Системный подход к обработке изображений и идентификации графических образов в реальном масштабе времени тема диссертации и автореферата по ВАК РФ 05.13.01, доктор технических наук Гостев, Иван Михайлович

• Гостев, Иван Михайлович
• доктор технических наук
• 2005

Оглавление диссертации доктор технических наук Гостев, Иван Михайлович

Введение.

Глава 1. Методы обработки изображений

§1.1. Методологии обработки изображений.

§1.2. Простые методы обработки изображений.

Точечные методы.

§1.3. Локальные методы обработки изображений

1.3.1. Линейные фильтры и свертка

1.3.2. Гауссовская фильтрация

1.3.3. Нелинейная фильтрация.

1.4. Другие типы низкоуровневой обработки

1.4.1. Кадровые методы

1.4.2. Геометрические методы

1.4.3. Морфология

§1.5. Комбинированные методы обработки изображений

1.5.1. Краткий обзор комбинированных методов.

1.5.2. Алгоритм ДС.

§1.6. Анализ качества некоторых комбинированных методов.

1.6.1. Сравнение ДС с другими комбинированными методами

1.6.2. Сравнение качества работы алгоритмов при больших уровнях шумов.

§1.7. Понятие контуров и методы их получения.

1.7.1. Понятие контура.

1.7.2. Методы получения контуров.

§1.8. Обобщенная запись методов обработки.

Выводы по 1-ой главе

Глава 2 Контуры - кластеры и понятие эталона.

§ 2.1 Контуры - кластеры.

§ 2.2 Формализация методов идентификации графических объектов.

§ 2.3 Принципы построения обобщенного вектора свойств эталона.

§ 2.4 Информационная часть вектора свойств.

§ 2.5 Расширенное понятие информационной части.

Выводы по 2-ой главе

Глава 3. Идентификация формы объектов по контурным функциям

§3.1 Понятие контурной функции.

§3.2 Распознавание по элементарным признакам.

3.2.1.Классификация по числу точек контура.

3.2.2. Классификация по габаритам

3.2.3. Классификация по компактности

3.2.4. Классификация по площади

3.2.5. Классификация на основе математической корреляции

§3.3 Методы геометрической корреляции на всем контуре.

§3.4 Методы геометрической корреляции на части контура.

§3.5. Геометрическая корреляции по части контура по противоположным интервалам.

§3.6. Идентификация по части контура с автоматическим выбором расположения противоположных интервалов.

§3.7 Особенности использования методов геометрической корреляции

Выводы по 3 главе.

Гл.4 Анализ качества методов, основанных на геометрической корреляции.

§ 4.1 Оценка чувствительности.

§ 4.2 Условия проведения эксперимента

§ 4.2. Чувствительность методов, основанных на ГК.

§ 4.3. Анализ устойчивости методов ГК к шумам.

4.3.1. Анализ работы методов в условиях шумов.

4.3.2. Измерение метрик в условиях шумов.

4.3.3. Анализ числа ошибок при больших шумах.

§ 4.4 Особенности исчисления метрик в методах ГК.

4.4.1.Исчисление метрик для комбинаций ЭЭ

4.4.1.Исчисление метрик для комбинаций ЭН

§ 4.5 Особенности применения методов ГК на фрагментах контура.

4.5.1.Особенности методов ИЧК1-2.

4.4.2.0собенности методов ИЧК-ПИ1 иИЧК-ПИ2.

Выводы по главе 4.

Гл.5. О методах повышения качества идентификации графических объектов в методах геометрической корреляции.

§5.1. Компактность и размеры фигуры.

§5.2 Компактность и шум.

5.2.1. Влияние искажений на методы ГК.

§ 5.3. Методы ГК на основе среднеквадратичной метрики.

5.3.1. Определение методов.

5.3.2. Анализ методов ГК1С и ГК2С.

§5.4.Методы ГК с динамически назначаемым КД.

Выводы по главе 5.

Глава 6. Практические применения.

§6.1 Математическая модель поисковой системы

6.1.1. Описание модели

6.1.2.Механизм функционирования модели

6.1.3.Практическая реализация

§6.2 Реализация распределённых поисковых систем.

6.2.1. Постановка задачи

6.2.2. Архитектура распределенной поисковой системы

6.3. Система по обработке изображений и распознаванию образов STIPR

6.3.1. Краткое описание системы

6.3.2. Контроллер потока

6.3.3.Состав системы STIPR

6.3.4.Работа с эталоном

§6.4 Организация распределённых вычислений при обработке изображений и распознавании образов.

6.4.1. Принципы построения конвейера

6.4.2. Архитектура вычислительного комплекса

6.4.3. Оценки повышения производительности

§ 6.5 Использование результатов работы в учебном процессе.

Выводы по главе

Введение диссертации (часть автореферата) на тему «Системный подход к обработке изображений и идентификации графических образов в реальном масштабе времени»

Распознавание образов - это очень широкая область не только прикладной математики, но науки вообще, которая включает в себя очень много различных направлений. Это и гносеологическое изучение собственно сущности образ (англ. image), как описания понятия чего-либо, и распознавание (узнавание) таких образов - то есть отнесение их к некоторому классу, и способы формирования самих классов и т.п. Само понятие сущности "образ" является безграничным, так как под ним может подразумеваться как силуэт знакомого человека, так и/или стереотип его поведения, по которому человек может быть узнан (например, походка человека). Это и звуковой фрагмент некоторого музыкального произведения, однозначно определяющий всё произведение (ассоциирующий с некоторыми действиями и/или жизненными ситуациями человека). Образом также может быть и видео фрагмент из фильма, и многие другие сущности, окружающие нас.

