автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Моделирование и структурно-цветовой анализ графических изображений

На правах рукописи

{

I _ _

ТЕЛЕГИКА. Марианна Викторовна

УДК 519.876.5+004.94+004.932.2

МОДЕЛИРОВАНИЕ И СТРУКТУРНО-ЦВЕТОВОЙ АНАЛИЗ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ

Специальности:

05.13.18 - Математическое моделирование, численные методы и комплексы программ 05.13.01 - Системный анализ, управление и обработка информации (машиностроение и вычислительная техника)

I

I

I

Автореферат диссертации на соискание ученой степени кандидата технических наук

Ижевск 2006

Работа выполнена в Физико-техническом институте (ФТИ) УрО РАН и ГОУ ВПО «Ижевский государственный технический университет» (ИжГГУ)

Научные руководители;

Доктор технических наук, профессор Мурынов А.И.

Заслуженный изобретатель Российской Федерации, доктор технических наук, профессор Лялин В.Е.

Официальные оппоненты:

Заслуженный деятель науки УР,

доктор технических наук, профессор Колодкин В.М.

Заслуженный деятель науки УР,

доктор технических наук, профессор Гитлин В.Б.

Ведущее предприятие: Московский государственный технологический университет «Станкин»

Защита состоится 21 апреля 2006 года в 15 часов

на заседании диссертационного совета Д 212.065.04

в ИжГТУ по адресу: 426069, г. Ижевск, ул. Студенческая, 7, корпус 1-4.

Отзыв на автореферат, заверенный гербовой печатью, просим выслать по указанному адресу.

С диссертацией можно ознакомиться в библиотеке ИжГТУ. Автореферат разослан 20 марта 2006 г.

Ученый секретарь диссертационного совета, доктор технических наук, профессор

Б.Я. Бендерский

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы. Быстрое распространение новых технологий в различных областях применения в значительной степени обусловлено практически неограниченными возможностями современных компьютеров, обеспечивающих высокую скорость обработки больших объемов информации и недоступные ранее графические возможности. Однако чрезвычайно большая информационная емкость таких объектов как изображения вызывает необходимость использования больших ресурсов компьютера. В то же время значительная часть прикладных задач обработки информации и анализа данных связана с изображениями. Это обусловлено с одной стороны использованием новых технических средств, представляющих информацию в виде изображений, с другой стороны - развитием методов распознавания изображений в качестве мощной и практической методологии математической обработки и анализа информации.

Поскольку конечной целью автоматизированной обработки данных является их интерпретация, то в задачах распознавания изображений обнаружение и определение характеристик их структурных элементов является обязательной составной частью при решении задач распознавания изображенных объектов и образуемых ими пространственных структур. Эффективность решения задачи анализа структурных элементов изображения является определяющей для получения полных и точных описаний пространственной структуры изображений.

Разработке эффективных моделей структуры изображений и методов их обработки и анализа уделено большое внимание в работах отечественных и зарубежных ученых: Журавлева Ю.И., Лебедева Д.С., Ярославского Л.П., Ковалевского В.А., Васина ЮГ., Бонгарда М.М., Файна B.C., Цуккермана И.И., Мучника И.Б., Розен-фельда А., Прэтта У., Фу 1С, Стокхэма Т., Марра Д., Харалика Р.М., Павлидиса Т., Нарасимхана Р. и др. Однако достигнутые в настоящее время результаты не решают в полной мере проблему эффективного анализа структуры изображений. Это связано с целым рядом причин, среди которых можно указать на недостаточную определенность объективных критериев обнаружения и распознавания структурных элементов изображений. Неопределенность критериев связана с применением локальных (недостаточно помехоустойчивых) методов обнаружения элементов и эвристическим характером процедур учета пространственных контекстуальных взаимосвязей между образующими их точками. При анализе многоцветных изображений возникает проблема совмещения результатов анализа отдельных цветовых слоев. При раздельном анализе по цветовым слоям эта проблема не имеет корректного решения, т.к. характер корреляций между слоями может быть различным не только на различных изображениях, но и на различных участках одного изображения, что исключает возможность полноценного учета цветового контекста при распознавании структурных элементов. Таким образом, задача разработки эффективного метода анализа пространственной структуры изображений, обеспечивающего компенсацию непомехоустойчивости локальных методов обнаружения структурных элементов и одновременный учет их пространственного и цветового контекста продолжает сохранять свою актуальность.

Целью работы является моделирование и структурно-цветовой анализ графических изображений на основе кластерного mm iff и ми мм i шатии гтутггт'тттг'

ос. национальная/ библиотека i

ггччй*

элементов изображения и значений его цветовых компонент, применение которого качественно расширит возможности решения практических задач распознавания и обработай графических изображений.

Для достижения поставленной цели в работе решаются следующие задачи:

- определение свойств, характеристик и факторов воспроизведения графических изображений, учитывающих план их построения, цветотоновые шкалы и искажающие факторы их формирования;

- разработка динамической экстентной кластерной модели графического изображения, описывающей процессы формирования кластеров структурных элементов изображений и динамических межкластерных переходов в пространствах структурных параметров и цветовых компонент элементов изображений;

- экспериментальное исследование процессов формирования цветовых кластеров структурных элементов изображений и динамических межкластерных переходов в пространстве цветовых компонент,

- экспериментальное исследование процессов формирования структурных кластеров структурных элементов изображений и динамических межкластерных переходов в пространстве структурных параметров;

- анализ разделимости структурных и цветовых кластеров и разработка метода разделения экстентов кластеров структурных элементов изображений;

- разработка метода структурно-цветового анализа изображений, реализующего совместное использование результатов адаптивного цветотонового и центроид-ного преобразований изображений на основе единой схемы кластерного анализа, обеспечивающего высокую достовджость результатов анализа при локализации и оценке структурных элементов изображений;

- разработка средств учета и компенсации искажающих факторов воспроизведения графических изображений на основе метода структурно-цветового анализа графических изображений;

- разработка технологии и алгоритмов обработки графической информации, реализующих структурно-цветовой анализ изображений;

- проведение экспериментальных исследований разработанных средств и методов для оценки их эффективности и возможностей использования в системах обработки и анализа графической информации.

Объектом исследования являются: графические изображения, получаемые на различных стадиях процесса их воспроизведения, их пространственно-структурные и графические свойства и характеристики, кластеры структурных элементов изображений и динамические межкластерные переходы в пространствах структурных параметров и цветовых компонент элементов изображений, адаптивное цветотоно-вое и центроидное преобразования изображений.

Предметом исследования являются методы моделирования, анализа и распознавания изображений; структурно-цветовой анализ графических изображений, технологии, алгоритмы и программные средства обработки графической информации.

Методы исследования. В работе применялись теоретические и экспериментальные метода исследования. Теоретические исследования основаны на использовании теории вероятностей, математической статистики, теории статистических

решений, методов обработки и анализа изображений, методов распознавания образов. В экспериментальных исследованиях использовались статистические методы обработки данных, методы моделирования и анализа пространственных структур, методы кластерного анализа, основы цифровой обработки изображений, методы распознавания многозональных изображений.

Достоверность и обоснованность полученных в работе результатов и выводов подтверждается экспериментальными исследованиями, опытом практической реализации технологии, алгоритмов и программ обработки графической информации, научными трудами и апробациями результатов работы на представительных научных форумах, а также сравнительным анализом с известными результатами современных исследований и разработок.

Теоретические положения, установленные в работе, математические модели и алгоритмы обработки графических изображений, основанные на теории вероятностей и математической статистике, методах кластерного анализа и обработки данных, обосновываются адекватностью выбора исходных посылок и последовательным применением аппарата математических выводов для получения аналитических выражений.

Достоверность экспериментальных результатов обеспечена их согласованностью с теоретическими выводами, большим объемом экспериментального материала, хорошей воспроизводимостью экспериментальных данных и практическим использованием разработанной технологии обработки графической информации.

На защиту выносятся результаты разработки модели и метода анализа графических изображений, учитывающих воздействие искажающих факторов воспроизведения изображений, а также разработки технологии и алгоритмов обработки графической информации, реализующих структурно-цветовой анализ изображений, в том числе:

- анализ свойств и характеристик воспроизведения графических изображений, учитывающих искажающие факторы их формирования;

- динамическая экстентная кластерная модель графического изображения, описывающая процессы формирования кластеров структурных элементов изображений и динамических межкластерных переходов в пространствах структурных параметров и цветовых компонент элементов изображений;

- результаты экспериментального исследования процессов формирования цветовых и структурных кластеров структурных элементов изображений и динамических межкластерных переходов в пространствах цветовых компонент и структурных параметров;

- результаты анализа разделимости структурных и цветовых кластеров и разработка метода разделения экстентов кластеров структурных элементов изображений основе диаграмм и матриц различения кластеров;

- метод структурно-цветового анализа изображений, реализующий совместное использование адаптивного цветотонового и центроидного преобразований изображений на основе единой схемы кластерного анализа, обеспечивающий высокую достоверность результатов анализа при локализации и оценке структурных элементов изображений;

- результаты разработки средств учета и компенсации искажающих факторов воспроизведения графических изображений на основе метода структурно-цветового анализа графических изображений;

- технология и алгоритмы обработки графической информации, реализующие структурно-цветовой анализ изображений;

- результаты экспериментальных исследований разработанных средств и методов для оценки их эффективности и возможностей использования в системах обработки и анализа графической информации.

Научная новизна полученных результатов определяется впервые проведенными исследованиями, в результате которых разработаны модель и метод анализа графических изображений, основанные на кластеризации значений структурных параметров и цветовых компонент структурных элементов изображений, а также созданы реализующие разработанный метод технология и алгоритмы обработки изображений, что вносит существенный вклад в решение задач построения систем обработки и анализа графической информации, в ходе которых:

- разработана динамическая экстентная кластерная модель графического изображения, описывающая процессы формирования кластеров структурных элементов изображений и динамических межкластерных переходов в пространствах структурных параметров и цветовых компонент элементов изображений;

- исследованы процессы формирования цветовых и структурных кластеров структурных элементов изображений и динамических межкластерных переходов в пространствах цветовых компонент и структурных параметров;

- разработан метод разделения экстентов структурных и цветовых кластеров структурных элементов изображений основе диаграмм и матриц различения кластеров;

- разработан метод структурно-цветового анализа изображений, реализующий совместное использование адаптивного цветотонового и центроидного преобразований изображений на основе единой схемы кластерного анализа, обеспечивающий высокую достоверность результатов анализа при локализации и оценке структурных элементов изображений;

- на основе метода структурно-цветового анализа графических изображений предложены средства учета и компенсации искажающих факторов воспроизведения графических изображений;

- предложены и обоснованы технология и алгоритмы обработки графической информации, реализованные при выполнении экспериментальных исследований, результаты которых позволили определить условия эффективности и возможностей использования разработанных средств и методов в системах обработки и анализа графической информации.

Практическая ценность работы заключается в применении новых эффективных моделей и методов анализа графических изображений.

Предложенная новая динамическая экстентная кластерная модель цветного графического изображения позволила разработать научно обоснованные критерии разделимости кластеров в пространстве цветовых компонент и пространственно-структурных параметров, выработать решающие правила распознавания структурных элементов и цветовых компонент изображения и, на этой основе, разработать

методику структурно-цветового анализа цветных графических изображений. Применение разработанной методики повышает эффективность анализа пространственной структуры цветных изображений для использования в системах обработки и анализа графической информации.

