Эффективные способы и средства описания изображений в задачах распознавания

Корябкина, Ирина Валентиновна

Теоретические основы информатики

автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Эффективные способы и средства описания изображений в задачах распознавания

кандидата технических наук: Корябкина, Ирина Валентиновна
город: Москва
год: 2006
специальность ВАК РФ: 05.13.17

Диссертация по информатике, вычислительной технике и управлению на тему «Эффективные способы и средства описания изображений в задачах распознавания»

Автореферат диссертации по теме "Эффективные способы и средства описания изображений в задачах распознавания"

На правах рукописи

Корябкина Ирина Валентиновна

Эффективные способы и средства описания изображений в задачах распознавания

Специальность 05.13.17 - Теоретические основы информатики

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва 2006

Работа выполнена в Вычислительном центре им. Л А. Дородницына Российской академии наук

кандидат физико-математических наук И.Б, Гуревич

доктор технических наук, профессор B.C. Киричук

кандидат физико-математических наук OB. Сенько

Научно-исследовательский ииститут прикладной математики и кибернетики Нижегородского государственного

университета им. Н.И. Лобачевского /

Защита состоится « 21 » декабря 2006 г. В часов на заседании диссертационного совета Д002.017.02 Вычислительного центра им. A.A. Дородницына Российской академии наук по адресу: 119991, Москва, ул. Вавилова, 40.

С диссертацией можно ознакомится в библиотеке Вычислительного Центра им. A.A. Дородницына Российской академии наук

Научный руководитель:

Официальные оппоненты:

Ведущая организация:

Автореферат разослан

2006 г.

Ученый секретарь диссертационного совета доктор физико-математических наук

В.В. Рязанов

Общая характеристика работы

Актуальность темы

Разработка, исследование и реализация методов решения задач анализа, распознавания и оценивания изображений является одним из ведущих направлений информатики. Результаты соответствующих фундаментальных и прикладных исследований непосредственно используются в технической диагностике, неразрушающем контроле, дистанционном зондировании, экологическом мониторинге, прогнозировании и диагностике в медицине, планировании, поиске в геологии, прогнозировании в химии, автоматизации научных исследований. Данная тематика привлекает значительное число исследователей, однако, подавляющее большинство работ в данной области имеет эмпирический характер.

До сих пор по большей части применяются методы обработки изображений, заимствованные из цифровой обработки сигналов, и традиционные математические методы (главным образом, статистические). Известны публикации, посвященные возможностям расширения используемого при анализе изображений математического аппарата (например, вейвлетов, фракталов, метода регуляризации) и применения методов и аппарата математической теории распознавания.

"Алгебраизация" обработки, анализа и распознавания изображений считается во всем мире актуальным и перспективным направлением исследований. Идея построения унифицированной теории для различных понятий и операций, использующихся в обработке изображений и сигналов, появилась впервые в работах Ангера (От^ег, 1958) (распараллеливание алгоритмов обработки и анализа изображений на ЭВМ с клеточной архитектурой). Отдельные концепции алгебраического подхода к обработке изображений нашли отражение в теории образов У.Гренандера (алгебраическое описание анализируемых объектов), и алгебре изображений Г.Ритгера (алгебраическое представление операций обработки и анализа изображений). Наибольший интерес представляет дескриптивный подход к анализу и пониманию изображений, разработанным И.Б. Гуревичем в качестве специализации общего алгебраического подхода Ю.И.Журавлева к решению задач распознавания, классификации и прогнозирования на случай представления исходных данных в виде изображений. Фундаментальными составляющими дескриптивного подхода являются формальные представления изображений (классы моделей изображений и признаковых описаний изображений), порождающие дескриптивные деревья, понятие эквивалентности изображений и дескриптивные алгебры изображений.

Наиболее близки к проблеме автоматизации анализа изображении дескриптивный подход к анализу и распознаванию изображений И.Б.Гуревича, алгебра изображений Риттера и теория образов Гренандера. К сожалению, результаты теоретических исследований не находят широкого применения в задачах распознавания изображений. В значительной степени это связано с тем, что для применения формализованных алгебраических конструкций к изображениям необходимо, прежде всего, достичь степени

формализации исходной информации, допускающей использование соответствующих алгоритмов распознавания.

Сравнительно недавно пришло осознание необходимости разбиения задачи распознавания изображений на задачу приведения изображений к виду удобному для распознавания и собственно задачу распознавания. В связи с этим возникла потребность в разработке методов и средств построения формальных описаний изображений.

Цели н задачи диссертационной работы

Дня достижения поставленной цели были проведены следующие исследования:

1. Исследование средств и способов формального описания изображений как основы для выбора алгоритма распознавания изображений, в том числе исследование моделей изображений и признаков изображений.

2. Построение классификаций признаков, используемых в задачах распознавания изображений.

3. Сравнительный анализ информационных характеристик изображений и признаков изображений, используемых в задачах распознавания изображений.

4. Разработка метода выбора преобразования изображения в зависимости от информационных характеристик анализируемого изображения.

5. Разработка библиотеки программ вычисления признаков изображений и построения признаковых описаний изображений.

6. Решение прикладных задач с использованием полученных теоретических результатов.

Научная новизна

Задачи и результаты работы предназначены для использования при разработке автоматизированных систем анализа и распознавания изображений широкого назначения, не связанных с узкой предметной областью, а также для решения особо важных прикладных задач и классов и отдельных задач, возникающих в тех случаях, когда автоматизация принятия интеллектуальных решений основана на методах распознавания образов, а исходная информация представляется в виде изображений, полученных в широких диапазонах условий наблюдения и средств регистрации. Создание нового поколения таких систем существенно связано с возможностью автоматизации выбора метода преобразования изображения в зависимости от его информационной природы и семантики. Одним из основных направлений разработки таких систем является автоматизация выполнения их отдельных

функций, в частности выбора методов описания и преобразования изображений с учетом их информационной природы.

Методы исследования

В диссертационной работе используются математические методы распознавания образов, методы обработки, анализа и распознавания изображений, методы дескриптивной теории анализа изображений, методы статистического анализа.

Практическая ценность

Научная и практическая ценность работы определяются прямой возможностью использования разработанных и программно реализованных алгоритмов вычисления признаков изображений для решения широкого круга задач, сводящихся к задачам распознавания изображений, в различных прикладных областях (автоматизация научных исследований, прогнозирование и диагностика в медицине и химии, техническая диагностика, н еразрушающий контроль, дистанционное зондирование, экологический мониторинг и др.)

Разработанная библиотека алгоритмов вычисления признаков изображений зарегистрирована в ФГУП «Всероссийский научно-технический информационный центр».

Апробация полученных результатов

В основу диссертационной работы положены результаты, полученные автором в ходе исследований, проводимых в рамках НИР по проектам:

1. Российский фонд фундаментальных исследований:

• проект 01-07-90016 "Система для автоматизации исследования, сравнения и тестирования алгоритмов анализа и оценивания информации, представленной в виде изображений",

• проект 02-01-00182 "Исследование информационной природы изображений на основе понятий эквивалентности и инвариантности в задачах распознавания",

• гранты поддержки молодых ученых, аспирантов и студентов № 01-0706014,02-07-06031,03-07-06058,

• проект 03-07-90406 "Информационная технология и поддерживающий программно-алгоритмический комплекс для интерактивного морфологического анализа и классификации клеток крови",

• проект 05-01-00784 "Приведение изображений к виду, удобному для распознавания. Методы и модели",

2. Проект № 2.14 "Разработка и реализация методов анализа и оценивания слабо структурированной информации в интеллектуальных системах распознавания" Президиума Российской академии наук,

3. Соглашение между РАН и Национальным советом исследований Италии:

• совместный проект "Анализ и синтез изображений в задачах нейроинформатики. Теоретические основы и разработка прототипа инструментально-программного комплекса",

• совместный проект "Анализ и синтез изображений. Теоретические основы и разработка прототипа алгорнтмическо-программного комплекса для анализа медицинских изображений",

4. Проект № 37.011.11.0016 "Открытая исследовательская система широкого назначения для автоматизации разработки и применения информационных технологий обработай, анализа и оценивания изображений" ФЦНТП «Исследования и разработки по приоритетным направлениям развития пауки и техники» на 2002-2006 годы Министерства образования и науки Российской Федерации,

5. Международная Ассоциация содействия сотрудничеству с учеными из новых независимых государств бывшего Советского Союза (ИНТАС):

• проект поддержки молодых ученых, ШТАБ У5Р 03-55-1798,

• проект 04-77-7067 «Извлечение знаний из медицинских изображений: теоретические основы и технологические аспекты».

Разработанное алгоритмическое и программное обеспечение внедрено

и используется (использовалось) для выполнения плановых НИР в

следующих организациях:

• Научный совет по комплексной проблеме «Кибернетика» РАН,

• Вычислительный центр им, АЛ, Дородницына РАН,

• Гематологический научный центр РАМН,

• Институт систем обработки изображений РАН,

• Московский государственный университет им. М.В.Ломоносова, факультет Вычислительной математики и кибернетики,

• Научно-исследовательский институт прикладной математики и кибернетики Нижегородского государственного университета им. Н,И.Лобачевского,

Результаты диссертационной работы докладывались и обсуждались на:

• 6-ой Всероссийской с участием стран СНГ конференции «Методы и средства обработки сложной графической информации» (Нижний Новгород, сентябрь 2001),

• 5-ой Международной конференции «Распознавание-2001» (Курск, 2001),

• Международной конференции Международной ассоциации «Наука и технологии для развития» совместно с Сибирским отделением РАН «Автоматизация, контроль и информационные технологии», (Новосибирск, июнь 2002),

• 6-ой Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Великий Новгород, октябрь 2002),

• 6-м Открытом российско-немецком семинаре «Распознавание образов и понимание изображений» (ОЭ1Ш-б-2003) (Катунь, август 2003),

• 13-ой Скандинавской конференции по анализу изображений (Гетеборг, Швеция, июнь-июль 2003),

• 7-ой Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, октябрь 2004),

• Международной научной конференции «Современные информационные и телемедицинские технологии для здравоохранения» (Минск, Беларусь, ноябрь 2005).

Основные положения работы освещены в 10 опубликованных печатных работах.

Структура и объем работы

Диссертация состоит из введения, четырех глав, заключения, приложения и списка литературы. Объем основного текста работы -138 страниц, список литературы включает 179 наименований.

Результаты, выносимые на защиту

1. Метод выбора преобразования изображений, позволяющий учитывать информационную природу изображений, и его программная реализация.

2. Критерии классификации признаков, используемых для описания изображений.

3. Классификация признаков изображений как формального средства описания изображений.

4. Метод построения многоаспектных описаний изображений на основе классификаций признаков изображений.