В настоящей работе из всего многообразия образов будут исследоваться только графические образы, методы получения из них контуров и их идентификация.

Роль контурного восприятия у человека исследовали множество ученых, начиная с основоположника направления гештальтпсихологии Вертгеймера [1,2]. Специально исследовали роль контуров в зрительном восприятии такие философы, как Готшальт [3], Бартлет [4] и другие. Эта тема осталась актуальной и в настоящее время как для психофизиологов, так и для математиков [5,6,7,8].

Вообще говоря, идентификацию контуров объектов в зрительном восприятии человека (и не только его) трудно переоценить. Психофизиологические исследования зрительного восприятия человека [9, 10, 11, 12] показали, что процесс распознавания чего либо начинается с обнаружения некоторых яркостных порогов. Сначала тех, которые отделяет объект от не объекта. Далее, когда силуэт объекта обнаружен, происходит опять пороговое обнаружение яркостных перепадов уже внутри объекта и так до полной его идентификации. Собственно понятие порога или границы в нашем случае и образует некоторый контур (множество контуров), который и подвергаются дальнейшей идентификации.

Из психофизиологии человека известно, что условия возникновения или отсутствия реакции мозга на некоторый перепад яркости определяются уровнями приходящего возбуждения по отношению к некоторому внутреннему порогу принятия решения [12]. А это свидетельствует о том, что возможно разделение порогов по их характеристикам (высота и направление). Такое разделение подтверждается тем, что психофизиологи установили, что все природные зрительные анализаторы, начиная с простейших (глаз лягушки) и кончая глазом человека, имеют нейронные анализаторы определения и ориентации линий [13, 14]. А млекопитающие имеют еще и внутреннюю организацию, позволяющую не только классифицировать направление отдельных линий, но и их протяженность (размеры). Это означает, что мозг имеет специализацию нейтронов, одни из которых воспринимают только короткие линии, а другие длинные.

Кроме того, проводя аналогию с распознаванием визуальных образов на ЭВМ, можно сказать, что корковые нейроны проводят классификацию линий сразу в большом наборе пространственных частот [9], то есть объекты идентифицируются не на плоскости, а в пространстве.

Все это говорит о том, что Природе чрезвычайно важно было сделать так, что восприятие живыми существами визуальных объектов происходило через восприятие порогов, приводящее к восприятию линий и их пространственной ориентации для анализируемого объекта (группы объектов), а через это и к их опознаванию.

На основании этого можно сделать заключение о том, что построение процесса идентификации графических объектов по их контурам является обоснованным. Такой вывод подтверждается большим количеством публикаций [15, 16, 17, 18, 19, 20, 21] и др., связанных с обработкой или преобразованием изображений, которые дают в результате именно границы объектов. Справедливость этого подтверждается еще и тем, что распределение информации об объекте разделяется на группы. К таким группам может относиться цвет, форма, размеры, пропорции деталей и т.д. А все эти группы, за исключением цвета, имеют свои очертания, то есть границу и, следовательно, несут свою долю информации, которая является весьма важной для идентификации [22].

Математические методы контурного анализа начали разрабатываться еще в 50-х годах и на первых этапах ставили перед собой задачу компактного представления информации о контуре изображения. На первом этапе в основополагающих работах Фримена эта информация представлялась в виде цепных кодов [23, 24].

Кроме цепных кодов существуют работы, в которых для представления контуров используются полярные координаты с фиксированным модулем радиуса-вектора [25]. Также применяется кодирование с использованием постоянного угла наклона, называемое наклонной контурной последовательностью1 или Contour slope sequence (CSS) [26]. Используется также кусочно-линейная аппроксимация [27] и т.п.

Трудно определить объем информации и порядок ее значимости, заключённой в контуре объекта, однако можно приблизительно количественно оценить её величину, по отношению ко всему изображению. Для этого рассмотрим фотографию самолета, летящего в облаках (см. рис. 3.14). Искомым и наиболее важным объектом здесь и будет этот самолет, а для системы идентификации объектов его контур. Оценим общее количество информации в битах на изображении размером 1024x1024 пикселя и глубине в 24 бита на пиксель. Общий объем информации равен примерно 2.5*10 , с другой стороны после предварительной обработки и выделения контура самолета, количество точек этого контура будет примерно 250. Таким образом, фактически для системы противовоздушной обороны величина в 250 бит и будет всей информативной частью изображения. Предварительная обработка изображения убирает избыток ненужной информации, превышающий полезную информацию в 105 раз!

Другими словами, задача предварительной обработки для процесса распознавания графических образов может быть сформулирована как задача существенного (в тысячи раз) уменьшения количества лишней информации. Поэтому процесс обработки сводится к некоторой последовательности функций, которые отбрасывают ненужные (в контексте распознавания) данные и вычленяют ту часть, которая может быть использована.

Например, если стоит задача нахождения дефектов на ткани или подложке микросхемы, то для их выделения используется одна последо

1 Иногда её еще называют функцией зуба пилы (saw-tooth function) вательность методов обработки, результатом которой будет крупный контур на фоне мелких, которые образованы структурой ткани или шероховатостью подложки. Идентификация дефекта здесь сводится к нахождению контуров с определенным числом точек. А для обнаружения самолета на земле или в воздухе должна использоваться другая последовательность методов и другие способы идентификации объектов, так как один контур самолета может существенно отличаться от другого при примерно одинаковом числе точек.

Всё это приводит к необходимости выстраивания некоторой последовательности операций по обработке изображения и идентификации графических объектов. Такая последовательность требует некоторого абстрактного описания, в котором должны быть определены (заданы) как методы обработки и распознавания, так и информационная часть (координаты, цвет, центр тяжести, ориентация, размеры), которая необходима для построения процесса распознавания (всей цепочки методов).

