автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.14, диссертация на тему:Практическое применение эффекта отскока в обработке изображений

РГ5 од

2 1 £лГ Ш На правах рукописи

УДК 681.3.01:519.67

Борисова Ирина Валентиновна

ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ ЭФФЕКТА ОТСКОКА В ОБРАБОТКЕ ИЗОБРАЖЕНИЙ

Специальность 05.13.14 - "Системы обработки информации и управления"

Автореферат диссертации на соискание ученой степени кандидата технических наук

Новосибирск - 2000

Работа выполнена в Сибирском научно-исследовательском институте оптических систем

Научный руководитель

- доктор технических наук, ст. науч. сотр. Попов Павел Геннадьевич

Официальные оппоненты:

- доктор технических наук, профессор В.С.Киричук

- кандидат технических наук, ст.науч.сотр. Л.В.Финогенов

Ведущая организация

- Институт Вычислительной Математики и Математической Геофизики Сибирского отделения РАН

Защита состоится июи^ 2000 г. в 11 часов на заседании диссертационного совета Д 063.34.06 при Новосибирском государственном техническом университете по адресу: 630092, г.Новосибирск-92, пр.К.Маркса, 20.

С диссертацией можно ознакомиться в библиотеке НГТУ Автореферат разослан чДА (X 2000 г.

Ученый секретарь диссертационного совета, д-р техн. наук, профессор

А.Г.Вострецов

"ОН-С¡А. О

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертации. Обработка изображений представляет собой быстро развивающуюся самостоятельную область знания. Изображение - это самая естественная для человека форма восприятия информации, поэтому сфера применения изображений в различных предметных областях чрезвычайно широка. Методы обработки изображений играют значительную роль в научных исследованиях, промышленности, медицине, информационных системах и т.д. Особое внимание уделяется разработке и созданию автоматизированных систем обработки изображений, позволяющих в реальном режиме времени проводить обнаружение, распознавание, сопровождение объектов, а также обработку изображений с целью улучшения их качества и представления в форме, удобной для оператора.

Достижения в технологии производства сверхбольших интегральных схем, как универсального назначения, так и заказных, практически сняли имевшиеся ограничения на сложность реализуемых алгоритмов. В связи с этим, особую актуальность приобрели вопросы разработки "сквозных" технологий обработки изображений, представляющих собой автоматический рекурсивный процесс постепенного накопления и использования полезной информации об изображении. В общем случае, этот процесс начинается с логического нуля, без каких-либо априорных предположений об исходных данных и завершается в момент, когда информация достаточна для принятия квалифицированного решения.

Качество системы обработки изображений во многом определяется выбором пространства признаков. Очень важно иметь такое описание изображений, которое как можно меньше зависит от условий наблюдения, свойств устройств наблюдения и самой наблюдаемой сцены.

Большое разнообразие и непредсказуемость сюжетов изображений приводят к необходимости автоматической настройки режима систем в соответствии с изменениями рабочей обстановки. Поэтому теоретические методы, лежащие в основе систем обработки изображений, не должны требовать априорных предположений об исходных данных. Кроме того, должно быть организовано автоматическое определение всех внутренних параметров алгоритмов обработки, реализованных в автоматизированных системах.

Многообразие и сложность задач, стоящих перед автоматизированными системами, выдвигает необходимость комплексного подхода к обработке изображений. Разработка единого алгоритма, обеспечивающего выполнение различных функций, заложенных в системе, позволяет сократить объем вычислений и аппаратуры, проводить обработку специализированным унифицированным устройством.

В настоящей работе были рассмотрены применения введенного П.Г.Поповым эффекта отскока, который позволяет разрабатывать методы и алгоритмы, обеспечивающие автоматизацию обработки изображений.

Цель н задачи работы. Целью диссертационной работы является автоматизация систем обработки изображений, ориентированных на обнаружение, распознавание, сопровождение объектов и улучшение визуального качества изображений.

Для достижения поставленной цели решались следующие задачи:

- анализ изображений на основе фасетных моделей и эффекта отскока;

- разработка методов и алгоритмов автоматической селекции объектов;

- разработка методов автоматического выбора параметров обработки изображений;

- разработка методов улучшения визуального качества изображений, основанных на автоматическом выделении визуально значимых перепадов яркости.

