Разработка и исследование методов и технологий автоматического анализа полутоновых изображений тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Кучуганов, Александр Валерьевич

• Кучуганов, Александр Валерьевич
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Кучуганов, Александр Валерьевич

ВВЕДЕНИЕ.

1. ОБРАБОТКА ВИЗУАЛЬНОЙ ИНФОРМАЦИИ.

1.1. Аналитический обзор методов.

1.1.1. Обобщение метода поэлементной обработки.

1.1.2. Обработка изображений скользящим окном.

1.2. Принципы зрительного восприятия в биологических системах.

1.3. Выводы и постановка задачи исследования.

2. ОПЕРАТОР АНАЛИЗА ЛОКАЛЬНЫХ ОБЛАСТЕЙ ИЗОБРАЖЕНИЯ.

2.1. Выбор окрестности для анализа растра.

2.1.1. Гексагональный растр.

2.1.2. Выбор радиуса окрестности.

2.1.3. Методы анализа окрестности.

2.1.4. Обработка невидимых областей.

2.2. Заполнение окрестности точки.

2.3. Анализ лучей, исходящих из центрального пикселя окрестности.

2.4. Вычисление вектора контурной линии в заданной точке.

2.5. Выделение особых точек.

2.6. Границы площадных объектов.

2.7. Нейросетевая модель оператора анализа локальных областей изображения.

2.8. Выводы по главе.

3. АЛГОРИТМЫ АДАПТИВНОГО АНАЛИЗА ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЙ.

3.1. Обработка артефактных зон.

3.2. Поиск контуров, не имеющих особых точек.

3.2.1. Поиск гладких контуров на изображении типа «Draw».

3.2.2. Поиск гладких контуров на изображении типа «Photo».

3.3. Трассировка линий.

3.3.1. Выделение цепочек.

3.3.2. Захват Особых Точек.

3.3.3. Переход на слежение по краю.

3.3.4. Адаптивная настройка анализирующих фильтров по характеру окрестности.

3.3.5. Смена разрешающей способности.

3.3.6. Утончение.

3.4. Аппроксимация цепочек отрезками прямых и дуг.

3.4.1. Разбиение последовательностей пикселей на участки.

3.4.2. Вычисление параметров отрезков и дуг.

3.5. Выводы по главе.

4. СИСТЕМА АНАЛИЗА ИЗОБРАЖЕНИЙ.

4.1. Архитектура системы и сценарий диалога.

4.2. Эксперименты с изображениями двухмерных объектов.

4.2.1. Обработка чертежных изображений.

4.2.2. Обработка картографических изображений.

4.2.3. Обработка электрокардиограмм (ЭКГ).

4.2.4. Анализ рукописного текста.

4.2.5. Примеры обработки рисунков.

4.3. Эксперименты с изображениями трехмерных объектов.

4.3.1. Обработка аэро-фото снимков.

4.3.2. Эксперименты с изображениями ушей.

4.3.3. Эксперименты с изображениями лиц человека.

4.4. Выводы по главе.

Введение диссертации (часть автореферата) на тему «Разработка и исследование методов и технологий автоматического анализа полутоновых изображений»

Компьютерная обработка оцифрованных изображений - одна из наиболее развитых областей применения вычислительной техники. Она используется для решения задач во многих сферах научной и профессиональной деятельности: биологии, медицине, геодезии, картографии, в различных опытно-конструкторских и научно-исследовательских разработках. Цифровой обработке изображений посвящено множество работ отечественных ученых: Л.П. Ярославского, Ю.И. Журавлева, И.Б. Гуревича и др., в том числе Ижевского государственного технического университета: P.M. Гафарова, В.М. Златкиса, С.Ю. Купчинауса, В.Н. Милича, А.И. Мурынова, A.M. Сметанина и зарубежных: У. Прэтта, А. Розенфельда, К. Фу, Р. Гонсалеса, К. Ли и др., издаются специализированные научно-прикладные журналы: Pattern Recognition and Image Analysis, Pattern Analysis and Applications, International Journal of Pattern Recognition and Artificial Intelligence, Image and Vision Computing и т.д.

Обработка изображений - это операция над изображениями, при которой в результате их изменений получаются новые изображения, в чем-то (для конкретных целей) лучше, чем оригинал. Часто этот метод используют для того, чтобы выделить интересующие исследователя детали. В качестве примера можно привести выделение контура на рентгеновских снимках - это помогает специалистам лучше рассмотреть детали изображения.

