Разработка структур описания и алгоритмического обеспечения системы распознавания линейчатых изображений тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Рогинский, Андрей Викторович

• Рогинский, Андрей Викторович
• кандидат технических наук
• 1998

Оглавление диссертации кандидат технических наук Рогинский, Андрей Викторович

СОДЕРЖАНИЕ

стр.

Введение

Глава 1. Состояние вопроса. Основные цели и задачи 11 диссертационной работы.

1.1. Состояние вопроса

1.1.1. Структурно-иерархическое описание

1.1.2. Топологическо-геометрическое описание

1.1.3. Сжатие изображений

1.1.4. Точечное описание

1.1.5. Алгоритмы распознавания

1.1.6. Выводы

1.2. Основные цели и задачи диссертационной работы. 21 Глава 2. Применение модели пирамидального описания к

линейчатым изображениям.

2.1. Формирование пирамидального описания 24 линейчатых изображений.

2.1.1. Постановка задачи

2.1.2. Решение задачи

2.2. Особенности пирамидального описания 30 линейчато-анизотропных изображений.

2.2.1. Постановка задачи

2.2.2. Решение задачи

2.3. Выделение участков изображений как объектов 37 пирамидального описания.

2.3.1. Постановка задачи

2.3.2. Решение задачи

2.4. Основные результаты главы

Глава 3. Новая структура топологическо-геометрического 47 описания линейчатых изображений и ее использование.

3.1. Алгоритм оценки средней ориентации линейных 48 структур на участках изображения и формирование зон направленности.

3.1.1. Постановка задачи

3.1.2. Решение задачи

3.1.3. Пример конкретной реализации

3.2. Использование зон направленности изображения 61 для формирования структур описания.

3.2.1. Постановка задачи

3.2.2. Решение задачи

3.2.3. Пример конкретной реализации

3.3. Основные результаты главы. 72 Глава 4. Новый подход к выделению информативных точек

линейчатого изображения.

4.1. Алгоритм выделения информативных точек 75 линейчатого изображения.

4.1.1. Постановка задачи

4.1.2. Решение задачи

4.1.3. Пример конкретной реализации

4.2. Основные результаты главы. 89 Глава 5. Двухэтапный алгоритм классификации с новым

методом использования результатов предварительного этапа.

5.1. Метод использования результатов предварительной 92 классификации в виде формирования меры предпочтения.

5.1.1. Постановка задачи

5.1.2. Решение задачи

5.1.3. Определение набора весов признаков

5.1.4. Практические данные и пример численного 103 расчета.

5.2. Построение предварительного этапа для 106 предложенного алгоритма классификации.

5.2.1. Постановка задачи

5.2.2. Решение задачи

5.2.3. Пример численного расчета

5.3. Основные результаты главы. 114 Глава 6. Практическая реализация системы

распознавания линейчатых изображений.

6.1. Практическая реализация разработанной системы 116 распознавания.

6.1.1. Структурная схема системы

6.1.2. Функциональная схема системы

6.1.3. Оценка результатов работы системы

6.2. Основные результаты главы. 128 Заключение 129 Литература 131 Приложение. Документы о практической реализации

результатов диссертации

Введение диссертации (часть автореферата) на тему «Разработка структур описания и алгоритмического обеспечения системы распознавания линейчатых изображений»

ВВЕДЕНИЕ

Актуальность темы. Уровень развития экономики в настоящее время значительным образом определяется степенью автоматизации процессов производства, управления и контроля. В частности, существенное значение имеет автоматизация при помощи средств вычислительной техники процессов обработки информации, традиционно выполнявшихся человеком. К ним относится и процесс распознавания образов (зрительных, звуковых и т.д.), необходимый во многих областях производственной деятельности. Последние десятилетия отмечены значительными достижениями в разработке и построении автоматизированных систем распознавания, однако дальнейшее развитие исследований в этой области представляется чрезвычайно важным.

Наиболее существенное прикладное значение имеет распознавание зрительных образов - изображений. Однако сами изображения как объекты распознавания представлены широким многообразием классов, имеющих существенные взаимные отличия. В силу этого актуальным является построение систем распознавания, учитывающих особенности конкретного класса изображений.

