Реконструкция изображений на основе пространственно-временного анализа видеопоследовательностей тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Дамов, Михаил Витальевич

• Дамов, Михаил Витальевич
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Дамов, Михаил Витальевич

ВВЕДЕНИЕ.

Глава 1. Анализ существующих методов, алгоритмов и систем реконструкции видеопоследовательностей.

1.1 Анализ методов и алгоритмов уточнения положения объектов малого размеров в видеопоследовательности.

1.2 Анализ существующих методов реконструкции видеопоследовательностей.

1.2.1 Методы временной реконструкции видеопоследовательностей.

1.2.2. Пространственные методы реконструкции кадров видеопоследовательности.

1.3 Разделение видеопоследовательности на сцены.

1.4. Анализ существующих систем видеоредактирования.

1.5 Выводы по главе.

Глава 2. Реконструкция текстурного фона видеопоследовательности под искусственно наложенной графикой и объектами малого размера.

2.1 Классификация объектов реконструкции.

2.2 Математические модели локализации и реконструкции.

2.3 Ограничения и этапы метода реконструкции видеопоследовательности.

2.4 Локализация и отслеживание объектов реконструкции.

2.4.1 Локализация искусственно наложенной графики.

2.4.2. Нахождение артефактов изображения в видеопоследовательности

2.4.3. Отслеживание объектов видеоредактирования малого размера.

2.5 Пространственная обработка сцены.

2.5.1. Выбор методов реконструкции.

2.5.2 Определение гладкости текстуры.

2.5.3 Определение структурности текстуры.

2.5.4 Определение изотропности текстуры.

2.6 Временная обработка сцены.

2.6.1 Выбор метода определения движения от параметров реконструируемой области.

2.6.2 Временная коррекция пространственного восстановления текстуры

2.7 Оценка точности восстановления текстуры.

2.8. Алгоритм реконструкции изображения в ограниченной пространственно-временной области.

2.9. Выводы по главе.

Глава 3. Построение экспериментального программного обеспечения реконструкции видеопоследовательностей.

3.1 Структурная схема экспериментального программного обеспечения реконструкции видеопоследовательностей.

3.2 Описание модулей экспериментальной системы реконструкции видеопоследовательностей.

3.3 База данных обработанных видеопоследовательностей экспериментального программного обеспечения реконструкции.

3.4 Результаты обучения искусственной нейронной сети.

3.5 Реализация модулей программного обеспечения для многоядерных и многопроцессорных систем.

3.6 Результаты экспериментальных исследований.

3.7 Выводы по главе.

Введение диссертации (часть автореферата) на тему «Реконструкция изображений на основе пространственно-временного анализа видеопоследовательностей»

Актуальность работы. В сфере профессионального; кино- и телевидения широко востребованными, задачами» являются; реконструкция: оригинальной отснятой; видеопоследовательности* (компенсация примитивной наложенной, графики) и улучшение видеопоследовательности; (компенсация изображения произвольного объекта сцены малого размера, удаление царапин, пятен). Методы реконструкции изображений также могут применяться для улучшения спутниковых фотографий и данных лазерной локации. Первые работы в области; реконструкции видеопоследовательностей появились в середине 2000-х гг. в Massachusetts Institute of Technology, University of California (GUIA), Université de Technologie de Gompiegne (Франция), Delft University of Technology (Нидерланды), Soongsil University (Южная Корея): Позже аналогичные работы стали появляться- в России: в Вычислительном центре РАН (г. Москва), Институте систем обработки изображений РАН (г. Самара), МГУ, МФТИ, С.-ПбГУ. Следует отметить вклад российских ученых, таких: как, чл.-корр. РАН, д.ф.-м.н. К.В. Рудаков, д.т.н. В.П. Пяткин, д.т.н. Л.М. Местецкий, д.т.н. В.В. Сергеев, к.т.Н: А.А. Лукьяница и другие. Однако до сих пор существуют проблемы; как теоретического, так и практического характера, связанные как правило, сложными случаями реконструкции- реальных видеопоследовательностей (при аппроксимации движения в кадре объектов интереса в кадре, стыковке оригинального и реконструированного материала, синтезе: фоновой текстуры), а также с большими вычислительными затратами.

Целью диссертационной работы является повышение качества обработки и повторного использования оригинального видеоматериала в системах видеоредактирования и видеоархивах.

Для реализации поставленной цели необходимо решить следующие задачи.

1. Провести анализ методов, алгоритмов и систем локализации и компенсации областей искусственно наложенной графики и объектов малого размера, используемых при реконструкции-видеопоследовательности.

2. Разработать модели локализации и реконструкции изображения искусственно наложенной графики, артефактов изображения и объектов^ малого размера в сложных статических и динамических сценах.

3. Разработать способ выбора методов наложения текстурных фрагментов для компенсации фона сцены или объекта с признаками движения и без признаков движения на основе нейросетевого подхода.

