Целочисленная идентификация плоских изображений с учетом множества внутриконтурных точек на основе экстремальных признаков и алгоритмов сортировки тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Ромм, Леонард Яковлевич

• Ромм, Леонард Яковлевич
• кандидат технических наук
• 2013

Оглавление диссертации кандидат технических наук Ромм, Леонард Яковлевич

ОГЛАВЛЕНИЕ

Введение

Глава 1. Обобщенные распараллеливаемые алгоритмы сортировок слиянием и подсчетом на основе матриц сравнения с приложением к идентификации экстремальных элементов числовой последовательности и формированию признаков плоских изображений

1.1. Определение и свойства матрицы сравнений

1.2. Последовательное 2-слияние по матрицам сравнений

1.3. Модификация сортировок слиянием и подсчетом на основе многопутевого слияния

1.3.1. Временная сложность га-слияния

1.3.2. Слияние двух одномерных массивов как частный случай га-слияния

1.3.3. Параллельная сортировка га-путевым слиянием на основе матриц сравнения

1.3.4. Временная сложность параллельной сортировки га-слиянием на основе матриц сравнения

1.3.5. Параллельная сортировка подсчетом на основе матриц сравнения

1.3.6. Временная сложность параллельной модификации сортировки подсчетом

1.4. Идентификация экстремальных элементов числовой последовательности на основе сортировки

1.5. Сравнение идентификации экстремумов на основе сортировки

с существующими методами

1.6. Формирование признаковых характеристик плоских изображений

на основе сортировки

1.6.1. Предварительные примеры идентификации элементарных геометрических фигур с помощью подстановок

1.7. Выводы

Глава 2. Метод распознавания и целочисленной идентификации плоских контурных изображений на основе экстремальных признаков контура

2.1. Формирование признаков плоских контурных изображений, инвариантных относительно сдвига, поворота и изменения масштаба

2.1.1. Схема считывания декартовых координат точек контура

2.1.2. Алгоритм преобразования исходных декартовых координат

в полярные

2.1.3. Идентификация и использование глобально экстремальных элементов для определения признаковых характеристик контура

плоских изображений

2.1.4. Принцип формирования целочисленных компонентов векторных идентификаторов

2.2. Формирование вспомогательного и идентифицирующего векторов

2.3. Устойчивость идентифицирующего вектора в условиях сдвига, поворота, графических искажений и изменения масштаба изображения

2.3.1. Устойчивость идентифицирующего вектора относительно поворота изображения

2.3.2. Устойчивость идентифицирующего вектора к искажениям

и разрывам контура фигуры

2.3.3. Подход к сохранению устойчивости идентифицирующего вектора относительно изменения масштаба

2.4. Использование локально экстремальных координат для составления дополнительных характеристик различных участков контура без повторного проведения сортировки

2.5. Частные случаи схемы идентификации

2.6. Выводы

Глава 3. Распознавание множества внутриконтурных точек плоских изображений и фильтрация исходных координат на основе локально

экстремальных признаков

3.1. Метод программной реализации инвариантности поворота и сдвига

относительно начального положения обрабатываемого изображения

3.1.1. Метод сквозного считывания

3.2. Распознавание и идентификация внутриконтурной части изображения

3.2.1. Об использовании индексов локально экстремальных координат для получения дополнительных признаковых характеристик изображения

3.2.2. Построение идентифицирующего вектора без фильтрации последовательности исходных координат

3.2.3. Целочисленная идентификация рукописных символов на основе сортировки и подстановки индексов

3.2.4. Предварительные выводы об устойчивости идентифицирующего вектора к искажениям множества внутриконтурных точек фигуры

3.3. Фильтрация исходной последовательности координат на основе локализации экстремальных элементов при помощи сортировки

3.3.1. Примеры идентификации множества внутриконтурных точек фигур

с учетом фильтрации координат

3.3.2. Об устойчивости идентифицирующего вектора, учитывающего фильтрацию координат, к искажениям фигуры и идентификации классов изображений

3.3.3. О достижимости предельной устойчивости целочисленной идентификации изображений при вариации радиуса локализации экстремумов входной и отфильтрованной последовательности подмножества внутренних точек

3.4. Полная оценка временной сложности параллельной идентификации фигуры

3.5. Применение метода целочисленной идентификации для автоматизации построения базы данных идентифицирующих векторов

и натуральных идентификаторов

3.6. Применение параллельной целочисленной идентификации для поиска изображений

3.7. Сравнение предложенных схем распознавания с известными методами

3.8. Выводы

Заключение

Список литературы

Приложение

Приложение к главе 1

Приложение к главе 2

Приложение к главе 3

Приложение 4

Введение диссертации (часть автореферата) на тему «Целочисленная идентификация плоских изображений с учетом множества внутриконтурных точек на основе экстремальных признаков и алгоритмов сортировки»

