Пирамидальное распознавание изображений на основе бинарных структур тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Колебанов, Сергей Викторович

• Колебанов, Сергей Викторович
• кандидат технических наук
• 1998

Оглавление диссертации кандидат технических наук Колебанов, Сергей Викторович

ВВЕДЕНИЕ.

1. ПИРАМИДАЛЬНОЕ РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ: 14 АНАЛИЗ СОСТОЯНИЯ И ПУТИ ПОВЫШЕНИЯ ЭФФЕК

ТИВНОСТИ РАБОТЫ.

1.1. Краткий обзор пирамидальных систем распознавания 15 изображений.

1.2. Направления повышения эффективности работы пира- 34 мидальных систем.

1.3. Цель и задачи исследования. 40 Выводы первой главы.

2. ПОНЯТИЕ БИНАРНЫХ СТРУКТУР. ПОИСК И КЛАССИ

ФИКАЦИЯ БИНАРНЫХ СТРУКТУР.

2.1. Пирамидальное описание изображения.

2.2. Определение бинарных структур.

2.3. Поиск бинарных структур.

2.4. Классификация бинарных структур. 76 Выводы второй главы.

3. ИНВАРИАНТНОСТЬ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

НА БАЗЕ МЕТОДА АКТИВНОГО ВОССТАНОВЛЕНИЯ.

3.1. Исследование инвариантности описания изображения 84 на основе метода активного восстановления.

3.2. Исследование процесса перехода области пикселов в 102 визуальную массу.

3.3. Исследование габаритной погрешности пирамидально- 107 го описания изображения.

Выводы третьей главы.

4. ПРИМЕНЕНИЕ БИНАРНЫХ СТРУКТУР ДЛЯ ПИРАМИ- 113 ДАЛЬНОГО РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ.

4.1. Экспериментальное исследование влияния габаритной 114 погрешности на пирамидальное описание.

4.2. Экспериментальное исследование влияния шумов раз- 117 личной природы и интенсивности на пирамидальное описание.

4.3. Общая организация системы распознавания изображе- 128 ний с помощью бинарных структур.

4.4. Решение задачи ввода информации в базу данных с пе- 135 чатного листа.

Выводы четвертой главы.

Введение диссертации (часть автореферата) на тему «Пирамидальное распознавание изображений на основе бинарных структур»

Актуальность темы. Одним из наиболее существенных результатов научно-технической революции является широкая компьютеризация практически всех областей человеческой деятельности. Бурное развитие средств вычислительной техники привело к тому, что значительные объемы научно-технической, общественной, социально-политической информации, в т.ч. и в виде изображений, переносятся в память ЭВМ и становятся доступными широкому кругу пользователей.

Зрительная система не только занимает важнейшее место в процессе обмена информацией между человеком и окружающим миром, но также оказывает значительное влияние на образ мышления и формирование представлений человека об окружающем мире. Соответственно важнейшей является задача создания систем технического зрения, позволяющих машине эффективно воспринимать, обрабатывать и хранить зрительные образы, т.е. сделать естественным и удобным общение между человеком и машиной, машиной и внешней средой.

В настоящее время наиболее эффективными зрительными системами являются естественные системы, в которых реализованы глубинные законы информационных преобразований в Природе. Пристальное изучение естественных зрительных систем и выявление принципов их работы способно привести к созданию качественно новых методов обработки изображений и, как следствие, к построению машин с архитектурой, отличной от архитектуры Дж. фон Неймана.

С одной стороны, проблема построения эффективного (для распознавания) описания структуры объекта, представленного в виде изображения, в настоящее время продолжает оставаться актуальной. С другой стороны, в работе [55] предложена перспективная теория распознавания изображений - теория активного восприятия изображений. Эта теория базируется на достоверно известных и подтвержденных многочисленными нейрофизиологическими и электрофизиологическими исследованиями фактах работы естественных зрительных систем. На данный момент в рамках теории разработаны теоретические основы анализа и синтеза изображений. В то же время необходимо дальнейшее развитие предложенных принципов обработки изображений "вглубь": разработка алгоритмов распознавания изображений в конкретных предметных областях; изучение эффективности работы этих алгоритмов в условиях шумов различной природы и интенсивности; проведение исследований по сравнению эффективности работы вновь полученных и уже имеющихся алгоритмов распознавания изображений; разработка методик описания эталонных объектов и процедур обучения распознаванию.

