighbour' meaningful: A converse theorem and implications / R. J. Durranta, A. Kaban // Complexity. — 2009. — No 25(4). — pp. 385-397.

71. Enser, P. Query Analysis in a Visual Information Retrieval Context / P. Enser // Journal of Document and Text Management. — 1993. — No 1. — pp. 25-52.

72. Flickner, M. Query by image and video content: the QBIC system / M. Flickner, H. Sawhney, W. Niblack et al. // IEEE Computer. 1995. - No 9 - pp. 2332.

73. Fodor, I. A survey of dimension reduction techniques / I. Fodor // Technical report UCRL-ID-148494. 2002. - 18 P.

74. Fonzo, V. Hidden Markov Models in Bioinformatics / V. Fonzo, F. Aluffi-Pentini, V. Parisi // Current Bioinformatics. — January 2007. — Vol. 2. — pp. 49-61.

75. Guttman, A. R-trees: A dynamic index structure for spatial searching / A. Guttman // ACM SIGMOD International Conference on Management of Data. 1984. -pp. 47-54.

76. Gaede, V. Multidimensional Access Methods / V. Gaede, O. Gunther // ACM Computing Surveys. 1998. - Vol. 30, № 2. - pp. 170-231.

77. Glotin, H. Fast image auto-annotation with visual vector approximation clusters / H. Glotin, S. Tollari // Proc. of Fourth International Workshop on Content

78. Based Multimedia Indexing. 2005. - 8 p.

79. Huffman, D. A. Approximation polyhedral with spheres for time-critical collision detection / D. A. Huffman // ACM transactions on Graphics. 1996. - 15 (3). -pp. 179-210.

80. Han, J. Rotation-invariant and scale-invariant Gabor features for texture image retrieval / J. Han, Ma. Kai-Kuang // Image and Vision Computing. — 2007. Vol.25, Issue 9-pp. 1474-1481.

81. Henrich, A. The LSD tree: Spatial access to.multidimensional point and nonpoint objects / A. Henrich, H.-W. Six, P. Widmayer // Fifteenth International Conference on Very Large Data Bases. 1989. - pp. 45-53.

82. Jagadish, S.H. Spatial search with polyhedral / S. H. Jagadish // In Proc. of the 6th IEEE International Conference on Very Large Databases (VLDB). — 1990. pp. 311-319.

83. Jain, A. K. Shape-Based Retrieval: A Case Study with Trademark Image Databases / A. K. Jain, A. Vailaya // Pattern Recognition. 1998. - Vol. 31, No. 9. -pp. 1369-1390.

84. Karam, O. Exploring the Semantic Gap in Content-Based Image Retrieval: with application to Lung CT / O. Karam, A. Hamad, M. Attia // GVIP 05 Conference.-2005.-pp. 422-427.

85. Kato, T. Database Architecture for Content-Based Image Retrieval / T. Kato // Proceeding of Society of the Photo-Optical Instrumentation Engineers: Image Storage and Retrieval. San Jose, California, USA, 1992.

86. Kanungo, T. An efficient k-means clustering algorithm: Analysis andimplementation / T. Kanungo, D. M. Mount, N. S. Netanyahu, C. D. Piatko, R. Silverman, A. Y. Wu // IEEE Trans. Pattern Analysis and Machine Intelligence. — 2002. -pp. 881-892.

87. Katayama, N. The sr-tree: an index structure for highdimensional nearest neighbor queries / N. Katayama, S. Satoh // ACM SIGMOD international conference on Management of data. — 1997. — pp. 369-380.

88. Lee, D. J. Similarity measurement using polygon curve representation and Fourier descriptors for shape-based vertebral image retrieval / D. J. Lee, S. Antani, L. R. Long // Proc. of SPIE. 2003. - Vol. 5032. - pp. 1283-1291.

89. Lin, K. I. The tv-tree: an index structure for highdimensional data / K. I. Lin, H. V. Jagadish, C. Faloutsos // The VLDB Journal. 1994. - No 3(4). - pp. 517-542.

90. Liu, Y. A survey of content-based image retrieval with high-level semantics / Y. Liu, D. Zhang, G. Lu, W. Ma // Pattern Recognition. 2007. - Vol. 40. - pp. 262282.

91. Mackowiak, S. Practical Realization of the Content-Based Image Retrieval j System Using Sketch and Example / S. Mackowiak, T. Jaminski // Content-Based Multimedia Indexing. 2007. - No 7. - pp. 307-314.

92. Marfil, R. Pyramid segmentation algorithms revisited / R. Marfil, L. Molina-Tanco, A. Bandera, J. A. Rodraguez, F. Sandoval // Pattern Recognition. — August 2006. Vol. 39, Iss. 8. - pp. 1430-1451.

93. Marr, D. Early processing of visual information / D. Marr // Proceedings of the Royal Society of London. 1976.

94. Manolopoulos, Y. R-Trees: Theory and Applications / Y. Manolopoulos, A. Nanopoulos, A. N. Papadopoulos, Y. Theodoridis // Springer. — Verlag New York, Inc, 2005. 194 p.

95. Michael, O. Relevance feedback techniques in the MARS image retrieval systems / O. Michael, S. Mehrotra // Multimedia Systems. 2004. - PP. 535-547.

96. Niblack, C. W. QBIC project: querying images by content, using color, texture, and shape / C. W. Niblack, R. Barber, W. Equitz et al. // Proc. SPIE, Storage and Retrieval for Image and Video Databases. 1993. - Vol. 1908. - pp. 173-187.