4. Усовершенствовать алгоритм локализации искусственно наложенной графики, артефактов изображения в пространственно-временной области.

5. Создать алгоритм реконструкции изображения под искусственно наложенной графикой, артефактами и объектами сцены малого размера, основанный на анализе обобщенных параметров.

6. Разработать программное обеспечение для реконструкции видеопоследовательности в областях искусственно наложенной графики, артефактов изображения и объектов малого размера.

7. Провести экспериментальные исследования эффективности разработанных алгоритмов на тестовых выборках.

Область исследования. Работа выполнена в*соответствии с пунктами 5 «Разработка специального математического и программного обеспечения систем анализа, оптимизации, управления, принятия решений- и обработки информации» и 12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации» паспорта специальностей ВАК (технические науки, специальность 05.13.01 -системный анализ, управление и обработка информации).

Методы исследования. При выполнении диссертационной работы использовались методы теории моделирования, теория анализа" и синтеза, теория обработки информации, методы линейной алгебры, методы объектно-ориентированного программирования.

Научная.новизна диссертационной работы состоит в следующем:

1. Разработана модель локализации и реконструкции искусственно наложенной графики в видеопоследовательностях, позволяющая восстанавливать пиксели фона под искусственно наложенной графикой, артефактами изображения и объектами сцены малого размера, предполагающая учет параметров текстуры в пространственно-временных окрестностях зон компенсации.

2. Разработан метод реконструкции текстуры, позволяющий выбирать способ реконструкции текстуры и восстанавливать области пропущенных пикселей в зависимости от наличия движения в сцене и анализа окружающей текстурной области, позволяющий выбрать способ реконструкции с применением нейросетевого подхода.

3. Создан алгоритм реконструкции изображения в ограниченной пространственно-временной- области, основанный на различных подходах к текстурной реконструкции на основе анализа обобщенных текстурных параметров, признаков движения окрестностей зон компенсации, параметров-цветности в компенсируемых областях.

Практическая значимость. Предложенные в диссертационной работе методы и алгоритмы ориентированы на практическое применение в программном обеспечении подготовки эфира и телевизионных трансляций, программно-аппаратных комплексов- видеоредактирования, работы в видеоархивах, а также может использоваться для анализа данных полученных аэрофотосъемкой, спутниковой фотографией, лазерной локацией и другими системами датчиков, данные которых можно представить в виде последовательностей изображений. В рамках диссертационного исследования создано специализированное экспериментальное программное обеспечение для реконструкции видеопоследовательностей.

Реализация результатов работы: программа «Комплекс распознавания номерных знаков транспортных средств (Gatekeeper) зарегистрирована в Реестре программ для. ЭВМ г. Москва, 22 апреля 2004 г. свидетельство- №2004610994), программа «Видеоредактор» зарегистрирована в Реестре программ для ЭВМ г. Москва, 25 марта 2010 г. (свидетельство №2010612230). Получен акт о передаче алгоритмического и программного обеспечения для редактирования видеопоследовательностей и разделения их на сцены для дальнейшего использованиям ООО «ДИИП» (г. Санкт-Петербург) от 20 апреля 2010 года. Получен акт об использовании результатов диссертационных исследований в учебный процесс Сибирского государственного аэрокосмического университета.

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на всероссийской конференции «Актуальные проблемы космонавтики» (Красноярск, 2008, 2009 г.), международной научной конференции «Решетневские чтения» (Красноярск, 2008, 2009 г.), международной научно-технической конференции «Кибернетика и высокие технологии XXI века» (Воронеж, 2008 г.), всероссийской научной конференции студентов, аспирантов и молодых ученых «Наука. Технологии. Инновации (Новосибирск, 2008, 2009. г.), межрегиональная научно-практической конференции «Молодежь Сибири — науке России» (Красноярск, 2008, 2010* г.), международной конференции и выставке «Цифровая обработка сигналов и ее применение» (Москва, 2008, 2009, 2011 г.), всероссийской научно-практической конференции «Теоретические и прикладные вопросы современных информационных технологий» (Улан-Удэ, 2009 г.), всероссийская научно-практической конференции-конкурсе «Технологии Microsoft в теории-и практике программирования» (Томск, 2010 г.), всероссийской научной конференции молодых ученых «Теория и практика системного анализа» (Рыбинск, 2010 г.), Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых с международным участием «Молодежь и современные информационные технологии» (Томск, 2011 г.).

Публикации. По результатам диссертационного исследования опубликовано 20 печатных работ, из них 4 статей (3 статьи в изданиях, рекомендованных ВАК, 14 тезисов докладов, 2 свидетельства, зарегистрированных в Российском реестре программ для ЭВМ.

