автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Формирование признаков распознавания образов с позиций стохастической геометрии

ВВЕДЕНИЕ.

ГЛАВА 1. ПРОБЛЕМА ФОРМИРОВАНИЯ ПРИЗНАКОВ В ТЕОРИИ

РАСПОЗНАВАНИЯ ОБРАЗОВ.

1Л Существующие подходы к пониманию общей задачи распознавания образов.

1Л Л Общая постановка задачи. Состояние проблемы.

1Л.2 Соотношение этапов формирования признаков распознавания и решающих процедур.

1Л.З Необходимость и актуальность создания системы автоматической генерации признаков распознавания.

1.2 Современные методы выделения признаков распознавания изображений.

1.2.1 Понятие признака распознавания.

1.2.2 Классификация признаков распознавания и их сравнительный анализ.

1.3 Математический аппарат стохастической геометрии в решении проблемы конструирования новых признаков распознавания.

1.4 Выводы.

ГЛАВА 2. ФОРМИРОВАНИЕ ПРИЗНАКОВ РАСПОЗНАВАНИЯ С ПОЗИЦИЙ СТОХАСТИЧЕСКОЙ ГЕОМЕТРИИ.

2.1 Тгасе-преобразование и его свойства.

2.1.1 Реакция Тгасе-матрицы на поворот, перенос и масштабное преобразование изображения.

2.1.2 Исследование взаимного положения объектов по характеру

Тгасе-образа.

2.2 Диаметральный функционал.

2.3 Круговой функционал.

2.4 Признак, как последовательная композиция трех функционалов.

2.5 Выводы.

Актуальность работы. Диссертационные исследования посвящены одной из центральных проблем кибернетики - проблеме распознавания образов. Традиционно в распознавании образов выделяют два этапа: формирование признаков и решающую процедуру. В кибернетике исторически сложилось так, что большая часть работ посвящена решающим процедурам и практически нет работ по признакам распознавания, в то время как для проектировщика распознающих систем наиболее важны методы описания изображений с помощью системы признаков распознавания образов.

Известные методы выделения признаков изображений, не зависящих от их аффинных преобразований, слишком специальны и основаны на использовании очень ограниченной части информации о распознаваемых изображениях. Например, метод моментов или метод дескрипторов Фурье обладают рядом существенных недостатков. Так метод моментов использует функцию интенсивности точки изображения, как правило, яркостную и не позволяет аккумулировать в генерируемые инварианты моментов информацию об особенностях изображения в локальной окрестности этой точки. Метод дескрипторов Фурье может быть использован только для генерации дескрипторов контура изображения.

Применение нового математического аппарата стохастической геометрии в сочетании с функциональным анализом дают возможность теоретически исследовать ранее малоизученный этап распознавания -формирование признаков изображений, наиболее важный для проектировщика распознающей системы, и генерировать большое количество новых конструктивных признаков распознавания.

Цель диссертационной работы. Теоретическое и экспериментальное исследование методов автоматической генерации новых признаков распознавания изображений, основанных на стохастической геометрии и функциональном анализе.

Задачами исследования являются: исследование основных этапов формирования признаков распознавания изображений, основанных на стохастической геометрии; разработка способов представления изображений на сетчатке; разработка алгоритмов и программных средств сканирования изображений; разработка и исследование алгоритмов формирования Тгасе-матрицы; выявление функционалов, пригодных для формирования признаков распознавания; теоретический и экспериментальный анализ выявленных функционалов на определение свойств инвариантности и сензитивности к заданным группам преобразований изображений; теоретический и экспериментальный анализ методов минимизации признакового пространства; разработка алгоритма селекции признаков распознающей системы на основе коэффициентов разложения Карунена-Лоэва; разработка системы распознавания образов, позволяющей решать две функциональные задачи - автоматическую генерацию признаков и селекцию признаков по эффективности распознавания.

Методы исследования основаны на применении математического аппарата стохастической геометрии, функционального анализа, теории вероятностей, математической статистики, методов численного анализа рядов и цифровой обработки изображений.

Научная новизна работы.

1. Развит метод формирования новых признаков распознавания изображений, основанный на стохастической геометрии. Отличительной особенностью признаков является характерная структура в виде последовательной композиции трех функционалов.

