Поиск изображений с использованием семантических признаков тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Папулин, Сергей Юрьевич

• Папулин, Сергей Юрьевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Папулин, Сергей Юрьевич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

РАЗДЕЛ 1 АНАЛИЗ ПОДХОДОВ И МЕТОДОВ ПОИСКА ИЗОБРАЖЕНИЙ

1 1 Общая постановка задачи поиска изображений

1 2 Модели обработки и представления данных в когнитивной психологии и языкознании

1 3 Модели обработки и представления данных в методах распознавания образов

1 4 Модели представления знаний в информационных системах и в системах искусственного

интеллекта

1 5 Подходы и методы поиска изображений

1 6 Контекстные методы поиска изображений

1 7 Контентные методы поиска изображений

1 7 1 Признаковые контентные методы поиска изображений

1 7 2 Обьектно-ориентированные методы поиска изображений

1 8 Контекстно-контентные методы поиска изображений

1 9 Классификация методов поиска изображений и сравнительный анализ существующих

систем поиска

1 10 Проблемы и недостатки существующих подходов и методов поиска изображений

1 11 Концепция поиска изображений на основе многоуровневой модели и гистограммного представления данных

Выводы по разделу 1

РАЗДЕЛ 2 МОДЕЛИ И МЕТОДЫ ПОИСКА ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ

СЕМАНТИЧЕСКИХ ПРИЗНАКОВ

2 1 Модель базовых уровней обработки и описания данных 76 2 1 1 Концептуальная модель базовых уровней обработки и описания данных 76 2 1 2 Компоненты модели базовых уровней обработки и описания данных 79 2 1 3 Модель базовых уровней обработки и описания данных в задаче поиска изображений 81 2 2 Логико-гистограммная модель представления данных 83 2 3 Поиск изображений с использованием семантических признаков

2.3.1 Основные особенности формирования элементного состава и семантического признака многоуровневой модели

2.3.2 Логико-гистограммная модель представления изображений

2.3.3 Метод поиска изображений с использованием семантических признаков

2.3.4 Методика формирования элементного состава уровней и семантического признака

2.4 Способы поиска изображений с использованием семантических признаков цвета и текстуры

2.5 Применение метода поиска изображений с использованием семантических признаков для коллекции маркированных изображений от устройств неразрушающего контроля

Выводы по разделу 2

РАЗДЕЛ 3. РЕАЛИЗАЦИЯ СИСТЕМЫ ПОИСКА ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ СЕМАНТИЧЕСКИХ ПРИЗНАКОВ

3.1 Основные функциональные возможности системы поиска изображений с использованием семантических признаков

3.2 Архитектура системы поиска с использованием семантических признаков

3.3 Способ реализации поиска изображений с использованием семантических признаков

3.4 Реализация клиента и сервера системы поиска по семантическим признакам

Выводы по разделу 3

РАЗДЕЛ 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ СПОСОБОВ ПОИСКА ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ СЕМАНТИЧЕСКИХ ПРИЗНАКОВ

4.1 Методика проведения экспериментальных исследований и оценка эффективности поиска изображений

4.1.1 Методика тестирования способов поиска изображений

4.1.2 Средства тестирования способов поиска изображений

4.1.3 Оценка эффективности поиска изображений

4.2 Экспериментальное исследование способов поиска изображений с использованием семантических признаков цвета и текстуры

4.2.1 Формирование элементного состава

4.2.2 Наборы изображений

4.2.3 Тестовые запросы

4.2.4 Поиск изображений и отображение результата поиска

4.2.5 Анализ результатов поиска изображений

4.2.5.1 Поиск по изображению-образцу

4.2.5.2 Поиск по текстовому запросу

4.3 Экспериментальное исследование способа поиска изображений по семантическим признакам при использовании маркированных изображений от устройств неразрушающего контроля

Выводы по разделу 4

ЗАКЛЮЧЕНИЕ

ПРИЛОЖЕНИЕ А. Компоненты многоуровневых моделей признаков цвета и текстуры

ПРИЛОЖЕНИЕ Б. Наборы изображений

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Поиск изображений с использованием семантических признаков»

ВВЕДЕНИЕ

Объем цифровой информации значительно увеличился за последние несколько десятилетий, что повлекло за собой активное развитие информационных систем. Основными функциями этих систем являются представление, обработка, хранение и извлечение цифровой информации. В современных системах, работающих с существенным количеством данных, особое значение имеет способность извлекать необходимую информацию посредством критериев, определяемых пользователем. Поэтому поиск информации является одним из наиболее динамично развивающихся направлений в рамках информационных систем. Более того, уже существует множество систем, основным назначением которых является именно поиск ранее сохранённой, например, в базе данных информации с использованием запросов пользователя.

К отличительным чертам систем поиска информации относят следующую совокупность определяющих функциональных особенностей: извлечение описания основных единиц информации; хранение единиц информации и их описаний; возможность формирования запроса пользователя (описание единиц информации); поиск по описанию единиц информации; представление пользователю результата поиска. Данные системы, в том числе подходы и методы, лежащие в их основе, различаются по типу основных единиц информации и типу источника описания. Базовыми типами информации и источника описаний являются текст, изображение, видео. Поэтому существуют системы поиска, например, УоиТиЬе, использующие видео в качестве основных единиц информации системы, а текстовую аннотацию видео как источник описания. В этом случае результат поиска есть множество видеороликов, т.е. множество основных единиц.

В данной работы рассматриваются вопросы поиска изображений, то есть поиска информации, в котором изображения являются основными единицами. Интерес к этому направлению в области поиска информации обусловлен рядом факторов. Во-первых, использование изображений в качестве информационного источника, то есть изображение приобретает значимость для решения конкретных задач. Во-вторых, появление большого объема неструктурированных коллекций изображений в рамках одной системы. В-третьих, актуальность изображения как результата поиска, то есть когда изображение становится предпочтительным результатом поиска. В-четвертых, расширение возможностей поисковой системы при использовании поиска изображений в добавление к текстовому, то есть изображения могут повысить релевантность при текстовом поиске.

Системы поиска изображений уже используются в таких сферах, как наука, медицина, коммерция, обеспечение правопорядка (поиск по биометрическим данным), применяются в

электронных библиотеках, для поиска в Интернете, в географических информационных системах и др. Поэтому существенным становится гибкость используемых методов и самих систем поиска к разнообразному контенту изображений для реализации возможности применения одной системы в различных областях.