Кроме того, построение процесса распознавания на основе одного метода может давать хорошие результаты, но иметь высокую трудоёмкость метода, а на основе другого метода иметь низкую вероятность правильного распознавании и высокую пропуска объекта, но при этом быть простым в вычислительном отношении. Комбинация этих методов, в которой на первом этапе стоят менее точные методы, но позволяющие за малое время убрать из рассмотрения большую часть объектов, имеющую шумовую природу, а на втором этапе - идентифицирующие оставшуюся часть объектов, позволяет повысить качество и дает существенный выигрыш во времени и, следовательно, заслуживает рассмотрения.

При изучении новых методов по обработке изображений и идентификации графических объектов необходимо провести анализ качества их работы и исследовать область их применимости. Определить условия, при которых они дают наилучший результат. Проанализировать особенности работы этих методов в реальных условиях и выработать методику оптимального назначения параметров, в зависимости от качества входных изображений.

Наконец, должна быть рассмотрена специфика реализации алгоритмов обработки изображений и распознавания образов, так как одной из основных решаемых задач является обеспечение работы в реальном масштабе времени. В другой постановке эта же задача звучит как построение цепочки методов обработки и идентификации графических объектов при однократном проходе по изображению бесконечной длины. Обеспечение такого режима работы для всех алгоритмов потребовало разработки специальной методологии выстраивания этого процесса, начиная с ввода изображения и кончая выводами координат распознанных объектов и углов их поворота относительно эталона.

В диссертационной работе решается научная проблема по созданию системного подхода к рассмотрению процессов обработки изображений и распознаванию графических образов в реальном масштабе времени. Эта методология должна включать в себя: разработку единого подхода ко всему процессу обработки и идентификации; разработку алгоритмов обработки, обеспечивающих получение контуров объектов за один проход по изображению; разработку и анализ алгоритмов идентификации графических объектов, позволяющих с заданными значениями вероятностей пропуска и ложного опознавания обеспечить классификацию объектов по их контурам; анализ качества работы всех методов, особенно методов идентификации в условиях наложении шумов на идентифицируемые объекты; анализ влияния дискретности представления объектов на изображениях на точность работы методов идентификации.

Целью данной работы является: разработка теоретических основ и формализация описания непрерывного процесса обработки изображений и распознавания образов; разработка методов и алгоритмов для получения контуров объектов; формализация представления графических объектов в виде контурных функций; разработка и исследование методов идентификации формы объектов по этим контурным функциям; разработка метрик, предназначенных для сравнения контурных функций, которые являются инвариантными к масштабу, сдвигу и повороту распознаваемых объектов; анализ работы этих методов по отношению к воздействию шумов на изображении и дискретности представления объектов; разработка программного обеспечения для решения поставленных задач и практического исследования предложенных методов.

Актуальность темы диссертации определяется необходимостью решения поставленных задач на современном этапе, характеризующимся экспоненциальным ростом мультимедийной информации в ноосфере и необходимости введения автоматизированных операций над ней, таких как поиск, обработка, преобразование, представление, анализ и т.п., по результатам которых человеку или автомату необходимо принимать решение.

Решаемая научная проблема порождает ряд взаимосвязанных задач:

• Исследование методов обработки изображений в реальном масштабе времени с получением на выходе вербального описания контуров объектов.

• Формализация описания процесса обработки изображений и распознавания образов.

• Разработка методов представления графических объектов через набор иерархически организованной системы признаков, в том числе и в виде контурных функций.

• Разработка методов идентификации графических объектов на основе контурной функции, вычисляемой по всему периметру объекта или его части с использованием специально разработанных метрик различного типа (линейных и среднеквадратичных).

• Исследование области применимости методов идентификации по контурным функциям в реальных условиях при воздействии шумов.

• Исследование влияния различных факторов (компактность, дискретность представления) на значение классификационных допусков в методах идентификации.

• Разработка методов построения реальных систем по обработки изображений и распознаванию образов в реальном масштабе времени на примере поисковой графической системы и системы по обработке изображений и распознаванию образов общего назначения - STIPR-2000.

При решении поставленной проблемы автор опирался на фундаментальные труды следующих отечественных и зарубежных ученых: А.И. Берга [28], Г.С. Поспелова [пр. 81], ЯЗ. Цыпкина [29, 30], M.JI. Цейтлина [31], В.М. Глушкова [32], Л.Т. Кузина [пр. 77], Ю.И. Журавлева [33, 34], В.И. Васильева [35, 117], С.А. Айзермана [36], Э.М. Бравер-мана [37, 76, 38], В.Н. Вапника [125], И. Б. Мучника [39], Б.Г. Миркина [40], А.А. Дорофеюка [41], Ю.А. Воронина [42], И.Д. Манделя [43], В. Г. Гришина [44], Дж. Ту [111], Р. Гонсалеса [111], Р. Дуда [120], П. Харт [120], Р.Е.Вуда [49], Н. Эндрюса [45] Т. Павлидиса [109], Р. Стала [100], P.M. Харалика [46], Л.Ж. Шапиро [46,47], У.Претта [48], и ряда других.

Диссертация состоит из введения, шести глав и заключения.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Гостев, Иван Михайлович

Выводы по главе 6

Предлагаемая методология позволяет решить ряд задач, таких как

• Формализации математической модели графической поисковой системы, которая дает возможность определения необходимых характеристических признаков, на основе которых может быть построена единая количественная шкала. Для сравнения объектов в такой шкале используются различного типа метрики, в которых учитывается вес каждого составляющего признака.

• На основе такой математической модели возможно построение распределенной графической поисковой системы, быстродействие которой не будет ограничиваться скоростью функционирования её составных частей и размером базы данных по изображениям. Скорость работы такой системы будет тем больше, чем большее количество вычислительных компонентов используется в такой системе.

