Методы поиска графической информации в информационных системах тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Калачик, Роман Александрович

• Калачик, Роман Александрович
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Калачик, Роман Александрович

Введение

1. Анализ методов поиска графической информации в информационно-поисковых системах

1.0. Введение

1.1. Общая структура информационно-поисковой системы

1.2. Существующие подходы к решению задачи поиска изображений в коллекциях

1.2.1. Неавтоматизированные (ручные) виды поиска

1.2.2. Полуавтоматические виды поиска

1.2.3. Автоматические виды поиска

1.3. Способы формирования изображений, используемых в ИПС

1.3.1. Формирование изображений с помощью технических средств

1.3.2. Методы синтеза изображений

1.4. Способы кодирования информации в изображениях, используемых в ИПС

1.5. Формальное описание цифровой модели изображения

1.5.1. Общие определения

1.5.2. Кодирование цвета в цифровых моделях изображений

1.6. Требования к информационно-поисковым системам и критерии оценки эффективности работы

1.7. Релевантность поиска графической информации

1.8. Существующие системы поиска графической информации и области их применения

1.9. Постановка задачи на исследования

1.10. Выводы по главе

2 Формирование компактного описания изображения для решения задачи поиска по содержанию

2.0 Введение

2.1 Схема функционирования ИПС

2.2 Формирование графических миниатюр

2.3 Подход к построению формального описания изображения

2.4 Агрегирование сегментов

2.5 Общая схема метода формирования дерева агрегирования сегментов

2.5.1 Создание графа по изображению

2.5.2 Критерий объединения сегментов

2.5.3 Расчет минимального остова графа

2.6 Метод формирования дерева агрегирования сегментов

2.7 Выводы

3 Поиск графической информации по содержанию изображения

3.0 Введение •

3.1 Нагруженные деревья агрегирования

3.2 Поиск соответствующих узлов в нагруженных деревьях агрегирования

3.3 Мера схожести соответствующих узлов нагруженных деревьев агрегирования

3.4 Методика сравнения нагруженных деревьев агрегирования сегментов

3.5 Классификация свойств сегментов

3.6 Вычисление свойств области сегмента

3.7 Вычисление свойств границы области

3.8 Вычисление комбинированных свойств

3.9 Методика индексирования графических изображений при организации базы данных изображений

3.10 Выводы 86 4 Экспериментальные исследования методов поиска графической информации

4.0 Введение

4.1 Описание программно-аппаратного комплекса

4.2 Обобщенная структура алгоритма

4.3 Общая постановка экспериментальных исследований разработанных методов

4.4 Исследование эффективности работы алгоритма автоматической сегментации

4.5 Исследование эффективности критерия схожести изображений на синтезированных изображениях простых сцен

4.6 Исследования эффективности критерия схожести реальных изображений простых сцен

4.7 Исследование эффективности работы поисковой системы на коллекции реальных изображений сложных сцен

4.8 Выводы

Введение диссертации (часть автореферата) на тему «Методы поиска графической информации в информационных системах»

Актуальность задачи. Актуальность разработки математического и программного обеспечения для систем управления базами данных (СУБД) графической информации обусловлена рядом факторов. С одной стороны, наблюдается резкий рост объёмов хранимых цифровых изображений, обусловленный значительным прогрессом в области построения технических средств формирования цифровых изображений, обработки и хранения цифровой информации включающим: расширение номенклатуры фотоэлектронных преобразователей, увеличение емкости и быстродействия цифровых систем хранения информации, появление на рынке специализированных сигнальных процессоров для обработки цифровых изображений.

С другой стороны, существующие методы поиска графической информации ограниченно применимы к решению задачи поиска изображения в базе данных (коллекции) изображений.

