Объектно-независимый подход к структурному анализу изображений тема диссертации и автореферата по ВАК РФ 05.13.01, доктор технических наук Луцив, Вадим Ростиславович

• Луцив, Вадим Ростиславович
• доктор технических наук
• 2011

Оглавление диссертации доктор технических наук Луцив, Вадим Ростиславович

ИСПОЛЬЗОВАННЫЕ СОКРАЩЕНИЯ.

ВВЕДЕНИЕ.

1 ПРЕДПОСЫЛКИ ВОЗНИКНОВЕНИЯ И ЭТАПЫ ФОРМИРОВАНИЯ СТРУКТУРНЫХ МЕТОДОВ АНАЛИЗА ИЗОБРАЖЕНИЙ.

1.1 Первые шаги автоматического распознавания изображений.

1.2 Становление структурного подхода к анализу изображений.

1.3 Применение экспертных систем - один из этапов развития методов структурного анализа изображений.

1.4 Кризис структурных методов, основанных на частных эвристиках, и разработка объектно-независимых алгоритмов структурного анализа.

1.5 Выводы.

2 ОСНОВНЫЕ ПРИНЦИПЫ, ПОЛОЖЕННЫЕ В ОСНОВУ ОБЪЕКТНО-НЕЗАВИСИМОГО ПОДХОДА К СТРУКТУРНОМУ АНАЛИЗУ ИЗОБРАЖЕНИЙ.

2.1 Принципы и требования, которые должны быть положены в основу объектно-независимого структурного анализа изображений.

2.2 Свойства инвариантного параболического ядра, содержащегося в изображениях локальных объектов.

2.3 Выбор алфавита объектно-независимых структурных элементов, устойчивых к характерным преобразованиям изображений.

2.4 Итоги и выводы.

3 ВЛИЯНИЕ АФФИННОГО И ПРОЕКТИВНОГ О ПРЕОБРАЗОВАНИЙ ИЗОБРАЖЕНИЯ НА СОДЕРЖАЩИЕСЯ В НЕМ ЭЛЕМЕНТЫ ПРЕДЛОЖЕННОГО ОРТОГОНАЛЬНОГО БАЗИСА.

3.1 Представление аффинного преобразования в виде последовательности простых геометрических трансформаций.

3.2 Инвариантность объектно-независимых структурных элементов по отношению к аффинному преобразованию, измерение параметров их положения на изображении.

3.3 Измерение направления и величины анизотропного масштабного преобразования содержащихся в изображении структурных элементов первого типа.

3.4 Измерение параметра изотропного по направлению масштабирования изображения.

3.5 Измерение параметров преобразований вращения и зеркального отражения, входящих в состав аффинного преобразования.

3.6 Итеративная компенсация и измерение параметров проективного преобразования.

3.7 О влиянии проективного преобразования на форму структурных элементов первого и второго типов.

3.8 Измерение параметров преобразований вращения и зеркального отражения, входящих в состав проективного преобразования.

3.9 Выводы.

4 МЕТОДЫ ПОСТРОЕНИЯ ОБЪЕКТНО-НЕЗАВИСИМЫХ Т10 ФОРМЕ ОПИСАНИЙ ИЗОБРАЖЕНИЙ НА ОСНОВЕ НЕПРОИЗВОДНЫХ СТРУКТУРНБ1Х ЭЛЕМЕНТОВ РАЗНЫХ ИЕРАРХИЧЕСКИХ УРОВНЕЙ

4.1 Использование структурных элементов второго типа для описания границ объектов на низшем (нулевом) иерархическом уровне.

4.2 Использование структурных элементов первого и второго типов для описания границ объектов на первом иерархическом уровне.

4.3 Структурное описание изображения на втором иерархическом уровне

4.3.1 Примитивное группирование структурных элементов сетью прямоугольных ячеек.

4.3.2 Моделирование зон внимания на основе локального анализа яркости пикселов изображений.

4.3.3 Результаты моделирования зон внимания на основе анализа яркости пикселов изображений реальных объектов.

4.3.4 Моделирование зон внимания на основе анализа признаков текстуры

4.3.5 Выводы о возможности обнаружения элементов первого типа и построения регионов группирования с использованием зон внимания.

4.4 Структурное описание текстур.

4.5 Системный анализ подходов, применяемых при построении структурного описания изображений на разных иерархических уровнях.

4.6 Выводы.

5 РЕАЛИЗАЦИЯ ПРЕДЛОЖЕННОГО ОБЪЕКТНО-НЕЗАВИСИМОГО ПОДХОДА ПРИ СОПОСТАВЛЕНИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ИХ ИЕРАРХИЧЕСКИХ СТРУКТУРНЫХ ОПИСАНИЙ.

5.1 Сопоставление контурных структурных описаний искусственной нейронной сетью Хопфилда-Танка.

5.1.1 Нейронная сеть Хопфилда-Танка, использованная на первом иерархическом уровне сопоставления.

5.1.2 Нейронная сеть Хопфилда-Танка, выполняющая сопоставление контурных структурных элементов на двух иерархических уровнях.

5.2 Иерархическая система сопоставления контурных структурных описаний, использующая метод обхода дерева решений.

5.2.1 Сопоставление контурных описаний методом обхода дерева решений

5.2.2 Иерархическое сопоставление контурных описаний.

5.3 Выводы.

6 ПРИМЕНЕНИЕ РАЗРАБОТАННОГО ОБЪЕКТНО-НЕЗАВИСИМОГО ПОДХОДА ПРИ РЕШЕНИИ ВАЖНЫХ ЗАДАЧ СТРУК ТУРНОГО АНАЛИЗА, СОПОСТАВЛЕНИЯ И РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ.

6.1 Автоматическое распознавание объектов по текстуре на аэрокосмических снимках поверхности Земли.

6.2 Автоматическое обнаружение объектов заданной формы на изображениях

6.3 Регистрация в общей системе координат аэрокосмических снимков одной и той же местности, сделанных в разное время и с разных ракурсов.

6.4 Регистрация в общей системе координат аэрокосмических снимков, сформированных датчиками различающихся типов.

6.5 Сопоставление аэрокосмических снимков с картой местности векторного или растрового формата.

6.6 Автоматическая навигация беспилотного летательного аппарата на основе сопоставления изображений небольших единовременно наблюдаемых фрагментов поверхности Земли с эталонными.

6.7 Автоматическое извлечение информации о высоте объектов местности из аэрофотоснимков, сделанных из разных точек траектории летательного аппарата.

6.8 Автоматическая навигация мобильного робота на основе сопоставления изображений окружающего его пространства с эталонными.

6.9 Автоматическое распознавание деталей на конвейере.

6.10 Некоторые результаты автоматического структурного сопоставления изображений, не дошедшие до стадии практического применения.

6.11 Выводы.