На основе проведенных теоретических и экспериментальных исследований даны практические рекомендации по определению параметров обработки изображений, исходя го геометрических характеристик структурных элементов и их взаимного расположения, и применению цветохорректирующих преобразований с учетом шумов и искажающих факторов воспроизведения цветных графических изображений. Предложены эффективная вычислительная схема и быстрый алгоритм обработки данных. Проведен анализ возможностей и получены оценки эффективности разработанных средств и методов обработки и анализа графической информации. Установлено, что разработанный метод структурно-цветового анализа графических изображений, а также реализующие этот метод технология, алгоритмы и программы обработки графической информации позволяют добиться высокой достоверности результатов анализа при локализации и оценке структурных элементов изображений.

Реализация и внедрение работы. Полученные результаты использованы и апробированы для опытно-производственной эксплуатации системы обработки графической информации в Тульском филиале ОАО «ЦенгрТелеком». Созданные программные средства обработки графической информации позволили повысить эффективность передачи графической информации по цифровым каналам связи телекоммуникационных систем.

Основные научные результаты данной работы получены в рамках бюджетной научной темы «Разработка математических моделей пространственной структуры изображений, методов их анализа и распознавания на основе центроидного преобразования» № ГР 01.2.00 3 05808 в Физико-техническом институте УрО РАН 2003г.

Апробация работы. Основные результаты работы докладывались и обсуждались: на 5-ой Российской Университетско - академической научно-практической конференции (Ижевск, 2001); на Международной научно-технической конференции «Информационные технологии в инновационных процессах» (Ижевск, 2003); на Всероссийской конференции «Высокопроизводительные вычисления и технологии» (ВВТ-2003), (Ижевск, 2003); на VII Всероссийской научно-технической конференции «Повышение эффективности обработки информации на базе математического моделирования» (Тамбов, 2004); на Международном симпозиуме «Надежность и качество» (Пенза, 2004); на VI Международном конгрессе по математическому моделированию (Нижний Новгород, 2004); на региональной конференции «Реализация стратегии устойчивого развития города Ижевска: Опыт и проблемы» (Ижевск, сентябрь, 2005), на научной конференции-семинаре «Теория управления и математическое моделирование» (Ижевск, 2006).

Публикации. Основные научные результаты по теме диссертации опубликованы в 16 научных работах, в том числе, в 11 статьях в научно-технических журналах и сборниках, в 3 тезисах докладов на научно-технических конференциях, в двух депонированных рукописях объемом 34 и 53 страницы.

Объем и структура диссертационной работы. Диссертация содержит введение, 4 главы и заключение, изложенные на 145 с. машинописного текста. В работу включены 47 рис., 10 табл., список литературы из 157 наименований и приложение, в котором представлен акт об использовании результатов работы.

СОДЕРЖАНИЕ РАБОТЫ

Введение содержит обоснование актуальности темы, формулировку цели и задач работы, основные положения, выносимые на защиту, и определяет содержание и методы выполнения работы.

В первой главе на основе анализа существующих работ в области обработки изображений рассмотрены виды, формы представления и классы изображений. Определен класс графических изображений, четко выделяющийся своими отличительными свойствами и характеристиками. Рассмотрены и проанализированы различные модели и методы анализа пространственной структуры графических изображений. Установлено, что основная специфика работ в области обработки изображений заключается в исследовании их пространственно-структурных свойств и, в зависимости от класса изучаемых изображений, в выявлении и формировании системы признаков, эффективно описывающих эти свойства.

Анализ достигнутых в этой области результатов показывает, что существуют факторы, ограничивающие возможности эффективного анализа структуры изображений. Одним из таких факторов является недостаточная определенность объективных критериев обнаружения и распознавания структурных элементов изображений. Неопределенность критериев связана с применением локальных недостаточно помехоустойчивых методов обнаружения элементов и эвристическим характером процедур учета пространственных контекстуальных взаимосвязей между образующими их точками.

В качестве одной из перспективных разработок, основанной на исследовании пространственно-структурных свойств изображений, и, в какой-то мере устраняющей влияние указанных факторов, рассмотрен метод центроидного преобразования, обладающий отчетливо выраженными селективными свойствами по отношению к структурным элементам изображения. Центроидное преобразование реализуется сканированием изображения скользящим интервалом фиксированной длины. В каждом положении интервала вычисляются значения пространственно-структурных параметров (ПСП) элементов, которые связываются с центральной точкой интервала. Далее полученный пакет из всех координатно-взаимосвязанных изображений, каждое из которых соответствует одному ПСП, обрабатывается с целью обнаружения и распознавания местоположения и характеристик структурных элементов изображения. Эта обработка основана на селективных свойствах центроидного преобразования. Затем может быть сформировано синтезированное изображение, в котором определены местоположения линий, границ и областей исходного графического изображения, а также их графические характеристики - тон, цвет, толщина линейных элементов и их поперечная и продольная структура.

Одной из проблем, возникающих при пространственной обработке цветных изображений, в частности, обеспечения решения задач обработки и обнаружения структурных элементов, является необходимость учета пространственных различий

для каждой отдельной цветовой компоненты, а также учета взаимосвязей этих компонент изображений. Таким образом, возникает задача совмещения результатов анализа отдельных цветовых слоев. Установлено, что при раздельном анализе по цветовым слоям эта задача не может быть корректно решена, в силу того, что характер корреляций между слоями различен не только на различных изображениях, но и на различных участках одного изображения. Это исключает возможность полноценного учета цветового контекста при распознавании структурных элементов изображения.

По результатам проведенного обзора формулируется задача разработки эффективного метода анализа пространственной структуры изображений, обеспечивающего компенсацию непомехоустойчивости локальных методов обнаружения и распознавания структурных элементов и одновременный учет их пространственного и цветового контекста.

Во второй главе на основе исследования структурных и цветовых характеристик изображений разработана динамическая экстентная кластерная модель графических изображений.

Если рассматривать сканограмму, получаемую при сканировании изображения, как реализацию некоторого порождающего стохастического процесса, то исчерпывающим описанием ансамбля реализаций кластера будет являться соответствующая плотность распределения вероятности (п.р.в.) реализаций на пространстве наблюдений. Объективно существующая п.р.в. недоступна для непосредственного наблюдения. Тогда описание ансамбля может быть получено в результате анализа выборки реализаций. При наличии локализации выборки по характеристикам структурных элементов в пространстве наблюдений ее описание может быть получено в виде характеристик кластеров, определяющих их размеры и положение в пространстве. Получение описания кластера сводится к формированию целостного представления о выборке реализаций, характеризующего ее локализацию в пространстве наблюдений. Одним из простейших описаний кластера может являться его представление в виде экстента - охватывающего выборку реализаций = 1, АГ габаритного прямоугольного гиперпараллелепипеда, ребра которого параллельны координатным осям пространства наблюдений Я": Ш[гиг2,...^п\а1,Ъх,а1,Ьг,...,ап,Ъп] =

= {(*!,*2>..., 1П)еЯ" |щ <Ь„1-йп\

Здесь ^, ,..., - параметры пространства наблюдений, а,, и Ь, - нижние и верхние, пределы изменения этих параметров в пределах экстента. Выражение (1) определяет экстент размерности и в пространстве Я".

Более удобно описывать экстент не через пределы изменения параметров, а посредством указания его центра и габаритных размеров:

Ех(г1,г2,...,гл)[с1,А1,с2,А2,...,ся,Ал]=

= {(<!,<2,...,ОбД" к "А> 6сг +Мяй}.

Вектор с = (с1,с2,—,с„) определяет положение центра экстента в пространстве Я", а величины к1,к2,—,к„ представляют собой значения полуширины экстента в направлении / -ой (/ = 1 ,п) координатной оси пространства Я".

Проекции экстента на подпространства меньшей размерности также являются экстентами в соответствующих подпространствах (см. рис.1). Если задан некоторый локальный функционал /г[/(г)], определенный на интервале I е[-//2,//2], то использование этого функционала для анализа характеристик структурных элементов изображения может быть реализовано с помощью обработки сканограмм по схеме скользящего интервала рМ^Мг-а)] Риг 1. Проекции экстентов (см- рис. 2).

о) б)

Рис. 2. Обработка сканограмм (схема скользящего интервала)

Естественной формой представления ансамбля реализаций является описание его п.р.в. с помощью таких характеристик, как математическое ожидание и средне-квадратическое отклонение (с.к.о.). Очевидно, что координаты центра экстента кластера соответствуют математическим ожиданиям распределений соответствующих переменных, полуширина экстента может выражаться в нормированном виде относительно величин соответствующих с.к.о.: го-Н.

Таким образом, габариты экстента определяются параметром г («количество сигм»). При этом величина вероятности отнесения точки к экстенту (вероятность распознавания принадлежности точки кластеру) будет определяться величиной параметра г и зависеть от вида соответствующего распределения (рис.3). Для нор-

малыюго распределения вероятность распознавания имеет вид Р„(г) = где

Ф- функция Лапласа. В наихудшем случае для произвольного распределения из

неравенства Чебышева следует оценка /I (г) = 1 - -у, ( г > 1).

г

0,2 0.л 0.6 0.* | и 1,41,6 1.8 2 £2 2,4 2.6 2,3 Э

1,00 2,00 Э.Ю 4.00 3,00 6.00 7,00 М» 9,00 10,С»

") Рп{г) б) рч{г)

Рис 5. Зависимость вероятности распознавания от параметра г

В общем случае для пространства размерности п вероятность распознавания будет зависеть и от размерности. Более удобной для оценивания является обратная величина вероятности ошибки распознавания Х{г,п), где Х(г,1) = 1 - Р(г) -вероятность ошибки распознавания в одномерном случае. Для нормального распределения величина вероятности ошибки распознавания будет изменяться от Х(г,п)= 1 - [1 - в случае отсутствия корреляции между параметрами (рис.4а

и кривая 1 на рис. 5) до Я(г, п)= п(г,\) в случае, если все коэффициенты корреляции между параметрами равны 1 (рис.4б и кривые между кривой 1 и прямой 2 на рис.5).

я) нормальное распределение; корреляции нет

б) нормальное распределение; положительная корреляция Рис. 4 Экстенты кластеров

в) «крестовидное» распределение; корреляции нет

Наихудший возможный случай накопления ошибок распознавания с ростом размерности пространства имеет место для такого экзотического распределения как крестообразное (см. рис.4в). В этом случае итоговая величина вероятности ошибки распознавания является суммой ошибок Л(г,я)= п(г,1) по всем отдельным параметрам и имеет вид постоянной (прямая 3 на рис.5) Л(г, п)=пЛ(г,1) (при отсутствии корреляций).

При обн; с =

Рис. Зависимость вероятности ошибки от размерности пространства параметров

сканировании изображения »уживаются точки

(с1,с2,—,с„), значения параметров которых не принадлежит ни одному из экстентов кластеров. Эти значения образуют своеобразную межкластерную диффузную среду. При рассмотрении динамики изменения значений, можно установить, что она сводится к чередованию периодов фиксаций, ко-

торые представляют собой события так называемого обнаружения или фиксации кластера, и параметры принимают значения, не выходящие за пределы экстента соответствующего кластера. При сканировании изображения периоды фиксации сменяются периодами перемещений между экстентами кластеров, т.е. динамических межкластерных переходов. Таким образом, межкластерная диффузная среда состоит из межкластерных переходов и образуется точками, не принадлежащими ни одному из экстентов кластеров.

