Система статистического анализа и нейросетевого распознавания текстурных изображений тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Вин Тхей

• Вин Тхей
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Вин Тхей

СПИСОК ОБОЗНАЧЕНИЙ

ВВЕДЕНИЕ

1. СОВРЕМЕННОЕ СОСТОЯНИЕ ИССЛЕДОВАНИЙ ПО ПРОБЛЕМЕ РАСПОЗНАВАНИЯ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ

1.1 Понятие текстуры и практические примеры распознавания текстурных 16 изображений

1.1.1 Определение текстуры

1.1.2 Типы текстур в изображении

1.2 Формальная постановка задачи распознавания текстурных изображений

1.3 Информативные признаки для распознавания текстур

1.4 Сегментация изображений

1.5 Распознавание текстурных изображений 27 1.5.1 Методы распознавания изображений

1.6 Нейросетевые классификаторы изображений

1.6.1 Классификатор Хемминга

1.6.2 Параметрическая векторная нейронная сеть

1.6.3 Многослойная нейронная сеть

1.7 Содержание задачи диссертационной работы 36 ВЫВОДЫ

2. МЕТОД НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ ТЕКСТУР

С ИСПОЛЬЗОВАНИЕМ СЕКУЩИХ ЛИНИЙ ИЗОБРАЖЕНИЙ

2.1 Проблема формирования вектора признаков для распознавания текстурного изображения

2.2 Секущие линии изображения. Одномерная сегментация

2.3 Таблица частот распределения сегментов по длине и яркости

2.4 Предварительная обработка текстурных изображений

2.4.1 Приведение изображения к заданной средней яркости

2.4.2 Масштабирование текстурного изображения

2.5 Статистические характеристики корреляционного типа для текстурных изображений

2.5.1 Матрицы смежности сегментов по яркости и длине

2.5.2 Корреляционные функции для показателей длины и яркости объектов в поле изображения

2.6 Критерий подобия двух текстурных изображений

2.7 Нейросетевая классификация текстурных изображений

2.7.1 Особенности применения сети Хемминга для распознавания текстурных изображений

2.7.2 Схемы поиска эталонных изображений в базе данных

2.7.3 Распознавание текстур с применением векторной параметрической нейронной сети

ВЫВОДЫ

3. ПРОГРАММНАЯ СИСТЕМА TIC - ИНСТРУМЕНТАЛЬНОЕ СРЕДСТВО

АНАЛИЗА И КЛАССИФИКАЦИИ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ

3.1 Программная среда разработки

3.1.1 Используемые классы

3.1.2 Описание классов

3.2 Функциональные задачи и требования к программе TIC

3.3 Формирование статистических признаков текстурного изображения

3.3.1 Формирование секущих линий

3.3.2 Алгоритм одномерной сегментации функции яркости вдоль 76 секущих линий

3.3.3 Вычисление матрицы частот сегментов по длине и яркости

3.3.4 Вычисление матрицы смежности сегментов по длине и яркости

3.3.5 Вычисление корреляционной функции плотности расположения сегментов в поле изображения

3.4 Работа с базой эталонных изображений

3.5 Подсистема классификации изображений

3.5.1 Полный перебор по среднеквадратичному отклонению

3.5.2 Полный перебор по энтропийному критерию

3.5.3 Решение задачи распознавания с использованием нейронной сети 88 Хемминга

3.5.4 Векторная параметрическая нейронная сеть

3.6 Визуализация и документирование данных

3.7 Предварительная обработка изображений

3.8 Предварительная обработка сегментов

3.8.1 Масштабирование

3.8.2 Приведение изображения к заданной средней яркости

3.9 Безопасность доступа к системе TIC

ВЫВОДЫ

4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ МЕТОДОВ АНАЛИЗА И

НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ

4.1 Исходные данные для проведения экспериментальных исследований

4.2 Примеры распознавания текстурных изображений в системе TIC

4.3 Анализ устойчивости статистических характеристик одномерных сегментов

4.4 Исследование точности распознавания текстур на векторной нейронной сети

4.5 Исследование быстродействия вычислительных схем распознавания текстурных изображений