2. Впервые выявлено порядка 200 функционалов из различных областей математики, теории вероятностей, математической статистики, теории рядов и фракталов. Выявленные функционалы дают возможность проектировщикам создавать распознающие системы с набором в сотни тысяч новых признаков распознавания, что повышает интеллектуальность системы распознавания, а также исследовать распознаваемый объект как на макро уровне (глобальный анализ изображений), так и на микро уровне (локальный анализ изображений).

3. Проведено исследование выявленных функционалов на наличие свойства инвариантности или сензитивности генерируемых признаков по отношению к группе движений (поворотам, переносам) и масштабным преобразованиям изображений.

4. Проведена селекция признаков распознающей системы на основе коэффициентов разложения Карунена-Лоэва с целью определения минимального набора наиболее информативных признаков распознавания.

5. Впервые разработана система распознавания, позволяющая решать задачи: автоматической компьютерной генерации признаков распознавания и их селекции по показателю эффективности.

Практическая ценность. Полученные в диссертационной работе теоретические и практические результаты направлены на создание распознающих систем повышенной гибкости и универсальности распознавания. За счет применения признаков с рассчитанными свойствами инвариантности по отношению к движению объектов и их линейным деформациям достигается повышение надежности распознавания.

Для многих отраслей техники важно не только достижение инвариантности распознавания по отношению к перемещениям, поворотам и линейным деформациям объектов, но и определение параметров движения и деформаций. Это важно в аэрокосмических исследованиях, в робототехнике при точном позиционировании инструмента. Разработанные в диссертации сензитивные признаки позволяют определять параметры движения и линейных деформаций объекта.

Большое количество генерируемых признаков позволяет успешно решать задачи распознавания со множественной структурой классов, такие как распознавание микрообъектов, идеограмм и т.п. Раньше невозможно это было делать в силу того, что известные признаки достаточно специальны и их число ограничено.

Разработанные методы и система автоматической генерации признаков распознавания изображений применяется для теоретических исследований в области распознавания и анализа изображений, автоматического проектирования прикладных систем распознавания изображений, систем технической и медицинской диагностики.

Реализация и внедрение результатов. Диссертационные исследования выполнялись и реализовывались по грантам Российского Фонда Фундаментальных Исследований РФФИ (проект N 97-01-00106, проект N 00-01-00421) "Теория распознавания образов, основанная на стохастической геометрии".

По результатам исследований на конкурсе грантов Российского Фонда Фундаментальных Исследований для молодых ученых и исследователей был присужден индивидуальный грант РФФИ (проект N 01-01-06021), в котором осуществляла научное руководство.

Работа велась также по гранту Министерства Образования России в области кибернетики, автоматики и ВТ "Новая теория и системы генерации признаков распознавания изображений с позиций стохастической геометрии", по программе Министерства Образования РФ «Конверсия и высокие технологии» "Новая теория распознавания образов на основе интегральной геометрии и функционального анализа изображений, хранения, поиска изображений в базах данных" (проект N 63-1-11).

Результаты исследований внедрены в Пензенском ЗАО НИИФИ-НИИВТ (г. Пенза) и в Институте возрастной физиологии РАО (г. Москва).

Основные положения, выносимые на защиту:

1. Результаты исследований метода формирования новых признаков распознавания изображений, основанный на стохастической геометрии.

2. Новые функционалы из различных областей математики, позволяющие получать сотни тысяч новых признаков распознавания в режиме автоматической компьютерной генерации.

3. Результаты исследований нового Тгасе-преобразования изображения.

4. Результаты исследований свойств инвариантности и сензитивности генерируемых признаков по отношению к группе движений и масштабным преобразованиям изображений.

5. Алгоритм и программная реализация определения минимального набора эффективных признаков, достаточного для распознавания.

6. Новая система распознавания, позволяющая решать задачи: автоматической компьютерной генерации признаков распознавания и селекции признаков по эффективности распознавания.

Апробация работы. Результаты исследований публиковались в российско-американских журналах Pattern Recognition and Image Analysis (Advances in Mathematical Theory and Application) и докладывались на Международных конференциях: XII Скандинавской конференции по анализу изображений SCIA (г. Берген, Норвегия, 2001), WSCG'2000, на ежегодных Международных научных конференциях по мягким вычислениям и измерениям SCM-99, SCM-2000, SCM-2001 (г. Санкт-Петербург, 1999-2001), V Международной конференции "Распознавание образов и анализ изображений: новые информационные технологии"

РОАИ-5-2000 (г. Самара, 2000), IV Международной конференции Распознавание-99 (г. Курск, 1999), Международном Симпозиуме, посвященном 275-летию Российской Академии Наук "Надежность и Качество. Инновационные технологии производству XXI века" (г. Пенза, 1999), II Международной научно-технической конференции "Математические методы и компьютеры в экономике" (г. Пенза, 1999), Международной научно-технической конференции "Актуальные проблемы анализа и обеспечения надежности и качества приборов, устройств и систем" (г. Пенза, 1998).

