Теория и методы морфологического анализа изображений тема диссертации и автореферата по ВАК РФ 05.13.17, доктор физико-математических наук Визильтер, Юрий Валентинович

• Визильтер, Юрий Валентинович
• доктор физико-математических наук
• 2008

Оглавление диссертации доктор физико-математических наук Визильтер, Юрий Валентинович

Введение.

1. Морфологический подход к анализу данных и его применение в компьютерном и машинном зрении.

1.1. Общая характеристика задач анализа данных.

1.1.1. Задача фильтрации (преобразования) данных.

1.1.2. Задача компрессии/декомпрессии (сегментации/реконструкции) данных

1.1.3. Задача классификации данных (тестирования гипотез, распознавания образов).

1.1.4. Задача обнаружения объектов (локализации гипотез в пределах одного наблюдения).

1.1.5. Задачи обучения алгоритмов анализа данных (автоматического конструирования моделей).

1.2. Морфологический подход к обработке и анализу данных.

1.3. Морфологический подход к обработке и анализу изображений.

1.3.1. Форма записи и семантический смысл критериев, используемых в анализе изображений.

1.3.2. Основные виды описаний, используемых в анализе изображений.

1.4. Задача построения единого морфологического формализма для разработки методов и алгоритмов анализа изображений.

2. Морфологический анализ на базе проективных разложений.

2.1. Алгебраические основы проективной морфологии.

2.1.1. Проективное пространство образов.

2.1.2. Проективная морфология,.

2.1.3. Типы проективных морфологии.

2.2. Морфологический анализ изображений.

2.2.1. Яркостно-геометрические модели процедур структурного анализа изображений.

2.2.2. Проективная морфология изображений.

2.2.3. Структурный анализ изображений с использованием проективных морфологий.

2.3. Конструирование алгоритмов обнаружения объектов на изображениях

2.3.1. Аккумулирование свидетельств.

2.3.2. Декомпозиция и редукция вектора параметров.

2.3.3. Структурное загрубление модели объекта.

2.3.4. Автоматическое конструирование морфологических алгоритмов обнаружения объектов методом генетического отбора.

2.3.5. Иерархический структурный анализ.

2.4. Конструирование алгоритмов морфологической фильтрации.

2.4.1. Модульные монотонные морфологии.

2.4.2. Схема построения алыперативных монотонных морфологических фильтров.

2.4.3. Модульные схемы построения проективных морфологии.

2.4.4. Математическая морфология на базе преобразования Хафа и обобщенного преобразования Хафа.

2.4.5. Морфологическая фильтрация на базе рекуррентного преобразования Хафа в скользящем окне.

2.5. Конструирование морфологических операторов сегментации и сжатия данных.

2.5.1. Постановка задачи морфологической сегментации.

2.5.2. Морфологические операторы сегментации без потери информации. Дескрипторы минимального объема.

2.5.3. Морфологические операторы сегментации с потерей информации на базе проекторов минимального расстояния.

2.5.4. Морфологические операторы сегментации с потерей информации на базе монотонных проекторов.

2.5.5. Сегментация на базе преобразования Хафа. Информационно-энтропийные критерии и выбор параметров сегментации.

2.5.6. Обобщенные схемы морфологической сегментации. Выбор морфологической системы.

3. Критериальные проективные морфологии.

3.1. Обобщенная проективная морфология.

3.1.1. Алгебраические основы обобщенной проективной морфологии.

3.1.2. Схема построения проективных операторов на основе оптимальных критериев.

3.1.3. Проекторы минимального расстояния (максимального сходства).

3.1.4. Проекторы максимальной нормы проекции.<.

3.1.5. Квазимонотонные проекторы максимума обобщенной нормы.

3.1.6. Проекторы на базе предиката качества и хорошо определенной функции соответствия.

3.1.7. Проекторы на базе предикатов.J

3.1.8. Проекторы на базе признаковых описаний и параметрических моделей

3.1.9. Морфологии функций. Критерии на базе функционалов. Вычислительная эффективность.

3.2. Морфологический анализ изображений на основе неоднородных структурных моделей, описываемых логическими предикатами.

3.2.1. Метод конструирования процедур обнаруэ!сения структурных объектов, основанный на преобразованиях модельных описаний.

3.2.2. Проективные морфологии на базе неоднородных структурных моделей.

3.2.3. Морфологическое сравнение изображений с неоднородными моделялш„

3.3. Проективные морфологии на базе операторов фильтрации и сегментации изображений, вычислимых методом динамического программирования.

3.3.1. Фильтрация и сегментация одномерных функций методом динамического программирования.

3.3.2. Фильтрация и сегментация двумерных кривых (контуров бинарных изображений) методом динамического программирован ия.

3.3.3. Фильтрация и сегментация двумерных функций методом динамического программирования.

3.3.4. Построение проективной морфологии на базе среднеквадратичной ДП-сегментации.

3.3.5. Построение проективной морфологии на базе монотонной ДП-сегментации.

3.3. б. Проективные морфологии на базе унитарных операторов фильтрации и сегментации.

3.4. Проективные морфологии изображений на базе моделей, описываемых структурирующими функционалами.

3.4.1. Сопоставление (отоэюдествление фрагментов) одномерных функций методом динамического программирования.

3.4.2. Сопоставление (отоэюдествление фрагментов) двумерных функций методом динамического программирования.

3.4.3. Морфологическое проектирование функции на функцию на базе сравнения/отождествления фрагментов двумерных функций методом динамического программирования.

3.4.4. Проективные морфологии на базе структурирующих функций и фунщгюналов.

3.4.5. Проективные морфологии ансамблей функций на базе функционалов.

3.5. Проективные морфологии на базе методов интерполяции.

3.5.1. Проективная морфология на базе интерполяционных многочленов.

3.5.2. Проективная морфология на базе кусочно-линейной интерполяции.

3.5.3. Описание «формы» изображения и операция сравнения по форме.

3.5.4. Проективная люрфология на базе оптимальной кусочно-линейной интерполяции.

3.5.5. Проективные морфологии на базе критериальной структурной интерполяции образов.

4. Морфологический анализ свидетельств.

4.1. Метод морфологического анализа свидетельств.21В

4.1.1. Вероятностное обобщение методов проективного анализа изображений.

4.1.2. Признаки как достаточные статистики. Независимые признаки.

4.1.3. Максимально вероятные морфологические разложения и морфологические фильтры.

4.1.4. Задача локализации. Задача распознавания. Инвариантность. Локализующие признаки.

4.1.5. Параметризованные модели. События и гипотезы. Анализ морфологических свидетельств.

4.1.6. Методы повышения вычислительной эффективности процедур голосован ия.

4.1.7. Методика разработки алгоритмов анализа морфологических свидетельств.

4.2. Модель Марковских реляционных гиперграфов.

4.2.1. Неоднородные вероятностные структурные модели.

4.2.2. Объединение свидетельств при индексации неоднородной модели

4.2.3. Марковские реляционные гиперграфы.

4.3. Схема объединения свидетельств для общего случая сложных гипотез.

4.3.1. Тестирование сложных гипотез.

4.3.2. Связь с подходом Демпстера-Шафера.

4.3.3. Тестирование сложных гипотез. Случай неравномощного свидетельствования.

4.3.4. Тестирование сложных гипотез. Случай неортогональных гипотез.

4.3.5. Тестирование сложных гипотез. Случай несобираемых гипотез.

4.3.6. Тестирование сложных гипотез. Числовой пример.

5. Разработка специализированных методов морфологического анализа изображений и практических приложений машинного зрения.

5.1. Метод обнаружения продольных линий дорожной разметки на стереоизображениях дорожных сцен.

5.2. Метод обнаружения штриховых кодов и текстовых областей на изображениях.

5.2.1. Модифицированное преобразование Хафа.

5.2.2. Особенности модифицированного преобразования Хафа.

5.2.3. Проверка обнаруженных объемлющих прямоугольников.

5.3. Разработка элементов систем автоматизированного документооборота и систем автоматической идентификации.

5.3.1. Система автоматического поиска и считывания штриховых кодов.

5.3.2. Система автоматического распознавания машиночитаемых документов.

5.3.3. Системы контроля защищенных документов.

5.3.4. Системы контроля денежных банкнот.

5.3.5. Система считывания регистрационных номеров автомобилей.

5.3.6. Система считывания номеров железнодорожных вагонов и гщстерн.

5.4. Разработка элементов систем автоматизированного промышленного производства и контрольно-измерительных систем.

5.4.1. Система автоматического измерения угла схождения сварного шва.

5.4.2. Система автоматизированного бесконтактного измерения объема круглых лесоматериалов.