Практическое создание полноценных систем поиска осложнено из-за того, что при определении схожести изображений человек оперирует высокоуровневыми признаками, которые плохо формализуются и с трудом воспроизводятся программными средствами. Эта проблема получила в иностранной литературе название «семантическое расхождение» (semantic gap). Поэтому в последнее время в нашей стране и за рубежом значительные усилия направляются на разработку методов поиска графической информации, сокращающих семантический разрыв. Несмотря на достигнутые результаты, общая методика проектирования информационно-поисковых систем, обеспечивающих,поиск изображения по его содержанию, в настоящее время отсутствует, что объясняет актуальность работы.

Перечисленные выше обстоятельства обусловили выбор объекта исследования диссертации, которым является система управления базой данных, осуществляющая ввод и накопление графической информации в базе и выдачу изображений по запросу, которая может быть охарактеризована как автоматизированный аппаратно-программный комплекс поиска изображений по содержанию универсального типа (без задания ограничений на вид хранимых изображений).

В существующих исследованиях описана возможность использования формы и расположения однородных сегментов изображения в качестве признаков при поиске похожих изображений. Подобные признаки частично решают проблему семантического расхождения. Однако применение традиционных способов сегментации (яркостной, цветовой, текстурной и т.п.) для обработки реальных изображений даёт неудовлетворительные результаты, поскольку структура сегментов существенно изменяется даже при незначительных вариациях исходного изображения (появление шума, изменение освещённости, смена ракурса, изменение масштаба и т.д.). Это позволяет определить предмет исследования диссертационной работы как математические методы и программные средства поиска изображений по содержанию в СУБД графической информации.

Диссертационная работа является дальнейшим развитием работ таких отечественных ученых, как В.П. Андреев, Д.А. Белов, Г.Г. Вайнштейн, Я.А. Фурман, а так же зарубежных ученых А. Розенфельда, Р. Гонсалеса, У. Прэта.

Цель диссертационной работы заключается в повышении точности поиска информации в базе данных графических изображений универсального типа.

Реализация поставленной цели включает решение следующих задач.

1. Проведение анализа имеющихся теорий восприятия графической информации человеком и выбор одного или нескольких факторов, в наибольшей степени влияющих на восприятие.

2. Поиск формального компактного описания изображения, характеризующего изображение в соответствии с выявленными факторами.

3. Проведение анализа существующих подходов к построению систем поиска изображений по содержанию и выявление основных элементов подобных систем, влияющих на производительность и качество поиска в базах данных.

4. Разработка способа оценки схожести изображений на основании схожести их структурных признаков.

5. Практическая реализация и экспериментальная проверка эффективности поиска графической информации в базе данных изображений.

Методы исследования. В работе используются методы теории графов, теории фильтрации, теории вероятностей, теории распознавания образов. Разработка алгоритмов и программ осуществлялась на основе объектно-ориентированного подхода к организации данных и алгоритмов.

Методы исследования. В работе используются методы теории графов, теории фильтрации, теории вероятностей, теории распознавания образов. Разработка алгоритмов и программ осуществлялась на основе объектно-ориентированного подхода к организации данных и алгоритмов.

Научная новизна результатов диссертационного исследования заключается в следующем:

1. Предложено производить поиск по упорядоченным наборам структурных признаков, извлекаемых из изображений - нагруженным деревьям агрегирования сегментов.

2. Разработан метод формирования дерева агрегирования сегментов, позволяющий повысить точность поиска графической информации в базе данных.

3. Предложена система признаков, описывающих визуальные свойства отдельных сегментов, использующаяся для построения нагруженного дерева агрегирования сегментов.

4. Разработан метод сравнения нагруженных деревьев агрегирования сегментов, позволяющий получать численную оценку схожести двух одинаково нагруженных деревьев агрегирования.

5. Разработана методика организации базы данных изображений для обеспечения эффективного поиска, позволяющая увеличить эффективность поиска за счет уменьшения числа рассматриваемых изображений при обработке запроса.

Положения, выносимые на защиту.

1. Метод формирования нагруженного дерева агрегирования сегментов, содержащего информацию о форме и расположении сегментов с разной степенью детализации, и векторы признаков отдельных сегментов.