ВЫВОДЫ

Введение диссертации (часть автореферата) на тему «Система статистического анализа и нейросетевого распознавания текстурных изображений»

Актуальность темы исследований. В практических приложениях нередко возникает задача анализа и классификации изображений, которые не содержат четко выраженных объектов и не могут рассматриваться как сцены с определенным физическим, техническим или иным смыслом. Такие изображения содержат случайно расположенные протяженные фигуры (объекты) разной формы, ориентации и яркости. Примерами подобных текстур являются выполненные с большим увеличением изображения гистологических препаратов, используемых в медико-биологических исследованиях; результаты зондирования со спутника поверхности Земли с помощью радара в разных диапазонах длин волн; декоративные художественные картинки, лишенные содержательных объектов в поле изображения, и пр. Рассматриваемые текстуры отличаются от узоров, содержащих базовые элементарные фигуры (текстоны или структурные примитивы) в различном масштабе, ориентации, освещенности и, возможно, регулярности.

На приведенных ниже рисунках представлены примеры текстур того типа, который является предметом изучения и обработки в данной диссертационной работе. Подобные текстуры можно рассматривать как реализации некоторого случайного яркостного поля с определенными статистическими свойствами. Именно такое математическое представление лежит в основе развитой в диссертации технологии обработки и распознавания текстурных изображений.

Рассмотрим, например, изображения гистологических препаратов щитовидной железы, полученные при различных опухолевых заболеваниях и для здоровых тканей. Каждому опухолевому заболеванию соответствуют определенные особенности текстурного изображения, касающиеся его структурных и яркостных характеристик. Квалифицированный врач с использованием своего многолетнего опыта может по изображению гистологического препарата сделать экспертное заключение о типе заболевания и, следовательно, о методе его лечения. Однако в силу огромного разнообразия форм заболеваний, многочисленности имеющихся эталонных образцов изображений возможны экспертные ошибки. Кроме того, число специалистов-экспертов столь высокого класса невелико. В связи с этим для распознавания рассматриваемых гистологических текстур необходимо построить автоматизированную систему с высокой надежностью принятия решения. Задачей рассматриваемой автоматизированной системы является поиск в базе эталонных изображений, имеющих экспертное заключение о типе заболевания, одного или нескольких эталонов, наиболее близких к заданному изображению по яркостным и структурным свойствам.

Текстурные изображения в природе: кора дерева (http://sipi.usc.edii/database/textures/l. 1.02.tiff) и камни (http://textures.forrest.cz/librarv/stone/BigStones.jpg)

Текстурные изображения гистологических препаратов http://w,ww.udel.edu/Biology/Wags/histopage/colorpage/cmr/cmrsvhm2.gif http://www.udel.edu/Biology/Wags/histopage/colorpage/cne/cnesgc.GIF

Декоративные узоры: перья павлина и легкая древесина http://www.limk.com/english/limk/3587/

Другой пример обработки текстур связан с глобальным метеорологическим прогнозом по состоянию ледового покрова Арктики. По свойствам текстурных изображений, полученных со спутников Земли и сделанных в разных диапазонах длин волн, можно оценить степень таяния льдов или, напротив, нарастания новых ледовых масс. Эти данные служат основой для ученых, которые решают задачу прогноза состояния атмосферы и мирового океана.

Задача поиска изображений в базе данных возникает, например, у дизайнера, которому необходимо извлечь из базы данных одно или несколько изображений, подобных заданному. Возможно организовать подобный поиск по текстовому комментарию к изображениям в базе данных. Этот подход неудобен для пользователя. Желательно, чтобы при поиске автоматически использовались структурные и яркостные особенности сравниваемых изображений.

Приведенные выше примеры подтверждают актуальность поставленной в диссертации задачи - разработки и всестороннего исследования нового подхода к обработке и анализу текстурных изображений с целью их распознавания.