Большой практической значимостью обладает распознавание линейчатых изображений, которое находит применение в таких областях, как дактилоскопическая и почерковая экспертиза, медицинская томография, спектральный анализ. Под термином линейчатые будем понимать изображения, включающие линейные структуры -контрастные по сравнению с фоном, узкие протяженные области. Их разновидностью являются линейчато-анизотропные изображения,

включающие участки рядом расположенных линейных структур, характеризуемые существенной анизотропией по направлению.

Следует отметить, что многочисленные существующие к настоящему времени работы по распознаванию линейчатых изображений базируются на анализе и использовании их отдельных частных свойств. В то же время, эти изображения обладают рядом общих отличительных структурных качеств. Это позволяет сформировать единый подход к построению системы распознавания для класса линейчатых изображений.

Системы распознавания включают в себя множество структур описания (признаков) объектов и алгоритмы их выделения, а также алгоритмы распознавания, работающие в пространстве признаков. В связи с вышесказанным актуальной является задача разработки структур описания и алгоритмов, обеспечивающих наиболее эффективную работу системы распознавания линейчатых изображений.

Цель работы - разработка системы распознавания, обеспечивающей надежную и эффективную идентификацию линейчатых, в том числе линейчато-анизотропных изображений. Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработка модели пирамидального описания, наиболее соответствующей классу линейчатых изображений. Разработка способов предварительной обработки линейчатых изображений в целях достижения максимальной информативности описания.

2. Построение топологическо-геометрического описания на основе оценки ориентации линейных элементов структуры. Разработка алгоритма оценки средней направленности линейных структур на участках изображения.

3. Разработка эффективного способа сжатия линейчато-анизотропных изображений на основе полученного топологическо-геометрического описания.

4. Формализация определения информативных точек для линейчатого изображения. Разработка алгоритма прослеживания контуров, ориентированного на структурные особенности линейчатых изображений.

5. Разработка эффективного алгоритма поэтапного распознавания линейчатых изображений с использованием результатов предварительного этапа в качестве функции предпочтения.

Методы исследования. Для решения поставленных задач в работе использованы методы распознавания образов, математического моделирования и анализа изображений, теории вероятностей, математической статистики, теории множеств и теории вычислительных систем.

Научная новизна работы состоит в следующем:

1. Предложена единая концепция построения системы распознавания линейчатых изображений, включая определение структур описания и разработку распознающих алгоритмов.

2. Разработана пирамидальная модель описания для класса линейчатых изображений, определены свойства и параметры модели, обеспечивающие эффективное выявление структуры изображений.

3. Предложена новая структура топологическо-геометрического описания - карта зон направленности. Разработан алгоритм сегментации изображения по средней ориентации линейных структур на

участке. Этот алгоритм не требует вычисления ориентации в точках изображения, что обеспечивает высокое быстродействие.

4. Разработан эффективный метод сжатия линейчато-анизо-тропных изображений на базе зон направленности.

5. Разработан алгоритм выделения информативных точек линейчатых изображений на базе созданной процедуры прослеживания контуров линейных структур. Предложен метод сопоставления изображений по этим точкам.

6. Разработан алгоритм двухэтапного распознавания объектов, представленных практически бесконечным множеством эталонов. Предложен метод использования результатов предварительного этапа для формирования функции предпочтения на базе значений весов признаков.

Практическая ценность Реализованы в виде единой программной системы распознавания линейчатых изображений алгоритмы построения пирамидального и топологическо-геометрического описания, выделения информативных точек, получения сжатого образа изображения и двухэтапной классификации, включая расчет весов признаков. Проведена проверка разработанной программной системы на множестве отпечатков пальцев, включая искаженные шумом и неполные изображения. Результаты распознавания подтверждают эффективность и высокую надежность системы распознавания и входящих в нее структур описания и алгоритмов.

Реализация результатов работы Осуществлено опытное внедрение разработанной программной системы распознавания в Нижегородском филиале НИИ специальной техники МВД, а также в Арза-

масском РОВД. Экономический эффект определяется сокращением времени обработки и распознавания отпечатков пальцев и подписей по сравнению с неавтоматизированной работой эксперта. Теоретические и практические результаты, полученные автором, использованы в научном и учебном процессе НГТУ.