Обработка используется также и для последующего анализа изображения. Анализ изображения - это процесс извлечения из них количественной или качественной информации. Анализ изображения применяется тогда, когда требуется рутинным способом подсчитать большое количество элементов или атрибутов каких-либо деталей изображения, интересующих исследователя. В таких случаях компьютерный анализ обеспечивает надежность и воспроизводимость результатов, существенно экономит время.

Следует отметить, что соответствующее программное обеспечение не всегда успевает за вновь возникающими потребностями пользователей, в частности, в таких задачах, как сжатие изображений, Internet-поиск, создание и хранение электронных документов и др. При этом существующие системы векторизации в основном выдают результат в виде множества контурных линий, представленных сплайнами, что удобно для дизайнера, но не эффективно в задачах распознавания и автоматизации проектирования.

С другой стороны, большинство методов анализа и распознавания ориентированны на обработку двухградационных, линейчатых и других изображений, заранее оговоренных классов объектов. До сих пор даже такие емкие прикладные области как картография или чертежные архивы требуют значительной доли ручного труда. Например, современные стандарты качества требуют внедрения CALS технологий, где электронная модель изделия, в том числе Геометрическая Модель (ГМ), должна формироваться на самых ранних стадиях проектирования (концептуальное, эскизное). Однако трудоемкость создания геометрических моделей сложной формы существующими методами и высокие требования к пользователям систем трехмерной графики затрудняют их широкое использование в областях, где необходим творческий поиск геометрической формы, где дизайнеру проще и привычнее работать карандашом.

Д. Хьюбел и Т. Визель, исследуя механизмы зрения низших позвоночных и млекопитающих, сумели выяснить логическую последовательность переработки сигналов поступающих из сетчатки глаза и высказали несколько предположений относительно того, какая организация коры головного мозга могла бы это обеспечить. Новый подход не только стимулировал выдвижение гипотез о механизмах, лежащих в основе зрительного восприятия, но и воодушевил тех, кто работал на других направлениях. В 1983 году Гордон М. Шеперд выдвинул гипотезу о том, что переработка информации внутри функциональных корковых единиц, не является параллельной или последовательной, как предполагалось ранее, а опирается на оба типа связей. Проводимые физиологами исследования дают огромный материал для гипотез и широкое поле для исследований в области совершенствования технического зрения.

В связи с этим возникает необходимость в разработке универсальных, в смысле, применимых к широкому спектру изображений методов анализа, приближающихся по своим возможностям к зрению биологических систем, возможно, путем разделения и оперативного взаимодействия функций зрительного анализатора и логического (мыслительного) уровня.

Объектом исследования являются цифровые полутоновые изображения двухмерных и трехмерных объектов, получаемых из реального мира.

Предметом исследования являются методы анализа изображений двухмерных и трехмерных объектов, имитирующих работу механизмов зрения биологических систем в части возможности организации параллельной обработки и повышения качества анализа наиболее актуальных и часто встречающихся классов объектов (эскизы, чертежи, карты, изображения объектов трехмерной природы).

Основная цель работы - повышение качества и эффективности систем обработки изображений двухмерных и трехмерных объектов путем формализации и развития методов и технологий анализа изображений.

Для достижения поставленной цели требуется решение следующих задач:

- исследование существующих методов цифровой обработки изображений и краткий обзор основных достижений в области исследования механизмов зрения биологических систем;

- разработка многоуровневой итерационной технологии анализа и обработки растровых изображений;

- исследование существующих и разработка новых методов выделения основных интегральных и дифференциальных характеристик заданных областей изображения;

-разработка рекурсивных методов выделения признаков объектов;

- разработка экстраполирующих методов выделения признаков объектов;

-разработка метода адаптивной настройки анализирующих фильтров по характеру окрестности;

- разработка итерационных алгоритмов аппроксимации цепочек пикселей отрезками прямых и дуг;

-реализация разработанных методов и алгоритмов в виде программы-прототипа системы распознавания изображений и исследование предложенных методов на примерах различных типов изображений, полученных из реального мира.

Методы исследования. Теоретические исследования выполнены с использованием математической логики, теории множеств, теории графов, векторной и матричной алгебры, вычислительной геометрии.

Экспериментальные исследования выполнены с помощью разработанного прототипа системы анализа изображений.