Цифровая обработка текстурных изображений представляет собой сложную методическую и вычислительную проблему. В теорию и практику обработки и распознавания текстурных изображений значительный вклад внесли Haralick, Gonzalez, Rosenfeld, Shapiro, Hawkins, Zhang J. и др. Тем не менее в настоящее время не создано теоретических основ и алгоритмических решений в области обработки текстурных изображений, которые бы удовлетворяли требованиям практики.

В диссертационной работе развивается новая технология обработки текстур, основанная на понятии секущих линий изображений. Этот подход позволил ответить на основные вопросы, связанные с проблемой распознавания текстур:

- как построить набор информативных признаков, которые полно описывают яркостные и структурные свойства текстурных изображений;

- как обеспечить инвариантность признаков относительно угла поворота, масштаба и освещенности сцены при регистрации изображения;

- какую использовать меру различия/близости двух текстурных изображений;

- как построить алгоритмическое обеспечение для создания быстродействующей системы распознавания текстурных изображений.

Практическая значимость поставленных теоретических проблем и необходимость создания эффективных программных средств обработки и распознавания текстурных изображений обуславливают актуальность данного диссертационного исследования.

Цель работы. Целью работы является создание теоретической основы и алгоритмических средств анализа яркостных и морфологических свойств текстурных изображений, разработка пакета представительных информативных признаков текстур рассматриваемого типа и решение с их использованием задачи распознавания.

Для достижения поставленной цели в диссертации решены следующие теоретические и методические задачи:

1. Разработан новый подход к формированию пакета признаков текстурных изображений.

2. Предложена модель базы данных текстурных изображений, включающая информативные признаки изображений.

3. Предложена методика распознавания текстурных изображений с использованием нейронных сетей.

4. Разработана программная система TIC, позволившая исследовать эффективность развитой в диссертации технологии обработки и распознавания текстурных изображений.

5. Проведены экспериментальные исследования с использованием возможностей программной системы TIC.

Объектом исследования являются текстурные изображения, рассматриваемые как случайные поля, характеризующиеся некоторыми структурными и яркостными свойствами. Предметом исследования являются методы обработки изображений, статистический анализ яркостных и структурных характеристик текстур, нейросетевые методы распознавания объектов, программные системы обработки и распознавания изображений.

Методы исследования. Для решения поставленных в диссертационной работе задач применены теория цифровой обработки изображений, методы статистического анализа данных, основы теории нейронных сетей, принципы построения нейросетевых классификаторов, а также технология создания прикладных программных систем. Научная новизна исследования состоит в следующем:

1. Введено понятие "секущей линии" изображения и "одномерных сегментов", расположенных вдоль секущих линий. Сформулирован основополагающий принцип, согласно которому статистические характеристики массива сегментов, выделенных на множестве секущих линий, полно отражают яркостные и структурные свойства текстурного изображения.

2. Рассмотрена матрица частот распределения сегментов по длине и средней яркости, характеризующая закон первого порядка для распределения случайного яркостного поля.

3. Определены статистические признаки сегментов, которые содержат информацию о корреляционных свойствах исследуемой текстуры. К ним относятся матрицы смежности сегментов по длине и яркости с заданным параметром позиционирования, а также корреляционная функция плотности сегментов разных категорий в поле изображения.

4. Обеспечена инвариантность решения задачи распознавания относительно угла поворота, масштаба и освещенности сцены при регистрации изображения текстуры.

5. Предложено использовать среднеквадратичный и энтропийный показатели различия текстурных изображений в пространстве признаков - статистических характеристик сегментов.

6. Рассмотрены особенности применения нейронной сети Хемминга и векторной параметрической нейронной сети для распознавания текстурных изображений в построенном пространстве признаков.

7. Разработана оригинальная программная система, в которой реализована разработанная в диссертации технология обработки текстурных изображений и создан необходимый инструментарий для проведения исследовательской работы.

Основные научные результаты, выносимые на защиту

1. Новый принцип построения информативных признаков текстур, основанный на понятии "секущей линии" изображения и одномерных сегментов, выделенных вдоль секущих линий.

2. Построение статистических признаков текстурных изображений, включающих таблицу частот распределения сегментов по длине и яркости, а также признаки корреляционного типа.