Апробация работы Основные положения диссертационной работы докладывались и обсуждались на:

Научно-технической конференции факультета радиоэлектроники и технической кибернетики, посвященной 80-летию НГТУ (Н.Новгород, 1997);

VIII Всероссийской конференции "Математические методы распознавания образов" (Москва, 1997);

LUI научной сессии Российского НТОРЭС им. A.C. Попова, посвященной Дню радио (Москва, 1998);

Научно-технической конференции факультета информационных систем и технологий, посвященной 80-летию Нижегородской радиолаборатории (Н.Новгород, 1998);

Научно-технической конференции "Применение математического моделирования для решения задач в науке и технике" (Ижевск, 1998).

Публикации. По теме диссертации опубликовано 9 работ [31,32,33,34,41,42,57,58,59].

Структура работы. Диссертационная работа состоит из введения, шести глав, заключения и списка литературы, включающего 104

наименования, изложенных на 142 страницах, а также приложения на 3 страницах.

Заключение диссертации по теме «Теоретические основы информатики», Рогинский, Андрей Викторович

6.2. Основные результаты главы.

Представлена реализация изложенных в главах 2-5 структур, методов и алгоритмов системы распознавания линейчатых изображений в виде программной системы идентификации отпечатков пальцев. Приведены структурная и функциональная схемы, представляющие иерархию построения программной системы и ее связи по управлению и данным, соответственно.

Представлены результаты тестирования разработанной системы идентификации отпечатков, установившие более высокую, по сравнению с имеющимися аналогичными системами, надежность распознавания, даже для существенно искаженных шумом и неполных отпечатков.

ЗАКЛЮЧЕНИЕ

Основными результатами диссертационной работы являются:

1. Разработана пирамидальная модель описания, наиболее соответствующая классу линейчатых изображений. Определены параметры модели, обеспечивающие наиболее эффективное выявление структуры изображений. Предложен метод предварительной обработки, устраняющий информационную избыточность пирамидального описания и снижающий трудоемкость его построения. Введено понятие множества фрагментов изображения и определены требования к фрагментам, отбираемым в качестве самостоятельных объектов распознавания.

2. Разработана новая модель топологическо-геометрического описания линейчатых изображений - карта зон направленности. Для ее построения разработан специальный алгоритм. С его помощью проводится оценка средней ориентации линейных структур на участках изображения без вычисления значений направленности в точках и сегментация изображения на связные участки, включающие линейные структуры заданных диапазонов направлений.

3. Предложены дополнительные структуры описания линейчатых изображений, выделяемые при помощи карты зон направленности, и обеспечивающие эффективное распознавание, такие, как обобщенный показатель ориентации линейных структур изображения, сигнатурные точки потоков линий. Решена задача сжатия ли-нейчато-анизотропных изображений на базе топологическо-геометрического описания.

4. Формализовано определение информативной точки для линейчатых изображений на основе анализа структурных взаимосвязей элементов. Разработан алгоритм выделения информативных точек на базе созданной процедуры прослеживания контуров линейных структур. Предложен метод сопоставления изображений при распознавании по этим точкам.

5. Разработан двухэтапный алгоритм классификации, предназначенный для распознавания объектов, представленных большим количеством эталонов, в том числе и для линейчатых изображений. В рамках алгоритма предложен новый метод использования результатов этапа предварительной классификации по "широким" классам на этапе окончательного распознавания в виде набора формируемых весовых параметров, обеспечивающих предпочтение классу изображений, выбранному на первом этапе. Разработан способ определения этих параметров на основе статистических характеристик эталонных выборок заданного объема из сформированных "широких" классов.

6. Разработаны структурная и функциональная блок-схемы системы распознавания, предназначенной для работы с линейчатыми, в том числе, с линейчато-анизотропными изображениями.

7. Построенная система реализована в виде единого комплекса программ распознавания линейчатых изображений типа отпечатков пальцев, рукописных подписей. Проведено экспериментальное тестирование разработанного программного комплекса для множества изображений отпечатков пальцев. Установлена более высокая надежность распознавания по сравнению с имеющимися аналогичными системами.