Введение диссертации (часть автореферата) на тему «Объектно-независимый подход к структурному анализу изображений»

Актуальность проблемы. Автоматический анализ изображений, ведущий свою историю от первых моделей перцептронов и компьютерных экспериментов по автоматическому распознаванию зрительных образов, выполненных в середине двадцатого века, стал в настоящее время самостоятельным научным направлением, имеющим важные практические приложения в автоматизации производства и контроля качества продукции, неразрушающей диагностике, медицине, криминалистике, системах безопасности, системах дистанционного зондирования Земли, системах наведения и целеуказания, робототехнике и многих других областях. На начальных этапах автоматический анализ изображений основывался на корреляционном сопоставлении и формальных методах распознавания образов в пространствах признаков. Уже на первых шагах стало очевидно, что эти подходы, исходно разработанные для обнаружения сигнала известной формы, не достаточно эффективны при анализе сложным образом изменяющихся двумерных и трехмерных образов, соответствующих изображениям реальных сцен. Поэтому методы пространственной декомпозиции и структурного сопоставления начали применяться уже на ранних стадиях становления науки об автоматическом анализе изображений. Применение методов формальной лингвистики не внесло заметного вклада в прогресс структурного анализа (СА) изображений. Напротив, применение неформальных эвристических методов в течение многих лет неизменно оказывалось достаточно успешным и фактически легло в основу многих экспертных систем ОС) конкретного назначения. Ахиллесовой пятой таких ЭС оказалась чрезвычайно узкая сфера эффективного применения каждой из них. Например, ЭС, разработанная для автоматического распознавания танков, не могла эффективно использоваться для распознавания самолетов. Это закономерно следовало из свойств применяемых эвристических решений, отдельно разрабатываемых для распознавания каждого нового конкретного типа объектов. Кризис эвристического подхода стал наиболее очевиден при решении задач сопоставления и распознавания изображений, характеризующихся большой степенью неопределенности подлежащего анализу сценария и существенными возможными изменениями облика представленных в них объектов, например, при автоматической обработке аэрокосмических снимков Земли или при построении мобильных автономных роботов, предназначенных для применения внутри помещений или на открытой местности. Необходимым шагом в дальнейшем прогрессе компьютерного зрения должна стать разработка объектно-независимых подходов к СА изображений. Общая структура построенных в рамках таких подходов алгоритмов обработки изображений должна в основном абстрагироваться от частных особенностей подлежащих анализу зрительных образов и принимать во внимание только самые общие закономерности их формирования, обусловленные свойствами применяемых оптических систем (или систем, использующих другие физические принципы), законами их взаимодействия с объектами окружающего мира и наиболее общими закономерностями его организации.

Целью работы является разработка методов объектно-независимого структурного анализа изображений; разработанные методы должны быть эффективны в условиях сюжетного многообразия и естественных изменений изображений наблюдаемого мира, имеющих наиболее сложную форму в системах анализа аэрокосмических снимков и системах автоматического управления беспилотными аппаратами.

Поставленная цель достигается решением следующих задач:

1. Определение особенностей формирования изображений, обусловленных свойствами наиболее часто применяемых для этого систем преобразования и восприятия физических полей и путями взаимодействия этих полей с объектами отображаемых сцен. Определение моделей наиболее характерных 9 геометрических и фотометрических трансформаций, которым в связи с этим могут подвергаться формируемые изображения.

2. Определение свойств изображений, вытекающих из особенностей организации наблюдаемого мира, и моделей наиболее характерных геометрических и фотометрических трансформаций, которым в связи с этим могут дополнительно подвергаться подлежащие автоматическому анализу зрительные образы.

3. Определение элементов изображений, наиболее устойчивых к трансформациям, обусловленным свойствами систем формирования изображений и особенностями организации наблюдаемого мира, и пригодных к использованию в качестве непроизводных структурных элементов (СЭ) при построении объектно-независимых структурных описаний (СО).

4. Разработка методов выявления непроизводных СЭ на анализируемых изображениях и методов измерения параметров геометрических трансформаций изображений на основе параметров выделенных СЭ.

5. Разработка объектно-независимых методов построения структурных описаний, устойчивых к характерным геометрическим и фотометрическим трансформациям видеоданных и основанных на существенных в контексте решаемой проблемы общих особенностях организации наблюдаемого мира.

6. Построение объектно-независимых методов сопоставления и распознавания изображений на основе их СО.

Методы исследования. Для решения указанных задач в работе применялись методы системного анализа, аналитической геометрии, спектрального анализа, теории групп, компьютерного моделирования, обработки и распознавания изображений.

Научная новизна.

1. Представлена в рамках единой модели структурная организация изображений окружающего мира на разных иерархических уровнях - от микро

10 уровня, соответствующего текстурам, до макро-уровня, относящегося к объектам и подобъектам. Это дает возможность единообразно применять разработанные объектно-независимые методы структурной декомпозиции и СО изображений реального мира на каждом из иерархических уровней.

2. Разработан инвариантный к аффинным преобразованиям (АГ1) и проективным преобразованиям (I III) ортогональный базис обобщенных непроизводных СЭ, пригодный для объектно-независимой структурной декомпозиции изображений на разных иерархических уровнях - от анализа взаимного положения и формы объектов сцены до описания текстуры их поверхностей. При этом группы АП и ПГ1 и их подгруппы выбраны в качестве моделей, наиболее полно соответствующих преобразованиям изображений в самых распространенных схемах организации естественных зрительных систем и систем технического зрения.

3. Предложен объектно-независимый иерархический метод структурной декомпозиции и СО изображений; при этом, структурная декомпозиция производится в рамках единой модели при построении описания на каждом иерархическом уровне.

4. Предложен объектно-независимый метод сопоставления изображений реальных сцен с помощью их иерархических СО, построенных в разработанном базисе обобщенных непроизводных СЭ. В основу метода структурного сопоставления положены объектно-независимые ограничения, следующие из существенных в контексте решаемой проблемы общих принципов пространственной организации наблюдаемого мира и его взаимодействия с элементами естественных и искусственных зрительных систем.

5. Разработаны методы измерения параметров аффинных и проективных преобразований изображений объектов на основе аппроксимации этих изображений предложенными обобщенными непроизводными СЭ, и выведены формулы для представления измеренных параметров в аналитическом виде.

6. Разработанный объектно-независимый подход к СА изображений позволяет представить в рамках единой модели и развить известные методы

11 теории автоматической обработки и анализа изображений и методы анализа изображений, реализованные в естественных зрительных системах. Это свидетельствует о достаточно высокой обобщающей способности разработанного подхода.

Практическая значимость работы. Методы и алгоритмы, разработанные в рамках предложенного объектно-независимого подхода, представляют ценность при автоматическом анализе изображений, подвергнутых сложным фотометрическим и геометрическим искажениям и характеризующихся высокой степенью априорной неопределенности сюжета. В частности, они позволяют осуществлять надежное и точное сопоставление, совмещение и совместный пространственно-временной анализ аэрокосмических снимков, сделанных в разные сезоны и с разных ракурсов видео-датчиками различающихся типов (оптическими датчиками видимого или инфракрасного диапазонов электромагнитных волн, радиолокаторами с синтезированной апертурой, лазерными дальномерами и т.п.). Это дает возможность синтезировать высококачественные панорамные снимки, извлекать информацию о третьей координате по взаимному смещению локальных особенностей сопоставленных двумерных видеоданных, выявлять локальные изменения объектов наблюдения во времени, интегрировать (комплексировать) видеоданные, сформированные датчиками разных типов (data fusion). Эти методы могут также использоваться при поиске изображений в базах данных. Разработанные методы и алгоритмы также могут быть полезны при создании систем зрительной адаптации автономных мобильных роботов и систем технического зрения для автоматического управления производством и контролем качества разнообразной продукции.