3. Разработка алгоритмических средств распознавания текстурных изображений в построенном пространстве признаков с применением нейронной сети Хемминга и векторной параметрической нейронной сети.

4. Обеспечение инвариантности распознающей системы относительно угла поворота, масштаба и освещенности текстурной сцены при ее регистрации.

5. Программная система, предназначенная для выполнения исследований по изучению функциональных возможностей и точности распознавания текстурных изображений с использованием разработанной технологии.

Практическая значимость. Разработанный в диссертации методический подход дает возможность такой организации данных в базе текстурных изображений, которая позволяет осуществлять быстрый поиск текстур, близких к заданной по своим яркостным и структурным свойствам. Это позволяет решать ряд прикладных задач, связанных с обработкой и распознаванием текстурных изображений, в реальном времени анализа данных специалистами. Примером возможного использования предложенной технологии являются задачи медицинской диагностики (распознавание гистологических препаратов), целенаправленный быстрый поиск в базе данных изображений по ассоциации с заданной текстурой и пр. Учитывая большой объем накопленных текстурных изображений в различных прикладных областях и необходимость оперативной работы с имеющимися данными, полученные в диссертации результаты имеют важное практическое значение.

Достоверность научных результатов. Достоверность научных результатов подтверждена данными компьютерного экспериментального исследования в разработанной программной среде TIC, которая была экспонирована на выставке "Телекоммуникации и новые информационные технологии в образовании" (Москва, МИФИ) в 2007 г.

Апробация работы. Основные положения и результаты диссертационного исследования докладывались и обсуждались на научных конференциях и семинарах: Научная сессия МИФИ (2004-2006 г.г.); XV международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации» (Алушта, 18-25 сентября 2006 г.); IX всероссийская научно-техническая конференция «Нейроинформатика-2007» (Москва, 2007 г.); XI выставка-конференция «Телекоммуникации и новые информационные технологии в образовании» (Москва, 2007 г.). Ряд докладов, представленных на Научных сессиях МИФИ, были отмечены дипломами.

Публикации. По теме диссертационного исследования опубликовано 7 печатных работ.

Структура и объем работы. Диссертация состоит из Введения, четырех разделов, Заключения, библиографического списка и четырех Приложений. Основная часть диссертации содержит 128 страниц машинописного текста, включая 61 рисунок и 8 таблиц.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Вин Тхей

выводы

Вычислительные эксперименты, проведенные в программной системе TIC, показали, что предложенные в работе признаки текстурного изображения содержат достаточную информацию для идентификации изображения и его распознавания по данным базы эталонов.

Статистические характеристики одномерных сегментов, используемые в качестве информативных признаков текстурных изображений, проявляют высокую стабильность, несмотря на случайность расположения секущих линий в поле изображения.

Использование среднеквадратичного и энтропийного показателей различия двух текстурных изображений в пространстве признаков обеспечивает уверенное определение в БЭИ изображения, подобного входному в систему распознавания. Кроме того, применение энтропийного критерия позволяет более резко обозначить изображения, не относящиеся к рассматриваемому типу.

Удовлетворительные результаты по распознаванию текстурных изображений достигаются с использованием нейронной сети Хемминга и векторной параметрической нейронной сети. Снижение точности по сравнению с перебором по среднеквадратичному или энтропийному критерию наблюдается в связи необходимостью кодирования вектора признаков и переходом от действительных признаков к дискретным с ограниченным числом градаций.

Исследования показали возможность сокращения пространства признаков и соответствующего повышения быстродействия вычислений.

Предложенный метод обработки и распознавания текстурных изображений перспективен для решения прикладных задач с высокой точностью.

ЗАКЛЮЧЕНИЕ

1. Разработан новый методический подход к статистическому описанию текстурных изображений, использующий введенное в работе понятие "секущей линии" изображения. Предложенный подход позволил заменить статистический анализ двумерного яркостного поля обработкой одномерных сегментов вдоль секущих линий, случайно расположенных в поле изображения.

