автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Моделирование характеристик визуального содержания для поиска объектов в каталогах космических изображений

На правах рукописи

Боенко Константин Александрович

МОДЕЛИРОВАНИЕ ХАРАКТЕРИСТИК ВИЗУАЛЬНОГО СОДЕРЖАНИЯ ДЛЯ ПОИСКА ОБЪЕКТОВ В КАТАЛОГАХ КОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ

05.13.18 - Математическое моделирование, численные методы и комплексы программ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Барнаул 2009

003473449

Работа выполнена в лаборатории гидрологии и геоинформатики Института водных и экологических проблем СО РАН.

Научный руководитель: кандидат технических наук, доцент

Ковалевская Нелли Михайловна

Официальные оппоненты: доктор физико-математических наук,

профессор Лагутин Анатолий Алексеевич кандидат физико-математических наук Евтюшкин Аркадий Викторович

Ведущая организация: Институт вычислительной математики и

математической геофизики СО РАН

Защита состоится 26 июня 2009 г. в 15-00 ч. на заседании диссертационного совета Д212.005.04 при ГОУ ВПО «Алтайский государственный университет» по адресу: 656049, г. Барнаул, пр. Ленина, 61.

С диссертацией можно ознакомиться в научной библиотеке ГОУ ВПО «Алтайский государственный университет» по адресу: 656049, г. Барнаул, пр. Ленина, 61.

Автореферат разослан «^¿5» мая 2009 г.

Ученый секретарь диссертационного совета, доктор физико-математических наук, профессор

С.А. Безносюк

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследований. В настоящее время многие фундаментальные и прикладные экологические задачи, связанные с дистанционным мониторингом объектов земной поверхности, могут быть решены только с применением разнородной космической информации, поскольку её использование существенно сокращает материальные, финансовые и временные затраты на анализ динамики ситуации и принятие решения. Современный дистанционный мониторинг опирается на обширные каталоги изображений самого различного разрешения. С другой стороны, в связи с большим количеством имеющихся на земной орбите спутников и постоянным запуском новых, объемы космической информации в каталогах уже измеряются терабайтами и продолжают стремительно расти. Таким образом, решение задачи поиска объектов по содержанию в каталогах космических изображений приобретает особое значение.

В последние годы было предложено большое количество различных моделей для поиска, описывающих свойства визуальных объектов. Но большинство предлагаемых моделей ориентировано достаточно узко:

- на использование цветовых характеристик, не учитывающих информацию о пространственной зависимости элементов,

- на описание заранее заданной формы, что также затрудняет поиск объектов земной поверхности,

- на изображения одной и той же природы (снимки Ьапс^, аэрофотоизображения, коллекции мультимедиа, фотографии объектов природы, и т.д.)

Так как большинство участков земной поверхности имеют достаточно однородные пространственно-яркостные характеристики, то для осуществления содержательных запросов в современных каталогах космических изображений должны использоваться математические модели, описывающие пространственную однородность участков изображений в терминах яркостной структуры элементов растра, а также алгоритмы и программы для автоматического выделения объектов.

Анализ литературы показывает, что в данной предметной области недостаточно используются вероятностные модели пространственных распределений яркостей и, тем самым, не учитывается информация о степени устойчивости спектральных характеристик и их пространственных взаимосвязей. Разработка соответствующих математических моделей, алгоритмов и программных средств позволила бы повысить информативность наборов признаков объектов на космических снимках и, соответственно, эффективность поиска и выделения изображений в каталогах.

Решаемая проблема. Проблема математического описания пространственного распределения и корреляции яркостей элементов космических снимков природных и урбанизированных территорий с целью поиска и выделения объектов на земной поверхности.

Цель работы. Разработка математических моделей, алгоритмов и программ анализа спектров яркости изображений с использованием моделей марковского случайного поля с гиббсовским распределением вероятностей (МСП/ГРВ), учитывающих устойчивость пространственно-яркостных характеристик, и их применение для обработки космических снимков природных и урбанизированных территорий высокого и сверхвысокого разрешения.

В соответствии с поставленной целью решались следующие задачи:

1. Анализ взаимосвязей пространственных характеристик и возможностей повышения эффективности алгоритмов обработки изображений на основе МСП/ГРВ-моделей;

2. Разработка алгоритмов идентификации параметров МСП/ГРВ-моделей для многозональных снимков высокого и сверхвысокого разрешения;

3. Формирование признаковых пространств, адекватных зрительному восприятию объектов на космических снимках высокого разрешения для природных и урбанизированных территорий;

4. Разработка программной системы анализа и обработки изображений с целью поиска и визуализации в каталогах изображений

Объектом исследования является пространственное распределение спектральных яркостей на панхроматических и многозональных изображениях, а также пространственные корреляции яркостей и их соотношения с ландшафтными характеристиками природных и урбанизированных территорий.

Предмет исследования: математическое моделирование пространственных характеристик спектральных яркостей с помощью МСП/ГРВ-моделей и их применение для поиска и выделения объектов на космических снимках высокого и сверхвысокого разрешения.

Методы исследования. Для решения поставленных в диссертационной работе задач использовались следующие методы и подходы: теория цифровой обработки и методы анализа изображений; системный анализ; методы математической статистики; теория случайных полей; методы линейной алгебры; текстурный анализ; методы контекстного поиска изображений, а также технология создания прикладных программных систем.

Достоверность полученных результатов подтверждается совпадением результатов автора с данными других исследователей, полученных в результате тестирования на известных объектах (текстурах Бродатца), а также результатами вычисления характеристик точности и полноты результатов поиска в каталогах изображений.

Научная новизна:

1. Предложен новый метод выделения объектов на снимках природных и урбанизированных территорий высокого и сверхвысокого разрешения, основанный на использовании МСП/ГРВ-модели при формировании признаковых пространств.

2. Разработан и программно реализован новый алгоритм обработки изображений высокого и сверхвысокого разрешения для выделения на них однородных участков.

3. Впервые программно реализован метод формирования признаковых пространств крупномасштабных изображений, опробованный для различных видов растительности.

На защиту выносятся следующие положения:

1. Новый принцип построения информативных признаков визуально-однородных образцов естественных объектов, основанный на свойствах марковского случайного поля с гиббсовским распределением вероятностей, используемых в качестве основы для построения модели.

2. Разработанные алгоритмические средства анализа изображений высокого и сверхвысокого разрешения и выделения искомых участков в построенном пространстве признаков.

3. Результаты работы алгоритма выделения участков на кусочно-текстурных изображениях при выделении видового состава растительности.

Практическая значимость исследования. Разработанный в диссертации подход даёт возможность осуществлять эффективный поиск и выделение визуально схожих однородных участков земной поверхности на космических снимках.

Полученные результаты имеют важное практическое значение для автоматического создания аннотаций космических изображений и метаданных для каталогов космических снимков.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: международная конференция "ЕЫУМЮМ^" (Томск, 2006г.}; российско-китайский семинар «Геоинформационное обеспечение устойчивого развития Большого Алтая» (2006г.); международная конференция "Современные методы математического моделирования природных и антропогенных катастроф" (Барнаул, 2007); конференция молодых ученых ИВЭП СО РАН (Барнаул, 2007); совместный семинар по тематическому анализу и обработке снимков высокого разрешения (ГИС-центр ОИГГиМ и ЦБС СО РАН, 2008 г).

Объём и структура диссертации. Диссертация состоит из введения, трех глав, заключения и списка литературы. Полный объем работы составляет 124 страницы машинописного текста, включая 13 рисунков, 13 таблиц; библиография - 100 наименований.