Структура работы. Работа состоит из введения, трех глав, заключения, списка литературы и приложения. Основной текст диссертации содержит 109 страниц, изложение иллюстрируется 16 рисунками и 20 таблицами. Библиографический список включает 134 наименования.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Дамов, Михаил Витальевич

Основные результаты и выводы диссертационного исследования:

1. Разработана модель локализации и реконструкции изображения искусственно наложенной графики, артефактов изображения и объектов малого размера в сложных статических и динамических сценах, позволяющая использовать различный набор методов локализации объектов интереса и реконструкции текстурной поверхности сцены и ли объекта с признаками и без признаков движения в рамках указанных ограничений.

2. Разработан масштабируемый способ выбора методов компенсации фона сцены или объекта с признаками движения и без признаков движения на основе нейросетевого подхода, позволяющий дополнять набор методов компенсации после переобучения ИНС.

3. Усовершенствован алгоритм локализации искусственно наложенной графики, артефактов изображения в пространственно-временной области на основе математической меры островершинности и преобразования Хафа. Предложена модификация меры островершинности для двумерной функции яркости коэффициентами геометрического положения, геометрической формы, поправки яркости и рассчитаны их значения для искусственно наложенной графики различных типов.

4. Создан масштабируемый пространственно-временной алгоритм реконструкции изображения под искусственно наложенной графикой, артефактами и объектами сцены малого размера, учитывающий обобщенные параметры текстуры, получаемые с помощью ИНС из текстурных признаков и признаков яркостной матрицы смежности. Для устранения артефактов пространственной реконструкции алгоритм позволяет использовать набор из трех моделей аппроксимации движения.

5. Разработана экспериментальная программная система восстановления видеопоследовательности, позволяющая выполнять локализацию артефактов изображения, искусственно наложенной графики и выбирать значения коэффициентов локализации; выполнять отслеживание объектов сцены малого размера на переднем плане; выполнять реконструкцию фона или объектов сцены в сложных условиях движения, используя одну или несколько моделей аппроксимации движения объектов в кадре.

6. Модифицирована библиотека KLT: An Implementation of the Kanade-Lucas-Tomasi Feature Tracker с целью использования в современных средствах разработки (Visual Studo С#) для трех моделей движения.

7. Эксперименты показали, что предложенные модели и алгоритмы обладают достаточной достоверностью локализации и реконструкции объектов интереса.

Таким образом, разработанные методы и алгоритмы позволяют автоматизировать сложные функции реконструкции изображений, видеопоследовательностей, архивных видеозаписей, и тем самым повысить качество систем видеоредактирования и видеоархивов.

ЗАКЛЮЧЕНИЕ

В диссертационной работе исследовалась задача повышения качества видеопоследовательностей удалением объектов интереса; а< именно: артефактов изображения, возникших вследствие повреждения видеоносителя (царапин, пятен и т.д.), искусственно наложенной графики (логотипов телевизионных каналов, субтитров, бегущей строки, изображений информационных плашек и т.д.), малых объектов переднего плана сцены (столбов, деревьев, рекламных щитов и т.д.).

Был проведен анализ методов и алгоритмов обработки видеопоследовательностей, методов и алгоритмов локализации объектов интереса и реконструкции видеопоследовательностей: Методы обработки видеопоследовательностей включают в себя получение текстурной информации - гладкости, структурности, изотропности текстуры; информации о движении объектов в сцене; разделения видеопоследовательности на сцены. Методы локализации объектов интереса построены на учете яркостных, цветовых, геометрических, позиционных различий объектов интереса и полезного содержания видеопоследовательности. Для локализации изображения искусственно наложенной графики применяется мера островершинности с коэффициентами учета положения, прозрачности, яркости, размера объекта интереса. Для локализации артефакта изображения применяется преобразование Хафа. Изображение объекта сцены малого размера первоначально задается человеком и в дальнейшем отслеживается с помощью известных методов слежения за контурами.

При реконструкции видеопоследовательности применяется три основных подхода: пространственный — при котором информация для реконструкции берется с того же самого кадра; временной - при котором информация для восстановления берется с соседних кадров сцены; и комбинированный подход, совмещающий в себе пространственный и временной подходы.

В диссертационной работе предлагается модель обработки видеопоследовательности в сложных статических и динамических сценах для восстановления пикселов фона с учетом текстурных параметров в пространственно-временной окрестности области пропущенных пикселов. Модель обработки состоит из модели предварительной подготовки, модели локализации объектов интереса, модели реконструкции статических и динамических сцен видеопоследовательности.

Для реконструкции- и синтеза текстуры кадра из текстурных фрагментов в пространственно-временной окрестности области пропущенных пикселов разработан метод, позволяющий выбрать способ синтеза текстуры с учетом текстурных признаков и движения в сцене. Для окрестности каждого пикселя кадра вычисляются текстурные признаки Р. Харалика, которые в дальнейшем анализируются с применением искусственной нейронной сети (ИНС) с обратным распространением ошибки, чтобы получить обобщенные текстурные параметры гладкости, структурности и изотропности. При дальнейшей обработке искусственная нейронная сеть дает рекомендацию по выбору метода реконструкции текстуры с учетом обобщенных параметров текстуры, размера области пропущены пикселов, движения в сцене.

