автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Повышение эффективности процесса сегментации в системах анализа изображений на основе метода выращивания областей и многомасштабных преобразований

На правах рукописи

СИЗОВ ПАВЕЛ ВАДИМОВИЧ

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПРОЦЕССА СЕГМЕНТАЦИИ В СИСТЕМАХ АНАЛИЗА ИЗОБРАЖЕНИЙ НА ОСНОВЕ МЕТОДА ВЫРАЩИВАНИЯ ОБЛАСТЕЙ И МНОГОМАСШТАБНЫХ ПРЕОБРАЗОВАНИЙ

05.13.01 - Системный анализ, управление и обработка информации (промышленность)

Автореферат диссертации на соискание учёной степени кандидата технических наук

1 7 МДЯ 20^2

Рыбинск-2012

005042835

005042835

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Рыбинский государственный авиационный технический университет имени П. А. Соловьёва».

Научный руководитель

канд. техн. наук, доцент Паламарь Ирина Николаевна.

Официальные оппоненты:

Фаворская Маргарита Николаевна д-р техн. наук, доцент, федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнёва», зав. кафедрой информатики и вычислительной техники;

Луцив Вадим Ростиславович канд. техн. наук, федеральное государственное унитарное предприятие «Научно-производственная корпорация «Государственный оптический институт им. С. И. Вавилова», ведущий научный сотрудник.

Ведущая организация

Федеральное государственное бюджетное учреждение науки «Институт систем обработки изображений Российской академии наук», г. Самара.

Защита состоится 25 мая 2012 года в 12 часов на заседании диссертационного совета Д 212.210.04 при федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Рыбинский государственный авиационный технический университет имени П. А. Соловьёва» по адресу: 152934, г. Рыбинск, ул. Пушкина, д. 53.

С диссертацией можно ознакомиться в библиотеке федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Рыбинский государственный авиационный технический университет имени П. А. Соловьёва».

Конюхов Борис Михайлович

Автореферат разослан 24 апреля 2012 года.

Учёный секретарь диссертационного совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Системы анализа изображений применяются во многих научно-технических и производственных отраслях, где требуется повысить эффективность процедур обработки визуальных данных: медицине, промышленности, аэрофотосъёмке, системах безопасности и охраны правопорядка, робототехнике и других. В промышленности системы анализа изображений используются в металлографии, дефектоскопии, при оценке качества обработки поверхностей, исследовании эксплуатационных свойств материалов и в, других прикладных областях. Как правило, под анализом в данных системах понимается выявление объектов, представленных на изображении, и расчёт их характеристик, заданных методикой конкретного исследования и основанных на различных геометрических и статистических признаках. Следовательно, важнейшим этапом обработки визуальных данных в системах анализа изображений является процесс сегментации - выделения однородных по какому-либо признаку областей (сегментов) на исходном цифровом растровом изображении.

На данный момент существует множество методов и подходов к анализу изображений, описанных в работах сотрудников научных школ В. А. Сойфера, С. С. Садыкова, Р. С. Гонсалеса (R. С. Gonzalez), JI. Шапиро (L. Shapiro), Ю-Дж. Жанга (Y.-J. Zhang), М.Баатца (M.Baatz), сотрудников лаборатории компьютерного зрения университета Беркли (UC Berkeley) и других. Однако на практике лишь немногие из них, наиболее изученные и удобные в реализации, используются в технических системах при решении прикладных задач. При этом применение интеллектуальных методов с высокой степенью организации вычислительной системы должно дать эффект оптимизации, включающий: а) качественное расширение возможностей системы анализа изображений для обработки изображений сложных структур объектов; б) повышение точности анализа изображений; в) совершенствование управления процессом анализа; г) снижение затрат времени на анализ изображений. К данным методам относятся методы сегментации, использующие информацию о связности областей, в том числе методы, основанные на технике выращивания областей. Их исследования являются актуальными, так как они позволяют значительно более эффективно решать прикладные задачи, где до этого применялись классические подходы, к примеру, пороговая сегментация.

Цель и задачи исследования. Цель исследования состоит в повышении эффективности процесса сегментации в составе системы анализа изображений за счёт разработки новых высокоорганизованных методов сегментации, комплекса связанных способов и алгоритмов обработки визуальных данных на основе техники выращивания областей и многомасштабных преобразований.

Для достижения поставленной цели необходимо:

- на основе системного подхода исследовать теорию методов сегментации в контексте их влияния на эффективность функционирования технических си-

стем анализа изображений;

- разработать метод сегментации изображений как систему вычислительных операций с высокой степенью организации и интеграции связанных способов обработки визуальных данных;

- разработать и исследовать оптимизированные унифицированные алгоритмы реализации оригинального метода сегментации;

- провести экспериментальное исследование разработанного метода сегментации и комплекса связанных способов обработки визуальных данных в составе системы анализа изображений.

Объектом исследования является процесс сегментации изображений в составе систем анализа изображений неоднородной сегментной структуры.

Предметом исследования являются методы повышения эффективности системы сегментации, оптимизации её вычислительных процессов и комплекса связанных способов обработки визуальных данных.

Методы исследования. В работе используются методы системного подхода в контексте теории обработки изображений; диалектики; теории множеств; многомасштабного анализа; вейвлет-преобразований; математической морфологии; теории алгоритмов; аппроксимации; математической статистики; компьютерного моделирования.

Достоверность и обоснованность результатов работы, а также адекватность предложенных моделей подтверждается корректностью использованных методов исследования; систематичностью анализа и синтеза моделей, методов, алгоритмов; сходимостью теоретических выводов и данных экспериментов.

Научная новизна работы выражается в следующих пунктах:

- предложена классификационная система методов сегментации с использованием бинарных оппозиций и формализма теории множеств, отличающаяся от традиционных, основанных на принципе обобщения по используемым в процессе обработки средствам; разработанный подход к классификации позволил выявить перспективные направления проектирования нового метода сегментации изображений;

- построена многомерная модель представления исходных данных в системе сегментации, основанная на концепции многомасштабного анализа;

- разработан унифицированный подход к созданию алгоритмических систем, используемых при сегментации изображений методом выращивания и слияния областей.

Основные положения, выносимые на защиту:

- способы преобразования изображений в многомерной модели: способ многомасштабного спектрального представления; способ текстурного анализа при помощи вычисления вейвлет-статистики; способ многомасштабного контурного анализа на основе вычисления оператора Собела;

- метод сегментации изображений на основе выращивания и слияния об-

ластей, включающий разработанный способ определения центров кристаллизации и оригинальный критерий определения оптимального состояния процесса слияний областей, отличающийся усовершенствованной организацией;

- алгоритм реализации разработанного метода сегментации с временной оптимизацией и унифицированной структурой.

Практическая ценность работы заключается в следующем:

- разработанная многомерная модель представления исходных данных в системе сегментации позволяет выполнять корректную сегментацию изображений неоднородной сегментной структуры, что обеспечивает универсальность применения в прикладных задачах;

- реализация разработанного метода сегментации позволяет оптимизировать функционирование системы анализа изображений по показателям точности, временных затрат и управляющих воздействий;

- разработано программное обеспечение количественного анализа растровых изображений, позволяющее повысить эффективность исследований образцов различных материалов в промышленных применениях.

Реализация и внедрение полученных результатов. Основные результаты использованы на производствах ОАО «НПО «Сатурн», ЗАО «ВолгАэро», ООО «Литейно-механический завод» и внедрены в учебном процессе ФГБОУ ВПО «РГАТУ имени П. А. Соловьёва».

Апробация работы. Основные положения диссертации докладывались и обсуждались на следующих форумах: I Всероссийская научная конференция молодых учёных «Теория и практика системного анализа» (Рыбинск, 2010); XI Международная научно-техническая конференция «Кибернетика и высокие технологии XXI века» (Воронеж, 2010); Всероссийская межвузовская научная конференция «Ш Всероссийские научные Зворыкинские чтения» (Муром, 2011); Международная молодёжная конференция «XI Королёвские чтения» (Самара, 2011). Научно-исследовательские работы проводились при поддержке государственного Фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодёжного научно-инновационного конкурса».