Список литературы диссертационного исследования кандидат технических наук Рогинский, Андрей Викторович, 1998 год

ЛИТЕРАТУРА

1. Аверина A.JL, Никонова B.C. Методы выделения линейных графических структур и оптических изображений // Моделирование и управление динамическими объектами и процессами.- М.: Московский инж.-физ. ин-т (МИФИ).- 1992,- С. 102-112.

2. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. - М.: Статистика, 1974.- 240 с.

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

4. Алексеев В.Л. Сегментация текстур на изображении // Ней-роподобные сети и нейрокомпьютеры.- Киев: АН УССР. Институт кибернетики, 1991.- С. 26-36.

5. Андреева A.A. Предварительная обработка в системах распознавания изображений // Анализ и синтез специальных средств автоматики и вычислительной техники.- Чебоксары: Чувашский гос. унт,- 1995,-С. 4-5.

6. Арсирий Е.А., Власенко В.А. Алгоритмы идентификации характерных признаков потоков папиллярных линий: подход на основе методов вероятностно-статистического описания в пространстве преобразования Фуко-Гильберта.- Одесса: Одесский гос. политехи, ун-т, 1996.- 28 с.

7. Атаянц Э.К., Гусинская Г.В., Гусев B.C., Жевлаков A.B. Инвариантные алгоритмы обработки плоских изображений и отбора эталонов в некоторых задачах распознавания //51 Научная сессия, посвященная дню радио, Москва, 1996: Тез. докл., 4.2.- М., 1996.- С. 108-109.

8. Байдык Т.Н. Сравнительный анализ распознавания текстур методом потенциальных функций и с помощью нейроподобных сетей // Нейроподобные сети и нейрокомпьютеры.- Киев: АН УССР. Институт кибернетики, 1991.- С. 52-61.

9. Березная И.Я., Колбасов Г.Г., Сидоренко И.Ф. Роль априорных знаний при автоматической идентификации папиллярных узоров // Вычислительная техника и вопросы кибернетики.- 1995.- №27.- С. 138-149.

10. Вакульский O.A. Построение иерархического описания цифровых изображений // Космическая наука и техника.- 1990.- №5.- С. 68-71.

И. Вакульский O.A. Построение остовов цифровых изображений // Отбор и обработка информации.- Киев.- 1991.- №6,- С. 71-74.

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

13. Гольцев А.Д. Текстурная сегментация изображений с помощью нейроподобной сети // Нейроподобные сети и нейрокомпьютеры.- Киев: АН УССР. Институт кибернетики, 1991.- С. 36-43.

14. Горбунов Б.А., Ковалевский В.А. Сегментация графических изображений // Математические и технические проблемы обработки визуальной информации.- Новосибирск: ВЦ СО РАН, 1992.- С. 99106.

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

16. Гренандер У. Лекции по теории образов. Т.З. Регулярные структуры: Пер. с англ.- М.: Мир, 1983.- 432 с.

17. Гусев B.C., Жевлаков A.B. Инвариантные методы обработки плоских изображений в некоторых задачах распознавания // 22 Гага-

ринские чтения: Сб. тез. докл. молодежной науч. конф., Москва, 2-6 апр. 1996 г., 4.7.- М., 1996.- С. 142-143.

18. Демидов A.A., Ковтун А.Д., Макаров Ю.М., Садунова Л.Б., Толстикова Л.А. Алгоритм автоматизированного прослеживания контура объекта на изображении // Автометрия.- 1993,- №5.- С. SS-SS.

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

20. Дюран Б., Оделл П. Кластерный анализ: Пер. с англ.- М.: Статистика, 1977.- 127 с.

21. Елисеев И.И., Руковишников В.О. Группировка, корреляция, распознавание образов, - М.: Статистика, 1977.- 144 с.

22. Ефимов Ю.Н. Трехэтапное многоальтернативное распознавание с использованием оптимальных признаков // Автоматика и вычислительная техника,- 1995.- №1.- С. 33-42.

23. Ефимов Ю.Н., Лисуненко В.В. О критерии выбора признаков при распознавании // Автоматика.- 1991,- №2.- С. 46-49.

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

25. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления,- Киев: Техшка, 1969.- 392 с.

26. Ильясова Н.Ю., Устинов A.B., Храмов А.Г. Методы анализа дактилоскопических изображений на основе поля направлений // Научное приборостроение.- 1993,- 3,№1 - С. 15-18.