5.4.3. Система автоматического выделения и фильтрации следа частиц

5.4.4. Система автоматического распознавания и подсчета некондиционных кристаллов на круглой пластине.

5.5. Разработка элементов антитеррористических и биометрических систем

5.5.1. Системы обнаружения движущихся объектов и оставленных/ появившихся предметов.

5.5.2. Система автоматического выделения человеческого лица и слежения за его чертами.

5.5.3. Система распознавания жестов руки человека.

5.5.4. Система слежения за положением головы и направлением взгляда ребенка.

5.5.5. Система автоматического определения и сохранения стандартизованных цифровых изображений лица оформляемых пассажиров в пунктах пограничного, билетного и другого визуального контроля на транспорте.

5.5.6. Программное обеспечение и программно-аппаратный комплекс для автоматизированного контроля соответствия цифровых фотографических изображений лица требованиям стандарта

ISO/IEC FCD.

5.6. Разработка элементов медицинских компьютерных систем.

5.6.1. Проекты в области анализа и обработки медицинских изображений.

5.6.2. Система компьютерного анализа томографических изображений для диагностики воспалительных заболеваний пазух и полости носа (синуитов).

5.6.3. Система компьютерного анализа томографических изображений для оценки степени ожирения у мужчин.;.

5.6.4. Система компьютерного анализа медицинской рентгенографической информации для ранней диагностики остеопороза.

5.6.5. Система автоматизированного анализа цифровых рентгеновских маммографических изображений.

Введение диссертации (часть автореферата) на тему «Теория и методы морфологического анализа изображений»

Актуальность проблемы. Современные информационные системы предназначены для функционирования в нестандартной, меняющейся, неопределенной окружающей обстановке. При этом одним из наиболее важных источников информации является канал зрительного восприятия. Использование в современных информационных системах цифровых видеодатчиков с высоким разрешением (размер получаемых изображений (л 7 порядка КГ-Ю' элементов и более) позволило существенно приблизить информативность искусственных зрительных устройств к соответствующим характеристикам человеческого глаза. Тем острее стала ощущаться необходимость создания эффективных алгоритмов автоматического анализа изображений, обеспечивающих качественную обработку возросших объемов данных. Специфика разработки таких инженерных приложений определяется следующими основными особенностями. Во-первых, при разработке систем информационного обеспечения требуется решать не общую проблему автоматического понимания изображения произвольной сцены, а гораздо более определенную и узкую задачу проблемно-ориентированной интерпретации изображения, которая часто сводится либо к сегментации изображения на некоторые области с последующим анализом положения и свойств этих областей, либо к обнаружению и идентификации на изображении семантических объектов, присутствие которых может повлиять на формирование управления. И в том и в другом случае в основе решения задачи анализа изображения лежит некая интуитивно понимаемая или до определенной степени формализованная яркостно-геометрическая модель областей или объектов, подлежащих выделению. Во-вторых, к алгоритмам обработки изображений в системах информационного обеспечения предъявляются спег{иалъные требования, связанные с конкретными характеристиками разрабатываемой или уже существующей системы управления: быстродействие, достоверность обнаружения, точность измерения различных характеристик объектов.

Таким образом, в основе обработки и анализа изображений как прикладной технико-математической дисциплины лежат задачи математической формализации яркостно-геометрических моделей изображений (объектов) и построения процедур (методов) анализа наблюдаемых изображений на основе этих формализованных моделей. Примером такого рода моделей наиболее общего характера является хорошо известный класс разложений (ряды Фурье, обобщенные ряды Фурье и другие). Они позволяют выявлять внутреннюю структуру математических объектов, исследовать критические свойства, регулярным образом порождать различные наборы характеристик. В области анализа изображений стремление к созданию достаточно универсальных и в то же время предметно адекватных моделей и процедур для различных прикладных задач привело к возникновению целого ряда на первый взгляд совершенно различных методов современного компьютерного зрения, таких как корреляционное обнаружение и согласованная фильтрация, частотные и пространственно-частотные методы на базе двумерного преобразования Фурье [4],[60] и вейвлет-анализа [37], морфологический подход Ю.П. Пытьева, математическая морфология Серра, метод «нормализации фона», преобразование Хафа [171] и обобщенное преобразование Хафа, структурно-лингвистический подход и ряд других. Значительный вклад в разработку методов и алгоритмов обработки изображений и машинного зрения применительно к обсуждаемым задачам внесли работы Ю.П. Пытьева [85,86], Ю.И. Журавлева [59], Л.П. Ярославского [109-110], Ж.Серра 206,207], Д.Марра [75], Е.Дэвиса[134-142], Д.Балларда [116,117], А.Демпстера [144], Г.Шафера [208], У.Гренандера [41], М.Павель [201], Дж.Ту [101], К.Фу [103] и многих других. За последние десятилетия создано множество успешных систем машинного зрения, в которых в тех или иных сочетаниях используются упомянутые подходы и парадигмы. Однако отсутствие единого математического формализма для описания яркостно-геометрической структуры изображений и соответствующей единой методики разработки алгоритмов анализа изображений по-прежнему является серьезной проблемой, затрудняющей и замедляющей разработку новых приложений и практических систем машинного зрения. Рассматриваемые в данной диссертационной работе морфологический подход к анализу изображений, теория проективных морфологических разложений, а также более общий математический аппарат критериальной проективной морфологии позволяют вскрыть единую математическую природу большинства перечисленных подходов и таким образом обеспечить максимально возможную гибкость и вариативность предметно-ориентированного структурного анализа изображений.

Другой принципиальной проблемой современного анализа изображений является необходимость учета вероятностной природы реальных изображений, учет априорной информации, обеспечение устойчивости (робастности) процедур анализа изображений относительно различного рода шумов и искажений. Предлагаемый в данной диссертационной работе метод морфологического анализа свидетельств предназначен для описания вероятностных аспектов процедур структурного анализа изображений, основанных на сложных ярко-геометрических моделях.

Цель работы состоит в разработке теории и методов проективной морфологии как унифицированного подхода к описанию, разработке и использованию алгоритмов анализа изображений, основанных на яркостно-геометрических моделях изображений, и метода морфологического анализа свидетельств как средства описания вероятностных аспектов процедур морфологического анализа изображений. Практическая направленность работы заключается в разработке структуры и методологии программно-алгоритмического обеспечения ряда прикладных систем анализа изображений: систем автоматизированного документооборота, контрольно-измерительных систем, антитеррористических и биометрических систем, систем автоматизированного управления сложными мобильными объектами, медицинских компьютерных систем.

Для достижения цели исследования решаются следующие задачи:

• анализ существующих методов обработки и анализа изображений, исследование их критических свойств, включая разработку новых модификаций и обобщений этих методов, повышающих их эффективность и расширяющих область их действия;

• разработка обобщающего математического формализма, позволяющего с единых позиций описывать яркостно-геометрические аспекты процедур анализа изображений;

• разработка обобщающего математического формализма, позволяющего с единых позиций описывать вероятностные аспекты процедур анализа изображений;

• разработка методик автоматизированного конструирования алгоритмов анализа изображений;

• создание специализированных методов и алгоритмов анализа изображений для систем автоматического анализа документов, технических контрольно-измерительных систем, антитеррористических и биометрических систем, систем автоматизированного управления сложными мобильными объектами, медицинских компьютерных систем.

Методы исследования. В работе использованы методы:

• компьютерного зрения и обработки изображений [2,18,36,72,78,82,83, 95,100,106-108,111,119,122,162,164-166,169,174-175,178,179,181,184, 186, 191,196,198,200,203,205];

• теории множеств и универсальной алгебры [71,80,192,3,19,35,73,79,93]

• теории вероятности [20,21,65,84,94,155, 173];

• теории графов [70,104,132];

• логического и динамического программирования [1,8,12,105];

• генетического отбора [115,130,132,152,187].

Достоверность полученных результатов обеспечивается корректным использованием математического аппарата, соответствием результатов вычислительных экспериментов, выдвигаемых в диссертации положений и выводов качественного характера, а также результатами практического использования методов, предложенных в диссертации. Эффективность разработанных методов и алгоритмов подтверждена положительной статистикой обработки большого объема реальных изображений, полученных в различных условиях различными видеодатчиками.

Научная новизна диссертационной работы состоит в следующем:

1. Для унифицированного описания яркостно-геометрических аспектов широкого класса процедур анализа изображений разработана теория проективных морфологических разложений, опирающаяся на однородные структурные модели, представляющие изображения в виде объединения независимых линейных проекций на образующие (структурные примитивы) из некоторого набора, причем коэффициенты линейной связи образующих и анализируемого образа составляют регулярный вектор морфологического разложения, характеризующий данный образ. Определены морфологические корреляционные меры и соответствующие схемы сравнения и яркостно-геометрической привязки изображений на основе их морфологических разложений. Предложен единый подход к построению алгоритмов структурной фильтрации, сжатия и сегментации цифровых изображений, а также обнаружения и идентификации объектов на изображениях, основанный на проективных морфологических разложениях.