На защиту выносятся: Результаты аналитического обзора состояния в предметной области исследования; предлагаемые методы анализа и распознавания изображений двухмерных и трехмерных объектов реального мира, основанные на гипотетических моделях механизмов зрения биологических систем, а также результаты исследования предложенных методов и технологий их применения в задачах распознавания образов на полутоновых растровых изображениях:

- результаты системного анализа существующих методов цифровой обработки изображений и краткого обзора основных достижений в области исследования механизмов зрения биологических систем;

- многоуровневая итерационная технология анализа и обработки растровых изображений;

- метод анализа локальных областей изображения;

- нейросетевая модель локального анализатора;

- рекурсивный метод оптимизации особых точек в зонах артефактов изображения;

- экстраполяционный метод уточнения особых точек;

- метод выделения контурных линий на полутоновых изображениях, автоматически настраиваемый по областям текущего изображения;

- структурная схема и IDEF диаграмма процессов анализа и обработки изображений в программной системе, созданной на основе предложенных методов и моделей;

- результаты экспериментальных исследований предложенных методов и моделей на примере обработки изображений двумерных и трехмерных объектов: чертежей, рисунков, карт, электрокардиограмм, рукописных текстов; фотоизображений, ландшафтов;

- результаты сравнительного анализа качества векторизации чертежей, сканированных с бумажных носителей, обработанных с помощью известных программ и программной системы, созданной на основе предложенных методов и моделей.

Научная новизна полученных результатов определяется проведенными комплексными исследованиями, в ходе которых разработаны:

1. Метод анализа заданных областей для выделения контуров на изображениях, основанный на нейрофизиологических моделях сетчатки глаза, заключающийся в вычислении характеристик пикселей, расположенных на лучах, исходящих из центра окрестности и сравнении интегральных характеристик лучей.

2. Метод выделения особых точек на изображении, заключающийся в рекурсивном приближении характеристик к локальному экстремуму.

3. Метод экстраполяции особых точек путем построения мнимой точки пересечения ветвей, исходящих из особой точки.

4. Метод трассировки линий контуров, отличающийся скачкообразным перемещением в предварительно выделенную особую точку зоны артефактов изображения, с целью сохранения топологии обрабатываемых объектов при их зашумлении.

5. Метод адаптации оператора анализа окрестности, заключающийся в динамической смене степени интеграции и пороговых значений на анализируемом участке для повышения чувствительности при выделении границ найденного объекта.

Практическая полезность. Разработанные методы и технологии анализа изображений позволяют расширить диапазон классов обрабатываемых изображений, повысить эффективность систем обработки за счет уменьшения трудоемкости, повышения качества, расширения библиотеки функций анализатора изображений в различных прикладных задачах, в том числе, при поиске и передаче изображений.

Разработанные алгоритмы и методы их комбинирования для обработки полутоновых изображений с целью последующего использования полученной информации в различных исследовательских и прикладных системах положены в основу программно-исследовательского комплекса AQR (AutoQualityResearcher).

Разработанный модуль анализа изображений встроен в ряд программных систем для:

- создания электронных архивов конструкторско-технологической документации;

- анализа и создания электронных архивов электрокардиограмм и историй болезней;

- сбора и анализа экологической информации в геоинформационной системе "ЭКО грунт";

- определения психологического портрета личности по почерку;

- анализа папиллярных узоров пальцевых отпечатков;

- определения структурных характеристик и оценки вероятности родства по конфигурации ушной раковины;

- построения параметрических скульптурных портретов и трехмерных фотороботов по фотографиям или рисункам в системе Concept-Sculpter.

Реализация результатов работы. Результаты диссертационной работы внедрены в учебный процесс на кафедре "Автоматизированные системы обработки информации и управления" Ижевского государственного технического университета в дисциплине "Геоинформационные системы", а также на кафедре "Криминалистика и судебная экспертиза" Удмуртского государственного университета как основа для исследований в области интеграции компьютерной графики с криминалистическими задачами.

Разработанные программные модули внедрены в ИП "Ионова" (г. Ижевск) для ускорения компьютерного моделирования и дизайн-работ, в Республиканской клинической больнице №7 - для создания и анализа банка ЭКГ, на ОАО "Концерн "Ижмаш" - для автоматизированной модификации типовых каркасных моделей головы и автоматического синтеза поверхностных моделей скульптурных портретов.