27. Кадощук И.Т., Утюжников Г.А. Парные сравнения и распознающие алгоритмы // Математическое моделирование процессов управления и обработки информации.- М.: Московский физ.-техн. ин-т, 1993.- С. 163-171.

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

29. Кий К.И. Топологическо-геометрический метод обработки изображений в целом и его применения к анализу дорожных сцен // Известия АН. Техническая кибернетика.- 1992.- №5.- С. 244-248.

30. Кийко В.М. Быстродействующий алгоритм скелетизации графических изображений // Теоретические и прикладные вопросы распознавания изображений.- Киев: АН УССР. Институт кибернетики, Научный совет АН УССР по проблемам кибернетики.- 1991.- С. 5-15.

31. Колебанов C.B., Рогинский A.B. Алгоритмическое обеспечение пирамидальной системы распознавания изображений // Труды конференции "Применение математического моделирования для решения задач в науке и технике".- Ижевск, 1998.- С. 45-54.

32. Кондратьев В.В., Рогинский A.B. Метод снижения информационной избыточности локально-анизотропных изображений // LII Научная сессия, посвященная дню Радио: Тез. докл.- М., 1998.- С. 147-148.

33. Кондратьев В.В., Рогинский A.B. Новый метод обработки локально-анизотропных изображений // Автометрия.- 1998.- №6.

34. Кондратьев В.В., Рогинский A.B., Утробин В.А. Автоматизированная система распознавания дактилоскопической информации // Математические методы распознавания образов: Тез. докл. 8-й Всеросс. конф.- М., 1997.- С. 166-167.

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

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

37. Кондратьев В.В., Утробин В.А. Математическая модель процесса идентификации в условиях априорной неопределенности // Труды конференции "Применение математического моделирования для решения задач в науке и технике".- Ижевск, 1997.- С. 63-73.

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

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

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

41. Кондратьев В.В., Утробин В.А., Рогинский A.B. Двухэтап-ный алгоритм распознавания отпечатков пальцев // Научно-техническая конференция факультета радиоэлектроники и технической кибернетики, посвященная 80-летию НГТУ: Тез. докл.- Н. Новгород, 1997. - С. 35-36.

42. Кондратьев В.В., Утробин В.А., Рогинский A.B. Идентификация отпечатков пальцев с использованием пирамидальной системы операторов преобразования // Системы обработки информации и управления.- Н. Новгород, 1997. - С. 53-58.

43. Коржик Ю.В., Костылев В.И. Методы адаптивной текстурной параметризации изображений.- Воронеж: Воронежский ун-т, 1995.- 42 с.

44. Корнилов В.Ю. Инвариантное описание изображения // Автометрия.- 1996.- №2,- С. 71-72.

45. Королев Н.И. Оценка достоверности корреляционного метода совмещения точечных изображений // Автоматика и телемеханика.- 1993,- №9,- С. 100-108.

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

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

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

49. Методы передачи изображений. Сокращение избыточности / Прэтт У.К., Сакрисон Д.Д., Мусманн Х.Г.Д. и др.: Пер. с англ.; Под ред. Л.С. Виленчика,- М.: Радио и связь, 1983.- 264 с.

50. Никитаев В.Г., Шаронов С.Н. Метод преобразования координат для адаптивной сегментации изображения // Измерительная техника.- 1990.- №12.- С. 9-10.

51. Онищенко A.M. Выбор признаков по эталонным описаниям двумерных нормальных совокупностей // Дефектоскопия.- 1995.-№4.- С. 68-86.

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

53. Паленичка P.M., Луцык А.Ю. Быстрые алгоритмы локальной обработки изображения на основе рекурсивных вычислений // Кибернетика и системный анализ.- 1994.- №1.- С. 146-157.

54. Перетягин Г.И. Построение обнаружителя, инвариантного к повороту двумерных объектов // Автометрия.- 1995.- №1,- С. 25-33.

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

56. Распознавание образов: состояние и перспективы / Верхаген К., Дейн Р., Грун Ф. и др.: Пер. с англ.; Под ред. И.Б. Гуревича.- М.: Радио и связь, 1985.- 104 с.