За доклад на VII Международной конференции студентов и аспирантов по фундаментальным исследованиям Ломоносов-2000 (г. Москва, 2000), удостоена диплома I степени за лучший доклад на конференции по секции "Вычислительная математика и кибернетика".

Публикации. По теме диссертационной работы опубликовано 13 печатных работ, в том числе 9 статей (четыре из них опубликовано за рубежом: в США, Норвегии, Чехии), 4 тезиса докладов.

Содержание работы. Диссертация состоит из введения, четырех глав, заключения, приложения и списка литературы, содержащего 116 наименований отечественных и зарубежных источников, в том числе 13 работ автора. Общий объем диссертации 111 е., в том числе 106 с. основного текста, 10 с. списка литературы, 5 с. приложения, 8 таблиц, 35 рисунков.

4.4 Выводы.

1. В результате теоретических исследований выделено два основных подхода к минимизации признакового пространства, достаточного для распознавания. Первый подход заключается в том, что с самого начала берется установка на отыскание малого числа признаков большой информативности. Второй подход основан на том, что из большого числа исходных признаков, согласно некоторому критерию эффективности признаков, отбирается как можно меньшее число наиболее полезных для распознавания признаков.

2. Анализ этих подходов показал, что второй - является наиболее конструктивным.

3. В рамках этого подхода отмечается, что нахождение минимального набора эффективных признаков распознавания целесообразно проводить на основе коэффициентов разложения Карунена-Лоэва, основное преимущество которого в том, что оно позволяет обойтись без знания плотностей распределения образов, входящих в отдельные классы. Кроме того, применение разложения Карунена-Лоэва гарантирует невозможность получения меньшей в среднеквадратическом смысле ошибки аппроксимации с помощью другого разложения и связывает с коэффициентами разложения оценку минимальной энтропии или дисперсии. Это позволяет повысить быстродействие распознавания и применять наиболее простые решающие процедуры.

4. Разработан алгоритм и программная реализация разложения Карунена-Лоэва.

5. Предложена схема распознающей системы, использующая автоматическую компьютерную генерацию признаков распознавания, основанных на стохастической геометрии, селекцию этих признаков по показателю эффективности и реализацию решающих процедур. Разработка распознающей системы велась в среде визуального программирования Delphi 5 на базе Borland Database Engine с использованием таблиц формата Paradox. Распознающая система функционирует в ОС класса Windows 9х.

6. Разработанная система автоматической генерации признаков распознавания изображений применима для теоретических исследований в области теории распознавания и анализа изображений, а также для автоматического проектирования прикладных систем распознавания изображений, систем технической и медицинской диагностики.

ЗАКЛЮЧЕНИЕ

В диссертационной работе были получены следующие основные теоретические и практические результаты:

1. На основе математического аппарата стохастической геометрии и функционального анализа развит метод формирования новых конструктивных признаков распознавания изображений. Отличительной особенностью признаков является представление каждого из них в виде последовательной композиции трех функционалов. Организация распознавания на основе этих признаков приводит к повышению гибкости и универсальности распознавания в системах.

2. Выявлено порядка 200 новых функционалов из различных областей математики, теории вероятностей, математической статистики, теории рядов и фрактальной геометрии, позволяющих получать сотни тысяч новых признаков распознавания в режиме автоматической компьютерной генерации. Большое количество генерируемых признаков позволило успешно решать задачи распознавания с множественной структурой классов, такие как распознавание микрообъектов, иероглифов и т.п. Кроме того, опора на большое число признаков дает возможность повысить интеллектуальность распознающих систем и ведет к новому пониманию изображений, а также дает возможность исследовать распознаваемый объект на макро уровне (глобальный анализ) и на микро уровне (локальный анализ).

3. Исследованные свойства функционалов позволяют конструировать признаки с заранее заданными характеристиками: инвариантности по отношению к группе движений и линейным деформациям изображений (перенос, поворот и масштабное преобразование распознаваемого объекта), что повышает надежность распознавания.