2. Для унифицированного описания яркостно-геометрических аспектов более общего класса процедур анализа изображений предложен математический аппарат критериальной проективной морфологии, позволяющий использовать как однородные, так и неоднородные модели данных, накладывающие определенные дополнительные условия на связи между элементами структурной яркостно-геометрической модели. Предложена и исследована схема построения критериальных морфологических операторов анализа изображений на основе стандартного морфологического критерия, включающего критерий соответствия проекции и проектируемого образа, критерий (предикат) допустимости решения, критерий качества проекции, характеризующий ее принадлежность модели, и структурирующий параметр, обеспечивающий компромисс между требованиями соответствия и качества. Сформулированы необходимое и достаточные условия проективности критериальных морфологических операторов. Показано, что структурирующий параметр морфологического критерия определяет морфологическую сложность соответствующей модели.

3. Для описания вероятностных аспектов процедур анализа изображений разработан метод морфологического анализа свидетельств, отличающийся тем, что вероятностная структурная модель объекта используется непосредственно в ходе низкоуровневого анализа изображения. При этом каждая обнаруженная особенность данного изображения рассматривается как событие, свидетельствующее в пользу гипотезы (ряда гипотез) о наличии и характеристиках искомого объекта, а процесс проверки гипотез управляется событиями в том смысле, что каждое выявленное событие инициирует обработку лишь тех гипотез, на апостериорную вероятность которых данное событие может повлиять. Получены обобщения данной схемы для случая неоднородных моделей объектов, описываемых Марковскими реляционными гиперграфами, а также для общего случая сложных немарковских моделей.

4. Разработана обобщенная методика построения монотонных и ортогональных морфологических фильтров. На ее основе предложена оригинальная схема построения математической морфологии на базе преобразования Хафа и его различных модификаций. Предложен оригинальный алгоритм вычислительно эффективной реализации рекуррентного преобразования Хафа в скользящем окне.

5. Предложен и обоснован широкий класс проективных морфологии на базе структурной интерполяции. Предложены оригинальные проективные морфологические разложения, а также критериальные проективные операторы сегментации и реконструкции одномерных и двумерных данных, реализуемые с использованием различных методов интерполяции одномерных и двумерных функций.

6. Разработан метод автоматизированного конструирования алгоритмов анализа изображений, основанный на преобразованиях исходных модельных описаний, описываемых логическими предикатами, к модельным описаниям, соответствующим метаалгоритмам известных схем анализа изображений. Предложены проективные морфологии на базе неоднородных структурных моделей, описываемых логическими предикатами.

7. Разработан оригинальный метод автоматизированного конструирования модульных морфологических процедур анализа изображений, основанный на «генетическом отборе» информативных элементов.

На защиту выносятся:

1. Математический аппарат, схемы алгоритмической реализации и практического использования теории проективных морфологических разложений, позволяющей с единых позиций рассматривать такие методы анализа изображений как корреляционный анализ, математическая морфология Серра, морфология разбиений кадра Ю.П. Пытьева, методы голосования, восходящие к преобразованию Хафа, частотные и пространственно-частотные методы фильтрации. Условия существования проективных разложений. Свойства проективных разложений, а также построенных на их основе морфологических операторов и коэффициентов морфологической корреляции.

2. Математический аппарат, схемы алгоритмической реализации и практического использования критериальной проективной морфологии, позволяющей распространить проективный морфологический подход на случай неоднородных структурных моделей. Достаточные условия проективности критериальных морфологических операторов. Свойства обобщенных морфологических операторов и коэффициентов морфологической корреляции.

3. Метод морфологического анализа свидетельств, позволяющий строить вычислительно эффективные и вероятностно обоснованные алгоритмы выделения на изображениях объектов, описываемых различными яркостно-геометрическими моделями. Схемы объединения свидетельств для сложных структурных моделей.

4. Обобщенная методика построения монотонных морфологических фильтров, позволяющая строить морфологические фильтры Серра на базе произвольных исходных операторов. Математическая морфология на базе преобразования Хафа и его модификаций.

5. Проективные морфологические разложения на базе кусочной интерполяции одномерных и двумерных функций. Критериальные проективные морфологии на базе интерполяции структурных описаний.

6. Проективные морфологии на базе неоднородных структурных моделей, описываемых логическими предикатами.

7. Метод автоматизированного конструирования модульных процедур обнаружения объектов, основанный на «генетическом отборе» информативных элементов, позволяющий в процессе обучения по наборам эталонов формировать модульные алгоритмы обнаружения объектов на изображениях, близкие к оптимальным по критерию робастность/трудоемкость.

Практическая ценность. Практическая ценность работы состоит в применении разработанных методов и процедур анализа изображений при решении ряда практических задач, в . том числе - в системах автоматизированного документооборота, контрольно-измерительных системах, системах видеонаблюдения, антитеррористических и биометрических системах, системах автоматизированного управления сложными мобильными объектами, медицинских радиологических приложениях. Предложенные методы продемонстрировали надежность в сложных условиях применения и обладают возможностью вычислительной реализуемости для систем реального масштаба времени.

Эффективность разработанных методов и алгоритмов подтверждена положительной статистикой обработки большого объема реальных изображений, полученных различными оптическими системами.

Было разработано программно-алгоритмическое обеспечение для систем обнаружения и считывания штриховых кодов, считывания паспортно-визовой информации, анализа подлинности защищенных документов, считывания номеров автомобилей, вагонов и цистерн, автоматической сортировки писем, автоматического выделения и фильтрации треков горячих частиц, автоматического измерения угла схождения сварного шва, автоматического измерения объема круглых лесоматериалов, автоматического выделения и межкадрового прослеживания движущихся объектов и выделения оставленных предметов на видеопоследовательностях, автоматического выделения человеческого лица и слежения за его чертами, трехмерной реконструкции лиц, автоматической регистрации изображений лица пассажиров в пунктах контроля на транспорте, автоматизированной регистрации цифровых изображений лица для биометрических документов, биомеханических исследований на основе высокоскоростной стереосъемки движений человека, комплексирования двумерной информации от датчиков различной физической природы, выделения движущихся объектов на изображениях от подвижного сенсора, определения собственной полосы движения автомобиля, компьютерного анализа томографических изображений для диагностики воспалительных заболеваний пазух и полости носа (синуситов), компьютерного анализа медицинской рентгенографической информации для ранней диагностики остеопороза, автоматизированного анализа цифровых рентгеновских маммографических изображений.

Реализация результатов работы. Полученные теоретические и практические результаты использовались при проведении целого ряда научно-исследовательских и опытно-конструкторских работ, а также при выполнении международных контрактов, в частности: НИР "Феникс-НТ", "Образ", "Секира" и др. выполнявшихся ФГУП ГосНИИАС по заказам Министерства обороны РФ в 1994-2006 гг., НИР "Информационные технологии 1996-2005", выполнявшихся ФГУП ГосНИИАС по заказам Министерства экономики РФ, Минпромнауки РФ и в соответствии с президентской программой "Национальная технологическая база", ОКР «Контролер», выполнявшейся ФГУП ГосНИИАС по заказу Минпромэнерго РФ в 2005-2006 гг. ОКР «Рубеж-визит», выполнявшейся ФГУП ГосНИИАС по заказу Пограничной службы РФ в 2006-2007 гг., контрактов ФГУП ГосНИИАС № 605018, № 42/10 с фирмой Intermec (США) в 1993-94, 2000 гг., контрактов TG001-TG005 с фирмами Novecon Technologies и Silber Semiconductors (США) в интересах фирм Sumitomo, Toyota Motors (Япония) в 1998-2000 гг., контракта ЗАО «Институт информационных технологий» с фирмой National Instruments (США) в 20022003 гг., грантов РФФИ №00-01-00315-а (исполнитель), №05-08-18234-а (руководитель).

Апробация работы. Основные результаты работы докладывались автором на следующих международных конференциях:

- ISPRS Intercommission workshop. - г. Цюрих, 1995;

- Digital Photogrammetry and Remote Sensing. - г. С-Петербург, 1995;

- Satellite Remote Sensing II - г. Париж, Франция, 1995;

- Конгрессах ISPRS - XVIII, г. Вена, Австрия, 1996; XX, г. Стамбул, Турция, 2004.

- Конференциях SPIE Photonics - г. Сан-Хосе, Калифорния, США, 2001, 2002.