Для локализации изображений искусственно наложенной графики и артефактов изображения^ предлагается" усовершенствование алгоритма локализации объектов интереса с помощью вычисления меры островершинности функции яркости кадра с учетом поправочных коэффициентов положения объекта интереса в кадре, яркости и прозрачности объекта интереса и его размера. Для артефактов изображения усовершенствование заключается в модификации алгоритма преобразования Хафа алгоритмов маркировки и выбора областей интереса в кадре.

На основе предложенных модели и методов создан алгоритм реконструкции фона видеопоследовательности в ограниченной пространственно-временной области путем удалений изображений искусственно наложенной графику артефактов изображения, объектов сцены малого размера. В алгоритме применяются как пространственный подход к реконструкции при синтезе текстуры фона выбранным способом при помощи ИНС, так и временной подход переносом пикселов и регионов с соседних кадров видеопоследовательности с использованием трех моделей аппроксимации движения в кадре (равномерное прямолинейное, поворот, масштабирование).

На основе предложенных методов разработано экспериментальное программное обеспечение локализации объектов интереса и реконструкции видеопоследовательностей. Программное обеспечение представляет собой модульное приложение, состоящее из отдельных программных модулей, которые позволяют решать задачи предварительной подготовки, локализации объектов интереса и реконструкции фона и объектов сцены видеопоследовательности. Программное обеспечение состоит из семи модулей: модуль организации интерфейса с пользователем, модуль предварительной- обработки, модуль локализации, модуль реконструкции, модуль редактирования медиапотоков, а также модуль «база данных обработанных видеопоследовательностей» и файл конфигурации искусственной нейронной сети (ИНС). Программное обеспечение позволяет осуществлять реконструкцию видеопоследовательностей в сложных условиях движения статических и динамических сцен набором пространственных (размывание, текстурное заполнение, текстурных синтез) и временных методов реконструкции (три модели аппроксимации движения объектов сцен видеопоследовательности).

Проведено тестирование модулей как по отдельности, так и в совокупности на различных типах видеопоследовательностей (художественные фильмы, анимация, концертное видео, студийное видео) в различных статических и динамических сценах для различных видов реконструируемых областей (текстовый блок, статический и динамический логотип телевизионного канала, артефакт изображения, объект сцены малого-размера). Экспериментальные исследования показали, что применение синтеза текстур и трех моделей аппроксимации движения объектов в сцене повышает достоверность реконструкции изображения до 90% и выше, что на 20% выше по сравнению с реконструкцией размыванием.

Список литературы диссертационного исследования кандидат технических наук Дамов, Михаил Витальевич, 2011 год

1. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений: учебное пособие для студентов ВУЗов. -М.: Высшая школа, 1983. 295 с.

2. Боланте Э. Adobe After Effects: уроки. — М: Триумф, 2007. — С. 832.

3. Бутаков В.А., Островский В.И., Фадеев И.Л. Обработка изображений на ЭВМ. М.: Радио и связь, 1987, 239 с.

4. Введение в контурный анализ: приложения к обработке изображений и сигналов / Я.А. Фурман, A.B. Кревецкий, А.К. Передреев, A.A. Роженцов, Р.Г. Хафизов, И.Л. Егошина, А.Н. Леухин; под редакцией Я.А. Фурмана. М.: Физматлит, 2003 - 592 с.

5. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.

6. Дамов М. В. Анализ объектов в изображении. // В материалах VII Всероссийской научной конференции, посвященной памяти Генерального конструктора ракетно-космических систем М.Ф. Решетнева «Решетневские чтения» / Красноярск, СибГАУ, 2003. С. 266.

7. Дамов М.В. Восстановление видеопоследовательностей. // Материалы V всероссийской конференции «Актуальные проблемы космонавтики» / Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева. Красноярск, 2009 г.

8. Дамов М.В. Классификация текстур на основе нейронных сетей при реконструкции видеопоследовательности // В материалах 13-й международной конференции «Цифровая обработка сигналов и ее применение», М. В 2 т. Т. 1, 2011. С. 294-297.

9. Дамов М.В. Локализация и компенсация искусственно наложенных текстовых областей в видеопоследовательности // В материалах

10. XI международной конференции «Цифровая обработка сигналов и ее применение», Москва, 2009 г. с. 474-476.

11. Дамов М.В. Построение изображения сцены совмещением последовательных кадров. / М.В. Дамов, А.Г. Зотин // Вестник Сибирского государственного аэрокосмического университета имени академика М.Ф. Решетнева. Вып. 5(31), Красноярск, 2010. с. 212-216.