Реализация результатов работы. На основе концепций, методов и алгоритмов, предложенных в диссертационной работе, был реализован ряд программно-алгоритмических продуктов и электронно-оптических устройств, нашедших применение в нашей стране и за рубежом. Среди них:

• комплекс алгоритмов и структура бортового вычислителя микро-спутника для автоматического сопоставления, совмещения и анализа космических снимков в НИИ Космических Систем им. A.A. Максимова - филиале Федерального Государственного унитарного предприятия «Государственный космический научно-производственный центр им. М.В. Хруничева»;

• комплекс алгоритмов для автоматического узнавания наблюдаемой местности по ее эталонным изображениям для Федерального Государственного унитарного предприятии «Центральный НИИ автоматики и гидравлики»;

• программное обеспечение автоматической навигации на основе изображений, сформированных в видимом оптическом диапазоне, для мобильного робота, разработанного компанией LG Electronics;

• аппаратура автоматического измерения отклонения линии визирования объекта привязки на местности в системе управления искусственного спутника Земли для Федерального Государственного унитарного предприятия «Научно-производственная корпорация «Государственный оптический институт им. С.И. Вавилова».

Результаты диссертации были также использованы в качестве основы выполнения трех научно-исследовательских работ.

Разработанные программы и алгоритмы автоматического сопоставления, совмещения, обработки и анализа аэрокосмических снимков были сведены в единый каталог, опубликованный в Оптическом журнале в 2007 году.

Использование результатов работы подтверждается прилагаемыми к ней актами.

Достоверность полученных в диссертационной работе результатов обеспечивается корректностью используемых методов исследования, математической строгостью выполненных преобразований и доказательств, а также соответствием сформулированных положений и выводов результатам их экспериментальной проверки.

На защиту выносятся следующие положения и результаты:

1. Геометрические и фотометрические модели наблюдаемого мира и систем формирования видеоданных, положенные в основу предлагаемого объектно-независимого подхода к структурному анализу изображений.

2. Разработанный ортогональный базис обобщенных непроизводных структурных элементов, инвариантных к аффинным и проективным преобразованиям и пригодных для объектно-независимой структурной декомпозиции изображений на разных иерархических уровнях - от анализа взаимного положения и формы объектов сцены до описания текстуры их поверхностей.

3. Методы структурной декомпозиции и описания изображений, единообразно реализуемые в рамках предложенной иерархической модели наблюдаемого мира на каждом ее уровне.

4. Методы измерения параметров аффинных и проективных преобразований на основе аппроксимации изображений разработанными структурными элементами и аналитические выражения для измерения параметров аффинных преобразований, выведенные на основе этих методов.

5. Иерархический метод сопоставления изображений реальных сцен с помощью их структурных описаний, построенных в разработанном базисе обобщенных структурных элементов, на основе объектно-независимых ограничений, следующих из результатов системного анализа моделей пространственной организации наблюдаемого мира и его взаимодействия с элементами естественных и искусственных зрительных систем,

6. Обобщение и развитие в рамках разработанных формальных моделей известных методов теории автоматической обработки и анализа изображений и методов анализа изображений, реализованных в естественных зрительных системах.

Апробация работы. Основные результаты работы были представлены на

• ряде международных конференций (второй и третьей конференциях «Applications of computer systems» в Щецине, Польша; восьми конференциях международного общества SP1E инженеров-оптиков; конференции «Control of oscillation and chaos» института IEEE инженеров по электротехнике и электронике; 29-той европейской конференции ECVP, посвященной визуальному восприятию);

• на шести конференциях и семинарах Всесоюзного, Всероссийского и республиканского уровня;

• на XXXVI и XXXVIII научных и учебно-методических конференциях профессорско-преподавательского и научного состава в Санкт-Петербургском Государственном университете информационных технологий, механики и оптики.

Публикации. По материалам диссертации опубликованы 35 печатных работ, включая 23 статьи в рецензируемых научных журналах (из них 15 статей в изданиях, включенных в список ВАК), 12 докладов на международных научных конференциях, 6 докладов на Всесоюзных, Всероссийских и республиканских конференциях, две статьи в научных сборниках, главу в монографии, полнотекстовую монографию, международный патент.

Личный вклад. Все основные результаты, изложенные в диссертации, включая постановку задач и их математические и алгоритмические решения, получены автором лично, или выполнены под его научным руководством и при непосредственном участии.

Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, списка литературы из 160 наименований, 8 приложений. Содержание работы изложено на 318 страницах. В работе содержится 49 рисунков и I таблица.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Луцив, Вадим Ростиславович

6.11 Выводы

1. Практическое применение предложенного объектно-независимого СА позволило разрешить ряд сложных проблем при решении важных задач военного, экономического и экологического характера.

2. Полномасштабное применение разработанного метода иерархического СА оказалось наиболее эффективным в задачах, связанных с автоматической обработкой аэрокосмических снимков. Это соответствует выводам, сделанным в главе 1 при выборе направления исследования, и связано с тем, что задачи анализа аэрокосмических снимков характеризуются наибольшей степенью неопределенности обрабатываемой информации.

3. Частичное применение предлагаемого объектно-независимого подхода позволило получить эффективные решения в задачах автоматической навигации автономных мобильных аппаратов на основе сопоставления наблюдаемых изображений окружающей среды с эталонными. Наиболее впечатляющие результаты были получены при решении задачи навигации по аэрокосмическим снимкам местности, поскольку в этом случае анализируемые изображения подвергаются наиболее сложным изменениям, что также соответствует выводам, сделанным в главе 1 при выборе направления исследования. Частичное применение предлагаемого подхода оказалось возможным и эффективным благодаря уменьшению степени неопределенности обрабатываемых видеоданных, что явилось результатом использования дополнительной информации о возможных параметрах траектории движения автономного мобильного аппарата. Важным дополнительным ограничением, использованным при построении системы навигации домашнего робота является отсутствие сезонно-суточных изменений объектов внутри помещений.

4. Частичное применение предлагаемого объектно-независимого подхода позволило получить эффективные решения в задачах автоматизации производственных процессов. Это оказалось возможным и эффективным благодаря уменьшению степени неопределенности обрабатываемых видеоданных, связанному с упрощением модели геометрического преобразования анализируемых изображений производственных сцен, и благодаря исключению возможности их сложных сезонно-суточных изменений.

5. Благодаря объектной независимости разработанный подход к СА изображений может быть эффективен и при решении других практически важных задач. Например, он с таким же успехом был применен при автоматическом распознавании отпечатков пальцев, хотя решение конкретно этой задачи может опираться на очень жесткие и специфические ограничения и реализуется более эффективно специализированными алгоритмами.

6. Интересные области практического использования разработанного подхода могут быть связаны с определением визуального сходства объектов, критерии которого с трудом поддаются формализации.

ЗАКЛЮЧЕНИЕ

В первой главе было продемонстрировано, что классические интегральные методы автоматического распознавания изображений на основе корреляционного подхода или анализа пространства признаков, рассматривающие изображение как единое целое, теряют работоспособность в условиях действия сложных естественных геометрических и фотометрических изменений анализируемых сцен. В то же время объектно-специфичные эвристические методы СА могут быть очень эффективны при решении некоторых конкретных частных задач, в рамках которых эти методы разрабатывались. Однако методы, основанные на наборах частных эвристик, в основном исчерпали свои возможности при решении сложных задач автоматического анализа изображений, характеризующихся высокой неопределенностью сюжета, таких как сопоставление аэрокосмических снимков. Для решения этой проблемы и для увеличения эффективности разработки систем компьютерного зрения, ориентированных на новые сферы практического применения, назрела необходимость создания объектно-независимых подходов к СА изображения, которые абстрагировались бы от частных особенностей конкретных видов изображений и основывались бы только на наиболее общих ограничениях и закономерностях. Именно такая проблема была сформулирована при выполнении настоящей работы, и приведенные выше материалы позволяют сделать вывод, что поставленная цель была достигнута, и при этом был получен ряд важных теоретически и практически значимых результатов.