5. Пример применения разработанного метода выбора преобразования изображений в задаче автоматизации медицинской диагностики.

6. Библиотека вычисления признаков изображений для инструментально-программного комплекса автоматизации научных исследований и обучения в области обработки, анализа, распознавания и понимания изображений «Черный квадрат».

Содержание работы

Во введении обозначены предмет и задачи исследования, показана актуальность темы исследования. Кратко изложено содержание работы, перечислены результаты проведенных исследований, приведены сведения об апробации и практическом использовании результатов работы.

Б первой главе проведен анализ структуры процесса распознавания изображений, выделены его основные шаги; показано, что построение модели изображения является существенным шагом решения задачи анализа и распознавания изображений. Основное внимание в данной главе и в работе в целом уделяется шагу «Выделение признаков изображений и построение модели/признакового описания исходного изображения».

Проведен анализ различных моделей изображений, используемых как в когнитивной психологии, так и в анализе изображений. Исследованы следующие классы моделей изображений:

1. Классы моделей, порождаемые методами когнитивной психологии:

a. Класс 1: модели, основанные на сопоставлении эталонов.

b. Класс 2: модели, основанные на наборе признаков.

c. Класс 3: модели, основанные на преобразовании Фурье.

(1. Класс 4: структурные модели.

2. Классы моделей, отражающие методы визуализации.

a. Класс 1: представимые изображения.

b. Класс 2: абстрактно-графические изображения.

c. Класс 3: пиктограммы.

3. Классы моделей, порождаемые методами представления и обработки изображений:

a. Класс 1: тоновые и цветные изображения.

b. Класс 2: двухуровневые (или представляемые в нескольких «цветах») изображения.

c. Класс 3: непрерывные кривые и линии.

(1. Класс 4: точки и многоугольники.

4. Классы моделей, выделяемые в дескриптивном подходе к анализу и распознаванию изображений:

a. Класс 1:1-модели.

b. Класс 2: Р - модели.

c. Класс 3: в — модели.

& Класс 4: Т-модели.

В результате проведенного анализа была выделена признаковая модель изображений как наиболее часто используемая и применяемая как в когнитивной психологии, так и в анализе изображений. Обоснован выбор признаковой модели изображений для дальнейшего исследования, выделены основные задачи, в которых используются признаки изображений. Поскольку понятие «признак изображения» неоднозначно трактуется в литературе, было выделено четыре наиболее характерных способа определения понятия «признак изображения»:

- признак - «интересная точка на изображении»;

- признак — непроизводный элемент;

- признак — числовая характеристика;

- признак - элемент допустимого пространства.

В рамках данной работы использовано понятие признака типа 3 (параметрического признака), а именно, под признаком изображения понимается результат вычисления некоторой функции вычисленной на изображении как в результате, так и в процессе его обработки. В качестве примеров признаков можно привести площадь объекта, значение градиента, среднюю яркость изображения и др. Следует особо подчеркнуть, что указанная функция / может вычисляться как на изображении, так и на результатах его предварительной обработки.

Сформулированы наиболее важные требования к признакам, используемым для решения задачи распознавания изображений:

1. Признак должен быть информативным, т.е. содержать информацию, существенную для данного изображения в контексте решаемой задачи, и способствовать правильной классификации объектов.

2. Признак должен допускать обработку алгоритмом распознавания изображений, т.е. иметь формат, приемлемый для выбранного алгоритма распознавания.

3. Признак должен позволять строить модель изображения.

4. Признак должен входить в минимальный набор признаков (или модель изображения), отражающий специфику распознаваемого объекта в контексте задачи.

5. Временная сложность вычисления признака не должна превышать выгоды от его использования для решения данной задачи.

Выделены основные задачи анализа и распознавания изображений, в которых используются признаки изображений.

Понимание важности этапа выбора признаков при решении задач анализа изображений влечет за собой необходимость рассмотреть существующие способы классификации и описания признаков изображений и выработать такой способ, который позволяет эффективно описывать изображения в различных задачах распознавания. Для разработки эффективной классификации признаков изображений сформулированы требования, предъявляемые к такой классификации:

1) классификация признаков изображений должна быть полной, т.е. охватывать все основные группы признаков;

2) поскольку порождение новых классов для новых признаков противоречит смыслу задачи классификации, то классификация признаков изображений должна быть «универсальной», т.е. выделенных классов должно быть достаточно для классификации максимально возможного количества новых признаков;

3) классификация признаков изображений должна быть непротиворечивой, т.е. классы, выделенные по одному основанию деления, не должны пересекаться;

4) классификация должна быть достоверной, т.е. должна наиболее точно отражать знания о признаках изображений, используемых в задачах распознавания и анализа изображений;

5) классификация признаков изображений должна быть «логичной», т.е.

основания классификации должны быть понятны специалистам в области

распознавания образов и анализа изображений.

Перечислены основные литературные источники, использованные дня классификации и систематизации признаков изображений. Выделены два наиболее общих принципа характеризации признаков изображений — зависимость признаков изображений от исходных данных (изображений) и от способов получения признаков. Классификации признаков изображений, не отражающие эти принципы, были выделены в группу «Классификации признаков изображений, основанные на наличии у признаков некоторых специальных свойств».

Выделены следующие принципы классификации, основанные на информации об исходном изображении:

1) тип изображения, служащего основой для вычисления признака;

2) тип модельного представления изображения, служащего основой для вычисления признака;

3) область изображения, на которой вычисляется признак;

4) тип объекта, служащего основой для вычисления признака.

Рассмотрение математических средства и способов, используемых для

вычисления признаков изображений, позволяет выделить классификации признаков изображений в зависимости от способа получения признака:

1) «уровень» признака;

2) способ синтеза признака;

3) тип пространства, допустимым элементом которого является признак;

4) математический аппарат, используемый для вычисления признака.

В качестве специальных свойств признаков изображений, которые могут служить основанием классификации, были выделены такие свойства как инвариантность и восстановительная способность признаков изображений.

Подробно изучены способы объединения признаков в различные классы, рассмотрены основные из известных классификаций признаков, в том числе, предложенные автором работы, принципы, их порождающие, и проведен анализ наполнения этих классификаций признаками. Выбранная процедура анализа обеспечивает разделение признаков на классы, в зависимости от способов их порождения, вычисления и использования. Построена сводная таблица (Рис. 1), отражающая все рассмотренные классификации и соответствующие классы признаков изображений.

Проведенный анализ показал, что ни одна из предложенных и рассмотренных классификаций не может являться полноценным средством описания всевозможных признаков изображений и основой для выбора признаков в зависимости от исходных данных и решаемой задачи. В то же время рассмотренные классификации признаков изображений позволяют создавать многоаспектные представления изображений, сохраняющие информацию, существенную для решения прикладной задачи. Удобным средством выбора признаков в зависимости от особенностей решаемой

"iWHsmdgnBt laœacxdn мигаифиээжы ffiDUíjai квайхг^ ' ] aij

шзгеяоотя

ЯХВЮС^Ц

-ownüi ихж

шм üidínádta -sidiauaufam

-ond^psdn LUI nitflT О sf-лг ТНГПТПТ Bmixdu ■xw^dii

ячщшфф»н годо&пк Хш mmnidmzis ичньа,ш

дидиддируЗ "amdünac hxmdu&z ganrodí miiiiii'iiiii •aaataE^nh ЪиЗоф ■

"ятмигжн еткашлютк 'ачжМгак UKcsdit KOHOÜt MORNDldll

тнпилк И "■аиаамшг tomracbi ^UULHEMtt ашчпвдш еткюомЬ

-Dndgoadic ■иичцтми Ъизк&ик ОПИСИ 'ж sou» -шшя H Ж WWWQJ,

ДИК ОКИСИ жяшжикэ 'musnmuiff HWCTchi вданхиэ апнЛЬяоя "анлйижа

{pHWOradacsdu Ana JütodattLfai

2 ft^ftf^nwJiiiiuH

1 щзсидоэао j пашяшяишзхя vraaodf

5> KMndgoeu Et юткЬгншопф юла шнпнийц

жпиивкютиЕныи хш зоашзо огзпв: Ъшгдоша

XttŒHdii каыпгак , наш au arc i "ínaredijosbri

таяоижьня юш риаЛстшгон Minna рюошшэшт

bwiuiilii вннанхьпА ИШ цакито шппк&о VraamigocH тпицти ■iödii аиномйж ша

йЩОйЭ ХННВЯНИШЗ I Didaus» araroHMÜi £ шмаля \ га ошмага ^шпиф^ш^ /

ыи]

хлынйи имлютым

gadoiiuw tauamdgofa щшдд

romeado котятами гая цояоюи йипшжАп

*юизшДвпи ша

(wwwwiirfïï i * t -

одкпиЯхчижм-киваинЬиюЛ / итмйоаеииаятк®an \ ншпииаиятва -эядигии!шюгТшяфнпигя / \ъхажАвфя.ааюшимфнзжя^/

nmaaciigotn manuná¡]

задачи и исходных данных являются параметрические порождающие дескриптивные деревья (ПДД), они поддерживают создание и использование многоаспектных представлений изображений на основе различных классификаций признаков изображений.

В третьей главе на основе анализа информационных свойств изображений и введенного понятия эквивалентности изображений предложен метод выбора преобразований изображения в зависимости от информационных характеристик изображений в задачах распознавания. Выделены и подробно описаны основные шаги предложенного метода. Предложенный метод увеличивает эффективность выбора алгоритмов анализа изображений и автоматизации (частичной или полной) обработки изображений и позволяет учитывать синтаксическую и семантическую информацию изображения при выборе алгоритмов анализа изображений. Рассмотрены математические постановки задачи распознавания, являющиеся необходимым шагом формализации процесса распознавания изображений для дальнейшей его автоматизации, показано, что при некоторых ограничениях классы изображений, задаваемые задачей распознавания, являются классами эквивалентности изображений.

Предлагаемый метод выбора преобразований изображения в зависимости от информационных характеристик изображений в задачах распознавания основывается на дескриптивном подходе к анализу изображений и использует гипотезы, состоящие в том, что:

а) всякое изображение обладает определенной регулярностью или смесью регулярностей различных типов;

б) каждому классу эквивалентности изображений соответствует некоторый класс преобразований, применение которых к изображению/модели изображения не выводит результат преобразования за пределы соответствующего класса эквивалентности.

Выделены и подробно описаны основные шаги предложенного метода. Шаг 1. Характеризация изображения - устанавливается класс эквивалентности, к которому принадлежит исходное изображение.

= Р{1* € {//}) (1)

Шаг 2, Построение модели изображения - изображение приводится к виду, удобному для распознавания, с помощью базисных операций класса преобразований, поставленного в соответствие классу эквивалентности изображения.