Существуют два основных подхода к поиску изображений: контекстный [59; 79] (по текстовому описанию изображений, т.е. источник описания - текст) и контентный [47; 50; 54; 89; 94] (по содержанию изображений, т.е. источник описания - изображение). В первом случае в качестве запроса пользователя и для хранения описаний изображений используются текстовые аннотации, то есть применяются методы анализа и поиска текстовой информации. Во втором случае, как правило, используется запрос в виде изображения-образца, а в качестве описаний изображений применяются, например, числовые представления признаков изображений (цвета, текстуры, формы, положения и др.).

В данной работе основное внимание уделяется контентному подходу в поиске изображений, основателями которого можно считать сотрудников научного подразделения IBM (W. Niblack, R. Barber, W. Equitz и др.), Т. Kato (CHUO University, Токио, Япония), Т. Kurita (University of Tsukuba, Япония), A. Del Bimo и Р. Pala (University of Florence, Италия), W.Y. Ma и B.S. Manjunath (University of California, США), и др. Первыми полноценными системами поиска изображений по содержанию были QBIC [87; 89], ART MUSEUM [68; 69], Netra [77] н др.

Можно определить два основных направления в поиске по содержанию: признаковый [36; 64; 67; 76; 78; 84; 85; 90; 97] и объектно-ориентированный [45; 98; 99]. В первом случае описание изображений представляется как множество низкоуровневых признаков, таких как цвет, текстура, форма, положение. Основным назначением данных методов является определение похожих по признакам изображений в базе данных. В объектно-ориентированных методах описания изображений представляются как набор объектов изображений. Основным назначением данных методов является определение похожих по объектному составу изображений в базе данных. Общей чертой обоих направлений является использование запросов в виде изображений или их регионов.

Однако существующие подходы и методы поиска не обладают полноценной способностью понимания содержания изображений подобно человеку, т.е. распознавание разнородных объектов, понимание сцен и чувственно-эмоциональных составляющих изображений. В общем воде данное ограничение рассматривается как проблема семантического разрыва между низкоуровневым признаковым описанием и семантическим содержанием изображений. Поэтому в настоящее время приоритетным является объектно-ориентированный подход к поиску изображений, так как именно он обладает потенциалом по преодолению обозначенной проблемы.

Помимо наиболее фундаментальной проблемы семантического разрыва существует ряд более частных проблем, которым уделяется основное внимание в данной работе. В первую очередь это проблема текстового поиска изображений по содержанию. Контентный поиск рассматривается как поиск по образцу (изображению), а использование текстового запроса ассоциируется с контекстным поиском. Поэтому применению текстового запроса для поиска по содержанию уделяется достаточно мало внимания. Прежде всего, это связано с необходимостью распознавания объектов и сцен изображений, что опять же сводится к проблеме семантического разрыва.

Второй немаловажной проблемой является объединение возможностей двух подходов к поиску изображений (контекстного и по содержанию). На сегодняшний день существуют методы поиска, которые используют независимо полученные контекстные и контентные описания изображений [4; 43; 96]. В этом случае применяются всевозможные функции синтеза описаний при вычислении схожести между запросом и изображениями из базы данных. Однако описания, полученные из контекста, в котором находятся изображения, и содержание самих изображений по-прежнему остаются независимыми, т.е. в данном случае нет возможности преобразования одного типа описания в другой.

Третьей рассматриваемой проблемой является гибкость настройки методов поиска изображений по содержанию для различных областей применения. В этом случае имеется в виду настройка исключительно элементов описаний изображений, не затрагивая вопросы, например, фильтрации, сегментации изображений. Как правило, при реализации методов поиска, элементы описаний заранее заданы и неизменяемы, что затрудняет перенастройку одной системы под различные задачи. Однако использование объектных шаблонов в объектно-ориентированных методах поиска позволяет в значительной мере решить данную проблему. Тем не менее, проблема остаётся, т.к. не обеспечивается настройка на более низких и наиболее высоких уровнях абстракции элементов описания.

Данная работа направлена на поиск путей решения отмеченных выше проблем. Для этого в первую очередь рассматриваются основные подходы и методы поиска изображений. При этом значительное внимание уделяется поиску изображений по содержанию, в том числе объектно-ориентированным методам; представляются базовые особенности построения методов поиска изображений по содержанию и описания изображений, включая многоуровневые иерархические описания; приводятся классификации существующих подходов и методов по различным основаниям.

Кроме того, в работе разбираются основные модели обработки и описания данных в различных науках, таких как когнитивная психология, языкознание, информатика (компьютерное зрение, распознавание объектов), системы искусственного интеллекта. Это

необходимо для выявления закономерностей при обработке, анализе и хранении данных, определения базовых элементов и структур в различных по своей природе системах.

По результатам проведенного анализа в работе приводится модель базовых четырех уровней обработки и описания данных, одним из основных компонентов которой является семантический признак. Вкратце, семантический признак определяет взаимосвязь элементов различных уровней. Эта модель в дальнейшем используется для построения предлагаемых метода и способов поиска изображений [19].

Метод поиска изображений с использованием семантических признаков строится на совместном применении разработанной многоуровневой модели и гистограммном представлении данных. Это сочетание позволяет преобразовывать описания изображений из одного уровня в другой для реализации возможностей поиска по тексту или по изображению-образцу, а в качестве описаний изображений в базе данных использовать представления данных на различных уровнях. Таким образом решаются, в той или иной степени, большинство обозначенных ранее проблем.

При использовании изображения-образца в качестве запроса применяется подход, который соответствует поиску изображений по содержанию с использованием гистограмм признаков, но с учетом многоуровневой модели.

При поиске изображении по текстовому запросу большое значение играет семантический признак и разработанное логико-гистограммное представление [16; 17; 19; 24]. Это представление обеспечивает возможность поиска с использованием сложных текстовых запросов (запросов, состоящих из элементов и связок, например, логических и/или множественных операций), объемы элементов которого могут иметь общие составляющие.

Для заполнения элементного состава различных уровней и семантического признака разработана методика формирования этих компонентов многоуровневой модели.

В работе предлагаются два способа поиска изображений с использованием семантического признака цвета и текстуры. Отличительными особенностями способа поиска изображений с использованием семантического признака цвета являются следующие. Во-первых, используется цветовое пространство НБВ (оттенок-насыщенность-яркость). Данное пространство имеет смысловую упорядоченность по координатам, которая в достаточной мере отражает восприятие цвета человеком. Во-вторых, в качестве описаний изображений в базе данных используется стандартное гистограммное представление на уровне элементарных элементов признака (1-ом уровне). Элементы гистограммного представления указывают на количественные показатели присутствия элементов уровня в данных.

