Сегментация цветных изображений печатных документов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Казанов, Марат Джамалудинович

• Казанов, Марат Джамалудинович
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Казанов, Марат Джамалудинович

Введение

Глава 1. Обзор методов сегментации цветных изображений

1.1. Представление цветовых характеристик точек изображения

1.2. Методы, основанные на анализе гистограмм изображений

1.3. Методы кластерного анализа.

1.4. Методы роста регионов.

1.5. Методы, основанные на определении границ областей

1.6. Методы, использующие элементы вариационного анализа, теории графов.

1.7. Методы, использующие элементы теории нечётких множеств

1.8. Методы, использующие искусственные нейронные сети.

1.9. Методы, использующие физические модели освещения объектов и отражения объектами света

Глава 2. Сегментация цветных изображений.

2.1. Постановка задачи диссертационной работы

2.2. Основные определения, сегментация методом водоразделов

2.3. Общая схема работы предлагаемого метода сегментации

2.4. Многомасштабный анализ линейных срезов

2.5. Вычисление аппроксимирующей производной линейных срезов

2.6. Определение внутренних областей объектов малого размера

2.7. Модификация преобразования водоразделов.

Глава 3. Анализ цветных изображений документов

3.1. Классификация объектов изображения.

3.2. Бинаризация внутрифоновых областей

3.3. Вычислительная сложность алгоритма

3.4. Практические результаты и обсуждение

Введение диссертации (часть автореферата) на тему «Сегментация цветных изображений печатных документов»

Сегментацией называется разбиение изображения на прилегающие друг к другу области, которые являются однородными относительно некоторых характеристик изображения. Сегментация изображений является неотъемлемой частью зрительного восприятия человека. Человек, в своей повседневной жизни, эффективно разделяет свое визуальное окружение на объекты, которые он в дальнейшем распознает, контролирует их движение и т.д. В этом сложном процессе учитывается множество визуальных характеристик объектов — цвет, форма, движение, текстура. Однако для зрительной системы человека сегментация является естественным и спонтанным процессом. К сожалению, реализовать алгоритмы сегментации, чья эффективность работы была бы сравнима с эффективностью работы зрительной системы человека, далеко не простая задача. Сложность процессов, происходящих в зрительной системе человека при сегментации, часто недооценивается, возможно, потому, что большинство из них происходят на подсознательном уровне.

Сегментация является, как правило, первым этапом в работе систем анализа изображений и, возможно, самым важным и сложным. Все последующие этапы анализа изображений, такие как извлечение признаков или распознавание объектов, напрямую зависят от качества сегментации. Так, излишне сегментированное изображение может привести к разделению распознаваемого объекта на части, а недостаточно сегментированное изображение — к группировке различных объектов.

В последние годы появляется все больше прикладных областей, в которых актуально применение методов сегментации изображений — это системы распознавания документов, мультимедийные базы данных, передача видео через сеть Интернет, цифровая фотография, сжатие изображений и другие. Особенно велик интерес исследователей к сегментации цветных изображений, так как цветное изображение несёт значительно больше информации, чем полутоновое. Известно, что человеческий глаз в состоянии различать одновременно лишь небольшой интервал яркости — данное явление известно в психофизиологии зрения как «адаптация к освещённости» — но, в то же время, воспринимает тысячи цветовых оттенков [1]. Бурное развитие вычислительной техники, а именно, повышение быстродействия и объёмов хранения оперативной информации, позволяет увеличить скорость обработки изображений и перейти к обработке в реальном времени не только полутоновых, но и цветных изображений, требующих анализа большего количества информации.

Представленные в литературе работы по сегментации изображений посвящены, главным образом, сегментации полутоновых изображений [2-4]. Методы сегментации полутоновых изображений в общем случае не позволяют получить удовлетворительные результаты при применении их к цветным изображениям, так как в данных методах рассматривается только уровень яркости точек изображения и не учитываются цветовые (хроматические) характеристики точек.

Все вышесказанное показывает, что разработка эффективных методов сегментации цветных изображений является актуальной задачей.