Научная новизна работы заключается в следующем: -теоретически обоснована и экспериментально проверена связь свойств изображений с видом графика отскока;

- автоматизировано определение параметров методов обработки изображений, основанное на применении эффекта отскока;

- разработан и экспериментально проверен метод автоматической селекции объектоподобных областей на изображении, основанный на эффекте отскока и оперирующий как с многоградацпонными, так и с графическими эталонами;

- разработан метод выделения изотропных областей изображения, основанный на анализе графика отскока.

На защиту выносятся:

- метод и алгоритм автоматической селекции объектоподобных областей, основанный на применении эффекта отскока, оперирующий с многоградационными и графическими эталонами;

- метод и алгоритм автоматической селекции объектоподобных областей на пирамиде изображении;

- метод автоматического анализа графика отскока для повышения качества селекции;

- метод автоматического выделения изотропных областей изображения, основанный на анализе графика отскока;

- метод и алгоритм автоматического выделения визуально значимых перепадов яркости, основанный на применении эффекта отскока.

Личный вклад автора. Основная часть теоретических результатов получена лично автором, разработка основ метода селекции объектоподобных областей проводилась в соавторстве с П.Г.Поповым. Все экспериментальные результаты, связанные с моделированием на ЭВМ, получены лично автором.

Практическая ценность работы и реализация результатов. Практическая ценность работы заключается в автоматизации методов и алгоритмов обработки изображений, что позволяет повысить автономность, адаптив-

чость и унифицированность систем обработки изображений.

Теоретические и практические результаты нашли применение в 13 ИИР, проводимых в Сибирском НИИ оптических систем по программам 'Вычислительная оптоэлектроника", "Инфравид" и Программе фундаментальных исследований Миннауки РФ. Результаты работы внедрены в:

• Конструкторско-технологический институт научного приборостроения 30 РАН (г.Новосибирск) при разработке системы автоматического распо-шавания графических символов;

• ГНЦ РФ ГУП "НПО Орион" (г.Москва) при выполнении Программы фундаментальных исследований Министерства науки РФ (п.п. 9а, 9в) (темы 'Канонерка", "Канонерка-98", "Канонерка-99");

• НИИ радиооптики (г.Москва) при проведении Комплексной целевой 1рограммы "Вычислительная оптоэлектроника" (темы "Оптэл-4", "Поток");

• НИИ точного электронного приборостроения (г.Москва) при разработке :истемы автосопровождения объектов.

Апробация работы. Основные положения диссертационной работы догадывались и обсуждались на:

1. XIV Международной конференции по когерентной и нелинейной оптике (КиНО'91). Ленинград, 1991 г.

2. Международном симпозиуме "Optical Information Science and Technology (OIST'97)". Москва, 1997 г.

3. IV Всероссийской с международным участием конференции "Распознавание образов и анализ изображений: новые информационные технологии (РОАИ-4-98)". Новосибирск, 1998 г.

4. XV Международной научно-технической конференции по фотоэлектронике, электронным и ионно-плазменным технологиям. Москва,1998 г.

5. III корейско-российском международном научно-техническом симпозиуме (KORUS'99). Новосибирск, 1999 г.

Публикации. По теме диссертации опубликованы 11 научных работ.

Структура и объем работы. Диссертационная работа состоит из введения, 5 глав, заключения, приложения и содержит 126 страниц основного текста, включая 70 рисунков, 4 таблицы, список литературы из 98 наименований.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Введение. Показана актуальность темы диссертации, сформулированы цели и задачи исследования, дана характеристика выполненной работы.

Первая глава. Рассматривается роль алгоритмов, основанных на описании изображения фасетной моделью, в общей схеме анализа изображений, а также их применение в автоматизированных системах обработки изображений.

На основании проведенного анализа ставятся задачи, подлежащие разработке.

Вторая глава. Рассматриваются методы формирования признаков изображений на основе параметров ориентированных локальных окрестностей и эффекта отскока.