12. Дамов М.В. Программа «Комплекс распознавания номерных знаков транспортных средств (Gatekeeper) //А.Г. Зотин, М.В. Дамов / Свидетельство №2004235394. Зарегистрирована в Реестре программ' для ЭВМ г. Москва, 22 апреля 2004 г.

13. Дамов M.B. Программный комплекс интеллектуальной ■. реконструкции видеопоследовательностей // В материалах VII Всероссийской научно-практической конференции-конкурсе «Технологии Microsoft в теории и практике программирования», Томск, 2010, с. 82-86.

14. Дамов М.В. Пространственный метод локализации изображений логотипов в видеопоследовательностях // В материалах всероссийской научной конференции молодых ученых «Наука. Технологии. Инновации. НТИ-2008», ч. 1, в 7 ч., Новосибирск, 2008. с.191 - 193.

15. Жарких A.A. Двухэтапный алгоритм выделения контуров на изображении. // Вестник МГТУ. т. 12, №2. М., 2009. С.202-205.

16. Зотин А.Г. Алгоритмы идентификации и распознавания номеров автомобильных транспортных средств, тезисы / А.Г. Зотин, М.В. Дамов // В материалах конференции «Технологии Microsoft в информатике и программировании» / НГУ. Новосибирск, 2004. -с. 100-102.

17. Карпенко A.C. Методы обработки биомедицинских изображений / A.C. Карпенко, К.В. Чирков // В материалах IX международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии». Владимир, 2010. С. 260-263.

18. Лукьяница A.A. Проблемы обработки изображений в системах мониторинга // A.A. Лукьяница, А.Г. Шишкин / ProSystem CCTV. М., 2007. - №1 (25). - С.42-51.

19. Лукьяница A.A., Шишкин А.Г. Цифровая обработка видеопоследовательностей. М.: Издательство «Ай-Эс-Эс Пресс», 2009. -518с.

20. Льюис Л. Идентификация систем. Теория для пользователя. М.: Наука, 1991.-432 с.

21. Медведева Е.В. Сегментация цифровых биомедицинских изображений / Е.В. Медведева, Е.Е. Курбатова // В материалах IXмеждународной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии». Владимир, 2010. С. 320-324.

22. Методы компьютерной обработки изображений / Под редакцией В.А. Сойфера. М.: Физматлит, 2003. 784 с.

23. Прэтт У. Цифровая обработка изображений. М.: Мир, 1982 -Книга 1 - 312 с.

24. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия - Телеком, 2006.-452 с.

25. Сойфер В.А. Компьютерная обработка изображений. Часть II. Методы и алгоритмы // Соросовский образовательный журнал, №3, 1996. с. 110-121

26. Фаворская М.Н. Алгоритмы реализации оценки движения в системах видеонаблюдения / М.Н. Фаворская, A.C. Шилов // Системы управления и информационные технологии / ИПУ РАН, ВГТУ, № 3.3(33), Воронеж, 2008. с. 408-412.

27. Фаворская М.Н. Методы распознавания изображений и видеопоследовательностей: монография / Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнева, Красноярск, 2010. 176 с.

28. Форсайт Д.А., Понс Ж. Компьютерное зрение: Современный подход.: Пер. с англ. М: Издательский дом «Вильяме», 2004 - 928 с.

29. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений. Красноярск, издательство Краснярского университета, 1992. - 248 с.

30. Хайкин С. Нейронные сети: полный курс. М.: Издательский дом «Вильяме», 2006. - 1104 с.

31. Хомяк A. MAGiX Movie Edit Pro 12. Электронный ресурс. -Электрон, дан. Режим доступа: http://www.ixbt.com/divideo/magix.shtml -Загл. с экрана.

32. Шапиро Л., Стокман Дж. Компьютерное зрение. М.: Бином, 2006.752 с.

33. Шидловский Е.Ю. Цифровая обработка биомедицинских изображений / Е.Ю. Шидловский, К.В. Чирков // В материалах IX международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии». Владимир, 2010. С. 258-260.

34. Шульга Л. А. Новый биометрический подход для автоматического анализа изображений сосудистой системы сетчатки глаза / Л.А. Шульга, C.B. Саакян, Д.А. Складнев // В сборнике «Компьютерные исследования и моделирование». Т.2, №2, 2010. С. 189-197.

35. Яковлев A.B. Методы анализа и синтеза текстур / Муром, ин-т Владимир, гос. ун-та Муром, 1999 - 24 с ; Библиогр. 12 назв. - Рус, Деп. в ВИНИТИ 02.12.99 № 3589-В99.

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

37. Adobe AfterEffects. Электронный ресурс. Электрон, дан. -Режим доступа: http://ru.wikipedia.org/wiki/AdobeAfterEffects - Загл. с экрана.

38. Adobe Premier Pro CS 5. Электронный ресурс. Электрон, дан. -Режим доступа: http://help.adobe.com/enUS/premierepro/cs/using/index.html -Загл. с экрана.