Одной из прикладных областей, в которых традиционно применяется сегментация изображений, являются системы анализа изображений документов. Эта категория интеллектуальных систем включает в себя как задачи распознавания текста, так и задачи определения макета (layout) и графических элементов страниц документа. Неотъемлемой частью таких систем является процесс сегментации изображения. Как правило, данные системы ориентированы на обработку полутоновых изображений, и для сегментации в них используются методы бинаризации или порога (thresholding) [8]. Целью бинаризации является разделение точек изображения, путём определения разделяющего значения яркости, на два класса: на точки, принадлежащие фону и точки, принадлежащие объектам изображения. Порог яркости может определяться как один для всего изображения, тогда такой метод называют глобальным, так и для разных областей изображения могут определяться различные пороги, тогда такие методы называют адаптивными. Однако, при сегментации полутоновых изображений как глобальный, так и адаптивный методы бинаризации не всегда могут быть эффективны. Например, если в соседних частях изображения яркость фона и объектов инвертирована относительно друг друга или во внутренней области фона яркость плавно меняется. Ошибки сегментации в данных случаях являются следствием основного принципа бинаризации, который предполагает, что яркость всех объектов, для изображения в целом (глобальный подход) или в конкретной области (адаптивный подход), больше некоторого порога яркости, а яркость фона ниже этого порога. По этой же причине — принципу разделения точек изображения на две группы по уровню яркости — бинаризация работает неэффективно при обработке цветных изображений, так как для успешной сегментации цветного изображения, кроме уровня яркости, необходимо учитывать и хроматические характеристики точек.

Перечислим некоторые характерные особенности цветных изображений печатных документов. Как правило, такие изображения содержат как объекты малого размера (буквы, цифры и другие символы), так и объекты, размеры которых значительны по сравнению с размером страницы (фоны, таблицы, логотипы, иллюстрации) (рис. 1). Границы между соседними объектами могут быть как резкими (рис. 2а), то есть, фактически не иметь толщины, так и плавными (рис. 26), и иметь некоторый поперечный размер. Причём, размер малых объектов на изображении порой сопоставим с размерами плавных границ между большими объектами. Иногда на изображениях документов встречается градиентный фон, то есть фон, цвет которого плавно

Рис. 1. Примеры цветных изображений страниц журналов (масштаб 1:3). изменяется в плоскости изображения (рис. 2в). Все перечисленные особенно сти изображений документов могут приводить к ошибкам сегментации при обработке изображения стандартными методами сегментации цветных изображений. Подробный анализ существующих методов сегментации цветных изображений выполнен в первой главе данной работы.

Целью диссертационной работы являлась разработка эффективного метода сегментации цветных изображений печатных документов. В соответствие с целью исследования были определены задачи качественной сегментации следующих объектов цветных изображений документов: сплошных и градиентных фонов многостатейного документа, символов основного текста статей, заголовков, буквиц, многострочных таблиц, содержимого таблиц, графических элементов документа.

Научная новизна работы обусловлена впервые предложенными методами обработки цветных изображений — методом многомасштабной сегментации линейных срезов изображения, методом определения внутренних областей а) в)

There's always a copy available with

OnlineBooks www.interscience.wiley.com/onlinebooks

Рис. 2. Примеры резкой (а) и плавной (б) границ, разделяющих однородные цветовые области; (в) градиентного фона. объектов малого размера и модификацией метода водоразделов.

Практическая значимость работы заключается в широких возможностях применения разработанного метода сегментации цветных изображений документов. Предлагаемый метод может использоваться как самостоятельное средство сегментации, так и применяться в составе систем обработки и анализа цветных и полутоновых изображений документов, например, в OCR-системах, системах сжатия изображений. Кроме того, совокупность методов, представленных во второй главе данной работы, является законченным методом сегментации произвольных цветных изображений и может использоваться в различных интеллектуальных системах компьютерного зрения.

Основные результаты диссертации докладывались на следующих международных конференциях: 17th International Conference on Pattern Recognition ICPR 2004 (Cambridge, UK); 3rd IASTED International Conference on Visualization, Imaging, and Image Processing (Benalmadena, Spain); международной конференции студентов и аспирантов по фундаментальным наукам «Ломоносов-2004», и опубликованы в работах [9-14].