Отличительными особенностями способа поиска изображений с использованием семантического признака текстуры являются следующие. Во-первых, используется секторно-

круговое пространство текстуры, которое имеет смысловую упорядоченность по координатам. Во-вторых, в качестве описаний изображений в базе данных используется стандартное гистограммное представление данных на уровне элементарных элементов признака (на 1-ом уровне). Для получения гистограммного представления изображение, которое анализируется для извлечения описания в виде гистограммы текстуры, предварительно разбивается на квадраты-регионы. Затем каждый из них анализируется на наличие некоторой текстуры. Таким образом, каждый квадрат-регион имеет свою площадь, которая является количественным показателем присутствия некоторой текстуры в изображении.

В диссертационной работе также рассматриваются вопросы реализации способов поиска изображений с использованием семантического признака цвета и текстуры в виде системы поиска растровых изображений; определены основные действующие лица и функциональные возможности системы поиска.

В завершение приводятся результаты экспериментальных исследований разработанных способов поиска изображений на основе семантических признаков. Тестирование включало три базовых стадии: предварительную стадию, которая заключается в формировании начальных данных и условий тестирования; поиск изображений посредством использования базы данных изображений и запросов пользователя; анализ результата поиска, при котором производится оценка функциональных возможностей и эффективности поиска изображений.

Вкратце, цель и основные положения работы можно представить следующим образом.

Цель работы - разработка метода поиска цифровых изображений по содержанию, который способен преобразовывать один тип описания изображения в другой для обеспечения возможности использования различных типов пользовательских запросов (например, текстового запроса, запроса в виде изображения-образца) и различных типов описаний изображений из коллекции данных.

Для достижения поставленной цели решены следующие задачи:

1) анализ существующих подходов и методов поиска изображений, выявление их проблем и недостатков, определение общего направления достижения поставленной цели за счет использования многоуровневой модели и гистограммного представления изображений;

2) разработка многоуровневой модели и выделение основных её компонентов для возможности организации необходимых преобразований описаний изображений и определение методики формирования элементного состава уровней и связей между ними;

3) разработка многоуровневой логико-множественной гистограммной модели представления данных для использования её в качестве математического аппарата при поиске в коллекции изображений по различным типам запросов и описаниям;

4) разработка метода поиска изображений по содержанию с использованием семантического признака, обеспечивающего заявленные в цели возможности посредством использования многоуровневой модели обработки и описания изображений и многоуровневой логико-множественной гистограммной модели представления изображений;

5) разработка способов поиска изображений с использованием семантических признаков цвета и текстуры; применение для поиска маркированных изображений, полученных от устройств неразрушающего контроля;

6) реализация способов в виде системы поиска растровых изображений;

7) тестирование предлагаемых способов поиска изображений по семантическим признакам и анализ полученных результатов.

Методы исследования. При решении поставленных в диссертационной работе задач использованы теоретически и эмпирические методы исследования, в том числе специальные количественные методы оценки эффективности поиска информации по показателям полноты и точности.

Научная новнзна работы:

1) предложена многоуровневая модель обработки и описания данных, отличающаяся наличием четырёх базовых уровней (уровня элементов пространства признака; уровня элементарных элементов признака; уровня признака, образа, понятия; языкового уровня) и следующих компонентов: элементов уровня; представлений уровня; семантического признака, - и позволяющая представить элементы данных от низкоуровневых описаний до полноценных понятий и языковых элементов, а также внешние данные на различных уровнях;

2) разработан метод поиска изображений по содержанию с использованием семантического признака, отличающийся применением многоуровневой модели базовых четырех уровней и логико-множественной гистограммной модели представления данных, который позволяет искать изображения с использованием элементных запросов, в том числе сложносоставных с логическими и/или множественными связками, или запроса в виде изображения-образца и по различным типам описаний изображений за счет межуровневых преобразований;

3) предложена методика формирования элементного состава многоуровневой модели данных и семантического признака, отличительной чертой которой является порядок составления элементов уровней снизу-вверх с учетом заранее выбранных целевых признаков, образов, понятий и применение множественных и/или логических операций над элементами для формирования сложных (составных) элементов в пределах одного уровня и определения семантического признака;

4) разработан способ поиска изображений по содержанию с использованием

семантического признака цвета, отличающийся применением метода поиска изображений с использованием семантического признака и цветового пространства оттенок-насыщенность-яркость (НвВ) для формирования элементного состава многоуровневой модели, который позволяет искать изображения по элементному запросу или запросу в виде изображения-образца с использованием одного типа описаний изображений;

5) разработан способ поиска изображений по содержанию с использованием семантического признака текстуры, отличающийся применением метода поиска изображений с использованием семантического признака и секторно-кругового пространства текстуры для формирования элементного состава многоуровневой модели, который позволяет искать изображения по элементному запросу или запросу в виде изображения-образца с использованием одного типа описаний изображений;

6) предложен способ реализации поиска изображении с использованием семантических признаков цвета и текстуры, отличительными чертами которого являются применение отдельных алгоритмов поиска по текстовому запросу и изображению-образцу; использование реляционной базы данных для хранения элементных составов и седкштнческих признаков многоуровневых моделей, а также изображений/описаний на различных уровнях; клиент-серверная архитектура.

Достоверность полученных научных результатов подтверждается теоретической обоснованностью предлагаемых методов и способов, а также практической реализацией разработанных способов в виде системы поиска. Результаты тестирования способов соответствуют заявленной цели и теоретическим ожиданиям.

Основные положения, выносимые на защиту:

1) метод поиска изображений по содержанию с использованием семантического признака (компонента разработанной многоуровневой модели обработки и описания изображений) позволяет использовать различные виды запросов, базовыми из которых являются элементный запрос и запрос в виде изображения-образца, и обеспечивает возможность поиска по различным типам описаний изображений за счет межуровневых преобразований;

2) методика формирования элементного состава и семантического признака многоуровневой модели обработки и описания изображений, используемаяй в методе поиска изображений по семантическому признаку, регламентирует порядок заполнения и составления элементов уровней и взаимосвязей между элементами различных уровней с применением множественных и/или логических операций;

3) способ поиска изображений по содержанию с использованием семантического признака цвета и цветового пространства оттенок-насыщенность-яркость (Н8В) обеспечивает возможность поиска по элементному запросу или запросу в виде изображения-образца с применением одного типа описания изображений;

4) способ поиска изображении по содержанию с использованием семантического признака текстуры и секторно-кругового пространства текстуры обеспечивает поиск по элементному запросу или запросу в воде изображения-образца с применением одного типа описания изображений.