- Третьей международной конференции "Цифровая обработка информации и управление в чрезвычайных (экстремальных) ситуациях" - г. Минск, Беларусь, 2002.

- Конференции N1NIWEEK - г. Остин, Техас, США, 2003.

- 16 симпозиуме IF AC Symposium on Automatic Control in Aerospace - г.Санкт-Петербург, 2004.

- Конференции BIOMETRICS AIA® TTS «Biometrics in Aviation Security» -г.Москва, 2005.

- Конференциях BIOMETRICS AIA® TTS «Транспортные и пассажирские системы» - г.Москва, 2006, 2007.

- Конференциях BIOMETRICS AIA® LEGS «Паспортные и правоохранительные системы» - г.Москва, 2006, 2007.

- 9-й международной конференции "Распознавание образов и анализ изображений: новые информационные технологии", г. Нижний Новгород, 2008. а также на всероссийских конференциях:

- I-III научно-практических конференциях РОФДЗ «Современные проблемы фотограмметрии и дистанционного зондирования» — г.Москва, 2000, 2001, 2002.

- Юбилейной научно-технической конференции «Авиационные системы в XXI веке», г. Москва, 2006.

- VI Рабочем совещании Российской секции международного общества по интеллектуальным вычислениям (IEEE Computational Intelligence Society) «Биометрические системы» («Biometrics»), г.Москва, 2006.

Публикации. Содержание диссертации опубликовано в 53 статьях и докладах, а также монографии. Практические приложения содержатся в более чем тридцати научно-технических отчетах, выполненных под руководством и при непосредственном участии автора. Структура и объём работы.

Диссертация состоит из введения, пяти глав, заключения, списка литературы (227 наименований), изложенных на 323 страницах, имеет 85 рисунков, 4 таблицы.

Заключение диссертации по теме «Теоретические основы информатики», Визильтер, Юрий Валентинович

Заключение

Диссертационная работа посвящена разработке теории и методов проективной морфологии как унифицированного подхода к описанию, разработке и использованию алгоритмов анализа изображений, основанных на яркостно-геометрических моделях изображений, и метода морфологического анализа свидетельств как средства описания вероятностных аспектов процедур морфологического анализа изображений. Практическая направленность работы заключается в разработке структуры и методологии программно-алгоритмического обеспечения ряда прикладных систем анализа изображений: систем автоматизированного документооборота, контрольно-измерительных систем, антитеррористических и биометрических систем, систем автоматизированного управления сложными мобильными объектами, медицинских компьютерных систем.

В ходе исследований получены следующие основные результаты:

1. Для унифицированного описания яркостно-геометрических аспектов широкого класса процедур анализа изображений предложена теория проективных морфологических разложений, опирающаяся на однородные структурные модели, представляющие изображения в виде объединения независимых линейных проекций на образующие (структурные примитивы) из некоторого набора, причем коэффициенты линейной связи образующих и анализируемого образа составляют регулярный вектор морфологического разложения, характеризующий данный образ. Определены морфологические корреляционные меры и соответствующие схемы сравнения и яркостно-геометрической привязки изображений на основе их морфологических разложений. Предложен единый подход к построению алгоритмов структурной фильтрации, сжатия и сегментации цифровых изображений, а также обнаружения и идентификации объектов на изображениях, основанный на проективных морфологических разложениях.

2. Для унифицированного описания яркостно-геометрических аспектов более общего класса процедур анализа изображений предложена теория критериальной проективной морфологии, позволяющая использовать как однородные, так и неоднородные модели данных, накладывающие определенные дополнительные условия на связи между элементами структурной яркостно-геометрической модели. Предложена и исследована схема построения критериальных морфологических операторов анализа изображений на основе стандартного морфологического критерия, включающего критерий соответствия проекции и проектируемого образа, критерий (предикат) допустимости решения, критерий качества проекции, характеризующий ее принадлежность модели, и структурирующий параметр, обеспечивающий компромисс между требованиями соответствия и качества. Сформулированы необходимое и достаточные условия проективности критериальных морфологических операторов. Показано, что структурирующий параметр морфологического критерия определяет морфологическую сложность соответствующей модели.

3. Для описания вероятностных аспектов процедур анализа изображений разработан метод морфологического анализа свидетельств, отличающийся тем, что вероятностная структурная модель объекта используется непосредственно в ходе низкоуровневого анализа изображения. При этом каждая обнаруженная особенность данного изображения рассматривается как событие, свидетельствующее в пользу гипотезы (ряда гипотез) о наличии и характеристиках искомого объекта, а процесс проверки гипотез управляется событиями в том смысле, что каждое выявленное событие инициирует обработку лишь тех гипотез, на апостериорную вероятность которых данное событие может повлиять. Получены обобщения данной схемы для случая неоднородных моделей объектов, описываемых Марковскими реляционными гиперграфами, а также для общего случая сложных немарковских моделей. В последнем случае предложенная схема позволяет вычислять две независимые оценки достоверности - коэффициент доверия и достоверность. При условии, что рассматриваются только "подкрепляющие" свидетельства, пара указанных значений определяет доверительный интервал свидетельской достоверности.

4. Разработана обобщенная методика построения модульных морфологических фильтров. На ее основе предложена оригинальная схема построения математической морфологии на базе преобразования Хафа и его модификаций (Н-морфология), а также ее обобщение на случай полутоновых изображений. Предложены оригинальный алгоритм вычислительно эффективной реализации рекуррентного преобразования Хафа в скользящем окне и соответствующая Н-морфология. Особенностями предложенного алгоритма являются: двухпроходное голосование (по столбцам и по строкам), а также использование специальной натуральной параметризации прямых линий, обеспечивающей возможность рекуррентного обновления значений аккумулятора при переходе к каждому следующему положению скользящего окна.

5. Предложен и обоснован широкий класс проективных морфологий на базе структурной интерполяции. Предложены оригинальные проективные морфологические разложения, а также критериальные проективные операторы сегментации и реконструкции одномерных и двумерных данных, реализуемые с использованием различных методов кусочной интерполяции одномерных и двумерных функций.

6. Разработан метод автоматизированного конструирования алгоритмов анализа изображений, основанный на преобразованиях исходных модельных описаний к модельным описаниям, соответствующим метаалгоритмам известных схем анализа изображений. Предложены проективные морфологии на базе неоднородных структурных моделей, описываемых логическими предикатами.

7. Разработан метод автоматизированного конструирования модульных процедур обнаружения объектов, основанный на «генетическом отборе» информативных элементов эталонных изображений в процессе обучения. При этом критерием отбора является функция качества, вычисляемая по значениям точности, надежности и времени работы процедуры на изображениях обучающей выборки.

8. Разработан метод обнаружения штриховых кодов и текстовых строк на полутоновых изображениях, основанный на использовании оригинальной процедуры анализа свидетельств - модифицированного преобразования Хафа (МНТ), отличающегося сведением задачи поиска штриховой полосы к задаче обнаружения вспомогательных интегральных признаков в дифференцированном пространстве Хафа. Предложенный метод успешно реализован в разработанных системах обнаружения и считывания штриховых кодов, считывания паспортно-визовой информации, анализа подлинности защищенных документов, считывания номеров автомобилей, вагонов и цистерн, автоматической сортировки писем.

9. Разработан метод обнаружения продольных линий дорожной разметки на стереоизображениях дорожных сцен, представляющий собой специальную процедуру анализа морфологических свидетельств, суть которой заключается в голосовании пар сегментов разных строк, входящих в зону поиска, в пользу набора гипотез о положении и направлении линии разметки, представленных в виде массива-аккумулятора, причем выбранная параметризация аккумулятора позволяет непосредственно при анализе аккумулятора учитывать геометрические стерео ограничения. Разработанная система выделения собственной полосы движения автомобиля была реализована для перспективного автомобиля повышенной безопасности А8У-2 (Япония) и показала устойчивое функционирование в разнообразных условиях погоды и освещения.

10. Разработаны специализированные методы и алгоритмы анализа изображений для систем автоматического выделения и фильтрации треков горячих частиц, автоматического измерения угла схождения сварного шва, автоматического измерения объема круглых лесоматериалов, автоматического выделения и межкадрового прослеживания движущихся объектов и выделения оставленных предметов на видеопоследовательностях, автоматического выделения человеческого лица и слежения за его чертами, трехмерной реконструкции лиц, автоматической регистрации изображений лица пассажиров в пунктах контроля на транспорте, автоматизированной регистрации цифровых изображений лица для биометрических документов, биомеханических исследований на основе высокоскоростной стереосъемки движений человека, комплексирования двумерной информации от датчиков различной физической природы, выделения движущихся объектов на изображениях от подвижного сенсора, определения собственной полосы движения автомобиля, компьютерного анализа томографических изображений для диагностики воспалительных заболеваний пазух и полости носа (синуитов), компьютерного анализа медицинской рентгенографической информации для ранней диагностики остеопороза, автоматизированного анализа цифровых рентгеновских маммографических изображений.