Диссертационная работа включает в себя 3 главы, введение и заключение.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Казанов, Марат Джамалудинович

Основные результаты диссертационной работы

1. Предложена модификация преобразования водоразделов, позволяющая выполнять сегментацию изображения только на основе информации о компонентах градиента. Предлагаемый метод включает подход, позволяющий исключить излишнюю сегментацию изображения, характерную для метода водоразделов, и критерий проверки ошибочного слияния сегментируемых областей.

2. Предложен метод многомасштабного вычисления компонент градиента изображения, позволяющий получать комбинированные аппроксимирующие производные линейных срезов, корректно отображающие информацию как о резких, так и плавных границах объектов изображения.

3. Разработан метод аппроксимации производной линейных срезов изображения, повышающий точность сегментации объектов.

4. Предложен метод определения внутренних областей объектов малого размера. Данный метод обобщён до возможности обработки изображений, имеющих эффект неточного совмещения.

5. Используя вышеперечисленные методы, реализован алгоритм сегментации цветных изображений документов, обладающий следующими характеристиками: высокой точностью сегментирования объектов изображения; возможностью сегментации объектов, имеющих границы различной плавности; способностью различать плавные границы объектов от границ объектов малого размера; возможностью сегментации градиентных фонов.

Благодарности

Автор выражает сердечную благодарность своему научному руководителю профессору, доктору технических наук Владимиру Львовичу Арлазарову за руководство, помощь и поддержку в процессе работы над диссертацией, Василию Постникову за предоставленные примеры цветных изображений, Станиславу Кручинину за модификацию Тех-пакета оформления диссертационных работ, а также своей семье за понимание и поддержку.

Заключение

Список литературы диссертационного исследования кандидат технических наук Казанов, Марат Джамалудинович, 2008 год

1. Gonzalez R. С., Woods R. E. Digital 1.age Processing.— Upper Saddle River, New Jersey: Prentice Hall, 2002.

2. Haralick R. M., Shapiro L. G. Image segmentation techniques // Computer Vision, Graphics, and Image Processing. — 1985. — Vol. 29, no. 1. — Pp. 100132.

3. Fu K. S., Mu J. K. A survey on image segmentation // PatternRecognition. — 1981. Vol. 13, no. 1. - Pp. 3-16.

4. Pal N. R., Pal S. K. A review on image segmentation techniques // Pattern Recognition. — 1993. — Vol. 26, no. 9. — Pp. 1277-1294.

5. Lucchese L., Mitra S. К. Color image segmentation: A state-of-the-art survey // Proc. of the Indian National Science Academy (INSA-A), Image Processing, Vision, and PatternRecognition, New Delhi, India. — Vol. 67 A. — 2001.-Pp. 207-221.

6. Color image segmentation: advances and prospects / H. D. Cheng, X. H. Jiang, Y. Sun, J. Wang // Pattern Recognition. — 2001.— Vol. 34, no. 12. — Pp. 2259-2281.

7. Skarbek W., Koschan A. Colour image segmentation a survey // Technical Report 94-32, Technical University Berlin. — 1994.

8. Sezgin M., Sankur B. Survey over image thresholding techniques andquan-titative performance evaluation // Journal of Electronic Imaging. — 2004. — Vol. 13, no. 1. Pp. 146-165.

9. Kazanov M. D. A new color image segmentation algorithm based on watershed transformation // Proceedings of the 17th International Conference on

10. Pattern Recognition (ICPR 2004), Cambridge, United Kingdom. — Vol. II. — 2004. Pp. 590-593.

11. Kazanov M. D. Modification of watershed transformation for images containing small objects // Proceedings of the 17th International Conference on Pattern Recognition (ICPR 2004), Cambridge, United Kingdom. — Vol. I.— 2004.-Pp. 612-615.

12. Kazanov M. D. One approach to multi-scale edge detection // Proceedings of the 3rd IASTED International Conference on Visualization, Imaging, and Image Processing, Benalmadena, Spain. — 2003. — Pp. 356-360.