Научно-практическая значимость работы. Разработанные способы поиска изображений с использованием семантических признаков и воплощенные в виде системы поиска обладают следующей практической значимостью:

- позволяют использовать различные типы описаний изображений для поиска изображений по элементному запросу или по изображению-образцу;

- позволяют настраивать системы под различные сферы деятельности и задачи поиска посредством внесения изменений в элементный состав и семантические признаки системы, которые заполняются экспертами предметной области, в том числе с использованием обычного или терминологического естественного языка;

- достигается возможность объединения разработанных способов с традиционными контекстными способами с целью повышения релевантности результата поиска по запросу пользователя;

- позволяют организовать автоматическую текстовую аннотацию растровых изображений по его содержанию, и возможность объединения её с контекстной аннотацией растровых изображений;

- могут быть применены при реализации образного мышления и воображения в системах искусственного интеллекта.

Кроме того, в диссертационной работе предложено прикладное использование разработанных способов в виде системы поиска растровых маркированных изображений, полученных от устройств неразрушающего контроля, например, тепловизора.

Отдельные результаты работы использованы в учебном процессе и в рамках научно-исследовательской работы кафедры проектирования и технологии производства электронной аппаратуры МГТУ им. Н.Э. Баумана.

Таким образом, предложенные методы, способы и система поиска имеют достаточно широкий спектр применения, отдельные части которых могут быть использованы в смежных областях, таких как компьютерное зрение, цифровая обработка сигналов и распознавание образов, системы искусственного интеллекта.

Результаты, полученные в работе, были представлены на следующих конференциях и конкурсах:

1. Молодежная международная научно-техническая конференция учащихся, студентов, аспирантов и молодых ученых «Наукоемкие технологии и интеллектуальные системы», МГТУ им. Н.Э. Баумана. Москва, 2009, 2013, 2014;

2. IV Всероссийский конкурс молодых учёных (проводимый РАН, Министерством обороны РФ, Министерством промышленности и торговли РФ, Федеральным космическим агентством, Министерством образования и науки РФ, ВАК и Межрегиональным советом по науке и технологиям). Миасс, 2012;

3. Всероссийская научная конференция студентов, аспирантов и молодых ученых «Наука. Технологии. Инновации» (НТИ-2012), Новосибирский государственный технический университет (НГТУ). Новосибирск, 2012.

Основные результаты диссертации отражены в 11 публикациях, в том числе в 3-х статьях в рецензируемых журналах, рекомендуемых Высшей аттестационной комиссией (ВАК).

РАЗДЕЛ 1. АНАЛИЗ ПОДХОДОВ И МЕТОДОВ ПОИСКА ИЗОБРАЖЕНИЙ

Среди информационных поисковых систем особое место занимают системы поиска изображений. Основное их назначение - выполнение поиска изображении в базе данных по запросу и отображение результата пользователю. Эти системы различаются по подходам и методам, на основе которых они реализуются. Поэтому в данном разделе основное внимание уделяется теоретическим аспектам поиска изображений, выявлению проблем и недостатков существующих методов, постановке цели работы и обозначению направления её достижения. В первую очередь определяется общая задача поиска изображений, т.е. без рассмотрения вопросов использования различных источников описаний и видов пользовательских запросов. Кроме того, приводятся основные функциональные компоненты и последовательность операций в процессе поиска. В результате в общем виде поиск изображений сводится к обработке и анализу данных, например, содержания изобраэ/сений. Поэтому, прежде чем перейти к рассмотрению основных подходов к поиску изображений, в данном разделе приводятся общие теоретические положения по обработке, анализу и представлению данных, информации, знаний с точки зрения различных дисциплин, таких как когнитивная психология, языкознание, обработка и анализ изображений, системы искусственного интеллекта.

Одной из ключевых отличительных особенностей методов поиска изображений является источник описаний (например, текстовый документ или изображение). В результате использование того или иного источника определяет подход к поиску и возможности разрабатываемого метода поиска. Поэтому рассматриваются базовые подходы к поиску изображений, такие как контекстный, контентный и контскстно-контентный. При этом основное внимание уделяется контентным методам, которые в свою очередь подразделяются на признаковые и объектно-ориентированные.

Помимо разделения методов поиска в зависимости от использования того или иного источника описаний в разделе представляются классификации по видам контентпого поиска, типу описаний изображений, типу пользовательского запроса и др. Кроме того, приводится сравнительный анализ существующих систем поиска изображений.

В завершающих подразделах рассматриваются основные проблемы и недостатки методов поиска, более детально формулируется цель работы и предлагается общее направление решения поставленной задачи в виде концепции, объединяющей многоуровневую модель обработки и описания с гистограммным представлением данных.

1.1 Общая постановка задачи поиска изображений

В общем виде задача поиска изображений сводится к извлечению из базы данных некоторого количества изображений, наилучшим образом удовлетворяющий запрос пользователя. Поэтому, прежде всего, необходимо обеспечить заполнение базы данных изображениями, на множестве которых будет осуществляться поиск. Кроме того, необходимо определить средства взаимодействия пользователя и системы поиска. Главным образом имеются в виду различные возможности по формированию запроса. В результате можно выделить две основные стадии: заполнение базы данных и поиск изображений в базе данных с использованием запроса пользователя.

Список литературы диссертационного исследования кандидат наук Папулин, Сергей Юрьевич, 2014 год

СПИСОК ЛИТЕРАТУРЫ

1. Агеев, М.С. Официальные метрики РОМИП'2010 [Электронный ресурс] / М.С. Агеев, И.Е. Кураленок, И.С. Некрестьянов // Российский семинар по оценке методов информационного поиска.

- 2010. - С. 172-187. - Режим доступа: http://romip.ru/romip2010/20_appendix_a_metrics.pdf.

2. Алейникова, H.A. Модели и методы искусственного интеллекта. Применение в экономике: учеб. пособие / H.A. Алейникова, Матвеев М.Г., Свиридов A.C. - М. : Финансы и статистика; ИНФРА-М, 2008. - 448 с.

3. Батуев, A.C. Физиология высшей нервной деятельности и сенсорных систем: учебник для вузов / A.C. Батуев. - 3-е изд. - СПб. : Питер, 2010. - 3 17 с.

4. Васильева, НС. Построение и комбинирование признаков в задаче поиска изображений по содержанию: дис. ... канд. физ.-мат. наук. : 05.13.11 / Васильева Наталья Сергеевна - С.-Петерб. гос. университет. - Санкт-Петербург, 2010. - 164 с.