Публикации. По теме диссертации опубликовано 12 научных работ: 4 статьи в научных журналах, в том числе 3 статьи в журналах, рекомендуемых ВАК РФ для публикации основных результатов диссертаций; 5 докладов в сборниках трудов конференций; патент РФ на изобретение №2440609 от 20.10.2010; 2 свидетельства о государственной регистрации программ для ЭВМ: №2009613898 от 20.07.2009, №2010614091 от 23.06.2010.

Структура и объём работы. Диссертация содержит введение, 4 главы, заключение, изложенные на 150 страницах машинописного текста, список использованных источников, состоящий из 108 наименований, 4 приложения. Материал работы включает 80 рисунков, 13 таблиц.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, определены объект и предмет исследования, сформулированы цель и задачи исследования, представлены тезисы научной новизны и положения, выносимые на защиту.

В первой главе определено положение сегментации в составе систем анализа изображений в качестве критической операции при качественной смене представления изображения, эффективность которой оказывает ключевое воздействие на результаты всего процесса анализа.

Автором расширена существующая математическая формулировка задачи сегментации. Сегментация есть разделение множества пикселов F (исходного изображения) на п топологически связных подмножеств (областей, сегментов, регионов, кластеров) S = {Sj,^, • ••>£„}, так что

US,=F, SiKjSj=0, V(SieS)p(Sj),

/=1 (и

v(Sj,Sj eS;N(Sj,Sj))^pfa u, P(S,) = {Рк\кеК], где P{Sj) - предикат гомогенности для сегмента S,-; К— множество факторов гомогенности изображения неоднородной сегментной структуры;

N(Sj,Sj) - предикат топологический смежности сегментов 5,- и Sj.

На основе анализа существующих подходов к классификации методов сегментации автором была предложена классификационная система методов сегментации на основе бинарных оппозиций и формализма теории множеств, обобщающая подходы к классификации, описанные в работах Ю-Дж. Жан га (Y.-J. Zhang), С. В. Поршнева и А. О. Левашкиной.

Классификацию С на основе предложенного подхода зададим группой

С = {М,СО,$, (2)

где М = {М\,М2,--.,Му,...} - множество методов сегментации;

СО - {0\,02,... Оп} - множество из п используемых классификационных признаков (оппозиций); £ - оператор классификации.

Каждый классификационный признак Ох является множеством, состоящим из двух элементов {ах,Ьх} - противоположных свойств метода сегментации. Тогда декартово произведение CG всех используемых оппозиций 0\,С>2, ...0„ даст набор классификационных групп-кортежей {G,| / = 1,2, ...2й}

CG = (...((01х02)х03)х04 ...)= {Gt\i = 1,2, ...2"} = (3)

= {(aha2...an),...{bx,a2...bn),...(bi,b2...bri)}.

В таком случае оператор классификации ^ есть отображение множества методов сегментации М во множество классификационных групп CG

фйу^в, . (4)

В результате последовательного нисходящего анализа существующих методов сегментации в соответствии с введённым подходом классификационной системы оппозиций предложена классификация методов сегментации (табл. 1).

Таблица 1

Классификация методов сегментации

Класснднкапнонные признаки

X 2 3

Группа методов сегментации Контурео-га сегментно-орнентировап-ные методы Использование информации о связности Выделение объекта вз фона га полная сегментация Особенности методов

Методы на основе контурных детекторов Контурно-ориентированные методы Не используется (в редких случаях используются методы связывания) Полная сегментация Линейная, слабо интегрированная структура; низкая универсальность

Пороговые преобразования Сегментно-ориентированные методы Не используется Выделение объекта из фона Простейшая структура; низкая универсальность

Методы на основе теории графов Сегментио-ориентирован-иые методы Используется Выделение объекта из фона с современным развитием в полную сегментацию Опора на развитую теорию; отсутствие динамической адаптации

Сегментация по морфологическим водоразделам Сегментно-ориентированные методы Используется Полная сегментация Возможность работы только с одной информационной плоскостью (характеристикой изображения)

Разделение и слияние областей Сегментно-ориентированные методы Используется Полная сегментация Трудность задания предиката гомогенности />()

Выращивание областей Сегментно-ориентированные методы Используется Выделение объекта из фона с современным развитием в полную сегментацию Нелинейная интегрированная структура с обратными связями; широкие возможности по использованию разнородной информации; высокая вычислительная сложность и трудность реализации

Итогом аналитического рассмотрения подходов к использованию методов сегментации в системах анализа изображений стал ряд основных концепций, требующих своего отражения и развития при синтезе нового универсального метода сегментации, основанного на выращивании областей: а) многомасштабный анализ; б) вейвлет-преобразование; в) контурный оператор Собе-ла; г) совмещение процессов выращивания и слияния областей; д) автоматическое определение центров кристаллизации сегментов; е) автоматическое определение оптимального состояния процесса слияния областей.

Во второй главе первоначально проведён анализ состава и структуры системы анализа изображений, после чего в соответствии с целью исследования

как её подсистема была синтезирована система сегментации изображений на верхнем иерархическом уровне детализации (рис. 1). В порядке реализации предложенной схемы системы сегментации изображений выполнен последовательный нисходящий синтез высокоуровневых моделей и методов.

Построена многомерная модель представления исходных данных в системе сегментации, включающая в себя: многомасштабную спектральную модель; способ текстурного анализа при помощи вычисления вейвлет-статистики; способ многомасштабного контурного анализа на основе вычисления оператора Собела.

Система сегментации изображений

Рис. 1. Схема системы сегментации изображений Введём структуру многомасштабного представления спектральных данных исходного изображения, в которой каждому масштабному уровню / в диапазоне [0...Z], где Z- глубина многомасштабного анализа, и каждому сегменту

S = {р\,Р2т--Рп}> где Р - -данные пиксела изображения в цве-

товом пространстве RGB, соответствует ряд значений цвета Cl(s), /e[0...z],

вычисляемых при помощи сглаживающего матричного фильтра G(x, , рассчитанного на основе функции Гаусса.

Автором предложен способ текстурного анализа изображений на основе многомасштабного анализа и вейвлет-преобразования, заключающийся в расчёте количественной меры вариаций Т1ху функции изображения fix, у) на масштабе / (вейвлет-статистика) вблизи базовой точки рх у

Т1 ~V1'1 +Kn'/+Fni'/ + FIV'/ (5)

*Х,У — 'х,у + гх,у + Ух,у ^ ¥Х,у ' \J>

где vl'jy, У^у, ~ составляющие вейвлет-статистики, рассчитан-

ные в четырёх квадрантах Q - {I, П, III, IV} окрестности базовой точки.

Запишем уравнение для вычисления составляющей вейвлет-статистики

кИ, для одного квадранта (рис. 2, слева) окрестности базовой точки

Т/І,/ ТІ-V -и-1 І

.(6)

^—I,/ —1./-1 V —и —1./-1

где 0{р\,Р2) - оператор вычисления евклидова расстояния в ИОВ-

—<2,1

пространстве; птх,у - оператор среднего значения 1-го уровня на квадрате

пикселов со стороной 21, рассчитываемый по рекуррентной формуле

—I. пті

,1 г/Г—1./-1 —1,М ——1,/-1 —1,1-1 Ц

_ >У=Ш1{™Х>У . "^му ""^м- (7)

где М - оператор нахождения средней точки в 1ЮВ-пространстве на множестве Я = {р1,Р2>---Рп}> птх>у=Рх,у Вычисление составляющих вейвлет-

ш

статистики в остальных квадрантах выполняется с помощью поворота шаблона на необходимый угол и соответствующего изменения выражений (6) и (7).

В рамках реализации многомерной модели представления исходных данных

сегментации автором предложен способ Рис. 2. Шаблоны областей расчета:

многомасштабного контурного анализа на составляющей вейвлет-статистики для

основе вычисления оператора Собела. трех масштабных уровней (слева);

Способ заключается в многомасштабном многомасштабного оператора Собела

_ „ для двух уровней анализа (справа)

представлении окрестности базовой точки

расчёта рху (рис. 2, справа) с использованием операции расчёта среднего значения цвета тп1х,у на квадрате пикселов со стороной 21 и вычислении классического оператора Собела для каждого масштабного уровня окрестности с по-

—О,/ л

лучением величины отклика оператора иХуу, где О - ориентация выделяемых контуров.