Введение

Распознавание, классификация и идентификация изображений - одно из наиболее актуальных направлений исследования теоретической информатики. Тематика распознавания имеет приложения во многих областях научных, технических, промышленных исследований, а также в области компьютерных и производственных технологий. Быстродействие и точность идентификации являются важнейшими требованиями, предъявляемыми к распознающим системам. В то же время, обработка изображений сопряжена со значительным объемом вычислений, как правило, в условиях искажения поступающей информации. Методы распознавания, в зависимости от предметной области, могут получать на вход полноцветные или палитровые изображения [1, 2]. Однако полутоновые и бинарные изображения используются в практике распознавания наиболее часто. Если имеют значение пространственные характеристики изображенных объектов, то выбираются полутоновые изображения, - например, при распознавании лица человека [3]. Переход к бинарным изображениям оправдан в тех предметных областях, где анализируемые объекты являются существенно плоскими, в частности, при распознавании печатных и рукописных символов [4, 5].

Обзор методов распознавания изображений. Типология методов распознавания успешно применяемых в различных областях научных исследований подробно представлена в [6-8]; статистическая теория распознавания освещена в [9]; справочная информация по распознающим системам приводится в [10]; общее состояние проблем распознавания изображений освещено также в [11 - 13].

Геометрические методы [13]. Данные методы, суть которых состоит в анализе расположения точек в пространстве, основаны на использовании некоторой функции подобия £ объекта объектам данного класса. Эта функция определяет меру сходства объекта Ъ с координатами х=(х1,х2,...,хп) и эталонов множества У = (у™, У™, • • •, У™) • За меру сходства принимается средне-

квадратическое расстояние

Заключение диссертации по теме «Теоретические основы информатики», Ромм, Леонард Яковлевич

3.8. Выводы

1. Синтезирован алгоритм целочисленной идентификации множества внутриконтурных точек для конечного числа произвольно задаваемых плоских изображений на основе локально экстремальных признаков, формируемых при помощи сортировки. Алгоритм отличается от известных по построению, программная идентификация изображения производится по целочисленным компонентам вектора, что позволяет выполнять покомпонентную проверку совпадения с эталонным вектором, результат идентификации не зависит от контурной части изображения.

2. Синтезирован алгоритм и выполнена программная реализация обеспечения инвариантности идентификации обрабатываемого изображения в условиях поворота и сдвига относительно начального положения.

3. Разработан метод фильтрации исходной последовательности координат на основе локализации экстремальных элементов при помощи сортировки, позволяющий получить признаковые характеристики наиболее характерных экстремальных особенностей внутриконтурной части изображения. Путем вариации радиусов окрестности локализации экстремумов первичной и вторичной последовательности координат достигается предельная устойчивость целочисленной идентификации фигур при ограниченном спектре искажений.

4. Дано обоснование в виде теорем и следствий получения предложенным методом экстремальных признаков внутриконтурной части изображения на основе подстановки индексов, образованной сортировкой последовательности координат.

5. Показан максимальный параллелизм метода целочисленной идентификации контурной и внутриконтурной части изображения, даны оценки временной сложности совокупности представленных алгоритмов на модели неветвящихся параллельных программ, отличающиеся от известных возможностью идентификации изображения за время 0(1).

6. Представлен программный и численный эксперимент по классификации, распознаванию и целочисленной идентификации плоских изображений с многократной вложенностью внутри контура, подтверждающий устойчивость предложенного метода в границах искажений, которые сохраняют значения и индексы признаковых экстремумов, либо допускают их изменения в ограниченном диапазоне.

7. Представлено приложение метода идентификации к поиску изображений по соответствию целочисленным компонентам идентифицирующего вектора. Поиск совмещается с распознаванием на основе сортировки и подстановки индексов, что позволяет повысить компактность выдачи и упростить структуру базы эталонных данных.

Заключение

Основной результат диссертационной работы заключается в построении метода распознавания и идентификации плоских изображений на основе алгоритмов устойчивой распараллеливаемой сортировки при помощи векторов с целочисленными компонентами, который минимизирует погрешность при сравнении с эталоном, а также обеспечивает устойчивость относительно ограниченных помех, изменения масштаба, переноса и поворота.

Научная новизна заключается в следующем:

1. Предложен метод программной идентификации глобальных и локальных экстремумов числовой последовательности на основе модифицированной относительно правил вставки распараллеливаемой сортировки подсчетом в приложении к распознаванию изображений, позволяющий обеспечить ускорение и устойчивость идентификации.

2. Синтезирован алгоритм целочисленной идентификации плоских контурных изображений из конечного множества на основе экстремальных признаков, сконструированных при помощи сортировки. Алгоритм отличается от известных по построению, устойчивостью относительно сдвига, поворота, масштабирования и ограниченных искажений контура, не меняющих значения и местоположения его глобальных экстремумов. Идентификация изображения выполняется по целочисленным компонентам вектора путем непосредственной проверки совпадения компонент идентифицирующего и эталонных векторов.