Публикации. По теме диссертации опубликовано 14 научных работ, в том числе 2 работы, опубликованных в изданиях ВАК.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснованы актуальность, научная и практическая значимость проблемы, сформулированы цель и задачи работы, ее научная новизна, изложены основные выносимые на защиту положения. Приведена краткая характеристика работы.

Первая глава посвящена описанию предметной области исследования: современные признаки представления изображений, а также методы, используемые для поиска по визуальному содержанию в каталогах, в частности, - каталогах космических изображений. Рассмотрены модели, используемые в современных системах поиска в таких каталогах (ADL, CANDID, SIMPLIcity), а также особенности поиска, связанные с выделением искомых участков на космических снимках высокого и сверхвысокого разрешения.

По результатам обзора был сделан следующий вывод: ни один из этих методов не использует анализ окрестности элемента изображения, что сводит к минимуму возможность автоматизированного анализа визуального содержания данного текстурного изображения. В данной предметной области не достаточно использованы вероятностные модели пространственных полей (распределений) яркости и, таким образом, не учитывается информация об устойчивости спектральных характеристик и их пространственной корреляции. Разработка математических моделей, алгоритмов и программных средств позволяет повысить информативность набора признаков космических снимков и, соответственно, эффективность систем распознавания образов и классификации изображений.

С целью уменьшения содержательного разрыва между результатами системной обработки и визуальным восприятием при поиске объектов на изображении предложено использовать МСП-модель с гиббсовским распределением вероятностей, или модель гиббсовского случайного поля (ГСП). Показано, что такая МСП (ГСП)-модель позволяет описывать практически все типы естественных объектов - от кусочно-постоянных до кусочно-текстурных.

Во второй главе диссертации описываются возможности использования свойств визуального восприятия при текстурном анализе. Одно из них описывает вторая гипотеза Юлеша, которая состоит в том, что любая однородная текстура однозначно определяется статистиками второго порядка. Проводится сравнительный анализ текстурных моделей, применяемых в существующих системах содержательного поиска изображений. Установлено, что модели текстур естественных объектов можно условно разделить на четыре класса:

1. статистические модели, определяющие текстуру в терминах пространственного распределения полутонов;

2. модели, основанные на анализе пространственных частот в области Фурье, фильтры Габора, вейвлет-модели;

3. модели, основанные на свойствах визуального восприятия;

4. модели, опирающиеся на допущение о том, что визуально-однородные образцы естественных объектов являются выборками случайных полей (СП). СП-модели текстур связывают значения сигналов с некоторой вероятностью появления заданной комбинации сигналов на растре.

Самой общей моделью изображения природных объектов является модель кусочно-текстурного изображения (рис. 1).

Типичные примеры подобных участков на космических снимках земной поверхности высокого разрешения (размер пикселя 1-4 м): лесные и кустарниковые массивы, селитебные участки, песчаные участки, сельхозугодья и др.

Для выявления граничных элементов текстурных участков растра на кусочно-текстурном изображении недостаточно анализа отдельных элементов изображения. Очевидно, что для нахождения различий между текстурными образцами необходимо анализировать упорядоченные совокупности элементов растра.

Для задания и нахождения таких совокупностей используются клики, или пары взаимодействующих элементов растра.

Рис. 1. Кусочно-текстурные изображения (а) и соответствующие им карты участков (б)

Поскольку клика может состоять из любого количества элементов растра, выбранных в определённых направлениях, то её можно рассматривать в качестве минимальной составляющей упорядоченной совокупности элементов изображения.

В основу предлагаемой модели легло предположение Марра [1987] о том, что зрительное восприятие на этапе предварительной обработки происходит в два этапа, в результате первого из которых происходит формирования определённого представления об эскизе объекта, или о результате визуального восприятия, связанного с обнаружением изменений яркости, представлением и анализом локальных геометрических структур изображения.

Далее рассматривались те естественных текстуры, которые обладают свойством пространственного самоподобия, то есть некоторой повторяемостью парных элементов, поддерживаемых одной и той же комбинацией положений на растре. Предполагалось также, что всевозможные комбинации сигналов в парных кликах рассматриваются с различными вероятностями появления на текстурном образце.

На основе таких предположений два полутоновых образца относятся к визуальному представлению одного и того же класса естественных объектов (представляют текстуру одного и того же содержания), если они имеют одни и те же (или близкие) распределения матриц пар значений сигналов в кликах одного и того же типа. Тогда если некоторая клика входит в состав клик, представляющих эскиз текстурного образца, то соответствующая ей вероятность пары сигналов имеет значение, отличающееся от нулевого на некоторую заранее заданную величину.

Предположим, что чем чаще повторяется одна и та же комбинация сигналов для некоторого типа парных клик г заданного текстурного образца 5=5, тем больше расстояние между маргинальными частотами этого образца и маргинальными частотами независимого случайного поля (НСП).

Пусть Н/е!^^ - гистограмма различий значений сигналов в клике типа г заданного текстурного образца ¿¡--я:

Яг(4У„.Уу)= Х^Д-^Х О)

где <5(-) - символ Кронекера. Тогда эскиз текстуры, соответствующей образцу 5 можно определить следующим образом:

БкеШХ = | м-') = {г' е Я:. (с1 \5),МГ(с1))>ТШН^,г с.Щ, (2)

где МГ(с1) = (|£?| - я&у(г/))/|£>|г - маргинальные частоты НСП, йеО,

й= {- <7„„а , ...,0,1,..., qmax } - множество возможных различий сигналов в парных кликах, ОШ(-, ) -заданный тип расстояния между распределениями, м> - заданная окрестность (окно поиска), ШЛ£Щ»«сЛ - заданная пороговая величина.

Таким образом, основываясь на определении (2), можно получить из заданного образца Л'=: Л' те семейства клик гСЯ, которые представляют наиболее часто встречающиеся (регулярные) локальные связи в парах элементов растра Я.

Эксперименты по нахождению эскиза однородной текстуры выполнялись в соответствии со следующим подходом:

1. Вычисление гистограммы различий значений сигналов йеО для заданного образца я = (.у,: ¡еЯ; ({-х, е 0 по всевозможным типам клик гСЯ в соответствии с заданным окном поиска (|(.1,|< ц,ш„, у„шх):

НМ ^(¿-(л-Л-)). (3)

2. Нормализация этих гистограмм по всем типам клик гС/?:

Нгу\* )

К1

3.

4.

Здесь |К,.| - количество клик типа гей, РД^] 5) - маргинальная частота различий значений сигналов для гС/?.

Вычисление разницы между маргинальными частотами заданного образца л и маргинальными частотами НСП с помощью расстояния £>г'5/(/7,.(ф'), МЬ(О)) для каждого типа клик гСК. Нахождение средних расстояний и стандартных отклонений для найденных расстояний МГ(£>)), /"С/?.

5. Выбор семейства клик гСК, чьи расстояния превышают пороговое значение ТНКЕБН5кс1с1,-. МГ(О)) > ТНЯЕБНвшсн..

Выбор окна поиска эскиза пространственно-однородной текстуры зависит от размера представленного текстурного образца (табл. 1). Чем больше размер окна поиска м>, тем более представительным оказывается найденный эскиз заданного текстурного образца. С дрогой стороны, чем больше выбранный размер окна окно, тем выше вычислительная стоимость процесса поиска.

В таблицах 1-2 представлены примеры эскизов модельных и реальных текстур.