• Построение системы по обработке изображений и распознавания образов на основе конвейера, с распараллеливанием операций дает возможность работы в реальном масштабе времени практически с любой скоростью.

• Использование модульности и контроллера потока позволяет сделать систему практически независимой от архитектуры и операционной системы, что повышает ее гибкость и адаптируемость к реальной вычислительной среде.

Заключение

1. На основе анализа методов обработки изображений предложена расширенная их классификация.

2. Проведен анализ современного состояния научной области, связанной с получением из изображений его характеристических признаков и их последующей классификации. В результате этого анализа был предложен способ представления векторов признаков графических объектов, которые состоят из двух частей — процедурной и информационной, причем информационная часть вектора признаков имеет иерархическую организацию.

3. Разработан пороговый метод сегментации, названный адаптивной дельта-сегментацией, основанный на вычислении статистических параметров изображения, по которым назначается величина порога. Проведён всесторонний анализ работы этого метода и выявлены области его предпочтительной применимости.

4. Сформулирована обобщенная математическая постановка задачи по обработке изображений и распознаванию образов в реальном масштабе времени.

5. Разработана методика последовательного применения различных алгоритмов распознавания образов над группой объектов, полученных из изображения, названная методом последовательного взвешивания (МПВ).

6. Введено математическое понятие контурной функции (КФ), как функции, задаваемой относительно движения радиус-вектора между центром тяжести контура объекта и точками его периметра.

7. На основе понятия КФ разработаны несколько простых методов идентификации графических объектов, таких как идентификация по числу

250 точек, габаритам, площади, компактности, математической корреляции.

8. Введены два типа метрик для измерения расстояния между КФ объектов. На основе этих метрик сформулированы методы идентификации графических объектов, которые названы методоми геометрической корреляции (ГК).

9. Введены и исследованы восемь разновидностей метрик на основе ГК, в которых объекты сравниваются как по всему контуру, так и по его части. В дополнении к основным разновидностям, использующим для вычисления линейную меру, рассмотрены восемь их дополняющих на основе среднеквадратичной меры.

10.Разработан метод назначения классификационного в методах идентификации на основе ГК, использующий статистическую информацию о распределении значений метрик в комбинациях эталон — эталон и эталон - неэталон.

11 .Проведен анализ качества разработанных методов идентификации графических объектов по контурным функциям и предложена формула для количественной оценки, позволяющая по заданным вероятностям пропуска объекта и ложного опознавания оценивать возможность построения классификатора и качество его работы.

12.Получена теоретическая оценка зависимости значений введенных метрик от уровня шумов в методах идентификации на основе ГК, которые были подтверждена экспериментом.

13.Выявлена зависимость метрик в методах идентификации на основе ГК от величины дискретности представления объектов (размеров) и их компактности.

14.Предложен способ увеличения чувствительности методов идентификации на основе ГК посредством замены линейных метрик на средне-квадратические.

15.Предложен адаптивный метод назначения классификационного допуска для компенсации влияния размеров и компактности идентифицируемых объектов.

16.На основе введенного представления вектора признаков объектов разработана математическая модель графической поисковой системы.

17. Разработанные и теоретически обоснованные методы и подходы были использованы при построении системы обработки изображений и распознаванию образов. Использование результатов диссертации при решении практических задач позволяют повысить оперативно-тактические возможности существующих и перспективных технических средств обработки изображений и идентификации графических образов.

Автор выражает благодарность научному консультанту Севастьянову Леониду Антоновичу за ряд ценных замечаний, которые были сделаны им в процессе моей работы над диссертацией.

Список литературы диссертационного исследования доктор технических наук Гостев, Иван Михайлович, 2005 год

1. Wertheimer М. Experimentelle Studien uber das Sehen von Bewegung // Z. Psychol., 61, 1912, 161—265.

2. Wertheimer M. Untersuchungen zur Lehre von der Gestalt // Psychol. Forsch., 4, 1923.301—350.

3. Gottschaldt K., Ueber den Einfluss der Erfahrung auf die Wahrnehmung von Figuren, Psychol. Forsch., 8, 1926, 261—317.

4. BarttlettF. C. Remembering. London: Cambridge University Press, 1932.

5. Колерц А., Ден M.E. Распознавание образов. Исследование живых и автоматических распознающих систем. М.: Мир 1970.

6. Амосов Н. М. Моделирование мышления и психики. Киев: Наукова думка, 1965.

7. В. Н. Пушкин. Психология и кибернетика. М.: Педагогика, 1971.

8. А. В. Напалков, Н. В. Щелкова. Информационные процессы в живых организмах. М.: Высшая школа, 1974.

9. Хъюбел Д., Визелъ Т. Центральные механизмы зрения // в книге Мозг. М.: Мир, 1982.

10. Линдсей П., Норман Д. Переработка информации у человека. М.: Мир, 1974.

11. Веккер JI.M. Психика и реальность. Единая теория психических процессов. М.: "Смысл", 1998.

12. Рок И. Введение в зрительное восприятие. М.: Педагогика. 1980.

13. Kandel, E. R., Schwartz J. H., JessellT. M. Principles of Neural Science, 3d e<±, NY.: Elsevier North-Holland, 1991.

14. Nicholls J. G., Martin A. R., Wallace B. G. From Neuron to Brain, 3d ed., Sinauer Associates, Sunderland, Mass., 1992.