13. Казанов M. Д. Сегментация изображений страниц цветных печатных документов // Материалы Международной конференции студентов и аспирантов по фундаментальным наукам <Ломоносов-2004>.— 2004.

14. Казанов М. Д. Многомасштабный подход к определению контуров объектов на цифровых изображениях // Организационное управление и искуственный интеллект, Труды Института Системного Анализа РАН. 2003. - Pp. 228-238.

15. В. Л. Арлазаров, Казанов М. Д. Сегментация объектов малого размера на цветных изображениях // Программирование. — 2008. — Vol. 3. — Pp. 1-13.

16. Wyszecki G., Stiles W. S. Color Science: Concepts and Methods, Quantitative Data and Formulae. — New York, NY: Wiley, 1982.

17. Guo G., Yu S., Ma S. Unsupervised segmentation of colorimages // Proc. of 1998 Internationall Conference on Image Processing(ICIP'98), Chicago, IL. Vol. III. - 1998. - Pp. 299-302.

18. Shafarenko L., Petrou M., Kittler J. Histogram-based segmentationin a perceptually uniform color space // IEEE Transactions on ImageProcessing. — 1998. Vol. 7, no. 9. - Pp. 1354-1358.

19. Celenk M., Uijt de Haag M. Optimal thresholding for color images // Proc. of the SPIE The International Soc. for Optical Eng.,Nonlinear Image Processing IX, San Cose, CA. — 1998. — Pp. 250-259.

20. Tominaga S. A color classification method for color images using auniform color space // Proceedings of the 10th Int. Conf. on Pattern Recognition.— 1990. Pp. 803-807.

21. Lucchese L., Mitra S. K. Unsupervised low-frequency drivensegmentation of color images // Proc. of International Conference on Image Processing (ICIP'99), Kobe, Japan. 1999. - Pp. 240-244.

22. Herodotou N., Plataniotis K. N., Venetsanopoulos A. N. A colorsegmentation scheme for object-based video coding // Proc. of 1998 IEEE Symposium on Advances in Digital Filtering and Signal Processing, Victoria, BC, Canada. — 1998. Pp. 25-29.

23. Scheering C., Knoll A. Fast colour image segmentation using a pre-clustered chromaticity-plane // Proc. Of 1997 IEEE Internationall Conference on Acoustics, Speech, and Signal Processing (ICASSP'97), Munich, Germany.— Vol. 4. 1997. - Pp. 3145-3147.

24. Androutsos D., Plataniotis K. N., Venetsanopoulos A. N. Distance measures for color image retrieval // Proc. of 1998 International Conference on Image Processing (ICIP'98), Chicago, IL. Vol. II. - 1998. - Pp. 770-774.

25. Sobottka K., Pitas I. Segmentation and tracking of faces in color images //

26. Proc. of the 2nd International Conference on Automatic Faceand Gesture Recognition, Killington, VT. 1996. - Pp. 236-241.

27. Chai D., Ngan K. N. Face segmentation using skin-color map in videophone applications // IEEE Trans, on Circuits and Systems for Video Technology. 1999. - Vol. CASVT-9, no. 4. - Pp. 551-564.

28. Lim Y. W., Lee S. U. On the color image segmentation algorithm based on the thresholding and the fuzzy c-means techniques // Pattern Recognition. — 1990. Vol. 23, no. 9. - Pp. 935-952.

29. Schmid P., Fischer S. Colour segmentation for the analysis of pigmented skin lesions // Proc. of the 6th International Conferenceon Image Processing and Its Applications, Dublin, Ireland. — Vol. 2. — 1997. — Pp. 688-692.

30. Lucchese L., Mitra S. K. Unsupervised segmentation of color images based on k-means clustering in the chromaticity plane // Proc. of IEEE Workshop on Content-Based Access of Images and Video Libraries (CBAIVL'99), Fort Collins, CO. 1999.

31. Rui Y., She A. C., Huang T. S. Automated region segmentation using attraction-based grouping in spatial-color-texture space // Proc. of 1996 International Conference on Image Processing (ICIP'96), Lausanne, Switzerland. Vol. I. - 1996. - Pp. 53-56.