3. Разработан программный метод классификации, распознавания и целочисленной идентификации множества внутриконтурных точек плоских изображений с многократной вложенностью, отличающийся от известных по построению на основе сортировки, целочисленностью компонентов идентифицирующих векторов, что обеспечивает инвариантность идентификаци относительно поворота и сдвига фигуры, а также устойчивость в границах искажений, сохраняющих значения и индексы признаковых экстремумов.

4. Разработан метод фильтрации исходной последовательности декартовых координат на основе локализации экстремальных элементов при помощи сортировки, позволяющий получить признаковые характеристики наиболее характерных экстремальных особенностей внутриконтурной части изображения с наибольшей устойчивостью экстремальных признаков; путем вариации радиусов окрестности локализации экстремумов входной и отфильтрованной последовательности координат достигается максимальная устойчивость целочисленной идентификации фигур в ограниченном спектре искажений.

5. Показан максимальный параллелизм метода целочисленной идентификации контурной и внутриконтурной части изображения, даны оценки временной сложности совокупности представленных алгоритмов на модели неветвящихся параллельных программ, отличающиеся от известных возможностью идентификации изображения за время 0(\).

6. Представлено приложение метода идентификации к поиску изображений по соответствию целочисленным компонентам идентифицирующего вектора, отличающегося совместимостью с распознаванием на основе сортировки и подстановки индексов, что позволяет повысить компактность выдачи и упростить структуру базы эталонных данных.

7. Проведен программный и численный эксперимент по классификации, распознаванию и целочисленной идентификации плоских изображений из ограниченного множества с многократной вложенностью внутри контура, подтверждающий достоверность предложенного метода.

Практическая ценность диссертационного исследования состоит в применимости предложенного метода для решения актуальных задач распознавания плоских изображений, в том числе распознавания печатных и рукописных символов в условиях искажений. Предложенный метод может служить основой для разработки параллельной системы распознавания представленных растровых изображений с высоким быстродействием и практической устойчивостью к ограниченным искажениям. Предложенный метод доведен до практической программной реализации решения актуальных задач распознавания изображений в рамках применения новых методов искусственного интеллекта. Метод может применяться для снижения временной сложности и повышения точности поиска и идентификации фрагментов изображений.

Практическое использование результатов работы:

1. В ООО «Конструкторское бюро морской электроники «Вектор» при выполнении поисковой научно-исследовательской работы по теме «Проведение проблемно-ориентированных исследований в области создания эффективных систем обработки сигналов и изображений в реальном времени».

2. В работах по выполнению государственного задания Министерства образования и науки РФ ФГБОУ ВПО «ТГПИ имени А.П. Чехова» по проекту № 7.1398.2011 «Распараллеливаемые компьютерные методы вычисления функций, решения и анализа устойчивости дифференциальных уравнений, цифровой обработки сигналов и распознавания изображений с применением алгоритмов сортировки», а также в работах по грантам РФФИ «Численная оптимизация на основе сортировки с приложением к анализу устойчивости, поиску и распознаванию» в 2010 г. (проект № 10-07-00178-а) и «Компьютерные методы численной оптимизации на основе сортировки с приложением к анализу устойчивости, разностно-полиномиальному решению дифференциальных уравнений, распознаванию изображений и цифровой обработке сигналов» на 2012-2013 г.г. (проект № 12-07-00143-а).

3. В учебном процессе кафедры информатики ФГБОУ ВПО «ТГПИ имени А.П. Чехова» в курсах «Информатика», «Дополнительные главы информатики», «Программирование», «Основы искусственного интеллекта», «Компьютерное моделирование», «Алгоритмы параллельных и последовательных сортировок».

Список литературы диссертационного исследования кандидат технических наук Ромм, Леонард Яковлевич, 2013 год

Список литературы

1. Ромм Я.Е., Гуревич М.Ю. Применение адресной сортировки к распознаванию оптических спектров / ТГПИ, Таганрог, 2000. - 17 с. - ДЕП в ВИНИТИ 13.03. 2000, № 619 - В00.

2. Гуревич М.Ю. Алгоритмические схемы распознавания изображений двумерных объектов на основе адресных сортировок. - Автореферат дисс. на соискание ученой степени канд. техн. наук. - Таганрог, ТРТУ. - 2002. - 16 с.

3. Pentland A., ChoudhuryT. Face recognition for smart environments // IEEE Computer, February 2000. - pp. 50-55.

4. Терещенко В., Рыбкин В., Шамис А., Ян Д. Принципы распознавания рукописных текстов в системе FineReader // Труды III конф. «Распознавание образов и анализ изображений: новые информационные технологии», Ч. II, Нижний Новгород, 1997. - С. 310 - 314.

5. Lee S., Kim Y.J. Off-line Recognition of Totally Unconstrained Handwritten Numerals Using Multilayer Cluster Neural Network // Proc. Of the 12th IAPR International Conference on Pattern Recognition, Jerusalem, Israel, 1994. -pp. 507-509.

6. Горелик А.Л., СкрипкинВ.А. Методы распознавания. - М.: Высшая школа, 1984.-219 с.

7. ТуДж., ГонсалесР. Принципы распознавания образов. - М.: Мир, 1978.-321 с.