4. Разработанные в диссертации сензитивные признаки позволяют определять параметры движений и масштабных преобразований изображений, что важно для практических приложений в аэрокосмических исследованиях, робототехнике (при позиционировании инструмента) и других сферах деятельности.

5. Исследовано новое преобразование изображений, названное Тгасе-преобразованием, порождающее новый промежуточный образ на листе Мебиуса или цилиндре в процессе сканирования - Тгасе-матрицу. Показано, что Тгасе-преобразование является удобным инструментом для изучения перемещения объектов и взаимного расположения.

6. В результате анализа основных подходов к осуществлению сравнительной оценки качества признаков распознавания разработана процедура определения минимального набора признаков, достаточного для распознавания, основанная на разложении Карунена-Лоэва. Это позволяет повысить быстродействие распознавания и применять наиболее простые решающие процедуры.

7. Разработана новая система распознавания образов, позволяющая решать две функциональные задачи - автоматическую генерацию признаков и селекцию признаков по эффективности распознавания.

8. Разработанная система автоматической генерации признаков распознавания изображений применимы для теоретических исследований в области теории распознавания и анализа изображений, а также для автоматического проектирования прикладных систем распознавания изображений, систем технической и медицинской диагностики.

Публикации автора по теме диссертации:

1. Шульга JI.А. Повышение интеллектуальности распознающих систем на основе компьютерной генерации признаков / Н.Г. Федотов, J1.A. Шульга // Международный Конгресс "Искусственный интеллект в XXI веке": Труды. Том 1. М.: Изд-во Физико-математической литературы, 2001. - С.193-200.

2. Шульга Л.А. Стохастическая геометрия как источник мягкого вычисления признаков распознавания изображений / Н.Г. Федотов, Л.А. Шульга // IV Международная конференция по мягким вычислениям и измерениям (SCM-2001). Сборник докладов в 2-х томах. Том 1. Санкт-Петербург, 2001. - С. 134-139.

3. N. G. Fedotov and L. A. Shulga. The Prospects of the Development of the Theory of Automatic Feature Generation in Pattern Recognition Problems, Pattern Recognition and Image Analysis, Vol. 11, No. 1, 2001, pp. 17-19.

4. Nikolay G. Fedotov, Lyudmila A. Shulga. New Ways to Form Features for Pattern Recognition on the Basis of Stochastic Geometry, 12th Scandinavian Conference on Image Analysis, Bergen, Norway, Vol. I.II, 2001, p. 373-380.

5. Шульга Л.А. Методы генерации признаков изображений, основанных на стохастической геометрии и функциональном анализе // VII Международная конференция студентов и аспирантов по фундаментальным исследованиям Ломоносов-2000. Материалы. М.: Издательство Московского государственного университета, 2000. -С.173-174.

6. Шульга Л.А. Новые методы формирования признаков образов с позиций стохастической геометрии / Н.Г. Федотов, Л.А. Шульга // III Международная конференция по мягким вычислениям и измерениям (SCM-2000). Сборник докладов. Том 1. Санкт-Петербург, 2000. - С. 131137.

7. Шульга JI.А. Перспективы развития теории автоматической генерации признаков в задачах распознавания образов / Н.Г. Федотов, Л.А. Шульга // 5-ая Международная конференция "Распознавание образов и анализ изображений: новые информационные технологии "(РОАИ-5-2000). Труды конференции. Том 1. Самара, Издательство Самарского Государственного Аэрокосмического Университета, 2000. - С. 156-162.

8. Nikolay G. Fedotov, Lyudmila A. Shulga. New Theory of Pattern Recognition on the Basis of Stochastic Geometry, WSCG'2000 Conference Proceedings, ISBN 80-7082-612-6, Vol. I.II, p. 373-380.

9. Шульга Л.А. Проектирование систем распознавания изображений с использованием триплексных признаков / Н.Г. Федотов, М.М. Мельников, Л.А. Шульга // 4-ая Международная конференция Распознавание-99. Сборник материалов. Курск, 1999. - С.26-28.

10.N. G. Fedotov, М.М. Mel'nikov, I.V. Tuzhulov, R.A. Kostyushin, and L. A. Shul'ga. Image Recognition System on the Basis of Stochastic Geometry Methods, Pattern Recognition and Image Analysis, 1999, Vol. 9, No.l, pp. 35-36.