Следующим шагом последовательного синтеза системы сегментации (рис. 1) стала разработка способа определения центров кристаллизации. Способ определён последовательностью вычислительных операций: а) расчёт вейвлет-

статистики изображения Тху, /е[б)получение функции 1Ж2{х,у)

многомасштабного градиентного изображения, как суммы вейвлет-статистики

для 1 = 1.2,

Ш2{х,у)=ЪТ1ху, /=1

(8)

в) квантование функции 1ЛУ2{х,у) с целью устранения шумовых локальных минимумов; г) поиск локальных минимумов С0 функции градиента и заполнение компонент связности

Ск={Ск_х®В)^^к = йЛ..лА^{ш2{х,у)\^2{х,у)=с\ ;С0 = {с}; (9)

где В - примитив дилатадии (квадрат 3 х3 пике);

д) определение центра тяжести и его проецирование на саму компоненту.

Структура процессов выращивания и слияния областей в составе системы сегментации (рис. 1) в работе определена следующими операциями.

1) Вычисление внешней границы вг = 5® и5| и...5® сегмента5как

вг = {Б®В)\8. (Ю)

2) Вычисление значений функции гетерогенности для каждой пары «сегмент - граничный пиксел» (выращивание областей), «сегмент - сегмент» (слияние областей) 1/>у- = [^-.Яу] . где - индексы сегментов. Используются

три различные многомасштабные функции гетерогенности, для которых введена возможность настройки весовых коэффициентов щ,1 = \..2 значимости компоненты функции гетерогенности для /-го масштабного уровня:

а) функция Нру в пространстве многомасштабных спектральных данных

б) функция нJj в пространстве многомасштабной вейвлет-статистики;

в) функция Яр,- в пространстве данных многомасштабного контурного анализа; формулы для функций Я?, и Я,® приведены в п. 2.3.2 диссертации.

3) Поиск оптимальной пары 1ор1, для которой выбранная функция гетерогенности принимает минимальное значение на всём пространстве сцены (случай выращивания областей по глобальному правилу).

= аг8 = 4 (12)

Для процесса слияния областей в работе предлагается локальное правило ^-порядка, которое определено как стратегия поиска локально оптимальной пары смежных сегментов £ор1 среди множества связных сегментов, соединённых цепью с выбранным базовым сегментом ВБ длиной не более к.

4) Предложен критерий вычисления оптимального шага / окончания слияний областей как максимума скорости роста последовательности значений стоимости слияний Нг, г = 1,2..., вычисленных на всём диапазоне слияний.

I = аг§(шах{Дйг, г = 1,2,...}), Лйг = /гг+1 ~ К ■ (13)

г

Третья глава посвящена разработке и исследованию оптимизированных унифицированных алгоритмов реализации методов выращивания и слияния об-

ластей в составе системы сегментации (рис. 1). Оптимизация проводилась по критерию временной сложности алгоритмов.

В соответствии с установленной методикой эксперимента выявлено предпочтительное направление оптимизации временных затрат в системе анализа изображений для процесса выращивания областей.

На основе классического описания метода выращивания областей построена его алгоритмическая реализация, для которой проведён анализ в контексте выбранного критерия оптимизации. Рассчитаны аналитические оценки асимптотической временной сложности алгоритма (табл. 2) для внутреннего процесса повторных вычислений функции гетерогенности Я,- у, определяющего временную сложность всего процесса сегментации: ОР(п) _ количество вычислений функции гетерогенности, где п - размер задачи сегментации (число пикселов изображения). С целью временной оптимизации и унификации алгоритмов выращивания и слияния областей предлагается схема формализации данных сегментации (рис. 3).

Формат записи данных сегмента с массивом указателей SL на ассоциированные связи

Данные сегмента&

SLt

SL,

Оптимальная связь с минимальным значением функции гетерогенности ¿1

S,

с 1

і

X;

Формат записи-связи «сегмент - граничный пиксел»

сг

х

л.

А A=S, a=s2 Указатель на сегмент А ■ А А

В В=р В=р Указатель на сегмент В (граничный пиксел) в-р В=р

D d=\L2\ Значение функции гетерогенности (Delta, D) D D

Lc Lc=0 Lc=0 Статус связи (заблокирована, разблокирована) (Lock, Lc) Lc= 1 Lc= 1

Активная часть списка связей

Пассивная часть списка связей _

Общий список записей-связей Рис. 3. Схема формализации данных процессов выращивания и слияния областей (с - центр кристаллизации, \Ц - значение функции г етерогенности для связи I)

Автором разработан унифицированный алгоритм реализации методов выращивания и слияния областей, для которого получена аналитическая оценка асимптотической временной сложности по функции ОР{п) (табл. 2), теоретически подтверждающая эффективность проведённой оптимизации.

В результате развития и детализации структур данных и схем управления разработанного алгоритма синтезированы две его дополнительные версии (3 и

4), последняя из которых стала обобщением двух предыдущих.

Повышение эффективности процесса сегментации по критерию машинного времени доказано экспериментальными данными (рис. 4) и полученными статистическими оценками временной сложности (табл. 3).

Таблица 2

Оценки временной сложности процесса вычислений функции гетерогенности

Условия

Классический алгоритм (версия 1)

Оптимизированный алгоритм (версия 2)

Максимально плотная расстановка центров кристаллизации

вП(п)ео(п2)

QD{n)edn[)

Минимально плотная расстановка центров кристаллизации

QD{n)^d>iX>5)

QD{n)&o[nX>5)

& 1 Версия 02 Версия A3 Версия Ф4 Версия f, 2000 •g 1800 5 1600 I "too

I 1200

1 1000

я 800

2 600 i- 400 в 200 І 0

в. -S «

Размер изображения л, пиксел * К)1

" -ф-1 Версия В2 Версия ДЗ Версия Є4 Версия

Ь 250

| 200

| 150

| ЮО

£ 50 3

£ о

І <S> d" О* С? i? о> & & & о"1,»1 і

£ Коэффициент заиолиеиения изображения центрами кристаллизации SR

^Алгоритм простого перебора 02 Версия ДЗ Версия в4 Версия 4,5 4 3,5 3 2,5 2 1,5 1

0,5 0

_Размер изображения я, пиксел * 103

^Алгоритм простого перебора 3-2 Версия A3 Версия о4 Версия

„ 500 --------

Ъ 450 я 400 1 350 й 300 5 250 ® 200 в 150 « 100 5 50

і т/ш/ш///

Коэффициент заполнеиеиня изображения центрами кристаллизации SR

Рис. 4. Графики зависимостей времени выращивания Тв и слияния Тс областей

Таблица 3

Статистические оценки временной сложности процесса выращивания областей

Данные аппроксимации Версии алгоритмов

1 2 3 4

Уравнение оценки Гв = 0,4524 „2'8761 Гв = 0Д481п2-5962 т л 2,2661 Тв = 0,2676 и 7В = 0,3536 п

Достоверность аппроксимации R2 0,9791 0,995 0,9979 0,9973

В четвёртой главе на основе выполненной программной реализации системы анализа изображений проведено исследование предложенного метода

сегментации и комплекса связанных способов обработки визуальных данных на соответствие основным показателям эффективности процесса сегментации, результаты которого приведены в таблице 4.