Таблица 1

Эскизы текстур из альбома Бродатца

Текпурный образец (220x210)

Номер в альбоме Бродатца

Окно поиска 9x9

Окно поиска 13x13

шШШШяь

0100

¡■и

|Ц|

■СV ..-д. V

0105

Р11

я»

Таблица 2

Эскизы натуральных текстур с космических снимков

Значимые С1рук|уры в оше поиска 13x13

(QuickBird (2,4 м)

Сфук1уры в окне поиска 13x13

Эскиз однородной текстуры является основанием (критерием) для сравнения текстурных образцов, отражающим визуальное содержание сравниваемых объектов. На его основе разработан и реализован метод поиска объектов по каталогам изображений, излагаемый в главе 3.

Третья глава диссертации посвящена поиску изображений. На основе использования определения (2) был разработан следующий алгоритм поиска изображений по заданному образцу в каталогах однородных текстурных образцов:

1. вычисление гистограммы различий значений сигналов deD для заданного образца sample* и маргинальных частот различий значений сигналов Fr(d\sample*) для rCSketch(sample*) (текущим принимается первый образец sample; в каталоге, г= 1).

2. вычисление гистограммы различий значений сигналов deD для текущего образца samptei и маргинальных частот различий значений сигналов Fr(d\samplei) для rCSketch(sampIej).

3. сравнение маргинальных частот текущего образца (sample,) в каталоге и заданного образца (sample*) на основе вычисления одного из выбранных расстояний между текстурными образцами, например:

(Fr(s\samplei)-Fr(s\sample* )? (5)

Dist (sample sample * ) = > > -

rixk^h t? Fr(s | sample.)

v

где Sketchy - объединенный эскиз текстурных образцов:

Sketchy = Skelch(sample,) U Sketch(sample*).

4. выполнение пунктов 3-4 для всех образцов, содержащихся в каталоге.

5. нахождение тех образцов в каталоге, для которых значение расстояния меньше заданного порогового значения.

На основе этого алгоритма был создан специальный комплекс программ для поиска в каталоге однородных текстурных изображений. Поиск производился по двум каталогам: однородные образцы Бродатца (табл. 3) и образцы текстур естественных объектов, полученные с космических снимков высокого разрешения (табл. 4).

Во всех экспериментах предполагалось, что если первый результат поиска относится к тому же самому классу, что и запросный образец, то результат является корректным.

В таблице 3 приведены результаты первых пяти запросов в БД текстур Бродатца. Хотя сам каталог представляет достаточно сложный вариант для визуального поиска схожих образцов в силу неоднозначности деления объектов на классы, поиск оказался весьма эффективным: 90% запросов показывают правильный результат в качестве первого выбора поисковой системы. Первые два результата оказываются верными для более 65% запросов. И более 40% запросов показали верными первый, второй и третий результаты поиска.

Описанная поисковая система оказалась способной к дообучению. Часть результатов поиска (помечены символом (*) в таблице 3) хотя формально и показывают некорректный результат в соответствии с принятой классификацией, но, фактически, являются визуально сходными с запросным образцом по тому или иному визуальному признаку.

Эксперименты с образцами снимков сверхвысокого разрешения (табл. 4) оказались еще более эффективными, чем результаты с модельными образцами. В 50% случаев система представляет в качестве первых результатов поиска все возможные образцы того же типа, что и заданный образец - кустарники, кустарники с редколесьем, дачи, поселки, покос и т.д.

В рамках работы были исследованы различные меры количественной оценки несходства однородных текстурных образцов, в результате чего было выявлено, что в рамках предлагаемого метода наиболее точную меру визуального сходства двух текстурных образцов sample, и sample2 даёт взвешенное евклидово расстояние:

DlSt 2 {sample^, santp]e2) - £ kr £ (F i*\samplet)~ p r(,X:ampk2)) , m ¡ES '

где /vOI") _ относительное распределение частот различий сигналов в кликах rESketchu, Sketchu - объединенный эскиз текстурных образцов, к -весовые коэффициенты.

Мера несходства зашумлённого образца с исходным прямо пропорциональна степени зашумления. Таким образом, подбор весовых коэффициентов заключался в минимизации числа экстремальных участков на исследуемом диапазоне зашумлённости. Другими словами, корректировка весовых коэффициентов необходима для того, чтобы функция, выражающая зависимость между мерой несходства и степенью зашумлённости, была

Третий результат

поиска (№ класса)

Четвертый результат поиска

Первый результат

поиска (№ класса)

Второй результат

поиска (№ класса)

Заданный образец

класса)

класса)

(19) ЙЗаига—

¡■■¡■и

монотонно возрастающей и не имеющем ярко выраженных перепадов значений.

Таблица 3

Результаты поиска в каталоге текстур Бродатца

Пятый результат поиска (№ класса)

т

Шя

г

Таблица 4

Результаты поиска в каталоге текстур С?шскЬЫ (0,61 м)

Заданный образец (тип участка)

Первый результат поиска (тип участка)

Последующие результаты поиска ■ типы участков

2й- 7й — кустарники;

найдены все образцы участков в

качестве первых результатов

(кустарники)

Я

Найдены все образцы участков в качестве первых результатов

(кустарники с редколесьем)

(кустарники с редколесьем)

2й-9й-дачи,

найдены все образцы участков ] качестве первых результатов

(поселки)

2й-5й —лес,

6й — 8й — кустарники,

9й - лес;

найдены все образцы участков в качестве первых результатов

2й - 6й - поселки;

найдены все образцы участков в

качестве первых результатов

(поселки)

Важным этапом содержательного поиска в соответствии с заданными визуальными характеристиками является выделение соответствующих участков на изображениях.

В рамках диссертационной работы был разработан алгоритм выделения однородных текстур на основе использования модели эскиза (2):

• Нахождение клик, относящихся к эскизу образца, в двух соседних расчётных окнах. Численное выражение полученного эскиза текстуры записывается в специальную матрицу \\Х,}\ значений клик размерности М*М2., где М? - число возможных типов клик, которые можно построить в М; направлениях в пределах заданного окна. В частности, если N=1 1, то М/=4, М2=5. . В результате, каждый элемент

матрицы значений клик |[Лу|| является численным выражением степени значимости клики типа /, взятой в направлении у.

• Формирование матрицы различий на основе евклидова расстояния:

' (7)

где Оу — элемент матрицы различий значений клик ||Ду|| в соседних расчётных окнах, Ху, уу - элементы матриц значений клик в соседних расчётных окнах, /'=... А//,.. Мг.

• Анализ данных матрицы различий. Предполагается, что элементы матрицы ||Ц;Ц, соответствующие однородным участкам кусочно-текстурного изображения, должны содержать значения либо равные между собой, либо имеющие минимальное различие. Напротив, участки матрицы, относящиеся к окрестностям элементов границ между различными участками анализируемого изображения, должны содержать элементы, существенно отличающиеся по значениям.

• По индексам элементов, содержащих отличающиеся значения, восстанавливаются соответствующие координаты элементов анализируемого изображения. Визуализация найденных элементов позволяет представить полученные границы между различными участками анализируемого кусочно-текстурного изображения.

На основе представленного алгоритма было разработан специальный комплекс программ для выделения однородных участков на изображениях. Были проведены эксперименты как на модельных коллажах, созданных на основе текстур Бродатца (рис. 3), так и на космических снимках различного разрешения (рис. 4, 5).