2. Метод сравнения нагруженных деревьев агрегирования сегментов, включающий: методику поиска соответствующих вершин в нагруженных деревьях агрегирования сегментов, методику вычисления меры схожести двух нагруженных деревьев агрегирования сегментов, методику визуализации нагруженных деревьев агрегирования, используемую для построения изображений деревьев агрегирования.

4. Методика организации базы данных изображений, обеспечивающей повышение эффективности поиска изображений по образцу.

Практическая ценность. Результаты работы позволяют проводить проектирование систем рассматриваемого класса (разработку программного продукта) без проведения дополнительных исследований.

Реализация и внедрение результатов работы. Полученные в диссертации теоретические и практические результаты были внедрены в производство программного обеспечения на предприятии «ООО ДевелоперСофт» (г. Тула), а также нашли применение в учебном процессе в ГОУ ВПО «Тульский государственный университет».

Апробация работы. Содержание и основные результаты диссертации докладывались на следующих научно-технических конференциях и семинарах:

1. Международная научная конференция «Математические методы в технике и технологиях - ММТТ-19», Воронежская государственная технологическая академия, Воронеж, 2006 г. - «Структура системы поиска в коллекциях изображений»

2. XLIII Всероссийская конференция по проблемам математики информатики физики и химии, РУДН, Москва, 2007 г. - «Автоматическая сегментация с агрегированием сегментов в системах поиска изображений».

3. 15 я Международная научно-техническая конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций», РГРА, Рязань, 2008 г. - «Метод получения миниатюр изображений с заданными параметрами».

4. Научно-практические конференции профессорско-преподавательского состава ТулГУ, Тула, 2005-08 гг.

Подана заявка на участие в международной научной конференции «Математические методы в технике и технологиях — ММТТ-21», Саратов, 2008 г. — «Дерево агрегирования сегментов для задачи автоматической сегментации изображений».

Публикации. По теме диссертации опубликованы 11 работ, в том числе: 3 тезиса докладов на международных и всероссийских конференциях и семинарах, 8 статей.

Структура и объём работы. Диссертация состоит из введения, 4 разделов, заключения, изложенных на 146 страницах машинописного текста, и включающих 50 рисунков и 11 таблиц, приложений на 22 страницах и списка использованной литературы из 82 наименований.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Калачик, Роман Александрович

ВЫВОДЫ ПО РАБОТЕ

По диссертационной работе можно сформулировать следующие основные выводы и результаты:

По диссертационной работе можно сформулировать следующие основные выводы и результаты:

1. Выполнен анализ существующих теорий восприятия графической информации человеком, позволивший сделать вывод о том, что наиболее важными факторами для восприятия являются форма объектов на изображении и их взаимное расположение.

2. Разработана общая схема функционирования ИПС, содержащая описание основных этапов функционирования ИПС в режиме поиска и в режиме добавления новой информации. Это позволило выполнить декомпозицию сложной задачи поиска изображения по содержанию на ряд отдельных, более простых подзадач.

3. Разработана методика получения миниатюр изображений, которая позволяет вычислять миниатюры с заданными пространственно-частотными характеристиками.

4. Разработана новая структура данных для представления результатов сегментации — дерево агрегирования сегментов. Формирование дерева агрегирования вместо фиксированного набора сегментов позволяет изменять детальность сегментации без необходимости перезапуска процедуры сегментации, что, в свою очередь, позволяет принимать решение о детальности сегментации на этапах высокоуровневой обработки, используя семантику изображения.

5. Разработан метод формирования дерева агрегирования сегментов, являющегося основой для построения формального компактного описания изображения, используемого в задаче поиска по содержанию.

6. Разработана методика вычисления меры схожести двух нагруженных деревьев агрегирования сегментов. Данная методика позволяет сравнивать деревья агрегирования сегментов разной структуры, нагруженные одинаковыми наборами свойств.