8. Уинстон П., Искусственный интеллект: Пер. с англ. - М.: Мир, 1980. -520 с.

9. Барабаш Ю.Л. Вопросы статистической теории распознавания. // Под ред. Барского Б.В. - М.: Советское радио, 1967. - 400 с.

10. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. - М: Машиностроение, 1990. - 320 с.

11. Васильев В.И. Распознающие системы: Справочник. - Киев: Науко-ва думка, 1983. - 230 с.

12. Гонсалес, Гудз. Цифровая обработка изображений. М.: Техносфера, 2005, 1070 с.

13. Кузин JI.T. Основы кибернетики. Т.2. - М.: Энергия, 1979. - 584 с.

14. Воронцов К. В. Лекции по статистическим (байесовским) алгоритмам классификации, 2008. - 39 с. — www.ccas.ru/voron/download/Bayes.pdf

15. S. Balakrishnama, A. Ganapathiraju Linear Discriminant Analysis - A brief Tutorial //Institute for Signal and Information Processing Department of Electrical and Computer Engineering Mississippi State University, 1998.

16. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями -Брест: БПИ, 1999. - 260 с.

17. Неменущий В.Н., СкорикВ.А. Исследование возможности аналоговой параллельной обработки изображений и распознавания образов с помощью активных распределенных нейроподобных сред // Моделир. и проектир. приборов и систем микро и наноэлектрон. - М.: Моск. гос. ин-т электрон, техн. - 1994.-С. 134-153.

18. Л. Шапиро, Дж. Стокман Компьютерное зрение = Computer Vision. - М.: Бином. Лаборатория знаний, 2006. - 752 с.

19. Потапов А.С. Распознавание образов и машинное восприятие. - СПб.: Политехника, 2007. - 548 с.

20. Минский М., Пейперт С. Персептроны. - М.: Мир, 2007. - 261 с.

21. Фу К. Структурные методы в распознавании образов. - М.: Мир, 2005. - 144 с.

22. Krzyzak A., Dai W., Suen C.Y. Unconstrained Handwritten Character Classification Using Modified Backpropagation Model // Proc. 1st Int. Workshop on Frontiers in Handwriting Recognition, Montreal, Canada, 1990. - pp. 155 -166.

23. Mills R.L. Novel method and system for pattern recognition and processing using data encoded as Fourier series in Fourier space // Engineering Applications of Artificial Intelligence, Vol. 19, Issue 2, March 2006. - pp. 219 - 234.

24. Хуанг Т.С., Эклунд Дж.-О., Нуссбаумер Г. Дж. и др. Быстрые алгоритмы в цифровой обработке изображений / Под ред. Т.С. Хуанга: Пер. с англ. - М.: Радио и связь, 1984. - 224 с.

25. Залманзон JI.A. Преобразования Фурье, Уолша, Хаара и их применение в управлении, связи и других областях. - М.: Наука, 1989. - 496 с.

26. Ахмед Н., Pao K.P.. Ортогональные преобразования при обработке цифровых сигналов: Пер. с англ. Т.Э. Кренкеля / Под ред. И.Б. Фоменко. -М.: Связь, 1980.-248 с.

27. Журавлев Ю.И., Никифоров В.В. Алгоритмы распознавания, основанные на вычислении оценок // Кибернетика. - 1971. - №3. - С. 1-11.

28. Белоусов В.А., Калядин Н.И., Шумилов Е.Е. Игровые решающие правила для отношений и распознавания конечных множеств / Москва, 1996. - 16 с. - ДЕП в ВИНИТИ, №333 - В96.

29. Жиляков Е.Г., Черноморец A.A., Заливин А.Н. О выделении контуров на космоснимках земной поверхности в задачах дистанционного зондирования- В кн. «Высокие технологии, образование, промышленность. -Сборник статей одиннадцатой международной научно-практической конференции «Фундаментальные и прикладные исследования, разработка и применение высоких технологий в промышленности»» (27-29 апреля 2011 г., Санкт-Петербург). - Санкт-Петербург, Изд-во Политехнического университета. - 2011. - С. 359-363.

30. Броневич А.Г., Каркищенко А.Н. Вероятностные и возможностные модели классификации случайных последовательностей. 1 / Под ред. JI.C. Берштейна. Таганрог: ТРТУ, 1996. -193 с.

31. А.Г. Броневич, А. Е. Лепский. Математические методы распознавания образов. Курс лекций. - Таганрог, Изд-во ТТИ ЮФУ, 2009. - 152 с.

32. Каркищенко А.Н., Лепский А.Е. Индекс неточности и его применение к оцениванию априорной информативности систем // Известия РАН. ТиСУ, №1,2008.-С. 94- 100.

33. Cohen F.S., Cooper D.B. Simple parallel hierarchical and relaxation algorithms for segmenting noncausal Markovian random fields. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-9, pp. 195 - 219, 1987.