Рис. 3. Результат выделения однородного участка на модельных изображениях, созданных на основе текстур Бродатца

Рис.4. Результаты выделения однородного участка на космическом снимке высокого разрешения (Псопоб, 1м): (а) экспертом-ландшафтоведом, (б) комплексом программ на основе использования модели (5)

(а) (б)

Рис. 5. Результаты выделения однородного участка на космическом снимке высокого разрешения (СМскВЫ, 0,8 м): (а) экспертом-ландшафтоведом, (б) комплексом программ на основе использования предлагаемого подхода

В заключении кратко сформулированы основные результаты диссертации:

1. Предложена и исследована новая модель эскиза однородного текстурного образца. Предлагаемая модель основана на нахождении значимых клик анализируемого изображения. В данной работе показано, что эскиз текстуры на основе значимых клик является математическим представлением гипотезы Марра о структуре визуального восприятия.

2. Разработан и программно реализован метод анализа однородных изображений на основе предложенной модели. Метод заключается в нахождении значимых клик однородного текстурного изображения и формировании на их основе специальной совокупности элементов изображения, называемой эскизом однородной текстуры. Данный эскиз является в некотором смысле атомарным элементом анализируемой однородной текстуры, отражающим её визуальное содержание. Таким образом, результатом работы данного метода является формализованное описание однородного текстурного изображения, коррелирующее с важнейшими предположениями о свойствах и законах визуального восприятия. Модель эскиза однородной текстуры позволяет выполнять на следующих этапах такие действия, как выделение определённого текстурного участка на кусочно-однородном изображении и сегментацию изображения на непересекающиеся текстурные участки.

3. Разработан и программно реализован алгоритм выделения искомых участков. Алгоритм основан на сравнении значимых клик участков изображения заданной размерности, называемых окнами анализа. Участки, имеющие одинаковые значимые клики, считаются принадлежащими к одному классу. В противном случае участки считаются принадлежащими разным классам текстур. Достоинствами данного алгоритма является простота, лёгкость программной реализации и малые затраты расчётных ресурсов рабочей станции. В процессе тестирования алгоритм продемонстрировал точность выделения однородных текстурных участков искусственных коллажей и космических снимков.

4. Предложено использовать взвешенную меру количественной оценки близости текстурных образцов в пространстве признаков, построенных с применением структурно-яркостных характеристик эскизов образцов. В ходе экспериментов по подбору меры количественной оценки близости текстурных образцов наиболее приемлемым было признано взвешенное евклидово расстояние. Необходимость применения взвешенной меры оценки близости обусловлена возможностью применения предлагаемого алгоритма сегментации для анализа космических снимков различного разрешения. Чем ниже разрешение анализируемого снимка, тем

большая степень корректировки весовых коэффициентов требуется для проведения анализа.

5. Создана оригинальная программная система, в которой реализован разработанный автором метод поиска в каталогах кусочно-текстурных изображений. Система состоит из двух основных программных модулей: модуля вычисления значимых клик изображения и модуля сегментации изображения на однородные текстурные участки. Первый модуль позволяет вычислить и визуализировать значимые клики введённой однородной текстуры. Второй модуль на основе выходных данных первого модуля производит сегментацию входного изображения, выделяя на нём искомую однородную текстуру.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Боенко, К.А. Идентификация антропогенно измененных ландшафтов на территориях проектируемых водоохранных зон с использованием данных дистанционного зондирования / К.А. Боенко, А.А. Поляков, С.Г. Яковченко // Вычислительные технологии. Т. 11, часть 1, 2006. -С. 85-89.

2. Боенко, К.А. Оценка характеристик запросов для содержательного поиска в базах данных космических изображений / К.А. Боенко, Н.М. Ковалевская // Вычислительные технологии, 2008, т.13, № 2. - С.53-69.

3. Kovalevskaya, N.M. Sharing visual knowledge in environmental information system / N.M. Kovalevskaya, K.A. Boenko // Proceedings 31st International Symposium on Remote Sensing of Environment Global Monitoring for Sustainability and Security. ICRSE: 2006. - Pp. 658-662.

4. Боенко, К.А. Методы решения задачи распознавания образов на основе характеристик визуального содержания // Интеллектуальный потенциал молодых ученых России: Труды Сибирского института Знаниеведения. - Барнаул: Изд-во АлтГУ, 2007.

5. Боенко, К.А. Анализ визуально-однородных образцов многоспектральной информации, как один из подходов в современном цифровом картографировании // «ИКИ-2006» : Материалы VII Международной научно-технической конференции. -Барнаул, 2006. - С. 220-224.

6. Boenko, К.А. Analysis of visually homogeneous sample of multispectral information as the approach of modern digital map-making // "Enviromis-2006" : материалы международной конференции. - Изд-во ФГУ «Томский ЦНТИ», 2006. - С. 27.

7. Boenko, К.А. Using Landsat and SRTM data for anthropogenic changes landscape identification / K.A. Boenko, A.A. Polyakov, V.A. Jorov, N.M. Kovalevskaya, S.G. Yakovchenko // "Enviromis-2006" : материалы международной конференции. - Изд-во ФГУ «Томский ЦНТИ», 2006. -С. 35.

8. Boenko, К.A. Method of geoinformation databank creation for state water cadastre conducting / K.A. Boenko, V.A. Jorov, S.G. Yakovchenko, N.M. Kovalevckaya, I.S. Postnova // "Enviromis-2006" : Материалы международной конференции. - Изд-во ФГУ «Томский ЦНТИ», 2006. -С. 81.

9. Боенко, К.А. Анализ визуально-однородных образцов многоспектральной информации как один из подходов в современном цифровом картографировании // Измерения, моделирование и информационные системы для изучения окружающей среды, под общей редакцией Е.П. Гордова. - Томск: Изд-во Томского ЦНТИ, 2006.-С. 21-24.

10. Боенко, К.А. Поиск экологически значимых объектов по визуальному содержанию в архивах космических изображений / К.А. Боенко, Н.М. Ковалевская // Современные методы математического моделирования природных и антропогенных катастроф : материалы IX Всероссийской конференции. - Барнаул : Изд-во АлтГУ, 2007. - С. 51.

11. Боенко, К.А. Возможности современного дешифрирования космических снимков на основе компьютерных технологий на примере северного склона хребта Сайлюгем (Чуйская котловина, Юго-Восточный Алтай) // «Природные ресурсы Горного Алтая» №2, 2007.-С. 72-75.

12. Боенко, К.А. Применение статистических характеристик для распознавания и анализа однородных текстур II Тезисы докладов ежегодных конференций молодых учёных ИВЭП СО РАН за 20022007 годы. - Барнаул, 2007. - С. 40.

13. Боенко, К.А. Анализ визуально-однородных образцов многоспектральной информации как один из подходов в современном цифровом картографировании // Тезисы докладов ежегодных конференций молодых учёных ИВЭП СО РАН за 2002-2007 годы. -Барнаул, 2007.-С.74.

14. Шибких, A.A. Использование ГИС-технологий и дистанционных методов для исследования плановых русловых деформаций (на примере рек бассейна Верхней Оби) / A.A. Шибких, К.А. Боенко, К.В. Марусин // 111 Всесибирский медико-экологический форум: материалы конференции.-Барнаул: 2008.-С. 91-94.

Подписано в печать 22.05.2009. Формат 60x84 1/16 Печать - ризография. Усл. печ. л. 1,16. Тираж 100 экз.

Отпечатано в АЦНТИ, 656002, Барнаул, пр-т Ленина, 94.