97. Osadebey, M. E. Integrated content-based image retrieval using texture, shape and spatial information / M. E. Osadebey // Master Thesis Report in Media Signal Processing. — Sweden, 2006. — 173 p.

98. Orenstein, J. A class of data structures for associative searching / J. Orenstein, T. H. Merrett // In Proc. 3rd ACM SIGACT-SIGMOD Symp. on Principles of Database Systems. 1984. - pp. 181-190.

99. Piamsa-nga, P. In-picture search algorithm for content-based image retrieval / P. Piamsa-nga, N.A. Alexandridis, S. Srakaew et. all // Image Processing. — 1999. — Vol. 1-pp. 129-133.

100. Popescu, D. Texture Classification and Defect Detection by Statistical Features / D. Popescu, R. Dobrescu, M. Nicolae // NAUN International Journal Of Circuits, Systems And Signal Processing. 2007. - Vol. 1 - pp. 79-84.

101. Popescu, D. Carriage Road Pursuit Based On Statistical And Fractal Analysis Of The Texture / D. Popescu, R. Dobrescu // NAUN International Journal of Education and Information Technologies. — 2008. Vol. 2 — pp. 62-70.

102. Rabiner, L. R. A tutorial on hidden markov models and selected applications in speech recognition / L. R. Rabiner // Morgan Kaufmann Publishers Inc. — San Francisco, CA, USA, 1990. pp. 267-296.

103. Rui, Y. Image Retrieval: Current Techniques, Promising Directions, and Open Issues / Y. Rui, T. S. Huang, S. F. Chang // Journal of Visual Communication and Image Representation. 1999. - Vol. 10, Issue 1. — pp. 39-62.

104. Ross, K.A. Cost-based Unbalanced R-Trees / K. A. Ross, I. Sitzmann, P.J. Stuckey // Proceedings of the 13th International Conference on Scientific and Statistical Database Management. 2001. — pp. 203-212.

105. Rubner, Y. The Earth Mover's Distance as a Metric for Image Retrieval / Y. Rubner, C. Tomasi, L. J. Guibas // International Journal of Computer Vision. — 2000. -Vol. 40, Issue 2. pp. 99-121.

106. Rui, Y. Content-based image retrieval with relevance feedback in MARS / Y. Rui, T. S. Huang, S. Mehrotra // Image Processing. 1997. - Vol. 2. - PP. 815-818.

107. Samet, H. Foundations of Multidimensional and Metric Data Structures / H.

108. Samet 11 Imprint: Morgan Kaufmann. — 2006. — 1024 p.

109. Samet, H. The design and analysis of spatial data structures / H. Samet // Reading. MA: Addison-Wesley, 1989. - 510 p. '

110. Sebastian, T. B. Metric-based shape retrieval in large databases / T. B. Sebastian, B. B. Kimia // In Proc. of the 16th International Conference on Pattern Recognition. 2002. - pp. 291-296.

111. Smith, J. R. Querying by color regions using the VisualSEEk content-based visual query system / J. R. Smith, S.-F. Chang // In M. T. Maybury, editor, Intelligent Multimedia Information Retrieval. — AAAI Press, 1997.

112. Smith, J. R. Integrated Spatial and Feature Image Systems: Retrieval, Compression and Analysis / J. R. Smith // PhD thesis, Graduate School of Arts and Sciences, Columbia University, 1997.

113. Strieker, M. A. Similarity of color images / M. A. Strieker, M. Orengo // Proc. SPIE, Storage and Retrieval for Image and Video Databases III. — 1995. Vol. 2420.-pp. 381-392.

114. Sharma, G. The CIEDE2000 Color-Difference Formula: Implementation Notes, Supplementary Test Data, and Mathematical Observations / G. Sharma, W. Wu, E. Dalai // Color Research and Application. February 2004. - Vol. 30. No. 1. - 24 p.

115. Takei, R. A New Grey-Scale Template Image Matching Algorithm Using the Cross-Sectional Histogram Correlation Method / R. A. Takei // Dynax Corporation. -2003.-pp. 1-12.

116. Vassilieva, N. Content Based Image Retrieval / N. Vassilieva // Russian Summer School in Information Retrieval. 2008.

117. Veltkamp, R. C. Content-Based Image Retrieval Systems: A Survey / R. C. Veltkamp, M. Tanase // Technical Report UU-CS-2000-34. 2002. - 62 p.

118. Wang, B.-H. An Efficient Search Algorithm for High-Dimensional Indexing Using Cell Based MBR / B.-H. Wang, B.-W. Lee // Springer Berlin, Heidelberg. -2006. pp. 946-954.

119. Wang, L. Automatic image annotation and retrieval using weighted feature selection / L. Wang, L. Khan // Multimedia Tools Appl. 2006. - PP. 55-71.

120. White, D. A. Similarity indexing with the ss-tree / D. A. White, R. Jain // Twelfth International Conference on Data Engineering. — 1996. — pp. 516-523.

121. Международная конференция по компьютерной графике, машинному зрению, обработке изображений и видео (GraphiCon). Электронный ресурс. Режим доступа: http://www.graphicon.ru/.

122. Российская летняя школа по информационному поиску. Электронный ресурс. Режим доступа: http://romip.ru/russir2010/.

123. Российский семинар по Оценке Методов Информационного Поиска. Электронный ресурс. Режим доступа: http://romip.ru/.

124. Электронные библиотеки: Перспективные Методы и Технологии, Электронные коллекции. Электронный ресурс. Режим доступа: http://rcdl.ru/.

125. The Berkeley Segmentation Dataset and Benchmark. Электронный ресурс. Режим доступа:http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/segbench/.