34. Won C.S., Derin H. Unsupervised segmentation of noisy and textured images using Markov random fields. Graphical Models and Image Processing, 54(4): 308-328, July, 1992.

35. Федотов Н.Г. Теория признаков распознавания образов на основе стохастической геометрии и функционального анализа. - М.: ФИЗМАЛТ-ЛИТ, 2009. - 304 с.

36. Н.Г. Федотов, А.А. Семов, К.А, Крючкова. Двойственное трейс-преобразование. - В кн.: IX Всероссийская научно-техническая конференция «Современные методы и средства обработки пространственно-временных сигналов». Сборник статей. 24-25 мая 2011 г. (Пенза 2011). - С. 71 - 73.

37. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB. -М.: ДМК Пресс, 2005. - 304 с.

38. Gourevitch I.B. A Descriptive Method for Image Analysis Based on the Synthesis of an Image Model in the Class of Disjunctive Normal Forms // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, 1995, Vol. 5, No. 3. - pp. 356 - 363.

39. Калинкина Д., Ватолин Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению // Научно-образовательный сетевой журнал «Графика и мультимедиа», Выпуск №3(2)/2005. http://cgm.computergraphics.ru/content/view/74

40. Заярный В.В. Разработка и исследование методов распознавания объектов в массивах оцифрованных данных на основе адаптивного порога и схем сортировки. Автореферат диссертации на соискание ученой степени канд. техн. наук. ТТИ ЮФУ, Таганрог, 2009. - 19 с.

41. Рюмин О. Г. Разработка и исследование алгоритмов распознавания изображений на основе определения экстремальных признаков замкнутых

контуров с помощью сортировки. Автореферат диссертации на соискание ученой степени канд. техн. наук. Изд-во ТТИ ЮФУ, Таганрог, 2008. - 16 с.

42. Ромм Я.Е. Бесконфликтные и устойчивые методы детерминированной параллельной обработки / Диссертация на соискание ученой степени доктора технических наук. - Таганрог: ТРТУ. - 1998. -546 е.; ВНТИ Центр. - № 05.990.001006.

43. Вирт Н. Алгоритмы и структуры данных. - М.: Мир, 1989. - 360 с.

44. Кнут Д. Искусство программирования для ЭВМ. Т.З. Сортировка и поиск. - М.: Мир, 1978. - 844 с.

45. Ромм Я.Е. Параллельная сортировка слиянием по матрицам сравнений. I // Кибернетика и системный анализ, 1994, № 5. - С. 3 - 23.

46. Ромм Я.Е. Параллельная сортировка слиянием по матрицам сравнений. II // Кибернетика и системный анализ, 1995, № 4. - С. 13 - 37.

47. Ромм Я.Е. Локализация и устойчивое вычисление нулей многочлена на основе сортировки. I // Кибернетика и системный анализ. - 2007. - № 1. -С. 165 - 183.

48. Ромм Я.Е., Заика И.В. Численная оптимизация на основе алгоритмов сортировки с приложением к дифференциальным и нелинейным уравнениям общего вида // Кибернетика и системный анализ, 2011, № 2. - С. 165 — 180.

49. Ромм Я.Е., Виноградский В.В. Преобразование сортировок к устойчивой форме без перемещения элементов и параллельное видоизменение сортировки Хоара / ТГПИ, Таганрог, 2004. - 44 с. - ДЕП в ВИНИТИ 17.06.2004, № 1020 - В2004.

50. Ромм Я.Е., Виноградский В.В. Преобразование сортировки Хоара в параллельную форму на основе матриц сравнений // Проблемы программирования. Киев, 2008. № 2-3. - С. 332 - 340 (Специальный выпуск. Материалы 6-й международной научно-практической конференции по программированию УкрПРОГ'2008. 25-27 мая 2008 г. Украина, Киев).

51. Ромм Я.Е. Метод вычисления нулей и экстремумов функций на основе сортировки с приложением к поиску и распознаванию. I // Кибернетика и системный анализ, 2001, № 4. - С. 142 - 159.

52. Ромм Я.Е. Метод вычисления нулей и экстремумов функций на основе сортировки с приложением к поиску и распознаванию. II // Кибернетика и системный анализ, 2001, №5.-С. 81-101.

53. Ромм Я.Е. Локализация и устойчивое вычисление нулей многочлена на основе сортировки. II // Кибернетика и системный анализ. - 2007. - № 2. -С.161 - 175.

54. Ромм Л.Я., Ромм Я.Е. Целочисленная векторная идентификация плоских изображений в каноническом положении на основе экстремальных признаков контура / ТГПИ, Таганрог, 2007. - 37с. - ДЕП в ВИНИТИ 29.01.07, № 74-В2007.

55. Половинкин А.И., Попов В.В. Техническое творчество: теория, методология, практика. Энциклопедический словарь-справочник - М.: НПО «Информ-система», 1995. -408 с.

56. Барладян Б.Х., Галактионов В.А., Зуева Е.Ю., Кугушев Е.И. Параметрические модели трехмерных объектов и их использование для реконструкции сцен // Открытые системы, 1995, №5. - С. 13-16.