15. Meyer F., Beucher S. Morphological Segmentation // J. Visual Comm. and Image Representation V. 1, 1990.

16. Argyle E. Techniques for edge detection // Proc IEEE, vol. 59, N2, 1971, pp. 285-287.

17. Beucher S., Lantuejoul C. Use of Watersheds in Contour Detection // Proc. Int'l Workshop Image Processing, CCETT/IRISA, France, September 1979, p. 2.1-2.12.

18. Vincent L., Soille P. Watershed in Digital Spaces: An Efficient Algorithm Based on Immersion Simulations // IEEE Trans. PAMI, 13(6), June 1991, pp. 583598.

19. Beucher S., Meyer F. The morphological approach to segmentation: The watershed transformation // in Mathematical Morphology in Image Processing, E.R. Dougherty (Ed.), NY.: Marcel Dekker, 1993, pp. 433-481.

20. Ma W.Y., Manjunath B.S. Edge flow: a framework of boundary detection and image segmentation. // Proc. of IEEE Conf. on Computer Vision and Pattern Recognition, San Juan. Puerto Rico. 1997.

21. Shi J., Malik J. Normalized cuts and image segmentation // IEEE Trans, on Pattern Analysis and Machine Intelligence, v. 22, 2000. pp. 888-905.

22. Pal N., Pal S. A Review on Image Segmentation Techniques // Pattern Recognition, v. 26. № 9, 1993, pp. 1277-1294.

23. Freeman H. Techniques for the digital computer analysis of chain encoded arbitrary plane curves, //Proc. Nat Electron. Conf., 18, 1961, pp. 312-324.

24. Freeman H. Computer processing of Line-Drawing Images // Comput. Surv., v. 6, 1974, pp. 57-97.

25. Blumenkrans S. Two-dimensional object recognition using a two-dimensional polar transform // Pattern Recognition, 1991, Vol. 24, 9, pp. 879-890.

26. Maylor J., Yang Y.H. Dynamic strip algorithm in curve fitting. // Computer vision, graphics and image processing, 1990, v. 51, pp 146-165.

27. Pavlidis T A review of algorithms for shape analysis // Computer. Graphics and Image Processing, v. 7, 1978, pp. 243-258.

28. Берг A.M., Бирюков Б.В. Кибернетика и научно-технический прогресс // Кибернетика и научно-технический прогресс (к 75-летию академика А.И. Берга). М.: Знание, 1968, с.28-48.

29. Цыпкин Я. 3. О восстановлении характеристики функционального преобразователя по случайно наблюдаемым точкам // Авт. и телемех., №11, 1965.

30. Цыпкин Я. 3. Адаптация, обучение и самообучение в автоматических системах// Авт. и телем., №1, 1966.

31. Цетлин М. Л. Исследования по теории автоматов и моделированию биологических систем. М.: Наука, 1969.

32. Глушков В. М. О некоторых задачах вычислительной техники и связанных с ними задачах математики // Украинский математический журнал, 1957, 4, с.369-376.

33. Журавлев Ю. И. Об алгебраическом подходе к решению задач распознавания или классификации //Проблемы кибернетики, 1978, вып. 33, с. 5-68.

34. Журавлев Ю.И., Ляпунов А.А. Становление кибернетики в нашей стране // Проблемы теоретической и прикладной кибернетики. Новосибирск: Наука, 1980, с.4-17.

35. Васильев В.И. Распознающие системы: Справочник. Киев: Наукова Думка, 1983. 424с.

36. Айзерман М. А., Браверман Э. М., Розоноэр Л. И. Вероятностная задача об обучении автоматов распознаванию классов и метод потенциальных функций//Авт. ителемех., №9, 1964. сс. 1307—1323.

37. Браверман Э.М. Метод потенциальных функций в задаче обучения машины распознаванию образов без учителя. // Авт. и телемех. №10 1966.

38. Браверман Э. М. Опыты по обучению машины распознаванию зрительных образов// Авт. и телемех., 1962, 23, сс.349—364.

39. Мучннк М.Б. Классификация объектов на основе анализа матрицы связей между параметрами внутри классов // Модели агрегирования социально-экономической информации. Новосибирск, 1978. с.66-70.

40. Миркин Б.Г. Анализ качественных признаков и структур. М.: Статистика 1980.- с. 320.

41. Дорофеюк А.А. Алгоритмы автоматической классификации: Обзор // Авт. и телемех. №» 12, 1971. с. 78-113.

42. Воронин Ю.А. Теория классификаций и ее приложения. Новосибирск: Наука 1985, с. 232.

43. Мандель И.Д. Кластерный Анализ. М.: Финансы и статистика. 1988.-176с.

44. Гришин В.Г. Образный анализ экспериментальных данных. М.: Наука, 1982.- 240с.

45. Andrews N. G. Introduction to Mathematical Techniques in Pattern Recognition, NY.: John Wiley and Sons, 1972.

46. Haralick R., Shapiro L. Computer and Robot Vision, Addison-Wesley, 1992.

47. Shapiro L., Stockman. G. Computer Vision. East Lancing, MI: 2000.

48. Pratt W. K. Digital Image Processing: PIKS Inside, Third Edition. NY.: John Wiley & Sons, Inc. 2001. p. 739.

49. Gonz alez R., Woods R. Digital Image Processing, Prentice-Hall, Inc., 2002.

50. ФолиДж., Вэн Дэм А. Основы Интерактивной машинной графики в 2-х томах М.: Мир. 1985.

51. Роджерс Д., Адаме Дж. Математические основы машинной графики. М.: Мир, 2001. 604с.

52. Fleischhauer С. Digital Formats for Content Reproductions. // Report to the National Digital Library Program. Library of Congress USA. July 13, 1998.

53. Oja E., Hyvaerinen A. Image Feature Extraction and Denoising by Sparse Coding and Independent Component Analysis // Pattern Analysis & Applications v2, 1999, p. 104-110.