Апробация работы. Основные положения диссертационной работы докладывались: на Международной научно-технической конференции "Информационные технологии в инновационных проектах" (Ижевск, 2001); на 11-й Международной конференции по компьютерной графике и машинному зрению Графикон - 2001 (Нижний Новгород, 2001); на

Международной научно-технической конференции IEEE AIS'05 (Дивноморское, 2005).

Публикации. По материалам диссертации опубликовано 7 статей. В том числе в списке, утвержденном ВАК: Кучуганов А.В. Построение трехмерной модели с использованием системы выделения контуров на полутоновых изображениях // Известия ТРТУ. Тематический выпуск "Интеллектуальные САПР" - Таганрог: Изд-во ТРТУ, № 8, 2006. С. 182-186.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения и приложений. Основной текст изложен на 120 машинописных страницах с иллюстрациями. Список литературы включает 93 наименования.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Кучуганов, Александр Валерьевич

4.4. Выводы по главе

В главе приведены результаты экспериментальных исследований предложенных моделей и методов на примерах обработки:

- чертежей, рисунков, электрокардиограмм, карт, рукописного текста;

- фотоизображений уха, лица, ландшафта.

Полученные результаты показывают положительный эффект от использования предложенных методов. Система технического зрения, а вернее, его алгоритмическая реализация, имитирующая механизмы зрения биологических систем, позволяет обрабатывать широкий диапазон изображений с приемлемым качеством, повышает эффективность систем обработки, а технология их применения позволяет обрабатывать полутоновые изображения двумерных и трехмерных объектов.

Необходимо отметить, что для применения в какой-либо конкретной прикладной области представленная система требует соответствующей доработки. А именно, подключение решающего блока, который бы включал в себя методы логического вывода, выполнял функции третьего уровня иерархии - "осмысление" набора найденных объектов [22]).

Возможными направлениями доработок могут стать: создание дополнительных управляющих режимов (кроме Photo/Draw) для изображений, сочетающих объекты различного типа, применение многоэтапной (итерационной) обработки и построение иерархического изображения, создание модулей целевой выборки векторной информации, базы данных шаблонов и т.д. Необходимые сочетания инструментов и режимов также зависят от конкретной области применения.

ЗАКЛЮЧЕНИЕ

Подводя итог проделанной работе, необходимо затронуть ситуацию, сложившуюся в области программного обеспечения для распознавания образов и дизайна. Если программное обеспечение для подготовки текстов осваивается достаточно быстро и широко используется, то пакеты геометрического моделирования чаще всего осваиваются с большим трудом (особенно неподготовленными пользователями), а их эффективное использование требует значительного опыта. Существующие методы анализа и распознавания растровых изображений, как правило, узкоспециализированы и ориентированны на конкретные классы изображений. С другой стороны, в связи с проникновением компьютеров во все сферы человеческой деятельности, включая бытовую, такие ограничения зачастую не удовлетворяют компьютеропользователей, т.к. требуют значительной доли ручного труда в процессе выделения нужной информации из изображений. В связи с этим, например художники и дизайнеры, принимающие участие в разработке внешнего вида изделий, персонажной анимации, экстерьеров и интерьеров и т.д. часто предпочитают традиционные методы работы, отказываясь от трудностей, связанных с освоением программных средств и систем компьютерной графики.

Одним из способов повышения гибкости и помехоустойчивости систем распознавания могут служить методы и технологии, имитирующие механизмы зрения биологических систем, в частности, за счет разделения и оперативного взаимодействия функций уровней: локального зрительного анализатора и логического (комплексного) анализа в процессе извлечения смысла из потока реальных изображений.

В данном диссертационном исследовании сделана попытка повысить универсальность программных средств обработки и анализа изображений, упростить работу с ними конечным пользователям. В работе получены следующие основные выводы и результаты:

1. Существующие методы анализа и распознавания растровых изображений, как правило, узкоспециализированы на конкретные классы изображений. С другой стороны, в связи с проникновением компьютеров во все сферы человеческой деятельности, такие ограничения зачастую не удовлетворяют компьютеропользователей, т.к. требуют значительной доли ручного труда в процессе выделения нужной информации из изображений.

2. Одним из способов повышения гибкости и помехоустойчивости систем распознавания могут служить методы и технологии, имитирующие механизмы зрения биологических систем, в частности, за счет разделения и оперативного взаимодействия функций уровней: локального зрительного анализа и комплексного (логического) в процессе извлечения смысла из реальных изображений.