ВВЕДЕНИЕ

ГЛАВА 1. ДОСТУП К ИЗОБРАЖЕНИЯМ ПО ВИЗУАЛЬНОМУ

СОДЕРЖАНИЮ В СОВРЕМЕННЫХ СИСТЕМАХ ПОИСКА

1.1. Современные признаки представления изображений в каталогах изображений и области применения поисковых систем

1.1.1 Метаданные и пространственные метаданные

1.1.2 Семантические признаки (текстовые аннотации)

1.1.3 Признаки цвета

1.1.4 Признаки формы объектов

1.1.5 Текстурные признаки

1.2. Использование свойств визуального восприятия при текстурном анализе

1.3. Модели текстурных изображений 25 1.3.1. Статистические модели 26 1.3.2 Пространственно-частотные модели

1.3.3. Модели, основанные на свойствах визуального восприятия

1.3.4. СП-модели

1.4. Методы анализа изображений, используемые для поиска в каталогах изображений

1.5. Системы, ориентированные на поиск в каталогах космических 41 изображений

1.5.1 Поисковая система ADL

1.5.2 Поисковая система CANDID

1.5.3 Поисковая система SIMPLIsity 47 1.6 Распознавание текстурных участков на изображениях высокого и сверхвысокого разрешения 50 1.7. Выводы по главе

ГЛАВА 2. МОДЕЛИРОВАНИЕ КУСОЧНО-ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ В КАТАЛОГАХ ИЗОБРАЖЕНИЙ ЗЕМНОЙ

ПОВЕРХНОСТИ

2.1. Кусочно-текстурные изображения 57 2.2 Модель эскиза текстуры

2.3. Алгоритм поиска эскиза текстурного изображения

2.4. Результаты вычисления эскизов текстурных образцов

2.2. Выводы по главе

ГЛАВА 3. СОДЕРЖАТЕЛЬНЫЙ ПОИСК ИЗОБРАЖЕНИЙ НА

ОСНОВЕ МОДЕЛИ ЭСКИЗА ТЕКСТУРЫ 75 3.1 Поиск в каталоге изображений, содержащем однородные текстуры

3.2. Меры количественной оценки близости текстурных образцов

3.3. Алгоритм выделения однородных участков кусочно-текстурных изображений

3.4. Поиск объектов по содержанию в каталоге, содержащем космические снимки разного разрешения

3.5. Выводы по главе

Актуальность темы исследований. Задача поиска статических изображений продолжает оставаться крайне актуальной на протяжении последних десятилетий. Несмотря на неослабевающий интерес исследователей и большое количество работ в данной области есть ещё много открытых вопросов и нерешенных задач. В частности, в связи с большим количеством имеющихся на земной орбите спутников и постоянным запуском новых, объемы космической информации в каталогах изображений измеряются терабайтами и продолжают возрастать. Поэтому основное внимание исследователей уделяется алгоритмам поиска изображений по содержанию (Content Based Image Retrieval, CBIR), позволяющим автоматизировать процесс построения индекса.

Задача поиска изображений по визуальным характеристикам является частью задачи поиска изображений в целом, которая, в свою очередь, является частью обширного процесса, называемого информационным поиском [3].

Термин «информационный поиск» был введён в 1948 году Кельвином Муром. Согласно [5], информационный поиск — это процесс выявления в некотором множестве документов всех таких, которые соответствуют указанной теме, удовлетворяют заранее определённому условию поиска и содержат необходимые данные.

Задача поиска изображений как часть задачи информационного поиска стала актуальной в последние несколько десятилетий, в особенности с развитием и ростом популярности сети Интернет.

На сегодняшний день не существует единого подхода к решению задачи поиска изображений по визуальным характеристикам. За последние несколько десятилетий были опубликованы тысячи работ в данной области, но, несмотря на это, задача поиска изображений остаётся актуальной до сих пор. Это можно объяснить сложностью данной задачи, обусловленной в первую очередь сложностью механизма зрительного восприятия человека. Основной проблемой в данной области является «семантический разрыв» между низкоуровневым содержанием изображения, которым оперирует система, и семантикой изображения, необходимой пользователю. Также определённую сложность представляет необходимость работы с большими массивами многомерных данных - векторами признаков, вычисляемых для описания каждого изображения. Можно выделить следующие основные направления исследований в данной области:

• , выделение признаков изображений. Поиск различных способов описания изображений и их сравнение между собой. В рамках данного направления предлагаются всё новые виды векторов признаков и способы их вычисления, а также новые метрики, заданные на пространстве этих векторов;

• многомерное индексирование. Разработка алгоритмов многомерного индексирования, подходящих для задач содержательного поиска изображений, для которых характерна высокая размерность и большие объёмы индексируемых данных;

• проектирование систем поиска. Важной особенностью любой системы является её эргономичность — удобство работы с ней для пользователя. Ввиду сложности систем содержательного поиска изображений этот параметр играет особую роль [5].

Однако данное ограничение можно было бы преодолеть при помощи методов поиска, основанных на процессах, происходящих в нервной системе человека при визуальном восприятии объектов окружающего мира. В настоящей работе мы предложили такую модель, в основе которой лежит предположение о том, как проходит процесс зрительного восприятия человека на его начальном этапе.

Решаемая проблема. Проблема математического описания пространственного распределения и взаимосвязи яркости элементов космических снимков природных и урбанизированных территорий с целью выделения и классификации объектов на земной поверхности.

В диссертационной работе развивается новый подход к поиску и анализу изображений, основанный на модели «эскиза» текстурных образцов. Этот подход позволил ответить на следующие вопросы, связанные с проблемой содержательного поиска изображений:

- как построить набор информативных признаков, которые описывают визуальное содержание кусочно-однородных образцов искомых естественных объектов поиска;

- как найти и выделить искомый естественный объект по заданному визуальному образцу на космических снимках различного разрешения;

- как выделить значимые структуры визуально-однородных образцов для автоматического создания аннотаций космических изображений;

- как построить алгоритмическое обеспечение для создания эффективной системы поиска и выделения объектов по заданному визуальному образцу.

Практическая значимость поставленных теоретических проблем и необходимость создания эффективных программных средств поиска и обработки в базах данных изображений различного разрешения обуславливают актуальность данного диссертационного исследования.

Цель работы. Разработка математических моделей, алгоритмов и программ анализа спектров яркости изображений с использованием моделей марковского случайного поля с гиббсовским распределением вероятностей (МСП/ГРВ), учитывающих устойчивость пространственно-яркостных характеристик, и их применение для обработки космических снимков природных и урбанизированных территорий высокого и сверхвысокого разрешения.

В соответствии с поставленной целью решались следующие задачи:

1. Анализ взаимосвязей пространственных характеристик и возможностей повышения эффективности алгоритмов обработки изображений на основе МСП/ГРВ-моделей;

2. Разработка алгоритмов идентификации параметров МСП/ГРВ-моделей для многозональных снимков высокого и сверхвысокого разрешения;

3. Формирование признаковых пространств, адекватных зрительному восприятию объектов на космических снимках высокого разрешения для природных и урбанизированных территорий;

4. Разработка программной системы анализа и обработки изображений с целью поиска и визуализации.

Объектом исследования является пространственное распределение спектральных яркостей на панхроматических и многозональных изображениях, а также пространственные корреляции яркостей и их соотношения с ландшафтными характеристиками природных и урбанизированных территорий.

Предмет исследования: математическое моделирование пространственных характеристик спектральных яркостей с помощью МСП/ГРВ-моделей и их применение для поиска и выделения объектов на космических снимках высокого и сверхвысокого разрешения.

Методы исследования. Для решения поставленных в диссертационной работе задач использовались следующие методы и подходы: теория цифровой обработки и методы анализа изображений; системный анализ; методы математической статистики; теория случайных полей; методы линейной алгебры; текстурный анализ; методы контекстного поиска изображений, а также технология создания прикладных программных систем.