39. Ardizzone Е., Capra A., La Cascia М. Using temporal texture for context-based video retrieval. Journal of Visual Languages and Computing. Vol. 11,2000. pp. 241-252.

40. Beholder. Электронный ресурс. Электрон, дан. - Режим доступа: http://www.beholder.ru/ - Загл. с экрана.

41. Brodatz P. Textures: A Photographic Album for Artists and Designers. -New York: Dover Publications, 1966. 112 c.

42. Chan A., Vasconcelos N. Mixtures of dynamic textures. Proceedings of the International conference on computer vision, vol. 1, Beijing, China 2005. pp. 641-647.

43. Chang I-C., Hsu C.-W. Video Inpainting Based on Multi-Layer Approach. Proceedings of 2009 APSIPA Annual Summit and Conference. Sapporo, Japan, 2009. pp. 200-207

44. Chiew T.-K., Hilll P., Bull D.R., Canagarajah C.N. Robust global motion estimation using the Hough transform for real time video coding. Proceedings of Picture Coding Symposium, 2004

45. Chung K. L., Chen Т. C., Yan W. M. New memory and computation-efficient hough transform for detecting lines. // Pattern Recognition, vol. 37, 2004, pp. 953-963.

46. Cohen M. F. Shade J., Hiller S., Deussen O. Wang Tiles for image and texture generation. Proceedings of ACM SIGGRAPH, vol. 22, issue 3, 2003.pp. 277-286.

47. Cozar J.R., Guil N., Gonzlez-Linares J.M., Zapata E.L. Video Cataloging Based On Robust Logotype Detection. Proceedings of IEEE International Conference on Image Processing (ICIP 2006), Atlanta, USA, 2006. pp. 3217-3220.

48. Doretto G., Cremens D., Favaro P., Soatto S. Dynamic texture segmentation. Proceedings of the International conference on computer vision, France, Nice, 2003. pp. 1236-1242.

49. Doretto G., Ghiuso A., Soatto S., Wu Y.N. Dynamic textures. International journal on computer vision. Vol. 51, 2003. pp. 91-109.

50. Esen E., Soysal M., Ates Т.К., Saracoglu, A., Aydin Alatan, A. A fast method for animated TV logo detection. Proceedings on International workshop on content-based multimedia indexing. London, 2008. pp. 236-241.

51. Fadeev A. Frigui H. Dominant Texture Descriptors for image classification and retrieval. Proceedings of 15th IEEE international conference image processing, San Diego, USA, 2008, pp. 989-992.

52. Fujita K., Nayar S.K. Recognition dynamic texture using impulse responses of state variables. Proceedings of the International workshop for texture analysis and synthesis. Nice, 2003. pp. 31-36.

53. Gedda M. Computer Assisted Image Analysis. Lectures. Lecture 10 -Object descriptors. Uppsala, 2010. 12 pages.

54. Glowacz A., Glowacz W. Shape Recognition of Film Sequence with Application of Sobel Filter and Backpropagation Neural Network. HumanComputer Systems Interaction. Berlin, 2009, vol. 60, pp. 505-516.

55. Graphic Design Free Resources all graphic design freebies from tutorials, tips and tricks, free images, etc. Электронный ресурс. - Электрон.дан. Режим доступа: http://www.designfreebies.org/category/free-images/textures/ - Загл. с экрана.

56. Han J., Zhou К., Wei L.-Y., Gong M., Bao H.,,Guo B: Fast example-based surface texture synthesis via discrete optimization. The Visual Computer. Vol. 22, issue 9, 2006. pp. 918-925.

57. Haralick R., Shanmugam K., Dinstein I. Texture features for image classification. IEEE Trans, on System, Man and Cybernatic, 1973.

58. Harris C., Stephens M. A combined corner and edge detection. In Proceedings of The Fourth Alvey Vision Conference, 1988. pp. 147D151.

59. Ke Y., Sukthankar R. PCA-SIFT: A More Distinctive Representation for Local Image Descriptors. In Proceedings IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Washington, pp. 506-513, 2004.

60. Kitchen L., Rosenfeld A. Gray-level corner detection. In: Pattern Recognition Letters, 1982. v. 1, pp. 95-102.

61. Kopf L, Fu C-W., Cohen-Or D., Deussen O., Lischinski D., Wong T.-T. Solid Texture Synthesis from 2D Exemplars. Proceedings of SIGGRAPH, vol. 26, issue 3, 2007.

62. Lee K.-H., Lee S.-H., Ко S.-J. Digital image stabilizing algorithms based on bit-plane matching. IEEE Transactions on Consumer Electronics, Vol. 44, No. 3, pp. 617-622, 1998.

63. Lefebvre S., Hoppe H. Appearance-Space Texture Synthesis. Proceedings of SIGGRAPH, vol. 25, issue 3, 2006. pp. 541-548.