7. Предложена классификация свойств сегментов, вычисляемых для построения нагруженного дерева агрегирования. В качестве классификационного признака выбран набор точек, по которому производится расчет признака. Приведены формулы для расчёта основных свойств сегментов. Показано, что для всех основных свойств области формирование вектора свойств для агрегирующего сегмента может быть осуществлено через комбинацию соответствующих свойств агрегируемых сегментов, что позволяет существенно снижать вычислительные затраты на генерацию нагруженного дерева агрегирования.

8. Разработана методика индексирования графических изображений при организации базы данных изображений. Данная методика позволяет при поиске изображений в базе исключить из рассмотрения заведомо неудовлетворяющие критериям поиска изображения.

9. Разработан программно-аппаратный комплекс, реализующий: алгоритм получения миниатюр с заданными параметрами, метод формирования нагруженных деревьев агрегирования сегментов, и предложенные методики.

10. Исследована эффективность критерия схожести на наборе изображений сложных сцен. Средний коэффициент точности поиска составил 0.32. Коэффициент точности поиска укладывается в нормы для коэффициентов точности работы современных ИПС и согласуется с результатами экспериментов, проведенных на наборе программно синтезированных изображений.

Список литературы диссертационного исследования кандидат технических наук Калачик, Роман Александрович, 2008 год

1. Абчук В.А., Суздаль В.Г. Поиск объектов. М.: Сов. радио, 1977. -336 с.

2. Айфичер Э., Джервис Б. Цифровая обработка сигналов. Практический подход. М.: "Вильяме", 2004. - 992 с.

3. Александров В.В., Горский М.Д. Представление и обработка изображений. Рекурсивный подход- Л.: Наука. Ленингр. отд-ние, 1985.-189 с.

4. Аммерал Л. Машинная графика на персональном компьютере. М.: Сол Систем, 1992. - 230 с.

5. Андриянов А.В., Шпак И.И. Цифровая обработка информации в измерительных приборах и системах. Минск: Высш. шк., 1987. -174 с.

6. Ахмед Н., Рао К. Ортогональные преобразования при обработке цифровых сигналов. М.: Мир, 1980. - 248 с.

7. Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. М: Мир, 1989.-245 с.

8. Боресков А.В., Шикин Е.В., Шикин Г.Е. Компьютерная графика: первое знакомство. М.: Финансы и статистика, 1996. - 176 с.

9. Бутаков Е.А., Островский В.И., Фадеев Л.И. Обработка изображений на ЭВМ. М.: Радио и связь, 1987. - 236 с.

10. Быстрые алгоритмы в цифровой обработке в цифровой обработке изображений. // Ред. Хуанга Т.С. М.: Радио и связь, 1984. - 224 с.

11. П.Ватанаба М. Современные тенденции развития технологии технического зрения. // «Обозрение Тошиба». 50, № 8, 1995. - С. 604-606.

12. Введение в цифровую фильтрацию: пер. с англ., под ред. Филиппова Л.И. М.: Мир, 1976.

13. Гинзбург В.И. Формирование и обработка изображений в реальном времени. М.: Радио и связь, 1986. - 312 с.

14. Годжаев Н.М. Оптика. Учебное пособие для вузов. — М.: Высш. школа, 1977. 432 с.

15. Голд Б., Рейден И. Цифровая обработка сигналов. М.: Мир, 1973. -367 с.

16. Гольберг Л.М. Цифровая обработка сигналов. М.: Радио и связь, 1990.- 325 с.

17. Горелик А.Л., Скрипкин В.А. Методы распознавания. — М.: Высш. шк., 1977.-222 с.

18. Горьян Н.С., Кац Б.М., Цуккерман И.И. Выделение статистически однородных участков изображений. В кн.: Иконика. Цифровая голография. Обработка изображений. М.: Наука, 1975. — с. 62-73.