Достоверность полученных результатов подтверждается совпадением результатов автора с данными других исследователей, полученных в результате тестирования на известных объектах (текстурах Бродатца), а также результатами вычисления характеристик точности и полноты результатов поиска в каталогах изображений.

Научная новизна:

1. Предложен новый метод выделения объектов на снимках природных и урбанизированных территорий высокого и сверхвысокого разрешения, основанный на использовании МСП/ГРВ-модели при формировании признаковых пространств.

2. Разработан и программно реализован новый алгоритм обработки изображений высокого и сверхвысокого разрешения для выделения на них однородных участков.

3. Впервые программно реализован метод формирования признаковых пространств крупномасштабных изображений, опробованный для различных видов растительности.

На защиту выносятся следующие положения:

1. Новый принцип построения информативных признаков визуально-однородных образцов естественных объектов, основанный на свойствах марковского случайного поля с гиббсовским распределением вероятностей, используемых в качестве основы для построения модели.

2. Разработанные алгоритмические средства анализа изображений высокого и сверхвысокого разрешения и выделения искомых участков в построенном пространстве признаков.

3. Результаты работы алгоритма выделения участков на кусочно-текстурных изображениях при выделении видового состава растительности.

Практическая значимость исследования. Разработанный в диссертации подход даёт возможность осуществлять эффективный поиск и выделение визуально схожих однородных участков земной поверхности на космических снимках.

Полученные результаты имеют важное практическое значение для автоматического создания аннотаций космических изображений и метаданных для каталогов космических снимков.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: международная конференция "ENVIROMIS" (Томск, 2006г.); российско-китайский семинар «Геоинформационное обеспечение устойчивого развития

Большого Алтая» (2006г.); международная конференция "Современные методы математического моделирования природных и антропогенных катастроф" (Барнаул, 2007); конференция молодых ученых ИВЭП СО РАН (Барнаул, 2007); совместный семинар по тематическому анализу и обработке снимков высокого разрешения (ГИС-центр ОИГГиМ и ЦБС СО РАН, 2008 г).

Внедрение. Метод, предлагаемый в данной работе, используется для классификации видового состава растительного покрова на космических снимках высокого разрешения в ГИС-центре ОИГГиМ (г. Новосибирск).

Объём и структура диссертации. Диссертация состоит из введения, трех глав, заключения и списка литературы. Полный объем работы составляет 124 страниц машинописного текста, включая 13 рисунков, 13 таблиц; библиография - 100 наименований.

3.5. Выводы по главе 3

В результате проведения поиска в каталоге изображений, содержащих однородные текстуры из альбома Бродатца, поиска по каталогу текстур естественных объектов, полученных с космических снимков, выделения однородных текстурных участков на космических снимках и анализа полученных результатов на каждом из перечисленных этапов были сделаны следующие выводы.

1. Предлагаемый метод поиска в каталогах космических изображений обеспечивает высокую степень точности и релевантности поиска по коллекциям космических снимков высокого (10-1 м) и сверхвысокого (менее 1 м) разрешения. Анализ изображения на основе эскиза текстурного образца при правильном подборе необходимых параметров (размер окна поиска) даёт для таких космоснимков высокие результаты - по каждому классу натуральных текстур алгоритм давал результат с точностью от 85 до 100%. Это же можно сказать и о результатах сегментации снимков высокого и сверхвысокого разрешения с использованием рассматриваемого метода - по сравнению с результатами ручной классификации погрешность результатов составляет от 0 до 2%.

2. При анализе космических снимков среднего и низкого разрешения предлагаемый метод показывает меньшую точность поиска и сегментации изображений. Это связано, прежде всего, с особенностями визуально-информационной структуры таких снимков, обусловленными разрешением сенсора спутника. Данную проблему можно решить путём повторного обучения программы поиска всем текстурным образцам, характеризующим в своей совокупности весь искомый объект анализируемого изображения.

ЗАКЛЮЧЕНИЕ

Подводя итог проведённым теоретическим и экспериментальным исследованиям, можно сделать следующие выводы по полученным результатам.

1. Предложена и исследована новая модель эскиза однородного текстурного образца. Предлагаемая модель основана на нахождении значимых клик анализируемого изображения. В данной работе показано, что эскиз текстуры на основе значимых клик является математическим представлением гипотезы Марра о структуре визуального восприятия.

2. Разработан и программно реализован метод анализа однородных изображений на основе предложенной модели. Метод заключается в нахождении значимых клик однородного текстурного изображения и формировании на их основе специальной совокупности элементов изображения, называемой эскизом однородной текстуры. Данный эскиз является в некотором смысле атомарным элементом анализируемой однородной текстуры, отражающим её визуальное содержание. Таким образом, результатом работы данного метода является формализованное описание однородного текстурного изображения, коррелирующее с важнейшими предположениями о свойствах и законах визуального восприятия. Модель эскиза однородной текстуры позволяет выполнять на следующих этапах такие действия, как выделение определённого текстурного участка на кусочно-однородном изображении и сегментацию изображения на непересекающиеся текстурные участки.

3. Разработан и программно реализован алгоритм выделения искомых участков. Алгоритм основан на сравнении значимых клик участков изображения заданной размерности, называемых окнами анализа. Участки, имеющие одинаковые значимые клики, считаются принадлежащими к одному классу. В противном случае участки считаются принадлежащими разным классам текстур. Достоинствами данного алгоритма является простота, лёгкость программной реализации и малые затраты расчётных ресурсов рабочей станции. В процессе тестирования работа алгоритм продемонстрировал точность выделения однородных текстурных участков искусственных коллажей и космических снимков.

4. Предложено использовать взвешенную меру количественной оценки близости текстурных образцов в пространстве признаков, построенных с применением структурно-яркостных характеристик эскизов образцов. В ходе экспериментов по подбору меры количественной оценки близости текстурных образцов наиболее приемлемым было признано взвешенное евклидово расстояние. Необходимость применения взвешенной меры оценки близости обусловлена возможностью применения предлагаемого алгоритма сегментации для анализа космических снимков различного разрешения. Чем ниже разрешение анализируемого снимка, тем большая степень корректировки весовых коэффициентов требуется для проведения анализа.

5. Создана оригинальная программная система, в которой реализован разработанный в диссертации метод поиска в каталогах кусочно-текстурных изображений. Система состоит из двух основных программных модулей: модуля вычисления значимых клик изображения и модуля сегментации изображения на однородные текстурные участки. Первый модуль позволяет вычислить и визуализировать значимые клики введённой однородной текстуры. Второй модуль на основе выходных данных первого модуля производит сегментацию введённого изображения, выделяя на нём введённую на первом этапе искомую однородную текстуру.

Таким образом, разработан перспективный единообразный подход к поиску и анализу космических изображений, имеющий значительные преимущества перед существующими подходами, использующими низкоуровневые характеристики объектов и массу их модификаций. Использование предлагаемого подхода позволяет автоматизировать создание аннотаций в каталогах космических изображений, используемых при решении задач дистанционного экологического мониторинга природных объектов.

1. Адамар Ж. Задача Коши для линейных уравнений с частными производными гиперболического типа. - М.: Наука, 1978. - 351 с.

2. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989, 608 с.