Местоположение кластеров в цветовом пространстве определено математическим ожиданием цветовых компонент Я, О, и В. Однако графическая определенность нарушается в сипу воздействия искажений, шумов и помех. В пространстве цветовых компонент существующие нелинейные (поточечные) преобразования цветных изображений переназначают значения графической характеристики в соответствии с характеристикой цветопередачи (рис. 6а).

а) нелинейное преобразование

б) пространственно-частотные искажения

в) воздействие шумов и помех

Рис 6 Шумы, помехи и искажения значений цветовых компонент

Для цветного графического изображения пространственно-частотные искаже-шя проявляются в появлении промежуточных цветов и оттенков. В пространстве

цветовых компонент эти искажения образуют переходы между точками фиксации (рис. 66). Из-за неоднородности свойств поверхности материального носителя изображений при их воспроизведении будет наблюдаться некоторый разброс значений цветовых компонент, имеющий характер случайных помех и шумов (рис. 6в).

При воздействии нелинейных преобразований изменяются координаты г-го цветового вектора С * (Л *, О* ,В'). Пространственно-частные искажения в пространстве цветовых компонент приводят к образованию перемычки между цветовыми векторами, представляющей собой значения цветовых компонент пикселов промежуточных оттенков и цветов. Воздействие шумов и помех приводит к появлению на изображении локальных неоднородностей, для которых характерно изменение воспроизведения значений тоноцветовой шкалы. Эти значения цветовых компонент группируются, образуя кластеры (рис. 7).

Так как на многоцветных полиграфических изображениях некоторая часть цветов в них образуется комбинацией нескольких полиграфических растров основных цветов, то размеры кластеров значений цветовых компонент, определяются, в первую очередь, - текстурой областей, а при наличии однородного фона областей и отсутствии текстуры - величиной шумов системы воспроизведения изображений. В итоге размеры реальных наблюдаемых кластеров находятся в прямой зависимости от величины воздействующих шумов.

Дня структурного анализа используется центроидное преобразование сканограмм, построенное на основе использования пространственно-структурных параметров (ПСП) - функционалов, определенных так, чтобы их значения явным образом зависели от параметров преобразований сигналов, действующих в трактах их формирования, регистрации и обработки: а= -1н; к-М; Ъ=С, где а - коэффициент масштабирования; к - коэффициент взвешивания; Ь -величина сдвига, где определяющие их ПСП -М- масса сигнала; С - центроид; Я - диссипация. Поведение ПСП можно представить, определив местоположение соответствующих точек в трехмерном пространстве значений М, С и Н. Рассчитанные значения ПСП для линейного элемента в различных сочетаниях со смежными планарными элементами при каждом положении скользящего интервала показаны на рис. 8. Для идеального сигнала кластеры концентрируются в точке. В целях адекватной оценки реальных характеристик обрабатываемых и анализируемых изображений необходимо учесть нелинейные искажения, ограничение пространственного разрешения и воздействие шумов и помех.

Рис. 7. Нелинейное преобразование, пространственно-частные искажения и воздействие шумов в пространстве RGB

Рис 8. Значения параметров в пространстве Н(М) для различных сочетаний серого тона элементов

Результирующее изображение представляет является суммой результата пространственно-частотного преобразования идеального изображения и шумоподобного сигнала.

Ограниченность величины пространственного разрешения реальных систем формирования и регистрации изображений характеризуется импульсным откликом системы. Свертка импульсного отклика системы с исходным «идеаль-

ным» изображением формирует наблюдаемое изображение. Фронты импульсных сигналов «размываются» и становятся пологими. Происходит кластеризация значений ПСП, соответствующих местоположению импульса, в пространстве - носителе сигнала. Из-за шумов, обусловленных характеристиками реальных изображений и погрешностями измерительных устройств, кластеры пространственно-структурных параметров делокализуются в пространстве значений массы, центроида и диссипации, при этом размеры реальных наблюдаемых кластеров находятся в прямой зависимости от величины дисперсии воздействующих шумов. Здесь также просматривается точка фиксации кластера, соответствующая прохождению импульса скользящим интервалом при полном «захвате» этого импульса. В окрестности этой точки наблюдается сниженный темп

роста значений центроида (рис.9).

' £

Ж.

м,

Рис. 9. Динамика изменения значений параметров структурных элементов при сканировании линейных элементов различного уровня и

Последующий анализ заключается в обнаружении и определении характеристик соответствующих кластеров центроидов, массы и диссипации - в пространстве признаков. Значения пространственно-структурных параметров при воздействии шумов и помех становятся случайными величинами, и в каждой реализации воспроизведения изображения будут принимать различные значения. При рассмотрении динамики изменения значений параметров структурных элементов при сканировании изображения установлено, что эта динамика также сводится к чередованию периодов фиксаций, для которых параметры принимают значения, не выходящие за пределы экстента соответствующего кластера, и периодов перемещений между экстентами - динамических межкластерных переходов. На основе анализа процессов формирования кластеров в пространствах цветовых компонент и структурных параметров получены оценки характеристик экстентов и траектории динамических межкластерных переходов, которые использованы в дальнейшем в качестве основы для разработки метода структурно-цветового анализа графических изображений.

Третья глава посвящена структурно-цветовому анализу графических изображений, который основан на кластерном анализе характеристик структурных элементов изображения и значений его цветовых компонент.

Процесс образования границ между областями пространства, соответствующими различным кластерам, показан на рис. 10, где наглядно показано образование границ в результате столкновения поверхностей экстентов при линейном увеличении их размеров.

а) 6)

Рис. 10 Образование границ между областями, соответствующими различным кластерам

Для проведения анализа разделимости кластеров разработана методика, основанная на использовании диаграмм и матриц различения экстентов кластеров. Диаграммы построены таким образом, чтобы определялись непересекающиеся в пространстве наблюдений кластеры или, иначе, на каких размерах экстентов й, различаются кластеры. Диаграммы представляют собой совокупность равнобедренных треугольников с вершинами, в которых значения абсциссы - Я„ а значение \ = 0. По оси ординат размещены условные (в единицах с.к.о.) размеры кластеров, по абсциссе - значения математических ожиданий. На рис.6 приведена диаграмма экстентов кластеров в цветовом пространстве. Характеристики цветовых кластеров определяются значениями математических ожиданий цвето-

Рис 11 Диаграмма цветоразличеяия для компоненты R

цветовых компонент каждого кластера R,, G¡, В, и геометрическими размерами h,, оцененными величинами с.к.о. aRi, erG¡ ,<тв,.

о 50 100 150 200 250 По Диаграммам

цветоразличения можно построить матрицы цветоразличения для экстентов с

величиной полуширины За (правило «трех сигм»). При

совместном использовании значений цветовых компонент во всех трех цветовых

каналах степень пересекаемости кластеров снижается, что выражается в сокращении количества единиц в матрицах цветоразличения (рис.12). Если при анализе учитывать кластеры, ограниченные малым размером экстента, то остаются промежуточные значения, не принадлежащие ни одному из экстентов кластеров.

При ограничении размеров кластеров большими значениями экстентов h¡ происходит их пересечение. Для того чтобы установить принадлежность точки в пространстве наблюдений, необходим анализ, того к центру какого кластера в пространстве наблюдений,

нормированного по значениям ft,, будет ближе вектор

анализируемого значения. Решающее правило распознавания характеристик структурных элементов имеет следующий вид:

Vfh с2 -Су К

Рис 12. Совместная матрица различения параметров R, G, В для ht = 3«

г{сх,с2,■■£„) = argminmax

i=\Ji

(3)

К Ьц К .

где I- индекс кластера; с,,с2,..г„ - значения параметров текущей точки; N -количество анализируемых параметров изображения си>с2п-£ш '

средние значения параметров г'-го кластера, определяющие положение центра экстента кластера; Ъи, Ъ21Ът-размер экстента, ограничивающего г-ый кластер.

Разработанная на основе кластерного анализа пространственно-структурных параметров и цветовых компонент методика структурно-цветового анализа гра-

фических изображений использует два вида преобразований изображений - цен-троидное преобразование и цветотоновое преобразование (рис.13).

Рис 13 Схема структурно-цветового анализа

Структурный анализ, включающий в себя ценгроидное преобразование (ЦП), состоит в обнаружении и определении характеристик кластеров центроидов, масс и диссипаций в плоскости изображения. В результате этого преобразования пакет из координатно-взаимосвязанных растровых изображений, представляющих собой значения ПСП, преобразуется в синтезированное изображение, в котором определены местоположения линий, границ и областей исходного графического изображения, а также распознаны и оценены графические характеристики этих элементов - тон, цвет, толщина линейных элементов и их поперечная структура.

Для учета пространственных различий и взаимосвязи цветовых компонент изображений используется для обработки ЦП монохромная копия исходного цветного изображения. Дня возможности восстановления цветовых характеристик используется монохромная копия, получаемая в результате стандартного цветотоно-вого преобразования. На основании полученной графической зависимости значений уровней серого при различных сочетаниях 11,03, показано, что обратное тоно-цветовое преобразование не восстановит исходные цвета, и данные о них будут потеряны безвозвратно. Возникает задача обратного восстановления исходных значений цветовых компонент. Решением этой задачи можно считать адаптивное цветотоновое преобразование, производимое на основе кластеризации векторов цветовых компонент по опорным фрагментам изображения и формировании корректной цветотоновой шкалы.

При адаптивном цветотоновом преобразовании анализируется цвет каждого пикселя изображения на принадлежность кластеру определенного цвета изображения. Число кластеров равняется числу основных цветов. Аналитическим описанием характеристик распределения для /'-го цвета изображения являются средние значения цветовых компонент изображений Я,,ОпВ, (математическое ожидание) и среднеквадратическое отклонение ая,аа,схв. Экстенты, ограничивающие кластеры, используются для распознавания цветовых характеристик элементов изображения. Описание экстента посредством указания его центра и габаритных размеров имеет следующий вид:

Ex(*R. fC> 'я)[Д/> Gt> aG> Д» °B] =

('л.'о.'вМ"

Gj-OG^G.+OQ,

Bi —Од <tt й Bj + Og, где R,,Gt, Вi - координаты вектора, определяющие положение центра экстента кластера в пространстве цветовых компонент RGB, aR, ас, ств - величины полуширины соответствующего экстента в направлении координатных осей RGB.

Чтобы однозначно определить какому цвету принадлежит той или иной пиксел изображения, необходимо задаться условием непересечения экстентов этих кластеров в пространстве RGB. Используется решающее правило вида (3). Если значения цветовых компонент пиксела не принадлежат ни одному выявленному кластеру, то он относится к тому цвету, кластер которого, нормированный по количеству среднеквадратичных отклонений, наиболее близок в цветовом пространстве. Д алее по характеристикам цветовых кластеров изображения происходит формирование взаимозависимых тоновой и цветовой шкал.