57. Аттетков A.B. Методы оптимизации. Учебн. для студ. втузов. - М.: изд. МГТУ им. Н.Э. Баумана, 2003. - 439 с.

58. Харчистов Б.Ф. Методы оптимизации. - Таганрог: Изд-во ТРТУ, 2004. - 140 с.

59. Васильев Ф.П. Численные методы решения экстремальных задач. -М.: Наука, 1988.-552 с.

60. Самарский A.A. Введение в численные методы. - М.: Наука, 1987. -

288 с.

61. Шуп Т. Решение инженерных задач на ЭВМ. - М.: Мир, 1982. - 240

с.

62. Тихонов А.Н., Костомаров Д.П., Вводные лекции по прикладной математике. - М.: Наука, 1984. - 192 с.

63. Бахвалов С., Жидков Н., Кобельков Г. Численные методы. - М.: Лаборатория Базовых Знаний, 2001. - 632 с.

64. Банди. Б. Методы оптимизации. Вводный курс: Пер. с англ. - М.: Радио и связь, 1988. - 128 с.

65. Вержбицкий В.М. Основы численных методов. - М.: Высшая школа, 2002. - 848 с.

66. Ромм Я.Е., Заика И.В. Программная локализация экстремумов функций и разностных приближений решений дифференциальных уравнений // Изв. вузов. Северо-Кавказский регион. Технические науки. Спец. выпуск «Математическое моделирование и компьютерные технологии», 2005. - С. 55 -61.

67. Ромм Я.Е., Гуревич М.Ю. Применение адресной сортировки к распознаванию оптических спектров / ТГПИ, Таганрог, 2000. - 17 с. - ДЕП в ВИНИТИ 13.03. 2000, №619-В00.

68. Буланов С.Г. Разработка и исследование методов программного моделирования устойчивости систем линейных дифференциальных уравнений на основе матричных мультипликативных преобразований разностных схем. Автореферат диссертации на соискание ученой степени кандидата технических наук. - Таганрог, ТРТУ, 2005. - 20 с.

69. Катрич С.А. Разработка и исследование методов программного моделирования мультипликативных критериев устойчивости решений систем нелинейных дифференциальных уравнений на основе разностных схем. Автореферат диссертации на соискание ученой степени кандидата технических наук. - Таганрог, ТРТУ, 2005. - 18 с.

70. Веселая А. А. Вычисление нулей и экстремумов функций при вариации параметров на основе сортировки с приложением к моделированию устойчивости систем линейных дифференциальных уравнений. Автореферат

диссертации на соискание ученой степени канд. техн. наук. Изд-во ТТИ ЮФУ, Таганрог, 2009. - 18 с.

71. Тюшнякова И. А. Разработка и исследование схем применения сортировки для поиска нулей и особенностей функций с приложением к идентификации плоских изображений. Автореферат диссертации на соискание ученой степени канд. техн. наук. Изд-во ТРТУ, Таганрог, 2006. - 16 с.

72. Заика И.В. Разработка и исследование схем оптимизации на основе алгоритмов сортировки с приложением к идентификации экстремумов решений дифференциальных уравнений. Автореферат диссертации на соискание ученой степени канд. техн. наук. Изд-во ТРТУ, Таганрог, 2007. - 19 с.

73. Ромм Л. Я., Ромм Я.Е. Целочисленная векторная идентификация произвольно расположенных плоских изображений на основе экстремальных признаков контуров / ТГПИ. - Таганрог. - 2007. - 50 с. ДЕП в ВИНИТИ 31.08.07, № 856 - В2007.

74. Ромм Л.Я. Метод распознавания плоских изображений на основе сортировки и подстановок индексов / В кн.: Сборник научных трудов Международной научно-технической конференции «Модели и алгоритмы для имитации физико-химических процессов» МАФП' 2008 ( 8.09.08 - 12.09.08) / Таганрог.-2008.-С. 255 -259.

75. Ромм Л.Я., Ромм Я.Е. Целочисленная идентификация плоских контурных изображений на основе экстремальных признаков // Известия вузов. Северо-Кавказский регион. Технические науки». - 2008. - №4. - С. 18 - 24.

76. Ромм Л.Я. Идентификация графических изображений с использованием экстремальных признаков контура / В кн.: 4-я Международная научно-практическая конференция Методология и практика образовательных технологий в условиях модернизации образования (29 сентября - 1 октября 2008 г., Таганрог), Таганрог, Издательский центр ТГПИ, 2008. - С. 106 - 108.

77. Ромм Л.Я. Распознавание изображений на плоскости с помощью сортировки и подстановок индексов / Сборник трудов пятьдесят второй научной студенческой конференции ТГПИ (естественные науки). - Издатель-

ский центр ГОУВПО «Таганрогский государственный педагогический институт». Таганрог. - 2009. - С. 79 - 80.

78. Никулин Е.А. Компьютерная геометрия и алгоритмы машинной графики. - СПб.: БХВ-Петербург, 2003. - 560 с.