5. Васильева, Н.С. Поиск изображений. Синтез различных методов поиска при формировании результатов / Н.С. Васильева, A.C. Дольник, И.Е. Марков // Интернет-Математика 2007: сборник науч. работ. - Екатеринбург : Изд-во Урал, ун-та, 2007. - С. 46-55. - Режим доступа : http://elar.urfu.ru/bitstream/ 10995/1332/mMAT_2007_06.pdf (дата обращения: 06.06.2014).

6. Верещагин, Н.К. Лекции по математической логике и теории алгоритмов. Часть 1. Начала теории множеств / Н.К. Верещагин, А. Шень. - 3-е изд. - М. : МЦНМО, 2008. - 128 с.

7. Дремин, И.М. Вейвлеты и их использование / И.М. Дремин, О.В. Иванов, В. А. Нечитайло // Успехи физических наук. - 2001. - №5. - С. 465-501. - Режим доступа : http://ufn.ru/ufn01/ ufnO 1 _5/Russian/r015a.pdf.

8. Дружинин, В.II. Когнитивная психология: учебник для вузов / В.II. Дружинин, Д.В. Ушаков

- М. : ПЕР СЭ, 2002. - 480 с.

9. Заде, Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений : [пер. с англ.] / Л.А. Заде. -М. : Мир, 1976. - 165 с.

10. Коллекция изображений: сайт фирмы ИРТИС [электронный ресурс]. - Режим доступа : http://www. irtis.ru.

11. Колышева, Л.К. Основы теории нечетких множеств: учебное пособие / Л.К. Колышева, Д.М. Назаров. - СПб. : Питер, 2011. - 192 с.

12. Корпорация Майкрософт. Проектирование насыщенных клиентских приложений // Руководство Microsoft по проектированию архитектуры приложений. - 2-е изд. - Режим доступа : http://download. microsoí\.com/documents/rus/msdn/pы_пpилoжeннй_пoлнaя_книгa.pdf.

13. Кремер, Н.Ш. Теория вероятностей и математическая статистика: учебник для вузов / Н.Ш. Кремер. - 2-е изд. - М. : ЮНИТИ-ДАНА, 2004. - 573 с.

14. Лаборатория систем мультимедиа. Системы искусственного интеллекта: представление знаний в интеллектуальных системах. - Режим доступа : http://\vw\v.mari-el.ru/mmlab/liome/AI/4.

15. Набор растровых изображений Vision Texture [Электронный ресурс] / Массачусетский технологический институт. - 1995. - Режим доступа : http://vismod.rnedia.mit.edu/pub/VisTex/ VisTex.tar.gz.

16. Папулин, С.Ю. Анализ коллекции данных посредством логико-множественного гистограммного представления / С.Ю. Папулин // Программные продукты и системы. - 2014. - №1. - С. 57-60.

17. Папулин, С.Ю. Анализ многоблочных данных посредством логико-множественного гистограммного представления / С.Ю. Папулин // Научное обозрение. - 2014. -№2. - С. 72-77.

18. Папулин, С.Ю. Виды гистограммных представлений данных в логико-множественной модели представления / С.Ю. Папулин // Наукоемкие технологии и интеллектуальные системы 2014: материалы 16-ой молодежной международной науч.-технич. конф. - М. : Моск. гос. техн. университет им. Н.Э. Баумана, 2014. - С. 223-226.

19. Папулин, С.Ю. Многоуровневая модель описания признаков для поиска изображений по содержанию / С.Ю. Папулин // Наука. Технологии. Инновации 2012 (НТИ-2012): материалы всерос. науч. конф. студентов, аспирантов и молодых ученых. - Новосибирск : Новосибирский гос. техн. университет, 2012. - Ч. 3. - С. 96-99.

20. Папулин, С.Ю. Нечеткие элементы в логико-множественной гистограммной модели представления данных / С.Ю. Папулин // Наукоемкие технологии и интеллектуальные системы 2014: материалы 16-ой молодежной междунар. науч.-техн. конф. - М. : Моск. гос. техн. университет им. Н.Э. Баумана, 2014. - С. 70-73.

21. Папулин, С.Ю. Поиск изображении по содержанию с использованием цветовых особенностей / С.Ю. Папулин //Наукоемкие технологии и интеллектуальные системы 2009: материалы молодежной междунар. науч.-техн. конф. - М.: Моск. гос. техн. университет им. Н.Э. Баумана, 2009. - С. 13-18.

22. Папулин, С.Ю. Поиск электронных изображений по семантическим признакам / С.Ю. Папулин//Программные продукты и системы. -2011. -№1. - С. 10-16.

23. Папулин, С.Ю. Проблема семантического разрыва между низкоуровневыми признаками и объектами в контентном поиске изображений в терминах семантического треугольника / С.Ю. Папулин // Наука. Технологии. Инновации 2012 (НТИ-2012): материалы всерос. науч. конф. студентов, аспирантов и молодых ученых. - Новосибирск : Новосибирский гос. техн. университет, 2012. -Ч. 2. - С. 109-113.

24. Папулин, С.Ю. Свойства бинарных операций логико-гистограммного представления данных / С.Ю. Папулпн // Наукоемкие технологии и интеллектуальные системы 2013: материалы 15-ой молодежной междунар. науч.-техн. конф. -М. : Моск. гос. техн. университет им. Н.Э. Баумана, 2013. - С. 118-124.

25. Папулин, С.Ю. Способ поиска изображений по содержанию на основе логико-гистограммного представления признака цвета с применением текстового запроса пользователя / С.Ю. Папулин // Итоги диссертационного исследования: материалы IV Всероссийского конкурса молодых ученых. - М. : РАН, 2012. - Т. 3. - С. 95-106.

26. Папулин, С.Ю. N-мерное логико-гистограммное представление данных / С.Ю. Папулин // Наукоемкие технологии и интеллектуальные системы 2013: материалы 15-ой молодежной междунар. науч.-техн. конф. - М.: Моск. гос. техн. университет им. Н.Э. Баумана, 2013. - С. 337-339.

27. Сергиенко, А.Б. Цифровая обработка сигналов: учебник для вузов / А.Б. Сергиенко. - 2-е изд. - СПб. : Питер, 2007. - 751 с.

28. Солсо, Р. Когнитивная психология : [пер. с англ.] / Р. Солсо. - 6-е изд. - СПб. : Питер, 2011. - 589 с.

29. Степанов, Ю.С. Основы общего языкознания: учебное пособие / Ю.С. Степанов. - Изд. 3-е. -М. : Книжный дом «ЛИБРОКОМ», 2011. -272 с.

30. Стокман, Д. Компьютерное зрение : [пер. с англ.] / Д. Стокман, Л. Шапиро. - М. : БИНОМ, 2006. - 752 с.