На первом уровне технологии анализа изображений - локального зрительного анализа:

3. Разработаны методы и технология оператора анализатора локальных областей изображения, состоящая из:

- анализа лучей, исходящих из центра окрестности;

- выделения темных секторов;

- вычисления вектора контурной линии;

- выделения особых точек;

- определения границ площадного объекта, и заключающаяся в вычислении и сравнении интегральных характеристик пикселей, расположенных на лучах, исходящих из центра окрестности.

4. Предложена нейросетевая модель анализатора локальных областей изображения, обеспечивающая качественное выделение основных локальных характеристик изображения за счет динамической адаптации в каждой конкретной области изображения и позволяющая строить эффективные системы технического зрения, в которых все процессоры имеют связи только с ближайшими соседями. Даная модель, реализующая параллельную обработку информации и выделение первичных признаков изображений, может быть реализована на основе специализированной СБИС.

На втором уровне технологии анализа изображений - комплексном (логическом):

5. Разработан метод оптимизации особых точек путем рекурсивного поиска экстремума яркости окрестности в зоне артефактов изображения.

6. Предложен метод экстраполяции особых точек путем построения мнимой точки пересечения ветвей, исходящих из оптимизированной особой точки.

7. Разработаны методы и технология выделения контурных линий, управляемая текущим изображением и заключающаяся в:

- трассировке контурных точек;

-скачкообразном переходе в особые точки при входе в атрефактные зоны;

-автоматической смене режима слежения за линией на движение по краю при встрече с площадными объектами;

-повышении чувствительности локальных анализаторов на концах линий;

- смене разрешающей способности при изменении ширины линий;

- утончении линий без изменения топологии особых точек;

-итерационной классификации участков линий по признаку "дугапрямая".

8. На основе разработанных моделей и методов создана программная система AQR (AutoQualityResearcher) для обработки и векторизации полутоновых растровых изображений. Проведенные экспериментальные исследования на примерах обработки изображений двумерных и трехмерных объектов:

- чертежей, рисунков, карт, электрокардиограмм, рукописных текстов;

- фотоизображений ушей, лиц, ландшафтов показали: повышение качества векторизации изображений; степени универсальности и гибкости программной системы по отношению к диапазону изображений; эргономичности интерфейса пользователя за счет снижения количества задаваемых пороговых величин.

Список литературы диссертационного исследования кандидат технических наук Кучуганов, Александр Валерьевич, 2006 год

1. Адаптивные методы обработки изображений. Сб. науч. тр. под ред. В.И. Сифорова, Л.П. Ярославского М.: Наука, 1988. - 244 с.

2. Анисимов Б.В. Распознавание и цифровая обработка изображений. М., Высшая школа, 1983.

3. Байгарова Н.С., Бухштаб Ю.А., Евтеева Н.Н., Корягин Д.А. Некоторые подходы к организации содержательного поиска изображений и видеоинформации ИПМ им. М.В. Келдыша РАН. Москва, 2002.

4. Беликова Т.П. Некоторые методы цифрового препарирования изображений//Цифровая обработка сигналов и ее применение,- М.: Наука, 1981. С.87-98.

5. Беликова Т.П., Кронрод М.А., Чочиа П.А., Ярославский Л.П. Цифровая обработка фотоснимков поверхности Марса, переданных АМС "Марс-4" и "Марс-5" // Косм, исслед. 1975. - Т. 13, вып. 6. - С. 898-906.

6. Беликова Т.П., Ярославский Л.П. Использование адаптивных амплитудных преобразований для препарирования изображений // Вопросы радиоэлектроники, сер. Общетехническая. 1974, вып.14. - С. 88-98.

7. Беликова Т.П., Ярославский Л.П. Препарирование изображений в диалоговом режиме в задачах медицинской диагностики и исследования природных ресурсов // Автометрия. 1980. - №4. - С. 66.

8. Белкин Р.С. Курс криминалистики. М., Юрист, 1997.

9. Белявцев В.Г., Воскобойников Ю.Е. Алгоритмы фильтрации изображений с адаптацией размеров апертуры//Автометрия. 1998. - № 3. -С. 18-25.

10. П.Бутаков Е.А. Обработка изображений на ЭВМ. М.: Радио и Связь,1987.

11. Быстрые алгоритмы в цифровой обработке изображений / Под ред. Т.С. Хуанга. М.: Радио и связь, 1984. 224 с.