Таблица 4

Результаты сравнительной оценки эффективности

процесса сегментации в составе системы анализа изображений

Показатель эффективности Критерий оценки показателя эффективности

Результат исследования [ Аналог

Организация системы (совокупность взаимосвязей частей системы в контексте её функционирования) Интеграция системы сегментации (связность метода сегментации со вспомогательными способами анализа исходных данных и описания объектов анализа) Необходимые внешние управляющие воздействия

Требуется настройка параметров системы сегментации. Вспомогательные способы анализа исходных данных внедрены в систему сегментации. Процесс описания объектов анализа интегрирован в процесс сегментации Требуется использование: - инструментов предобработки (цветовой коррекции; частотной фильтрации; текстурного анализа); - фильтрации результатов сегментации; - процедуры описания объектов анализа

Универсальность (возможность использования системы сегментации для различных изображений) Используемые факторы гомогенности сегментов

Возможно совместное использование нескольких факторов гомогенности сегментов, что повышает способность системы сегментации к анализу изображений неоднородной сегментной структуры на разных масштабных уровнях Возможно использование одного из факторов гомогенности сегментов (спектрального, текстурного, контурного) на единственном уровне пространственного масштаба

Управляемость (способность системы к достижению цели посредством управляющих воздействий) Возможность внесения управляющих воздействий в процесс сегментации

Динамический процесс выращивания и слияния областей допускает изменение параметров управления на каждом шаге объединения сегментов Управляющие воздействия задаются до начала процесса сегментации без возможности оперативного управления

Унификация (степень однородности алгоритмов, используемых для реализации различных вычислительных процессов) Общность алгоритмизации процессов выращивания и слияния областей

Реализация процессов выращивания и слияния областей на основе унифицированного алгоритма с возможностью гибкой передачи управления от одного процесса к другому Реализация процессов выращивания и слияния областей посредством различных алгоритмов

Точность (количественная оценка корректности сегментации) Ошибка системы анализа при фиксированном уровне управления относительно эталонных данных эксперта

5,1% 1 П,6%

Временная сложность (статистическая оценка времени выращивания областей !ГВ) Время выполнения алгоритма выращивания областей при фиксированной точности

„ 2,1974 Гв = 0,3536 п Тв = 0,4524 п

В работе дано описание разработанной исследовательской программной среды анализа изображений с характеристиками её управляющих параметров.

Выполнено исследование разработанных вспомогательных алгоритмов системы сегментации на широкой группе различных изображений.

Исследование эффективности системы на соответствие показателю точности сегментации проведено для задачи определения характеристик пластических деформаций многокомпонентных систем (рис. 5, слева) при создании композиционных материалов посредством разработанного специализированного программного модуля анализа результатов сегментации в системе анализа изображений. Ошибка оценки деформации рассчитывалась относительно эталонных данных эксперта. Сравнение с аналогом (пороговым преобразованием) проводилось в автоматическом режиме работы системы сегментации.

Исследование предложенной стратегии локального правила к-го для процесса слияний проведено на рентгенографических изображениях дефектов лопаток газотурбинного двигателя. Получены зависимости частоты совпадений глобально и локально оптимальных решений для процесса слияний областей.

Рис. 5. Результаты сегментации экспериментальных изображений: биметаллической пластины (слева); перлитной структуры (справа)

В завершение исследования были рассмотрены перспективные возможности расширения системы сегментации дополнительными способами представления исходных данных в рамках предложенной многомерной модели: направленного сканирования изображения, восстановления трёхмерной формы объекта, использования семантической информации о структуре объекта.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1) Предложена классификационная система методов сегментации с использованием бинарных оппозиций и формализма теории множеств, на основе которой построена классификация и проведён системный анализ методов сегментации, выявивший перспективные концепции реализации процесса сегментации в системе анализа изображений.

2) Построена многомерная модель представления исходных данных в системе сегментации, обеспечивающая использование в процессе сегментации различной информации (спектральной, текстурной, контурной), полученной для заданного диапазона уровней пространственного масштаба. Разработанные способы, реализующие многомерную модель, обеспечивают повышение качества сегментации изображений неоднородной сегментной структуры.

3) Предложен новый метод сегментации изображений на основе выращивания и слияния областей, включающий разработанный способ автоматическо-

го определения центров кристаллизации и оригинальный критерий автоматического определения оптимального состояния процесса слияний областей. Метод обеспечивает высокую степень организации системы анализа изображений и, следовательно, повышение эффективности процесса сегментации.

4) Разработаны алгоритмы, обеспечивающие улучшение оценки времен-

0 7

ной сложности процедуры выращивания областей в п ' (и - размер изображения в пикселах). За счёт обобщения алгоритмов реализации метода выращивания областей для метода слияния областей достигнут эффект унификации реализации вычислительных процессов в системе сегментации.

5) Система количественного анализа изображений на основе разработанного метода сегментации обеспечивает повышение точности измерений при фиксированном уровне управления (ошибка уменьшена на 6,5 %).

6) Организация процесса сегментации в системе анализа изображений имеет открытую структуру и предоставляет возможности для расширения.

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи в научных изданиях, рекомендованных ВАК РФ:

1 Сизов, П. В. Метод сегментации изображений с применением выращивания областей и многомасштабного анализа [Текст] / И. Н. Паламарь, П. В. Сизов // Вестник Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнёва. - Красноярск. - 2010. - № 3 (29). -С. 15-20.

2 Сизов, П. В. Оптимизация исследований методов сегментации растровых изображений на основе классификационной системы [Текст] / И. Н. Паламарь, П. В. Сизов II Вестник Рыбинской государственной авиационной технологической академии имени П. А. Соловьёва. - Рыбинск. - 2010. - № 3 (18). -С. 218-228.

3 Сизов, П. В. Временная оптимизация алгоритма сегментации в системе анализа изображений на основе метода выращивания областей [Текст] / И. Н. Паламарь, П. В. Сизов // Информационно-управляющие системы. -2012,-№2.-С. 2-12.

Статьи в других научных изданиях и материалах конференций:

4 Сизов, П. В. Сегментация изображений радиальной структуры с помощью непрерывного вейвлет-преобразования [Текст] / И. Н. Паламарь, П. В. Сизов // Вестник Костромского государственного университета имени Н. А. Некрасова. Т. 15 : Системный анализ. Теория и практика. - 2009. — № 1. —

С. 52-55.

5 Сизов, П. В. Обнаружение лиц при помощи метода связной сегментации с восстановлением формы по одиночному полутоновому изображению [Текст] / И. Н. Паламарь, П. В. Сизов // Труды I Всероссийской научной конференции молодых учёных «Теория и практика системного анализа». - Рыбинск. -

2010. - Т. 1.-С. 84-89.

6 Сизов, П. В. Метод выделения текстурной информации при помощи вычисления оператора Собела и многомасштабного анализа с последующей сегментацией [Текст] / И. Н. Паламарь, П. В. Сизов // Труды XI Международной научно-технической конференции «Кибернетика и высокие технологии XXI века». - Воронеж. - 2010. - Т. 2. - С. 665-672.

7 Сизов, П. В. Способ и система анализа изображений на основе сегментации с помощью методов выращивания и слияния областей [Электронный ресурс] / И. Н. Паламарь, П. В. Сизов // Ш Всероссийские научные Зворыкинские чтения: сб. тез. докл. П1 Всероссийской межвузовской научной конференции. -Муром. - 2011. - С. 243-244.

8 Сизов, П. В. Многомасштабный анализ изображений структур эвтектических сплавов [Текст] / П. В. Сизов // Королёвские чтения: XI Международная молодёжная конференция: тезисы докладов. - Самара. - 2011. - С. 303.

9 Сизов, П. В. Подход к семантической сегментации изображений структур железоуглеродистых сплавов [Текст] / П. В. Сизов И Научные труды Международной молодёжной научной конференции «XXXVIII Гагаринские чтения» в 8 томах. - М.: ИЦ МАТИ, 2012. Т. 8.

Объекты интеллектуальной собственности:

10 Свидетельство о государственной регистрации программы для ЭВМ №2009613898. Вейвлет-спектрограф [Текст] / Паламарь И. Н„ Сизов П. В. ; заявитель и правообладатель ГОУ ВПО «РГАТА имени П. А. Соловьёва».-Заявка №2009612503 от21.05.2009; опубл. 20.07.2009.

11 Свидетельство о государственной регистрации программы для ЭВМ № 2010614091. Программная среда для сегментации изображений на, основе методов выращивания областей и вейвлет-преобразований [Текст] / Паламарь И. Н., Сизов П. В. ; заявитель и правообладатель ГОУ ВПО «РГАТА имени П. А. Соловьёва». - Заявка № 2010612442 от 5.05.2010 ; опубл. 23.06.2010.

12 Пат. 2440609 Российской Федерации, МПК7 в 06 К 9/34. Способ сегментации растровых изображений на основе выращивания и слияния областей [Текст] / Паламарь И. Н., Сизов П. В.; заявитель и патентообладатель ФГБОУ ВПО «РГАТУ имени П. А. Соловьёва». - № 2010143095/08 ; заявл. 20.10.2010 ; опубл. 20.01.2012, Бюл. № 2. -11 с.

Зав. РИО М. А. Салкова Подписано в печать 23.04.2012 г.