19. Григоренко A.M. Некоторые вопросы теории технической информации. М.: ЮБЕКС, 1998. - 112 с.

20. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов. М.: Мир, 1988. - 488 с.

21. Дмитриев В.И. Прикладная теория информации. М.: Высшая школа, 1989. - 320 с.22.3авалишин Н.В., Мучник И.Б. Модели зрительного восприятия и алгоритмы анализа изображений. М.: Наука, 1974. — 344 с.

22. Информационно-измерительные системы коллективного пользования / Загорский В.П., Пугачев И.С., Ярусов А.Г. АН БССР. Ин-т технической кибернетики. Минск: Наука и техника, 1987. -104 с.

23. Калачик Р.А Алгоритм быстрой сегментации изображений. // Известия ТулГУ. Серия: Проблемы специального машиностроения. Вып. 9, Том 2. Тула: Изд-во ТулГУ, 2006. - с. 191- 193

24. Калачик Р.А. Алгоритм автоматической сегментации с агрегированием сегментов в системах поиска изображений. // Вестник РГРТУ. Вып. 23. Рязань: Изд-во РГРТУ . 2008, - с 135139.

25. Калачик Р.А. Котов В.В. О задаче поиска изображений в коллекциях // Известия ТулГУ. Серия: Вычислительная техника. Информационные технологии. Системы управления. Вып. 3. Системы управления. Тула : Изд-во ТулГУ, 2005. - с 83-88.

26. Калачик Р.А. Котов В.В. Структура системы поиска в коллекциях изображений // Математические методы в технике и технологиях

27. ММТТ-19: Сб. трудов Международной научной конференции. В 10-ти томах. Т. 8. Секция 8 Воронеж: Изд-во ВГТА , 2006. - с 95-06.

28. Калачик Р.А. Сравнительный анализ процессоров фирмы Texas Instruments при реализации алгоритмов сжатия изображений в мобильных устройствах // Электронные компоненты, №9 — М: Изд-во "Электроника", 2004 г, с. 65-67.

29. Калачик Р.А. Цифровые усилители мощности // Компоненты и технологии, № 8 СПб: Изд-во "FineStreet", 2004 г. - с. 73-75.

30. Каппелини В, Константинидис А. Дж., Эмилиани П. Цифровые фильтры и их применение М.: Энергоатомиздат, 1983 — 360 с.

31. Карташев В.Г. Основы теории дискретных сигналов и цифровых фильтров. — М.: Высш. школа, 1982. — 109 с.

32. Катыс Г.П. Восприятие и анализ оптической информации автоматической системой. М.: Машиностроение, 1986. — 416 с.

33. Катыс Г.П. Методы и вычислительные средства обработки изображений. Кишинев: Штиинца, 1991. - 209 с.

34. Катыс Г.П. Обработка визуальной информации М.: Машиностроение, 1990. — 320 с.

35. Колмогоров А.Н. Три подхода к определению понятия «количество информации» //Проблемы передачи информации, 1965. Т. 1. Вып. 1. с. 25-38.

36. Копейкин С.В. Адаптивные методы обработки измерений. -Саратов: Изд-во Саратовского ун-та, 1982. — 120 с.

37. Корн Г., Корн Т. Справочник по математике (для научных работников и инженеров). — М.: Наука, 1973. — 831 с.

38. Кузьмин И.В., Кедрус В.А. Основы теории информации и кодирования. Киев: Вища школа, 1986. - 360 с.41 .Куликовский Л.Ф., Мотов В.В. Теоретические основы информационных процессов. — М.: Высш. шк., 1987. 248 с.

39. Купер Дж., Макгиллем К. Вероятностные методы анализа сигналов и систем: Пер. с англ. М.: Мир, 1989. - 376 с.

40. Логвиненко А.Д. Чувственные основы восприятия пространства, М., Изд. МГУ, 1985-224с.