2. Определены статистические признаки текстурного изображения как статистические характеристики выделенных на текстурном изображении одномерных сегментов. Введены статистические признаки двух типов: матрица распределения частот встречаемости сегментов по длине и средней яркости и признаки корреляционного типа. Это позволило характеризовать текстурное изображение точкой в пространстве признаков.

3. Определены статистические признаки сегментов, которые содержат информацию о корреляционных свойствах исследуемой текстуры. К ним относятся матрицы смежности сегментов по длине и яркости с заданным параметром позиционирования, а также корреляционная функция плотности сегментов разных категорий в поле изображения.

4. Обеспечена инвариантность предложенного набора информативных признаков текстурного изображения относительно угла поворота, масштаба и освещенности сцены при регистрации изображения текстуры.

5. Предложено использовать среднеквадратичный и энтропийный показатели различия текстурных изображений в пространстве признаков. Экспериментально показана полнота предложенного набора признаков и способность используемых критериев к выделению в базе данных изображений, подобных заданному на входе распознающей системы. Установлено, что энтропийный критерий обладает лучшими селектирующими свойствами по сравнению со среднеквадратичным показателем.

6. Рассмотрены особенности применения нейронной сети Хемминга и векторной параметрической нейронной сети для распознавания текстурных изображений в построенном пространстве признаков. Экспериментально установлены некоторые ограничения по применению нейросетевых классификаторов изученного типа, связанные с кодированием информативных признаков.

7. Разработана оригинальная программная система TIC, в которой реализована разработанная в диссертации технология обработки текстурных изображений и создан необходимый инструментарий для проведения исследовательской работы. Выполненные в рамках системы TIC исследования подтвердили рациональность предложенных в работе характеристик текстурных изображений, возможность их распознавания в построенном пространстве признаков и эффективность разработанного алгоритмического обеспечения.

8. Предложенный в диссертации метод обработки и распознавания текстурных изображений позволит решать ряд прикладных задач, в том числе, задачи медицинской диагностики (распознавание гистологических препаратов) и задачи быстрого поиска изображений в базе данных по ассоциации с заданной текстурой. Простота разработанных вычислительных схем обеспечивает возможность обработки данных в темпе реального времени анализа данных специалистами.

Список литературы диссертационного исследования кандидат технических наук Вин Тхей, 2007 год

1. Кульбак С. Теория информации и статистика. М.:Наука, Физматтиз, 408 е., 1976.

2. Белозерский J1.A. Основы построения систем распознавания образов. Часть 1. Курс лекций. Министерство образования Украины, Донецкий государственный институт искусственного интеллекта, 1997.

3. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М:. Техносфера, 2006.

4. J. К. Hawkins, Textural Properties for Pattern Recognition. Academic Press, New York, 1970, c. 347-370.

5. William K. Pratt, Digital Image Processing: PIKS Inside, Third Edition. Los Altos, California, c. 519-548,2001.

6. С. H. Chen, L. F. Pau. The Handbook of Pattern Recognition and Computer Vision (2nd Edition). P. S. P. Wang (eds.), World Scientific Publishing Co., c. 207 248,1998.

7. Li Yi Wei. Texture synthesis by fixed neighborhood searching. PhD. Stanford university, 2001.

8. Baratis Evdoxios. Texture in Image Processing, Analysis, and Machine Vision. Chania, 2005. c. 646 653. PhD. //www.intelligence.tuc.gr/publications/Baratis.pdf

9. Li -Yi Wei. A Crash Course on Texturing. Microsoft Research Asia. Short course, //taught at Tsinghua University, Beijing, in October 20, 2005. http://graphics.stanford.edu/~liviwei/ courses/Texturing/paper/paper.pdf

10. Martin Svec. Analysis of Sonographic Images of Thyroid Gland based on Texture Classification. Master's Thesis, Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University, May, 2001.

11. K.S. Thyagarajan, T. Nguyen, C.E. Persons. Maximum likelihood approach to image texture and acoustic signal classification. IEE Proc.-Vis. Image Signal Process., Vol. 146, №. 1, February, c. 34 39, 1999.

12. Vincent Arvis, Christophe Debanin, Michael Berducat, Albert Benassi. Generalization of the co-occurrence matrix for color images: Application to colour texture classification. Image Anal Stereol, 23, Original Research Paper, c. 63 72, February, 2004.