54. Salton G. Automatic text processing: The transformation, analysis, and retrieval of information by computer. Reading, MA.: Addison-Wesley. 1989.

55. Y. Guo, R.Grossman (ed.) High Performance Data Mining. Scaling Algorithms, Applications and Systems. NY.: Kluwer Academic Publishers, 2002.

56. Jain A. Fundamentals of Digital Image Processing, Prentice-Hall, 1986.

57. Budi Yuwono, Dik L.Lee. Search and Ranking Algorithms for Locating Resources on the World Wide Web // In Proceedings of the Forth International Conference on the World Wide Web, New York, November, 1995.

58. Bartschi M. An Overview of Information Retrieval Subjects. // IEEE Computer, v5, 1985, p. 67-84.

59. Yu С. Т., Salton G. Effective Information Retrieval Using Term Accuracy I I Communication ACM, V.20, N3, p. 135-142.

60. T.Norault, M. McGill, M.B. Koll. "A performance Evaluation of Similarity Measures, Document Term Weighing Schemes and Representations in Boolean Environment, Information Retrieval Search," R.N. Oddy et al., eds., London: Butterworth, 1981, p. 57-76.

61. Yu С. Т., Lam K., Salton G. "Term Weighting in Information Retrieval Using the Term Precession Model. Communication ACM, V.29, 1982, p. 152-170.

62. Rui, Y. and Huang, T. S. Chang, S-F., Image Retrieval: Current Techniques, Promising Directions, and Open Issues // Journal of Visual Communication and Image Representation, 10, (1), 1999, pp. 39-62.

63. Chang, С. C., and Lee, S. Y., Retrieval of Similar Pictures on Pictorial Databases. // Pattern Recognition, 24, (7), 1991, pp. 675-680.

64. Chang, S-K., Hsu A. Image Information Systems: Where do we go from Here? // IEEE Trans. KDE, 4, (5), 1992, pp. 431-442.

65. Enser P. G. B. Query Analysis in a Visual Information Retrieval Context. // Journal of Document and Text Management, 1, (1), 1993, pp. 25-52.258

66. Гостев И.М. Программный комплекс по обработке изображений и распознаванию образов // Тр. 3-й Междунар. Конф. "Цифровая обработка сигналов и ее применение". V2. М.: Издательское предприятие редакции журнала "Радиотехника", 2000 с.53-56.

67. Гостев И.М. Об одном методе получения контуров изображений Изв. РАН ТиСУ 2004 № 3- с.97-104.

68. Линдли К. Практическая обработка изображений на языке СИ. М. Мир. 1996.

69. INTERNATIONAL STANDARD ISO/IEC 11179-6:1996 (Е) Information technology—Specification and standardization of data elements.

70. Sonka M., Hlavac V., Boyle R. Image Processing, Analysis, and Machine Vision. Chapman and Hall, 1993.

71. Marion A. An Introduction to Image Processing. Chapman and Hall, 1991.

72. Семенов С. С. Исследование неадаптивных операторов дискретной свертки для обработки изображений. // Радиоэлектроника. 2001. №9.

73. Bracewell R. Two-Dimensional Imaging. Prentice Hall, 1995.

74. Young, I. Т., Van Vliet L.J. Recursive Implementation of the Gaussian Filter // Signal Processing, 44(2), 1995, p. 139-151.

75. Форсайт Д., Лоне Ж., Компьютерное зрение М. Вильяме 2004. 928с.

76. Прэтт У. Цифровая обработка изображений. Т.1, 2, М.: Мир, 1982, 312с и 480с.

77. Хуанг Т. С. и др. Быстрые алгоритмы в цифровой обработке изображений М.: Радио и связь 1984, 224с.

78. Воробелъ Р.А. Повышение эффективности обработки изображений с использованием методов нечеткого маскирования // Вестник Государственного университета "Львовская политехника" "Автоматика, измерения и управление". N 356. 1998.С. 125-134.

79. Мирошников М.М. Теоретические основы оптикоэлектронных приборов. Л.: Машиностроение, 1983. 696 с.

80. Беликова Т.П., Кронрод М.А., Чочиа П.А., Ярославский Л.Т1. Цифровая обработка фотоснимков поверхности Марса, переданных АМС "Марс-4" и "Марс-5" // Косм. Исслед., 1975. Т. 13, вып. 6. сс. 898-906.

81. Кронрод М.А. Несколько задач обработки изображений // Вопросы кибернетики. Вып. 38 : Иконика. Цифровая обработка и фильтрация изображений. - М.: ВИНИТИ, 1978. - сс. 49-59.

82. Чочиа П.А. Применение цифровой обработки изображений для регистрации архивных документов // Иконика. Теория и методы обработки изображений. М.: Наука, 1983. - сс. 115-125.

83. Wallis R. An approach to the space variant restoration and enhancement of images. // Proc. Symp. on Current mathematical problems in image Science. Naval Postgraduate Schol, Monterey, CA, Nov. 1976.

84. Narendra P.M., Fitch R.S. Real-time adaptive contrast enhancement // IEEE Trans. PAMI. N 6. 1981, p. 655-661. :

85. Matheron G. Random Sets and Integral Geometry, John Wiley & Sons, 1970.

86. Serra J. Image Analysis and Mathematical Morphology. Academic Press, 1970.

87. Tat N. H., Woiring M., van den Boomgaard R. Watersnakes: Energy-Driven Watershed Segmentation // IEEE Trans. PAMI. v.25. 2003.