41. Маликов В.М., Дубовой В.М., Кветный P.M., Исматулаев П.Р. Анализ измерительных информационных систем — Ташкент: Ташкентский политехи, ин-т им. А.Р. Беруни., 1984. 176 с.

42. Методы компьютерной обработки изображений. / Под ред. В.А. Сойфера. М.: Физмат, 2001. - 784 с.

43. Павлидис Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986. - 400 с.

44. Писаревский А.И. Системы технического зрения. СПб.: Машиностроение, 1988. -240 с.

45. Прэтт У. Цифровая обработка изображений: В 2х кн. М.: Мир, 1982 г.-714 с.

46. Р. Гонсалес, Р. Вудс Цифровая обработка изображений. М -Техносфера, 2006 1072с

47. Романов В.Ю. Популярные форматы файлов для хранения графических изображений на IBM PC М.: Унитех, 1992. - 156 с.

48. С.Н Ганебных, М.М Ланге, "Древовидное представление образов для распознавания полутоновых объектов" // Труды Вычислительного центра им. А.А Дородницына РАН, Москва: ВЦ РАН, 2007, заказ 48 (отдельный выпуск, 32 е.).

49. Смирнов М.В. Распознавание изображения края полуплоскости в задаче количественного анализа изображений //Сб. статей: Применение методов оптической обработки изображений, Л., РПТ ЛИЯФ, 1986.-е. 233-235.

50. Ту Дж., Гонсалес Р., Принципы распознавания образов. М: Мир, 1978.-е. 99-103.

51. Фу К., Гонсалес Р., Ли К. Робототехника. /Пер. с англ. М.: Мир, 1989.-624 с.

52. ХеммингР.В. Цифровые фильтры. -М.: Недра, 1987. -221 с.

53. Хорн Б.К. Зрение роботов. М.: Мир, 1989. - 448 с.

54. Хромов Л.И., Цыцулин А.К., Куликов А.Н. Видеоинформатика. Передача и компьютерная обработка видеоинформации,— М.: Машиностроение, 1990. — 320 с.

55. Хэмминг Р.В. Теория кодирования и теория информации: пер. с англ. М.: Радио и связь, 1983. - 176 с.бЗ.Чжун Кай-лай. Однородные цепи Маркова. М.: Мир, 1964. - 426 с.

56. Чукин Ю.В. Структуры данных для представления изображений. // «Зарубежнаярадиоэлектроника», №8, 1983.-С. 85.

57. А.К. Jain and A. Vailaya. Shape-Based Retrieval: A Case Study with Trademark Image Databases. Pattern Recognition, vol. 31(9):pp. 13691390, 1998.

58. Ann Bengtsson and Jan-Olof Eklundh, "Shape Representation by Multiscale Contour Approximation", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 13 (1), pp. 85-93, Jan. 1991.

59. Berretti S., Del Bimbo A. Multiresolution spatial partitioning for shape representation. // IEEE Proceedings of ICPR, 2004. Vol. 2. Pp. 775-778.

60. Blahut R.M. Fast algorithms for digital signal processing. Addison-Wesley, 1985.

61. C. Chu and J. K. Aggarwal, "The integration of image segmentation maps using region and edge information," IEEE Trans. Pattern Anal. Machine Intell., vol. 15, pp. 1241-1252, 1993.

62. Charles Zahn and Ralph Roskie, "Fourier Descriptors for Plane Closed Curves", IEEE Transaction on Computer, vol. C-21 (3), March 1972.

63. D. Comaniciu, P. Meer, "Robust Analysis of Feature Spaces:Color Image Segmentation," Proc. of CVPR'97, pp. 750-755.

64. D. Marr. A theory for cerebral neocortex, Proceedings of the Royal Society of London, 1970.

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

66. D. О. Hebb. The organization of behavior. John Wiley, 1949.

67. D. R. Karger, C. Stein. An algorithm for minimum cuts. Proceedings of the twenty-fifth annual ACM symposium on Theory of computing, pp. 757-765, 1993.