11.Шульга Л.А. Алгебра Ли бесконечно малых движений касательного расслоения // Международный Симпозиум, посвященный 275-летию Российской Академии Наук "Надежность и Качество: Инновационные технологии производству XXI века". Книга докладов. Пенза, Изд-во Пензенского государственного университета, 1999. - С.525-528.

12.Шульга Л.А. Касательное расслоение II порядка плоскости Лобачевского // Международная научно-техническая конференция "Актуальные проб-лемы анализа и обеспечения надежности и качества приборов, устройств и систем". Сборник докладов. Пенза, Изд-во Пензенского государственного университета, 1998. - С. 152-153.

13.Шульга Л.А. Автоматическое формирование признаков распознавания изображений с позиций стохастической геометрии / Н.Г. Федотов, Л.А.

1. Абезгауз Г.Г., Тронь А.П., Копенкин Ю.Н., Коровина И.А. Справочник по вероятностным расчетам. - М.: Воениздат, 1966. - 408с.

2. Аврух М.Л., Бирман Н.Я. и др. Автомат для чтения машинописных текстов. В сб. Автоматическое чтение текста. - ВИНИТИ, 1967.

3. Амбарцумян Р.В., Мекке Й., Штойян Д. Введение в стохастическую геометрию. М.: Наука, 1989. -400с.

4. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. М.: Высшая школа, 1983. - 295с.

5. Бейтс Р.Х.Т., Гарден К.Г., Питере Т.М. Реконструктивная вычислительная томография: современные достижения и перспективы развития // ТИИЭР; №3, 1983. с. 84-103.

6. Белозерский Л.А. Основы построения систем распознавания образов. / Курс лекций, Донецкий Государственный Институт Искусственного Интеллекта, 1997.

7. Блум Г. Ассоциативная машина, опознающая зрительные образы. В сб. Проблема бионики. -М.: Мир, 1965.

8. Роль инвариантов в восприятии. / Бом Д. Хрестоматия по ощущению и восприятию. Под ред. Ю.Б. Гиппенрейтер и М.Б. Михалевской. М.: Издательство Московского Университета, 1975.

9. Бонгард М.М. Проблема узнавания. М.: Наука, 1967. - 320с.

10. Быстрые алгоритмы в цифровой обработке изображений. / Под ред. Хуанга Т.С. М.: Радио и связь, 1984. - 182с.

11. П.Бэрроу Х.Дж., Тененбаум Дж.М. Алгоритмическое зрение. // ТИИЭР; №5, 1981.-е. 91-120.

12. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов (статистические проблемы обучения). М.: Наука, 1974. - 415с.

13. Васильев В.И. Проблема обучения распознаванию образов. Киев:1. Высшая школа, 1989. 64с.

14. Васильев В.И. Распознающие системы. / Справочник. Киев: Наукова думка, 1983.-422с.

15. Ватанабе С. Разложение Карунена-Лоэва и факторный анализ. Теория и приложения. В сб.: Автоматический анализ сложных изображений. -М.: Мир, 1969.-315с.

16. Вентцель Е.С. Теория вероятностей. М.: Физматгиз, 1958. - 464с.

17. Вольтерра В. Теория функционалов, интегральных и интегро-дифференциальных уравнений. -М.: Наука, 1982. 304с.

18. Воробьев Н.Н. Теория рядов. -М.: Наука, 1979. 408с.

19. Вудс Р.Э., Гонсалес Р.С. Цифровые методы улучшения изображения в реальном времени. //ТИИЭР; №5, 1981. с. 176-191.

20. Выгодский М.Я. Справочник по высшей математике. М.: Наука, 1976. -871с.

21. Галеев Е.М., Тихомиров В.М. Оптимизация. М.: Эдиториал УРСС, 2000.-320с.

22. Гельфанд И.М., Граев М.И., Виленкин Н.Я. Интегральная геометрия и связанные с ней вопросы теории представлений. М.: Физматгиз, 1962. - 656с.

23. Генкин В.Л., Ерош И.Л., Москалев Е.С. Системы распознавания автоматизированных производств. Л.: Машиностроение, 1988. - 246с.

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

25. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1989.-232с.

26. Готтсданкер Р. Основы психологического эксперимента. М.: Издательство Московского университета, 1882. - 464с.

27. Грановская P.M., Березная И.Я. Запоминание и узнавание фигур. Л.:1974.-98с.

28. Грановская P.M. Восприятие и модели памяти. Л.: Наука, 1974.