Результаты, полученные в диссертационной работе, базируются на теоретических и прикладных трудах Бравермана Э.М., Бакута П.А., Берта П.Дж., Вапника В.Н., Васина Ю.Г., Глезера В.Д., Глушкова В.М., Горелика A.JL, Гуревича И.Б., Гренандера У., Журавлева Ю.И., Евреинова Э.В., Калмана Р., Катыса Г.П., Колмогорова А.Н., Колмогорова Г.С., Кондратьева В.В., Лорьера Ж.-JI., Ляпунова A.A., Марра Д., Минского М., Прэтта У., Розена В.В., Розенблатта Ф., Розенфельда А., Скрипкина В.А., Утробина В.А., Цыпкина ЯЗ., Яншина В.В. и многих других российских и зарубежных ученых, внесших значительный вклад в развитие теории и практики распознавания образов и анализа сцен.

Цель работы состоит в повышении эффективности обработки изображений на основе разработки новых алгоритмов анализа, синтеза, описания и распознавания, базирующихся на теории активного восприятия изображений.

Достижение поставленной цели связано с решением следующих задач:

1) разработка общей методики поиска бинарной структуры и двутоно-вого изображения для произвольного полутонового изображения; классификация бинарных структур;

2) разработка (на основе общей методики) алгоритма поиска бинарной структуры, приемлемого по временным и аппаратурным затратам;

3) разработка принципов построения многоуровневого, в виде пирамиды, описания изображений на основе бинарных структур; построение детальных процедур анализа и распознавания изображений с помощью бинарных структур;

4) разработка на базе метода активного восстановления алгоритмов распознавания изображений инвариантно к местоположению объекта в поле зрения, размеру, углу поворота, уровню яркости объекта и фона, растяжению или сжатию по горизонтали и вертикали;

5) исследование возможных погрешностей пирамидального описания, вызванных дискретным представлением изображения, и их учет в процессе распознавания;

6) создание программного обеспечения, реализующего ввод изображения, построение пирамидального описания, создание базы эталонных объектов, распознавание указанного изображения на данной базе эталонов, обучение по указанной выборке объектов, вывод изображений, а также разработка ряда вспомогательных утилит;

7) реализация предложенных математических приемов, вычислительных процедур, программного обеспечения при решении практических задач распознавания образов и анализа сцен.

Методика исследования. Решение задач проводилось с использованием методов имитационного моделирования, теории распознавания образов, математического программирования, методов вычислительной математики и математической статистики, теории множеств и абстрактной алгебры. Достоверность теоретических исследований подтверждена результатами реализации моделей, алгоритмов и программ при решении практических задач распознавания изображений.

Научная новизна. В рамках теории активного восприятия изображений введены понятия классов, эквивалентных по бинарной структуре, меры подобия структуры двух изображений; определено понятие бинарной структуры полутонового изображения.

Разработан ряд алгоритмов бинаризации произвольного изображения в зависимости от критерия оптимальности. Проведен сравнительный анализ этих алгоритмов, и выработан окончательный алгоритм поиска для указанного полутонового изображения его бинарной структуры и ближайшего в пространстве описания двутонового изображения, основанный на методе угловой бинаризации по минимуму евклидова расстояния между векторами описаний. Предложена методика быстрого поиска угла, наиболее близкого по направлению к заданному, позволившая ускорить алгоритм поиска бинарной структуры изображения примерно в 580 раз. Таким образом, разработан подход, позволяющий от практически неограниченного множества полутоновых изображений перейти к достаточно малочисленному множеству бинарных образов.

Разработаны алгоритмы распознавания изображений инвариантно к местоположению объекта в поле зрения, размеру, углу поворота, уровню яркости объекта, растяжению или сжатию по горизонтали и вертикали, основанные на методе активного восстановления.

Произведено исследование процесса перехода области пикселов в ее визуальную массу, на котором базируется получение массива структурных элементов. Исследована погрешность габаритного описания, обусловленная дискретным характером представления изображения, получены формулы абсолютной, относительной и максимальных погрешностей.

Разработаны алгоритмы анализа и кодирования изображений с помощью бинарных структур. Выработана архитектура базы данных для хранения бинарных структур и работы с ними, предложена общая организация системы распознавания изображений на базе бинарных структур.

Разработано программное обеспечение, предназначенное для решения ряда практических задач по вводу-выводу изображения, построению его пирамидального описания, формированию базы эталонов и обучению по предъявленной выборке объектов, распознаванию указанного изображения на имеющейся базе эталонов с помощью разработанных алгоритмов. Для ускоренной работы с бинарными структурами создана специальная база, хранящая их атрибуты и реализующая скоростной доступ к записям.

Практическая ценность. На базе алгоритмов анализа и распознавания изображений с помощью бинарных структур разработана методика пирамидального распознавания алфавитно-цифровых символов для формирования электронной базы данных, хранящей сведения о пациентах лечебного учреждения, их профилактических прививках и медицинских отводах от прививок. Разработаны алгоритмы распознавания изображений инвариантно к местоположению объекта в поле зрения, размеру, углу поворота, уровню яркости объекта и фона, растяжению или сжатию по горизонтали и вертикали в рамках теории активного восстановления.