3. Байгарова Н.С., Бухштаб Ю.А., Евтеева Н.Н. Электронная библиотека документальных видеоматериалов // www.elbib.m/mdex.phtml?page=elbib/rus/journal/1999/part2/baigarova

4. Белан С.М., Моторнюк Р.Л. «Сегментация изображений в однородных клеточных автоматах» // http://www.vstu.edu.Ua/ies2000/doclad/d/307.htm

5. Васильева Н. Методы поиска изображений по содержанию // http://svnthesis.ipi.ac.ru/sigmod/seminar/s20071129.

6. Гимельфарб Г.Л.,Залесный А.В. Модели марковских случайных полей в задачах генерации и сегментации текстурных изображений // Средства интеллектуализации кибернетических систем. — Киев: Институт кибернетики им.В.М.Глушкова АН Украины, 1989. С. 2736.

7. Гимельфарб Г.Л., Залесный А.В. Цифровая обработка изображений, представленных моделями марковских случайных полей // Киев: Институт кибернетики им.В.М.Глушкова АН Украины. Препринт, 1991.

8. Дерин Х.,Келли А.П. Случайные процессы марковского типа с дискретными аргументами // ТИИЭР: Тр. Ин-та инженеров по электронике и радиоэлектронике, т. 77, N10,1989 С.42 -72.

9. Ю.Джайн А.К. Успехи в области математических моделей для обработки изображений // ТИИЭР: Тр. Ин-та инженеров по электронике и радиоэлектронике, т. 69, N5, 1981. С.9-39.

10. Замятин А.В., Марков Н.Г. Непараметрическая классификация аэрокосмических изображений с использованием набора текстурных признаков // Исследования Земли из космоса, №1, 2006. С.25-34.

11. Казаков В.А. Метод Монте-Карло в квантовой теории поля: эксперимент без ускорителя // Эксперимент на дисплее: первые шаги вычислительной физики. -М.: Наука, 1989. С.45-96.

12. Кёлер В. Некоторые задачи гештальтпсихологии. Хрестоматия по истории психологии. М., 1980. - С. 102-112.

13. Ковалевская Н.М., Боенко К.А. Оценка характеристик запросов для содержательного поиска в базах данных космических изображений // Вычислительные технологии, т. 13, №2, 2008 г. С. 53-69.

14. Кошкарев А.В. Анализ международного опыта состава и механизмов актуализации БПД национальных ИПД // Пространственные данные, №1,2006 год.-С. 19-29.

15. Кошкарёв А.В. Отзыв на проект Концепции Федеральной целевой программы "Разработка и создание инфраструктуры пространственных данных Российской Федерации в 2008-2015 годах" // http://www.pryroda.gov.ua/ru/

16. Кудашев Е.Б., Филонов А.Н. Электронная библиотека спутниковых данных и развитие информационной инфраструктуры для доступа к космической информации // www.elbib.ru/index.phlml?page=elbib/ms/journal/2005/part6/KF

17. Кук Д., Бейз Г. Компьютерная математика. М., Наука, 1990.

18. Курилин И.В. Двухэтапные алгоритмы фильтрации и сегментации цветных изображений. Автореферат на соискание учёной степени кандидата технических наук. Новосибирск, 2006.

19. Лукьяненко Д.Н. Классификация земных покровов по радиолокационным изображениям на основе методов статистического текстурного анализа. Автореферат на соискание учёной степени кандидата технических наук. Барнаул, 2000 г.

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

21. Миллер С. Концепция российской инфраструктуры пространственных данных // http://www.gisa.ru

22. Неберт Д. Каталоги пространственных данных: поисковые системы // Пространственные данные, №1, 2006. С.15-18.

23. Террайен Ч.У., Куатьери Т.Ф., Даджон Д.Е. Алгоритмы анализа изображений, основанные на статистических методах // ТИИЭР: Тр. Института инженеров по электротехнике и радиоэлектронике. — т. 74, №4,1986.-С. 4-25.

24. Тикунов B.C. Геоинформатика. М.: Академия, 2005. 480 с.

25. Ту, Дж., Гонсалес, Р. Принципы распознавания образов. М.: Мир, 1978. -414 с.

26. Фукунага К. Введение в статистическое распознавание образов. М.: Наука, 1979.-368 с.

27. Харалик P.M. Статистический и структурный подходы к описанию текстур // ТИИЭР: Тр. Ин-та инженеров по электротехнике и радиоэлектронике. Т.67(5), 1979. - С.98-20.

28. Ясницкий JI.H. Введение в искусственный интеллект. М. издательский центр «Академия», 2005. 176 с.35.ADL,http://www.alexandria.ucsb.edu/gazetteer/FeatureTypes/ver070302/top.htm

29. Amadasun М., King R. Textural features corresponding to textural properties // IEEE Transactions on Systems, Man and Cybernetics. — Vol.19, N 5,1989. P.1264-1274.

30. Bajcsy R.K. Computer Identification of Textured Visual Scene // A.I.Lab., Stanford Univ., Palo Alto, CA, Memo, AIM-180, 1972.

31. Brian McLeod «Доступ и получение пространственных данных» // Пространственные данные, №1, 2006. С.6-14.

32. Brodatz P. Texture: a Photographic Album for Artists and Designers. New York: Dover, 1966.

33. Chen, Y., Wang, J.Z. A Region-Based Fuzzy Feature Matching Approach to Content-Based Image Retrieval // IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 24, N 9,1986. - Pp. 1252-126.

34. Cross G.R.,Jain A.K. Markov Random Fields Texture Models // IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol.PAMI-5, N 1,1983. - Pp. 25-39.

35. Derin H.,Cole W.S. Segmentation of Textured Images Using Gibbs Random Fields // Comp.Vis.,Graphics, Image Proc. vol.35, N1, 1989. -Pp.72-98.

36. Derin H., Elliot H. Modelling and Segmentation of Noisy and Textured Images Using Gibbs Random Fields // IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol.PAMI-9, N1,1987. - Pp.39-55.

37. Eden W.M. Ma, Tommy W.S. Chow. A new Shifting grid clustering algorithm // Pattern Recognition, #37, 2004.

38. Emelianov G.V., Krechetova T.V., Kurashova E.P. Tree grammars in the problems of searching for images by their verbal descriptions // Pattern recognition and image analysis. Vol. 10, #4, 2000. - Pp. 520-526.

39. ERDAS Field Guide, 7th Edition. Leika Geosystems GIS and Mapping LLC, Atlanta, Georgia, 2003.

40. Faugeras O.D. Decorrelation Methods of Texture Feature Extraction // IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol.PAMI-2, N 4, 1980. - Pp.323-332.

41. Flickner M., H. Sawhney, W. Niblack, J. Ashley, Q. Huang, B. Dom et al. Query by Image and Video Content: The QBIC System // IEEE Computer, vol. 28, # 9,1995.

42. Frailis M. Data Management and Mining in Astrophysical Databases. Univercity of Udine, 2004.

43. Geman S., Geman D. Stochastic Relaxation, Gibbs Distributions and Bayesian Restoration of Images // IEEE Transact. Pattern Anal. And Machine Intell. V.6,1984. - pp. 721-741.

44. Gimel'farb G.L. Gibbs Random Fields and Compound Bayesian Decision at the Lower Level of Digital Image Processing // Pattern Recognition and Image Analysis: Advances in Math.Theory and Application in the USSR. Vol.1, N1,1991. - Pp.76-86.

45. Gimel'farb G.L.,Zalesny A.V. Markov Random Fields with Short- and Long-Range Interaction for Modellig GrayScale Textured Images // Proc. 5th Int. Conf. on Сотр. Anal, of Images and Patterns(CAIP'93). Budapest, Hungary, 1993. - P.275-282.