Формат 60x84 1/16. Уч.-изд.л. 1. Тираж 100. Заказ 93.

Рыбинский государственный авиационный технический университет имени П. А. Соловьева (РГАТУ имени П. А. Соловьева) 152934, г. Рыбинск, ул. Пушкина, 53

Отпечатано в множительной лаборатории РГАТУ имени П. А. Соловьева 152934, г. Рыбинск, ул. Пушкина, 53

ВВЕДЕНИЕ.

ГЛАВА 1. ИССЛЕДОВАНИЕ МЕТОДОВ СЕГМЕНТАЦИИ В СИСТЕМАХ АНАЛИЗА ИЗОБРАЖЕНИЙ.

1.1 Формулировка задачи сегментации.

1.2 Анализ методов сегментации изображений.

1.2.1 Анализ подходов к классификации методов сегментации и синтез классификационной системы.

1.2.2 Контурно-ориентированные методы сегментации.

1.2.3 Сегментно-ориентированные методы сегментации.

1.2.4 Сегментно-ориентированные методы связной сегментации.

1.2.5 Классификация методов сегментации.

1.3 Анализ перспективных подходов к использованию методов сегментации в системах анализа изображений.

1.3.1 Особенности методов контурного анализа.

1.3.2 Модификации сегментно-ориентированных методов сегментации.

1.3.3 Разновидности методов связной сегментации.

1.3.4 Концептуальный синтез схемы метода сегментации.

1.4 Анализ способов количественной оценки эффективности процесса сегментации.

1.5 Выводы по главе.

1.6 Постановка задачи исследования.

ГЛАВА 2. СИНТЕЗ ВЫСОКОУРОВНЕВЫХ МОДЕЛЕЙ И МЕТОДОВ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ.

2.1 Иерархическая модель системы анализа изображений.

2.2 Многомерная модель представления исходных данных в системе сегментации изображений.

2.2.1 Способ многомасштабного спектрального представления исходных данных сегментации.

2.2.2 Способ текстурного анализа изображений на основе многомасштабного анализа и вейвлет-преобразования.

2.2.3 Способ многомасштабного контурного анализа на основе вычисления оператора Собела.

2.3 Метод сегментации изображений на основе выращивания и слияния областей.

2.3.1 Способ автоматического определения центров кристаллизации.

2.3.2 Способы реализации процессов выращивания и слияния областей.

2.3.3 Способ автоматического определения оптимального состояния процесса слияний областей.

2.4 Выводы по главе.

ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ ОПТИМИЗИРОВАННЫХ АЛГОРИТМОВ РЕАЛИЗАЦИИ МЕТОДОВ ВЫРАЩИВАНИЯ И СЛИЯНИЯ ОБЛАСТЕЙ.

3.1 Методика экспериментального исследования быстродействия алгоритмов

3.2 Исследование быстродействия процессов в составе системы анализа изображений.

3.3 Разработка и оптимизация алгоритмов выращивания областей.

3.3.1 Исследование классического алгоритма реализации метода выращивания областей.

3.3.2 Оптимизация алгоритма реализации метода выращивания областей.

3.4 Экспериментальное исследование алгоритмов выращивания и слияния областей.

3.4.1 Определение основных исследуемых величин.

3.4.2 Построение статистических оценок временной сложности алгоритмов

3.5 Выводы по главе

ГЛАВА 4. РАЗРАБОТКА ПРОГРАММНОЙ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ И ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ МЕТОДОВ И АЛГОРИТМОВ.

4.1 Целевые прикладные эффекты реализации системы анализа изображений

4.2 Исследовательская программная система анализа изображений.

4.3 Исследование вспомогательных алгоритмов системы сегментации.

4.3.1 Алгоритм реализации способа многомасштабного спектрального представления изображений.

4.3.2 Алгоритм реализации способа текстурного анализа на основе вычисления вейвлет-статистики.

4.3.3 Алгоритм реализации способа многомасштабного контурного анализа на основе вычисления оператора Собела.

4.3.4 Алгоритм реализации способа автоматического определения центров кристаллизации.

4.3.5 Алгоритм реализации способа автоматического определения оптимального состояния процесса слияний областей.

4.4 Экспериментальное исследование системы анализа изображений в промышленных применениях.

4.4.1 Исследование характеристик пластических деформаций биметаллической пластины.

4.4.2 Исследование стратегии слияния областей на основе локального правила к-то порядка.

4.5 Перспективные возможности расширения системы сегментации.

4.5.1 Анализ изображений радиальных структур.

4.5.2 Анализ формы объекта, восстановленной по одиночному изображению

4.5.3 Анализ семантической структуры железоуглеродистых сплавов.

4.5.4 Расширение модели представления исходных данных в системе сегментации.

4.6 Выводы по главе.

Актуальность работы

Системы анализа изображений применяются во многих научно-технических и производственных отраслях, где требуется повысить эффективность процедур обработки визуальных данных: медицине, промышленности, аэрофотосъёмке, системах безопасности и охраны правопорядка, робототехнике и других. В промышленности системы анализа изображений используются в металлографии, дефектоскопии, при оценке качества обработки поверхностей, исследовании эксплуатационных свойств материалов и в других прикладных областях. Как правило, под анализом в данных системах понимается выявление объектов, представленных на изображении, и расчёт их характеристик, заданных методикой конкретного исследования и основанных на различных геометрических и статистических признаках. Следовательно, важнейшим этапом обработки визуальных данных в системах анализа изображений является процесс сегментации - выделения однородных по какому-либо признаку областей (сегментов) на исходном цифровом растровом изображении.

На данный момент существует множество методов и подходов к анализу изображений, описанных в работах сотрудников научных школ В. А. Сойфера, С. С. Садыкова, Р. С. Гонсалеса (R. С. Gonzalez), JI. Шапиро (L. Shapiro), Ю-Дж. Жанга (Y.-J. Zhang), M. Баатца (M. Baatz), сотрудников лаборатории компьютерного зрения университета Беркли (UC Berkeley) и других. Однако на практике лишь немногие из них, наиболее изученные и удобные в реализации, используются в технических системах при решении прикладных задач. При этом применение интеллектуальных методов с высокой степенью организации вычислительной системы должно дать эффект оптимизации, включающий:

- качественное расширение возможностей системы анализа изображений для обработки изображений сложных структур объектов;

- повышение точности анализа изображений;

- совершенствование управления процессом анализа;

- снижение затрат времени на анализ изображений.

К данным методам относятся методы сегментации, использующие информацию о связности областей, в том числе методы, основанные на технике выращивания областей. Их исследования являются актуальными, так как они позволяют значительно более эффективно решать прикладные задачи, где до этого применялись классические подходы, к примеру, пороговая сегментация.

Цель и задачи исследования

Цель исследования состоит в повышении эффективности процесса сегментации в составе системы анализа изображений за счёт разработки новых высокоорганизованных методов сегментации, комплекса связанных способов и алгоритмов обработки визуальных данных на основе техники выращивания областей и многомасштабных преобразований.

Для достижения поставленной цели необходимо:

- на основе системного подхода исследовать теорию методов сегментации в контексте их влияния на эффективность функционирования технических систем анализа изображений;

- разработать метод сегментации изображений как систему вычислительных операций с высокой степенью организации и интеграции связанных способов обработки визуальных данных;

- разработать и исследовать оптимизированные унифицированные алгоритмы реализации оригинального метода сегментации;

- провести экспериментальное исследование разработанного метода сегментации и комплекса связанных способов обработки визуальных данных в составе системы анализа изображений.

Объектом исследования является процесс сегментации изображений в составе систем анализа изображений неоднородной сегментной структуры.

Предметом исследования являются методы повышения эффективности системы сегментации, оптимизации её вычислительных процессов и комплекса связанных способов обработки визуальных данных.

Методы исследования

В работе используются методы системного подхода в контексте теории обработки изображений; диалектики; теории множеств; многомасштабного анализа; вейвлет-преобразований; математической морфологии; теории алгоритмов; аппроксимации; математической статистики; компьютерного моделирования.

Достоверность и обоснованность результатов работы, а также адекватность предложенных моделей подтверждается корректностью использованных методов исследования; систематичностью анализа и синтеза моделей, методов, алгоритмов; сходимостью теоретических выводов и данных экспериментов.