Список литературы диссертационного исследования доктор физико-математических наук Визильтер, Юрий Валентинович, 2008 год

1. АГАФОНОВ В.(ред.) Логическое программирование. М: Мир 1988. 368с.

2. АНИСИМОВ Б.В., КУРГАНОВ В.Д., ЗЛОБИН В.К. Распознавание и цифровая обработка изображений. М.: Высшая школа, 1983, с.295.

3. АТЬЯ М., МАК ДОНАЛЬД И. Введение в коммутативную алгебру. Факториал Пресс 2003г. 142с.м

4. БЕИТС Р., МАК-ДОННЕЛ М. Восстановление и реконструкция изображений. Мир 1989. 336с.

5. БЕКЕТОВА И.В., КАРАТЕЕВ С.Л., ВИЗИЛЬТЕР Ю.В., БОНДАРЕНКО A.B., ЖЕЛТОВ С.Ю. Автоматическое обнаружение лиц на цифровых изображениях на основе метода адаптивной классификации AdaBoost. Вестник компьютерных и информационных технологий, N8, 2007.

6. БЕКЕТОВА И.В., КАРАТЕЕВ С.Л., ВИЗИЛЬТЕР Ю.В., БОНДАРЕНКО A.B., ЖЕЛТОВ С.Ю. Программно-аппаратный комплекс подготовки и контроля цифровых фотографий для биометрических документов. Вестник компьютерных и информационных технологий, N2, 2008, с.9-14.

7. БЕЛОГЛАЗОВ И.Н., ТАРАСЕНКО В.П. Корреляционно-экстремальные системы. М.: Сов. Радио, 1974, с.392.

8. БЕРДЖ В. Методы рекурсивного программирования. М: Машиностроение 1983. 248с.

9. БОКС ДЖ., ДЖЕНКИНС Г. Анализ временных рядов. Прогноз и Управление. М.: Мир, 1974.

10. БОНДАРЕНКО A.B., ВИЗИЛЬТЕР Ю.В., КНЯЗЬ В.А., КОПЫЛОВ Д.Н. Тренажер нового поколения для обучения распознаванию владельца документа. Пограничник Содружества, N3(51), 2007, с.59-61.

11. БОЧКАРЕВ A.M. Корреляционно-экстремальные системы навигации. Зарубежная радиоэлектроника, 1981, № 9, с.28-53.

12. БРАТКО И. Программирование на языке Пролог для искусственного интеллекта. М: Мир 1990. 560с.

13. БРОНШТЕЙН И.Н., СЕМЕНДЯЕВ К.А. Справочник по математике для инженеров и учащихся втузов. М. Наука 1986г. 544с.

14. БУТАКОВ Е.А., ОСТРОВСКИЙ В.И., ФАДЕЕВ И.Л. Обработка изображений на ЭВМ. М.: Радио связь, 1987, с.250.

15. ВАН-ДЕР ВАРДЕН Б.Л. Алгебра. М.: Наука, 1979.

16. ВАПНИК В.Н., ЧЕРВОНЕНКИС А.Я. Теория распознавания образов. М.: Наука, 1974.

17. ВЕНТЦЕЛЬ Е.С. Теория вероятностей. М. Высшая школа, 2006, изд. 10, 575с.

18. ВИЗИЛЬТЕР Ю.В. Объединение свидетельств при проверке сложных гипотез в задачах pácno3HaBaHmi образов. Мехатроника, автоматизация, управление. Приложение. N3, 2006, с.26-32.

19. ВИЗИЛЬТЕР Ю.В. Применение метода анализа морфологических свидетельств в задачах машинного зрения. Вестник компьютерных и информационных технологий, N9, 2007, с. 11-18.

20. ВИЗИЛЬТЕР Ю.В., Б.В. ВИШНЯКОВ, ОСОСКОВ М.В., ВЫГОЛОВ О.В. Использование модифицированного метода оптических потоков в задаче выделения и прослеживания движущихся объектов. Вестник компьютерных и информационных технологий, N5, 2007.

21. ВИЗИЛЬТЕР Ю.В., ЖЕЛТОВ С.Ю., КНЯЗЬ В.А., ХОДАРЕВ А.Н., МОРЖИН A.B. Обработка и анализ цифровых изображений с примерами на Lab VIEW и IMAQ Vision. Москва: ДМК пресс, 2007, 464 стр.

22. ВИЗИЛЬТЕР Ю.В., ЖЕЛТОВ С.Ю., СТЕПАНОВ A.A. Новые методы обработки изображений. НЗНТ, Серия: Авиационные системы / ГосНИИАС, 1992, №4, с.21.

23. ВИЗИЛЬТЕР Ю.В., ЖЕЛТОВ С.Ю. Сравнение и локализация фрагментов изображений с использованием проективных морфологий. Вестник компьютерных и информационных технологий, N2, 2008, с. 14-22.

24. ВИЗИЛЬТЕР Ю.В. Метод компьютерного анализа изображений, основанный на объединении морфологических свидетельств. Труды ГосНИИАС, серия «ИТ», N2, 2005, с14-25.

25. ВИЗИЛЬТЕР Ю.В., МОРЗЕЕВ Ю.В., БЕКЕТОВА И.В., КАРАТЕЕВ С.Л. Методы биометрической идентификации человека по изображениям его лица. Вестник компьютерных и информационных технологий. N11, 2005, с.2-10.

26. ВИНБЕРГ Э.Б. Курс алгебры. М.: Факториал 2001, 544с.

27. ВИТТИХ В.А., СЕРГЕЕВ В.В., СОЙФЕР В.А. Обработка изображений в автоматизированных системах научных исследований. М.: Наука, 1982, с.216.

28. ГОНСАЛЕС Р., ВУДС Р., Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.

29. ГОРЕЛИК А.Г., ГУРЕВИЧ И.Б., СКРИПКИН В.А. Современное состояние и проблемы распознавания. М.: Радио и связь, 1985, с. 160.

30. ГОРЕЛИК А.Г., СКРИПКИН В.А. Методы распознавания. М.: Высшая школа, 1984, с.208.

31. ГОРБАНЬ А.Н., Обучение нейронных сетей, М.: СП ПараГраф, 1991.

32. ГРЕНАНДЕР У. Лекции по теории образов. М.: Мир. Т.1. 1979, 384с; Т.2. - 1981, 448с; Т.З - 1983, 432с.

33. ДЕЛОНЕ Б.Н. О пустоте сферы. Изв. АН СССР, ОМЕН. 1934, 4. с.793-800.

34. ДУДА Р., ХАРТ П. Распознавание образов и анализ сцен: Пер. с анг. М.: Мир, 1976, с.511.

35. Анализ и разработка алгоритмического обеспечения, реализующего процедуры обнаружения ДОН на ПНФ: Отчет по договору/ НПО ИТ; Руководитель работы Желтов С.Ю. Исполнители: Визильтер Ю.В. и др. — этап II, 1992, с.45.

36. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В. "Машинное зрение: задачи и возможности", в сборнике "Технологии машинного зрения. Регистрация и анализ цифровых изображений", "Видеоскан", Москва, 2001, с.14-16.

37. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В. Измерение угла схождения сварного шва с использованием преобразования Hough: ISPRS Intercommission workshop. Zurich, 1995.

38. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В. Машинное зрение как прикладная техническая дисциплина. Вестник компьютерных и информационных технологий. N3, 2004, с. 14-19.

39. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В. Машинное зрение как прикладная техническая дисциплина. Вестник компьютерных и информационных технологий. N3, 2004, с.14-19.

40. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В., МОРЗЕЕВ Ю.В, СТЕПАНОВ A.A. Статья "Объектно-ориентированный подход для разработки улучшенных интерфейсов для систем обработки изображений", печ. SPIE Proceedings, Volume 2597. 4.

41. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В., МОРЗЕЕВ Ю.В. и др. Отчет "Разработка методики компьютерного анализа медицинской рентгенографической информации на примере задачи ранней диагностики остеопороза". рук. НЦ "Микроприбор", 1997 г. 51с.

42. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В., МОРЗЕЕВ Ю.В., СТЕПАНОВ A.A. Фреймовая парадигма и объектно-ориентированная обработка изображений для задач фотограмметрии. SPIE Proceedings, 1995, vol. 2646, с.234-239.

43. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В., ОСОСКОВ М.В., БЕКЕТОВА И.В., КАРАТЕЕВ С.Л. Автоматическое выделение на цветных цифровых изображениях лица человека и его характерных черт. Вестник компьютерных и информационных технологий, N10, 2005, с.2-7.

44. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В., СТЕПАНОВ A.A. Детектирование и распознавание объектов с использованием анализа изображений, основанного на событиях. SPIE Proceedings, 1996, vol. 2823.

45. ЖЕЛТОВ С.Ю., ВИЗИЛЬТЕР Ю.В., СТЕПАНОВ A.A. Событийный анализ изображений в задачах машинного зрения и цифровой фотограмметрии: ISPRS Proceedings, International archives of photogrammetry, remote sensing, -Vienna, Austria, 1996, vol. XXXI, part III.

46. ЖЕЛТОВ С.Ю., СТЕПАНОВ A.A., ВИЗИЛЬТЕР Ю.В., МОРЗЕЕВ Ю.В. Объектно-ориентированный фреймовый подход в обработке изображений и управления данными, получаемыми от датчиков различной физической природы. SPIE Proceedings, 1994, vol. 2587.

47. ЖЕЛТОВ С.Ю., СТЕПАНОВ A.A., ВИЗИЛЬТЕР Ю.В., МОРЗЕЕВ Ю.В. Статья "Полная объектно-ориентированная обработка изображений", печ. Научно-техническое обозрение государственного технического университета г.Валенсьена (Франция), 1995. 6.

48. ЖУРАВЛЕВ Ю.И., ГУРЕВИЧ И.Б. Распознавание образов и распознавание изображений: /Распознавание, классификация, прогноз. Математические методы и их применение. Ежегодник. М.: Наука, 1989, вып.2, с.302.

49. ЗАЛМАНЗОН Л. Преобразования Фурье, Уолша, Хаара и их применение в управлении, связи и других областях. Наука 1989. 496с.

50. Исследования с целью создания экспертной системы обработки изображений: Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Визильтер Ю.В. и др. № 342 (12887), 1990, с.31.

51. КАПТЬЯП Р., РАО А. Построение динамических стохастических моделей по экспериментальным данным. М.: Наука, 1983, 384с.

52. КЕНДАЛЛ М., СТЬЮАРТ А. Многомерный статистический анализ и временные ряды. М: Наука, 1976, 736с.

53. КОЛМОГОРОВ А. Н. Основные понятия теории вероятностей. Изд. 3-е. М.: ФАЗИС, 1998. 144 с.

54. Комплекс работ по созданию новых информационных технологий по программе "Национальная технологическая база": Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Степанов A.A., Визильтер Ю.В. идр.-№ 111(14182)96, 1996, кн.1, с.154икн.П, с.328.

55. Комплекс работ по созданию новых информационных технологий по программе "Национальная технологическая база": Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Блохинов Ю.Б., Визильтер Ю.В. и др. № 79(14263)97, 1997, с.36.

56. КРАСОВСКИЙ A.A., БЕЛОГЛАЗОВ И.Н., ЧИГИН Г.П. Теория корреляционно-экстремальных навигационных систем. М.: Наука, 1979, с.448.

57. КРИСТОФИДЕС Н. Теория графов. Алгоритмический подход. М: Мир 1978. 432с.

58. КУРАТОВСКИЙ К., МОСТОВСКИЙ А. Теория множеств. М: Мир, 1970, 416с.

59. ЛЕВШИН В.Л. Биокибернетические оптико-электронные устройства автоматического распознавания изображений. М.: Машиностроение, 1987, с.176.

60. ЛЕФОР Г. Алгебра и анализ. М: Наука, 1973,464с.

61. ЛИГГЕТТ Т. Марковские процессы с локальным взаимодействием: М. Мир, 1989, 552с.

62. МАРР Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов. — М.: Радио и связь, 1987, с.400.

63. Новые информационные технологии обработки и анализа медицинских изображений: Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Визильтер Ю.В. и др. НИР "Кадр- С", 1996, с.58.

64. ПОЙА Д. Математическое открытие. М: Наука, 1976. 448с.

65. ПАВЛИДИС Т. Алгоритмы машинной графики и обработки изображений: Пер. с анг. М.: Радио и связь, 1986, с.400.

66. ПЛОТКИН Б.И. Универсальная алгебра, алгебраическая логика и базы данных. М.: Наука, 1991. 446с.

67. ПОСПЕЛОВ Д.А. (под ред). Нечеткие множества в моделях управления и искусственного интеллекта // Проблемы искусственного интеллекта. М: Наука, 1986,312с.

68. ПРЕПАРАТА Ф., ШЕЙМОС М. Вычислительная геометрия: Введение. М: Мир 1989. 478с.

69. ПРЭТТ У. Цифровая обработка изображений: Пер. с анг. М.: Мир, 1982, 1 kh.-c.525, 2 kh.-c.474.

70. ПУГАЧЕВ. B.C. Теория вероятностей и математическая статистика. М. Физматлит, 2002, 496 стр.

71. ПЫТЬЕВ Ю.П. Задачи морфологического анализа изображений/Сб. "Математические методы исследования природных ресурсов Земли из Космоса." М.: Наука, 1984, с.41-83.

72. ПЫТЬЕВ Ю.П. Морфологический анализ изображений. Доклад АН СССР, 1983, т. 269. № 5, с. 1061-1064.

73. Разработка унифицированного комплекса алгоритмов цифровой обработки и анализа медицинских изображений: Отчет/ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Визильтер Ю.В. и др. НИР "Кадр-бТМ-МП", 1996, с.92.

74. РОБИНСОН А. Введение в теорию моделей и метаматематику алгебры. М: Наука, 1967. 376с.

75. РОЗАНОВ Ю.А. Марковские случайные поля, М. Наука, 1981, 256с.

76. РОЗЕНФЕЛЬД А. Распознавание и обработка изображений с помощью вычислительных машин: Пер. с анг. М.: Мир, 1972, с.230.

77. СКВОРЦОВ A.B. Обзор алгоритмов построения триангуляции Делоне. Вычислительные методы и программирование, 2002, 3. с. 14-39.

78. ТЕЙ А., ГРИБОМОН П., ЛУИ Ж. Логический подход к искусственному интеллекту. От классической логики к логическому программированию. М: Мир, 1990.

79. Технология организации обработки машиночитаемых документов для широкого внедрения в федеральные и ведомственные службы: Отчет/ ГУЛ ГосНИИАС; Руководитель работы Желтов С.Ю. Исполнители: Степанов A.A., Визильтер Ю.В. и др. № 67(14351)98, 1998.

80. ТИХОНОВ А.Н. Теория восстановления сигналов. М.: Наука, 1983, с.225.

81. ТУ ДЖ., ГОНСАЛЕС Р. Принципы распознавания образов. М.: Мир, 1978, с.411.

82. ФОРСАЙТ А., ПОНС ДЖ. Компьютерное зрение. Современный подход. М: «Вильяме», 2004. 928с.

83. ФУ К. Структурные методы в распознавании образов. М.: Мир, 1977, с.320.

84. ХАРАРИ Ф. Теория графов. М: Мир, 1973, 302с.

85. ХОГГЕР К. Введение в логическое программирование. М: Мир 1988. 348с.

86. ХОРН Б.К.П. Зрение роботов. М.: Мир, 1989, с.487.

87. ХУАНГ Т.С. Обработка изображения и цифровая фильтрация. М.: Мир, 1979, с.274.

88. ЦЫПКИН Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968, с.390.

89. ЯРОСЛАВСКИЙ Л.П. Введение в цифровую обработку изображений. М.: Сов. Радио, 1979, с.312.

90. ЯРОСЛАВСКИЙ Л.П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику. М.: Радио и связь, 1987, с.296.

91. ALOIMONOS J.Y., WEISS I., BANDYOPADHYAY A. Active vision. -Int.J.Computer Vision, 1988, № 1, pp. 681-688.

92. AMIT Y. 2D Object Detection, Recognition: models, algorithms,, networks, MIT press, 2002.

93. ANANDAN P. A computational framework, an algorithm for the measurement of visual motion. Int. J. Сотр. Vision, 2. pp. 283-310. 1989.

94. AYACHE N., FAUGERAS O.D. HYPER. A new approach for the recognition, positioning of two-dimensional objects. IEEE Trans. Pattern Anal. Mach. Intell., 1986, № 8(1), pp. 44-54.

95. BACK T. Evolutionary Algorithms in theory, practice, Oxford university, 1996.

96. BALLARD D.H. Generalizing the Hough transform to detect arbitrary shapes. Pattern Recognition, 1981, 13(2) , pp. 111-122.