32. Sobel I. Neighborhood coding of binary images for fast contour following and general array binary processing // Computer Graphics Image Processing. — 1978. Vol. 8, no. 1. - Pp. 127-135.

33. Pappas T. N. An adaptive clustering algorithm for image segmentation // IEEE Transactions on Signal Processing. — 1992. — Vol. 40, no. 4. — Pp. 901914.

34. Comaniciu D., Meer P. Robust analysis of feature spaces: Color image segmentation // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, San Juan, Puerto Rico. — 1997. — Pp. 750-755.

35. Takahashi K., Nakatani H., Abe K. Color image segmentation using isodata clustering method // Proceedings of the 2nd Asian Conf. on Computer Vision (ACCV'95), Singapore. Vol. I. - 1995. - Pp. 523-527.

36. Uchiyama T., Arbib M. A. Color image segmentation using competitive learning // IEEE Transactions on Pattern Analysis and, Machine Intelligence. — 1994. Vol. 16, no. 12. - Pp. 1197-1206.

37. Ikonomakis N., Plataniotis K. N., Venetsanopoulos A. N. Aregion-based color image segmentation scheme // Proceedings of Electrical Imaging '99, vol. 3653 of SPIE, (San Jose, California). 1999. - Pp. 1202-1209.

38. Tseng D. C.; Chang C. H. Color segmentation using perceptual attributes // Proc. 11th International Conference on Pattern Recognition. — 1992. — Pp. 228-231.

39. Tremeau A., Borel N. A region growing and merging algorithm to color segmentation // Pattern Recognition. — 1997. — Vol. 30, no. 7. — Pp. 1191-1203.

40. Beucher S., Lantuéjoul C. Use of watersheds in contour detection // Proc. International Workshop on Image Processing, Real-Time Edge and Motion Detection/Estimation, Rennes. — 1979.

41. Roberts L. G. Machine perception of three-dimensional solids //In Optical and Electrooptical Information Processing, MIT Press, Cambridge, MA. — 1965.

42. Prewitt J. M. S. Object enhancement and extraction, in: B.S. Lipkin,A. Rosenfeld (Eds.), Picture Analysis and Psychopictorics. — New York: Aca-demicPress, 1970.

43. Rehrmann V., Priese L. Fast and robust segmentation of natural color scenes // Proceedings of the 3rd Asian Conference on ComputerVision (AC-CV'98), Hong Kong. Vol. 1. - 1998. - Pp. 598-606.

44. Carron T., Lambert P. Color edge detector using jointly hue, saturation and intensity // Proceedings of International Conferenceon Image Processing (ICIP'94), Austin, TX. Vol. III. - 1994. - Pp. 977-981.

45. Macaire L., Ultre V., Postaire J. G. Determination of compatibility coefficients for color edge detection by relaxation // International Conference on Image Processing. — 1996. — Pp. 1045-1048.

46. Rosenfeld A., Hummel R., Zucker S. Scene labeling by relaxation operations // IEEE Transactions on Systems, Man and Cybernetics. — 1976. — Vol. 6. Pp. 420-433.

47. Ma W. Y., Manjunath B. S. Edge flow: A framework of boundary detection and image segmentation // Proceedings of IEEE International Conference on Computer Vision and Pattern Recognition (CVPR'97), Puerto Rico.—1997. Pp. 744-749.

48. Zugaj D., Lattuati V. A new approach of color images segmentation based on fusing region and edge segmentations outputs // Pattern Recognition. —1998. Vol. 31, no. 2. - Pp. 105-113.

49. Mumford D., J S. Boundary detection by minimizing functional // Proceedings of IEEE Internationall Conference on Computer Vision and Pattern Recognition (CVPR'85), San Francisco, CA, USA. 1985. - Pp. 22-26.

50. Koepfler G., Lopez C., Morel J. A multiscale algorithm for image segmentation by variational method // SI AM Journal of Numerical Analysis.— 1994. Vol. 31, no. 1. - Pp. 282-299.