1. В рамках сформулированной автором проблемы разработан объектно-независимый подход к СА изображений, основывающийся на самых общих ограничениях, обусловленных конструктивными особенностями наиболее часто применяемых систем формирования зрительных образов, и на наиболее

222 общих и существенных в контексте решаемых задач закономерностях пространственной организации наблюдаемого мира. Основой разработанного подхода является алфавит объектно-независимых СЭ, которые единообразно применяются для структурной декомпозиции изображения на разных иерархических уровнях его представления, причем СЭ предложенного алфавита ортогональны, поэтому рассматриваются как элементы ортогонального базиса декомпозиции изображений. Основой разработанного объектно-независимого подхода является также предложенная в диссертационной работе методика иерархического СО изображений на основе элементов ортогонального базиса и методика сопоставления изображений на основе их иерархических СО. Высокая эффективность предложенной методики структурного сопоставления основывается на системном подходе к построению и сопоставлению иерархических СО. С одной стороны, сопоставление СО на разных иерархических уровнях производится с учетом и на основе взаимодействия между ними. С другой стороны, сопоставляемые СО разных иерархических уровней не носят застывшего характера, - они динамически изменяются в процессе выполнения структурного сопоставления. Автор полагает, что успехи, достигнутые при разработке предложенного объектно-независимого подхода, не в последнюю очередь основаны на заимствовании и ч творческой переработке механизмов зрительного восприятия, выявленных нейрофизиологами в живых зрительных системах, эффективно функционирующих в условиях бесконечного многообразия окружающего мира.

2. Разработанный объектно-независимый подход позволяет представить в рамках единой концепции ряд известных понятий, методов и инструментов теории автоматической обработки и анализа изображений и пути анализа изображений, реализованные в естественных зрительных системах, а модификация некоторых известных методов анализа изображения с учетом предлагаемого в настоящей работе подхода позволяет улучшить качество их функционирования. Это свидетельствует о достаточно высокой обобщающей способности разработанного подхода. В частности:

Независимо получено известное из теоретической механики понятие ЦТ, широко используемое в компьютерном зрении. В контексте настоящей работы положение ЦТ объекта соответствует координатам центра содержащегося в изображении этого объекта инвариантного ядра - СЭ первого типа.

В качестве частного результата получены градиентные фильтры, известные как фильтры Превитт, широко используемые для обнаружения границ на изображениях. В контексте настоящей работы положение локального фрагмента границы на изображении соответствует координатам центра содержащегося в нем инвариантного ядра - СЭ второго типа, который эквивалентен по форме фильтру Превитт.

Широко применяемые методы выделения контуров с использованием горизонтальных и вертикальных градиентных фильтров и методы описания контуров на более высоком иерархическом уровне отрезками прямых линий, углами между ними, сегментами дуг представлены с единых позиций - как поиск в изображении СЭ первого и второго типов, принадлежащих предложенному в настоящей работе ортогональному базису.

В качестве частного результата, соответствующего предложенному алгоритму измерения параметров ПП, получен метод оценки изменения ПП изображений поверхностей по скорости «разбегания» текселов. Этот метод используется в живых зрительных системах и в копирующих их системах компьютерного зрения для оценки параметров пространственной ориентации поверхностей объектов.

Используемые в компьютерном зрении и предположительно используемые в живых зрительных системах методы обнаружения границ текселов представлены с единых позиций - как поиск в изображении СЭ второго типа, принадлежащих предложенному в настоящей работе ортогональному базису.

Используемые в компьютерном зрении и предположительно используемые в живых зрительных системах методы обнаружения текселов представлены в рамках предлагаемого в настоящей работе объектно-независимого подхода с единых позиций - как поиск в изображении компактных микрообъектов, соответствующих СЭ первого типа, важными параметрами которых являются геометрические размеры, величина пространственного удлинения, пространственная ориентация, величина и знак контраста относительно фона.

Метод формирования ЗВ, используемый по предположению нейрофизиологов в зрительной системе человека, выводится в качестве следствия предлагаемого объектно-независимого подхода как поиск в изображении локальных объектов с узким пространственным спектром (возможно, СЭ первого типа) при анализе на разных масштабных уровнях.

Модификация известных алгоритмов структурного сопоставления, основанных на поиске и анализе локальных информативных регионов изображения и, в частности, методов SIFT и SURF с учетом разработанного объектно-независимого подхода позволила увеличить надежность функционирования и робастность этих алгоритмов. Модификация заключается в замене привязки ключевых точек к локальным всплескам градиента яркости на привязку к характерным точкам прямолинейных сегментов контуров, углов и дуг, соответствующих согласно предлагаемому подходу структурным элементам первого типа.

Поиск ключевых точек и информативных регионов (структурных элементов) изображений на разных масштабных уровнях, используемый в алгоритмах, основанных на выявлении и анализе локальных информативных точек и регионов, соответствует предлагаемому в настоящей работе принципу иерархической структурированности окружающего мира и связанному с ней поиску СЭ, соответствующих зонам внимания, на разных масштабно-иерархических уровнях.

Ряд методов формирования информативных регионов (в работах, в которых С А выполняется на основе таких регионов), являются частными случаями отдельных иерархических этапов объектно-независимого СА, предложенного автором настоящей работы (построение эллиптических ЗВ, включающих локальный объект; привязка ЗВ к углу прослеженного контура). В то же время, усовершенствование отдельных этапов формирования информативных регионов на основе единого подхода, предложенного автором, позволяет улучшить результаты выделения таких регионов и структурного сопоставления изображений, выполняемого на их основе.

Структурные элементы, основанные на прямоугольных примитивах, аналогичных вейвлетам Хаара, используемые в классификаторах, обучаемых распознаванию лиц, автомобилей и других объектов, соответствуют элементам предложенного автором объектно-независимого базиса, а используемый в этих классификаторах анализ изображений в скользящем окне переменного масштаба соответствует предлагаемому в настоящей работе принципу иерархической структурированности окружающего мира и связанному с ней поиску СЭ, соответствующих зонам внимания на разных масштабно-иерархических уровнях.

Известные методы обработки сигналов (различения и сопровождения целей, измерения положения пика корреляции с субпиксельной точностью) с использованием их параболической аппроксимации или с использованием поиска ЦТ представлены в рамках предлагаемого в настоящей работе объектно-независимого подхода с единых позиций как измерение координат объекта по содержащемуся в его изображении инвариантному параболическому ядру.

Интересно отметить, что некоторые авторы независимыми путями пришли к формулировкам подходов и формулам, идентичным подходам и формулам, представленным в настоящей работе (подробнее см. в Приложении 7).

3. Методы и алгоритмы, разработанные в рамках предложенного подхода, объектно-независимы и робастны, поэтому они представляют ценность при автоматическом анализе изображений, подвергнутых сложным фотометрическим и геометрическим искажениям и характеризующихся высокой априорной неопределенностью сюжета. В частности, они позволяют осуществлять надежное и точное сопоставление, совмещение и совместный пространственно-временной анализ аэрокосмических снимков, сделанных в разные сезоны и с разных ракурсов видео-датчиками различающихся типов: синтезировать панорамные снимки, выполнять стерео-анализ, интеграцию видеоданных, сформированных датчиками разных типов (data fusion), выявление их локальных изменений. Эти методы могут также использоваться при поиске изображений в базах данных, в системах зрительной адаптации автономных мобильных роботов и в системах технического зрения для автоматического управления производством и контроля качества продукции.