= где Г 6 {Т,}. (2)

Шаг 3. Определение класса эквивалентности, к которому относится модель изображения.

Если верно:

Р -1 (4)

Л 1нифь_т*йе1шг!С1шгяс№Найоп , 4 1

то имеется множество алгоритмов; распознавания, решающих задачу оптимальным образом. Данный шаг поддерживает выбор наиболее эффективного алгоритма распознавания изображений. Поскольку различные алгоритмы принимают на входе различный формат данных, в различных задачах преследуются разные цели и классы эквивалентности изображений отличаются семантическими особенностями объектов классов, необходимо определить класс эквивалентных изображений так, чтобы искать оптимальный алгоритм среди заведомо подходящих. Если, напротив,

то становится очевидным, что гипотеза, принятая на шаге 1, не верна. В таком случае необходимо выдвинуть новую гипотезу о том классе эквивалентности, к которому принадлежит исходное изображение. Шаг 4. Классификация модели изображения.

л-Л(Я(/*)), (6)

На данном шаге выбирается оптимальный алгоритм распознавания А из распознающих операторов из класса преобразований, поставленного в соответствие классу эквивалентности модели изображений. С помощью этого алгоритма решается поставленная задача распознавания. Шаг 5. Проверка правильности характеризации изображения восстановление класса эквивалентности исходного изображения по результату распознавания а при помощи обратных преобразований из класса {Г^}, поставленного в соответствии использованному классу эквивалентности изображений.

= где С е Ю- (7>

= € {И</, )}). (8)

Если

Р -1 (9)

i-.'iiij ^correct »

то задача была решена корректно. Если

0, (10)

то класс эквивалентности исходного изображения на шаге 1 был определен неверно.

В том случае, если изображение изначально было неверно классифицировано, выдвигается гипотеза о принадлежности данного изображения к другому классу эквивалентности. Поставленная задача решается с учетом этой гипотезы. Процедура повторяется до тех пор, пока задача не будет эффективно решена.

Предложенный метод представлен в виде алгоритмической схемы на рис. 2. Данный метод увеличивает эффективность выбора алгоритмов анализа изображений и автоматизации (частичной или полной) обработки

изображений н позволяет учитывать синтаксическую и семантическую информацию изображения при выборе алгоритмов анализа изображений.

Рис. 2. Алгоритмическая схема, реализующая метод выбора преобразований изображений в задачах распознавания (для каждой гипотезы о классе эквивалентности изображений)

Введены и исследованы понятие эквивалентности изображений, основанное на совпадении информационных векторов, описывающих изображения (Определение 1), эквивалентность относительно множества преобразований, эквивалентность относительно метрики, также рассмотрены другие способы задания эквивалентности в задачах распознавания изображений.

Определение 1. Изображения называются эквивалентными относительно распознающего алгоритма А, если их информационные векторы, построенные алгоритмом А, совпадают.

Показано, что при некоторых ограничениях классы изображений, определяемые задачей распознавания, являются классами эквивалентности изображений.

Теорема. О классах эквивалентности в задаче распознавания. Пусть дана задача распознавания изображений ¡^-{^ы^^^'Ь-и-/)'

где-С - изображения, 1=1,2,..., д (/ — классы эквивалентности на множестве {//'}, ц — количество классов эквивалентности изображений), щ — номер изображения — представителя класса эквивалентности, /*' е М,; К, — классы в задаче распознавания изображений (1=1,2,...,!; I - количество классов в задаче распознавания изображений); — предикаты. Задача 2?

состоит в том, чтобы найти значения предикатов Р, Тогда классы К, являются классами эквивалентности изображений.

На основе Дескриптивного подхода к анализу изображений н рассмотренных классификаций признаков изображений введено и изучено понятие параметрического ПДД.

Определение 2. Порождающее дескриптивное дерево - это древовидная структура, предназначенная для классификации и автоматизации порождения формальных представлений изображений и обладающая следующими свойствами:

1) каждый элемент дерева называется дескриптором и отражает какие-либо свойства изображений;

2) элемент дерева может иметь только единственного родителя;

3) если элемент дерева не имеет родителя, то он называется корнем ПДЦ\

4) элемент дерева может иметь бесконечное число потомков;

5) элемент дерева, не имеющий потомков, называется листом ПДД. Параметрические ПДД характеризуются тем, что для их построения

используются Р-модели изображений, т.е. их признаковые описания. Дня каждой из рассмотренных классификаций построено параметрическое ПДД, основанное на соответствующем основании деления.

Для отражения многоаспектной информации, представленной в изображении и использования разных оснований деления признаков изображений, были введены два способа объединения параметрических ПДЦ:

1} Объединение корней ПДЦ с различными основаниями деления;

2) Суперпозиция классификаций путем последовательного использования оснований деления.

Рис. 3. Схема объединенного ПДЦ (суперпозиция классификаций с различными основаниями деления)

Построены примеры, иллюстрирующие каждый из введенных способов. На рис. 3 и 4 приведены схема и пример объединения ПДД путем суперпозиции классификаций с различными основаниями деления.

Глава четыре посвящена практическому исследованию полученных теоретических результатов, программной реализации библиотеки признаков изображений и применению предложенного в главе 3 метода для решения задачи анализа цитологических изображений.

Е!"^П«ри»Ч*м«ко»П ДД, построив«» путш суп»ртвиции шаешфютдай с ршшш

j 0С8» «ИЛИИ ДСП «их

Е М 0Д1 - еЬмсп юобрвимния, hi когсрсй ммиита притек, @ Й Локшиаппрвзлик | f-.-gsg cfifytwintjggoCTi в i^pataautpi, I ! (Sij CJMUS j^iocnß пижсыи» oilnrt, 1 ■ [5g xiefsntrip о5ъехта. | I. gl гш'-цу,! & И Гйобмвлие првянки;

Q-Й Емп|жы« провозе ! 1-Я шстогрвфвтпрожций,

! гН прднцн. ждувин» с поыачио еп«р пня рюдядм» да J с«м

с ] (количеств о ч«£нь2 пикет cm » задытнсй зоне),

{ гвоитрщвлэдинварикт-демвягы

Э Й Тононыа транши:

[ 0 fei ОДЗ - тип издымого првдстилищ служащего оено» ей дм | шпдютегоипрнгнйха кзебрьжемия,

I G Ife Стгтспг-иские прснаки" ) I i—{»й ысмвнхы различии порцдкет; f | - ^^ KonjMn,

|—Q лжианм однородная»,

| ;___згиришш шст сгразшы урсвчй яркости,

I НУ ЯП Сп ЯСТр&ОЬКЫ« TTft^Martf ! ^„.ВД епапр шображдац

1 \—@ ювтршнош гагара

| i.____g относительна энгрогаы en tnpt,

[ ___[Hj цркшпк ки с* (ясные Hi г^реобрс® «ки Фу|»«

И'Й Ярссстньв np№Hirat

j—S доминирующий цв*т, |-—Q жпропиоликетурц

|— ¡ин] рсг^илги ость т*лс.туры. Г 0 однородностивсгурц '—@ криниц осютаннь» на преобразовании

Рис. 4, Объединение ПДД путем суперпозиции классификаций с различными основаниями деления (иллюстративный пример)

Описана библиотека вычисления признаков изображений, программно реализованная в рамках алгоритмическо-программного комплекса для автоматизации научных исследований и обучения в области обработки, анализа, распознавания и понимания изображений «Черный квадрат», приведены характеристики разработанной библиотеки, описан сценарий работы с библиотекой. В настоящее время библиотека включает 122 признака, однако, по мере возникновения новых задач, в которых библиотека должна быть использована, набор признаков будет расширяться.

Признаки в библиотеке разделены на классы. При выборе основания деления были проанализированы принципы классификации признаков изображений, рассмотренные в главе 2 настоящей работы. В результате анализа был выбран принцип классификации «Классификация признаков по математическому аппарату, используемому для определения признаков» как наиболее полно отражающий специфику практической реализации библиотеки вычисления признаков и позволяющий упростить выбор признаков для пользователя. В соответствии с выбранным принципом

классификации, библиотека вычисления признаков позволяет вычислять статистические, спектральные, алгебраические/структурные, логические, арифметические, матричные и топологические/геометрические признаки.

Сценарий работы с библиотекой включает следующие шаги:

1. Открытие файла с исходным изображением.

2. Открытие файла с маской.

3. Выбор алгоритма вычисления признака.

4. Запуск алгоритма вычисления признака на выполнение.

Рис. 5 иллюстрирует выбор параметров для запуска алгоритма вычисления гистограммы яркости.

Рис. 5. Выбор параметров для запуска алгоритма вычисления гистограммы яркости.

Система «Черный квадрат» предоставляет возможности комплексирования алгоритмов с помощью редактора макрокоманд. Редактор макрокоманд с возможностью внешнего запуска — это текстовый редактор с возможностью проверки правильности синтаксиса макрокоманда, создания исполняемой макрокоманды и запуска корректной макрокоманды. Для разработки макрокоманд используется сужение языка "Си". «Черный квадрат» позволяет использовать алгоритмы системы и стандартные функции "Си". Макрокоманды после отладки легко могут быть преобразованы в динамические библиотеки для повышения их вычислительной производительности. Использование макрокоманд позволяет комплексировать алгоритмы вычисления признаков, а также создавать вектора признаков для описания изображений, каждому элементу вектора соответствует алгоритм вычисления признака. Таким образом, при работе макрокоманды для каждого изображения будет создан п-мерный вектор признаков, описывающий его.

В качестве иллюстрации применения предложенного метода выбора преобразований изображения рассмотрена задача диагностического анализа опухолей системы крови (гемобластозов) и исследования закономерностей опухолевой прогрессии. Сформулирована задача анализа изображений цитологических препаратов и их классификации по трем диагнозам: В-клеточный хронический лимфолейкоз (ХЛЛ), саркомная трансформация В-клеточного хронического лимфолейкоза (ТХЛЛ) и первичная В-клеточная лимфосаркома (ЛС). Основной особенностью задачи является то, что различным диагнозам соответствуют различные информативные признаки и, следовательно, изображениям из различных классов эквивалентности, заданных условиями задачи, соответствуют различные признаковые модели изображений. Таблица 1 иллюстрирует признаки, несущие высокую нагрузку в факторах 1-2 для различных диагнозов, выделенные из множества всех 47 признаков.

Таблица 1. Признаки, несущие высокую нагрузку в факторах 1-2 для различных диагнозов.