51. Kass M., Witkin A., Terzopoulos D. Snakes: Active contour models // International Journal of Computer Vision. — 1988. — Vol. 1. — Pp. 321-331.

52. Gevers T., Ghebreab S., Smeulders A. Color invariant snakes // Proceedings of the 9th British Machine Vision Conference, Southampton, UK. — Vol. 2. — 1998. Pp. 578-588.

53. Pavlidis T., Liow Y. T. Integrating region growing and edge detection // IEEE Transactions Pattern Analysis Machine Intelligence. — 1990. — Vol. 12, no. 3. Pp. 225-233.

54. Shi J., Malik J. Normalized cuts and image segmentation // Proceedings of IEEE International Conference on Computer Vision and Pattern Recognition, San Juan, Puerto Rico. — 1997. — Pp. 731-737.

55. Pedrycz W. Fuzzy sets in pattern recognition: methodology and methods // Pattern Recognition. — 1990. — Vol. 23, no. 1/2. Pp. 121-146.

56. Carron T., Lambert P. Fuzzy color edge extraction by inference rules quantitative study and evaluation of performances // International Conference on Image Processing. — 1995. — Pp. 181-184.

57. Cheng H. D., Jiguang L. Fuzzy homogeneity and scale-space approach tocolor image segmentation // Pattern Recognition. — 2003. — Vol. 36, no. 7. — Pp. 1545-1562.

58. Moghaddamzadeh A., Bourbakis N. A fuzzy region growing approach for segmentation of color images // Pattern Recognition. — 1997. — Vol. 30, no. 6. — Pp. 867-881.

59. Campadelli P., Medici D., Schettini R. Color image segmentation using hop-field networks // Image and Vision Computing. — 1997.— Vol. 15, no. 3.— Pp. 161-166.

60. Kurugollu F., Sankur B. Map segmentation of color images using constraint satisfaction neural network // IEEE International Conference on Image Processing, KOBE, Japan. 1999. — Pp. 236-239.

61. Lin W. C., Tsao E. C., Chen C. T. Constraint satisfaction neural networks for image segmentation // Pattern Recognition. — 1992.— Vol. 25, no. 7.— Pp. 679-693.

62. Verikas A., Malmqvist K., Bergman L. Colour image segmentation by modular neural network // Pattern Recognition Letters. — 1997. — Vol. 18, no. 2. — Pp. 173-185.

63. Ji S., Park H. W. Image segmentation of color image based on region coherency // International Conference on Image Processing, Chicago, Illinois, USA. 1998. - Pp. 80-83.

64. Klinker G. J., Shafer S. A., Kanade T. A physical approach to color image understanding // International Journal Computer Vision. — 1990. — Vol. 4. — Pp. 7-38.

65. Segmentation of colour images with highlights and shadows using fuzzy-like reasoning / X. Yuan, D. Goldman, A. Moghaddamzadeh, N. Bourbakis // Pattern Analysis and Applications. — 2001. — Vol. 4. — Pp. 272-282.

66. Baird H. S. The state of the art of document image degradation modeling // Digital Document Processing / Ed. by B. B. Chaudhuri. — Guildford,Surrey,UK: Springer-Verlag, 2007.

67. Rosenfeld A., Kak A. C. Digital Picture Processing. — New York: Academic Press, 1982.

68. Vincent L., Soille P. Watersheds in digital spaces: An efficient algorithm based on immersion simulation // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1991. — Vol. 13, no. 6. — Pp. 583-598.

69. Meyer F. Topographic distance and watershed lines // Signal Processing. — 1994. Vol. 38. - Pp. 113-125.

70. Roerdink J., Meijster A. The watershed transform: Denitions, algorithms and parallelization strategies // Fundamenta Informati-cae. 2001. - Vol. 41. - Pp. 187-228.

71. Lantuejoul C., Maisonneuve F. Geodesic methods in quantitative image analysis // Pattern Recognition. — 1984. — Vol. 17. — Pp. 177-187.

72. Beucher S., Meyer F. The Morphological approach of segmentation: the watershed transformation, In Dougherty E. (Editor), Mathematical Morphology in Image Processing. — New York: Marcel Dekker, 1992.