57. Рогинский A.B. Выделение характерных точек на ли-нейчато-составных изображений // Научно-техническая конференция факультета информационных систем и технологий: Тез. докл.- Н. Новгород, 1998.- С. 48-49.

58. Рогинский A.B. Распознавание изображений по матрице характерных точек, выявленных локальным отслеживанием контуров // Труды конференции "Применение математического моделирования для решения задач в науке и технике".- Ижевск, 1998.- С. 72-77.

59. Рогинский A.B. Особенности пирамидальной системы распознавания локально-анизотропных изображений // Научно-

техническая конференция факультета информационных систем и тех»

нологий: Тез. докл.- Н. Новгород, 1998.- С. 47-48.

60. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин: Пер. с англ.- М.: Мир, 1972.- 232 с.

61. Система автоматизированного распознавания отпечатков пальцев // Иностранная печать о техническом оснащении полиции капиталистических государств / ВИНИТИ.- 1993.- №11.- С. 65-68.

62. Сойфер В.А., Котляр В.В., Хонина С.Н. Оптический метод построения поля направлений // Автометрия.- 1996.- №1.- С. 31-36.

63. Справка по результатам выполнения приказа МВД России "Об организации опытной эксплуатации АДИС".- М.: ЭКЦ, 1995.

64. Ту Д., Гонсалес Р. Принципы распознавания образов: Пер. с англ.- М.: Мир, 1978. - 416 с.

65. Турбович И.Т., Гитис В.Г., Маслов В.К. Опознание образов: детерминированно-статистический подход.- М.: Наука, 1971.- 246 с.

66. Файн B.C. Опознавание изображений. Основы непрерывно-групповой теории и ее приложения.- М.: Наука, 1970.- 296 с.

67. Файн B.C. Распознавание образов и машинное понимание естественного языка.- М.: Наука, 1987.- 176 с.

68. Файн B.C., Тхор В.Б. Высоконадежная идентификация отпечатков пальцев как иллюстрация идеи пространственно-спектрального дуализма изображений // Математические методы распознавания образов. Тез. докл. конф. с международным участием, Пущино, 25-30 сент. 1995.- М., 1995,- С. 164-165.

69. Фахми Ш., Шах В.В., Шмидт В.К. Сжатие и восстановление изображений с использованием пирамидально-рекурсивной структуры данных.- СПб.: С.-Петербургский электротехн. ун-т,- 1993.- 15 с.

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

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

72. Фурман JI.A., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений.- Красноярск: Изд-во ун-та, 1992.- 246 с.

73. Чэн Ш.-К. Принципы проектирования систем визуальной информации: Пер. с англ.- М.: Мир, 1994.- 408 с.

74. Шмидт В.К., Головкова Е.Ю. Анализ точечных изображений плоских объектов.- JL: Ленинградский электротехн. ин-т, 1992.- 9 с.

75. Яншин В.В., Мальгин Ю.Ю. Контурное кодирование бинарных изображений в процессе формирования сцены // Вопросы радиоэлектроники. Сер. Общие вопросы радиоэлектроники.- 1991.- №9.- С. 29-36.

76. Blue J.L., Candela G.T., Grother P.J. Evaluation of pattern classifiers for fingeprints and OCR applications // Pattern Recogn.-1994.- 27,№4,- P. 485-501.

77. Burel G., Catros J.-Y. Image compression using topological maps and MPL // IEEE Int. Conf. Neural Networks, San Francisco, Calif., March 28 - Apr. 1, 1993; ICNN'93. Vol.2.- Pictaway (N.J.), 1993,- P. 728-731.

78. Burgi P.-Y., Pun T. Asynchrony in image analysis: using the luminance-to-response latency relationship to improve segmentation // J. Opt. Soc. Amer. A.- 1994,- 11,№6.- P. 1720-1726.

79. Casey R.G., Lecolinet E. A survey of methods and strategies in character segmentation // IEEE Trans. Pattern Anal, and Mach. Intell.-1996.- 18,№7.- P. 690-706.

80. Chang C.-H. Simulated annealing clustering of Chinese words for contextual text recognition // Pattern Recogn.- 1996.- 17,№1,- P.57-66.