79. Корнилов В.Ю. Простое инвариантное описание изображения // Автометрия, 2000, №1. - С. 104 - 106.

80. Грузман И.С., Никитин В.Г. Алгоритмы распознавания объектов, устойчивые к геометрическим искажениям: сдвигу, масштабу, повороту //Автометрия, 2004, №3. - С. 46 - 53.

81. Ромм Л.Я., Ромм Я.Е. Целочисленная идентификация плоских контурных изображений с учетом поворота, масштаба и искажений на основе экстремальных признаков / ТГПИ. - Таганрог. - 2008. - 58 с. ДЕП в ВИНИТИ 28.01.2008, № 54 - В2008.

82. Ромм Л.Я. Метод распознавания плоских контурных изображений на основе сортировки и подстановки индексов // Обозрение прикладной и промышленной математики. - Т. 16. - Вып.З. - 2009. - С. 474 - 475 (XV Всероссийская школа-коллоквиум по стохастическим методам. IX Всероссийский симпозиум по прикладной и промышленной математике, 19-24 мая 2009, Санкт-Петербург).

83. Ромм Л.Я. Методы распознавания плоских контурных и внутрикон-турных изображений на основе сортировки экстремальных признаков и подстановки индексов // Известия ЮФУ. Технические науки. Актуальные проблемы производства и потребления электроэнергии. - Технологический институт Южного федерального университета. Таганрог. - 2009. - № 5. - С. 23 -30.

84. Ромм Л.Я. Метод распознавания плоских внутриконтурных изображений с использованием сквозного считывания // Обозрение прикладной и промышленной математики. - Т.16. - Вып.6. - 2009. - С. 1112 - 1113 (X Всероссийский симпозиум по прикладной и промышленной математике, 1-8 октября 2009, Сочи).

85. Ромм Л.Я., Ромм Я.Е. Распознавание плоских изображений на основе сортировки с фильтрацией неэкстремальных координат / ТГПИ. - Таганрог, 2010.-53 с. Деп. в ВИНИТИ 15.02.10, № 63 - В2010.

86. Ромм Л.Я. Распознавание внутриконтурной части плоских изображений путем сквозного считывания и фильтрации координат с применением сортировки / Зб1рник тез наукових доповщей студенев Бердянського державного педагопчного ушверситету на Днях науки 13 травня 2010 року -Т.З.- 2010.- С. 15-17.

87. Ромм Л.Я. Распараллеливаемая целочисленная идентификация растровых изображений // Обозрение прикладной и промышленной математики. - Т. 18. - Вып.6. - 2011. - С. 140-141 (XII Всероссийский симпозиум по прикладной и промышленной математике, 1-8 мая 2011, Казань).

88. Солодовников В.И. Верхние оценки сложности решения систем линейных уравнений // В кн.: Теория сложности вычислений. I: Записки научных семинаров ЛОМИ АН СССР. - Л., 1982. - т. 118. - С. 159 - 187.

89. Местецкий Л.М. Скелетизация многоугольной фигуры на основе обобщенной триангуляции Делоне // Программирование, 1999, № 3. - С. 16 -31.

90. Березин И.С., Жидков Н.Г. Методы вычислений, т.1. -М.: Наука, 1970.-464 с.

91. Патана Е.И. Разработка и исследование статистических методов текстурной сегментации полутоновых изображений / Автореферат диссертации на соискание ученой степени кандидата технических наук: Таганрог, Изд-во ТТИ ЮФУ, 2009 .- 18 с.

92. Budi Santosa, Muhammad Arif Budiman, Stefanus Eko Wiratno. A Cross Entropy-Genetic Algorithm for m-Machines No-Wait Job-ShopScheduling Problem // Journal of Intelligent Learning Systems and Applications. - August, 2011 Volume 3, Issue 3-pp 171 - 180.

93. Behzad Bozorgtabar, Gholam Ali Rezai Rad. A Genetic Programming-PCA Hybrid Face Recognition Algorithm // Journal of Signal and Information Processing. - August, 2011, Volume 2, Issue 3. - pp 170- 174.

94. L. Fei-Fei and P. Perona, "A Bayesian Hierarchical Model for Learning Natural Scene Categories," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Diego, 20-25 June 2005, pp. 524 - 531.

95. Забеглов В. В. Компьютерно-ориентированные схемы минимизации временной сложности цифровой обработки сигналов при динамическом изменении отсчетов / Автореферат диссертации на соискание ученой степени канд. техн. наук. Изд-во ТТИ ЮФУ, Таганрог, 2010. - 20 с.

96. Ахмед Н., Рао К.Р. Ортогональные преобразования при обработке цифровых сигналов: Пер. с англ. Т.Э. Кренкеля / Под ред. И.Б. Фоменко. -М.: Связь, 1980.-248 с.

97. М. Shivamurti, S. V. Narasimhan. A Dual Tree Complex Discrete Cosine Harmonic Wavelet Transform (ADCHWT) and Its Application to Signal/Image Denoising // Journal of Signal and Information Processing. - 2011, pp 218-226.