ХЛЛ ТХЛЛ ЛС

Фактор 1 F2 F22-F29, F42, F45 F22 —F26, F29, F42, F45

Фактор 2 F23, F25, F29 F1,F15,F16

Традиционные методы распознавания предполагают, что каждый объект описан одинаковым набором признаков (с возможными пропусками), в то же время предложенный в главе 3 метод выбора преобразований изображения в задачах распознавания изображений позволяет оперировать классами изображений, имеющими разное описание. В поставленной задаче диагностического анализа изображениям из различных классов соответствуют различные векторы признаков: {//}:{F2,F23,F25,F29 }, {/i}: {F22 - F29, F42, F45 >, {h} { F22 - F26, F29, F42, F45 }. Рассмотрено по шагам применение метода выбора преобразования изображений в задачах распознавания изображений для решения поставленной задачи диагностического анализа изображений цитологических препаратов, в качестве алгоритма решения задачи выбраны алгоритмы вычисления оценок (ABO),

Следует отметить, что поскольку точность распознавания для различных классов различается, то существенным моментом в применении метода становится последовательность выдвижения гипотез. Общее правило, применяемое и в данном случае, таково: первой следует выдвигать гипотезу о принадлежности к тому классу, который содержит максимальное число объектов, и далее по убыванию количества объектов. Таким образом, можно снизить объем вычислений н повысить точность распознавания.

Для диагноза ХЛЛ в первом факторе с высокой нагрузкой выделен только один признак (F2), таким образом, при использовании ABO невозможно сформировать опорные множества. Принимая во внимание тот факт, что первый фактор объясняет только 21,1% выборки, было решено добавить в рассмотрение признаки, обладающие высокой нагрузкой во втором факторе (второй фактор для диагноза ХЛЛ объясняет 17,17% признаков), а именно, признаки F23, F25 и F29, и проводить тестирование па расширенной выборке. Остальные диагнозы характеризовались признаками первого фактора.

Предложенный метод апробирован на нескольких наборах признаков, выбранных для описания изображений цитологических препаратов, показано, что применение предложенного метода позволяет увеличить точность распознавания с 83,18 % (при использовании 14 признаков, выделенных факторным анализом) до $3,37 %. Таблица 2 иллюстрирует точность распознавания для каждого из диагнозов.

Таблица 2. Оценка точности распознавания предложенного метода.

Диагноз Число Общее Точность

правильно число распознавания

распознанных клеток

клеток

ЛС 740 820 90,24 %

тхлл 493 513 96,10 %

ХЛЛ 1177 1248 94,31 %

Итого 2410 2581 93,37 %

Да1шая работа выполнена на основе Дескриптивного подхода к анализу изображений, и ее результаты вносят вклад в развитие его методов и средств, предназначенных для приведения изображений к виду, удобному для распознавания.

Список основных публикаций по теме диссертации

1. I.Y. Koryabkina. Informational Specificity of an Image in Pattern Recognition Environment // Proceedings of the IASTED International Conference in cooperation with The Russian Academy of Sciences; Siberian Branch "Automation, Control and Information Technology", June 10-13, 2002, Novosibirsk, Russian Federation. - P.435-438.

2. И.Б. Гуревич, И.В. Корябкина. Метод классификации изображений на основе их информационных характеристик Н Труды б-ой Международной конференции "Распознавание образов и анализ изображений: новые информационные технологии", Великий Новгород, 21-26 октября, 2002: В 2-х т. - НовГУ им, Ярослава Мудрого, Великий Новгород, 2002, - Т.1. -С. 172-176.

3. I. Gurevich, I. Koryabkina. How To Use Well-Known Feature Classifications For Feature Selection In Image Analysis Tasks // Proceedings of the 6th German-Russian Workshop "Pattern Recognition and Image Understanding" (OGRW-6-2003), Katun Village, Altai region, Russian Federation, August, 2530, 2003. - Novosibirsk, 2003. - P. 92-95.

4. I.B. Gurevich, I.V. Koryabkina. Image Classification Method Based on Image Informational Characteristics // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - 2003. - Vol, 13, No.l. -P. 103-105.

5. I.B. Gurevich, I.V. Koryabkina. Comparative Analysis and Classification of Features for Image Models // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - 2006. - Vol. 16, No.3. -P. 265-297.

6. IB. Gurevich, I.V, Koryabkina, D.M. Murashov. Yu.O. Trusova, and A.V. Khilkov. An Open General-Puipose Research System for Automating the Development and Application of Information Technologies in the Area of Image Processing, Analysis, and Evaluation // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2006, Vol.16, No.4, pp. 530-563.

7. Irina Koryabkina. Method for Image Informational Properties Exploitation in Pattern Recognition // Proceedings of The 13th Scandinavian Conference on Image Analysis (SCIA2003), 29 June 2003 - 2 July 2003 /J.Bigun and T. Gustavsson {Eds.}: SCIA 2003, LNCS 2749. - P.1006-1013.

8. S. Di Bona, I, Gurevich, I, Koryabkina, A. Nefyodov, O. Salvetti. Integration of two approaches to medical image analysis for diagnostic purposes // Proceedings of the 7th International conference "Pattern Recognition and Image Analysis: New Information Technologies" (PRIA-7-2004), St. Petersburg, Russian Federation, October 18-23, 2004.- SPbETU, 2004. - Vol. II. - P.658-661.

9. S. Ablameyko, S. Di Bona, I. Gurevich, I. Koryabkina, D. Murashov, A. Nefyodov, O. Salvetti, A, Trykova, I. Vorobjev. Towards automated analysis of cytological and histological specimen images // Proceedings of the International Conference on Advanced Information and Telemedicine Technologies for Health (АПТН2005), November 8-10, 2005, Minsk, Belarus. — P.27-31.

10.S. Di Bona, I. B. Gurevich, I. V. Koryabkina, A. V. Nefyodov, and O. Salvetti. Two Approaches to Medical Image Analysis: Comparison and Synthesis // Pattern Recognition and Image Analysts: Advances in Mathematical Theory and Applications. - MAIK "Nauka/Interperiodica", 2005. - Vol. 15, No.2. - P. 539-542.

Напечатано с готового оригин&л-махега

Издательство ООО "МАКС Пресс" Лицензия ИДИ 00310 ст01.12.99 г. Подписано к печати 02.11.2006 г. Формат 60x90 1/16. Усл.печ.л, 1,25. Тираж 100 экз. Заказ 760. Тел. 939-3890, Тел/Факс 939-3891. 119992, ГСП-2, Москва, Ленинские горы, МГУ им. М.В, Ломоносова, 2-й учебный корпус, 627 к.

Оглавление автор диссертации — кандидата технических наук Корябкина, Ирина Валентиновна

Введение

Глава 1. Формальные способы описания изображений

1.1. Исследование моделей изображений

1.1.1. Понятие модели изображения

1.1.2. Классификация моделей изображений

1.2.1. Классы моделей, порождаемые методами когнитивной психологии

1.2.2. Классы моделей, порождаемые методами представления и обработки изображений

1.2.3. Классы моделей, порождаемые дескриптивным подходом к анализу и распознаванию изображений

1.2. Роль признаковой модели в задачах распознавания и анализа изображений

1.2.1. Признаковое описание изображений

1.2.2. Определение понятия «признак изображения»

1.2.3. Основные задачи анализа и распознавания изображений, в которых используются признаки изображений

Глава 2. Систематизация и сравнительный анализ признаков изображений

2.1. Основные подходы к классификации признаков изображений

2.1.1. Библиографические источники, использованные для классификации и систематизации признаков изображений

2.1.2. Требования к классификации признаков изображений

2.1.3. Принципы классификации признаков изображений

2.2. Классификации признаков изображений по информации об изображении

2.2.1. Классификация признаков по типу изображения, служащего основой для вычисления признака

2.2.1.1. Бинарные признаки

2.2.1.2. Тоновые признаки

2.2.1.3. Яркостные признаки

2.2.2. Классификация признаков по типу модельного представления, служащего основой для вычисления признака изображения

2.2.2.1. Статистические признаки

2.2.2.2. Признаки, характеризующие форму

2.2.2.3. Спектральные признаки

2.2.3. Классификация признаков по области изображения, на которой вычисляется признак

2.2.4. Классификация признаков по типу объекта, служащего основой для вычисления признака

2.2.4.1. Точечные признаки

2.2.4.2. Контурные признаки

2.2.4.3. Сегментационные признаки

2.2.4.4. Остовные признаки

2.3. Классификации признаков изображений по математическим средствам, используемым для вычисления признаков

2.3.1. Классификация по уровню признака

2.3.2. Классификация по способу определения признака

2.3.2.1. Вычисляемые признаки

2.3.2.2. Измеряемые признаки

2.3.2.3. Извлекаемые признаки

2.3.2.4. Выделяемые признаки

2.3.3. Классификация по типу пространства, допустимым элементом которого является признак

2.3.3.1. Символы и символьные строки

2.3.3.2. Числовые, векторные, матричные признаки

2.3.3.3. Структуры

2.3.3.4. Кусочно-непрерывные функции 59 2.3.4. Классификация признаков по математическому аппарату, используемому для определения признаков

2.3.4.1. Комбинаторные признаки

2.3.4.2. Логические признаки

2.3.4.3. Матричные признаки

2.3.4.4. Арифметические признаки

2.3.4.5. Топологические/геометрические признаки 62 2.4. Классификации признаков изображений, основанные на наличии у признаков некоторых специальных свойств

Глава 3. Метод выбора преобразований изображения в задачах распознавания изображений

3.1. Математическая постановка задачи распознавания изображений

3.1.1. Понятие эквивалентности в задачах распознавания изображений и способы задания эквивалентности

3.1.2. Математическая постановка задачи распознавания изображений в терминах классов эквивалентности

3.1.3. Математическая постановка редуцированной задачи распознавания изображений

3.1.4. Условия полноты класса ABO для редуцированной задачи распознавания изображений

3.1.5. Классы эквивалентности изображений в задачах распознавания

3.2. Мульти-модельные представления изображений в задачах распознавания

3.2.1. Понятие порождающего дескриптивного дерева

3.2.2. Параметрические ПДЦ 77 3.2.2.1. Использование параметрических ПДЦ при решении прикладных задач

3.3. Формальное описание метода выбора преобразования изображений в зависимости от информационных характеристик изображений

3.3.1. Информационные свойства изображений

3.3.2. Алгоритмическая схема, реализующая метод выбора преобразований изображений в задачах распознавания

Глава 4. Экспериментальное исследование метода выбора преобразования изображения. Библиотека вычисления признаков изображений.