29. Гренандер У. Лекции по теории образов: В 3-х томах. М.: Мир, 1979. -1983.

30. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов. -М.: Мир, 1988.-488с.

31. Девис М.Х.А. Линейное оценивание и стохастическое управление. -М.: Наука, 1984.-208с.

32. Джайн А.К. Успехи в области математических моделей для обработки изображений. // ТИИЭР; №5, 1981. с. 9-39.

33. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. -511с.

34. Иванова В.М., Калинина В.Н., Нешумова Л.А., Решетникова И.О. Математическая статистика. -М.: Высшая школа, 1975. 367с.

35. Ивахненко А.Г. Самообучающаяся система распознавания и автоматического управления. Техшка, 1969. - 392с.

36. Каментский Л.А., Лю Ц.Н. Построение с помощью ЦВМ логики для распознавания различных печатных шрифтов. // Зарубежная радиоэлектроника; № 9, 1963.

37. Карасев А.И. Теория вероятностей и математическая статистика. М.: Статистика, 1979. - 279с.

38. Кассандрова О.Н., Лебедев В.В. Обработка результатов наблюдений. -М.: Наука, 1970. 104с.

39. Кендал М., Моран П. Геометрические вероятности. М.: Наука, 1972. -192с.

40. Обнаружение пороговых сигналов и принятие решения./ Кимбл Дж.И., Джармези Н. Хрестоматия по ощущению и восприятию. Под ред. Ю.Б. Гиппенрейтер и М.Б. Михалевской. М.: Издательство Московского Университета, 1975.

41. Клоувз М.Б. Как видеть вещи. В сб. Интегральные роботы. Вып.2. -М.: Мир, 1975.-с. 89-136.

42. Коршунов Ю.Н. Математические основы кибернетики. М.: Энергоатомиздат, 1987.-496с.

43. Пороги ощущения и их измерение./ Кравков С.В. Хрестоматия по ощущению и восприятию. Под ред. Ю.Б. Гиппенрейтер и М.Б. Михалевской. М.: Издательство Московского Университета, 1975.

44. Лабунец В.Г., Чернина С.Д. Теория и применение преобразования Хо. // Зарубежная радиоэлектроника; №10, 1987. с. 84-57.

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

46. Луис А.К., Наттерер Ф. Математические проблемы реконструктивной вычислительной томографии. // ТИИЭР; №3, 1983. с. 111-124.

47. Луитт P.M. Алгоритмы реконструкции с использованием интегральных преобразований. //ТИИЭР; №3, 1983.-е. 125-148.

48. Лэм Г. Аналоговые и цифровые фильтры: расчет и реализация. М.: Мир, 1982.

49. Максимов В.В. Система классификации геометрических изображений. В сб. Моделирование обучения и поведения. - М.: Наука, 1975.

50. Марпл С.Л. Цифровой спектральный анализ. -М.: Мир, 1990.

51. Марр Д. Зрение: информационный подход к изучению представления и обработки зрительных образов. М.: Радио и связь, 1987. - 400с.

52. Матерон Ж. Случайные множества и интегральная геометрия. М.: Мир, 1978.-318с.

53. Менли Р. Анализ и обработка записей колебаний. М.: Машиностроение, 1972.-368с.

54. Мучник И.Б. Алгоритмы формирования признаков для зрительных образов. ТЛО-АиТ, 1966.

55. Мюррей Д. ван Райпер У. Энциклопедия форматов графических файлов. Киев: BHV, 1997.

56. Надь Г. Распознавание образов. Обзор. // ТИИЭР; № 5, 1968. с.57-86.

57. Наттерер Ф. Математические аспекты компьютерной томографии. М.: Мир, 1990. -288с.

58. Павлидис Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986.

59. Препарата Ф., Шеймос М. Вычислительная геометрия: введение. М.: Мир, 1989.-478с.

60. Прэтт У. Цифровая обработка изображений. В 2 кн. М.: Мир, 1982. -790с.

61. Пугачев B.C. Теория вероятностей и математическая статистика. М.: Наука, 1979.-496с.

62. Роджерс Д. Алгоритмические основы машинной графики. М.: Мир, 1989.

63. Розенфельд А. Распознавание изображений. // ТИИЭР; №N5, 1981. -с. 120-134.

64. Розенфельд А. Распознавание и обработка изображения с помощью вычислительных машин. М.: Мир, 1972. - 231с.