98. D. G. Lowe, "Distinctive Image Features from Scale-Invariant Keypoints," International Journal on Computer Vision, Vol. 60, No. 2, 2004, pp. 91110. doi: 10.1023/B:VISI. 0000029664.99615.94.

99. J. Willamowski, D. Arregui, G. Csurka, C. R. Dance and L. Fan, "Categorizing Nine Visual Classes Using Local Appearance Descriptors," International Conference on Pattern Recognition, Cambridge, 2004.

100. L. Fei-Fei and P. Perona, "A Bayesian Hierarchical Model for Learning Natural Scene Categories," IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Diego, 20-25 June 2005, pp. 524 - 531.

101. S. Lazebnik, C. Schmid and J. Ponce, "Beyond Bags of Features: Spatial Py-ramid Matching for Recognizing Natural Scene Categories," Proceedings of Computer Vision and Pattern Recognition, IEEE, New York, 2006, pp. 2169 -2178.

102. A. Vailaya, H.-J. Zhang, C. Yang, F.-I. Liu and A. K. Jain, "Automatic Image Orientation Detection," IEEE Transactions on Image Processing, Vol. 11, No. 7, 2002, pp. 746-755. doi:10.1109/TIP.2002.801590.

103. Y. Wang and H. Zhang, "Content-Based Image Orientation Detection with Support Vector Machines," Proceedings of IEEE Workshop on Con-tent-Based Access of Image and Video Libraries, IEEE, New York, 2001, pp. 17-23. doi: 10.1109/IVL.2001.990851.

104. Y. M. Wang and H.-J. Zhang, "Detecting Image Orientation Based on Low-Level Visual Content," Computer Vision and Image Understanding, Vol. 93, No. 3, 2004, pp. 328 - 346. doi:10.1016/j.cviu.2003.10.006.

105. S. Lyu, "Automatic Image Orien-tation Detection with Natural Image Statistics," Proceedings of 13th International Multimedia Conference, Singapore, 611 November 2005, pp. 491 -494. doi:10.1145/1101149.1101259.

106. S. Baluja, "Automated Image-Orientation Detection: A Scalable Boosting Approach," Pattern Analysis and Applications, Vol. 10, No. 3, 2007, pp. 247 -263. doi:10. 1007/sl0044-006-0059-1.

107. S. Baluja and H. A. Rowley, "Large Scale Performance Measurement of Content-Based Automated Image- Orientation Detection," Proceedings of International Conference on Image Processing, Vol. 2, 2005, pp. 514 - 517.

108. H. Le Borgne and N. E. Oconnor, "Pre-Classification for Automatic Image Orientation," Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing, Tou Louse, 14-19 May 2006, pp. 125 - 128 doi:10.1109/ICASSP.2006. 1660295.

109. J. Huang, S. R. Kumar, M. Mitra, W.-J. Zhu and R. Zabih, "Image Indexing Using Color Correlograms," IEEE Computer Vision and Pattern Recognition, San Juan, 1997, pp. 762 - 768.

110. B. Scholkopf and A. J. Smola, "Learning with Kernels : Support Vector Machines, Regularization, Optimization, and Beyond," The MIT Press, Cambridge, 2001.

111. Гостев И.М. О методах повышения качества идентификации графических объектов в методах геометрической корреляции // Изв. РАН, Теория и системы управления, 2005, №3. - С. 55 - 64.

112. Zhang, D. Content-Based Shape Retrieval Using Different Shape Descriptors / D. Zhang, G. Lu // A Comparative Study, In IEEE International Conference on Multimedia and Expo. - 2001. - P. 289 - 293.

113. Rubner, Y. A Metric for Distributions with Applications to Image Databases / Y. Rubner, C. Tomasi // In Proceedings of the Sixth International Conference on Computer Vision, IEEE Computer Society. - 1998. - P. 59.

114. Десятников И.Е., Утробин В.А. Алгоритмы поиска изображений в базах видеоданных // Компьютерная оптика, 2011, том 35, №3. - С. 416.

115. Lei Gao, Lin Qi, Yongjin Wang, Enqing Chen, Shouyi Yang, Ling Guan. Rotation Invariance in 2D-FRFT with Application to Digital Image Watermarking // Springer Science+Business Media New York, J Sign Process Syst. 2012.

116. Yu Wei-we. Face Recognition via Adaptive Image Combination // Shanghai Jiaotong University and Springer-Verlag Berlin Heidelberg , 2010, № 15 (5).-P. 600-603.

117. Volker Dicken, B. Lindow, L. Bornemann, J. Drexl, A. Nikoubashman, H.-O. Peitgen Rapid image recognition of body parts scanned in computed tomography datasets // International Journal CARS, 2010, №5. - P. 527-535.

118.Markus J. Aschwanden. Image Processing Techniques and Feature Recognition in Solar Physics // Solar Phys, 2010, №2 (62). - P. 235-275.