13. J. Yu, Q. Tian, J. Amores and N. Sebe. Toward Robust Distance Metric Analysis for Similarity Estimation. Proc. of IEEE CVPR, vol. 1, c. 316 322, 2006.

14. Martin Lettner, Paul Kammerer, Robert Sablatnig. Texture analysis of painted strikes. Vienna University of Technology, Pattern Recognition and Image Processing Group, Vienna, Austria, //www.prip.tuwien.ac.at

15. Gary Dahme, Eraldo Ribeiro, Spatial Statistics of Textons. International Conference on Computer Vision Theory and Applications, Setubal, Portugal, 2006.

16. E. L. van den Broek, E. M. van Rikxoort. Evaluation of color representation for texture analysis. NICI, Radboud University Nijmegen, 2005.

17. Barbara Caputo e Giovanni E. Gigante, Analysis of Periapical Lesion Using Statistical Textural Features, Rome, Italy, 2000.

18. Eizan Miyamoto, Thomas Merryman Jr. Fast calculation of Haralick texture features, Carnegie Mellon University, Pittsburgh, USA. // http://www.ece.cmu.edu/~pueschel/ teaching/18-799B-CMU-spring05/material/eizan-tad.pdf

19. Joaquim Cezar Felipe, Agma J. M., Traina, Caetano Traina Jr. "Retrieval by Content of Medical Images Using Texture for Tissue Identification," cbms, c. 175, 16th IEEE Symposium on Computer-Based Medical Systems (CBMS'03), 2003.

20. Jitendra Malik, Pietro Регопаю. Preattentive texture discrimination with early vision. Vol. 7, №. 5, J. Opt. Soc. Am. A. c. 923 932, May, 1990.

21. Троицкий A.K., Березняк Ю.Н., Созонова M.B. Система анализа текстурных изображений. // Научная сессия МИФИ-2000. Сборник научных трудов. Т.З. М.:МИФИ, 2000.

22. Троицкий А.К. Выделение контуров на текстурных изображениях. // XV международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации». Алушта, сентябрь 2002 г. М.:МГАПИ, 2002.

23. Tinku Acharya, Ajoy К. Ray. Image Processing Principles and Applications. John Wiley & Sons, Inc., Hoboken, New Jersey, 2005.

24. Форсайт Д., Понс Ж. Компьютерное зрение Современный подход. М., С-Пб., Киев: Изд. дом "Вильяме", 2004.

25. Мишулина О.А., Вин Тхей. Признаки корреляционного типа в системе распознавания текстурных изображений. // Научная сессия МИФИ-2007. М.:МИФИ, 2007. Сборник научных трудов. Т.2.

26. Денисов Д.А., Низовкин В.А. Сегментация изображения на ЭВМ. Зарубежная радиоэлектроника, № 10, с. 5 30, 1985.

27. Вин Тхей. Алгоритмы и программы сегментации изображений для автоматизации анализа гистологических препаратов. МИФИ, 2004. Магистерская диссертация.

28. Никитаев В.Г., Проничев А.Н., Хоркин В.А., Чистов К.С., Михайлов В.Н. Лабораторный практикум «применение текстурного анализа в системах обработки изображений // Научная сессия МИФИ-2003. Сб. науч. тр. в 14 томах. М.: МИФИ, 2005. Т. I.e. 328-329.

29. Бочко В.А. Методы обработки и классификации цветных изображений. Зарубежная радиоэлектроника, № 6, с. 10-17,1992.

30. Михайлов В.Н., Бердникович Е.Ю., Никитаев В.Г., Радаев М.В. Измерение морфологических характеристик объектов на цветных изображениях. // Научная сессия МИФИ-2003. Сб. науч. тр. М.: МИФИ, 2003. Т.1. с. 240.

31. Михайлов В.Н., Бердникович Е.Ю., Зайцев С.М., Кощеев В.И., Никитаев В.Г., Проничев А.Н., Радаев М.В. Автоматическая идентификация цветных объектов. // Научная сессия МИФИ-2003. Сб. науч. тр. М.: МИФИ, 2003. Т.1. с. 245.