4. На основе концепций, методов и алгоритмов, предложенных в диссертационной работе, реализован ряд программно-алгоритмических продуктов, нашедших применение в нашей стране и за рубежом. Результаты работы представляют основу для решения важных исследовательских и хозяйственных задач и нашли практическое применение при реализации ряда исследовательских и хозяйственных проектов, имеющих важное научное и прикладное значение. В частности, они были использованы:

• в НИИ космических систем имени A.A. Максимова - филиале

Федерального Государственного унитарного предприятия

227

Государственный космический научно-производственный центр им. М.В. Хруничева» при разработке аппаратуры, бортового программного обеспечения и программы рабочего функционирования экспериментального образца бортового комплекса оперативной обработки целевой информации микроспутника;

• на Федеральном Государственном унитарном предприятии «Центральный НИИ автоматики и гидравлики» при разработке алгоритмов автоматического узнавания наблюдаемой местности по ее эталонным изображениям;

• на Федеральном Государственном унитарном предприятии «Научно-производственная корпорация «Государственный оптический институт им. С.И. Вавилова» при разработке алгоритмов автоматического измерения отклонения линии визирования объекта привязки на местности в системе управления искусственного спутника Земли;

• в компании "LG Electronics" при разработке алгоритмов автоматической зрительной адаптации автономного мобильного робота.

Практическое применение результатов диссертационной работы подтверждено актами о внедрении, приведенными в Приложении 8.

Список литературы диссертационного исследования доктор технических наук Луцив, Вадим Ростиславович, 2011 год

1. Патент 56-33747 (Япония). Устройство для распознавания изображений / Индзима Тайдзо; Фудзицу к.к. - Заявл. 19.05.73. №48-56047; Опубл. 5.08.81. Токке Кохо, №6-844; МКИ G06K 9/62.

2. Заявка 2035645 (Великобритания). Pattern discrimination method / Hajime industries, Ltd. Заявл. 12.11.79. №7939040; Приор. Япония, 10.11.78. №53/138578; Опубл. 18.06.80. Abstracts №4766; МКИ G06K 9/66; НКИ G4R.

3. Луцив В.Р. Методы и средства управления промышленным оборудованием на основе визуальной информации. Диссертация на соискание ученой степени кандидата технических наук. Ленинградский институт авиационного приборостроения, Ленинград, 1985. 183с.

4. Casasent, D and Furman, A. Sources of correlation degradation // Applied Optics. 1977. V. 16, June. P. 1652-1661.

5. Кейсесент Д. Оптическое когерентное распознавание образов // ТИИЭР. 1979. Т. 67, №5. С. 131-148.

6. D. Casasent and D. Psaltis. Deformation-invariant, space-variant optical pattern recognition // Progress in Optics. 1978. V. XVI. P. 291-356.

7. Qin-sheng Chen, Defrise M., and Deconinck F. Symmetric phase-only matched filtering of Fourier-Mellin transforms for image registration and recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1994. V. 16, №12. P. 1156-1167.

8. Ту, Дж., Гонсалес, P. Принципы распознавания образов / Пер. с англ. под ред. Ю.И. Журавлева. М.: Мир, 1978. 411 с.

9. А. с. 596979 (СССР). Способ классификации объектов по N признакам / Институт Кибернетики АН Трузинской ССР; Авт. изобрет. Чавчанидзе В.В.; Заявл. 12.06.74. №2073833/18-24; Опубл. В Б.И., 1978, №9; МКИ G06 9/00.

10. А. с. 898466 (СССР). Устройство для считывания и распознавания изображений микрообъектов / Институт биологической физики АН СССР;

11. Авт. изобрет. Агаджаян Ж.М. Заявл. 22.05.80. №2928610/18-24; Опубл. в Б.И., 1982, №2; МКИ G06K 9/00.

12. Заявка 56-27913 (Япония). Схема идентификации контурной информации / Коге гидзюцу инте. Заявл. 5.11.75 №50-132622; Опубл. 27.06.81. Токке Кохо, №6-698; МКИ G06K 9/52.

13. Заявка 57-21750 (Япония). Устройство для распознавания изображений / Ниппон дэнки к.к. Заявл. 27.05.74. №4960099; Опубл. 10.05.82. Токке Кохо, №6-544; МКИ G06K 9/62.

14. Заявка 56-15544 (Япония). Способ выделения характерных признаков линий изображения / Коге гидзюцу инте. Заявл. 14.06.73. №48-90572; Опубл. 10.04.81. Токке Кохо, №6-389; МКИ G06K 9/46.

15. Maitra S. Moment invariants //Proceedings IEEE. 1979. V. 67, №4. P. 697-699.

16. Файн B.C. Опознавание изображений. Основы непрерывно-групповой теории и ее приложения. М.: Наука, 1970. - 283 с.

17. Ling, Н. and Jacobs, D. Shape classification using the inner distance // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2007. V. 29, №2. P. 286-299.

18. Клименко B.Jl. Метод «резиновой маски». Обзор // Зарубежная радиоэлектроника. 1974. №8. С. 3-17.

19. Катинский B.C. Узнавание рукописных знаков с использованием многоуровневого динамического эталона // Вопросы радиоэлектроники. Серия «Электронная вычислительная техника». 1975. №8. С. 59-70.

20. Отчет о работе «Оценка возможностей создания аппаратуры для автоматического измерения отклонения линии визирования объекта привязки на местности». Ленинград, Государственный оптический институт им. С.И. Вавилова, 1992, Per. №22-7/92. 198 с.

21. Жеребко А.К., Луцив В.Р. Согласованная фильтрация в естественных и искусственных нейронных сетях// Оптический журнал. 1999. Т. 66, №9. С. 69-72.

22. Заявка 53-17021 (Япония). Устройство распознавания изображений посредством их пофрагментного сравнения с эталонами / Ямамото

23. Синдзи; Хитати сейсакусе к.к. Заявл. 15.05.72. №47-47204; Опубл. 5.06.78. Токке Кохо, №6-426; МХИ G06K 9/00; НКИ 97(7) В622.

24. Заявка 1577797 (Великобритания). Fingerprint identification method and apparatus / Calspan corporation. Заявл. 21.06.77. №25961/77; Приор. США, 9.07.76. №706728; Опубл. 29.10.80. Abridgments. №4779; МКИ G06K 9/00; НКИ G4R.

25. Патент 4204193 (США). Adaptive alignment for pattern recognition system / Eugene N. Schroeder, Lexington, Ky; IBM Corporation. Заявл. 3.11.78. №957634; Опубл. 20.05.80. Official Gazette. 994 №3; МКИ G06K 9/04; НКИ 340-146/3H.

26. Фукусима Кунихико. Новая система распознавания образов «Неокогнитрон» // Дзидзока гидзюцу. Mech. Automat. 1981. V. 13, №2. Р.31-34 (Япон.).

27. Розенблатт Ф. Принципы нейродинамики (перцептрон и теория механизмов мозга). М.: Мир, 1965. - 480 с.

28. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Internal Representations by Error Propagation // Parallel Distributed Processing. Cambridge, MA, MIT Press. 1986. V. 1. P. 318-362.

29. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Representations by Back-propagating Errors // Nature. 1986. V. 323. P. 533.

30. Farr К.В., Hartman R.L. Optical-digital neural network system for aided target recognition// SPIE Proceedings. April 1995. V. 2485. P.141-154.