64. Litvin A., Konrad J., Karl W.C. Probabilistic Video Stabilization Using Kalman Filtering and Mosaicking. Proceedings of SPIE Conference on Electronic Imaging, 2003.

65. Liu H., Wang W., Bi X. Study Of Image Inpainting Based On Learning. Proceedings of the International Multiconference of Engineers and Computer Scientists. Vol. II. Hong Kong, 2010. pp. 1442-1445.

66. Liu Y., Wang J., Xue S., Tong S., Kang S. В., Guo B. Texture Splicing. Proceedings of the 17th Pacific Conference on Computer Graphics and Application, Jedu, Korea, 2009. Vol. 28, num. 7, pp. 925-932.

67. Logoaway Filter. Электронный ресурс. Электрон, дан. - Режим доступа: http://www.videohelp.com/tools/VirtualdubLogoawayfilter - Загл. с экрана.

68. Lowe D. Distinctive Image Features from Scale-invariant Keypoints. In: International Journal of Computer Vision, v. 60, pp. 91-110, 2004.

69. Lowry Digital. Электронный ресурс. Электрон, дан. - Режим доступа: http://www.lowrydigital.com/index.html - Загл. с экрана.

70. Lu X., Wang W., Zhuoma D.A Fast Image Inpainting Algorithm Based on TV Model. Proceedings of the International Multiconference of Engineers and Computer Scientists. Vol. II. Hong Kong, 2010. pp. 1457-1460.

71. Ma C., Wei L.-Y., Guo В., Zhou K. Motion Field Texture Synthesis, In proceedings SIGGRAPH Asia, 2009.

72. Ma C., Wei L.-Y., Tong X. Discrete Element Texture Synthesis. Technical report MSR-TR-2010-107, Microsoft, 2010, 8 pages.

73. Meinhardt-Llopis, E. Edge detection by selection of pieces of level lines. Proceedings of 15th IEEE Ыегпайопад conference image processing, San Diego, USA, 2008, pp. 613 616.

74. Mertes J., Marranghello N., Pereira A. Implementation of Filters for Image Pre-processing for Leaf Analyses in Plantations. Computational Science -ICCS 2008. Berlin, vol. 5102, pp. 153-162.

75. Mikolajczyk K., Tuytelaars Т., Schmid C., Zisserman A., Matas J., Schaffalitzky F., Kadir Т., Gool L. Van. A comparison of affine region detectors. In: International Journal of Computer Vision, v. 65, pp. 43-72, 2006.

76. Morimoto C.H., Chellappa R. Automatic digital image stabilization. Proceedings of IEEE International Conference on Pattern Recognition, 1996.

77. Nieto P., Cozar J.R., Gonzalez-Linares, J.M., Guil, N. A TV-logo classification and learning system. Proceedings of international conference image processing, San Diego, USA, 2008, pp. 2548-2551.

78. Pelletier S., Cooperstock J.R. Efficient image restoration with the Huber-Markov prior model. Proceedings of 15th IEEE international conference image processing, San Diego, USA, 2008, pp. 513 516.

79. Piciarelli C., Foresti G. L. Surveillance-oriented event detection in video streams. // IEEE Intelligent Systems, 2010. Preprint.

80. Pnevmatikakis E.A., Maragos P. An inpainting system for automatic image structure texture restoration with text removal. Proceedings of 15th IEEE international conference image processing, San Diego, USA, 2008, pp. 2616-2619

81. Qaiser N., Hussain M. Texture Recognition by Fusion of Optimized Moment Based and Gabor Energy Features. Proceedings of IJCSNS, Vol. 8 No. 2, 2008, pp. 264-270.

82. Ramana Reddy B.V., Radhika Mani M., Subbaiah K.V. Classification Method using Wavelet Transforms Based on Gaussian Markov Random Field. International Journal of Signal and Image Processing, Vol. 1, 2010 pp. 35-39.

83. Rares A., Reinders M.J.T., Biemond J. Complex event classification in degraded image sequences. // Proceedings of 8th IEEE International conference on image processing,Thessaloniki, 2001.

84. Rares A., Reinders M.J.T., Biemond J. Image Sequence Restoration in the Presence of Pathological Motion and Severe Artifacts. Proceedings of ICASSP 2002 (IEEE), Orlando, USA, 2002.

85. Rares A., Reinders M.J.T., Biemond J. Restoration of Films Affected by Partial Color Artefacts. Proceedings of EUSIPCO 2002, Toulouse, France, 2003.

86. Rares A., Reinders M.J.T., Biemond J. Statistical analysis of pathological motion areas. // Proceedings of the IEE Seminar on Digital Restoration of Film and Video Archives, London, 2001. pp. 140-146

87. Roosmalen P.M.B. van. High-Level Analysis of Image Sequences. // Technical Report for INA Paris (Institut National de l'Audiovisuel), 1999.

88. Santos A.R., H.Y. Kim. Real-Time Opaque and Semi-Transparent TV Logos Detection. Proceedings 5th International Information and Telecommunication Technologies Symposium (I2TS), Cuiab, 2006.