4.1. Библиотека вычисления признаков изображений

4.1.1. Краткая характеристика библиотеки вычисления признаков

4.1.2. Сценарий работы с библиотекой вычисления признаков

4.2. Применение предложенного метода в задаче диагностического анализа цитологических препаратов

4.2.1. Постановка задачи анализа цитологических препаратов

4.2.2. Описание шагов предложенного метода при решении задачи анализа цитологических препаратов

4.2.3. Сравнение результатов распознавания на различных наборах признаков 114 Заключение 118 Список литературы

Введение 2006 год, диссертация по информатике, вычислительной технике и управлению, Корябкина, Ирина Валентиновна

Сравнительно недавно пришло осознание необходимости разбиения задачи распознавания изображений на задачу приведения изображений к виду удобному для распознавания и собственно задачу распознавания [1, 7]. В этой связи возникла потребность в разработке методов и средств построения формальных описаний изображений.

Диссертационная работа посвящена исследованию информационной природы изображения как средства представления и передачи информации и исследованию методов формального описания изображений в задачах анализа и распознавания изображений с целью автоматизации выбора алгоритма преобразования изображений. Заметим, что эта проблематика имеет существенное значение для понимания информационной природы изображений. Задачи и результаты работы весьма существенны для разработки и исследования автоматизированных систем обработки и анализа изображений широкого назначения, не связанных с узкой предметной областью, способных работать с изображениями, полученными в широких диапазонах условий наблюдения. Создание нового поколения таких систем существенно связано с возможностью автоматизировать выбор метода преобразования изображения в зависимости от его информационной природы и семантики. Одним из основных направлений разработки таких систем является автоматизация выполнения их отдельных функций, в частности выбора методов описания и преобразования изображений с учетом их информационной природы.

Основными задачами работы являются: а) исследование и формализация методов и средств описания изображений в задачах распознавания (признаки и модели изображений); б) разработка метода эффективного выбора преобразований изображений в зависимости от специфических информационных характеристик, которыми обладает изображение; в) программная реализация и экспериментальное исследование разработанных методов.

Для достижения поставленной цели были проведены следующие исследования:

2. Построение классификаций признаков, используемых в задачах распознавания изображений.

6. Решение прикладных задач с использованием полученных теоретических результатов.

Основными результатами работы являются:

2. Критерии классификации признаков, используемых для описания изображений.

3. Классификация признаков изображений как формального средства описания изображений.

4. Результаты сравнительного анализа информационных характеристик и признаков изображений, используемых человеком и в автоматизированных системах при распознавании изображений.

5. Метод построения многоаспектных описаний изображений на основе классификаций признаков изображений.

6. Результаты применения разработанного метода для решения задачи диагностического анализа изображений цитологических препаратов.

7. Библиотека вычисления признаков изображений для инструментально-программного комплекса автоматизации научных исследований и обучения в области обработки, анализа, распознавания и понимания изображений «Черный квадрат».

Результаты работы были использованы при выполнении ряда проектов Российской академии наук, Российского фонда фундаментальных исследований, Министерства образования и науки Российской Федерации и Международной Ассоциации содействия сотрудничеству с учеными из новых независимых государств бывшего Советского Союза. Материалы, изложенные в диссертационной работе, были доложены на 8 конференциях и семинарах. По теме диссертации опубликовано 10 работ [4,12,30,31,54,55,56, 57, 80, 81].

Представленная работа состоит из четырех глав, введения и заключения. Список литературы содержит 179 источников.

В первой главе диссертационной работы была проанализирована структура процесса распознавания изображений и выделены его основные шаги; показано, что построение модели изображения является существенным шагом решения задачи анализа и распознавания изображений. Основное внимание в данной главе и в работе в целом уделяется шагу «Выделение признаков изображений и построение модели/признакового описания исходного изображения». В результате проведенного анализа различных моделей изображений для дальнейшего исследования была выделена признаковая модель изображений как наиболее часто используемая и применяемая как в когнитивной психологии, так и в анализе изображений. Поскольку понятие «признак изображения» неоднозначно трактуется в литературе, было выделено четыре наиболее характерных способа определения понятия «признак изображения» и сформулировано определение, принятое в рамках данной работы. Выделены основные требования к признаку изображений, сформулированы основные задачи анализа и распознавания изображений, в которых используются признаки изображений.

Вторая глава посвящена анализу и классификации признаков, используемых в настоящее время при распознавании изображений. Установлено, что в целом, вопросы классификации признаков изображений, выделения существенных характеристик признаков изображений и поиска регулярного базиса для выбора признаков изображений в зависимости от природы рассматриваемого изображения в литературе не рассматриваются, хотя авторы часто ссылаются на необходимость таких исследований. Для разработки эффективной классификации признаков изображений сформулированы требования, предъявляемые к такой классификации. Выделены два наиболее общих принципа характеризации признаков изображений - зависимость признаков изображений от исходных данных (изображений) и от способов получения признаков. Подробно изучены способы объединения признаков в различные классы, рассмотрены основные из известных классификаций признаков, в том числе, предложенные автором работы, принципы, их порождающие, и проведен анализ наполнения этих классификаций признаками. Выбранная процедура анализа обеспечивает разделение признаков на классы, в зависимости от способов их порождения, вычисления и использования. Проведенный анализ показал, что ни одна из рассмотренных классификаций не может являться полноценным средством описания всевозможных признаков изображений и основой для выбора признаков в зависимости от исходных данных и решаемой задачи. В то же время рассмотренные классификации признаков изображений позволяют создавать многоаспектные представления изображений, сохраняющие информацию, существенную для решения прикладной задачи. Удобным средством выбора признаков и создания и использования многоаспектных представлений изображений в зависимости от особенностей решаемой задачи являются параметрические порождающие дескриптивные деревья на основе различных классификаций признаков изображений.

Глава четыре посвящена практическому исследованию полученных теоретических результатов. Описана библиотека вычисления признаков изображений, программно реализованная в рамках алгоритмическо-программного комплекса для автоматизации научных исследований и обучения в области обработки, анализа, распознавания и понимания изображений «Черный квадрат», приведены характеристики разработанной библиотеки, описан сценарий работы с библиотекой. Сформулирована задача анализа изображений цитологических препаратов, особенностью которой является то, что различным диагнозам соответствуют различные информативные признаки и, следовательно, изображениям из различных классов эквивалентности, заданных условиями задачи, соответствуют различные признаковые модели изображений. Показано, что предложенный в главе 3 метод выбора преобразования изображений повышает точность распознавания в задаче диагностического анализа изображений цитологических препаратов.

В Заключении работы сформулированы основные научные и практические результаты, выносимые на защиту.

Заключение диссертация на тему "Эффективные способы и средства описания изображений в задачах распознавания"

Заключение

Задачи и результаты работы предназначены для использования при разработке автоматизированных систем анализа и распознавания изображений широкого назначения, не связанных с узкой предметной областью, а также для решения особо важных прикладных задач и классов и отдельных задач, возникающих в тех случаях, когда автоматизация принятия интеллектуальных решений основана на методах распознавания образов, а исходная информация представляется в виде изображений, полученных в широких диапазонах условий наблюдения и средств регистрации. Создание нового поколения таких систем существенно связано с возможностью автоматизировать выбор метода преобразования изображения в зависимости от его информационной природы и семантики. Одним из основных направлений разработки таких систем является автоматизация выполнения их отдельных функций, в частности выбора методов описания и преобразования изображений с учетом их информационной природы.

В основу диссертационной работы положены результаты, полученные автором в ходе исследований, проводимых в рамках НИР по проектам Комплексной программы научных исследований РАН "Математическое моделирование и интеллектуальные системы", Программы фундаментальных исследований Отделения математических наук РАН "Алгебраические и комбинаторные методы математической кибернетики", Российского фонда фундаментальных исследований, совместного проекта в рамках соглашения между РАН и Национальным советом исследований Италии, проектов Международной Ассоциации содействия сотрудничеству с учеными из новых независимых государств бывшего Советского Союза.

На защиту вынесены следующие основные положения и результаты.

2. Критерии классификации признаков, используемых для описания изображений.

3. Классификация признаков изображений как формального средства описания изображений.

4. Метод построения многоаспектных описаний изображений на основе классификаций признаков изображений.

Научная и практическая ценность работы определяется прямой возможностью использования разработанных и программно реализованных алгоритмов вычисления признаков изображений для решения широкого круга задач, сводящихся к задачам распознавания изображений, в различных прикладных областях (автоматизация научных исследований, прогнозирование и диагностика в медицине и химии, техническая диагностика, неразрушающий контроль, дистанционное зондирование, экологический мониторинг и др.)

Материалы, изложенные в диссертации, были доложены на:

• 6-ой Всероссийской с участием стран СНГ конференции «Методы и средства обработки сложной графической информации» (Нижний Новгород, сентябрь 2001);

• 5-ой Международной конференции «Распознавание-2001» (Курск, 2001);

• 6-ой Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Великий Новгород, октябрь 2002);

• 6-м Открытом российско-немецком семинаре «Распознавание образов и понимание изображений» (001Ш-6-2003) (Катунь, август 2003);

• 13-ой Скандинавской конференции по анализу изображений (Гетеборг, Швеция, июнь-июль 2003);

• 7-ой Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, октябрь 2004);

• Международной научной конференции «Современные информационные и телемедицинские технологии для здравоохранения» (Минск, Беларусь, ноябрь 2005), пленарный доклад.

По результатам диссертации в реферируемых изданиях опубликовано 10 работ, в том числе в изданиях, входящих в список рекомендованных ВАК. Основные результаты изложены в следующих работах:

1. I.V. Koryabkina. Informational Specificity of an Image in Pattern Recognition Environment // Proceedings of the IASTED International Conference in cooperation with The Russian Academy of Sciences: Siberian Branch "Automation, Control and Information Technology", June 10-13,2002, Novosibirsk, Russian Federation. -P.435-438.

2. И.Б. Гуревич, И.В. Корябкина. Метод классификации изображений на основе их информационных характеристик // Труды 6-ой Международной конференции "Распознавание образов и анализ изображений: новые информационные технологии", Великий Новгород, 21-26 октября, 2002: В 2-х т. - НовГУ им. Ярослава Мудрого, Великий Новгород, 2002. -Т.1. - С. 172-176.

3. I. Gurevich, I. Koryabkina. How То Use Well-Known Feature Classifications For Feature Selection In Image Analysis Tasks // Proceedings of the 6th German-Russian Workshop "Pattern Recognition and Image Understanding" (OGRW-6-2003), Katun Village, Altai region, Russian Federation, August, 25-30,2003. - Novosibirsk, 2003. - P. 92-95.

5. I.B. Gurevich, I.V. Koryabkina. Comparative Analys and Classification of Features for Image Models // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - 2006. - Vol. 16, No.3. - P. 265-297.

6. I.B. Gurevich, I.V. Koryabkina, D.M. Murashov. Yu.O. Trusova, and A.V. Khilkov. An Open General-Purpose Research System for Automating the Development and Application of Information Technologies in the Area of Image Processing, Analysis, and Evaluation // Pattern

Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2006, Vol.16, No.4, pp. 530-563.