31. Тру фанов, С. Н. Об основных положениях Критики чистого разума И. Канта/С.Н. Труфанов // Новое в психолого-педагогических исследованиях. - 2010. - №3. - С. 78-92. - Режим доступа : http://trufanovsn.sama.ru/Kantkr.doc.

32. Ушакова, Т.Н. Рождение слова: проблемы психологии речи и психолингвистики / Т.Н. Ушакова. -М. : Изд-во «Институт психологии РАН», 2011. - 524 с.

33. Хаусдорф, Ф. Теория множеств : [пер. с нем.] / Ф. Хаусдорф. - Изд. 5-е. - М. : Издательство ЛКИ, 2010.-304 с.

34. Abbasi, S. Robust and efficient shape indexing through curvature scale space / S. Abbasi, J. Kittler, F. Mokhtarian // Proceedings of the British machine vision conference, Edinburg, 1996. - P. 33.1-33.10. -Режим доступа: http://www.bmva.org/bmvc/1996/mokhtarian_l.pdf.

35. Achard, С. Local Zernike moments vector for content-based queries in image database / C. Achard, E. Bigorgne, J. Devars // Proceedings of the IAPR workshop on machine vision applications, Tokyo, 2000, November. - P. 327-330. - Режим доступа : http://b2.cvl.iis.u-tokyo.ac.jp/mva/proceedings/ CommemorativeDVD/2000/papers/20003 27.pdf.

36. Andreadis, I. Image retrieval based on fuzzy color histogram processing / I. Andreadis, A. Gasteratos, K. Konstantinidis // Optics Communications. - 2005. - Vol. 248(4-6). - P. 375-386. - doi: 10.1016/j. optcom. 2004.12.029.

37. Ann, H.-Y. A unique-ID-based matrix strategy for efficient iconic indexing of symbolic pictures / H.-Y. Ann, Y.-I. Chang, W.-H. Yeh // Pattern Recognition. - 2000. - Vol. 33(8). - P. 1263-1276. -Режим доступа : http://db.cse.nsysu.edu.tvv/~changyi/paper/UIDpr.pdf.

38. Aranda, J. Visual tracking system for a mobile robot using colour histograms / J. Aranda, A. Sanfeliu, J. Verges-llahi // Proceedings of the 5th 1FAC/EURON symposium on intelligent autonomous vehicles, Lisbon, 2004, July. - P. 1-5. - Режим доступа : http://digital.csic.eS/bitstream/10261/30422/l/docl .pdf

39. Badawy, O.E. Hierarchical representation of 2-D shapes using convex polygons: a contour-based approach / O.E. Badawy, M.S. Kamel // Pattern Recognition Letters. - 2005. - Vol. 26(7). - P. 865877. - doi: 10.1016/j.patrec.2004.09.03. - Режим доступа : http://watnow.uwaterloo.ca/pub/obadawy/ ElBada\vy_ Kamel_PRL_2005.pdf.

40. Bai, X. Skeleton Paining by Contour Partitioning with Discrete Curve Evolution / X. Bai X, L.J. Latecki, W. Liu // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2007. - Vol. 29(3). - P. 449-462.

41. Bianchi, N. Supporting human-human interaction beyond cultural backgrounds [Электронный ресурс] /N. Bianchi, T. Kato, T. Sota, K. Yoshida // Proceedings of CHI97 basic research symposium. - Atlanta, GA. -

1997, March. - Режим доступа : http://web4.cs.ucl.ac.Uk/uclic/people/n.bertliouze/paper/CHI97/CHI97.

42. Biswas, P.K. Wavelet transform based texture features for content based mage retrieval / P.K. Biswas, B.N. Chatterji, M. Kokare // Proceedings of the national conference on communications. Tamil Nadu: Indian institute of technology Madras, 2003. - P. 443-447. - Режим доступа : http://www.ncc.org.in/dovvnload.php?f=NCC2003/0-2.pdf.

43. Bruno, E. Information fusion in multimedia information retrieval / E. Bruno, J. Kludas, S. Marchand-Maillet // Adaptive multimedia retrieval: retrieval, user, and semantics. - Berlin : Springer Berlin Heidelberg, 2008. - P. 147-159.

44. Bruno, O.M. Comparison of shape analysis methods for Guinardia citricarpa ascospore characterization / O.M. Bruno, R.E. Garcia, M.A. Pazoti // Electronic journal of biotechnology. - 2005. - Vol. 8(3). - P. 265275. - Режим доступа : http://www.ejbiotechnology.info/content/vol8/issue3/full/l/l.pdf.

45. Chang, S.F. Model-based classification of visual information for content-based retrieval / S.F. Chang, A. Jaimes // Proceedings of SPIE: Storage and retrieval for image and video databases VII. -

1998, 17 December. - Vol. 3656. - P. 402-414. - doi: 10.1117/12.333859.

46. Chiu, H.-P. 2D Z-string: a new spatial knowledge representation for image databases / H.-P. Chiu, A.J.T. Lee//Pattern recognition letters. - 2003. - Vol. 24(16). - P. 3015-3026. - doi: 10.10I6/S0167-8655(03)00162-4. - Режим доступа : http://people.csail.mit.edu/chiu/paper/2D-Z-string.pdf.

47. Cooper, M. A review of content-based image retrieval systems / M. Cooper, C.C. Venters. -Manchester : Manchester visualization centre, Manchester computing, university of Manchester, 2000. - 67 p. - Режим доступа : http:^eta.jisc.ac.uk/media/documents/programmes/jtap/jtap-054.pdf.

48. Craik, F. Levels of processing: a framework for memory research / F. Craik, R. Lockhart // Journal of verbal learning and verbal behavior. - 1972. - P. 671-684.

49. Darwish, A.A. Content based medical image retrieval based on pyramid structure wavelet / A.A. Darwish, R.A. Mohamed, A.A. Youssif // International journal of computer science and network security. -2010. - Vol. 10(3). - P. 157-164. - Режим доступа: http://paper.ijcsns.org/07_book/201003/20100322.pdf.

50. Deb, S. An overview of content-based image retrieval techniques / S. Deb, Y. Zhang // Proceedings of the 18th international conference on advanced information networking and application (AiNA'04). - Fukuoka : Fukuoka institute of technology (FIT), 2004. - Vol. 1. - P. 59-64.

51. Derose, T. D. Wavelets for computer graphics / T. D. Derose, D. H. Salesin, E. J. Stollnitz // IEEE computer graphics and applications. - 1995. - Vol. 15(3). - P. 76-84. - Режим доступа : http://grail.cs.washington.edu/ pub/stoll/waveletl .pdf.