Разработано программное обеспечение, реализующее построенные алгоритмы и модели и обеспечивающее решение ряда практических задач по обработке изображений и автоматизированному вводу информации с бумажного носителя в ЭВМ.

Внедрение полученных результатов в лечебных учреждениях позволило соответствующему медперсоналу сократить временные затраты на формирования первичной информационной базы, хранящей сведения о профилактических прививках пациентов, и избавиться от значительной части рутинной и трудоемкой работы.

Апробация работы. Основные положения и результаты диссертационной работы докладывались на следующих конференциях, семинарах и научных сессиях:

- Научно-техническая конференция факультета радиоэлектроники и технической кибернетики, посвященная 80-летию НГТУ (Нижний Новгород, 1997 г.);

- Восьмая Всероссийская конференция "Математические методы распознавания образов" (Москва, 1997 г.);

- Научно-техническая конференция факультета информационных систем и технологий, посвященная 80-летию Нижегородской радиолаборатории (Нижний Новгород, 1998 г.);

- Пятьдесят третья научная сессия Российского научно-технического общества радиотехники, электроники и связи им. А.С.Попова, посвященная Дню радио (Москва, 1998 г.);

- Международная научно-техническая конференция "Нейронные, реляторные и непрерывнологические сети и модели" ("Neural, relator, continuous-logic systems and models") (Ульяновск, 1998 г.);

- Научно-техническая конференция "Применение математического моделирования для решения задач в науке и технике" (Ижевск, 1998 г.);

- Областная конференция "Компьютерные технологии в информатизации здравоохранения Нижегородской области" (Нижний Новгород, 1998).

Публикации. По материалам диссертации опубликовано 10 научных работ.

Структура, объем и содержание работы. Диссертация состоит из введения, четырех глав, заключения, списка используемой литературы, включающего 133 наименований, и 1 приложения. Основная часть работы содержит 101 страниц машинописного текста, 35 рисунков и 2 таблицы.

Заключение диссертации по теме «Теоретические основы информатики», Колебанов, Сергей Викторович

Основные результаты работы заключаются в следующем.

1. Сформулированы и обоснованы причины перехода от полутонового изображения к бинарной структуре, определен критерий оптимальности при переходе (реализация гипотезы компактности с обеспечением минимальности среднеквадратического расстояния в пространстве описания р). Произведен анализ измененных по яркости и фону изображений, введено понятие классов, эквивалентных по бинарной структуре, описана мера подобия структуры двух изображений. Введено понятие бинарной структуры и ближайшего по евклидовому расстоянию в пространстве описания двутонового изображения для заданного полутонового изображения.

2. Разработан ряд алгоритмов бинаризации произвольного изображения в зависимости от критерия оптимальности. Проведен сравнительный анализ этих алгоритмов, и выработан окончательный алгоритм поиска двутонового изображения и бинарной структуры, основанный на методе угловой бинаризации по минимуму евклидова расстояния между векторами описаний. Таким образом, от практически неограниченного множества полутоновых изображений произведен переход к достаточно малочисленному множеству бинарных образов.

3. Определен вектор который характеризует состав изображения и используется в качестве основного критерия классификации бинарных структур. Произведена их классификация по указанному вектору.

4. Проведено исследование инвариантности пирамидального описания к циклическому сдвигу, масштабированию, повороту, растяжению/сжатию по горизонтали и вертикали, изменению уровня яркости объекта и фона. Доказано, что пирамидальное описание в общем случае не инвариантно к циклическому -сдвигу, масштабированию, повороту, растяжению/сжатию по горизонтали и вертикали, но инвариантно к изменению яркости объекта (с точностью до коэффициента изменения яркости), уровня фона (кроме р,0, линейно зависящего от величины изменения). Выработан ряд приемов для обеспечения инвариантности пирамидального описания объекта к вышеуказанным преобразованиям.

5. Произведено исследование описания на различных уровнях пирамиды при таких преобразованиях, как циклический сдвиг, масштабирование, поворот. Показано, что для данных преобразований абсолютная разница описания на верхних уровнях пирамиды больше, чем на нижних; относительная разница описания на верхних уровнях пирамиды меньше, чем на нижних; при незначительной величине преобразования относительное изменение описания на первом уровне также незначительно.

6. Произведено исследование перехода области пикселов в ее визуальную массу, на котором базируется получение массива структурных элементов. Показано, что характеризующая этот процесс зависимость 11П р(8) носит симметричный характер, максимального значения функция КП;Р(8) достигает в центральном диапазоне 8, при изменении п, Р характер зависимости К.п,р(8) не меняется.