8. S. Di Bona, I. Gurevich, I. Koryabkina, A. Nefyodov, O. Salvetti. Integration of two approaches to medical image analysis for diagnostic purposes // Proceedings of the 7th International conference "Pattern Recognition and Image Analysis: New Information Technologies" (PRIA-7-2004), St. Petersburg, Russian Federation, October 18-23, 2004.- SPbETU, 2004. - Vol. II. -P.658-661.

9. S.Ablameyko, S.Di Bona, I.Gurevich, I.Koryabkina, D.Murashov, A.Nefyodov, O.Salvetti, A.Trykova, I.Vorobjev. Towards automated analysis of cytological and histological specimen images // Proceedings of the International Conference on Advanced Information and Telemedicine Technologies for Health (AITTH2005), November 8-10, 2005, Minsk, Belarus. -P.27-31.

10. S. Di Bona, I. B. Gurevich, I. V. Koryabkina, A. V. Nefyodov, and O. Salvetti. Two Approaches to Medical Image Analysis: Comparison and Synthesis // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. - MAIK "Nauka/Interperiodica", 2005. - Vol. 15, No.2. - P. 539-542.

Данная работа выполнена на основе Дескриптивного подхода к анализу изображений, и ее результаты вносят вклад в развитие его методов и средств, предназначенных для приведения изображений к виду, удобному для распознавания.

Библиография Корябкина, Ирина Валентиновна, диссертация по теме Теоретические основы информатики

1. И.Б. Гуревич. Проблема распознавания изображений // Распознавание, классификация, прогноз. Математические методы и их применение: Ежегодник / Под ред. Ю.И.Журавлева. -М.: Наука, 1988. Вып. 1. - С. 280 - 329.

2. И.Б. Гуревич, Ю.И. Журавлев, Д.М. Мурашов, Ю.Г. Сметанин, A.B. Хилков. Система автоматизации научных исследований в области анализа и понимания изображений на основе накопления и использования знаний. 4.1 // Автометрия. 1999. - No.6. - С. 23-50.

3. И.А. Жернова. Разработка и программная реализация метода анализа изображений гематологических препаратов па основе инвариантов: Дипл. работа. М., 2003.

4. Ю.И. Журавлев. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. М.: Наука, 1978. - Вып. 33. - С. 5 - 68.

5. Ю.И. Журавлев, И.Б. Гуревич. Распознавание образов и анализ изображений // Искусственный интеллект: в 3-х книгах. Книга 2. Модели и методы: Справочник. М.: Радио и связь, 1990.-С. 149-191.

6. Ю.И. Журавлев, В.В. Рязанов, О.В. Сенько, РАСПОЗНАВАНИЕ. Математические методы. Программная система. Практические применения, М.: ФАЗИС, 2006.

7. Н.С. Поликарпова. Выбор и реализация системы признаков для описания изображений в задачах распознавания изображения: Дисс. к-та физ.-мат. наук.-М., 1994.

8. И. А.А. Трыкова. Диагностический анализ изображений гематологических препаратов на основе комплексного применения статистических методов: Дипл. работа. М., 2005.

9. P. Angel, and C. Morris, Analyzing the Mallat Wavelet Transform to Delineate Contour and Textural Features, Computer Vision and Image Understanding, Vol. 80,2000, P. 267-288.

10. S. Ansaldi, L. De Floriani, B. Falcidieno, Geometric Modeling of Solid Objects by Using a Face Adjacency Graph Representation, (SIGGRAPH'85), Comput. Graphics 19, N 3,1985.

11. S. Arivazhagan, L. Ganesan. Texture Classification Using Wavelet Transform, Pattern Recognition Letters, vol. 24,2003, P. 1513-1521.

12. E.B. Barrett, P. Payton, M.H. Brill. Contributions to the Theory of Projective Invariants for Curves in Two and Three Dimensions, in DARPA/ESPRIT Workshop on the Use of Invariants in Computer Vision, Reykjavik, Iceland, March 1991.

13. H. Bieri, Computing the Euler Characteristics and Related Additive Functionals of Digital Objects from Their Bintree Representation, Comput. Vision Graphics Image Process., 40 N 1,1987, P. 115-126.

14. J. Bigun, Recognition of Local Symmetries in Gray Value Images by Harmonic Functions, 9th Int. Conf. On Pattern Recognition (IAPR'1988), Rome, 1988.

15. J. Bigun, Structure Features for Some Image Processing Applications Based on Spiral Functions, Comput. Vision Graphics Image Process., 51, N2,1990, P. 166-194.

16. M. Bokser, Omnidocument Technologies, Proc. IEEE, Vol. 80,1992, P. 1066-1078.

17. M. Boldt, R. Weiss, E. Riseman, Token-Based Extraction Of Straight Lines, IEEE Trans, on Systems, Man, and Cybernetics (SMC-19), 1989, P. 1581-1594.

18. S. Brandt, J. Laaksonen, and E. Oja, Statistical Shape Features for Content-Based Image Retrieval, Journal of Mathematical Imaging and Vision, Vol. 17,2002, P. 187-198.

19. R.A. Brooks, Symbolic Reasoning among 3-D Models and 2-D Images, Artificial Intelligence, Vol. 17,1981, P. 285-349.

20. I. Bricault, and O. Monga, From Volume Images to Quadratic Surface Patches, Computer Vision and Image Understanding, Vol. 67, No. 1,1997, P. 24-38.

21. A.M. Bruckstein, A.N. Netravali, On the Differential Invariants of Planar Curves and the Recognition of Partially Occluded Planar Shapes, International Workshop on Visual Form, Capri, May 1991.

22. A.M. Bruckstein, R.J. Holt, A.N. Netravali, T.J. Richardson, Invariant Signatures for Planar Shape Recognition under Partial Occlusion, Comput. Vision Graphics Image Process.: Image Understanding, Vol. 58, No. 1, 1993, P. 49-65.

23. S. Chen, Yu. Zhu, D. Zhang, J.-Yu Yang, Feature Extraction Approaches Based on Matrix Pattern: MatPCA and MatFLDA, Pattern Recognition Letters, Vol. 26,2005, P. 1157-1167.

24. W. Chen, P. Meer, B. Georgescu, W. He, L. A. Goodell, D. J. Foran, Image Mining for Investigative Pathology using Optimized Feature Extraction and Data Fusion, Computer Methods and Programs in Biomedicine, Vol. 79,2005, P. 59—72.

25. L.S. Davis, Image Texture Analysis Techniques A Survey, University of Texas, Department of Computer Sciences, Technical Report TR-139, March 1980.

26. S. Di Bona, H. Niemann, G. Pieri, and O. Salvetti, Brain Volumes Characterisation Using Neural Networks, Artificial Intelligence in Medicine, Vol. 28,2003, P. 307-322.

27. S.A. Dudani, K.J. Breeding, R.B. McGhee, Aircraft Identification by Moment Invariants, IEEE Trans. Comput., C-26, N 1,1977, P. 39-45.

28. C.R. Dyer, Computing the Euler Number of an Image from its Quadtree, Comput. Graphics Image Process., 13,1980, P. 270-276.

29. B. Falcidiendo, F. Giannini, Automatic Recognition and Representation of Shape-Based Features in a Geometric Modeling System, Comput. Vision Graphics Image Process. 48, N 1, 1989, P. 93-123.

30. J. Fan, Y. Gao, H. Luo, G. Xu, Statistical Modeling and Conceptualization of Natural Images, Pattern Recognition, Vol. 38,2005, P. 865 885.

31. T.J. Fan, G. Medioni, R. Nevatia, Segmented Descriptions of 3-D Surfaces, IEEE Int. J. Rob. Autom., Vol. 3 No. 6,1987, P. 527-538.

32. T.J. Fan, Describing and Recognizing 3-D Objects Using Surface Properties, Springer-Verlag, New York, 1990.

33. C.L. Fennema, W.B. Thompson, Velocity Determination in Scenes Containing Several Moving Objects, Comput. Vision Graphics Image Process., 9,1979, P. 301-315.

34. M.A. Fischler, C.M. Bolles, Random Sample Consensus: A Paradigm for Model Fitting with Application to Image Analysis and Automated Cartography, Comm. ACM 24,1981, P. 381-395.

35. R.C. Gonzalez, and P. Wintz, Digital Image Processing, Addison-Wesley, London, 1977.

36. C.C. Gotleb, H.E. Kreyszig, Texture Descriptors Based on Co-occurrence Matrices, Comput. Vision Graphics Image Process., Vol. 51, No. 1, P. 70-86.

37. T. Goto, W.-S. Lee, N. Magnenat-Thalmann, Facial Feature Extraction for Quick 3-D Face Modeling, Signal Processing: Image Communication, Vol. 17,2002, P. 243-259.

38. I. Gourevitch, N. Polikarpova, Yu. Zhuravlev, On Image Features in a Recognition Environment. Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, Vol. 5, No. 2,1995, P. 204-215.

39. W.E.L. Grimson, On the Recognition of Parametrical Objects, 4th International Symposium on Robotics Research, Santa-Cruz, CA, August 1987.

40. W.E.L. Grimson, On the Recognition of Curved Objects, IEEE Trans. Pattern Anal. Mach. Intel 1. PAMI-11,1989, P. 632-642.

41. W.E.L. Grimson, T. Lozano-Perez, Localizing the Overlapping Parts by Searching the1.terpretation Tree, IEEE Trans. Pattern Anal. Mach. Intell. PAMI-9,1987, P. 469-482.

42. B.Gurevitch. Descriptive Technique for Image Description, Representation and Recognition // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications in the USSR. 1991. - Vol.1, No. 1. - P. 50 - 53.

43. I.B. Gurevitch. The Descriptive Framework for an Image Recognition Problem // Proceedings of The 6th Scandinavian Conference on Image Analysis (Oulu, June 19-22,1989): in 2 volumes. -Pattern Recognition Society of Finland, 1989. Vol. 1. -P. 220 - 227.

44. Gurevich, D. Harazishvili, I. Jernova, A. Khilkov, A. Nefyodov, and I. Vorobjev, Information Technology for the Morphological Analysis of the Lymphoid Cell Nuclei // Proceedings of the 13th

45. Scandinavian Conference on Image Analysis (SCIA2003), 29 June 2003 2 July 2003 /J.Bigun and T. Gustavsson (Eds.): SCIA 2003, LNCS 2749. - P.541-548.

46. B. Gurevich, I.A. Jernova. The Joint Use of Image Equivalents and Image Invariants in Image Recognition // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2003. - Vol. 13, No.4. - P. 570-578.

47. B. Gurevich, I.V. Koryabkina. Comparative Analysis and Classification of Features for Image Models // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2006. - Vol. 16, No.3. - P. 265-297.