Согласно фасетной модели, изображение разбивается на двумерные фрагменты, в пределах которых функция яркости аппроксимируется наклонными плоскостями - фасетами. Каждый фасет составляет с горизонтальной плоскостью двугранный угол, характеризующийся двумя параметрами: величиной угла наклона к горизонтали и ориентацией в плоскости координат. Как указал Д.Габор, частотный спектр небольших участков, содержащих контуры объектов, оказывается анизотропным, т.е. изображение имеет локально-анизотропную структуру. Величина угла наклона фасета к горизонтали характеризует степень анизотропии фрагмента изображения, для которого был построен фасет.

Пусть на плоскости, где введена прямоугольная система координат {л",у}, задана функция, описывающая распределение яркости неподвижногс монохромного изображения и(х,у)ш, х,уе1/, где и={(х,у):0<х<Х,0<у<¥}-часть плоскости, называемая полем зрения.

Для обозначения элементов, окружающих точку «(/,/). будем использовать термины "фрагмент" и "окрестность". Фрагментом Жу с центром I точке ¡/(/V) назовем множество элементов, составляющих односвязнук область заданной формы достаточно большого размера. Множество эле ментов, непосредственно окружающих и(/,/), будем называть окрестность« (локальной окрестностью) Уи.

Для каждой локальной окрестности изображения построим фасет. Па раметры фасета определяются степенью анизотропии и доминирующе! ориентацией локальной окрестности, для которой он построен.

Если рассматривать ориентацию как дискретную величину, прини мающую некоторое небольшое количество значений, то в зависимости о' своей доминирующей ориентации окрестности изображения разделяютс на условные группы - классы. Классы окрестностей нумеруются и номе] класса окрестности рассматриваемой точки изображения принимается качестве признака этой точки. Такой подход позволяет сформироват псевдоизображение, каждая точка которого кодируется номером класс окрестности. Назовем его матрицей локальной ориентации.

Рассматривается обобщение метода эффекта отскока, введенног П.Г.Поповым для локальных анизотропных признаков (ЛАП), для любы фасетных моделей. Проводится анализ выделения параметров фасета грг диентными методами и методом ЛАП.

Мерой близости матриц локальной ориентации служит компарациог

ная функция 5 = V V 6 с, где с'ОТ) и сЦгЯ - элементы сравниваемы У у ' ('•./)

псевдоизображений, а <5 - символ Кронекера. При сравнении закодирова! ных изображения и эталона в режиме двухкоординатного сканирования использовании компарационной функции 5 образуется компарационнг

матрица (КМ).

Когда эталон сравнивается с фрагментом фона, элементы КМ представляют собой количество случайных совпадений элементов эталона и фона. Значения таких фоновых элементов КМ можно оценить. Предположим, что эталон и текущий фрагмент изображения, имеющие размер 1¥=пхп, описаны признаками, значения которых случайны и равновероятны. Тогда вероятность совпадения классов окрестностей в М точках будет иметь биномиальное распределение:

(о

\М)

где р - вероятность совпадения классов в точке; д - вероятность несовпадения; р+д=\.

Автором показано, что энтропия максимальной вероятности совпадения элементов фрагмента и эталона имеет максимум при 5 равновероятных классах окрестностей. Для дискретных изображений, заданных на квадратной решетке, является естественным шаг дискретизации ориентации окрестностей равный л/4, т.е. окрестности разделяются на вертикально-, горизонтально- и диагонально ориентированные. Пятый класс составляют окрестности, не имеющие ярко выраженной анизотропии спектра (изотропные).

Для выделения изотропных локальных окрестностей вводится обоб-

[©{О,-} <{2 - анизотропность; щенный критерий анизотропности: 4 где ©{•} -

|0{С;}>()- изотропность,

точечный оператор, <7, - величина соотношения элементов окрестности в /-ом направлении, / = ),С, С - количество анизотропных классов окрестностей, 2 - порог, подлежащий определению. Критерий анизотропности определяется исходя из выбранного метода нахождения параметров фасета и постановки конкретной задачи обработки изображений. В дальнейшем, кроме особо оговоренных случаев, С, - энергия спектра Фурье в соответствующем направлении (с учетом или без учета нулевой частоты), ©{(?,} = ¡(/„¡/¡(г,,,!, (?,„ = тах(£?,), направление п ортогонально направле-

нию т. То есть:

(=1,С

Пс„ | / |(7га | < <2 - анизотропность;

11<7„\/\Ст\><2- изотропность.