Конечной целью поставленной задачи структурно-цветового анализа графических изображений является выявление и распознавание структурных элементов изображений. В результате центроидного преобразования исходного монохромного графического изображения создается синтезированное изображение, в котором распознавание структуры и типов линий осуществляется за счет кластеризации значений ПСП. Возможность вычисления ПСГТ для аддитивных смесей сигналов позволяет достаточно точно рассчитать положение кластеров и их размеры в пространстве параметров М и Н. Положение кластеров определяется геометрическими характеристиками структурных элементов изображения (линий, границ, областей) и характеристиками разрешающей способности сканера. Значения пространственно-структурных параметров при воздействии шумов и помех становятся случайными величинами. Получено их вероятностное описание в виде характеристик плотности распределения их значений на основании выражений для значений ПСП суммирования сигналов (случай аддитивного шума). Линеаризация этих выражений позволяет получить величины с.к.о. ПСП как функции с.к.о. шума. На основании описания экстентов кластеров ПСП используется решающее правило (3), устанавливающее принадлежность значений ПСП кластерам параметров.

Четвертая глава посвящена экспериментальному исследованию методики структурно-цветового анализа цветных графических изображений различной сложности и качества, включающей в себя адаптивное цветотоновое преобразование цветного изображения в монохромную копию, ее обработку центроидным преобразованием далее восстановление характеристик цветовых компонент для создания синтезированного цветного графического изображения с распознанными элементами его пространственной струкгуры.Информация о значениях цветовых компонент сохраняется, так как единственное значение 71 придаем определенному цвету изображения R„GuBi. Улучшение качества изображения после АЦГП (рис. 15), по сравнению с результатом стандартного ЦТП исходного изображения, имеющего 10 основных кластеров, (рис.14) объясняется контрастными тоновыми переходами.

Г Г

Рис.14, Результат стандартного цветотонового преобразования исходного изображения ¿=10

Рис. 15. Результат адаптивного цветотонового преобразования

19

В результате ЦП исходное графическое изображение преобразовано в синтезированное изображение, далее характеристики цветовых компонент изображения восстановлены обратным то-ноцветовым преобразованием.

Монохромные изображения, полученные после ЦГО наиболее пригодны для целей пространственного анализа их структуры с помощью центроидного преобразования. После процедуры центроидного преобразования ТЦП восстанавливает цветное изображение по значениям взаимозависимой цветотоновой шкалы. Существенным результатом восстановления цветных характеристик после ТЦП является улучшение качества изображений за счет устранения шумов, обусловленных системой формирования и регистрации реальных изображений. На гистограммах распределения значений цветовых компонент изображений отчетливо видны распределения десяти основных цветов, соответствующих сформированным кластерам (рис. 16).

При этом у изображения, полученного тоноцветовым преобразованием, с.к.о. значений цветовых компонент равно нулю. В результате реализации физического процесса создания изображений действует нелинейное преобразование тоноцветовых шкал, переназначающее значения графической характеристики. При решении задачи коррекции искаженных цветов при восстановлении цветного изображения обработка проводится таким образом, что по значениям тона, уже равномерно распределенным по тоновой шкале в программе цветотонового преобразования, придаются скорректированные значения. На рис.12.представлено восстановление нечеткого изображения

а) исходное изображение;

б) результат цветотонового

Рис 16 Гистограмма по компоненте В изображения, восстановленного тоноцветовым преобразованием

с коррекцией цветов

Рис. 17. Коррекция цветов изображения

Реальные графические изображения испытывают воздействие шумов и помех, из-за неоднородности свойств воспроизводящей изображение поверхности материального носителя. Шумы и помехи и в силу своего случайного характера могут представлять собой реализации текстуры, или текстуры, образованной полиграфическими растрами. Предлагаемая обработка программой восстановления цветов исходного изображения со своеобразной эквализацией (выравниванием) текстуры заключается в объединении близких кластеров. По характеристикам распределения текстуры (табл.1.) устанавливаются координаты центральной точки (математическое ожидание) и параметры линейных размеров кластеров текстуры (с.к.о.). Синтезированный цвет имеет значение математического ожидания текстуры.

Таблица 1

Характеристики распределений текстур и ее образующих цветов

Цвет я, СГд G, в, Oft

Темно-зеленый 102 15.7 166 7 92 5.9

Светло-зеленый цвет 185 11.7 208 5.6 122 13.5

Эквализированяая текстура 166 31.7 199 15.6 117 19.2

Для их устранения цветовых и тоновых дефектов, обусловленных частичной пересекаемостью цветовых кластеров в пространстве RGB использована возможность регулирования размеров экстентов кластеров и их расположения в цветовом пространстве, которое заключается в изменении соответствующих числовых значений математического ожидания и среднеквадратичного отклонения в таблицах характеристик кластеров опорных фрагментов исходного изображения. Для цветных графических изображений эффект выравнивания тонов и цветов в областях текстуры, устранение влияния шумовой текстуры, цветовых и тоновых дефектов изображений резко упрощает процедуры пространственного анализа структуры изображения и значительно повышает вероятность распознавания структурных элементов. Схема тонодветового преобразования с учетом корректирующих преобразований изображений приведена на рис 18.

Целью методики структурно-цветового анализа цветных графических изображений является определение местоположения линий, границ и областей исходного графического изображения, оценка графических характеристик структурных элементов. На основании экспериментальных исследований ЦП с различными параметрами обработки на монохромных копиях, установлено, что выбор параметров обработки: величины скользящего интервала анализа (г) и параметра кластеризации (г) существенно зависит от размеров, видов и расположения структурных элементов изображения. Выбор значений параметров кластеризации и скользящего интервала зависит от уровня серого тона элементов, плотности их размещения и геометрических характеристик элементов. На рис. 19 приведена технологическая схема обработки ЦП, полученная в результате многочисленных экспериментальных и теоретических исследований.

_Рис_ /#_Предооженная схем^тоноп^етового преоб^азовашя с цветокоррекцией

Исходное монохромное изображение

Плотность и характеристики элементов изображения

Шумы и помехи

Определение 1_>. параметра интервала л Параметр интервала ¡'

Процедура получения массивов I значений ПСП: М, С, Н | ч

Определение параметра кластеризации г

Параметры кластеров ПСП

I

Процедура восстановления параметров элементов

Синтезированное! монохромное изображение

Рис 19 Схема центроидного преобразования с учетом выбора параметров обработки Использованные в работе алгоритмы и подпрограммы можно значительно улучшил, изменением некоторых алгоритмов вычисления с целью исключения многократного повторения операций суммирования, умножения и деления значений исходного массива при цешроидном преобразовании. Примененный быстрый алго-

ритм не только уменьшает затраты машинного времени на обработку данных, но и устраняет прямую линейную зависимость между величиной массива и временем обработки. Это было подтверждено и экспериментальными исследованиями.

ЗАКЛЮЧЕНИЕ

В работе получены научно-обоснованные технические и методические решения, внедрение которых вносит существенный вклад в ускорение научно-технического прогресса и создание систем и технологий обработки видеоинформации. Основные выводы и результаты работы:

1. На основе анализа свойств графических изображений определены их характеристики - пространственный план построения, цветотоновые шкалы и искажающие факторы их формирования (искажения цвеготоновой шкапы, пространственно-частотные искажения, помехи и шумы). Установлено, что при разработке локальных методов обнаружения структурных элементов цветных графических изображений, необходим одновременный учет пространственного и цветового контекста.

2. Разработана динамическая экстентная кластерная модель графического изображения, основанная на описании кластера в вэде экстента. Модель определяет местоположение центра экстента кластера и условные размеры экстентов в пространстве параметров, описывает процессы формирования кластеров параметров структурных элементов и динамических межкластерных переходов в пространствах структурных параметров и цветовых компонент.

3. Проведены экспериментальные исследования процессов формирования кластеров параметров цветного графического изображения и динамических межкластерных переходов в пространстве цветовых компонент и в пространстве структурных параметров с учетом искажающих факторов формирования реальных графических изображений. Показано, что при сканировании изображения периоды фиксации экстентов кластеров сменяются периодами динамических межкластерных переходов, образующими межкластерную диффузную среду пространства структурных параметров.

4. Разработан метод разделения экстентов кластеров структурных элементов изображений, на основании анализа разделимости структурных и цветовых кластеров по диаграммам и матрицам различения экстентов. Метод предполагает определение принадлежности каждой точки пространства наблюдений определенному кластеру, исходя из значений, нормированных по размерам экстентов.

5. Разработан метод структурно-цветового анализа изображений, реализующий совместное использование адапгавного цветотонового и центроидного преобразований изображений на основе единой схемы кластерного анализа: для цветовых компонент - в пространстве цветовых компонент RGB, для центроидов, массы и диссипации - в плоскости изображения. Метод обеспечивает высокую достоверность результатов анализа при локализации и оценке структурных элементов изображений.

7. На основе метода структурно-цветового анализа изображений разработаны средства учета и компенсации искажающих факторов воспроизведения цветных графических изображений: коррекция значений цветовых кластеров исходного изображения; выравнивание тонов и цветов за счет объединения в цветовом пространстве кластеров, образующих текстуру; регулирование харак-

теристик цветовых кластеров.

8. Предложены технологии и алгоритмы обработки графической информации, реализующие объединение схем адаптивного цветотонового и центроидного преобразований на основе структурно-цветового анализа изображений, и обеспечивающие эффективность использования разработанных в интеллектуальных системах обработки видеоинформации. При обработке центроидным преобразованием предполагается выбор параметров обработки в зависимости от геометрических характеристик структурных элементов изображения, плотности их размещения, шумов и помех, присутствующих на изображениях.

9. Проведены экспериментальные исследования разработанных средств и методов, подтвердившие их эффективность и возможности использования в системах обработки и анализа графической информации. В экспериментах анализировались возможности адаптивного цветотонового и центроидного преобразований изображений для реализации методики структурно-цветового анализа. Предложена эффективная вычислительная схема и быстрый алгоритм обработки данных.

НАУЧНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Телегина М.В., Мурынов А.И. и др. Разработка и применение новых технологий создания цифровых карт. // Сборник докладов 5-ой Российской Упиверситет-ско-академической научно-практической конференции. Часть 8, УДГУ, 2001. -С.40.

2. Телегина М.В., Мурынов А.И. и др. Экспертная геоинформационная система для анализа территориального распределения уровня заболеваемости городского населения Разработка и применение новых технологий создания цифровых карт. // Сборник докладов 5-ой Российской Университетско-академической научно-практической конференции. Часть 8, УДГУ, 2001. - С.ЗЗ.

3. Телегина М.В. Селективные эффекты центроидной фильтрации изображений // Вестник ИжГТУ «Математические и программно-аппаратные средства интеллектуальных систем распознавания сигналов и изображений», вып.5, 2003. -С.16-19.

4. Телегина М.В., Галичанин A.A. Влияние шума на качество распознавания линейных элементов структурных элементов графического изображения на основе центроидного преобразования // Математическое моделирование и интеллектуальные системы: Сб. научных трудов ИжГТУ.-2003. - №1. - Ижевск: Изд-во ИжГТУ, 2003.-С.7-13.

5. Мурынов А.И., Телегина М.В. Влияние шумов и помех на характеристики распознавания элементов изображения центроидным фильтром // Информационные технологии в инновационных проектах. Труды IV Международной научно-технической конференции Ч. 4. - Ижевск, 2003. - С. 128-130.

6. Мурынов AJÍ., Телегина М.В. и др. Адаптивное цветотоновое преобразование графических изображений // Математическое моделирование и интеллектуальные системы. Сб. научных трудов ИжГТУ.-2003 - №4 - Ижевск: Изд-во ИжГТУ, 2003.-С. 128-130.

7. Телегина М.В. Пространственные структуры: признаки, элементы, характеристики, модели и методы анализа // ИжГТУ, 2004. - 34 с. - Деп. в ВИНИТИ №1473-В2004.