48. I.B. Gurevich, I.V. Koryabkina. Image Classification Method Based on Image Informational Characteristics // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2003. - Vol. 13, No.l. - P. 103-105.

49. I.B.Gurevich, Yu.G.Smetanin, Yu.I.Zhuravlev, Descriptive Image Algebras: Determination of the Base Structures, Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications Vol. 9, No. 4,1999,635 647.

50. I. B. Gurevich, V. V. Yashina. Descriptive Image Algebras with One Ring // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2003. -Vol. 13, No.4. - P. 579-599.

51. I.Gurevich, V.Yashina. Generating Descriptive Trees // "Vision, Modeling, and Visualization 2005", Proceedings, November 16-18, 2005, Erlangen, Germany / G. Greiner, J. Hornegger, H. Niemann, M. Stamminger (Eds.). Infix, 2005. - P.367-374.

52. N. Haering, and N. da Vitoria Lobo, Features and Classification Methods to Locate Deciduous Trees in Images, Computer Vision and Image Understanding, Vol. 75, Nos. 1/2, July/August, 1999, P.133-149.

53. R. Haralick, K. Shanmugam, and I. Dinstein, Textural Features for Image Classification, IEEE Trans, on Systems, Man, and Cybernetics (SMC-3), 1973, 610-621.

54. R.M. Haralick, K. Shanmugam, I. Dinstein, Texture Features for Image Classification, IEEE Trans. System Man Cybernat., Vol. 8, no. 6,1973, P. 610-621.

55. R.M. Haralick, L.G. Shapiro, Glossary of Computer Vision Terms, Pattern Recognition, 1991, Vol.24, No. 1, P.69-93.

56. S.L. Horowitz, T. Pavlidis, A Graph-Theoretic Approach to Picture Processing, Comput. Graphics Image Process., Vol. 7,1978, P. 282-291.

57. L.-Y. Hsu, and M.H. Loew, Fully Automatic 3D Feature-Based Registration of Multi-Modality Medical Images, Image and Vision Computing, Vol. 19,2001, P. 75-85.

58. M.K. Hu, Visual Pattern Recognition by Moment Invariants, IRE Trans. Inform. Theory, IT-8, 1962, P. 179-187.

59. W.L. Hwang, F. Chang, Character Extraction from Document Using Wavelet Maxima, Image and Vision Computing, Vol. 16,1998, P. 307-315.

60. A. Imiya, U. Eckhardt, The Euler Characteristics of Discrete Objects and Discrete Quasi-Objects, Computer Vision and Image Understanding, Vol. 75, No. 3, September 1999, P. 307-318.

61. S.H. Jeng, H. Yuan, M. Liao, C.C. Han, M.Y. Chern, and Y.T. Liu, Facial Feature Detection Using Geometrical Face Model: an Efficient Approach, Pattern Recognition, Vol. 31, No. 3, 1998, P. 273-282.

62. A. T. B. Jin, D. N. C. Ling, O. T. Song, An Efficient Fingerprint Verification System Using Integrated Wavelet and Fourier-Mellin Invariant Transform, Image and Vision Computing, Vol. 22, 2004, P. 503-513.

63. T. Jolliffe, Principal Component Analysis, second ed., Springer-Verlag, New York, 2002.

64. A. Kale, A. Sundaresan, A.N. Rajagopalan, N.P. Cuntoor, A.K. Roy-Chowdhury, V. Kruger, R. Chellappa, Identification of Humans Using Gait, IEEE Transactions on Image Processing, Vol. 13, No. 9, Sept. 2004, P. 1163- 1173.

65. J.M. Keller, R.M. Crownover, R.Y. Chen, Characteristics of Natural Scenes Related to the Fractal Dimension, IEEE Trans. Pattern Anal. Mach. Intell. PAMI-9, N 5,1987,621-627.

66. M. L. Kherfi, D. Ziou, and A. Bernardi, Image Retrieval From the World Wide Web: Issues, Techniques, and Systems, ACM Computing Surveys, Vol. 36, No. 1, March 2004, P. 35-67.

67. A. Khotanzad, and Y.H. Hong, Invariant Image Recognition by Zernike moments, IEEE Trans. Pattern Anal. Mach. Intell., Vol. 12, No. 5,1990,489-497.

68. M. Kokare, B.N. Chatterji, P.K. Biswas, Cosine-Modulated Wavelet Based Texture Features for Content-Based Image Retrieval, Pattern Recognition Letters, Vol. 25,2004, P. 391 -398.

69. F.P. Kuhl, and C.R. Giardina, Elliptic Fourier features of a closed contour, Comput. Vis. Graphics Image Processing, Vol. 18,1982, P. 236-258.

70. K.I. Law. Rapid Texture Identification, Proc. SPIE 238,1980,376-380.

71. F. Kumura, and M. Shridhar, Handwritten numerical recognition based on multiple algorithms, Pattern Recognition, Vol. 24, no. 10,1991, P. 969-983.

72. M.D. Levine, Extracting Geometric Primitives, Comput. Vision Graphics Image Process.: Image Understanding, Vol. 58, No 1,1993, P. 1-22.

73. M.D. Levine, D. Martin, Feature Extraction: A Survey, Proceedings of IEEE, Vol. 57, No. 8, August 1969, P. 1391-1407.

74. M. Li, B. Yuan, 2D-LDA: A Statistical Linear Discriminant Analysis for Image Matrix, Pattern Recognition Letters, Vol. 26,2005, P. 527-532.

75. M. Lillholm, M. Nielsen, and L.D. Griffin, Feature-Based Image Analysis. Int. J. Comput. Vision. Kluwer Academic Publishers. 2003. - 52, N2-3. - P. 73-95.

76. C. Lin, and K.-C. Fan, Triangle-based Approach to the Detection of Human Face, Pattern Recognition, Vol. 34,2001, P. 1271-1284.

77. T. Lindeberg, Scale-space Theory in Computer Vision. The Kluwer International Series in Engineering and Computer Science. Kluwer Academic Publishers, 1994.

78. Shig-Ping Liou, R.C. Jain, An Approach to Three-Dimensional Image Segmentation, Comput. Vision Graphics Image Process.: Image Understanding, 53, No. 3,237 252,1991.

79. D.-H. Liu, K.-M. Lam, L.-S. Shen, Illumination invariant face recognition, Pattern Recognition, Vol. 38,2005, P. 1705-1716.

80. C.-L. Liu, K. Nakashima, H. Sako, and H. Fujisawa, Handwritten Digit Recognition: Benchmarking of State-of-the-art Techniques, Pattern Recognition, Vol. 36,2003, P. 2271-2285.

81. W. Liu, N. Zheng, Non-negative Matrix Factorization Based Methods for Object Recognition, Pattern Recognition Letters, Vol. 25,2004, P. 893-897.

82. S.-S. Liu, M.E. Jernigan, Texture Analysis and Discrimination in Additive Noise, Comput. Vision Graphics Image Process., 49, N 1,1990, 52-67.

83. J. Luo, A. Singhal, S. P. Etz, R. T. Gray, A computational approach to determination of main subject regions in photographic images, Image and Vision Computing, Vol. 22,2004, P. 227-241.

84. B.B. Mandelbrot. The Fractal Geometry of Nature, Freeman, San Francisco, 1983.

85. B.S. Manjunath, J.-R. Ohm, V.V. Vasuvedan, A.Yamada, Color and Texture Descriptors, IEEE Transactions on Circuits and Systems for Video Technology, Vol. 11, No. 6,2001, P. 703-715.

86. Manjunath B.S., Shelhar C. and Chellappa R., A New Approach to Image Feature Detection with Applications, Pattern Recognition, Vol. 29, No. 4,1996, P. 627-640.

87. D. Marr, Vision, Freeman, New York, 1982.

88. G. Medioni, R. Nevatia, Segment-Based Stereo Matching, Proceedings of the Image Understanding Workshop, Arlington, VA, 1983,128-136.

89. A.M. Mohamed, A. Elgammal, Face Detection in Complex Environments from Color Images, Proceedings of International Conference on Image Processing 3, 1999, P. 622-626.

90. G. Nagy, Feature Extraction on Binary Patterns, IEEE Trans, on System Science and Cybernetics, Vol. 5, No. 4, October 1969, P. 273-278.

91. A. Nikolaidis, I. Pitas, Facial feature extraction and pose determination, Pattern Recognition, Vol. 33,2000, P. 1783-1791.

92. H. O. Nyongesa, S. Al-Khayatt, S. M. Mohamed, and M. Mahmoud, Fast Robust Fingerprint Feature Extraction and Classification, Journal of Intelligent and Robotic Systems, Vol. 40, 2004, P. 103-112.

93. M. Okamoto, K. Yamamoto, On-line handwriting character recognition using direction-change features that consider imaginary strokes, Pattern Recognition, Vol. 32,1999, P. 1115-1128.

94. G. Pajares, J. M. de la Cruz, A wavelet-based image fusion tutorial, Pattern Recognition, Vol. 37,2004, P. 1855- 1872.

95. X.-B. Pan, M. Brady, A. K. Bowman, C. Crowther, R.S.O. Tomlin, Enhancement and feature extraction for images of incised and ink texts, Image and Vision Computing, Vol. 22,2004, P. 443451.

96. Ch. H. Park, H. Park, Fingerprint classification using fast Fourier transform and nonlinear discriminant analysis, Pattern Recognition, Vol. 38,2005, P. 495 503.

97. G. Paschos, M. Petrou, Histogram ratio features for color texture classification, Pattern Recognition Letters, Vol. 24,2003, P. 309-314.

98. G. Paschos, M. Petrou, Histogram ratios for color classification, Proceedings of the Joint Conference on Information Sciences, Vol. II, 2000, P. 20-24.

99. T. Pavlidis, P.C. Chen, Segmentation by Texture Using a Co-occurrence Matrix and Split-and-Merge Algorithm, Comput. Graphics Image Process., 10,1979,172-182.

100. T. Pavlidis, Algorithms for Graphics and Image Processing, Computer Science Press, Rockville, MD, 1982.

101. S. Peleg et al., Multiple Resolution Texture Analysis and Classification, IEEE Trans. Pattern Anal. Mach. Intell., PAMI-6,N4,1984,518-523.

102. A.P. Pentland, Fractal-Based Description of Natural Scenes, IEEE Trans. Pattern Anal. Mach. Intell., PAMI-6, N6, 1984,661-674.

103. E. Persoon, K.S. Fu, Shape Discrimination Using Fourier Descriptors, IEEE Trans, on Systems, Man, and Cybernetics (SMC-7), 1977,170-179.

104. I. Pima, M. Aladjem, Regularized discriminant analysis for face recognition, Pattern Recognition, Vol. 37,2004, P. 1945 1948.