65. Сантало JI.A. Интегральная геометрия и геометрические вероятности. -М.: Наука, 1983.-360с.

66. Соболев С.Л. Некоторые применения функционального анализа вматематической физике. -М.: Наука, 1988. 336с.

67. Трофимов Б.Е., Куликовский О.В. Передача изображений в цифровой форме. -М.: Связь, 1980. 120с.

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

69. Файн B.C. Опознавание изображений. М.: Наука, 1970. - 296с.

70. Федер Е. Фракталы. М.: Мир, 1991. -254с.

71. Федотов Н.Г. Методы стохастической геометрии в распознавании образов. М.: Радио и связь, 1990. - 144с.

72. Федотов Н.Г., Кадыров А.А. Новые методы формирования признаков распознавания образов с позиций стохастической геометрии. // Автометрия; №1, 1996. с.88-92.

73. Федотов Н.Г., Кадыров А.А. Новые признаки изображений, инвариантные относительно группы движений и аффинных преобразований. // Автометрия; №4, 1997. с.65-79.

74. Федотов Н.Г., Мельников М.М., Шульга J1.A. Проектирование систем распознавания изображений с использованием триплексных признаков.

75. В сб. материалов 4-ой Международной конференции Распознавание-99. 1999. с.26-28.

76. Федотов Н.Г., Шульга JI.A. Новые методы формирования признаков образов с позиций стохастической геометрии. В сб. докладов III Международной конференции по мягким вычислениям и измерениям

77. SCM-2000). Санкт-Петербург, 2000. - с. 131-137.

78. Федотов Н.Г., Шульга Л.А. Стохастическая геометрия как источник мягкого вычисления признаков распознавания изображений. В сб. докладов IV Международной конференции по мягким вычислениям и измерениям (SCM-2001). - Санкт-Петербург: 2001. - с. 131 -137.

79. Фор А. Восприятие и распознавание образов. М.: Машиностроение, 1989.-272с.

80. Хант Э. Искусственный интеллект. М.: Мир, 1978. - 558с,

81. Харалик P.M., Келли С.Л. Использование методов распознавания образов и автоматической классификации для анализа многокомпонентных изображений. // ТИИЭР; № 4, 1969. с.316-339.

82. Харичев В.В., Шмидт А.А., Якубович В.А. Об одной новой задаче распознавания образов. // Автоматика и телемеханика; № 1, 1973. с. 109-123.

83. Хелгасон С. Группы и геометрический анализ. М.: Мир, 1987. - 736с.

84. Хорн Б.К.П. Зрение роботов. М.: Мир, 1989. - 487с.

85. Ценсор Я. Методы реконструкции изображений, основанные на разложении в конечные ряды. // ТИИЭР; №3, 1983. с. 148-160.

86. Цыпкин Я.3. Адаптация и обучение в автоматических системах. М.: Наука, 1968.-400с.

87. Шведов A.M., Шмидт А.А., Якубович В.А. Инвариантные системы признаков в распознавании образов. // Автоматика и телемеханика; №3, 1979. с. 131-143.

88. Шехтер М.С. Зрительное опознание: закономерности и механизмы. -М.: 1981.

89. Шилов Г.Е., Гуревич Б.Л. Интеграл, мера и производная. М.: Наука, 1964.-211с.

90. Шлихт Г.Ю. Цифровая обработка цветных изображений. М.: Эком, 1997.

91. Шурыин A.M. Прикладная стохастика: робастность, оценивание, прогноз. М.: Финансы и статистика, 2000. - 224с.

92. Яншин В., Калинин Г. Обработка изображений на языке С для IBM PC. М.: Мир, 1994.

93. Движение глаз при восприятии сложных объектов. / Ярбус АЛ. Хрестоматия по ощущению и восприятию. Под ред. Ю.Б. Гиппенрейтер и М.Б. Михалевской. М.: Издательство Московского Университета, 1975.

94. Ярославский Л.П. Введение в цифровую обработку изображений. М.: Сов. Радио, 1979.

95. David Е. Е. A review of G. S. Sebestyen's book Decision-Making Processes in Pattern Recognition (N. Y.: Macmillan Co., 1962), IEEE Trains.

96. Electronic Computers, vol. EC-12, pp.334-335, June 1963. В рецензии на книгу Себестиана 102 Г. С. Себестиан, «Процессы принятия решении при распознавании образов». - Киев: изд-во «Техника», 1965.