При пороге класс изотропных окрестностей отсутствует и распределение (1) имеет максимум в точке 1¥/С. При ()<\ начинает формироваться класс изотропных окрестностей. Предположение равновероятности распределения классов в данном случае уже неправомерно, но оно дает предельное минимальное значение координаты максимума распределения (1), т.е. наибольшее возможное смещение пика распределения влево по оси М. При

0.07 0.06 0.05 0.04 0.03 0.02 0.01 0

О>в0

уменьшении порога 0.от 1 до некоторого значения £>о максимум распределения (1) смещается влево по оси М до точки И7(С+1). Этой точки максимум достигает, когда все классы окрестностей становятся равновероятны. Дальнейшее уменьшение порога () приводит к преобладанию изотропных окрестностей и максимум начинает смещаться вправо по оси М, вплоть до Ж при ()=0. Этот эффект называется эффектом отскока, а точка (Зо - точкой отскока. Рис.1 иллюстрирует проведенные рассуждения для случая И^=256 и С-4.

Для того чтобы найти точку отскока для конкретного изображения и заданного эталона, строится кривая смещения максимума вероятности совпадения классов для разных порогов 0..

На рис.3 приведен пример графика отскока для изображения "Лена" с эталонным фрагментом"глаз"(рис.2), без учета нулевой частоты спектра Фурье.

51 64

128

192

Рис.1. Схема смещения максимума распределения, И-^256, С=4

о.оэ'г

0.06 0.03

о

<3=0.01

СО СМ иэ/И со СМ О) ю т- СМ

Рис.2. Исходное изображение "Лена" с эталоном "глаз"

Рис.3. График отскока, И/=256, 5 классов направлений

Третья глава. Рассматривается метод селекции объектоподобных областей, использующий эффект отскока.

Для выделения на исходном изображении областей, близких по свом свойствам к заданному объекту, фрагменты изображения разделяются н; три группы: объектоподобные, фоновые и необъектоподобные фрагменты Объектоподобными фрагментами являются фрагменты, близкие к эталон ному фрагменту по своей геометрической структуре (в терминах фасетно] модели). Фоновые фрагменты имеют случайные совпадения элементов эталонными. Необъектоподобные фрагменты - это фрагменты, не схожи по геометрической структуре с эталоном и имеющие малое количеств! совпадений в точках. Компарационная матрица для реального изображе ния также рассматривается как композиция трех множеств элементов. Од

но из них соответствует фоновой области изображения. Второе множество элементов соответствует объектоподобной области и имеет некоторое распределение, отличное от биномиального (в пределе оно является дельта-функцией) и смещенное вправо по оси М. Третье, необъектоподобное распределение, смещено влево по оси М относительно биномиального.

Пусть 1С и К! - гистограммы реального и теоретического числа совпадений элементов фрагментов с элементами эталона (рис.4). Интервал значений числа совпадений разбит на три части: а, Ь, с. Наличие объекто-подобных и необъектоподобных фрагментов приводит к тому, что в интервалах Ь и с значения реальной гистограммы больше значений теоретической гистограммы. "Лишние" фрагменты образуют области £ и Поскольку гистограммы построены по одному и тому же количеству точек, в интервале а зна- кА чения теоретической 4000 гистограммы больше значений реальной зооо гистограммы. Область V является об- 2000 ластью случайных

совпадений. "Недо-

„ , 1000 стающие фрагменты

образуют область /4.

Среднее значение

числа совпадений на

интервале а обозна- Рис.4.

чим как ( .

Количество фрагментов в области "В обозначим , количество фрагментов в области С- ■ Количество совпадений для фрагментов из 2* и &;

% = !/(*,'-К/)«\ * = где /(-*-) = {"' ССЛИ ^

/е/, /ее- (О, еСЛИ X < 0.

Пороги /| и ?2 для разделения фрагментов на необъектоподобные и объектоподобные определяются из неравенств:

и _ IV

п^ - % < £ к- /, пе\ < хк[ ;.