97. BALLARD D.H., BROWN C.M. Computer Vision. Prentice-Hall, Englewood Cliffs, New Jersey, 1982.

98. BARRON J.L., FLEET D.J., BEAUCHEMIN S.S. Performance of optical flow techniques. International Journal of Computer Vision, 12(1). pp. 43-77. 1994.

99. BATCHELOR B.G., HILL D.A., HODGSON D.C. Automated Visual Inspection. IFS (Publications) Ltd. Bedford, UK/North-Holland, Amsterdam, 1985.

100. BELHUMEUR P. N., HESPANHA J. P., KRIEGMAN D. J. Eigenfaces vs Fisherfaces: Recognition Using Class Specific Linear Projection. IEEE Transactions on Pattern Analysis, Machine Intelligence 1997, Vol. 19, pp. 711-720.

101. BENDER E.A. Mathematical Methods in Artificial Intelligence. IEEE Comput. Society Press, Los Alamitos, California, 1996, p.636.

102. BOVIK A.C., HUANG T.S., MUNSON D.C. The effect of median filtering on edge estimation, detection. IEEE Trans. Pattern Anal. Mach. Intell., 1987, № 9, pp.181-194.

103. BRADY J.M., WANG H. Vision for mobile robots. Phil Trans R. Soc. (London), 1992, 337, pp. 341-350.

104. BROWN C.M. Inherent bias, noise in the Hough transform. IEEE Trans. Pattern Anal. Mach. Intell., 1983, № 5, pp. 493-505.

105. BRUNELLI R., POGGIO T. Face recognition: features versus templates // IEEE Transactions on Pattern Analysis, Machine Intelligence, 1993. Vol.15. P. 235241.

106. BURNS J., HANSON A., RISEMAN E. Extracting straight lines, IEEE Trans. On Patt. Analysis, Machine Intel, 1986, vol.8, № 4.

107. BURYAK D.YU, VIZILTER YU.V. Application of genetic algorithms for automated construction of image analysis procedures. Pattern Recognition, Image Analysis, Vol. 13, No. 1, 2003, pp. 77-79.

108. BURYAK D.YU, VIZILTER YU.V. Automated construction of identification procedures for objects belonging to several classes. Programming, Computer Software. Vol. 29, No. 4, 2003, pp. 238-243.

109. BURYAK D.YU, VIZILTER YU.V. The use of genetic algorithms for the automated construction of the image analysis procedures. Pattern Recognition, Image Analysis, Vol. 13, No. 3, 2003, pp. 483-488.

110. CHAMBERS L. The practical handbook of genetic algorithms, applications, CRC, 2000, 520c.

111. CHARNIAK E., McDERMOTT D. Introduction to Artificial Intelligence. -Addison Wesley, Reading, MA. 1985.

112. COLEY D.A. An introduction to genetic algorithms for scientists, engineers. World Scientific Publishing, 1999,. 244 c.

113. DAI Y., NAKANO Y. Recognition of facial images with low resolution using a Hopfield memory model. Pattern Recognition 1998, Vol. 31, pp. 159-167.

114. DAVIES E.R. A modified Hough scheme for general circle location. Pattern Recogn., 1988b, № 7, pp. 34-37.

115. DAVIES E.R. A new parametrisation of the straight line, its application for the optimal detection of objects with straight edges. Davies. Pattern Recogn., 1987d, 6, pp. 9-14.

116. DAVIES E.R. Application of the generalised Hough transform to corner detection. IEE Proc., 1988a, E 135, pp. 49-54.

117. DAVIES E.R. Computationally efficient Hough transform for 2-D object location. Proc. 4th British Machine Vision Assoc. Conf., - Univ. of Surrey (21-23 September), 1993b vol. 1, pp.259-268.

118. DA VIES E.R. Corner detection using the generalised Hough transform -Proc. 2nd Int. Conf. jn Image Processing, Its Applications. IEE Conf. Publ., (24-26 June) 1986, № 265, pp. 175-179.

119. DAVIES E.R. Improved localisation in a generalised Hough scheme for the detection of straight edges. Image Vision Comput., 1987j, № 5, pp.279-286.

120. DA VIES E.R. Locating objects from their point features using an optimised Hough-like accumulation technique. Pattern Recogn., 1992d, № 13(2) , pp.113121.

121. DA VIES E.R. Machine Vision: Theory, Algorithms, Practicalities. Academic Press., 2-nd Edition, San Diego, 1997, pp.750.

122. DA VIES E.R. The performance of the generalised Hough transform: concavities, ambiguities, positional accuracy Proceedings of the 3rd Alvey Vision Conference, Cambridge, 15-17 September 1987, pp. 327-333.

123. DEANS S.R. Hough transform from the Radom transform. IEEE Trans. Pattern Anal. Mach. Intel., 1981, 3, pp.185-188.

124. DEMPSTER A.P. Upper, Lower Probabilities Induced by a Multivalued Mapping, Annals of Mathematical Statistics, Vol. 38, pp. 325-339, 1967.

125. DICKMANNS E.D., GRAEFE V. Applications of dynamic monocular machine vision. Machine Vision, Applications, 1988, №. 1, pp.241-261.

126. DICKMANNS E.D., GRAEFE V. Dynamic monocular machine vision. -Machine Vision, Applications, 1988, № 1, pp.223-240.

127. DICKMANNS E.D., MYSLIWETZ B.D. Recursive 3-D road, relative egostate recognition. IEEE Trans. Pattern Anal. Mach. Intell., 1992, № 14, pp. 199-213.

128. DOUGHERTY E.R. The dual representation of gray-scale morphological filters. IEEE Trans. PAMI, 1989.

129. DUD A R.O., HART P.E. Use of the Hough transformation to detect lines, curves in pictures. Comm. ACM 15, 11-15. 1972, pp.11-15.

130. EICKELER S., MULLER S., RIGOLL G. Recognition of JPEG Compressed Face Images Based on Statistical Methods // Gerhard-Mercator-University Duisburg, Germany, 1999. 17 p.

131. ELLIS T.J., ABBOOD A., BRILLAULT B. Ellipse detection, matching with uncertainty. Image Vision Comput., 1992, № 10(5) , pp.271-276.

132. ESME B., SANKUR B., ANARIM E. Facial feature extraction using genetic algorithms // 8-th European Signal Processing Conference, Trieste, 1996. P. 15111514.

133. FORSTNER W. Mid-level vision processes for automatic building extraction, Automatic Extraction of Man-Made Objects from Aerial, Space Images, Birkhauser Verlag, Basel, 1995.

134. FREUND Y., SCHAPIRE R. A Decision-Theoretic Generalization of On-line Learning and an Application to Boosting. Journal of Computer and System Sciences, 55, 1997, p.l 19-139.

135. GEMAN S., GEMAN D. Stochastic relaxation, Gibbs distributions,, the Bayesian restoration of images. IEEE Trans. Pattern Analysis, Machine Intelligence, 1984, № 6, pp.721-741.

136. GODBOLE S., AMIN A. Mathematical morphology for edge overlap detection for medical images. Real-Time Imaging, 1995, № 1(3) , pp.191-201.

137. GRIMSON W.E.L., HUTTENLOCHER D.P. On the sensitivity of the Hough transform for object recognition. IEEE Trans. Pattern Anal. Mach. Intell., 1990, № 12(3), pp.255-274.

138. GRIMSON W.E.L. Object Recognition by Computer: The Role of Geometric Constraints. MIT Press., 1990.

139. GRIMSON W.E.L. On the recognition of parameterised 2D objects. The International Journal of Computer Vision, 1989, № 2(4) , pp. 353-372.

140. GRIMSON W.E.L. Recognition of object families using parameterised models. Proc. First Int'l. Conf. Computer Vision, 1987 , pp.93-101.

141. GRUDIN M.A., LISBOA P.J., HARVEY D.M. Compact multi-level representation of human faces for identification. Image Processing, its Applications, pp. 111-115, 1997.

142. GRUEN A., BALTSAVIAS E. Adaptive least squares correlation with geometrical constraints. SPIE, 1985, vol. 595.

143. HALLINAN P.L., GORDON G.G., YUILLE A.L., GIBLIN P., MUMFORD D. Two, Three-Dimensional Patterns of the Face. Natick:A. K. Peters Ltd. 1999. 260 P

144. HARALICK R.M., SHAPIRO L.G. Computer, Robot Vision. Addison-Wesley, Reading, Massachusetts, 1992.

145. HARALICK R.M., SHAPIRO L.G. Image segmentation techniques. -Computer Vision, Graphics, Image Processing, 1985, № 29(1) , pp.100-132.