12. Бьемон Ж., Лагендейк Р.Л., Марсеро P.M. Итерационные методы улучшения изображений // ТИИЭР. 1990. - Т.78, № 5. - С. 58-84.

13. Вельтмандер П.В. Машинная графика. Учебное пособие в 3-х книгах. Новосибирский государственный университет, 1997.

14. Восстановление и реконструкция изображений: Пер. с англ. М.: Мир, 1989.-336 с., ил.

15. Гильбо Е.П., Челпанов И.Б. Обработка сигналов на основе упорядоченного выбора. М.: Сов. радио, 1976. - 344 с.

16. Гимельфарб Г.Л. Автоматизированная межотраслевая обработка снимков земной поверхности, получаемая с ИСЗ серии Landsat // Зарубежная радиоэлектроника. 1983. -N 8. - С. 56-84.

17. Гимельфарб Г.Л. Аппаратные средства и особенности программного обеспечения диалоговой цифровой обработки изображений // Зарубежная радиоэлектроника. 1985. -N10. - С.87-128.

18. Гимельфарб Г.Л. и др. Расчленение цифровых изображений на участки, однородные по локальным изменениям сигнала//Тез. докл. Всесоюз. Конф. АСОИЗ-81.-М.: Наука, 1981. С. 51.

19. Глезер В.Д. Механизмы опознания зрительных образов Академия наук СССР, Институт физиологии имени И.П. Павлова // Издательство "Наука", Москва-Ленинград, 1966.

20. Голд Б., Рэйдер Ч. Цифровая обработка сигналов: Пер. с англ. / Под ред. A.M. Трахтмана. М.: Советское радио, 1973. - 368 с.

21. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва: Техносфера, 2006. - 1072 с.

22. Горелик A.JL, Скрипкин В.А. Методы распознавания. М., Высшая школа, 1989.

23. Гранрат Д.Дж. Роль моделей зрения человека в обработке изображений//ТИИЭР. Т. 69.-№5.- 1981.-С. 65-77.

24. Грузман И.С., Киричук B.C., Косых В.П., Перетяган Г.И., Спек-тор А.А. Цифровая обработка изображений в информационных системах. Новосибирский государственный технический университет, 2000.

25. Гуров А.А., Порфирьева Н.Н. Вопросы оценки контрастности сюжетных изображений//Труды ГОИ им. С.И. Вавилова. Т. 44, вып. 178. -JI. - 1979. - С. 31-34.

26. Гуров А.А., Порфирьева Н.Н. Обработка изображений на ЭВМ методами линейной фильтрации//Труды ГОИ им. С.И. Вавилова. -JL, 1982. -Вып. 185.-С. 33-50.

27. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов: Пер. с англ. под ред. Л.П. Ярославского. М.: Мир, 1988. - 488 с.

28. Дактилоскопическая экспертиза: современное состояние и перспективы развития. Красноярск, Изд-во Краснояр. ун-та, 1990.

29. Журавель И.М. Краткий курс теории обработки изображений. Электронный ресурс., matlab.exponenta.ru, 2006 Режим доступа: http://matlab.exponenta.ru/ imageprocess/ book2/index.php свободный.- Загл. с экрана. - Яз. русский.

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

31. Журавлев Ю.И., Калилов М.М., Гуляганов Ш.Е. Алгоритмы вычисления оценок и их применение. Ташкент: Фан, 1974. - 119 с.

32. Зуев-Инсаров Д. Почерк и личность. Способ определения характера по почерку // Тайна характера. Чтение характера по почерку. Харьков: Фолио, 1996.-С. 325-399.

33. Колесникова М.Б., Топорова М.М., Жуйкова Г.В. Анализ электрокардиограммы у детей. Ижевск: Министерство здравоохранения УАССР, Ижевский медицинский институт, 1992. - С. 3-11.

34. Криминалистика / Под ред. Яблокова Н.П., Колдина В.Я. М.: Изд-во МГУ, 1990.

35. Криминалистика: Учебник/Под ред. Пантелеева И.Ф., Селиванова Н.А. М.: Юрид. лит., 1988.

36. Лисиченко В.К., Барабашина В.М., Варфоломеева Т.В. К вопросу об определении по почерку типологических особенностей личности // Материалы Всесоюзной научной конференции. М., 1972.