7. Исследована погрешность габаритного описания, обусловленная дискретным характером представления изображения, получены формулы абсолютной, относительной и максимальной погрешностей.

8. Проведено экспериментальное исследование влияния габаритной погрешности на пирамидальное описание изображения. Установлено: данная зависимость носит периодический характер (период вычислен); бинарная структура является устойчивой к влиянию габаритной погрешности.

9. Проведено экспериментальное исследование влияния шумов различной природы и интенсивности на пирамидальное описание изображения и соответствующие бинарные структуры; выполнено сравнение описания эталона и его различных структурных вариаций. В результате установлено: пирамидальное описание и описание на основе бинарных структур на более высоких уровнях более устойчиво к шумам и вариациям, чем на более низких; внутриклассовое расстояние (между эталоном и его зашумленными копиями, между эталоном и его структурными вариациями) значительно меньше, чем между классами. Таким образом, пирамидальное описание и описание на основе бинарных структур оказались устойчивы к данным шумам и структурным вариациям.

10. Рассмотрена в общем виде архитектура системы распознавания изображений с помощью бинарных структур, подробно разработана центральная часть данной системы - база бинарных структур. Показано, что при хранении изображения в виде бинарных структур имеет место 48-кратная экономия памяти по сравнению с обычным пирамидальным описанием.

11. Разработана программная система, решающая задачу автоматизированного формирования с бумажного носителя электронной базы данных профилактических прививок. В этой программной системе в практических целях используется научный материал, полученный в диссертации. Вышеуказанная программная система позволяет медперсона

ЗАКЛЮЧЕНИЕ

В диссертационной работе рассмотрена проблема пирамидального распознавания изображений с помощью специальных конструкций, бинарных структур, определяемых в рамках теории активного восстановления [55, 103]. Показано, что данные структуры позволяют в процессе распознавания перейти от полутонового изображения к бинарному и эффективнее использовать аппарат алгебры изображений.

Список литературы диссертационного исследования кандидат технических наук Колебанов, Сергей Викторович, 1998 год

1. Адаптивные методы обработки изображений. Сборник научных трудов. / Под ред.Л.П.Ярославского. - М.:Наука , 1988. - 242с.

2. Адаптивные телеизмерительные системы / Под ред. А.В.Фремке. -Л.: Энергоиздат., Ленингр. отд ние, 1981. - 248с.

3. Александров В.В., Горский Н.Д. Представление и обработка изображений: Рекурсивный подход. Л.: Наука, 1985. - 192с.

4. Алоимокос Дж. Зрительное определение формы // ТИИЭР. 1988. -Т.76,№8. -С. 50-69.

5. Ардалионов Л.В., Симаранов С.Ю. О задаче распознавания отдельных символов в печатном тексте // Известия АН. Техническая кибернетика. 1993. - № 6. - С. 61 - 75.

6. Ахмед Н., Pao K.P. Ортогональные преобразования при обработке цифровых сигналов. М.: Связь, 1980. - 248с.

7. Байчи Р. Активное восприятие // ТИИЭР. 1988. - Т. 76. - № 8. - С. 164- 174.

8. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы выделения границ областей // Зарубежная радиоэлектроника. -1987. -№ 10.-С. 33 52.

9. Берт П.Дж. Интеллектуальное восприятие в пирамидальной зрительной машине // ТИИЭР. 1988. - Т.76, № 8. - С. 175 - 186.

10. Вакульский O.A. Построение иерархического описания цифровых изображений // Космическая наука и техника. 1990. - № 5. - С. 6871.

11. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов (статистические проблемы обучения). М.: Наука, 1974. - 416с.

12. Васин Ю.Г., Пашков A.B. Решение задачи видимости с использованием бинарных рекурсивных структур представления видеоинформации // Межвуз. сб. науч. тр. Автоматизация обработки сложной графической информации. Н.Новгород, 1990. - С. 5 - 29.

13. Воробьев К.Ю., Тимонькин Г.Н., Харченко В.С., Мельников В.А. Иерархическая обработка изображений и пирамидальные системы // Зарубежная радиоэлектроника. 1991. - № 7. - С. 51 - 61.

14. Горелик А.А., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания. М.: Радио и связь, 1985. - 160с.

15. Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания. М.: Радио и связь, 1985. - 160с.

16. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1984. 222с.

17. Горский Н.Д. Автоматическое распознавание рукописного текста // Проблемы информатизации. 1994. - № 1 - 2. - С. 75 - 81.

18. Гренандер У. Лекции по теории образов: Анализ образов. М.: Мир, 1981.-448с.