Научная новизна работы выражается в следующих пунктах:

- предложена классификационная система методов сегментации с использованием бинарных оппозиций и формализма теории множеств, отличающаяся от традиционных, основанных на принципе обобщения по используемым в процессе обработки средствам; разработанный подход к классификации позволил выявить перспективные направления проектирования нового метода сегментации изображений;

- построена многомерная модель представления исходных данных в системе сегментации, основанная на концепции многомасштабного анализа;

- разработан унифицированный подход к созданию алгоритмических систем, используемых при сегментации изображений методом выращивания и слияния областей.

Основные положения, выносимые на защиту:

- способы преобразования изображений в многомерной модели: способ многомасштабного спектрального представления; способ текстурного анализа при помощи вычисления вейвлет-статистики; способ многомасштабного контурного анализа на основе вычисления оператора Собела;

- метод сегментации изображений на основе выращивания и слияния областей, включающий разработанный способ определения центров кристаллизации и оригинальный критерий определения оптимального состояния процесса слияний областей, отличающийся усовершенствованной организацией;

- алгоритм реализации разработанного метода сегментации с временной оптимизацией и унифицированной структурой.

Практическая ценность работы заключается в следующем:

- разработанная многомерная модель представления исходных данных в системе сегментации позволяет выполнять корректную сегментацию изображений неоднородной сегментной структуры, что обеспечивает универсальность применения в прикладных задачах;

- реализация разработанного метода сегментации позволяет оптимизировать функционирование системы анализа изображений по показателям точности, временных затрат и управляющих воздействий;

- разработано программное обеспечение количественного анализа растровых изображений, позволяющее повысить эффективность исследований образцов различных материалов в промышленных применениях.

Реализация и внедрение полученных результатов

Основные результаты использованы на производствах ОАО «НПО «Сатурн», ЗАО «ВолгАэро», ООО «Литейно-механический завод» и внедрены в учебном процессе ФГБОУ ВПО «РГАТУ имени П. А. Соловьёва».

Апробация работы. Основные положения диссертации докладывались и обсуждались на следующих форумах:

-1 Всероссийская научная конференция молодых учёных «Теория и практика системнрго анализа» (Рыбинск, 2010);

- XI Международная научно-техническая конференция «Кибернетика и высокие технологии XXI века» (Воронеж, 2010);

- Всероссийская межвузовская научная конференция «III Всероссийские научные Зворыкинские чтения» (Муром, 2011);

- Международная молодёжная конференция «XI Королёвские чтения» (Самара, 2011).

Научно-исследовательские работы проводились при поддержке государственного Фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодёжного научно-инновационного конкурса».

Публикации. По теме диссертации опубликовано 12 научных работ:

- 4 статьи в научных журналах, в том числе 3 статьи в журналах, рекомендуемых ВАК РФ для публикации основных результатов диссертаций;

- 5 докладов в сборниках трудов конференций;

- патент РФ на изобретение № 2440609 от 20.10.2010;

- 2 свидетельства о государственной регистрации программ для ЭВМ: №2009613898 от 20.07.2009, № 2010614091 от 23.06.2010.

Структура и объём работы. Диссертация содержит введение, 4 главы, заключение, изложенные на 150 страницах машинописного текста, список использованных источников, состоящий из 108 наименований, 4 приложения. Материал работы включает 80 рисунков, 13 таблиц.

Основные результаты работы были использованы на ОАО «НПО «Сатурн» при анализе пластических деформаций композиционных материалов, на ЗАО «ВолгАэро» для оценки качества дроби, на ООО «Литейно-механический завод» при металлографическом анализе и внедрены в учебный процесс ФГБОУ ВПО «РГАТУ имени П.А.Соловьёва» на кафедрах «МПО ЭВС», «ВС», «MJIC», «ОМД» и «ЭМ и ЭИС» в лекционных и лабораторных занятиях.

В итоге, полученные результаты позволяют сделать вывод о том, что предложенные метод сегментации, способы и алгоритмы реализации на основе выращивания областей и многомасштабных преобразований изображений неоднородной сегментной структуры обеспечивают достижение конечной цели диссертационной работы - повышение эффективности процесса сегментации в системах анализа изображений.

ЗАКЛЮЧЕНИЕ

В диссертации исследованы методы сегментации изображений с целью повышения эффективности процесса сегментации в системах анализа изображений. На основе системного анализа были определены перспективные направления исследований, выявлены основные проблемы использующихся методов и недостатки существующих систем анализа изображений. Определено, что актуальными являются исследования методов сегментации, основанных на технике выращивания областей, так как они позволяют значительно более эффективно решать прикладные задачи на современном этапе развития техники.

В диссертационной работе получены следующие основные научные и практические результаты.

1 Предложена классификационная система методов сегментации с использованием бинарных оппозиций и формализма теории множеств, на основе которой построена классификация и проведён системный анализ методов сегментации, выявивший перспективные направления и основные концепции создания нового метода для реализации процесса сегментации в системе анализа изображений.

2 Построена многомерная модель представления исходных данных в системе сегментации, включающая в себя: способ многомасштабного спектрального представления, способ текстурного анализа при помощи вычисления вейвлет-статистики, способ многомасштабного контурного анализа на основе вычисления оператора Собела. Предложенная модель обеспечивает использование в процессе сегментации различной информации (спектральной, текстурной, контурной), полученной для заданного диапазона уровней пространственного масштаба. Разработанные способы, реализующие многомерную модель, обеспечивают повышение качества сегментации изображений неоднородной сегментной структуры.

3 Предложен метод сегментации изображений на основе выращивания и слияния областей, включающий разработанный способ автоматического определения центров кристаллизации и оригинальный критерий автоматического определения оптимального состояния процесса слияний областей на основе анализа последовательности допущенных отклонений характеристик сегментов. Данный критерий является более универсальным, чем существующие правила, основанные на пороговом ограничении на количество сегментов и их однородность. Метод обеспечивает высокую степень организации системы анализа изображений и, следовательно, повышение эффективности процесса сегментации.

4 Разработаны алгоритмы реализации метода выращивания областей, обеспечивающие снижение размера задачи повторных вычислений функции гетерогенности в процессе сегментации в и0'5 (п - размер изображения в пикселах), статистическая оценка временной сложности выращивания (времени

О 7 выполнения) снижена в п ' (оптимизированный алгоритм выполняется в среднем в 6 раз быстрее оригинального алгоритма), что подтверждает повышение эффективности разработанных алгоритмов в сравнении с оригинальным. Данный результат был получен без введения схем приближённых вычислений, приводящих к потере точности сегментации.

5 Следствием существенного сокращения количества пересчётов связей сегментов в разработанных алгоритмах является возможность использования более сложных функций гетерогенности с целью повышения эффективности процесса сегментации по показателям универсальности и точности.

6 Разработанные алгоритмы реализации метода выращивания областей обобщены для случая метода сегментации на основе слияния областей. Как следствие, в рамках системы анализа изображений достигнут эффект унификации реализации системы сегментации, включающей последовательное выполнение операций выращивания и слияния областей.

7 Программная среда для экспериментального исследования метода, разработанная в соответствии с подходом системного синтеза, обеспечивает корректную проверку адекватности разработанного метода сегментации и комплекса связанных способов и алгоритмов обработки визуальных данных. Экспериментальное исследование частных алгоритмов показало, что возможность внесения управляющих воздействий по выбору используемых факторов гомогенности, настройке весовых масштабных коэффициентов функции гетерогенности, определению оптимального состояния процесса слияний областей повышает эффективность процесса сегментации изображений неоднородной сегментной структуры.

8 Исследование эффективности системы количественного анализа для задачи определения характеристик пластических деформаций многокомпонентных систем при создании композиционных материалов показало, что применение разработанного метода сегментации обеспечивает повышение точности измерений при фиксированном уровне управления (ошибка уменьшена на 6,5 %).

9 Организация процесса сегментации в системе анализа изображений имеет открытую структуру и предоставляет возможности для расширения.

1. Марр, Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов Текст. / Д. Марр ; пер. с англ. Н. Г. Гуревича ; под ред. И. Б. Гуревича. М.: Радио и связь, 1987. - 404 с.