81. Chen Z., Sun Y., Zhang Y., Mu G. Hibrid optical/digital access control using fingeprint identification // Opt. Eng.- 1995.- 34,№3.- P. 834-839.

82. Chetverikov D. Analyzing texture anizotropy via gray-level difference features // J. Commun.- 1994.- 45,July-Aug.- P. 43-46.

83. Govindan V.K., Shivaprasad A.P. Character recognition - a review // Pattern Recogn.- 1990,- 23,№7.- P. 671-683.

84. Hrechak A.K., McHugh J.A. Automated fingeprint recognition using structural matching // Pattern Recogn.- 1990,- 23,№8.- P. 893-904.

85. Jolion J.-M., Meer P., Bataouche S. Robust clustering with applications in computer vision // IEEE Trans. Pattern Anal. And Mach. Intell.- 1991.- 13,№8.-P. 791-802.

86. Kim M.G., Dinstein I., Shaw L. A prototype filter design approach to pyramid generation // IEEE Trans. Pattern Anal, and Mach. Intell.- 1993.- 15,№12.- P. 1233-1240.

87. Lacroix V. Edge detection: What about rotation invariance? // Pattern Recogn.- 1990,- 11,№12,- P. 797-802.

88. Li C.H., Lee C.K. Image smoothing using parametric relaxation // Graph. Models and Process.- 1995,- 57,№2,- P. 195-202.

89. Liang S., Shridar M., Ahmadi M. Segmentation of touching characters in printed document recognition // Pattern Recogn.- 1994.-27,№6,- P. 825-840.

90. Linnett L.M., Richardson A.J. Texture segmentation using directional operators // ICASSP'90: Int. Conf. Acoust, Speech and Signal Process., Albuquerque, N.M., Apr. 3-6, 1990. Vol.4.- New York, 1990,-P. 2309-2312.

91. Mehdian M. Tactile image computation using a feature extraction algorithm // Robotica.- 1992,- 10,№3.- P. 239-254.

92. Methre B.M., Chatterjee B. Automatic fingeprint identification // J. Inst. Electron. And Telecommun. Eng.- 1991,- 37,№5-6.- P. 493499.

93. Nakayama K., Kato T., Katayama H. A weighted competitive learning extracting skeleton structure from character patterns with nonuniform width // Proc. Int. Jt. Conf. Neural Networks, Nagoya, Oct. 2529.- 1993.- Vol.3.- P. 2480-2483.

94. Niemel L.-P., Prasad R. An improved character description method based on generalized fourier descriptors // Eur. Trans. Telecom-mun. And Relat. Technol.- 1994,- 5,№3.- P. 371-376.

95. Ogniewicz R.J., Kubler O. Hierarchic Voronoi skeletons // Pattern Recogn.- 1995.- 28,№3,- P. 343-345.

96. Polo V., Fernandez F., Sanchez A. Parallel implementation of local averaging for image processing // Microprocess. and Microprogramm.- 1992.- 34,№1-5,- P. 215-218.

97. Ronfard R. Region-based strategies for active contour models // Int. J. Comput. Vision.- 1994,- 13,№2,- P. 229-251.

98. Rozenfeld A. Pyramid algorithms for finding global structures in images // Inf. Sci. (USA).- 1990,- 50,№1,- P. 23-34.

99. Srinivasan V.S., Murthy N.N. Detection of singular points in fingeprint images // Pattern. Recogn.- 1992,- 25,№2.- P. 139-153.

100. Venkateswarlu N.B., Raju P.S. Fast isodata clustering algorithms // Pattern Recogn.- 1992.- 25,№3,- P. 335-342.

101. Wang Z., Guerriero A., De Sario M. Comparison of several approaches for the segmentation of texture images // Pattern Recogn.-1996,- 17,№5,- P. 504-521.

102. Zhang Q., Wang Q.R., Boyle R. A clustering algorithm for data-sets with a large number of classes // Pattern. Recogn.- 1991.-24,№4,-P. 331-340.

103. Zhou J., Pavlidis T. Discrimination of characters by a multistage recognition process // Pattern Recogn.- 1994.- 27,№11.- P. 15391549.

104. Xiao Q., Raafat H. Fingeprint image postprocessing: A combined statistical and structural approach // Pattern. Recogn.- 1991.-24,№10,- P. 985-992.