88. Vishvjit S. Nalwa V.S. A Guided Tour of Computer Vision. Addison-Wesley Publishing Company, 1993.

89. Canny J. A Computational Approach to Edge Detection // IEEE Trans. PAMI, 1986. V. 8(6).

90. Smith S.M. SUSAN a new approach to low level image processing // Internal Technical Report TR95SMS1, Chobham Lane, Chertsey, Surrey, UK: Defence Research Agency. 1995.

91. Nalwa V.S., Binford Т.О. On Detecting Edges I I IEEE Trans. PAMI. V. 8 1986, pp. 699-714.

92. Boyer K. L., Sarkar S. Assessing the State of the Art in Edge Detection: 1992 // Proc. SPIE, Applications of Artificial Intelligence X: Machine Vision and Robotics, Orlando. Fl., v.l., 1992. p.353-362.

93. Heijden F Edge and line feature extraction based on covariance models // IEEE Transactions on PAMI V. 17, №. 1, 1995. p. 16-33.

94. Rothwell C.A., Mundy J.L., Hoffman W., et al. Driving Vision by Topology // Int'l Symp. Computer Vision. Coral Gables, Fla. 1995, p.395-400.

95. Smith S.M., Brady J.M. SUSAN a new approach to low level image processing // International J. Computer Vision. 1997. V. 23(1).

96. Миеро вам С., Делорейн E., Деръявич Б. Пат. Франция № 932140, 1946.

97. Венедиктов М.Д., Женевский Ю.П., Марков В.В и др. Дельта-модуляция. Теория и применение. М.: Связь, 1976.

98. Бронште йн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов. М.: Мир, 1982. !

99. Стил Р. Принципы дельта-модуляции. М.: Связь, 1979.

100. Braga-Neto U.M., Goutsias J. Connectivity on complete lattices: New results // Computer Vision and Image Understanding, Vol. 85, pp. 22-53, 2002.

101. Braga-Neto U.M., Goutsias J. A Theoretical Tour of Connectivity in Image Processing and Analysis // Journal of Mathematical Imaging and Vision V.19: 2003, pp. 5-31.

102. Rosenfeld A. On connectivity properties of grayscale pictures // Pattern Recognition, Vol. 16, 1983, pp. 47-50.

103. Serra J. Connectivity on complete lattices // Journal of Mathematical Imaging and Vision, Vol. 9, 1998, pp. 231-251.

104. Robinson G.S., Detection and Coding of Edges Using Directional Masks // Proceeding SPIE Conference on Advances in Image Transmission Techniques San Diego, August 1976.

105. Фу К, Структурные методы в распознавании образов, М.: «Мир», 1977.

106. SklanskyJ., Kibler D. F., "A theory of nonuniformly digitized binary pictures //IEEE Trans. SM&C, vol. SMC-6, Sept., 1976, pp.637-647.

107. Pavlidis T. Algorithms for Graphics and Image Processing. Rockville, Maryland, Computer Science Press, 1982, pp.416.

108. Tat N. H., Worring M., van den Boomgaard R. Watersnakes: Energy-Driven Watershed Segmentation // IEEE Trans. PAMI, V.25(3) 2003.

109. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир,1978.-411с.

110. Young Т. Y., Fu K.-S. Handbook of pattern recognition and image processing. Academic Press, 1986.

111. Сборник Классификация и кластер. М. : "Мир", 1980.

112. Niemann N., ed. Pattern Analysis and Understanding. Springer Verlag, 1990.

113. Журавлев Ю.И., Fed. Распознавание. Классификация. Прогноз. В.2 т. М.: Наука. 1989.

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

115. Васильев В.И. Проблемы обучения распознаванию образов. Принципы, алгоритмы реализация. Киев.: ВШ.1989.

116. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука. 1983.-464с.

117. Кузин Л.Т. Основы кибернетики. Т.2. Учебное пособ. М.: Энергия.1979.-584с.

118. Дуда P., Харт П., "Распознавание образов и анализ сцен", Москва, Мир, 1976.

119. Айзерман М.А., Браверман Э.М., Розоноер Л.И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970

120. Себестыан Г., Процессы принятия решений при распознавании образов, изд-во «Техшка», Киев, 1965.

121. Fu К. Pattern Recognition and Machine Learning. NY.: Plenum Press 1971.

122. Фу К. Структурные методы в распознавании образов, М.; Мир, 1977.

123. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974.

124. Wcttanabe, S., ed. Methodologies of Pattern Recognition. NY.: Academic Press, 1969.

125. Поспелов Г. С. Системный анализ и искусственный интеллект. М. ВЦ АН СССР 1980.48 с.

126. Дюрая Н., Одел П. Кластерный анализ.5 — М.: Мир, 1977.

127. Воронин Ю.А. Теория классифицирования и её приложения. Новосибирск: Наука, 1985. 232с.

128. Лейбкинд А. Р., Рудник Б.Л., Тихомиров А. А. Математические методы и модели формирования организационных структур управления М.: МГУ, 1982.- 232с.

129. Журавлев Ю.И., Юнусов Г. П. Об одном способе уточнения алгоритма таксономии при помощи распознающих методов типа голосования // ЖВМиМФ.- 1971.-Е.11.-№5.-с. 1344-1347.

130. Миркин Б.Г. Группировки в социально-экономических исследованиях.- М:. Финансы и статистика, 1985.-224с.

131. Гостев И.М. О принципах построения эталона в системах распознавания графических образов // Изв. РАН ТиСУ 2004 № 5.- с. 135-142.

132. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука 1978.

133. Гостев И М. Об идентификации графических объектов по контурным фрагментам//Изв. РАН ТиСУ 2005 № 1,- с.144-151.

134. Гостев И. М. О методах повышения качества идентификации графических объектов в методах геометрической корреляции // Изв. РАН ТиСУ 2005 №2 3. -с.62-71.