32. Никитаев В.Г. Проблемы построения информационно-измерительных систем распознавания образов: вариабельность признаков. // Научная сессия МИФИ-2003. Сб. науч. тр. М.: МИФИ, 2007. Т.1. с. 248-249.

33. Вин Тхей. Система обработки изображений в задаче медицинской диагностики. //Сборник трудов «Научная сессия МИФИ-2006», т. 2. М.:МИФИ, 2006.

34. Мишулина О.А., Вин Тхей. Метод распознавания изображений гистологических препаратов в задаче медицинской диагностики. //Сборник трудов «Научная сессия МИФИ-2006», т. 3. М.: МИФИ, 2006.

35. Мишулина О.А., Вин Тхей. Распознавание текстурных изображений на векторной нейронной сети. // IX всероссийская научно-техническая конференция «Нейроинформатика-2007». Сборник научных трудов. М.:МИФИ, 2007. 4.1. С. 146157.

36. Мишулина О. А., Лабинская А. А., Щербинина М.В. Лабораторный практикум по курсу "Введение в теорию нейронных сетей". М.: МИФИ, 2000.

37. R. 0. Duda, P. Е. Hart, and David G. Stork, Pattern Classification, 2nd ed., Wiley, New York, 2000.

38. Крыжановский Б.В., Микаэлян А.Л. О распознающей способности нейросети на нейронах с параметрическим преобразованием частот. Доклады АН, сер. мат.физика, т. 383, №3, с. 318-321, 2002.

39. Крыжановский Б.В., Крыжановский В.М. Идентификатор на основе векторного персептронного алгоритма. // Секция Нейроинформатики: Принципы и приложения,2003.

40. Крыжановский Б.В., Микаэлян А.Л. Ассоциативная память, способная распознавать сильно скоррелированные образы. //Доклады АН, Информатика. Т. 390, №1, 2003.

41. Крыжановский Б.В., Крыжановский В.М. Распознавание коррелированных образов с помощью векторной нейросети. //Сборник трудов Н-й международной конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте». Коломна, 2003г.

42. B.V. Kryzhanovsky, V.M. Kryzhanovsky, A.L. Mikaelian and A.B. Fonarev. Parametric dynamic neural network recognition power (Optical Memory&Neural Network). Vol. 10, №4, c. 211-218, 2001.

43. Boris V Kryzhanovsky, Leonid B. Litinskii, Andery L. Mikaelyan. Parametrieal Neural Network. arXiv:cond-mat, v.l, Dec, 2002.

44. Крыжановский Б.В., Крыжановский B.M. Быстрая система распознавания и принятия решения на основе векторной нейросети. //Scientific-theoretical magazine "Artificial Intelligence" № 3,2004.

45. Крыжановский Б. В., Литинский JI. Б. Векторные модели ассоциативной памяти. //Автоматика и телемеханика, № 11, с. 152-165, 2003.

46. Крыжановский Б. В., Литинский Л. Б. Распознавание в параметрической нейросети. //Труды научных сессий МИФИ, с. 52 60, 2002. //http://library.mephi.ru/online/scientific-sessions?Year=2002&Volume=20

47. Alitva D. I., Kryzhanovsky В. V. Векторная модель нейронной сети с переменным порогом. // «Нейрокомпьютеры», №3, 2005.

48. Yu Tao, Vallipuram Muthukkumarasamy, Brijesh Verma and Michael Blumenstein. A Texture Feature Extraction Technique Using 2D-DFT and Hamming Distance. Griffith University, Gold Coast Campus, QLD 9726, Australia.

49. Ф. Уоссермен. Нейрокомпьютерная техника: Теория и практика. М:. Мир, 1992.

50. Мишулина О.А. Статистический анализ и обработка временных рядов. М.: МИФИ, 2004.

51. Мишулина О.А., Гаврилова Е.В. Оптимизация вектора информативных признаков для классификации изображений гистологических препаратов. //Сборник трудов «Научная сессия МИФИ-2006», т. 3. М.: МИФИ, 2006. с. 184 -185

52. Хайкин С. Нейронные сети. Изд. дом Вильянс 2005.