37. Литван Р.И., Аверьянов Ю.И., Быковская Ф.С. Оптимальное градационное преобразование изображений // Техника кино и телевидения. -1979,-№2.-С. 38-41.

38. Ллойд Дж. Основы тепловидения. М.: Мир, 1978.

39. Локар Э. Руководство по криминалистике. М.: Юрид. изд-во НКЮ СССР, 1941.

40. Люк Ли. Глаз да глаз нужен: робот присваивает зрение стрекозы. Электронный ресурс. Membrana, 2005. Режим доступа: http://www. membrana.ru/articles/technic/2005/ll/18/210000.html, свободный.- Загл. с экрана. - Яз. русский.

41. Микро-ЭВМ в информационно-измерительных системах / С.М. Переверткин, Н.И. Гаранин, Ю.Н. Костин, И.И. Миронов. М.: Машиностроение, 1987.-248 с.

42. Мирошников М.М. Основные этапы и результаты научных исследований в Государственном оптическом институте: Доклад на Чтениях имени академика Д.С. Рождественского, посвященных 75-летию со дня основания ГОИ // Оптический журнал. 1994. -N 4. - С. 3-110.

43. Нестерук В.Ф. Преобразование оптических изображений и оценка их качества//Успехи научной фотографии. М.: Наука. - 1985. - Т. 23. -С. 93-102.

44. Нестерук В.Ф. Принцип дуальности при нелинейных безинерцион-ных преобразованиях изображений // Труды ГОИ им. С.И. Вавилова. -1987.- Т. 64. Вып. 198. - С. 12-24.

45. Нестерук В.Ф. Структура статистических преобразований изображений в ограниченном диапазоне // Труды ГОИ им. С.И. Вавилова. 1982. -Т. 51.-Вып. 185. С. 13-22.

46. Нестерук В.Ф., Порфирьева Н.Н. Информационная оценка процесса зрительного восприятия // Оптика и спектроскопия. 1978. - Т. 44, вып. 4. -С. 801-803.

47. Нестерук В.Ф., Порфирьева Н.Н. Контрастный закон восприятия света // Оптика и спектроскопия. 1970. - Т. XXIX, вып. 6. - С. 1138-1143.

48. Нестерук В.Ф., Соколова В.А. Вопросы теории восприятия сюжетных изображений и количественной оценки их контраста // Оптико-электронная промышленность. 1980. - №5. - С. 11-13.

49. Новости. -http://www.prodtp.ru/index.php?showtopic=5579.

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

51. Платонов К.К. Теоретические проблемы психологии личности. -М., 1976.

52. Понятия и термины геоинформатики. Электронный ресурс., ка-tori.pochta.ru, 2005. Режим доступа: http://katori.pochta.ru/htmdoczip/ termgis.htm, свободный. - Загл. с экрана. - Яз. русский.

53. Попков И.К. Векторизатор для полутоновых изображений. Электронный ресурс., www.vectoriz.narod.ru, 2004. Режим доступа: http://www.vectoriz.narod.ru/ свободный.- Загл. с экрана. - Яз. русский.

54. Прэтт У. Цифровая обработка изображений М.: Мир, 1982.790 с.

55. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. М.: Машиностроение, 1990. - 320 с.

56. Радченко А.Н. Моделирование основных механизмов мозга. Ленинград: Изд-во "Наука", 1968. 212 с.

57. Рангаева Е., Булычев Д. Практическое руководство Spotlight Pro 6.0 /Spotlight 6.0. -http://rasterarts.ru/.

58. Розенфельд А. Распознавание и обработка изображений. М.: Мир, 1972.-230 с.

59. Семенков О.И. Обработка и отображение информации в растровых графических системах. Минск: Наука и Техника, 1989.

60. Серия программ Raster Arts. Vectory 6.0. http://rasterarts.ru.

61. Скнарев Д.Ю. Векторизатор растровых изображений "RasterVect" Версия 1.1. -http://www.cad.dp.Ua/program3.php#partl.

62. Смирнов А.Я., Белов В.Ю. Экспертные оценки качества дискрети-зированых изображений // Труды ГОИ им. С.И. Вавилова. Т. 57, вып. 191. — Л.- 1984. С. 165-167.

63. Сойфер В.А. Компьютерная обработка изображений Часть 2. Со-росовкий образовательный журнал, №3, 1996.