89. Shen D.-F., Chiu C.-W., Huang P.-J. Modified laplacian filter and intensity correction technique for image resolution enhancement. IEEE International Conference on Multimedia and Expo. Toronto. Canada, 2006. pp.457-460.

90. Sheng Y., Labate, D., Easley, G.R., Krim, H. Edge detection and processing using shearlets. Proceedings of 15th IEEE internationaA conference image processing, San Diego, USA, 2008, pp. 1148 1151.

91. Soatto S., Doretto G., Wu Y.N. Dynamic textures. Proceedings of the International conference on computer vision. Vancouver, Canada, 2001. pp. 439446.

92. Sony Vegas. Электронный ресурс. Электрон, дан. — Режим доступа: http://ru.wikipedia.org/wiki/SonyVegas - Загл. с экрана.

93. SzeK.-W., LamK.-M., Qiu G. Scene cut detection using the colored pattern appearance model. Proceedings of the International Conference Image Processing. Vol. 2, 1017 vol. 3, 20.

94. Szummer M. Temporal texture modeling. Technical report 346, MIT,1995.

95. Tang J., Zhanga X., Denga Y., Dua Y., Chen Z. Texture decomposition with particle swarm optimization method. // Computational Materials Science, vol. 38, 2006, pp. 395-399.

96. Tissainayagam P., Suter D. Object tracking in image sequence using point features. // Pattern recognition, 2005, vol. 38, pp. 105-113.

97. Tommasinb Т., Fusiello A., Trucco E., Roberto V. Making good features to track better. Proceedings IEEE Computer Society Conference on Computer Vision Pattern Recognition, 1998, c. 145-149.

98. Vegas 10 Pro Videoediting. Электронный ресурс. Электрон, дан. - Режим доступа: http://www.sonycreativesoftware.com/vegaspro/videoediting -Загл. с экрана.

99. VirtuaDubMod. Электронный ресурс. Электрон, дан. - Режим доступа: http://ru.wikipedia.org/wiki/VirtualDubMod - Загл. с экрана.

100. VirtuaDubMod. Электронный ресурс. Электрон, дан. - Режим доступа: http://virtualdubmod.sourceforge.net/ - Загл. с экрана.

101. Volegov D.B., Gusev V.V., Yurin D.V. Straight line detection on images via hartley transform, fast hough transform. In 16-th International Conference on Computer Graphics and Application GraphiCon'2006, Novosibirsk, Russia, 2006.

102. Volegov D.B., Yurin D.V. Rough image registration via found straight lines. In 16-th International Conference on Computer Graphics and Application GraphiCon'2006, Novosibirsk, Russia, 2006.

103. Wei L.-Y., Han J., Zhou К., Bao H., Guo В., Shum H.-Y. Inverse Texture Synthesis. Proceedings of ACM SIGGRAPH. Vol. 27, issue 2, 2008. Article No.: 52.

104. Wexler, Y., Shechtman, E., Irani, M., 2007. Space-timecompletion of video. IEEE Transactions on Pattern Analysis and Machine Intelligence, No. 29 (3), pp. 463-476.

105. Yang Y., Newsam S. Comparing sift descriptors and gabor texture features for classification of remote sensed imagery. Proceedings of 15th IEEE International Conference «Image Processing», 2008, pp. 1852-1855.

106. Yilei X.; Roy-Chowdhury A.K. Efficient motion estimation under varying illumination. Proceedings of 15th IEEE international conference image processing, San Diego, USA, 2008, pp. 1992 1995.

107. Yu G., Li Z., Suyu W., Lansun S. A Novel Scene Cut Detection Method in H.264/AVC Compression Domain. Chinese Journal of Electronics, Vol. 18, No. 4, Oct. 2009, pp. 695-699.

108. Zhang J.-Y., Chen Y., Huang X.-X. Edge Detection of Images Based on Improved Sobel Operator and Genetic Algorithms. Proceedings of Internetional conference «Image analisys and signal processing», Taizhou, 2009. pp. 31-35/

109. Zharkikh A.A. Two stage algorithm of contour allocation in the image. Proceedings in Conference «Pattern Recognition and Image analysis: New Information Technologies», Yoshkar-Ola, v.3, p.47-50, 2007.

110. Zhou K., Du P., Wang L., Matsushita Y., Shi J., Guo B., Shum H.-Y. Decorating Surfaces with Bidirectional Texture Functions. IEEE Transactions on Visualization and Computer Graphics. Vol. 11, issue 5, 2005. pp. 519-528.

111. Zhou K., Huang X., Wang X., Tong Y., Desbrun M., Guo B., Shum H.-Y. Mesh Quilting For Geometric Texture Synthesis. Proceedings of ACM SIGGRAPH, Vol. 25 Issue 3, 2006, pp. 690-697.