19. Гренандер У. Лекции по теории образов: Регулярные структуры. -М.: Мир, 1983. -430с.

20. Гренандер У. Лекции по теории образов: Синтез образов. М.: Мир, 1979.-383с.

21. Гуревич И.Б. Проблемы распознавания изображений // Распознавание, классификация, прогноз. Математические методы и их применение: ежегодник. Вып. 1. М.: Наука, 1988. - С. 280 - 329.

22. Гуревич И.Б. Проблемы распознавания изображений // Распознавание, классификация, прогноз. Математические методы и их применение: ежегодник. Вып. 1. М.: Наука, 1988. - С. 280 - 329.

23. Дидук H.H. Свойства дискретных пространств неопределенности. Уточнение основной теоремы кодирования // Кибернетика и системный анализ. 1994. - № 1. - С. 14-24.

24. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.-511с.

25. Дыдычкин А.Е., Орлова Е.А., Савин A.A., Советников Ю.Н. Организация иерархического алгоритма распознавания машинописных знаков // Вопросы радиоэлектроники. Серия ЭВТ. 1984. - № 8. - С. 75-81.

26. Евреинов Э.В. Распределенная обработка информации и распределенные вычислительные системы. М.: Знание, 1983. - 64с.

27. Журавлев Ю.И. Об алгебраических методах в задачах распознавания и классификации // Распознавание, классификация, прогноз. Математические методы и их применение: ежегодник. Вып. 1. М.: Наука, 1988. - С. 9- 16.

28. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и распознавание изображений // Распознавание, классификация, прогноз. Математические методы и их применение: ежегодник. Вып. 2. М.: Наука, 1989.-С. 5-72.

29. Завалишин Н.В., Мучник И.Б. Модели зрительного восприятия и алгоритм анализа изображений. М.: Наука, 1974. - 344с.

30. Загоруйко Н.Г. Методы распознавания и их применение. М.: Сов. радио, 1972.-208с.

31. Зайцев-Зотов В.И. Метод распознавания машинописных знаков в широком диапазоне качества печати // Вопросы радиоэлектроники. Серия ЭВТ. 1982. - № 9. - С. 3 - 14.

32. Зрительное опознание и его нейрофизиологические механизмы // Под ред. В.Д. Глезер. Л.: Наука, 1975. - 272с.

33. Интеллектуальные системы распознавания текстов // Computer Direct. 1995.-№2.-С. 46-48.

34. Калеватых A.B., Павлов Б.А. Обзор современных методов автоматизированного анализа изображений // Автоматика и телемеханика.- 1995.-№9.-С. 3-21.

35. Кантони В., Левиальди С. Мультипроцессорные системы для обработки изображений // ТИИЭР. 1988. - Т. 76. - № 8. - С. 118 - 130.

36. Катыс Г.П. Обработка визуальной информации. М.: Машиностроение, 1990.-320с.

37. Кнут Д. Искусство программирования. М.: Радио и связь, 1985. -Т.2. - 340с.

38. Ковалевский В.А., Гимельфарб Г.Л., Возиянов А.Ф. Оптические читающие автоматы. Киев: Техника, 1980. - 207с.

39. Козлов Ю.М. Адаптация и обучение в робототехнике. М.: Наука, 1990.-248с.

40. Колебанов C.B. Двухэтапная схема поиска оптимальных бинарных структур для пирамидального распознавания изображений // Научно-техническая конференция факультета информационных систем и технологий: Тез. докл. Н.Новгород: НГТУ, 1998. - С. 50.

41. Колебанов C.B. Применение оптимальных бинарных структур как предикатов для задачи распознавания изображений // Научно-техническая конференция факультета информационных систем и технологий: Тез. докл. Н.Новгород: НГТУ, 1998. - С. 49.

42. Колебанов C.B. Распознавание изображений на основе оптимальных бинарных структур // Пятьдесят третья научная сессия, посвященной Дню радио: Тез. докл.- M., 1998.- С. 240-241.

43. Колебанов C.B. Свойства оптимальных бинарных структур и алго-рим их поиска на базе метода активного восстановления изображений // Системы обработки информации и управления: Межвуз. сб. науч. тр. Н.Новгород: НГТУ, 1998. - С. 91-97.

44. Колебанов C.B., Рогинский A.B. Алгоритмическое обеспечение пирамидальной системы распознавания изображений // Применение математического моделирования для решения задач в науке и технике: Сб. науч. тр. конф. Ижевск, 1998. - С. 45-54.

45. Кондратьев В. В., Утробин В.А. Математическая модель процесса идентификации в условиях априорной неопределенности // Применение математического моделирования для решения задач в науке и технике: Сб. тр. конф. Ижевск, 1997. - С. 63-73.