2. Гонсалес, Р. С. Цифровая обработка изображений Текст. / Р. С. Гонсалес, Р. Э. Вудс. М. : Техносфера, 2005. - 1072 с. -ISBN 5-94836-028-8.

3. Cheng, Н. D. Color image segmentation: advances and prospects Текст. / H. D. Cheng, X. H. Jiang, Y. Sun, J. Wang // Pattern Recognition. 2001. - Vol. 34, Iss. 12.-P. 2259-2281.

4. Вежневец, А. Методы сегментации изображений: автоматическая сегментация Электронный ресурс. / А. Вежневец, О. Баринова // Компьютерная графика и мультимедиа : сетевой журнал. 2006. - № 4. -Режим доступа: http://cgm.computergraphics.ru/content/view/147.

5. Круглун, О. А. Численные методы мультифрактального формализма в задачах сегментации и текстурного анализа данных дистанционного зондирования Текст. / О. А. Круглун, И. Н. Макаренко // Математический журнал. 2007. - Т. 7. - № 4 (26). - С. 51 - 59.

6. Прэтт, У. Цифровая обработка изображений Текст. / У. Прэтт ; пер. сангл. под ред. Д. С. Лебедева. М. : Мир, 1982. - Кн. 2 - 480 с.

7. Steinbrecher, R. Bildverarbeitung in der Praxis Электронный ресурс. / R. Steinbrecher. Электрон, дан. (3 файла). - Режим доступа: http://www.rst-software.de/dbv/download.html.

8. Фаворская, М. Н. Модели и методы распознавания динамических образов на основе пространственно-временного анализа последовательностей изображений: автореф. дисс. . д-ра техн. наук : 05.13.17 / Фаворская Маргарита Николаевна. Красноярск, 2010. - 36 с.

9. Shen, J. A Stochastic-Variational Model for Soft Mumford-Shah Segmentation Текст. / J. Shen // International Journal of Biomedical Imaging. -2006.-С. 1 14.

10. Lucchese, L. Color Image Segmentation: A State-of-the-Art Survey Текст. / L. Lucchese, S. K. Mitra // Proceedings of the Indian National Science Academy. 2001. - № 2. - C. 207 - 221.

11. Zhang, Y.-J. An Overview of Image and Video Segmentation in the Last 40 Years Текст. / Y.-J. Zhang // Advances in Image and Video Segmentation. -2006.-С. 1 16.

12. Fu, K. A survey on image segmentation Текст. / К. Fu, J. Mui // Pattern Recognition. 1981. - Vol. 13, Iss. 1. - P. 3 - 16.

13. Skarbek, W. Color Image Segmentation A Survey, Technisher Bericht Текст. / W. Skarbek, A. Koschan // Technische Universität Berlin. -1994. - 81 p.

14. Павлидис, Т. Алгоритмы машинной графики и обработки изображений Текст. / Т. Павлидис. М.: Радио и Связь, 1986. - 396 с.

15. Черников, В. Г. Философия диалектико-материалистическогогуманизма Текст. / В. Г. Черников. Рыбинск : Рыбинский Дом печати, 1998. -374 с.

16. Blaschke, Т. Object based image analysis for remote sensing Текст. / Т. Blaschke // ISPRS Journal of Photogrammetry and Remote Sensing. 2010. -Vol. 65. - Iss. l.-P. 2- 16.

17. Бакут, П. А. Сегментация изображений: методы выделения границ областей Текст. / П. А. Бакут, Г. С. Колмогоров // Зарубежная радиоэлектроника. 1987. - № 10. - С. 25 - 47.

18. Сойфер, В. А. Компьютерная обработка изображений. Часть 2 Методы и алгоритмы Текст. / В. А. Сойфер // Соросовский образовательный журнал. -1996. -№3.- С. 110-121.

19. Бакут, П. А. Сегментация изображений: методы пороговой обработки Текст. / П. А. Бакут, Г. С. Колмогоров, И. Э. Ворновицкий // Зарубежная радиоэлектроника. 1987. - № 10. - С. 6 - 24.

20. Щербаков, А. П. Быстродействующий алгоритм сегментации изображений Текст. / А. П. Щербаков // Автометрия. 2005. - Т. 41. - № 2. -С. 59 - 67.

21. Baatz, М. Multiresolution Segmentation: an optimization approach for high quality multi-scale image segmentation Текст. / M. Baatz, A. Schape. // Journal of Photogrammetry and Remote Sensing. 2004. - Vol. 58. - Iss. 3 - 4. - P. 239 - 258.

22. Pat. W02009143651 (Al), IPC7 G 06 T 5/00. Fast image segmentation using region merging with a k-nearest neighbor graph Текст. / Mantao X. [CN], Qiyong G. [CN], Hongzhi L. [CN], Jiwu Z. [CN] ; applicant CARESTREAM HEALTH, INC. [US]. 16 p.

23. Lu, Y. Region growing method for the analysis of functional MRI data Текст. / Y. Lu, T. Jiang, Y. Zang // Neurolmage. 2003. - № 20. - P. 455 - 465.

24. Никитин, P. В. Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Текст. : автореф. дисс. . канд. техн. наук : 05.12.04 / Никитин Руслан Владимирович. Санкт-Петербург, 2010. -18 с.

25. Переберин, А. В. О систематизации вейвлет-преобразований Текст. / А. В. Переберин // Вычислительные методы и программирование. 2001. - Т. 2, №2.-С. 133- 158.

26. Дремин, И. М. Вейвлеты и их использование Текст. / И. М. Дремин, О. В. Иванов, В. А. Нечитайло // Успехи физических наук. 2001. — Т. 171. — №5.-С. 465-501.

27. Козлов, П. В. Вейвлет-преобразование и анализ временных рядов Текст. / П. В. Козлов, Б. Б. Чен // Вестник КРСУ. 2002. - № 2. - Режим доступа: http://www.krsu.edu.kg/vestnik/2002/v2/al 5 .html.

28. Луцив, В. Р. Объектно-независимый подход к структурному анализу изображений: автореф. дисс. . д-ра техн. наук : 05.13.01 / Луцив Вадим Ростиславович. Санкт-Петербург, 2011. - 35 с.

29. Жизняков, A. JI. Теория и методы обработки многомасштабныхпоследовательностей цифровых изображений в промышленных системах контроля качества: автореф. дисс. . д-ра техн. наук : 05.13.01 / Жизняков Аркадий Львович. Москва, 2008. - 36 с.

30. Deng, Y. Color Image Segmentation Текст. / Y. Deng, В. S. Manjunath, H. Shin // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'99). Vol. 2. - 1999. - pp. 2446.

31. Казанов, М. Д. Многомасштабный подход к определению контуров объектов на цифровых изображениях Текст. / М. Д. Казанов // Организационное управление и искусственный интеллект. 2003. - С. 228 -238. - (Труды / Институт Системного Анализа РАН).

32. Лабунец, В. Г. Теория и применение преобразования Хо Текст. /

33. B. Г. Лабунец, С. Д. Чернина // Зарубежная радиоэлектроника. 1987. - № 10.1. C. 48-56.

34. Воскресенский, Е. М. Параметрическая и структурная адаптация систем распознавания текстовых меток на видеоизображениях: автореф. дисс. . канд. техн. наук : 05.13.01 / Воскресенский Евгений Михайлович. Рыбинск, 2010.- 16 с.

35. ОАО «Радиотехнический институт им. акад. А. Л. Минца, Государственное некоммерческое учреждение Гематологический научный центр РАМН. -№ 98122916/14 ; заявл. 16.12.1998; опубл. 27.03.2000.

36. Заявка 2001109030/09 Российская Федерация, МПК7 С 06 К 9/00. Способ обнаружения лица и распознавания жестов Текст. / Свириденко А. В.; заявитель Свириденко А. В.; заявл. 06.04.2001; опубл. 20.04.2003.

37. Мишулина, О. А. Алгоритмы и программы сегментации изображений для автоматизации анализа гистологических препаратов Текст. / О. А. Мишулина, В. Тхей. // Научная сессия МИФИ-2005. Т. 2. - С. 67 - 68.

38. Волков, В. Ю. Пороговая обработка для сегментации и выделения протяжённых объектов на цифровых изображениях Текст. / В. Ю Волков., Л. С. Турнецкий // Информационно-управляющие системы. 2009.5 (42).-С. 10-13.