8. Телегина М.В., Лялин В.Е. и др. Применение адаптивного цветотонового преобразования для различных видов графических изображений. Часть I // Повы-

шение эффективности средств обработки информации на базе математического моделирования. Труды VII Всероссийской научно-технической конференции. Материалы докладов: в 2-х ч., Ч. I. - Тамбов: Изд-во ТОГУП «Тамбовполиграфиздат», 2004. - С.25-38.

9. Lepihov Y.N., Telegina M.V., Pivovarov I.V. The adaptive color and tone transformation of images // VI International congress on mathematical modeling / Сборник тезисов докладов. - Нижний Новгород: Изд-во ННГУ, 2004. - С.253.

10. Телегина М.В, Лепихов Ю.Н., и др. Обнаружение и распознавание структурных элементов изображения на основе центроидного преобразования // Труды Международного симпозиума «Надежность и качество». В 2-х ч. Ч.П / Под ред. Н.К. Юркова - Пенза: Изд-во Пенз. госуниверситета, 2004. - С.469-470.

11. Телегина М.В. Метод селекции структурных элементов графических изображений // ИжГТУ, 2004. - 53 с. - Деп. в ВИНИТИ №1472-В2004.

12. Телегина М.В., Мурынов А.И. и др. Применение адаптивного цветотонового преобразования для различных видов графических изображений. Часть П // Повышение эффективности средств обработки информации на базе математического моделирования. Труды VII Всероссийской научно-технической конференции. Материалы докладов: в 2-х ч., Ч. I. - Тамбов: Изд-во ТОГУП «Тамбовполиграфиздат», 2004. - С. 38-45.

13. Мурынов А.И., Телегина М.В. и др. Графическая информация в информационном пространстве // Тезисы городской конференции «Реализация стратегии устойчивого развития города Ижевска; Опыт и проблемы», Ижевск, 2005. - С.36.

14. Телегина М.В. и др. Модели данных геоинформационных систем // Интеллектуальные системы в производстве: Период, науч.-практ. журн., 2005.-№2- Ижевск: Изд-во ИжГТУ, 2005. - С. 136-144.

15. Телегина М.В. Обнаружение структурных элементов графических изображений на основе селективных эффектов центроидной фильтрации // Вестник ИжГТУ, вып.4,2005. - С.36-54.

16. Телегина М.В. Анализ пространственных структур цветных изображений - карт // Геоинформатика, №4,2005. - С. 16-22.

М.В.Телегина

Отпечатано в авторской редакции с оригинал-макета заказчика

Подписано в печать 10.03.2006. Формат 60x84/16. Тираж 100 экз. Заказ Ks 391.

Типография ГОУВПО «Удмуртский государственный университет» 426034, Ижевск, ул. Университетская, 1, корп. 4.

*

с

V

£006 А

2 94

i

S

Список сокращений.

Введение.

Глава 1. Модели и методы анализа изображений.

1.1. Графические изображения.

1.2. Модели изображений.

1.3. Методы анализа изображений.

1.4. Центроидное преобразование.

1.5. Моделирование и анализ цветовых компонент изображений.

1.6. Выводы и постановка цели и задач исследований.

Глава 2. Динамическая экстентная кластерная модель графического изображения.

2.1. Экстентная модель кластера.

2.2. Динамические межкластерные переходы и формирование межкластерной диффузной среды.

2.3. Формирование цветовых кластеров и динамических межкластерных переходов в пространстве цветовых компонент.

2.3.1. Точки фиксации кластеров в пространстве цветовых компонент,.

2.3.2. Нелинейные искажения цветотоновой шкалы.

2.3.3. Пространственно-частотные искажения изображений.

2.3.4. Шумы и помехи на изображениях.

2.4. Формирование структурных кластеров и динамических межкластерных переходов в пространстве структурных параметров.

2.4.1. Точки фиксации кластеров в пространстве структурных параметров.

2.4.2. Пространственно-частотные искажения изображений.

2.4.3. Шумы и помехи на изображениях.

2.4.4. Взаимные влияния структурных элементов изображения,.

2.5. Полученные результаты и выводы.

Глава 3. Структурно-цветовой анализ графических изображений.

3.1. Анализ разделимости кластеров. Диаграммы и матрицы различения экстентов кластеров.

3.2. Решающие правила при распознавании структурных элементов изображения.

3.3. Методика структурно-цветового анализа изображений.

3.4. Распознавание цвета на изображениях.

3.5. Распознавание структурных элементов изображения.

3.6. Полученные результаты и выводы.

Глава 4. Экспериментальное исследование методики структурно-цветового анализа.

4.1. Адаптивное цветотоновое преобразование.

4.1.1. Компенсация нелинейных искажений цветотоновой шкалы.

4.1.2. Компенсация шумов и помех, представляющих текстуру,.

4.1.3. Компенсация цветовых и тоновых дефектов изображения.

4.2. Разработка технологии обработки графических изображе- ^^ ний на основе центроидного преобразования.

4.3. Разработка быстрого алгоритма центроидного преобразования.

4.4. Полученные результаты и выводы,.

Быстрое распространение новых технологий в различных областях применения в значительной степени обусловлено практически неограниченными возможностями современных компьютеров, обеспечивающих высокую скорость обработки больших объемов информации и недоступные ранее графические возможности. Однако чрезвычайно большая информационная емкость таких объектов как изображения вызывает необходимость использования больших ресурсов компьютера. В то же время значительная часть прикладных задач обработки информации и анализа данных связана с изображениями. Это обусловлено с одной стороны использованием новых технических средств, представляющих информацию в виде изображений, с другой стороны - развитием методов распознавания изображений в качестве мощной и практической методологии математической обработки и анализа информации.

Поскольку конечной целью автоматизированной обработки данных является их интерпретация, то в задачах распознавания изображений обнаружение и определение характеристик их структурных элементов является обязательной составной частью при решении задач распознавания изображенных объектов и образуемых ими пространственных структур. Эффективность решения задачи анализа структурных элементов изображения является определяющей для получения полных и точных описаний пространственной структуры изображений.

Разработке эффективных моделей структуры изображений и методов их обработки и анализа уделено большое внимание в работах отечественных и зарубежных ученых: Журавлева Ю.И., Лебедева Д.С., Ярославского Л.П., Ковалевского В.А., Васина Ю.Г., Бонгарда М.М., Файна B.C., Цуккермана И.И., Мучника И.Б., Розенфельда А., Прэтта У., Фу К., Стокхэма Т., Марра Д., Хара-лика P.M., Павлидиса Т., Нарасимхана Р. и др.

Однако достигнутые в настоящее время результаты не решают в полной мере проблему эффективного анализа структуры изображений. Это связано с целым рядом причин, среди которых можно указать на недостаточную определенность объективных критериев обнаружения и распознавания структурных элементов изображений. Неопределенность критериев связана с применением локальных (недостаточно помехоустойчивых) методов обнаружения элементов и эвристическим характером процедур учета пространственных контекстуальных взаимосвязей между образующими их точками. Кроме того, при анализе многоцветных изображений возникает проблема совмещения результатов анализа отдельных цветовых слоев. При раздельном анализе по цветовым слоям эта проблема не имеет корректного решения, т.к. характер корреляций между слоями может быть различным не только на различных изображениях, но и на различных участках одного изображения, что исключает возможность полноценного учета цветового контекста при распознавании структурных элементов.

Таким образом, задача разработки эффективного метода анализа пространственной структуры изображений, обеспечивающего компенсацию непомехоустойчивости локальных методов обнаружения структурных элементов и одновременный учет их пространственного и цветового контекста продолжает сохранять свою актуальность.

Целью работы является моделирование и структурно-цветовой анализ графических изображений на основе кластерного анализа характеристик структурных элементов изображения и значений его цветовых компонент, применение которого качественно расширит возможности решения практических задач распознавания и обработки графических изображений.

Для достижения поставленной цели в работе решаются следующие задачи:

- определение свойств, характеристик и факторов воспроизведения графических изображений, учитывающих план их построения, цветотоновые шкалы и искажающие факторы их формирования;

- разработка динамической экстентной кластерной модели графического изображения, описывающей процессы формирования кластеров структурных элементов изображений и динамических межкластерных переходов в пространствах структурных параметров и цветовых компонент элементов изображений;

- экспериментальное исследование процессов формирования цветовых кластеров структурных элементов изображений и динамических межкластерных переходов в пространстве цветовых компонент;

- экспериментальное исследование процессов формирования структурных кластеров структурных элементов изображений и динамических межкластерных переходов в пространстве структурных параметров;

- анализ разделимости структурных и цветовых кластеров и разработка метода разделения экстентов кластеров структурных элементов изображений;

- разработка метода структурно-цветового анализа изображений, реализующего совместное использование результатов адаптивного цветотонового и центроидного преобразований изображений на основе единой схемы кластерного анализа, обеспечивающего высокую достоверность результатов анализа при локализации и оценке структурных элементов изображений;

- разработка средств учета и компенсации искажающих факторов воспроизведения графических изображений на основе метода структурно-цветового анализа графических изображений;

- разработка технологии и алгоритмов обработки графической информации, реализующих структурно-цветовой анализ изображений;

- проведение экспериментальных исследований разработанных средств и методов для оценки их эффективности и возможностей использования в системах обработки и анализа графической информации.

Объектом исследования являются: графические изображения, получаемые на различных стадиях процесса их воспроизведения, их пространственно-структурные и графические свойства и характеристики, кластеры структурных элементов изображений и динамические межкластерные переходы в пространствах структурных параметров и цветовых компонент элементов изображений, адаптивное цветотоновое и центроидное преобразования изображений.

Предметом исследования являются методы моделирования, анализа и распознавания изображений; структурно-цветовой анализ графических изображений, технологии, алгоритмы и программные средства обработки графической информации.

Методы исследования. В работе применялись теоретические и экспериментальные методы исследования.

Теоретические исследования основаны на использовании теории вероятностей, математической статистики, теории статистических решений, методов обработки и анализа изображений, методов распознавания образов.

В экспериментальных исследованиях использовались статистические методы обработки данных, методы моделирования и анализа пространственных структур, методы кластерного анализа, основы цифровой обработки изображений, методы распознавания многозональных изображений.

Достоверность и обоснованность полученных в работе результатов и выводов подтверждается экспериментальными исследованиями, опытом практической реализации технологии, алгоритмов и программ обработки графической информации, научными трудами и апробациями результатов работы на представительных научных форумах, а также сравнительным анализом с известными результатами современных исследований и разработок.

Теоретические положения, установленные в работе, математические модели и алгоритмы обработки графических изображений, основанные на теории вероятностей и математической статистике, методах кластерного анализа и обработки данных, обосновываются адекватностью выбора исходных посылок и последовательным применением аппарата математических выводов для получения аналитических выражений.

Достоверность экспериментальных результатов обеспечена их согласованностью с теоретическими выводами, большим объемом экспериментального материала, хорошей воспроизводимостью экспериментальных данных и практическим использованием разработанной технологии обработки графической информации.