31. Alastair McAulay and Ivan Kadar. Image compression and automatic target recognition//Proceedings SPIE. 1989. V. 1099. P. 74-82.

32. Yamada K., Kami H., Tsukumo J., Temma T. Handwritten numeral recognition by multilayered neural network with improved learning algorithm // IJCNN International Joint Conference on Neural Networks. 1989. D.C., USA. P. 11-259 II-266.

33. Yamada Keiji. Improved learning algorithm for multilayer neural networks and handwritten numeral recognition // NEC Research and Development. July 1990. №98. P. 81-88.

34. Fukushima K. Neural network model for selective attention in visual pattern recognition and associative recall // Applied optics. 1 December 1987. V. 26, №23. P. 4985-4992.

35. Интегральные роботы. Сборник статей / Пер. с англ. под ред. Г.Е. Поздняка. В. 1. М.: Мир, 1973.-421 с.

36. Интегральные роботы. Сборник статей / Пер. с англ. под ред. Г.Е. Поздняка. В. 2. М.: Мир, 1975. - 449 с.

37. Фу К. Структурные методы распознавания образов / Пер. с англ. под ред. М.А. Айзермана. -М.: Мир, 1977. 319 с.

38. Гренандер У. Лекции по теории образов. Т. 1. Синтез образов / Пер. с англ. под ред. Ю.И. Журавлева. М.: Мир, 1979. - 384 с.

39. Гренандер У. Лекции по теории образов. Т. 2. Анализ образов / Пер. с англ. под ред. Ю.И. Журавлева. М.: Мир, 1981. - 448 с.

40. N.R. Corby, J.L. Mundy, Р.А. Vrobel. An environment for intelligence analysis // Proceedings: 18th Image Understanding Workshop. 6-8 April, 1988. Cambridge, Massachusetts, USA. P. 342-350.

41. M.A. Fisher, R.C. Bolles. Image understanding research at SRI international // Proceedings: 18th Image Understanding Workshop. 6-8 April, 1988. Cambridge, Massachusetts, USA. P. 53-61.

42. D.T. Lawton, T.S. Levitt, P. Gelband. Knowledge based vision for terrestrial robots // Proceedings: 18th Image Understanding Workshop. 6-8 April, 1988. Cambridge, Massachusetts, USA. P. 103-110.

43. Разработка систем автоматического распознавания целей // Радиоэлектроника за рубежом. Обзоры. НИИЭИР. 1992. Выпуск 4(60). С. 15-36.

44. А.А. Степанов. Развитие искусственного интеллекта в Западной Европе и США // Новости зарубежной науки и техники. Системы авиационного вооружения. 1990. №15. С.26-30.

45. Т. Matsuyama. Expert systems for image processing: Knowledge based composition of image analysis processes // Computer vision, graphics and image processing. October 1989. V. 48, №1. P. 22-49.

46. США. Подсистема обнаружения и алгоритм распознавания целей для перспективных крылатых ракет // Экспресс-информация. Зарубежные авиационные системы. По материалам иностранной печати. 30 апреля 1992. №17. С. 4-5.

47. Е. Beech. Sight Unseen // Flight International. 2 February 1989. V.135, № 4151. P. 34-35.

48. Бочкарев A.M., Почуев С.И. Экспертные системы электронные консультанты летчика (современное состояние проблемы, перспективы) // Зарубежная радиоэлектроника. 1989. №10. С. 42-51.

49. Технология искусственного интеллекта и программного обеспечения СОИ США // Космическая радиоэлектроника и телеметрия. КРТ. 15 июля 1988. №13(387). С.5.

50. D.M. McKeown, Jr. Wilson, A. Harvey, L. Ewixon. Automating knowledge acquisition for aerial image interpretation // Computer vision, graphics and image processing. 1989. V. 46. P. 37-81.

51. M.A. Fisher, T.M. Strax. Recognizing objects in a natural environment: a contextual vision system (CVS) // DARPA image understanding workshop. May 23-26, 1989. Palo Alto, California, USA. P. 774.

52. J.M. De Catrel, J.R. Surdu. Practical recognition of armored vehicles in FUR // SPIE Proceedings. 1995. V. 2485. P.200-208.

53. Barf Ponteau. Vector-to-raster change detection for property assessment // Earth observation magazine. 2005. V. 14, Issue 1. P. 10-13.

54. Aaron K. Shackelford and Curt H. Davis. Automated processing of high resolution satellite imagery for feature extraction and mapping of urban areas // Earth observation magazine. 2005. V. 14, Issue 1. P. 17-19.

55. A.S. Murillo, J.J. Guerrero and C. Sagties. SURF features for efficient robot localization with omnidirectional images // IEEE international conference on robotics and automation. April 2007. Rome, Italy. P. 3901-3907.

56. Woo Yeon Jeong and Kyoung Mu Lee. Visual SLAM with line and corner features // Intelligent Robots and Systems. IEEE/RSJ International Conference. 9-15 October 2006. Beijing, China. P. 2570-2575.

57. A. Huertas, W. Cole and R. Nevatia. Detecting runways in aerial images // Proceedings of Sixth International Conference on Artificial Intelligence AAAI-87. July 13-17, 1987. Seattle, Washington, USA. P. 712-717.

58. Nevatia, R.; Lin, C.; Huertas, A. A system for building detection from aerial images // Automatic extraction of man-made objects from aerial and space images. Basel: Birkhaser Verlag, 1997. P. 77-86.

59. Луцив B.P., Долинов Д.С. Нейронная сеть для сопоставления изображений, реализованная на транспьютерах // V Конференция «Транспьютерные системы и их применение». Москва, Домодедово. 1995. 1 с.

60. Luciv V, Dolinov D, Zherebko A. On the use of the neuron-like and parallel computational architectures for image processing // Proceedings of the 2-ndinternational conference "Applications of computer systems". Szczecin, Poland. 1995. P. 213-214.

61. Luciv V., Dolinov D., Zherebko A., Barabanov N. Projects in massively parallel computing. Annual Report. Electrotechnical University, Center for Parallel Computer Technologies, Saint Petersburg. 1995. P. 5-13.

62. Lutsiv V.R., Dolinov D.S., Zherebko A.K., Novikova T.A. Using artificial neural networks in image processing problems // Journal of optical technology. 1997. V. 64, No.2, P. 112-118.

63. Lutsiv V.R., Allinson N.M., Zherebko A.K., Barabanov N.E. Neural net based images matching // SP1E Proceedings. 2000. V. 3962 "Applications of artificial neural networks in image processing". P. 128-137.

64. Lutsiv. V.R., Malyshev I.A., Pepelka V.A. Automatic fusion of the multiple sensor and multiple season images // SP1E Proceedings. 2001. V. 4380 "Signal Processing, Sensor Fusion, and Target Recognition X". P. 174-183.

65. Lutsiv. V.R., Malyshev I.A., Potapov A.S. Hierarchical structural matching algorithms for registration of aerospace images // SPIE Proceedings. 2003. V. 5238 "Image and Signal Processing for Remote Sensing IX". P. 164-175.

66. Луцив B.P., Лапина H.H., Малышев И.А., Потапов А.С. Особенности сопоставления изображений в задачах определения местоположения мобильного робота // Оптический журнал. 2010. Т. 77, №11. С. 25-34.

67. Lutsiv V., Potapov A., Novikova Т., Lapina N. Hierarchical 3D structural matching in the aerospace photographs and indoor scenes // SPIE Proceedings. 2005. V. 5807 "Automatic Target Recognition XV". P. 455-466.