97. Fedotov N. G. and Shulga L. A. The Prospects of the Development of the Theory of Automatic Feature Generation in Pattern Recognition Problems. -Pattern Recognition and Image Analysis. Vol. 11, No.l, 2001. pp. 17-19.

98. Fischler M. A. Machine perception and description of pictorial data. / Walker D. E., Norton L. M., eds. Proc. Int. Joint Conf. on Art. Int.; May 1969.-pp. 629-639.

99. Kadyrov A.A. and Fedotov N.G. Triple Features. Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, Vol. 5, No.4, 1995. -pp.549-559.

100. Kazmierczalc H. and Steinbuch K., Adaptive systems in pattern recognition, IEEE Trans. // Electronic Computers; vol. EC-12, December 1963. pp.822-835.

101. Kolers P. A. Some psychological aspects of pattern recognition. Notes of M.I.T. Special Summer Program Course 6.59s on Pattern Recognition, M.I.T. Cambridge: Mass., July 5-15, 1966.

102. Levine M. D. Feature extraction: a survey, Proc. IEEE, 57,1391-1407(August 1969) Русский перевод в журнале Труды ИИЭР, 57, №8, 1969.

103. Lipkin L. Е., Watt W. С., Kirsch R. A. The analysis, synthesis, and description of biological images, Ann. -N. Y.: Acad. Sci.,. vol. 128, 1965. -pp.984-1012.

104. Minsky M. Steps toward Artificial Intelligence, Computer and Thought, McGraw-Hill. New York: 1961. / Русский перевод "Вычислительные машины и мышление", М.: Мир, 1965.

105. Moran P. А.P. Measuring the lenght of a curve. Biometrika: V.53, 1966.-pp.359-364.

106. Munson J. H.R Experiments in the recognition of hand-printed text. Part I. Character recogniction, Proc. FJCC, December 1968 - pp.1125-1138.

107. Nikolay G. Fedotov, Lyudmila A. Shulga. New Theory of Pattern Recognition on the Basis of Stochastic Geometry, WSCG'2000. -Conference Proceedings, ISBN 80-7082-612-6, Vol. I.II., pp.373-380.

108. Nikolay G. Fedotov, Lyudmila A. Shulga. New Ways to Form Features for Pattern Recognition on the Basis of Stochastic Geometry. 12th Scandinavian Conference on Image Analysis. Bergen, Norway, 2001, Vol. I.II, pp.373-380.

109. Nilson N. Adaptive pattern recognition: a survey, 1966. Bionics Symposium, Dayton, Ohio, May 1966.

110. Selfndge О. G. Pattern recognition and modern computers. Proc. Western Joint Compuler Conf, March 1955. - pp.91-93.

111. Selfridge O. G. and Neisser U. Pattern recognition by machine in Compuiers and Thought. / E. A. Feigenbaum and J. Feldman eds. New Ylork: McGraw-Hill, 1963. -pp.237-250.

112. Настоящим актом подтверждается следующее.

113. С 1998 по 1999 гг. в работе над проектом в качестве исполнителя участвовала аспирантка Шульга Людмила Александровна.

114. Научный руководитель проекта д. т. н., профессор, заведующий кафедрой экономической кибернетики1. Н.Г. Федотов1. УТВЕРЖДАЮе^^Института возрастной физиологии РАО |оло,гических наук, гсиондентРАО2001г.1. АКТ

115. Научно-технической комиссии о реализации научных положений и выводов диссертационных исследований Шульги Людмилы Александровны "Формирование признаков распознавания образов с позиций стохастической геометрии "

116. Доктор биологических наук, профессор,академик РАО Фарбер Д. А.1. Заведующая лабораториисоциально-психологической реабилитации личности Института семьи и воспитания РАО,кандидат педагогических наук Репринцева Г.И.l\

117. Ректор ПГУ д.т.н, профессор1. ОВАНО<• j^^e^^—^В.И. Волчихин ~ ^ 2001 г.1. АКТо внедрении результатов диссертационной работы Шульги JI.A.

118. Формирование признаков распознавания образов с позиций стохастической

119. Настоящим актом подтверждается следующее.

120. Переданы методики, алгоритмы и программы проектирования распознающих систем нового класса, созданные кафедрой в процессе разработки новой теории распознавания образов с позиций стохастической геометрии.

121. Область и форма внедрения: использование методик и программных средств при проектировании новой техники.