52. Fishbune, R. J. Infrared thermography for electronic assembly design verification / R. J. Fishbune // Proceedings of the Inframation. - 2000. - Vol. 1,- P. 211-217. - Режим доступа : http://www.flir. com/WorkArea/DownloadAsset.aspx?id=59604.

53. Gao, Y.Y. Object-based techniques for image retrieval / Y.Y. Gao, Y. Luo, Y.-J. Zhang // Multimedia systems and content-based image retrieval. - Henshey, PA : Idea group publishing, 2004. - P. 156-181.

54. Gudivada, V.N. Content-based image retrieval system / V.N. Gudivada, V.V. Raghavan // Computer. - 1995. - Vol. 28(9).-P. 18-22. - doi: 10.1109/2.410145.

55. Gulez, K. Real object recognition using moment invariants / K. Gulez, M. Mercimek, T.V. Mumcu // Sadhana. - 2005. - Vol. 30( 6). - P. 765-775. - doi: 10.1007/BF02716709.

56. Hayashi, A. Region-based image retrieval using wavelet transform / A. Hayashi, Y. Ishida, T. Kanbara, N. Suematsu // Proceedings of the 15th international conference on vision interface, 2002, May. - P. 6-9.

57. Hemachandran, K. Content-based image retrieval using color moment and Gabor texture feature / K. Hemachandran, S.M. Singh // International journal of Computer science issues. - 2012. - Vol. 9(5).

- P. 299-309. - Режим доступа : http://ijcsi.org/papers/IJCSI-9-5-l-299-309.pdf.

58. I-Iepplewhite, L. Fuzzy colour categoiy map for content based image retrieval / L. Hepplewhite, M. Seaborn, J. Stonham // Proceedings of the British machine vision conference, Nottingham, 1999, September.

- P. 11.1-11.10. - doi: 10.5244/C. 13.11- Режим доступа : http://vvww.bmva.Org/bmvc/1999/papers/l 1 .pdf.

59. Hiemstra, D. Using language models for information retrieval : PhD thesis / D. Hiemstra. -University of Twente, Enschede, 2001. - 164 p. - Режим доступа : http://wwwhome.cs.utvvente.nl/ -hiemstra/papers/thesis.pdf.

60. Huang, Y.-L. Scalable ideal-segmented chain coding / Y.-L. Huang, J.-S. Wang, M.-C. Yell // Proceedings of the international conference on image processing, 2002, September. - Vol. I. - P. 197-200. - doi: 10.1109/ICIP.2002.1037993.

61. Huntbach, M. Artificial intelligence I: Notes on semantic nets and frames / M. Huntbach. - 1996. -Режим доступа: http://www.eecs.qmul.ac.uk/~mmh/AINotes/AINotes4.pdf.

62. Iivarinen, J. Efficiency of simple shape descriptors / J. Iivarinen, M. Peura // Proceedings in 3rd International Workshop on Visual Form. Capri, 1997, May. - Режим доступа : http://citeseerx.ist.psu.edu/vie\vdoc/dovvnloadJsessionid=ElDEBA15309F0645DAC9DC7C89CAAA 9E?doi= 10.1.1.3 0.9018&rep=rep 1 &type=pdf.

63. Image indexing using color correlograms / J. Huang, S. R. Kumar, M. Mitra, Zabih R., W.-J. Zhu // Proceedings of the conference on computer vision and pattern recognition. - Washington, DC : IEEE Computer Society, 1997. - P. 762-769.

64. Indrawan, M. Content-based image retrieval using Gabor texture features / M. Indrawan, G. Lu, A. Wong, D. Zhang// IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2000. - P. 13-15.

65. Jain, A. K. Texture analysis / A. K. Jain, M. Tuceryan // The handbook of pattern recognition and computer vision. - 2nd ed. - River Edge, NJ : World scientific, 1998. - P. 207-248. - Режим доступа : http://fmi.uni-sofia.bg/courses/graphics/image%20processing/papens/texture-revievv.pdf.

66. Jain, A.K. Texture segmentation using Voronoi polygons / A.K. Jain, M. Tuceryan // IEEE transactions on pattern analysis and machine intelligence. - 1990. - Vol. 12(2). - P. 211-216. -doi: 10.1109/34.44407.

67. Jain, A.K. Image retrieval using color and shape / A.K. Jain, A. Vailaya // Pattern recognition. -1996,- Vol. 29. -P. 1233-1244.

68. Kato, T. Visual interaction with electronic art gallery / T. Kato, T. Kurita // Proceedings of the international conference: database and expert systems applications. - Vienna : Springer Vienna, 1990.-P. 234-240.-doi: 10.1007/978-3-7091-7553-8_38.

69. Kato, T. A sketch retrieval method for full color image database / T. Kato, T. Kurita, N. Otsu, K. Hirata // Proceedings of the 11th IAPR international conference on pattern recognition. - The Hague : IEEE, 1992. - P. 530-533. - doi: 10.1109/ICPR. 1992.201616.

70. Kauppinen, II. An experimental comparison of autoregressive and Fourier-based descriptors in 2-D shape classification / H. Kauppinen, M. Pietikainen, T. Seppanen // IEEE transactions on pattern analysis and machine intelligence. - 1995. - Vol. 17. - P. 201-207.

71. Kekre, II.B. Performance comparison of image retrieval techniques using wavelet pyramids of Walsh, Haar and Kekre transforms / H.B. Kekre, A. Maloo, S.D. Thepade // International journal of Computer applications. - 2010. - Vol. 4(10). - P. 1-8. - doi: 10.5120/866-1216. - Режим доступа : http://www.ijcaonline.org/ volume4/numberl0/pxc3 871216.pdf.

72. Kpalma, K. A survey of shape feature extraction techniques / K. Kpalma, J. Ronsin, M. Yang // Pattern recognition techniques, technology and applications. - Vienna : I-Tech, 2008. - P. 43-90.

73. Lafferty, J. Probabilistic relevance models based on document and query generation / J. Lafferty, C. Zhai // Language modeling and information retrieval. - Dordrecht : Kluwer Academic Publishers, 2002. - P. 1-10. - Режим доступа : http://vwvvv.cs.cmu.edu/~czhai/paper/lmir2003-probir.pdf.

74. Lin, D.-W. Modeling the spatial-chromatic distribution of images / D.-W. Lin D.-W, S.-H. Yang // Proceedings of the international conference on multimedia and expo. - Taipei : IEEE, 2004. - Vol. 2. -P. 141 1-1414.