68. Луцив В.P. Моделирование зон внимания в задачах автоматической декомпозиции и структурного анализа изображений // Оптический журнал. 2007. том 74, №4, С. 59-67.

69. Луцив В.Р., Новикова Т.А. Моделирование зон внимания на основе анализа локальных особенностей текстуры изображений // Оптический журнал. 2008. том 75, №7. С. 55-64.

70. Аверкин А.Н., Луцив В.Р., Потапов А.С. Построение систем локальных инвариантных признаков изображения на основе преобразования Фурье-Меллина // Оптический журнал. 2010. том 77, №1. С. 36-41.

71. Lowe D.G. Distinctive Image Features from Scale-Invariant Keypoints // Int. J. of Computer Vision. 2004. V. 60, No. 2. P. 91-110.

72. Bay H., Tuytelaars Т., Van Gool L. SURF: Speeded Up Robust Features // Proc. 9th European Conf. on Computer Vision. May 7-13, 2006. Graz, Austria. P. 404-417.

73. Maja Rudinac, Boris Lenseigne and Pieter Jonker. Keypoint extraction and selection for object recognition // Proceedings of MVA2009IAPR Conference on Machine Vision Applications. May 20-22, 2009. Yokohama, Japan. P. 191194.

74. Cheng-Chieh Chiang, Jia-Wei Wu and Greg C. Lee. Probabilistic-based semantic image feature using visual words // Proceedings of MVA2009IAPR Conference on Machine Vision Applications. May 20-22, 2009. Yokohama, Japan. P. 386-389.

75. Mapp Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов / Пер. с англ. М.: Радио и связь, 1987. 400 с.

76. Луцив В.Р. Визуальные системы роботов. Глава VIII / Мясников В.А., Игнатьев М.Б., Покровский A.M. Программное управление оборудованием.-2-е изд.-Л.: Машиностроение, 1984. С. 354-381.

77. Луцив. В.Р. Методы обработки изображений при управлении роботами в ГАП / Сб. «ЭВМ в проектировании и производстве». Вып.2 /Под. ред. Г.В. Орловского. -Л.: Машиностроение, 1985. С. 154-162.

78. Луцив В.Р. Создание гибких оптических информационных систем для ГАП // Материалы краткосрочного семинара «Гибкие автоматизированные производства в радиоаппарато- и приборостроении». Л.: ЛДНТП, 1984. С. 31-34.

79. Луцив В.Р., Постнова М.Н. Алгоритмы распознавания изображений в JT1C // Материалы краткосрочного семинара «Опыт разработки и эксплуатации АСУ ТП». Л.: ЛДНТП, 1985. С. 46-48.

80. Луцив В.Р., Ерош И.Л. Отчет по НИР-635 «Исследование по созданию адаптивного робототехнического модуля ГАП повышенной надежности». Промежуточный. Инв.№02850003367, №Г.Р.О1840043500, ЛИАП, Ленинград, 1984. 98 с.

81. Луцив В.Р. К вопросу структурного анализа изображений / Сб. Иконика/ книга VI / Труды ГОИ. 1992. Т. 79, Вып. 213. С.-Петербург: ГОИ им. С.И. Вавилова. С. 65-71.

82. Lutsiv V., Malyshev I., Novikova T. Hierarchical approaches to analysis of natural textures // SPIE Proceedings. 2004. V. 5426 "Automatic Target Récognition XIV". P. 144-154.

83. Красильников H.H. Цифровая обработка 2D- и ЗР-изображений: учебное пособие. СПб.: БХВ-Петербург, 2011. - 608 с.

84. В. Julesz. Textrons. The elements of textural perception, and their interactions // Nature. V. 290. P. 91-97.

85. Луцив В.Р. Применение обобщенных эталонных функций в естественных и искусственных зрительных системах // Оптический журнал. 2007. Т. 74, № 11. С. 47-52.

86. Луцив В.Р. Объектно-независимый подход к структурному анализу изображений // Оптический журнал. 2008. Т. 75, №11. С. 26-34.

87. McCulloch, W.S., Pitts, W. A logical calculus of the ideas immanent in nervous activity // Bull, of Math. Biophys. V. 5. P. 115-133.

88. A.V. Slavutskaya, E.S. Mikhailova, V.A. Konishev. Human visual evokedpotentials to bars and cross-like figures // Perception. 2006. V. 35 (Supplement, th

89. ECVP 2006. 29 European conference on visual perception, St Petersburg 20-25 August 2006. Abstracts). P. 99.

90. Завалишин H.B., Мучник И.Б. Модели зрительного восприятия и алгоритмы анализа изображений. М.: Наука, 1974. - 344 с.

91. Л. Рабинер, Б. Гоулд. Теория и применение цифровой обработки сигналов / Пер. с англ. под ред. Ю.Н. Александрова. М.: Мир, 1978. - 848 с.

92. Г. Корн, Т. Корн. Справочник по математике для научных работников и инженеров. Определения, теоремы, формулы. М.: Наука. Главная редакция физико-математической литературы, 1978. - 832 с.

93. И.С. Градштейн и И.М. Рыжик. Таблицы интегралов, сумм, рядов и произведений / Издание 4-е, переработанное. М.: Государственное издательство физико-математической литературы, 1963. - 1108 с.

94. Г .Б. Двайт. Таблицы интегралов и другие математические формулы. С.Петербург: Издательство и типография АО ВНИИГ им. Б.В. Веденеева, 1995.- 176 с.

95. Р. Гонсалес, Р. Вудс. Цифровая обработка изображений / Пер. с англ. под ред. П.А. Чочиа. М.: Техносфера, 2006. - 1072 с.

96. Л. Шапиро, Дж. Стокман. Компьютерное зрение / Пер. с англ. под ред. С.М. Соколова. М.: Бином. Лаборатория знаний, 2006. - 752 с.

97. Lutsiv V.R., Malyshev I.A., Potapov A.S. Bringing aerospace images into coincidence with sub-pixel accuracy by the local-correlation method // Journal of Optical Technology. May 2004. V. 71, No.5. P. 293-297.

98. Yardimci Yacemin; Cadzow, James A. High resolution algorithms for locating closely spaced objects via infrared focal-plane arrays // Optical engineering. 1994. V. 33, No. 10. P. 3315-3323.

99. Zimmer, Marilyn F.; Tsai, Ming-Jer. Tracking a single cluster of closely spaced objects using one and two passive optical sensors // Proceedings of SPIE. 1992. V. 1698. P. 268-280.

100. Stengel, Karl C. Discrimination of closely spaced objects using infrared sensors // Proceedings of SPIE. 1994. V. 2232. P. 340-348.

101. Давид Форсайт и Жан Понс. Компьютерное зрение. Современный подход / Пер. с англ. под ред. А.В. Назаренко. М. : Издательский дом «Вильяме», 2004. - 928 с.

102. Задачи распознавания образов в робототехнических системах / И.Л. Ерош. В кн. Проблемы и перспективы оптических методов обработки изображений. Тематический сборник. - Л.: ФТИ АН СССР, 1984. С. 75-88.

103. Ерош ИЛ. Применение преобразований Крестенсона для определения параметров положения объектов по плоским проекциям // Техническая кибернетика. 1981. №3. С. 46-52.

104. Луцив В.Р. Метод итеративной компенсации проективных искажений изображений // Оптический журнал. 2009. Т. 76, №7. С. 53-60.

105. Гуревич О.Б. Основы теории алгебраических инвариантов. М.; Л.: Гос. изд. техн.-теорет. лит-ры, 1948. - 408 с.