На защиту выносятся результаты разработки модели и метода анализа графических изображений, учитывающих воздействие искажающих факторов воспроизведения изображений, а также разработки технологии и алгоритмов обработки графической информации, реализующих структурно-цветовой анализ изображений, в том числе:

- анализ свойств и характеристик воспроизведения графических изображений, учитывающих искажающие факторы их формирования;

- динамическая экстентная кластерная модель графического изображения, описывающая процессы формирования кластеров структурных элементов изображений и динамических межкластерных переходов в пространствах структурных параметров и цветовых компонент элементов изображений;

- результаты экспериментального исследования процессов формирования цветовых и структурных кластеров структурных элементов изображений и динамических межкластерных переходов в пространствах цветовых компонент и структурных параметров;

- результаты анализа разделимости структурных и цветовых кластеров и разработка метода разделения экстентов кластеров структурных элементов изображений основе диаграмм и матриц различения кластеров;

- метод структурно-цветового анализа изображений, реализующий совместное использование адаптивного цветотонового и центроидного преобразований изображений на основе единой схемы кластерного анализа, обеспечивающий высокую достоверность результатов анализа при локализации и оценке структурных элементов изображений;

- результаты разработки средств учета и компенсации искажающих факторов воспроизведения графических изображений на основе метода структурно-цветового анализа графических изображений;

- технология и алгоритмы обработки графической информации, реализующие структурно-цветовой анализ изображений;

- результаты экспериментальных исследований разработанных средств и методов для оценки их эффективности и возможностей использования в системах обработки и анализа графической информации.

Научная новизна полученных результатов определяется впервые проведенными исследованиями, в результате которых разработаны модель и метод анализа графических изображений, основанные на кластеризации значений структурных параметров и цветовых компонент структурных элементов изображений, а также созданы реализующие разработанный метод технология и алгоритмы обработки изображений, что вносит существенный вклад в решение задач построения систем обработки и анализа графической информации, в ходе которых:

- разработана динамическая экстентная кластерная модель графического изображения, описывающая процессы формирования кластеров структурных элементов изображений и динамических межкластерных переходов в пространствах структурных параметров и цветовых компонент элементов изображений;

- исследованы процессы формирования цветовых и структурных кластеров структурных элементов изображений и динамических межкластерных переходов в пространствах цветовых компонент и структурных параметров;

- разработан метод разделения экстентов структурных и цветовых кластеров структурных элементов изображений основе диаграмм и матриц различения кластеров;

- разработан метод структурно-цветового анализа изображений, реализующий совместное использование адаптивного цветотонового и центроидного преобразований изображений на основе единой схемы кластерного анализа, обеспечивающий высокую достоверность результатов анализа при локализации и оценке структурных элементов изображений;

- на основе метода структурно-цветового анализа графических изображений предложены средства учета и компенсации искажающих факторов воспроизведения графических изображений;

- предложены и обоснованы технология и алгоритмы обработки графической информации, реализованные при выполнении экспериментальных исследований, результаты которых позволили определить условия эффективности и возможностей использования разработанных средств и методов в системах обработки и анализа графической информации.

Практическая ценность работы заключается в применении новых эффективных моделей и методов анализа графических изображений.

Предложенная новая динамическая экстентная кластерная модель цветного графического изображения позволила разработать научно обоснованные критерии разделимости кластеров в пространстве цветовых компонент и пространственно-структурных параметров, выработать решающие правила распознавания структурных элементов и цветовых компонент изображения и, на этой основе, разработать методику структурно-цветового анализа цветных графических изображений. Применение разработанной методики повышает эффективность анализа пространственной структуры цветных изображений для использования в системах обработки и анализа графической информации.

На основе проведенных теоретических и экспериментальных исследований даны практические рекомендации по определению параметров обработки изображений, исходя из геометрических характеристик структурных элементов и их взаимного расположения, и применению цветокорректирующих преобразований с учетом шумов и искажающих факторов воспроизведения цветных графических изображений. Предложены эффективная вычислительная схема и быстрый алгоритм обработки данных. Проведен анализ возможностей и получены оценки эффективности разработанных средств и методов обработки и анализа графической информации. Установлено, что разработанный метод структурно-цветового анализа графических изображений, а также реализующие этот метод технология, алгоритмы и программы обработки графической информации позволяют добиться высокой достоверности результатов анализа при локализации и оценке структурных элементов изображений.

Реализация и внедрение работы. Полученные результаты использованы и апробированы для опытно-производственной эксплуатации системы обработки графической информации в Тульском филиале ОАО «ЦентрТелеком». Созданные программно-инструментальные средства обработки графической информации позволили повысить эффективность функционирования цифровых телекоммуникационных каналов связи при ее передаче, обеспечили повышение их пропускной способности, сокращение объемов памяти.

Основные научные результаты данной работы получены в рамках бюджетной научной темы «Разработка математических моделей пространственной структуры изображений, методов их анализа и распознавания на основе цен-троидного преобразования» № ГР 01.2.00 3 05808 в Физико-техническом институте УрО РАН 2003г.

Апробация работы. Основные результаты работы докладывались и обсуждались:

- на 5-ой Российской Университетско - академической научно-практической конференции (Ижевск, 2001);

- на Международной научно-технической конференции «Информационные технологии в инновационных процессах» (Ижевск, 2003);

- на Всероссийской конференции «Высокопроизводительные вычисления и технологии» (ВВТ-2003), (Ижевск, 2003);

- на VII Всероссийской научно-технической конференции «Повышение эффективности обработки информации на базе математического моделирования» (Тамбов, 2004);

- на Международном симпозиуме «Надежность и качество» (Пенза, 2004);

- на VI Интернациональном конгрессе по математическому моделированию (Нижний Новгород, 2004);

- на городской конференции «Реализация стратегии устойчивого развития города Ижевска: Опыт и проблемы» (Ижевск, сентябрь, 2005),

- на научной конференции-семинаре «Теория управления и математическое моделирование» (Ижевск, 2006).

Публикации. Основные научные результаты по теме диссертации опубликованы в 16 научных работах, в том числе 11 статей в научных научно-технических журналах и сборниках, 3 тезисах докладов на научно-технических конференциях, две депонированных рукописи объемом 34 и 53 страницы.

Структура и объем работы. Диссертация содержит введение, 4 главы и заключение, изложенные на 145 страницах машинописного текста. В работу включены 47 рисунков, 10 таблиц, список литературы из 157 наименований и приложение, включающее акт об использовании результатов работы.

Основные выводы и результаты работы:

1. На основе анализа свойств и характеристик графических изображений определен пространственный план их построения, цветотоновые шкалы и искажающие факторы их формирования (искажения цветотоновой шкалы, пространственно-частотные искажения, помехи и шумы). Установлено, что при разработке локальных методов обнаружения структурных элементов цветных графических изображений, необходим одновременный учет пространственного и цветового контекста.

2. Разработана динамическая экстентная кластерная модель графического изображения, основанная на описании кластера в виде экстента - охватывающего выборку реализаций. Разработанная модель определяет местоположение центра экстента кластера и условные размеры экстентов в пространстве параметров, описывает процессы формирования кластеров параметров структурных элементов и динамических межкластерных переходов в пространствах структурных параметров и цветовых компонент.

3. Проведены экспериментальные исследования процессов формирования кластеров параметров цветного графического изображения и динамических межкластерных переходов в пространстве цветовых компонент и в пространстве структурных параметров с учетом искажающих факторов формирования реальных графических изображений. Показано, что при сканировании изображения периоды фиксации экстентов кластеров сменяются периодами динамических межкластерных переходов, образующими межкластерную диффузную среду пространства структурных параметров.

4. Предложен структурно-цветовой анализ цветного графического изображения, заключающийся в обнаружении и определении характеристик соответствующих кластеров: для цветовых компонент - в пространстве цветовых компонент RGB, для центроидов, массы и диссипации - в плоскости изображения.

5. Разработан метод разделения экстентов кластеров структурных элементов изображений, на основании анализа разделимости структурных и цветовых кластеров по диаграммам и матрицам различения экстентов. Метод предполагает определение принадлежности каждой точки пространства наблюдений определенному кластеру, исходя из значений, нормированных по размерам экстентов.

6. Разработан метод структурно-цветового анализа изображений, обеспечивающих высокую достоверность результатов анализа при локализации и оценке структурных элементов изображений. Анализ включает в себя: преобразование цветного графического изображения в монохромную копию с сохранением с достаточной точностью информации о цветовых компонентах; структурного анализа монохромного изображения, включающего в себя центроид-ное преобразование; и обратного тоноцветового преобразования полученного синтезированного монохромного изображения в цветное синтезированное изображение.

7. На основе метода структурно-цветового анализа изображений разработаны средства учета и компенсации искажающих факторов воспроизведения цветных графических изображений:

- устранение нелинейного преобразования тоноцветовых шкал, переназначающих значения графической характеристики, путем коррекции значений цветовых кластеров исходного изображения;

- устранение шумов и помех, представляющих собой реализации текстуры изображения выравниванием тонов и цветов в ее областях за счет объединения в цветовом пространстве кластеров, образующих текстуру;

- устранение цветовых и тоновых дефектов изображений, обусловленных частичной пересекаемостью цветовых кластеров в пространстве RGB, регулированием характеристик цветовых кластеров: средних значений и размеров экстентов.

8. Предложены технологии и алгоритмы обработки графической информации, реализующие объединение схем адаптивного цветотонового и центро-идного преобразований на основе структурно-цветового анализа изображений, и обеспечивающие эффективность использования разработанных в интеллектуальных системах обработки видеоинформации. При обработке центроидным преобразованием предполагается учет выбор параметров обработки в зависимости от геометрических характеристик структурных элементов изображения, плотности их размещения, шумов и помех, присутствующих на изображениях.

9. Проведены экспериментальные исследования разработанных средств и методов, подтвердившие их эффективность и возможности использования в системах обработки и анализа графической информации. В экспериментах анализировались возможности адаптивного цветотонового и центроидного преобразований изображений для реализации методики структурно-цветового анализа. Предложена эффективная вычислительная схема и быстрый алгоритм обработки данных.

ЗАКЛЮЧЕНИЕ

В работе получены научно-обоснованные технические и методические решения, внедрение которых вносит существенный вклад в ускорение научно-технического прогресса и создание интеллектуальных систем и технологий обработки видеоинформации.

1. Александров В.В., Горский Н.Д. Представление и обработка изображений: Рекурсивный подход. - Л.: Наука, 1985. - 188 с.

2. Андреев Г.А., Базарский О.В., Глауберман A.C. и др. Анализ и синтез случайных пространственных текстур // Зарубежная радиоэлектроника, 1984, №2.-С. 3-33.

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

4. Бакут П.А., Колмогоров П.С. Сегментация изображений: Методы выделения границ областей // Зарубежная радиоэлектроника, 1987, № 10. С. 2546.

5. Бакут П.А., Колмогоров П.С., Варновицкий Н.Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлектроника, 1988, № 4. С. 6-24.

6. Башкиров O.A., Васин Ю.Г., Лебедева Л.В., Смирнов А.Ф., Стрелкова Л.Д. Цветовая сегментация сложных графических документов// Тезисы VI Всероссийской конф. «Методы и средства обработки сложной графической информации». Н.Новгород, 2001, - С. 140 - 141.

7. Белов И.А., Парамонов П.П., Сидиков В.С.Применение метода регуляризации для коррекции искаженных изображений в измерительных системах. //Датчики и системы, 2001. №8, С. 20-23.

8. Бокштейн И.М., Мерзляков С.Н., Попова Н.Р. Обнаружение и локализация малоразмерных объектов на неоднородном фоне // Цифровая оптика. Обработка изображений и полей в экспериментальных исследованиях. М.: Наука, 1990. -С. 164-173.