105. S. Pinker, Visual Cognition: An Introduction, Visual Cognition, A cognition special issue, Edited by S. Pinker, Netherlands, 1988, P. 1-65.

106. J. Princen, J. Illingworth, J. Kittler, A Hierarchical Approach to Line Extraction Based on the Hough Transform, Comput. Vision Graphics Image Process., 52, N 1,1990, 57-77.

107. B. Raytchev, O. Hasegawa, and N. Otsu, User-Independent Online Gesture Recognition by Relative Motion Extraction, Pattern Recognition Letters, Vol. 21,2000, P. 69-82.

108. C.W. Richard, H. Hemami, Identification of Three Dimensional Objects Using Fourier Descriptors of the Boundary Curve, IEEE Trans, on Systems, Man, and Cybernetics (SMC-4), 1974,371-378.

109. K. Rodenacker, and E. Bengtsson, A Feature Set for Cytometry on Digitized Microscopic Images, Anal. Cell Pathology, Vol. 25, No. 1,2003, P. 1-36.

110. K.Rohr. Landmark-Based Image Analysis Using Geometric and Intensity models. Kluwer Academic Publishers, 2001,303 p.

111. A. Rosenfeld, From Image Analysis to Computer Vision: An Annotated Bibliography, 19551979 // Computer Vision and Image Understanding, Vol. 84,2001, P. 298-324.

112. A. Rosenfeld, Image Analysis and Computer Vision: 1990, CVGIP, Vol. 53, No. 3, May 1991, P. 322-365.

113. A. Rosenfeld, Image Analysis and Computer Vision: 1991, CVGIP, Vol. 55, No. 3, May 1992, P. 349-380.

114. A. Rosenfeld, Image Analysis and Computer Vision: 1992, CVGIP, Vol. 58, No. 1, July 1993, P.85-135.

115. A. Rosenfeld, Image Analysis and Computer Vision: 1993, CVGIP, Vol. 59, No. 3, May 1994, P. 367-404.

116. A. Rosenfeld, Image-Analysis and Computer Vision: 1994, CVIU, Vol. 62, No. 1, July 1995, P. 90-131.

117. A. Rosenfeld, Image-Analysis and Computer Vision: 1995, CVIU, Vol. 63, No. 3, May 1996, P. 568-602.

118. A. Rosenfeld, Image-Analysis and Computer Vision: 1996, CVIU, Vol. 66, No. 1, April 1997, P.33-93.

119. A. Rosenfeld, Image Analysis and Computer Vision: 1997, CVIU, Vol. 70, No. 2, May 1998, P. 239-284.

120. A. Rosenfeld, Image Analysis and Computer Vision: 1998, CVIU, Vol. 74, No. 1, April 1999, P. 36-95.

121. A. Rosenfeld, Image Analysis and Computer Vision: 1999, CVIU, Vol. 78, No. 2, May 2000, P. 222-302.

122. A. Rosenfeld, Survey. Image Analysis and Computer Vision: 1993 // CVGIP: Image Understanding, Vol. 59, No. 3,1994, P. 367-404.

123. A. Rosenfeld, A.C. Kak, Digital Picture Processing, Vol. 2, Academic Press, New York, MD, 1982.

124. P.L. Rosin, Measuring corner properties. Computer Vision and Image Understanding 73,1999, P. 291-307.

125. Y. Rui, and T. S. Huang, Image Retrieval: Current Techniques, Promising Directions, and Open Issues, Journal of Visual Communication and Image Representation, Vol. 10,1999, P. 39-62.

126. M.A. Ruzon, C. Tomasi, Corner detection in textured color images, International Conference on Computer Vision, 1999, P. 1039-1045.

127. A. de Saint Vincent, A 3D Perception System for the Mobile Robot HILARE, Proceedings, 1986, IEEE International Conference on Robotics and Automation, 1986,1105-1111.

128. C. Sanderson, K. K. Paliwal, Fast features for face authentication under illumination direction changes, Pattern Recognition Letters, Vol. 24,2003, P. 2409-2419.

129. Ch.S. Sastry, A. K. Pujari, B.L. Deekshatulu, C. Bhagvati, A wavelet based multiresolution algorithm for rotation invariant feature extraction, Pattern Recognition Letters, Vol. 25, 2004, P. 1845-1855.

130. L. Shafarenko, M. Petrou, J. Kittler, Histogram-based segmentation in a perceptually uniform color space, Pattern Recognition, Vol. 33, no. 4,2000, P. 671-684.

131. M. Shi, Y. Fujisawa, T. Wakabayashi, and F. Kimura, Handwritten Numeral Recognition Using Gradient and Curvature of Gray Scale Image, Pattern Recognition, vol. 35, 2002, P. 20512059.

132. F.Y. Shih, and C.-F. Chuang, Automatic Extraction of Head and Face Boundaries and Facial Features, International Journal on Information Science, Vol. 158,2004, P. 117-130.

133. K. Sobottka, I. Pitas, A Novel Method for Automatic Face Segmentation, Facial Feature Extraction and Tracking, Signal Process. Image Commun., Vol. 12, No. 3,1998, P. 263-281.

134. K.Y. Song, J. Kittler, M. Petrou, Defect detection in random colour textures, Image Vision Comput., Vol. 14, no. 9,1996, P. 667-684.

135. H. Suh, and R.S. Ahluwalia, Feature Modification in Incremental Feature Generation, Computer-Aided Design, Vol. 27, No. 8,1995, P. 627-635.

136. Z. Sun, G. Bebis, R. Miller, Object detection using feature subset selection, Pattern Recognition, Vol. 37,2004, P. 2165-2176.

137. H. Takahashi, A neural net OCR using geometrical and zonal pattern features, Proc. First Int. Conf. Document Anal. Recognition, Saint-Malo, France, 1991, P. 821-828.

138. T. Tamminen, J. Lampinen, Learning an Object Model for Feature Matching in Clutter. Proceedings of the 13th Scandinavian Conference on Image Analysis (SCIA2003), Sweden, June 29 -July 2,2003, Springer, P. 193-199

139. W.B. Thompson, Combining Motion and Contrast for Segmentation, IEEE Trans. Pattern Anal. Mach. Intel!., PAMI-2,1980, 543-549.

140. C. Town, and D. Sinclair, Language-based Querying of Image Collections on the Basis of an Extensible Ontology, Image and Vision Computing, Vol. 22,2004, P. 251-267.

141. O.D. Trier, A.K. Jain, and T. Taxt, Feature Extraction Methods for Character Recognition A Survey, Pattern Recognition, Vol. 29, No. 4,1996, P. 641-662.

142. M. Turk, A. Pentland, Eigenfaces for recognition, Journal of Neuroscience, Vol. 3, 1991, P. 71-86.

143. S. Ullman, Visual Routines. Visual Cognition. A cognition special issue. Edited by S. Pinker. Netherlands, 1988, P. 97-160.

144. A. Vailaya, A. K. Jain and H. J. Zhang, "On Image Classification: City Images vs. Landscapes," Pattern Recognition, vol. 31, no. 12,1998.

145. L. Van Gool, P. Kempenaers, A. Oosterlinck, Shape Recognition under Affine Distortion, in Visual From (C.Arcelli, L.Cordella, G. Santit di Baja, Eds.), Plenum, New York, 1992.

146. P.A. Veatch, and L.S. Davis, Efficient Algorithms for Obstacle Detection Using Range Data, Comput. Vision Graphics Image Process., Vol. 50, No. 1,1990, P. 50-75.

147. B.C. Vemuri, A. Mitiche, J.K. Aggarwal, Curvature-Based Representation of Objects from Range Data, Image Vision Comput., 4, N 2,1986, P. 107-114.

148. S. Venkatesh, R. Owens, On the Classification of Image Features, Pattern Recognition Letters, Vol. 11,1990, P. 339-349.

149. B. Verma, M. Blumenstein, M. Ghosh, A Novel Approach for Structural Feature Extraction: Contour vs. Direction, Pattern Recognition Letters, Vol. 25,2004, P. 975-988.

150. R. Voss, Random Fractals: Characterization and Measurement, in Scaling Phenomena in Disordered Systems (R.Pynn and A.Skjelyorp, Eds.) Plenum, New York, 1986.

151. T.P. Wallace, P.A. Wintz, An Efficient Three-Dimensional Aircraft Recognition Algorithm Using Normalized Fourier Descriptors, Comput. Vision Graphics Image Process., Vol. 13, 1980, P. 96-126.

152. H.-H. Wang, A New Multiwavelet-Based Approach to Image Fusion, Journal of Mathematical Imaging and Vision, Vol. 21,2004, P. 177-192.

153. H. Wang, and S.F. Chang, A Highly Efficient System for Automatic Face Region Detection in MPEG video, IEEE Trans. Circuits Systems Video Technol., Vol. 7, No. 4,1997, P. 615-628.

154. J.-G. Wang, and E. Sung, Frontal-view Face Detection and Facial Feature Extraction Using Color and Morphological Operations, Pattern Recognition Letters, Vol. 20,1999, P. 1053-1068.

155. X. Wang, X. Ding, C. Liu, Gabor Filters-based Feature Extraction for Character Recognition, Pattern Recognition, Vol. 38,2005, P. 369 379.

156. K.-W. Wong, K.-M. Lam, W.-C. Siu, An Efficient Algorithm for Human Face Detection and Facial Feature Extraction under Different Conditions, Pattern Recognition, Vol. 34, 2001, P. 19932004.

157. Z. Xue, S.Z. Li, and E.K. Teoh, Bayesian Shape Model for Facial Feature Extraction and Recognition, Pattern Recognition, Vol. 36,2003, P. 2819 2833.

158. M. Yachida, M. Ikeda, S. Tsuji, A Plan-Guided Analysis of Cineograms for Measurement of Dynamic Behavior of Heart Wall, IEEE Trans. Pattern Anal. Mach. Intell., PAMI-2, N6,1980, 537542.

159. N. Yager, A. Amin, Fingerprint Verification Based on Minutiae Features: a Review, Pattern Analysis & Applications, vol. 7,2004, P. 94-113.

160. G. Yang, T.S. Huang, Human Face Detection in a Complex Background, Pattern Recognition, Vol. 27, No. 1,1994, P. 53-63.

161. J. Yang, D. Zhang, X. Yong, J.-YuYang, Two-dimensional Discriminant Transform for Face Recognition, Pattern Recognition, Vol. 38,2005, P. 1125 1129.

162. C.T. Zahn, R.S. Roskies, Fourier Descriptors for Plane Closed Curves, IEEE Trans. Comput., C-21,1972,269-281.

163. P. Zamperoni, Feature Extraction. Progress in Picture Processing. Elsevier Science B.V., 1996, P. 123-184.

Похожие работы

Информатика, вычислительная техника и управление
05.13.00