106. Canny, J. A computational approach to edge detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986. 8(6). P. 679-698.

107. Deriche, R. Optimal edge detection using recursive filtering // Proc. 1st Int. Conf. Computer Vision. June 8-11, 1987. London, England. P. 501-505.

108. Потапов A.C. Технологии искусственного интеллекта. Учебное пособие. -С.-Петербург: СПбГУ ИТМО, 2010. 218 с.

109. Jeff A. Bilmes. A gentle tutorial of the EM algorithm and its application to parameter estimation for Gaussian mixture and hidden Markov Models // International computer science institute. Berkeley, California. April 1998. 15 p.

110. Bradski R. Computer vision face tracking for use in perceptual user interface // Intel Technology Journal. 1998. Q2. 15 p.

111. Харалик P.M. Статистический и структурный подходы к описанию текстур // ТИИЭР. 1979. Т. 67, №5. С. 98-120.

112. Тетерин В.В., Павлова В.А. Анализ пространственной информации с использованием интегральных инвариантов // ОМП. 1984. №7. С.11.

113. J. Мао and А. К. Jain. Texture classification and segmentation using multiresolution simultaneous autoregressive models // Pattern Recognition. 1992. V. 25, №2. P. 173-188.

114. F.S. Cohen, Z. Fan. Classification of rotated and scaled texture images using Gaussian Markov random field models // IEEE Transactions on Pattern Analysis and Machine Intelligence. PAMI-13. 1991. №2, P. 192-202.

115. Chang, T. and Kuo C.-C. J. Texture analysis and classification with tree-structured wavelet transform // IEEE Transactions on Image Processing. October 1993. V. 2, Issue 4. P. 429-441.

116. J. M. Francos, A. Z. Meiri. A Unified Texture Model Based on a 2-D Wold Like Decomposition // IEEE Transactions on Signal Processing. August 1993. P. 2665-2678.

117. Laws, K. Rapid texture identification // SPIE Image Processing for Missile Guidance. 1980. V. 238. P. 376-380.

118. Vistnes, R. Texture models and image measures for segmentation // Proceedings: 18th Image Understanding Workshop. 6-8 April, 1988. Cambridge, Massachusetts, USA. P. 1005-1015.

119. Kohonen, T. Self organization and associative memories. Berlin: Springer, 1984.-255 p.

120. Benoit B. Mandelbrot. The fractal geometry of nature. San Francisco: Freeman, 1983.-468 p.

121. J.J. Hopfield and D.W. Tank. Neural computation of decisions in optimization problems // Biological Cybernetics. July 1985. V. 52, No. 3. P. 141-152.

122. Parvin, B. and Medioni, G. A constraint satisfaction network for matching 3D objects // IJCNN International Joint Conference on Neural Networks. 1989. Washington, DC, USA. P. 11-281 11-286.

123. Слэйгл, Дж. Искусственный интеллект: подход на основе эвристического программирования / Дж. Слэйгл. Пер. с англ. - М.: Мир, 1973. - 319 с.

124. Carpenter Gail A. and Grossberg Stephen. ART-2: self-organization of stable category recognition codes for analog input patterns // Applied Optics. December 1, 1987. V. 26, No. 23. P. 4919-4930.

125. Liu F., Pickard R.W. Periodicity, directionality, and randomness: Wold features for image modeling and retrieval // IEEE Trans, on PAMI. 1996. V.18, No.7. P.722-733

126. Daniel Scharstein, Richard Szeliski. A Taxonomy and Evaluation of Dense Two-Frame Stereo Correspondence Algorithms // International Journal of Computer Vision. 2002. V. 47, No. 1-3. P. 7-42.

127. C. Harris and M. Stephens. A combined corner and edge detector // Proceedings of the 4-th Alvey Vision Conference. Manchester, UK, 1988. P 147-151.

128. Mikolajczyk, K. and Schmid, C. Scale & affine invariant interest point detectors // International Journal on Computer Vision. 2004. 60(1). P. 63-86.

129. T. Lindeberg. Feature detection with automatic scale selection // International Journal of Computer Vision. 1998. 30 (2). P. 77-116.

130. Lindeberg, Т. and Garding, J. Shape-adapted smoothing in estimation of 3-D shape cues from affine deformations of local 2-D brightness structure // Image and Vision Computing. 1997. 15(6). P. 415^*34.

131. Kadir, Т., Zisserman, A., and Brady, M. An affine invariant salient region detector // Proceedings of the 8-th European Conference on Computer Vision, Prague, Czech Republic, 2004. P. 404-416.

132. Tinne Tuytelaars and Luc Van Gool. Matching Widely Separated Views Based on Affine Invariant Regions // International Journal of Computer Vision. 2004. 59(1). P. 61-85.

133. J.Matas, O. Chum, M. Urban, and T. Pajdla. Robust wide baseline stereo from maximally stable extremal regions // BMVC. 2002. P. 384-393.

134. K. Mikolajczyk, T. Tuytelaars, C. Schmid, A. Zisserman, J. Matas, F. Schaffalitzky, T. Kadir and L. Van Gool, A comparison of affine region detectors // International Journal of Computer Vision. 2005. 65(1/2). P.43-72.

135. J.M. Morel and G.Yu. ASIFT: A New Framework for Fully Affine Invariant Image Comparison // SIAM Journal on Imaging Sciences. 2009. V. 2, Issue 2. P. 438-469.

136. G. Yu and J.M. Morel. A Fully Affine Invariant Image Comparison Method // Proc. IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP). Taipei, 2009. P. 1597-1600.

137. Paul Viola and Michael J. Jones. Rapid Object Detection using a Boosted Cascade of Simple Features // Proceedings of IEEE Computer Vision and Pattern Recognition Conference. 8-14 December, 2001. Kauai, HI, USA. P. 1501 -1-518.

138. Freeman W.T., Tanaka K., Ohta J., Kyuma K. Computer vision for computer games // Proceedings 2nd International Conference on Automatic Face and Gesture Recognition. 1996. Killington, VT, USA. P. 100-105.

139. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007. - 584 с.

140. Вадим Луцив. Автоматический анализ изображений. Объектно-независимый структурный подход. Саарбрюккен, Германия: Ламберт Академик Паблишинг, 2011. - 300 с.

141. Baumberg A. Reliable feature matching across widely separated views //Proceedings of 2000 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. June 13-15 2000. SC, USA. Volume 1. P. 774 -781.

142. Потапов A.C. Распознавание образов и машинное восприятие: Общий подход на основе принципа минимальной длины описания. -СПб.: Политехника, 2007. -548 с.

143. Потапов Алексей. Автоматический анализ изображений и распознавание образов. Подход на основе принципа репрезентационной минимальной длины описания. Саарбрюккен, Германия: Ламберт Академик Паблишинг, 2011. - 292 с.

144. Визильтер Ю.В., Желтов С.Ю., Бондаренко А.В. и др. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практических занятий. М.: Физматкнига, 2010. - 672 с.

145. Ascani A., Frontoni Е., Mancini A., Zingaretti P. Feature group matching for appearance-based localization // IEEE/RSJ International Conference on Intelligent Robots and Systems. Nice, France, Sept. 22-26, 2008. P.3933-3938.

146. Casetti A., Frontoni E., Mancini A., and others. A visual global positioning system for unmanned aerial vehicles used in photogrammetric applications // Journal on Intelligent Robot Systems. 2011. V. 61. P. 157-168.