146. HARALICK R.M., SHAPIRO L.G. Machine vision. Addison-Wesley, 1991.

147. HARALICK R.M., STENBERG S.R., ZHUANG X. Image analysis using mathematical morphology. IEEE Trans. Pattern Analysis, Machine Intelligence, 1987, vol. 9, № 4, pp.532-550.

148. HARALICK R.M. etc. The Digital Morphological Sampling Theorem. IEEE Transactions on acoustics, speech, Signal processing, vol 37. No 12. December 1989.

149. HORN B.K.P., BROOKS M.J. (eds.). Shape from Shading. MIT Press, Cambridge, MA, 1989.

150. HORN B.K.P., SCHUNCK B.G. Determining optical flow. AI, 17. pp. 185204. 1981.

151. HOUGH P.V.C. Methods, Means for Recognizing Complex Patterns. U.S., Patent 3069654, 1962.

152. HUANG T.S. (ed). Image Sequence Processing, Dynamic Scence Analysis. -Springer-Verlag, New York, 1983.

153. HUBER P.J. Robust Statistics. Wiley, New York. 1981.

154. HUECKEL M. A local visual operator which recognizes edges, lines. -Journal of the association of Computing Machinery, 1973, № 20, pp.634-646.

155. HUERTAS A., NEVATIA R. Detecting buildings in aerial images. -Computer Vision, Graphics, image processing, 1988.

156. ILLINGWORTH J., KITTLER J. A survey of the Hough transform. Comput. Vision Graph. Image Process, 1988, vol. 44, pp.87-116.

157. ILLING WORTH J., KITTLER J. The adaptive Hough transform. IEEE Trans. Pattern Anal. Mach. Intell., 1987, vol. 9, pp.690-698.

158. JAIN A.K. Fundamentals of Digital Image Processing. Prentice-Hall International Editions. 1989.

159. KASTURI R., JAIN R.C. Computer Vision: Advances, Applications. IEEE Computer Society Press, Las Alamitos, California, 1991.

160. KIRYATI N., BRUCKSTEIN A.M. Antialiasing the Hough transform. -Comput. Vision Graph. Image Process.: Graph. Models Image Process, 1991, № 53, pp.213-222.

161. KLINGER T. Image processing with LabVIEW, IMAQ Vision. Prentice Hall, 2003. 319 p.

162. LANITIS A., TAYLOR C. J., COOTES T. F. Automatic Interpretation, Coding of Face Images Using Flexible Models. IEEE Transactions on Pattern Analysis, Machine Intelligence 1997, Vol. 19, pp. 743-756.

163. LEVINE M.D. Vision in man, machine. McGraw-Hill. 1985.

164. LI H., LAVIN M.A. Fast Hough transform based on bintree data structure. -Proc. Conf. Comput. Vision, Pattern Recogn., Miami Beach, Florida, 1986, pp.640642.

165. LOWE. Perceptual Organization, Visual Recognition. Kluwer Academic Publishers. 1985.

166. LUTTON, P. MARTINEZ. A genetic algorithm for the detection of 2D geometric primitives in images. Proc. 12th Int. Conf. on Pattern Recogn., Jerusalem (9-13October), 1994, vol. 1, pp.526-528.

167. LUTTON, MAITRE H., LOPEZ-KRAHE J. Contribution to the determination of vanishing points using Hough transform. IEEE Trans. Pattern Anal. Mach. Intell., 1994, № 16(4) , pp.430-438.

168. MALIK J., WEBER J., LUONG Q.-T., KOLLER D. Smart cars, smartroads. -Proc. 6th British Machine Vision Assoc. Conf., Birmingham (11-14 September), 1995, pp.367-381.

169. MARAGOS P. Pattern Spectrum, Multiscole Shape Representation. IEEE Trans.on pattern analysis, machine intelligence, Vol, II, No 7, July 1989.

170. MARR D., HILDRETH E. Theory of edge detection. Proc. R. Soc. (London), 1980, B207, pp. 187-217.

171. MATHERON. Random Sets, Integral Geometry. John Wiley & Sons. 1975.

172. MEER P, MINTZ D., ROSENFELD A., KIM D.Y. Robust regression methods for computer vision: a review. Int. J. Comput.Vision., 1991, № 6(1) , pp.59-70.

173. MERLIN P.M., FARBER D.J. A parallel mechanism for detecting curves in pictures. IEEE Trans. Comput., 1975, № 28, pp.96-98.

174. MUMFORD D. The problem of robust shape descriptors. Proc. First Int'l. Conf. Computer Vision, 1987, pp.602-606.

175. NAGEL H.H. Displacement vectors derived from second-order intensity variations in image sequences. CGIP, 21. pp. 85-117. 1983.

176. PAVEL M. Fundamentals of Pattern Recognition. Marcel Dekker. Inc., New York, 1989.

177. RITTER G.X., WILSON J.N., DAVIDSON J.L, Image Algebra: An Overview, Computer Vision, Graphics, and Image Processing, 49(3), pp. 297-331, 1990.

178. ROSENFELD A., KAK A.C. Digital Picture Processing. Academic Press, New York, second edition, 1982. Two volumes.

179. ROWLEY H. A., BALUJA S., KANADE T. Neural Network-Based Face Detection. IEEE Transactions on Pattern Analysis, Machine Intelligence 1998, Vol. 20, pp. 23-37.

180. SCHALKOFF RJ. Digital Image Processing, Computer Vision. Wiley, New York, 1989.

181. SERRA J. Image Analysis, Mathematical Morphology. Academic Press. 1982.

182. SERRA J. Introduction to mathematical morphology. Computer Vision, Graphics, Image Processing, 1986, vol. 35, №3.

183. SHAFER G. A Mathematical Theory of Evidence, Princeton Univercity Press, 1976.

184. SILBERBERG T.M., DAVIS L., HARWOOD D. An iterative Hough procedure for three-dimensional object recognition. Pattern Recogn. Lett., 1984, № 17, pp.621-629.

185. SINGH A. Optic Flow Computation. A Unified Perspective. IEEE Computer Society Press, pp. 168-177. 1992.

186. SKLANSKY J. On the Hough technique for curve detection. IEEE Trans. Comput., 1978, № 27, pp.923-926.

187. STEPHENS R.S. Probabilistic approach to the Hough transform. Image Vision Comput., 1991, № 9(1) , pp.66-71.

188. SVALBE I.D. Natural representation for straight fines, the Hough transform on discrete arrays. IEEE Trans, on Pattern Analysis, Machine Intelligence, vol. II, No.9, September 1989.

189. THOMAS RISSE. "Hough Transform for line Recognition: Complexity of Evidence Accumulation, Cluster Detection". Computer Vision, Graphics,, Image Processing, 1989, № 46, 327-345.

190. V.F. LEAVERS, BOYCE J.F. The Radon transform, its application to shape parametrization in machine vision. Image Vision Comput., 1987, № 5.

191. VISILTER YU.V., Design of Morphological Operators Based on Selective Morphology, SPIE Proceedings, vol. 4667, Sun Jose, 2002, pp.215-226.

192. VISILTER YU.V., Image Analysis Using Select-Only Morphological Operators, SPIE Proceedings, vol. 4197, Boston, 2000.

193. VIZILTER YU.V., ZHELTOV S.YU ., LUKIN A.A. Development of OCR system for portable passport, visa reader. SPIE Proceedings, 1999, vol. 3651.

194. WERNER T. A Linear Programming Approach to Max-sum problem: A Review. Research reports of CMP. Czech Technical University in Prague, No 25, 2005. 46p.

195. XU, OJA E. Randomized Hough transform (RHT): basic mechanisms, algorithms, computationnal complexities. Computer Vision Graph. Image Process: Image Understanding., 1993, № 57, pp.131-154.

196. YANG J., LI X. Boundary detection using mathematical morphology. -Pattern Recogn. Lett., 1995, № 16(12) , pp.1277-1286.

197. YEONG-CHYANG SHIH F., MITCHELL O.R. Threshold Decomposition of gray Scale Morphology into Binary Morphology. IEEE trans, on pattern analysis, machine intelligence, vol, II, No 1, January 1989.

198. YUEN H.K., ILLINGWORTH J., KITTLER J. Ellipse detection using the Hough transform. Proc. 4th Alvey Vision Conf., Manchester (31August-2 September), 1988, pp. 167-174.

199. ZHELTOV S.YU., VIZILTER YU.V. Robust Computer Image Analysis fof Flight Vehicles Navigation, Guidance, 16th IF AC Symposium on Automatic Control in Aerospace, vol.2., St.Petersburg, 2004, pp 164-167.

200. ZHELTOV S.YU., VIZILTER YU.V., STEPANOV A.A. Shape analysis using Pytiev morphologic paradigm, its use in machine vision. SPIE Proceedings, 1994, vol. 2350.