135. Азаров В.Н., Гостев И.М., Попенко И.В. Использование алгоритма Isodata в системе распознавания образов в реальном времени. // В сборнике «Информационные технологии в системах вычислительной техники» Вып. 2, М.МГИЭМ 2002.- с.3-9.

136. Гостев И.М., Попенко И.В. Применение алгоритма ISODATA для вторичной классификации в системе распознавания образов. // Тр. 4 Межд. конф. «Цифровая обработка сигналов и ее применение» М.: Март 2002.-е. 242-245.

137. ФукунгаК. Введение в статистическую теорию распознавания образов М.: Наука, 1979. 368с.

138. Watanabe, S., ed. Methodologies of Pattern Recognition. NY.: Academic Press, 1969.

139. Ту Дж., Гонсалес P., Принципы распознавания образов. М.: Мир, 1978.

140. Fisher R. A. Contribution to Mathematical Statistics NY: John Willey, 1950.

141. Тейлор Дж. Введение в теорию ошибок М.: Мир, 1985. 272с.

142. Гостев КМ. О моделировании и оценке классификационного допуска // Вестн. РУДН. Сер. Прикладная и компьютерная математика. Т.З. №1, 2004. с.85-92.

143. Judge G. G., Hill R. С., Griffiths W. E. Introduction to the Theory and Practice of Econometrics. NY: Wiley, 2000.

144. Кендалл M., Стъюарт А. Теория распределений M.: 1966 г., 588 с.265

145. Френке JI. Теория сигналов М.: Сов. Радио. 1978.

146. Гостев И. М. О методах распознавания графических образов // Изв. РАН ТиСУ 2004. № 1, 2004. с. 138-144.

147. Pratt W.K. Digital Image Processing. New York: J. Wiley, 1978.

148. Haralick R. M. A Measure of Circularity of Digital Figures // IEEE Transactions on Systems, Man, and Cybernetics, Vol. SMC-4, 1974, pp. 394-396.

149. Bresenham J. E., |Algorithm for computer control of Digital Plotter // IBM System Journal 4(1), 1965, pp. 25-30.

150. Dorst L. and Smeulders A.W.M., Length Estimators for Digitized Contours // Computer Vision, Graphics and Image Processing v.40 pp. 311-333, December 1987.

151. Bennet J. R., MacDonald J. S., On the Measurement of Curvature in a Quantized Enviroment// IEEE Trans. Computers, C-25, No 8, 1975.

152. Coeurjolly D., Klette R. A Comparative Evaluation of Length Estimation of Digital Curves.// PAMI, v.26 No 2. 2004.

153. Dorst L., Smeulders A. W.M., Length Estimators for Digitized Contours // Computer Vision, Graphics, and Image Processing, v.40, pp. 311-333, December 1987.

154. Verwer В., Local Distances for Transformation in Two and Three Dimension // Pattern Recognition Letters, v. 12 1991.

155. Borgefors G., Distance Transformation in Digital Images, // Computer Vision, Graphics, and Image Processing, v.34, 1986.

156. Официальный сайт no GRID технологии http://www.grid.org.

157. Официальный сайт по Интернет технологиям http://www.w3.org.

158. Doyle L.B., Information Retrieval and Processing. Los Angeles, California, Melville Publishing Co., 1975.

159. Люггер Д. Искусственный интеллект. М.: Вильяме, 2003.

160. Nong Ye (Ed.) The Handbook of Data Mining, Lawrence Erlbaum Associates, Inc. London: 2003.

161. Faloutsos C. Searching multimedia databases by content. Norwell, MA: Kluwer Academic Publishers, 1996.

162. Han, J., Kamber M. Data mining: Concepts and techniques. San Francisco: Morgan Kaufmann, 2001.

163. Bookstein A., Swanson D.R., Probabilistic models for automatic indexing, //Journal of the American Society for Information Science, V25, pp. 312-318 1974.

164. Baeza-Yates R., Riberio-Neto B. Modern Information Retrieval. NY.: Addison-Wesley, 1999.

165. Гостев И. M., Мирошкин А.В. Математическая модель одного класса поисковых систем // Вестн. РУДН. Сер. Прикладная и компьютерная математика. Т.З. №1, 2004. с.93-98.

166. Bookstein A., Swanson D.R., A decision theoretic foundation for indexing // Journal of the American Society for Information Science, V26, 1975.169 .Дейт К. Дж. Введение в системы баз данных. М.: Вильяме, 1999.

167. Faloutsos С., Lin К. Fastmap: A fast algorithm for indexing, data mining and visualization of traditional and multimedia datasets // In Proceedings of the ACM SIGMOD International Conference on Management of Data San Jose, CA: ACM. pp. 163-174. 1995

168. Rastogi, R. Shim, K. CURE : An Efficient Clustering Algorithm for Large Databases // SIGMOD Record (ACM Special Interest Group on Management of Data) v27, n2 pp 73-84 Jun 1998.

169. Agrawal, R., Imielinski, Т., and Swami, A. 1993. Database mining: A performance perspective. // IEEE Transactions on Knowledge and Data Eng., 5(6):914-925.

170. Arnaudov, D.D., Govorun, N.N Some Aspects of the File Organisation and Retrieval Strategy in Large Databases. Dubna, Joint Institute for Nuclear Research, 1977.

171. Tanenbaum A. S., Van Steen M. Distributed Systems: Principles and Paradigms. Prentice Hall, 2002.

172. Coulouris G., Dollimore J., Kindberg T. Distributed Systems: Concepts and Design. Addison-Wesley, 2000.

173. Nong Ye. The Handbook of Data Mining, Lawrence Erlbaum Associates, Inc. London: 2003.

174. Wilson B. J. JXTA. New Riders Publishing, 2002.