53. Rosenfeld А., Как А. С. Digital Picture Processing. N. Y: Academic Press, 1982.

54. Дворкович A.B., Дворкович В.П., Зубрарев Ю.Б., и др. Цифровая обработка телевизионных и компьютерных изображений. М.: МЦНТИ, 1997.

55. Шлихт Г.Ю. Цифровая обработка цветных изображений. М.: ЭКОМ, 1997.

56. Климов А.С. Форматы графических файлов. К.:НИПФ, 1995.

57. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы выделения границ областей. Зарубежная радиоэлектроника, № 10, с. 25 47, 1987.

58. Бакут П.А., Колмогоров Г.С., Ворновицкий И.Э. Сегментация изображений: Методы пороговой обработки. Зарубежная радиоэлектроника, № 10, с. 6 24, 1987.

59. Bi Xiaojun , Sun Xiaoxia. Texture image recognition method on ant colony algorithm. Innsbruck, Austria, c. 45 49,2006.

60. Stefan Willio, Lothar Hermesio, Joachim M., Buhmann, Jan Puzicha. On learning texture edge detectors. Proc. ICIP'00, c. 877 880,2000.

61. Факунага К. Введение в статистическую теорию распознавания образов. М: Радио и связь, 1979.

62. Prof S К Shah, V Gandhi. Image Classification Based on Textural Features using Artificial Neural Network (ANN), IE (I) Journal ET, Vol 84, January 2004.

63. Fu K. S, Mui J.K. Pattern Recognition, v. 13, № 4, c. 279-297, 1981.

64. Nakagawa Y., Rosenfeld A., Pattern Recognition, v. 11, № 3, c. 191 204, 1979.

65. Ullmann J. R., Pattern Recognition, v. 6, №. 2, c. 127 135, 1974.

66. Deke McClelland. Photoshop 6 for windows bible. IDG Books Worldwide, Inc., 2001.

67. Таков M.C., Полоз T.JL, Полоз B.B. Нейронная сеть для классификации изображений цитологических препаратов. //Сборник трудов «Нейроинформатика-2007», МИФИ, с. 95-102,2007

68. Фигурин В.А., Оболонкин В.В. Теория вероятностей и математическая статистика. Минск, 2000.

69. Вирт Н. Алгоритмы и структуры данных. М.:Мир, 1989. Wirth N. Algorithms and Data Structures. Palo Alto, 1985.

70. Jeff Prosise. Programming Windows with MFC. Microsoft Press, 1999.

71. Davis Chapman, Jon Bates. Sams Teach Yourself Visual С++ 6 in 21 Days. Macmillan Computer Publishing, 1998.

72. Shirley Wodtke. Leam the MFC С++ Classes, Wordware Publishing Inc., 1997.

73. Schneier, Bruce. Applied Cryptography Second Edition: protocols, algorithms, and source code in C. 1996.

74. Intel Corporation. Intel Image processing Library (Reference manual). Copyright © 1997— 2000, U.S.A., 2000.

75. John Miano. Compressed image file formats: JPEG, PNG, GIF, XBM, BMP. ACM press, USA-Canada, First printing, July, 1999.

76. John L. Semmlow. Biosignal and biomedical image processing: MATLAB-Based Application. Marcel Dekker, Inc., U.S.A., c. 217 374, 2004.1. Источники из Internet

77. Терминология текстуры, http://shkaf-profi.ru/glossarv/

78. Онлайновая энциклопедия. Определение: Texture. http://www.pcmag.ru/encyclopedia/term.php?ID=4454

79. What are Gray codes, and why are they used? http://www.cs.bham.ac.uk/Mirrors/ftp.de.uu.net/EC/clife/www/Q21 .htm

80. Image Processing Fundamentals(Book) http://www.ph.tn.tudelft.nl/Course/FIP/noframes/fit.html

81. Digital Image Processing http://www.icaen.uiowa.edu/~dip/LECTURE/content.html