68. Del Bimbo and P. Pala. "Shape Indexing by Multi-Scale Representation." Image and Vision Computing, vol. 17(3-4): pp. 245-261, 1999.

69. Duda R.O., Hart P.E., Stork D.G. Pattern classification. Wiley, 2001.

70. E. M. Stokely and S. Y. Wu. Surface parametrization and curvature measurement of arbitrary 3-D objects: Five practical methods. IEEE Transactions onPAMI, 14,833, 1992.

71. Effcient Graph-Based Image Segmentation Algorithm Pedro F. Felzenszwalb, Daniel P. Huttenlocher. IEEE Trans, on Communications, 4, pp. 342-359, 1994

72. Equitz W.E., Cover T.M. Successive refinement of information. // IEEE Transactions on Information Theory, 1991. Vol. 37. Pp. 269-275.

73. F. Attneave and M. D. Arnoult. The quantitative study of shape and pattern perception. In L. Uhr editor, Pattern Recognition, 141. John Wiley, 1966.

74. Farzin Mokhtarian and Alan K. Mackworth, "A Theorey of Mlltiscale, Curvature-Based Shape Representation for Planar Curves", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 14 (8), pp. 85-93, Jan. 1992.

75. H.H.S. Ip, D. Shen, and K.K.T. Cheung. "Affine Invariant Retrieval of ' Binary Patterns Using Generalized Complex Moments." In Second International Conference on Visual Information Systems (VISUAL'97), pp. 301-308, 1997.

76. Ни M.K. Visual pattern recognition by moment invariants. // IRE Transactions on Information Theory, 1962. Vol. 8. Pp. 179-187.

77. J. Haddon and J. Boyce, "Image segmentation by unifying region and boundary information," IEEE Trans. Pattern Anal. Machine Intell., vol. 12, pp. 929-948, 1990.

78. J. J. Gibson. The perception of the visual world. Houghton, 1950.

79. J. Koenderink and A. Van Doom. Dynamic shape, Biological Cybernetics, 1986.

80. Jagadish H., Bruckstein A. On sequential shape descriptions. // Pattern Recognition, 1992. Vol. 25. Pp. 165-172.

81. Kim H., Park K., Kim M. Shape decomposition by collinearity. // Pattern Recognition Letters, 1987. Vol. Pp. 335-340.

82. L. Davis. Understanding shape: Angles and sides. IEEE Transactions on Computers, 26,236, 1977.

83. L. R. Jr. Ford, D. R. Fulkerson. Maximum flow through a network. Canadian Journal of Mathematics, Vol. 8, pp. 399-404, 1956.

84. L. Zusne. Contemporary Theory of Visual Form Perception: III. The Global Theories, chapter 4, Academic Press, 1970

85. L.J. Latecki and R. Lakamper, " Shape Description and Search for Similar Objects in Image Databases", State-of-the-Art in Content-Based Image and Video Retrieval, Kluwer Academic Publishers, 20001.i i

86. L.J. Latecki and R. Lakamper, "Application Of Planar Shape Comparison To Object Retrieval In Image Databases". Pattern Recognition, 35(1), pp. 15-29, 2002.

87. Lange M.M., Ganebnykh S.N. Tree-like data structures for effective recognition of 2-D solids. // IEEE Proceedings of ICPR, 2004. Vol. 1. Pp. 592-595.

88. Lange M.M., Lange A.M. Data classification in the space of tree-structured representations. // Pattern Recognition and Image Analysis, Nauka/Interperiodica, 2004. Vol. 14. No. 1. Pp. 12-22.

89. Loncaric S. A survey of shape analysis techniques. //Pattern Recognition, 1998. Vol. 34. Pp. 983-1001.

90. Milan Sonka, Vaclav Hlavac, and Roger Boyle, Image Processing, Analysis, and Machine Vision, Second Edition, pp. 240-248, Brooks/Cole Publishing Company, 1999.