75. Lu, G. A comparative study on shape retrieval using Fourier descriptors with different shape signatures / G. Lu, D. Zhang // Proceedings of the international conference on intelligent multimedia and distance education. - Fargo, ND. - 2001, June. - Режим доступа : http://kniglit.temple.edu/~lakamper/courses/ cisôO l_2008/etc/ fourierShape.pdf

76. Lu, G. Review of shape representation and description techniques / G. Lu, D. Zhang // Pattern recognition. - 2004. - Vol. 38. - P. 1-19. - doi: 10.1016/j.patcog.2003.07.008.

77. Ma, W.Y. Netra: a toolbox for navigating large image databases / W.Y. Ma, B.S. Manjunath // Proceedings from international conference: Image processing. - Santa Barbara, CA : IEEE, 1997. - Vol. 1. - P. 568-571.

78. Ma, W.Y. Texture features for browsing and retrieval of image data / W.Y. Ma, B.S. Manjunath // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1996. - Vol. 18(8). - P. 837-842.

79. Manning, C.D. An introduction to information retrieval // C.D. Manning, P. Raghavan, H. Schutze.

- Cambridge : Cambridge university press, 2009. - 544 p. - Режим доступа : http://nlp.stanford.edu/ IR-book/pdf/i rbookonlinereading.pdf.

80. Margaritis, D. Learning Bayesian network model structure from data : Ph.D. thesis / D. Margaritis.

- School of computer science Carnegie Mellon university. - Pittsburgh, 2003. - Режим доступа : http://www.cs.cmu.edu/ ~dmarg/Papers/PhD-Thesis-Margaritis.pdf.

81. Miller, J. Comparing images using color coherence vectors / J. Miller, G. Pass, R. Zabih // Proceedings of the fourth ACM international conference on multimedia. - New York, NY : ACM, 1996. - P. 65-73.-doi: 10.1145/244130.244148.

82. Miller, S. The problem of redistricting: the use of centroidal Voronoi diagrams to build unbiased congressional districts [Электронный ресурс] / S. Miller // The 2007 senior project archive. - 2007. - Режим доступа : http://www.\vliitman.edu/matliematics/SeniorProjectArchive/2007/millersl.pdf.

83. Nixon, M. S. Zernike velocity moments for description and recognition of moving shapes / M.S. Nixon, J.D. Shutler// Proceedings of the British machine vision conference, Manchester, 2001, September.

- P. 72.1-72.10. - Режим доступа : http://www.bmva.org/bmvc/2001/papers/28/ accepted_28.pdf.

84. Orengo, M. Similarity of color images / M. Orengo, M.A. Strieker // Proceedings of SPIE : Storage and retrieval for image and video databases III, 1995, February. - Vol. 2420. - P. 381-392.

85. Petrakis, E.G.M., Orphanoudakis S.C. A generalized approach for image indexing and retrieval based upon 2-D strings / E.G.M. Petrakis, S.C. Orphanoudakis // Intelligent image database systems. - 1996. - P. 197-218.

86. Peng, J. Improvement and invariance analysis of Zernike moments using as a region-based shape descriptor / J. Peng, B. Ye // Pattern recognition and image analysis. - 2002. - Vol. 12(4). - P. 419^128.

г/

87. QBIC project: querying images by content using color, texture and shape / R. Barber [et al.] // Proceedings of SP1E : Storage and retrieval for image and video databases, 1993, 4 April. - Vol. 1908. - P. 173-187. - doi: 10.1117/12.143648.

88. Qian, Y. Development of a perception oriented texture-based image retrieval system for wallpapers : PhD thesis / Y. Qian. - Middlesex University. - London, 2008. - 210 p. - Режим доступа : http://eprints.mdx.ac.uk/801 l/1/Qian-PhD..pdf.

89. Query by image and video content: The QBIC System / J. Ashley [et al.] // Computer. - 1995. -Vol. 28(9). - P. 23-32.

90. Sajjanhar, A. A grid based shape indexing and retrieval method / A. Sajjanhar, G. Lu // Computer journal on multimedia storage and archiving systems. - 1997. - Vol. 29. - P. 13 1-140.

91. Schaefer, G. UCID - an uncompressed colour image database / G. Schaefer, M. Stich // Proceedings of SPIE : Storage and retrieval methods and applications for multimedia, 2004. - Vol. 5307. - P. 472-480.

92. Shamir, L. Human Perception-based color segmentation using fuzzy logic / L. Shamir // Proceedings of the international conference on image processing, computer vision and pattern recognition. - Las Vegas, NV. - 2006, June. - Vol. 2, - P. 496-502. - Режим доступа : http://vfacstaff.ltu.edu/lshamir/publications/fl_color.pdf.

93. Shobha, G. Statistical texture analysis / G. Shobha, G.N. Srinivasan // Proceedings of world academy of science, engineering and technology, 2008, December. - Vol.36. - P. 1264-1269.

94. Tanase, M. Content-based image retrieval systems: a survey / M. Tanase, RC. Veltkamp. - Utrecht : Utrecht university, 2002. - 62 p. - Режим доступа : http://give-lab.cs.uu.nl/cbirsurvey/cbir-survey.pdf.

95. Teevan, J. B. Improving information retrieval with textual analysis: Bayesian models and beyond : MsD thesis / J. B. Teevan. - Massachusetts institute of technology. - Boston, 2001. - 133 p. - Режим доступа : http://people.csail.mit.edu/teevan/work/publications/theses/masters/thesis.pdf.

96. Wu, S. Data fusion in information retrieval / S. Wu. - Berlin : Springer Berlin Heidelberg, 2012. -Vol. 13.-240 p.-doi: 10.1007/978-3-642-28866-1.

97. Yell, W.-H. A unique-bit-pattern-based indexing strategy for image rotation and reflection in image databases : PhD dissertation / W.-H. Yeh. - National Sun Yat-sen University. - Kaohsiung, 2008.

98. Zhang, Y.-J. Advanced techniques for object-based image retrieval / Y.-J. Zhang // Encyclopedia of information science and technology. - Hershey, PA : Idea Group Reference, 2005. - P. 68-73.

99. Zhang, Y.-J. Semantic-based visual information retrieval / Y.-J. Zhang. - Hershey, PA : 1RM Press, 2007.-368 p.

100. Zhang, Y.-J. Toward high-level visual information retrieval / Y.-J. Zhang // Semantic-based visual information retrieval. - Hershey, PA : IRM Press, 2007. - P. 1-21. - Режим доступа : http://oa.ee.tsinghua.edu.en/~zhangyujin/DownIoad-Paper/E 135=SBVIR-07b.pdf.