64. Справочник по устройствам цифровой обработки информации / Н.А. Виноградов, В.Н. Яковлев, В.В. Воскресенский и др. К.: Техника, 1988.-415 с.

65. Стокхэм мл. Обработка изображений в контексте модели зрения // ТИИЭР. 1972. - Т.60, N 7. - С. 93-108.

66. Стокхэм Т. мл., Кэннон Т.М., Ингебретсен Б.Б. Цифровое восстановление сигналов посредством неопределенной инверсной свертки // ТИИЭР. 1975. - Т.63, N 4. - С. 160-177.

67. Телевизионные методы обработки рентгеновских и гамма изображений / Н.Н. Блинов, Е.М. Жуков, Э.Б. Козловский, А.И. Мазуров. - М.: Энергоатоиздат, 1982. - 200 с.

68. Темников Ф.Е., Афонин В.А., Дмитриев В.И. Теоретические основы информационной техники. М.: Энергия. 1979.- 512 с.

69. Тьюки Дж. Анализ результатов наблюдений. М.: Мир, 1981. 160 с.

70. Тюхтин B.C., Отражение, системы, кибернетика. М.: Наука., 1972.

71. Урманцев Ю.А. Симметрия природы и природа симметрии (Философские и естественнонаучные аспекты). М., Мысль, 1974.

72. Фу К., Гонсалес Р., Ли К. Робототехника: Пер. с англ. / Под ред. В.Г. Градецкого. М.: Мир, 1989. - 624 с.

73. Харин В.В. Кинематический синтез трехмерной геометрической модели на основе связной сетки кривых. // Высокие технологии 2004: сборник трудов науч.-тех. форума с международным участием: В 4 ч. Ч. 1, с. 162-169.

74. Хьюбел Д. Мозг. М.: изд. Мир, 1981. С. 167-197.

75. Чочиа П.А. Двухкомпонентная статистическая модель фрагмента изображения // Тез. докл. Всесоюзной конф. "Обработка изображений и дистанционные исследования". Часть 1. - Новосибирск, 1984. - С. 60-61.

76. Шеперд Г. Нейро-биология. М.: изд. Мир, 1987. -Т.2. С. 419-450.

77. Шлезингер М.И. Математические средства обработки изображений. К.: Наукова думка, 1989. - 200 с.

78. Шлихт Г.Ю. Цифровая обработка цветных изображений. М., Издательство ЭКОМ, 1997. - 336 с.

79. Эргономика зрительной деятельности человека / В.В. Волков, А.В. Луизов, Б.В. Овчинников, Н.П. Травникова. Л.: Машиностроение. Ленингр. отд-ние, 1989.- 112 с.

80. Ярославский Л.П. Введение в цифровую обработку изображений. -М.: Сов. радио, 1979. 312 с.

81. Ярославский Л.П. Теория и методы цифровой обработки в оптических и голографических системах. Автореферат дис. д-ра физ.-мат. наук. -Л.: ГОИ им. С.И. Вавилова, 1982.-41 с.

82. Ярославский Л.П. Устройства ввода-вывода изображений для ЭЦВМ. М.: Энергия, 1968. - 88 с.

83. Andreas Koschan A Comparative Study On Color Edge Detection -Technical University Berlin, 1995.86. http://www.computer-museum.ru/histussr/dsp.htm.87. http://www.kosmosnimki.ru/examples.asp.88. http://www.southural.ru/experience/l 07.html.

84. Hubbel W.L., Bownds M.D. Visual transduction in vertebrate photoreceptors: Ann. Rev. Neurosci., 1979. P. 17-34.

85. Hubel D.H., Wiesel T.N. Sequence regularity and geometry of orientation columns in the monkey striate cortex. J. Сотр. Neurol., 1974. P. 267-294.

86. Hubel D.H., Wiesel T.N., Stryker M.P. Anatomical demonstration of orientation columns in macaque monkey. J. Сотр. Neurol., 1978. P. 361-380.

87. Jia X. Extending the Feature Set for Automatic Face Recognition. Электронный ресурс. University of Southampton, 1993. Режим доступа: http://www.isis.ecs.soton.ac.uk/publications/theses/xj93.ps свободный. - Загл. с экрана. - Яз. англ.

88. Pratt W.K., Davarian F. Fast Computational Techniques for Pseudoin-verse and Winer Image Restoration // IEEE Trans, on Computers. 1977. - V.C-26, N6.-P. 571-580.