39. Зотин, А. Г. Адаптивная система определения параметров текстовых зон в видеопоследовательности: автореф. дисс. . канд. техн. наук : 05.13.01 / Зотин Александр Геннадьевич. Красноярск, 2007. - 23 с.

40. Программная часть SIAMS 700 Электронный ресурс. Режим доступа: http://siams.com/products/siams700/siams700mod.htm.

41. Smart Imaging Spreadsheet: SIMAGIS Электронный ресурс. Режим доступа: http://smartimtech.com/analysis/research.htm.

42. ООО «Новые Экспертные Системы». Программа для количественного анализа изображений ImageExpert Pro 3 Электронный ресурс. Режим доступа: http://www.nexsys.ru/iepro3x.htm.

43. Программное обеспечение ВидеоТесТ Структура 5.2 Электронный ресурс. - Режим доступа: http://www.videotest.ru/ru/others/9.

44. Comprehensive Image Processing and Analysis Solutions Электронный ресурс. Режим доступа:http://www.clemex.com/Products/ImageAnalysis/Software/VisionPE.aspx.

45. Конушин, В. Методы сегментации изображений: интерактивная сегментация Электронный ресурс. / В. Конушин, В. Вежневец // Компьютерная графика и мультимедиа : сетевой журнал. 2007. - № 1. - Режим доступа: http://cgm.computergraphics.ru/content/view/172.

46. Корх, А. В. Сегментация изображений посредством разрезов на графах Текст. / А. В. Корх, И. И. Курочкин // Труды I Всероссийской конференции молодых учёных «Теория и практика системного анализа». 2010. - Т. 2.1. С. 172- 179.

47. Shi, J. Normalized Cuts and Image Segmentation Текст. / J. Shi, J Malik // IEEE Transactions on Pattern Analysis and Machine Intelligence.2000. Vol. 22. - No. 8. - P. 888 - 905.

48. Arbelaez, P. Contour Detection and Hierarchical Image Segmentation Текст. / P. Arbelaez, M. Maire, C. Fowlkes, J. Malik // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. - Vol. 33. - № 5. - P. 898 - 916.

49. Fowlkes, C. How Much Does Globalization Help Segmentation? Текст. / С. Fowlkes, J. Malik : Report No. UCB/CSD-4-1340. Computer Science Division (EECS) University of California Berkeley. 2004. - 10 p.

50. Потапов, А. С. Автоматический анализ изображений и распознавание образов на основе принципа репрезентационной минимальной длины описания: автореф. дисс. . д-ра техн. наук : 05.13.07, 05.13.01 / Потапов Алексей Сергеевич. Санкт-Петербург, 2008. - 36 с.

51. Ning, J. Interactive image segmentation by maximal similarity based region merging Текст. / J. Ning, L. Zhang, D. Zhang, C. Wu // Pattern Recognition. -2010. Vol. 43. - Iss. 2. - P. 445 - 456.

52. Defmiens. Understanding images Электронный ресурс. / Режим доступа: http://www.definiens.com.

53. Automated Feature Extraction with DEFINIENS and WOOLPERT Электронный ресурс. / Режим доступа: http://www.ecognition.com/news/ ecognition-tv/woolpert-webinar-part-13 -automated-feature-extraction.

54. Definiens Cognition Network Technology Электронный ресурс. / Режим доступа: http://www.definiens.com/product-services/technology.html.

55. Burnett, C. A multi-scale segmentation/object relationship modelling methodology for landscape analysis Текст. / С. Burnett, Т. Blaschke // Ecological Modelling. 2003. - Vol. 168. Iss. 3. - P. 233 - 249.

56. Dragut, L. ESP, a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data Текст. / L. Dragut, D. Tiede, S. R. Levick // International Journal of Geographical Information Science. 2010. -Vol. 24.-№6.-P. 859-871.

57. Новосельцев, В. И. Теоретические основы системного анализа Текст. / В. И. Новосельцев, Б. В. Тарасов, В. К. Голиков, Б. Е. Демин; под ред. В. И. Новосельцева. М.: Майор, 2006. - 592 с.

58. Anoraganingrum, D. Cell Segmentation with Adaptive Region Growing Text. / D. Anoraganingrum, S. Kroner, B. Gottfried // ICIAP Venedig. 1999. -P. 27-29.

59. Clinton, N. An accuracy assessment measure for object based image segmentation Текст. / N. Clinton, A. Holt, L. Yan, P Gong // Proceedings of ISPRS: XXIst ISPRS Congress: Technical Commission IV. 2008. - Vol. XXXVII Part 4. -P. 1189- 1194.

60. Clinton, N. Supervised goodness metrics for image segmentation comparison Текст. / N. Clinton, A. Holt, P Gong, L. Yan // Environmental Technology. 2007. - P. 1 - 11.

61. The USC-SIPI Image Database Электронный ресурс. / Режим доступа: http://sipi.usc.edu/database.

62. Outex Texture Database Электронный ресурс. / Режим доступа:http://www.outex.oulu.fi/index.php?page=outexhome.

63. Vision Texture Электронный ресурс. / Режим доступа: http://vismod.media.mit.edu/vismod/imagery/VisionTexture/vistex.html.

64. MeasTex Image Texture Database and Test Suite Электронный ресурс. / Режим доступа: http://www.texturesynthesis.com/meastex/meastex.html.

65. Berkeley Segmentation Data Set and Benchmarks 500 (BSDS500) Электронный ресурс. / Режим доступа:http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/resources.html.

66. Митропольский, Н. Н. Агломеративная сегментация и поиск однородных объектов на растровых изображениях: автореф. дисс. . канд. техн. наук : 05.13.17 / Митропольский Николай Николаевич. М., 2010. - 17 с.

67. Вып. 4. М., 2011. - С. 291 - 302.

68. Вирт, Н. Алгоритмы и структуры данных Текст. / Н. Вирт; пер. с англ. Д. Б. Подшивалова. М.: Мир, 1989. - 360 с.

69. Atallah, М. J. Algorithms and Theory of Computation Handbook. General Concepts and Techniques Текст. / M. J. Atallah, M. Blanton. Chapman&Hall/ CRC Press, 2010.-990 p.

70. Болховитинов, Н. Ф. Атлас макро- и микроструктур металлов и сплавов Текст. / Н. Ф. Болховитинов, Е. Н. Болховитинова. М.: МАШГИЗ -1959.-88 с.

71. Сизов, П. В. Временная оптимизация алгоритма сегментации в системе анализа изображений на основе метода выращивания областей Текст. / И. Н. Паламарь, П. В. Сизов // Информационно-управляющие системы.2012.-№2.-С. 2-12.

72. Скобелева, А. С. Исследование и разработка технологического процесса изготовления штамповок лопаток газотурбинного двигателя с защитным слоем: автореф. дисс. . канд. техн. наук : 05.16.05 / Скобелева Анна Сергеевна. Рыбинск, 2012. - 23 с.

73. Матвеев, И. А. Распознавание человека по радужке Текст. / И. А. Матвеев, К. Д. Ганькин // Системы безопасности. №5. - 2004.

74. Свидетельство о государственной регистрации программы для ЭВМ № 2009613898. Вейвлет-спектрограф Текст. / Паламарь И. Н.,

75. Сизов П. В. ; заявитель и правообладатель ГОУ ВПО «РГАТА имени П. А. Соловьёва». Заявка № 2009612503 от 21.05.2009 ; опубл. 20.07.2009.

76. Zhang, R. Shape from Shading: A Survey Электронный ресурс. / R. Zhang, P.-S. Tsai, J. E. Cryer, M. Shah. Электрон, дан. (1 файл) - Режимдоступа: http://vision.eecs.ucf.edu/papers/shah/99/ZTCS99.pdf.

77. Металлография железа Текст. / Том 1 «Основы металлографии» ; пер. с англ. М.: Металлургия. - 1972. - 240 с.

78. Сизов, П. В. Подход к семантической сегментации изображений структур железоуглеродистых сплавов Текст. / П. В. Сизов // Научные труды Международной молодёжной научной конференции «XXXVIII Гагаринские чтения» в 8 томах. М.: ИЦ МАТИ, 2012. Т. 8.