73. Serra J. Image Analysis and Mathematical Morphology. — New York: Academic Press, 1982.

74. Bergholm F. Edge focusing // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1987. — Vol. 9, no. 6. — Pp. 726-741.

75. Williams D. J., Shas M. Edge contours using multiple scales // Computer Vision, Graphics and Image Processing. — 1990. — Vol. 51. — Pp. 256-274.

76. Lacroix V The primary raster: A multiresolution image description //In Proceedings of the 10th International Conference on Pattern Recognition. — 1990. Pp. 903-907.

77. Canny J. F. A computational approach to edge detection // IEEE Transactions on Pattern Analysis and Machine Intelligence.— 1986.— Vol. 8, no. 6. Pp. 679-698.

78. Ziou D., Tabbone S. A multi-scale edge detector // Pattern Recognition.— 1993. Vol. 26, no. 9. - Pp. 1305-1314.

79. Lindeberg T. Edge detection and ridge detection with automatic scale selection //In Proceedings of IEEE, International Conference on Computer Vision and Pattern Recognition, San Francisco. — 1996. — Pp. 465-470.

80. Koenderink J. The structure of images // Biological Cybernetics. — 1984. — Vol. 50. Pp. 363-370.

81. Uniqueness of the gaussian kernel for scale-space filtering / J. Babaud, A. P. Witkin, M. Baudin, R. O. Duda // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1986. — Vol. 8, no. 1. — Pp. 26-33.

82. Lindeberg T. Scale-Space Theory in Computer Vision. — Kluwer, 1994.

83. White J. M., D R. G. Image thresholding for optical character recognition and other applications requiring character image extractraction // IBM J. Res. Devel. — 1983. — Vol. 27, no. 4.- Pp. 400-411.

84. Di Zenzo S. A note on the gradient of a multi-image // Computer Vision, Graphics, and Image Processing. — 1986. — Vol. 33. — Pp. 116-125.

85. Sharma G. Digital Color Imaging Handbook, Chapter 7. — BocaRaton, FL: CRC Press, 2003. Pp. 491-558.

86. Brunner D., Soille P. Iterative area filtering of multichannel images // Image and Vision Computing. — 2007. Vol. 25, no. 8. — Pp. 1352-1364.

87. Baraldi A., Parmiggiani F. Single linkage region growing algorithms based on the vector degreeof match // IEEE Transactions on Geoscience and Remote Sensing. — Vol. 34, no. 1. — Pp. 137-148.

88. Meyer F., Beucher S. Morphological segmentation // Journal of Visual Communication and Image Representation. — 1990. — Vol. 11. — Pp. 21-45.

89. On machine learning in watershed segmentation / S. Derivaux, S. Lefevre, C. Wemmert, J. Korczak // IEEE Workshop on Machine Learning for Signal Processing. — 2007.

90. Najman L., Schmitt M. Geodesic saliency of watershed contours and hierarchical segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1996. — Vol. 18, no. 12. - Pp. 1163-1173.

91. Trier 0. D., Jain A. K. Goal-directed evaluation of binarization methods // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1995. — Vol. 17, no. 12.- Pp. 1191-1201.

92. Classification and Regression Trees / L. J. Breiman, H. Friedman, C. J. Stone, R. A. Olshen. — Belmont, CA: Wandsworth, Inc., 1984.

93. Niblack W. An Introduction to Digital Image Processing. — Englewood Cliffs, N. J.: Prentice Hall, 1986. Pp. 115-116.

94. Adaptive document binarization / J. Sauvola, T. Seppanen, S. Haapakos-ki, M. Pietikainen // International Conference in Document Analysis and Recognition. Vol. 1. - 1997. - Pp. 147-152.

95. Insight segmentation and registration toolkit, http://www.itk.org.

96. Comaniciu D., Meer P. Mean shift: A robust approach toward feature space analysis // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2002. — Vol. 24. — Pp. 603-619.

97. Edge detection and image segmentation (edison) system, http : //www. caip. rutgers.edu/riul/research/code/EDISON/index.html.