91. Ming-Kuei Hu, "Visual Pattern Recognition by Moment Invariants", IRE Transaction on Information Theory, vol. 8, pp. 179-187, 1962.

92. N. Pal and S. Pal, "A reviewon image segmentation techniques," PatternRecognit., vol. 26, pp. 1277-1294, 1993.

93. P. L. Palmer, H. Dabis, and J. Kittler, "A performance measure for boundary detection algorithms," Comput. Vis. Image Understanding, vol. 63, pp. 476-494, 1996.

94. P.J. Burt et A.E. Adelson, "The Laplacian pyramid as a compact image code", IEEE Trans, on Communications, 31, pp. 532-540, 1983.

95. R. C. Veltkamp, "Shape Matching: Similarity Measures and Algorithms," Proc. Shape Modelling International,' Genova, Italy, pp. 188-197, May 2001.

96. R. Kalachik Code quality improvement under Code Composer Studio (статья на англ. яз.) GlobalDSP, August 2005. 'электронный ресурс, режим доступа: http://www.dspstore.com/Newsletter/August2005/CodeComposer.htm

97. R. Kalachik La composizione degli effetti video (статья на итал. яз.) ISSN : 0391-6391, Elettronica Oggi October 2005 Pages 30-34.

98. R. Kalachik, V. Kotov Fractal image compression (статья на англ. яз.), GlobalDSP электронный ресурс., 2004. GlobalDSP, Vol. 3, Issue 5, May 2004. Режим доступа: http://www.globaldsp.com, свободный. -Заголовок с экрана.

99. Rafael Gonzalez and Richard Woods, Digital Image Processing, pp.655-659, Prentice Hall, 2002.

100. Rosenfield A. Multiresolution image analysis. // Proceedings of 3-rd Scandinavian Conference on Image Analysis, 1983. Pp. 23-28.

101. Row H., Medioni G. Hierarchical decomposition of axial shape description. // IEEE Transactions on PAMI, 1993. Vol. 15. Pp. 973-981.

102. T. Pavlidis. A review of algorithms for shape analysis. Computer Graphics and Image Processing 1978, 243-258.

103. V. Goldberg, R. E. Tarjan. A New Approach to the Maximum Flow Problem. Journal of the ACM, Vol. 35, pp. 921-940, 1988.

104. Vapnik V.N. The nature of statistical learning theory. Springer, 2000.

105. Voss K., Suesse H. Invariant fitting of planar objects by primitives. // IEEE Proceedings oflCPR, 1996. Pp. 508-512.

106. Weiss I. Geometric invariants and object recognition. // International Journal of Computer Vision, 1993. Vol. 10. Pp. 207-231.

107. Y. Gong and M. Sakauchi, "Detection of regions matching specified chromatic features," Comput. Vis. Image Understanding, vol. 61, pp. 263-269, 1995.

108. Y. H. Ang, Z. Li, and S. H. Ong. "Image Retrieval based on Multidimensional Feature Properties." In Proceedings of IS\&T/SPIE Conference on Storage and Retrieval for Image and Video Databases III, Vol. SPIE 2420, pp. 47-57, 1995.

109. Y. Rui, T.S. Huang, and S.-F. Chang, "Image retrieval: Current techniques, promising directions and open issues," J. Vis. Comm. Im. Repr., vol. 10, pp. 39-62, Mar. 1999.

110. Yannis Avrithis, Yiannis Xirouhakis, Stefanos Kollias. Affine-invariant curve normalization for object shape representation, classification, and retrieval. Machine Vision and Applications (2001) 13: 80-94.

111. Y-S. Kim and Kim W-Y. "Content-Based Trademark Retrieval System by using Visually Salient Feature." In Proc. of IEEE Conf. on Computer Vision and Pattern Recognition, pp. 307-312, 1997.

112. A. Pentland. Fractal-based description of natural scenes. IEEE Transactions on PAMI, 6,661, 1984.