46. GimePfarb G.L. Texture Modeling by Multiple Pairwise Pixel Interaction // IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.18, #11, 1996.

47. Gimel'farb G.L., Zalesny A.V. Low-level Bayesian Segmentation of Piecewise-Homogeneous Noisy and Textured Images // Int. J. of Imaging Systems and Technology. Vol.3. - #3,1991. - p.227-243.

48. Gimel'farb G. Image Textures and Gibbs Random Fields. Kluwer Academic Publishers. Dordrecht, 1999. 250 p.

49. Hadamard J. Lectures on Cauchy's Problem in Linear Partial Differential Equations . New York: Dover, 1952. 320p.

50. Hassner M.,Sklansky J. The Use of Markov Random Fields as Models of Texture // Comp.Vis.,Graphics, Image Proc. vol.12, 1980 -Pp. 357-370.

51. Jain A., Robert P.W.Duin, Jianchang Mao. Statistical Pattern Recognition: A Rewiew // IEEE Transaction On Pattern Analysis And machine Intelligence, Vol. 22, #1, 2000.

52. Jain A., Zongker D. Feature Selection: Evaluation, Application and Small Sample Performance // IEEE Transact. Pattern Anal. And Machine Intell. -V.19, #2,1997. Pp. 153-158.

53. Julesz B. Textons, the elements of texture perception, and their interaction // Nature, Vol. 290,1981.

54. Kamath Ch., S. Sengupta, D. Poland, J. Futterman. On the use of machine vision technics to detect human selllements in satellite images // Images Processing: algorithms and systems IISPIE Electronic Images, Santa Clara, CA, January 2003.

55. Kelly P. M., Michael Cannon, Donald Hush. Query by image example: the CANDID approach.

56. Kovalevskaya N. Gibbs Model of Image As a Tools for Thematic Analysis. Pattern Recognition and Image Analysis. Vol.9, N.2, 1999. - P.282-285.

57. Kovalevskaya N. Landscape Indication Based on Stochastic Relaxation // From Laboratory Spectroscopy to Remotely Sensed Spactra of Terrestrial Ecosystems. Kluwer Academic Publishers, 2002. Pp.121-147.

58. Li C.-T., Chiao, R. Multiresolution genetic clustering algorithm for texture segmentation // Image And Vision Computing, #21, 2003.

59. Li, J., Wang J., Wiederhold G., IRM: Integrated Region Matching for Image Retrieval // http://infolab.stanford.edU/IMAGE/SDimplicity/ACM00.l/li/

60. Liu F., Picard R.W. Periodicity, directionality and randomness: world features for images modeling and retrieval // IEEE Trans. On PAMI. Vol. 18, #7,1996. - Pp. 722-733.

61. Ma W.Y., B.S. Manjunath. Texture-Based Patten Retrieval from Image Databases 11 In Journal Of Multimedia Tools And Aoolications. Vol.2, #1,1996. Pp. 35-37.

62. Manjunath B.S., P. Wu, S. Newsam, H.D. Shin. A texture descriptor for browsing and similarity retrieval // Department of Electrical and Computer Engineering, University of California, Santa Barbara, CA 93106-9560, USA, 2000.

63. Manjunath M. W. Texture Features and Learning Similarity // Proc. IEEE International Conference on Computer Vision and Pattern Recognition. -San Francisco, 1996. Pp. 425-430.

64. Marroquin J., Mitter S., Poggio T. Probabilistic solution of ill-posed problems in computational vision // J. Amer. Statist. Assoc. Vol. 82, N 397,1997. Pp. 76-80.

65. Michael S. Landy, Norma Graham. Visual Perception Of Texture, 2002.

66. Pietikainen M., Tomi Nurdela, Topi Maenpaa, Markus Turtinen. View-based recogninion of real-world texture // Pattern Recognition, #37, 2004.

67. Portilla J., Simoncelli J. A paremetric texture model based on joint statistics of complex wavelet coefficients // International Journal of Computer Vision #40(1), 2000.

68. Rui Y., Huang T. S., Chang S.-F. Image Retrieval: Current Techniques, Promising Directions and Open Issues, 1999.

69. Sciascio E. Di, G. Piscitelli, A. Celentano. Textural Features and RelevanceFeedback for Image Retrieval Proc. IEEE International

70. Conference on Computer Vision and Pattern Recognition. San Francisco, 1996. - Pp. 440-458.

71. Sclaroff S. Deformable Prototypes for Encoding Shape Categories in Image Database // Pattern Recognition 30(4), 1997.

72. Sclaroff S. World Wide Web Image Search Engines // Boston University Computer Sciense Dept., Cambridge, 1995.

73. Sclaroff S., Alex Pentland. Search By Shape Examples: Modeling Nonrigid Deformation // Boston University Computer Sciense Dept., 1995.

74. Smith T. R. A Digital Library for geographically referenced materials // Digital Library Initiative, California, USA, 1996.

75. Sporns O., Tononi G. Classes of Network Connectivity and Dynamics // Complexity. Vol.7, No.l, 2001. - Pp.28-38.

76. Szirany Т., Marton Csapodi. Texture Classification and segmentation by cellular neural networks using genetic learning // Computer Vision and Image Understanding. Vol.71, #3,1998. - Pp. 255-270.

77. Tamura H., Mori, S. Yamawaki, T. Textural features corresponding to visual perception // IEEE Transactions on Systems, Man, and Cybernetics SMC-8. Vol.6, 1978. - Pp. 460-473.

78. Taycher J. I., Cascia M., S. Sclaroff. Image Digestion and Relevance Feedback in the ImageRover WWW Search Engine // Proc. Visual'97, San Diego, 12/97,1997.

79. Vailaya A., Jain A., Hong Jiang Zhang. On Image Classification: City Images vs. landscapes.

80. Therrien C.W. An Estimation-Theoretic Approach to Terrain Image Segmentation // Comp.Vis., Graphics, Image Proc. Vol.22, 1983. -Pp.313-326.

81. Veltkamp R. C., Mirela Tanase. Content-based Retrieval Systems: A Survey // Technical Report UU-CS-2000-34, Utrecht University, 2002.

82. Vilarino D.L., D. Cabelo, X.M. Pardo, V.M. Brea. Cellular neural networks and active contours: a tool fro image segmentation // Image And Vision Computing, #21, 2003.

83. Wang J. Z., Wiederhold G. SIMPLIcity: Semantics-Sensitive Integrated Matching for Picture Libraries // IEEE Trans. On Pattern Analysis and Machine Intellegience, vol. 23, #9,1999. Pp. 947-963.

84. Wang W., Yuqing Song, Aidong Zhang. Semantics Retrieval by Content and Context of Image Regions // Computer Vision and Image Understanding. -Vol.72, #3,1999. Pp. 265-280.

85. Weszka J.S.,Dyer C.R.,Rosenfeld A. A Comparative Study of Texture Measures for Terrain Classification // IEEE Transactions on Systems, Man and Cybernetics. Vol.SMC-6, N4,1976. - Pp.269-285.

86. Yellot J. I. Implications of triple correlation uniqueness for texture statisticsand the Julesz conjecture, 1992.

87. Zhang W., Swen Dickinson, Stan Sclaroff, Jacob Feldman, Stanley Dunn. Shape-based Indexing in a Medical Image DB.

88. Zhaoping L. Visual segmentation by contextual influences via intra-cortical interactions in the primary visual cortex // Comput. Neural Systems №10, 1999.

89. Zhou S., Volker Krueger, Rama Chellappa. Probabilistic Recognition Of Human Faces from Video, 2002.