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

10. Бутаков Е.А., Островский В.И., Фадеев И.Л. Обработка изображений на ЭВМ. М.: Радио и связь, 1987. - 240с.

11. Быстрые алгоритмы в цифровой обработке изображений. М.: Радио и связь, 1984.-224с.

12. Васин Ю.Г. "Хорошо приспособленные" локальные однородные методы обработки графической информации // Автоматизация обработки сложной графической информации. Горький: ГТУ, 1984. - С. 131-158.

13. Вдовин A.M., Мурынов А.И., Лялин В.Е. Семантически значимая информация в процессах анализа и интерпретации пространственных данных // Вестник ИжГТУ "Программно-аппаратные средства для анализа и обработки сигналов и изображений" Вып.З, 2002. С.28-33.

14. Вдовин A.M., Мурынов А.И. Оценка параметров малоразмерных элементов пространственных структур с учетом их взаимовлияния //Вестник ИжГТУ "Интеллектуальные информационные технологии в телекоммуникациях и телеметрии". Вып.2, 2002. С.12-17.

15. Вдовин A.M., Хаба Б.С., Мурынов А.И., Лялин В.Е. Исследование планарных элементов пространственной структуры изображений // «Химическая физика и мезоскопия». Т.З, 2001, №2. С.134-147.

16. Вильберг А.Е. Восстановление изображений, представленных в параметрическом виде./ Дни науки НГТУ-98. Тезисы докладов конф. 1998, Новосибирск, Изд-во НГТУ, 1998, С. 29-30.

17. Виттих В.А., Сергеев В.В., Сойфер В.А. Обработка изображений в автоматизированных системах научных исследований. -М.:Наука, 1982.-214с.

18. Галичанин A.A., Мурынов А.И. Обнаружение и распознавание элементов структуры изображения методом центроидной фильтрации // Труды IV

19. Международной научно-технической конференции «Информационные технологии в инновационных проектах» Изд-во ИжГТУ, 2003, С. 11-113.

20. Горячев А.И.Некоторые методы обработки изображений в системах технического зрения. Саратовский гос. ун-т. Саратов, 1999, 9 с.

21. Грабарник П.Я., Комаров A.C. Статистический анализ пространственных структур: Методы, использующие расстояния между точками // Материалы по математическому обеспечению ЭВМ. Вып. 4. Пущино: НЦБИ АН СССР, 1980. - С 48 - 50.

22. Гренандер У. Лекции по теории образов. Т. 1. Синтез образов. М.: Мир, 1979. - 383с. Т.2. Анализ образов. - М.: Мир, 1981. - 448с. Т.З. Регулярные структуры. - М.: Мир, 1983. - 432с.

23. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.-512с.

24. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и анализ изображений // Искусственный интеллект. Кн. 2. Модели и методы. М.: Радио и связь, 1990. -304с.

25. Завалишин Н.В., Мучник И.Б. Модели зрительного восприятия и алгоритмы анализа изображений. М.: Наука, 1974. - 344с.

26. Казанский Н.Л., Мясников В.В., Хмелев Р.В. Алгоритмы поиска расстояний до объектных пикселов на бинарных изображениях. //Компьютер. Оптика. 2000. №20. С. 134-139.

27. Кендалл M., Моран П. Геометрические вероятности. — М.: Наука, 1972.-192 с.

28. Кийко В.М., Шлезингер М.И. Алгоритм выделения отрезков осевых линий на графических изображениях. Киев: АН УССР. - 1983. - 117с.

29. Классификация и кластер. М.: Мир, 1980. - 389с.

30. Кобаяси HL, Номидзу К. Основы дифференциальной геометрии, т. 1.: Пер. с англ. -М.: Гл. ред. физ. мат. лит., 1981. -344с.

31. Козлов В.Н. О зрительном образе, математических подходах к определению этого понятия и о распознавании изображений // ЖВМиМФ,Т. 39, 1999,№ 11,-С. 1919-1936.

32. Козлов В.Н. Способ оценки похожести изображений, основанный на преобразованиях подобия // ЖВМиМФ,Т. 40, 2000, № 5, С. 797-808.

33. Колмогоров А.Н., Фомин C.B. Элементы теории функций и функционального анализа. М.: Наука, 1981. - 544с.

34. Кондратьев В.В., Утробин В.А. Основы теории активного восприятия изображений. Н. Новгород, 1977. - 249 с.

35. Коулмэн Г.Б., Эндрюс Х.С. Сегментация изображения при помощи автоматической классификации // ТИИЭР, т. 67, 1979, № 5. С. 82-97.

36. Кошкарев A.B., Сорокин А.Д. Форматы и стандарты цифровой пространственной информации // ГИС-обозрение, 1995, № 4 С. 40-45.

37. Кузнецов И.П. Семантические представления. -М.: Наука, 1986.295с.

38. Либенсон М.Н., Хесин А .Я., Янсон Б.А. Автоматизация распознавания телевизионных изображений. М.: Энергия, 1975. - 160с.

39. Маратканов В.М., Милич В.Н., Мурынов А.И. Распознавание текстурных изображений с учетом контекстной информации // Тезисы докладов II Всесоюзной конференции "Автоматизированные системы обработки изображений" (АСОИз-86). М.: Наука, 1986. - С. 155-156.

40. Маратканов В.М., Милич В.Н., Мурынов А.И. Принятие решений при интерпретации текстурных изображений // Анализ и интерпретация пространственно-распределенных структур. Свердловск: УрО АН СССР, 1988. - С. 3649.

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

42. Мартышевский Ю.В., Гурков Ю.Ф. Метод сегментации изображений/ Докл. Томского гос. унив-та систем управления и радиоэлектроники. 1997. 1, -С. 25-34.

43. Математические и технические проблемы обработки изображений. -Новосибирск: ВЦ СОАН СССР, 1980. 118с.

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

45. Милич В.Н., Мурынов А.И. Дифференциальная форма представления эталонов при распознавании текстурных изображений // Дискретные системы обработки информации. Вып. 5. Ижевск: ИМИ, 1983. - С. 60-64.

46. Милич В.Н., Мурынов А.И. Применение адаптивных признаков для анализа текстурных изображений // Тезисы докладов II Всесоюзной конференции «Автоматизированные системы обработки изображений» (АСОИз-86). — М.: Наука 1986. С. 32-33.

47. Милич В.Н., Мурынов А.И. Структурно-тоновый анализ изображений в системах технического зрения // Тезисы докладов Всесоюзного симпозиума «Зрение организмов и роботов» Т. 2. Вильнюс: 1985. - С. 199-200.

48. Милич В.Н., Мурынов А.И. Структурно-фазовый анализ текстурных изображений // Тезисы докладов Международной конференции "Обработкаизображений и дистанционные исследования". Новосибирск: ВЦ СОАН СССР, 1990.-С. 158-159.

49. Милич В.Н., Мурынов А.И., Шабанов Г.А. Признаки и процедуры принятия решений при распознавании текстурных сегментов изображений // Разработка систем технического зрения и их применение в промышленности. — Ижевск: 1988.-С. 120-131.

50. Минский М. Структура для представления знания // Психология машинного зрения / Под ред. П. Уинстона. М.: Мир, 1978. - С. 249-338.

51. Морзев Ю. Технологии машинного зрения Сделано в России. // Компьютер Пресс, 2002, № 7. С.50-54.

52. Мурынов А.И. Анализ однородных пространственно-распределенных стохастических структур // Анализ и интерпретация пространственно-распределенных структур. Свердловск: УрО АН СССР, 1988. - С. 5-21.

53. Мурынов А.И. Анализ растровых изображений на основе центроид-ной фильтрации. // Тезисы докладов V Российской университетско-академической научно-практической конференции. Ч. 8. Ижевск: Изд-во Уд-ГУ, 2001. С. 39-40.

54. Мурынов А.И. Векторизация картографических изображений на основе центроидной фильтрации // Труды Международного форума по проблемам науки, техники и образования. Т. 2. М.: Академия наук о Земле, 2000.- С. 125-127.

55. Мурынов А.И. Конфигурационные модели изображений и оценка параметров структурных элементов их деталей // «Химическая физика и мезоско-пия». Т.4, 2002, №1. С. 128-144.

56. Мурынов А.И. Математические модели и методы анализа пространственных структур для экспертных геоинформационных систем. Дисс. на соиск. ученой степени доктора технических наук. Ижевск: ФТИ УрО РАН, 2002. -307 с.

57. Мурынов А.И. Об одном методе распознавания текстурных изображений // Дискретные системы обработки информации. Вып. 2. Ижевск: 1979.- С. 3-6.

58. Мурынов А.И. Объектный формат пространственных данных для ГИС // Материалы IV Всероссийского форума "Геоинформационные технологии. Управление. Природопользование. Бизнес" (ГИС-97). М.: ГИС-ассоциация, 1997.-С. 124-126.

59. Мурынов А.И., Вдовин A.M. Анализ пространственной структуры изображений методом центроидной фильтрации // Вестник ИжГТУ "Программно-аппаратные средства для анализа и обработки сигналов и изображений" Вып.З, 2002. С.3-11.

60. Мурынов А.И., Вдовин A.M., Лялин В.Е. Оценка геометрико-топологических параметров деталей изображений на основе метода центроидной фильтрации // «Химическая физика и мезоскопия». Т.4, 2002, №2. С. 145160.

61. Мурынов А.И., Кузнецов В.Е., Милич В.Н. Автоматизация измерений параметров структуры текстурных изображений // Автоматизация физико-технических измерений. Свердловск: УрО АН СССР, 1991.- С. 109-124.

62. Мурынов А.И., Маратканов В.М. Модель малоразмерных пространственных образований для измерения и оценки их параметров // Автоматизация физико-технических измерений. Свердловск: УрО АН СССР, 1991. - С. 52-60.

63. Обработка изображений и цифровая фильтрация. М.: Мир, 1979.-318с.

64. Орнатский П.П., Туз Ю.М. Интеллектуальные измерительные комплексы // Приборы и системы управления. 1989. - № 7. - С. 15 - 16.

65. Оппенгейм A.B., Шафер Р.В., Цифровая обработка сигналов. -М.: Связь, 1979. 344 с.

66. Осуга С. Обработка знаний. М.: Мир, 1989. - 293с.

67. Павлидис Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986. - 400с.

68. Пименов В.И., Козлов Ю.М. Распознавание изображений малоразмерных объектов // Проблемы создания систем обработки, анализа и распознавания изображений. Ташкент: АН УзССР, 1989. - С. 27-28.

69. Прэтт У. Цифровая обработка изображений. Кн. 1. - М.: Мир, 1982. -312с. - Кн. 2. - М.: Мир, 1982. - 480с.

70. Рабинер JL, Гоулд Б., Теория и применение цифровой обработки сигналов. М.: Мир, 1978. - 268 с.

71. Распознавание образов: состояние и перспективы / К. Верхаген , Р. Дейн , Ф. Грун и др. М.: Радио и связь, 1985. - 104с.

72. Розенфельд А., Дейвис JI.C. Сегментация и модели изображения // ТИИЭР, т. 67, 1979, № 5. С. 71-81.

73. Садыков С.С., Самандаров И.Р. Скелетизация бинарных изображений // Зарубежная радиоэлектроника. 1985. - № 11. - С. 30-37.