46. Кондратьев В.В., Колебанов C.B. Инвариантное распознавание изображений на базе метода активного восстановления // Применение математического моделирования для решения задач в науке и технике: Сб. науч. тр. конф. Ижевск, 1998. - С. 54-59.

47. Кондратьев В.В., Колебанов C.B., Утробин В.А. Пирамидальная система распознавания алфавитно-цифровых символов // Математические методы распознавания образов: Тез. докл. Восьмой Всес\российской конф. М., 1997. - С. 164-66.

48. Кондратьев В.В., Утробин В.А. Активное восстановление решение проблемы неопределенности // ДАН. - 1996, т.350, №3. - С. 315-317.

49. Кондратьев В.В., Утробин В.А. Информационный подход к моделированию целостного зрительного восприятия // ДАН. 1994. -Т.338,№5.-С. 610-612.

50. Кондратьев В.В., Утробин В.А. Модель зрительного восприятия в нейросетевом базисе // Международная научно-техническая конференция: сб. Нейронные сети и модели. 1995. - Т.1. - С. 73-74.

51. Кондратьев В.В., Утробин В.А. Основы теории активного восприятия изображений. Н.Новгород: НГТУ, 1997. - 249 с.

52. Кондратьев В.В., Утробин В.А. Формализация описания изображения в условиях неопределенности // Математические методы распознавания образов: Тез. докл. международной конф. М., 1995. - С. 34.

53. Кондратьев В.В., Утробин В.А. Формирование описания изображения в условиях неопределенности // ДАН. 1995. - Т.347, № 3. -С.316-318.'

54. Кондратьев В.В., Утробин В.А., Шаповал A.B. Обработка изображений на основе психофизиологии зрительного восприятия // 6-я Всероссийская научно-техническая конференция.: Тез. докладов. -Н.Новгород, 1993.- С.57.

55. КондратьевВ.В., Утробин В.А. Симметрия пятимерного евклидова пространства // ДАН. 1997, т.356, №2. - С. 178-181.

56. Котович Н.В. Система распознавания рукописных символов. Исследование емкости модели // Вопросы кибернетики. 1992. - № 177.-С. 81-86.

57. Красильников H.H. Новое в развитиии обобщенной функциональной модели зрения для информационных систем // Автометрия. -1992.-№2. -С. 73-78.

58. Красильников H.H. Обобщенная функциональная модель зрения и ее применение в системах обработки и передачи изображений // Автометрия. 1990. - № 6. - С. 7-14.

59. Куафе Ф. Взаимодействие робота с внешней средой. М.: Мир, 1985.- 538с.

60. Куликовский Ю.И. Алгебраические методы в распознавании образов // Кибернетический сб. Вып. 14. М.: Мир, 1977. - С. 178 - 226.

61. Кун С. Матричные процессоры на СБИС. М.: Мир, 1991. - 672с.

62. Купчинаус С.Ю. Структурно-иерархический метод описания и распознавания графических изображений // Вестник Удмуртского университета. 1994. - № 2. - С. 95-101.

63. Куссуль Э.М., Касаткин A.M., Касаткина JI.M. и др. Нейрокомпьютеры и интеллектуальные роботы. Киев.: Наукова думка, 1991. -315с.

64. Ланге М.М. Древовидная сегментация образов для ускорения анализа сцен // Прикладные проблемы искусственного интеллекта. -М.: Государственный комитет РСФСР по экологии и природопользованию АН СССР, 1991. С. 27-39.

65. Лани М.М. О распознавании образов с использованием иерархических представлений // Проблемы обработки информации в робото-технических системах. М.: Институт физико-технических проблем РАН, 1993. - С. 19-27.

66. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991.- 568с.

67. Лотон Д.Т., Макконел К.С. Системы понимания изображений // ТИИЭР. 1988. - Т.76, №8. - С. 209 - 227.

68. Марр Д. Информационный подход к представлению и обработке зрительных образов у человека. М.: Радио и связь, 1987. - 402с.

69. Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. - 285с.

70. Месарович М., Мако Д., Танахара И. Теория иерархических многоуровневых систем. М.: Мир, 1973. - 344с.

71. Минский М. Структура для представления знаний // Психология машинного зрения / Под ред. П. Уинстон. М.: Мир, 1978. - С. 249- 340.

72. Николаев A.B. Оптическое распознавание символов // Компьютер Пресс.- 1990.-№11.-С. 51-55.

73. Николаев A.B. Оптическое распознавание символов // Компьютер Пресс. 1990. - № 4. - С. 52 - 56.

74. Проектирование специализированных информационно вычислительных систем / Ю.М. Смирнов, Г.Н. Воробьев, Е.С. Потапов, В.В. Сюзов; Под ред.Ю.М. Смирнова. - М.: Высш. шк., 1984. - 359с.

75. Прэтт У. Цифровая обработка изображений: В 2т. М.: Мир, 1982. Т.2. - 480с.

76. Психологический словарь / Под ред. В.В. Давыдова. М.: Педагогика, 1983. - 448с.

77. Психология машинного зрения / Под ред. П. Уинстон. М.: Мир, 1978.-344с.

78. Распознавание образов: состояние и перспективы / Верхаген К., Дёйн Р., Грун Ф.и др. М.: Радио и связь, 1985. - 104с.

79. Реконструкция изображений / Под ред. Г. Старка. М.: Мир, 1992. -636с.

80. Розен В.В. Цель оптимальность - решение (математические модели принятия оптимальных решений). - М.: Радио и связь, 1974. -347с.

81. Розенфельд А. Машинное зрение: Основные принципы // ТИИЭР. -1988.-Т.76, №8.-С. 10- 16.

82. Розенфельд А. Распознавание и обработка изображений. М.: Мир, 1972.-232с.

83. Рок И. Введение в зрительное восприятие. Т.1. М.: Педагогика, 1980. -230с.

84. Савин A.A., Солохин И.П., Васильев В.Н. Иерархическая организация процесса распознавания рукописных знаков // Вопросы радиоэлектроники. Серия ЭВТ. 1982. - № 9. - С. 76 - 86.

85. Сатерленд Н.С. Человеколюбивые машины. В кн.: Человеческие способности машин. М.: Сов. радио, 1971. - С. 23 - 28.

86. СБИС для распознавания образов и обработки изображений / Под ред. К. Фу. М.: Мир, 1988. - 248с.

87. Системы оптического распознавания символов // Информатика. -М.: Машиностроение, 1995. № 3 - 4. - С. 27.

88. Системы технического зрения. / Писаревский А.Н., Чернявский А.Ф., Афанасьев Г.К. и др. Под общ. ред. Писаревского А.Н. JL: Машиностроение, 1988. - 424 с.

89. Соколов E.H., Вайткявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989. - 180с.

90. Стаут К.Ф. Реализация алгоритмов машинного зрения в параллельных вычислительных архитектурах // ТИИЭР 1988. - Т.76, №8. - С. 145 - 163.

91. Стыскин Б.М. Линейная фильтрация при пирамидальном представлении изображений // Многопроцессорные вычислительные структуры. Таганрог, 1989. - № И. - С. 51-55.

92. Террайен Ч.У., Куатьери Т.Ф., Даджон Д.Е. Алгоритмы анализа изображений, основанные на статистических моделях // ТИИЭР.1986.-Т. 74.-№4.-С. 4-25.

93. Техническое зрение / Под ред. А. Пью. М.: Машиностроение,1987.-413с.

94. Трухаев Р.И. Модели принятия решений в условиях неопределенности. М.: Наука, 1981. - 257с.

95. Ту Дж., Гонзалес Р. Принципы распознавания образов. М.: Мир, 1978.-315с.

96. Утробин В.А. Методы обработки изображений в условиях априорной неопределенности: Дис. . док. техн. наук.- Н.Новгород, 1998.-348с.

97. Утробин В.А. Потенциальные операторы оценивания изображений // Системы обработки информации и управления: Межвуз. сб. науч. тр. Н.Новгород, 1996. С. 17 - 26.

98. Утробин В.А. Симметрийный анализ изображения // Математические методы распознавания образов: Тез. докл. конференции с международным участием, посвященной 60-летию акад. РАН Ю.И. Журавлева. Пущино, 1995. - С. 62 - 63.

99. Фишер Р. От поверхностей к объектам. Машинное зрение и анализ трехмерных сцен. М.: Радио и связь, 1993. - 288с.

100. Фу К. Структурные методы в распознавании образов. М.: Мир, 1977.-319с.

101. Харалик P.M. Статистический и структурный подходы к распознаванию структур // ТИИЭР 1979. - Т.67, №5. - С. 95 - 120.

102. Хорн Б. Определение формы по данным о полутонах // Психология машинного зрения / Под ред. П. Уинстон. М.: Мир, 1978, с. 137 -184.

103. Чукин Ю.В. Структуры данных для представления изображений // Зарубежная радиоэлектроника. 1983. - №8. - С. 35 - 47.

104. Чэн Ш.-К. Принципы проектирования систем визуальной информации. М.: Мир, 1994. - 408с.112. трейдер Ю.А. Равенство, сходство, порядок. М.: Наука, 1971. -254с.

105. Элементы теории биологических анализаторов / Под ред. Н.В. По-зина. М.: Наука, 1978. - 360с.