74. Сантало JL Интегральная геометрия и геометрические вероятности. -М.: Наука, 1983. -360 с.

75. Серапинас Б.Б. Глобальные системы позиционирования. — М.:ИКФ «Каталог», 2002. — 106 с.

76. Сидорова B.C. Текстурный анализ аэрокосмических изображений на ЭВМ // Математические и технические проблемы обработки изображений. -Новосибирск: ВЦ СОАН СССР, 1980. С. 30-36.

77. Советский энциклопедический словарь. М.: Советская энциклопедия, 1984.-1600 с.

78. Соломатин Н.М. Информационные семантические системы. М.: Высшая школа, 1989. - 127с.

79. Стокхэм Т. Обработка изображений в контексте модели зрения // ТИИЭР, т. 60, 1972, № 7. С. 82-104.

80. Телегина М.В. Селективные эффекты центроидной фильтрации изображений // Вестник ИжГТУ "Математические и программно-аппаратные средства интеллектуальных систем распознавания сигналов и изображений" Вып.5, 2003. С.16-19.

81. Телегина М.В. Пространственные структуры: признаки, элементы, характеристики, модели и методы анализа // ИжГТУ, 2004. 34 с. - Депонировано в ВИНИТИ №1473-В2004.

82. Телегина М.В. Метод селекции структурных элементов графических изображений // ИжГТУ, 2004. 53 с. - Депонировано в ВИНИТИ №1472-В2004.

83. Толковый словарь по искусственному интеллекту / А. Н. Аверкин, М.Г. Гаазе-Рапопорт, Д.А. Поспелов. -М.: Радио и связь, 1992. 256с.

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

85. Турбович И.Г., Гитис В.Г., Маслов В.К. Опознание образов. М.: Наука, 1971.-218с.

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

87. Файн B.C. Алгоритмическое моделирование формообразования. М.: Наука, 1975.-147 с.

88. Фризер X. Фотографическая регистрация информации. — М.: Мир, 1978.-670 с.

89. Фу К. Структурные методы в распознавании образов. М.: Мир, 1977.-320 с.

90. Хаба Б.С., Мурынов А.И. Оценка и распознавание планарных элементов пространственной структуры изображений // Вестник ИжГТУ "Интеллектуальные информационные технологии в телекоммуникациях и телеметрии"; Вып.2, 2002. С. 18-24.

91. Хаба Б.С., Мурынов А.И., Лялин В.Е. Разработка адаптивной оценки планарных элементов пространственной структуры изображений // «Химическая физика и мезоскопия». Т.3,2001, №2. -С. 148-161.

92. Хаба Б.С., Мурынов А.И. Процессы принятия статистически значимых решений при анализе и интерпретации сложных изображений // Вестник ИжГТУ "Математическое моделирование радиоэлектронных средств телекоммуникационных систем". Вып.1,2002. С.22-28.

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

94. Харалик P.M. Статистический и структурный подходы к описанию текстур // ТИИЭР, т. 67, 1979, № 5. С. 98-120.

95. Хеерман Д.В. Методы компьютерного эксперимента в теоретической физике. М.: Наука, 1990. 176 с.

96. Хюккель М. Оператор нахождения контуров на кодированных изображениях //Интегральные роботы. Вып. 1. -М.: Мир, 1973. С. 225-240.

97. Цикритзис Д., Лоховски Ф. Модели данных. М.: Финансы и статистика, 1985.-344 с.

98. Чукин Ю.В. Структуры данных для представления изображений // Зарубежная радиоэлектроника, 1983, № 8. С. 85-107.

99. Шрейдер Ю.А., Шаров A.A. Системы и модели. М.: Радио и связь, 1982.-152 с.

100. Эндрюс Г. Применение вычислительных машин для обработки изображений. М.: Энергия, 1977. - 160с.

101. Эткинс П. Порядок и беспорядок в природе. М.: Мир, 1987. - 224 с.

102. Ющенко С. Графическая оболочка Photon революция в мире интерфейсов // Современные технологии автоматизации, 1996, № 1. - С. 105-109.

103. Ackerson Virginia В., Fish Ernest В. An Evaluation of Landscape Units // Photogrammetric Engineering and Remote Sensing, 1980, v. 46, №3. P.347-358.

104. Agate Graig S., litis Ronald A. Statistics of the RSS estimation algoritm for Gaussian measurement noise. IEEE Trans. Signal Process. 1999 47, №1, - P. 22-32.

105. Apolloni B., Mirino P. Region extraction for thematic analysis of remote sensed images // Spase Developments for the Future of Manking. Pap. 30th Int. Astronaut. Congr., Munich, 17-22, 1980, 7, № 4-5. P. 417-424.

106. Arcelli C., di Baja G.S. A one-pass two-operation process to detect the skeletal pixels the 4-distance transform // IEEE Trans, on Pattern Recognition and MachineIntell., 1989. v. 11.-P. 411-414.

107. Ballard D. Generalizing the Hough transform to detect arbitrary shapes // Pattern Recogn., 1981, v. 13, № 2.-P. 111-122.

108. Cenedese A., Pocecco A. Querzoli G. Effects of image compression on PIV and PTV analysis // Opt. and Laser Technol. -1999-31. №2. P. 141-149.

109. Conners R. W., Vasguez-Espinosa R. E. A Theory of texturethmeasurement definition // Proc. 6 Int. Conf. Pattern Recogn., Munich, Oct. 19-22, 1982.-P. 286-288.

110. Davisson L.D., Rate Distortion Theory and Applications, Proc. IEEE, 60, 7, 800-808 (July 1971)

111. Dieter Japel. An Algorithmic Approach to Feature Extraction // Proc. 6th Intern. Conf. Pattern Recognition, Munich, 1982. P. 1074-1077.

112. Fleck M.M. Local Rotational Symmetries. Tech. Rep. 852. MIT Press., 1985. - 155 p.

113. Freeman H. Shape description via nhe use of critical points // Pattern recognition, 1978, v. 10, №3.-P. 159-169.

114. Gapson D.W. An improved algorithm for the sequentional extraction of boundaries from a raster scan // Comp. Graph, and Image Proc., 1984, v. 28, № 1. -P. 109-125.

115. Goldstein A., Rosenfeld A. Optical correlation for terrain type discrimination // Photogrammetric Engineering, v. 30, 1964, № 4. P. 639-654.

116. Goto N., Kondo T. An automatic inspection system for printed wiring board mask // Pattern Recognition, 1980, v. 12. P. 443-455.

117. Haralick R.M. Structural pattern recognition, homomorphisms and arrangements // Pattern Recogn., 1978, v. 10, № 3. P. 223-236.

118. Harlow C., Trivedi M., Conners R., Phillips D. Scene analysis of high resolution aerial scenes // Optical Engineering, 1986, 25, № 3. P. 347-355.

119. Idelsohn J.M. A learning system for terrain recognition // Pattern Recognition, v. 2, № 4, 1970. P. 293-302. Bendix Technical Joournal, Spring, 1972.

120. James W. Modestino, Robert W. Fries and Acie L. Vickers. Texture Discrimination Based Upon an Assumed Stochastic Texture Model // JEEC Transactions on Pattern analysis and machine intelligence, 1983, v. pamI-3 , no.5.-P.557-580.

121. Julius T. Tov. Pictorial Feature Extraction and Recognition via Image Modeling // Computer Graphics and Image Processing, v. 12, 1980, n.4. P. 376-406.

122. Kittler J. Statistical Image Processing // Computer Graphics, 1983, №8. -P.232-243.

123. Kittler J. and Paler K. An Absorption Edge Detector // Computer Graphics, 1983, №8. P.345-350.

124. Kondratyev V.V., Utrobin V.A. Uncovering of indeterminacy in identification problem // Pattern Recognition and Image Analysis. 1996. - l2. - P. 250 - 259.

125. Kwok P. Customising thinning algorithms // 3rt Int. Conf. Image Proc. and Appl., Warwick, 18-20 July, 1989, London, 1989. P. 633-637.

126. Lam L., Lee S.-W. Thinning methodologies A comprehensive survey // IEEE Trans. Pattern Anal, and Mach. Intell, 1992, 14, № 9. - P. 869-885.

127. Lewis N.W., Wareform Responses of Television Links, Proc. IEE, 101, part 3 , 258-270 (1954)/

128. Luan Xin, Zhu Tiey //Gingdao haiyang daxue xuabao= J. Ocean Univ. Gingdao.- 1999-29, №1.-P. 107-111.

129. Mannos J.L., Sakrison D.J., The Effects of Visual Fidelity Criterion on the Encoding of Images, IEEE Trans. Inf. Theory, IT-20, 4, -P. 525-536 (July 1974).

130. O'Gorman L. KxK thinning // Comput. Vision, Graph, and Image Process, 1990, 51, №2.-P. 195-215.

131. Paven K., Deepak B. Pseudo one thinning algorithm // Pattern Recogn. Lett., 1991, 12, №9.-P. 543-555.

132. Pavlidis T. A thinning algorithm for discrete binary images // CGIP. -1980, v. 13.-P. 142-157.

133. Pearson D.E., Methods for Scaling Television Picture Quality, in: Picture Bandwidth Compression, Huang T.S., Tretiak O.J., Eds., Gordon -and Breach, New York, 1972.- 158 p.

134. Pietikainen M., Rosenfeld A., Davis L. S. Texture classification using averages of local pattern matches // Proc. 6th Int. Conf. Pattern Recogn., Munich, Oct. 19-22,1982.-P. 301-303.

135. Rangasami L. and Ramalingam Chellippa. Estimation and Choice of Neighbors in Spatial-Interaction Models of Images // IEEE Transactions on information theory, 1983, v.it-29, no.l, January. P. 61-70.

136. Rosenfeld A. A characterization of parallel thinning algorithms // Information and Control. 1975, v. 29. - P. 286-291.

137. Scarpace F.L., Quirk B.K. Land-cover classification using digital processing of aerial imagery // Photogramm. Eng. and Remote Sens, 1980, v. 46, № 8 -P. 1059-1065.

138. Schan. H.C .Statistical filter for image feature extraction // Applied Optics, v. 19, №13,1 July 1980. P. 2182-2190.

139. Schulze H. G., Greek L. S., Barbosa C. J., Blades M. W., Turner R. F. B. Signal detection for data sets with a signal-to-noise ratio of 1 or less with the use of a moving product filter/ // Appl. Spectrosc. -1998-52. №5, P. 621-625.

140. Steiner D., Haefner H. Tone distorsion for automated interpretation // Photogrammetric Engineering, v. 31, 1965, № 3. P. 269-284.

141. Telegina. M.V., Lepihov Y.N., Galichanin A.A., Pivovarov I. V. The adaptive color and tone tranformation of images // VI International congress on matematical modeling, сентябрь 2004г., Нижний Новгород. С.253.

142. Weaver L.E., The Quality Rating of Color Television Picture. J. Soc. Motion Picture Television Engineers, 1989. P. 610-612 (June 1968).

143. Verhagen C. J. D. M. Applications of Pattern Recognition and Processing to Physical and Related Problems // Pattern Recognition in Practice, 1980. P. 189206.

144. Yokoyama R. Texture Synthesis Using a Growth Model. // Computer Graphic and Image Processings, 1978, №8. P. 369-378.

145. Zhuravlev Yu. I., Gurevitch I.B. Pattern Recognition and Image Recognition // Pattern Recognition and Image Analysis, 1991, v.l, № 2. P. 149181.