106. Яншин В.В. Анализ и обработка изображений: Принципы и алгоритмы. М.: Машиностроение, 1995. - 112с.

107. Ясинявичус Р. Параллельные пространственно временные вычислительные структуры. - Вильнюс: Мокслас, 1988. - 183с.

108. Brice C.R., Fennema C.L. Scene Analysis Using Regions // Artificial Inteligence, 1970, vol.1, p. 205 226.

109. Eckstein W. Generalized Gray Morfology for the Extraction of high Objects // The 4-th open Russian - German workshop "Pattern Recognition and Image Analysis" Valday, the Russian Federation, March 3 -9, 1996, p.51 -55.

110. Horn B.K.P., Brooks M.J. The variational approach to shape from shading // Comput., Vision, Graphics and Image Process., 1986, vol.33, p.174 208.

111. Jayakumar H.F., Li R., Youssef M. Parallel algorithms for recognizing handwritten characters using shape features // Pattern Recognition. -1989.-22, №6.-C. 641 652.

112. Kondrat'ev V.V., Utrobin V. A. Fundamentals of the Active Image Restoration Process Theory// Pattern Recognition and Image Analysis.1996, v.7,№l. P. 49-69.

113. Kondrat'ev V.V., Utrobin V. A. Information Model of Decision Acceptance Process for Image Recognition // Computer science, ASRM.1997, №2. -P. 123-146.

114. Kondrat'ev V.V., Utrobin V. A. Uncovering the Uncertainty in the Identification Problem // Pattern Recognition and Image analysis. 1997, V.7, №2. - P. 250-259.

115. Kondrat'ev V.V., Utrobm V. A. Indétermination Uncovering Model in Identification Problem // The 4-th Open Russian-German Workshop "Pattern Recognition and Image Analysis" Valday, The Russian Federation March 3-9, 1996 pp.80-82.

116. Lu Y. Machine printed character segmentation an overview // Pattern Recognition. - 1995. - 28, № 1. - C. 67 - 80.

117. Moukrim A., Muller C. NN and heuristic approach to character recognition //Artif. Neural Networks: Proc. Int. Conf. 1991. - C. 1099 - 1102.

118. Niemann H. Knowledge Based Image Analysis as an Optimization Problem // Pattern Recognition and Image Analysis. - 1994. - Vol. 4, № 4.-Pp. 428 -445.

119. Optical character recognition // Inf. Media and Technol. 1990. - 23, № 1. - C. 16 - 17.

120. Stringa L. Efficient classification of totally unconstrained handwritten numerals with a trainable multilayer network // Pattern Recognition Letter. 1989. - 10, № 4. - C. 273 - 280.

121. Tappert C.C., Suen C.Y., Wakahara T. The state of the art in on line handwritten recognition // IEEE Trans. Pattern Anal, and Mac. Intellect.- 1990. 12, №8.-C. 787- 808.

122. Wang G.-E., Wang J.-F. A new hierarchical approach for recognition of unconstrained handwritten numerals // IEEE Ttrans. Consum. Electron. -1994.- 40, №3.-C. 428 -436.1. УТВЕРЖДАЮ:14 поликлиники № 2 «Сокол»авотдела г. Н.Новгорода1. Боряк А.М.

123. Специалисты поликлиники ознакомлены с возможностями, техническими характеристиками и режимами работы программной системы.

124. Установлено, что вышеуказанная программная система позволяет соответствующему медперсоналу сократить временные затраты на ввод в базу новой информации и избавиться от значительной части рутинной и трудоемкой работы.

125. Программный пакет будет использоваться, начиная с 1999 г., в данном лечебном учреждении для автоматизированного ввода информации в базу данных профилактических прививок и медицинских отводов пациентов.

126. Научный руководитель лаборатории службы АСУП АО «НАЗ «Сокол» к.т.н. доцент МТУСИ Зельманов С.С.1. УТВЕРЖДАЮ:

127. Гл. врач поликлиники № 51 «сого района г.Н.Новгорода ()*' Гаврилова Г.Г.1. Справка о внедрении.

128. Специалисты поликлиники ознакомлены с возможностями, техническими характеристиками и режимами работы программной системы.

129. Установлено, что вышеуказанная программная система позволяет соответствующему медперсоналу сократить временные затраты на ввод в базу новой информации и избавиться от значительной части рутинной и трудоемкой работы.

130. Программный пакет будет использоваться, начиная с 1999 г., в данном лечебном учреждении для автоматизированного ввода информации в базу данных профилактических прививок и медицинских отводов пациентов.

131. Научный руководитель лаборатории службы АСУП АО «НАЗ «Сокол» к.т.н. доцент МТУСИ1. Зельманов С.С.