/=0 (=г2

Пороги п и Гз разделяют области случайных и неслучайных совпадений с эталоном. Интервал [/|,/з] соответствует зоне неопределенности, непригодной для принятия решения.

Вводится коэффициент качества селекции:

(IV - а)Ртд_х '

где Ртах - максимум вероятности теоретического биномиального распре-

м

деления, И7' - максимальное количество совпадений с эталоном, а /{пах" максимальная вероятность совпадений, полученные в реальной ситуации, а определяет порог, ниже которого результаты не могут рассматриваться как достоверные.

Порог а определяется по теоретическому распределению значений фоновых элементов, исходя из вероятности ошибки селекции P{xSa}. В частности, для W= 256, р=М5 и а = 70 Р{х< а}- 0,9987.

Для более точной селекции объектоподобной области фоновая и объектная составляющие распределения значений элементов КМ должны быть максимально разнесены в пространстве признаков. Это происходит в точке отскока. Для изображения "Лена" и эталона "глаз" приведены результаты селекции для разных порогов, демонстрирующие более высокое качество селекции в точке отскока (рис.5,6).

Ч Д-ЩЦ '' ■ . -.W ' "i '> ■ ;'

■ :„ ... ' ii iü

ш

■ я,

объектоподобные области

необъектоподобные области

Рис.5. Результат селекции в точке отскока

гй;

S

ж

"'i'-^ssSi

Uli.

объектоподобные области

j

необъектоподобные области

Рис.6. Результат селекции при £?= 1 (без выделения изотропностей)

В методе эффекта отскока играют большую роль шумовые эталоны т.е. массивы нормально распределенных случайных чисел. С их помощьк находится точка отскока в тех случаях, когда не задан конкретный эталон

Селекция с шумовым эталоном применяется когда неизвестно какой именно объект содержится на изображении. Выделение необъектоподобной области в результате селекции с шумовым эталоном является первым шагом для последующего распознавания.

Кроме полутоновых изображений в задаче селекции объсктоподобных областей в качестве эталонов возможно использование графических изображений, в частности схематичных рисунков. Наличие на бинарном рисунке большого количества изотропных окрестностей нарушает равновероятность признаков. Эта проблема решается наложением на бинарный графический эталон случайного гауссова шума. Наложение случайного шума не нарушает геометрическую структуру эталона и позволяет набрать необходимую статистику случайных совпадений элементов. Дальнейшая процедура селекции после выполнения предварительной обработки эталона не изменяется. Пример селекции по графическому эталону приведен на рис.7.

исходное изображение результат селекции

Рис.7. Селекция с графическим эталоном

Рассматривается распознавание графических символов (букв и цифр), образованных темными широкими горизонтальными и вертикальными линиями на более светлом фоне. В этом случае окрестности изображения (размерностью 4x4) разделялись на 3 класса (вертикали, горизонтали и изотропность), при определении ориентации окрестностей по методу ЛАП учитывалась нулевая частота спектра Фурье. Для определения порога анизотропности использовался метод эффекта отскока с шумовым эталоном, имеющим нормальное распределение и такие же среднее и дисперсию, как текущий фрагмент изображения. Селекция проводилась по максимальному количеству совпадений, для уточнения местоположения символов использовалась модель роста. Пример распознавания приведен на рис.8.

ГОШИЧЕ

закодированные эталоны Г 4000 105

выделенные символы на закодированном результат распознавания изображении(после уточнения местоположения)

Рис.8. Распознавание графических символов 11

Метод селекции объектоподобных областей позволяет обнаружить объекты только тогда, когда их размеры совпадают. Решить проблем) инвариантности метода селекции к масштабу позволяет построение пирамиды изображений (рис.9). Применение метода селекции объектоподобных областей к пирамиде изображений позволяет эффективно обнаруживать разномасштабные объекты. Уменьшение масштаба исходного изображения может быть полезно и в том случае, когда размер объекта велик, а выбирать в качестве эталона часть объекта по каким-либо причинам нежелательно.

а б в

а - исходное изображение; б, в - результаты селекции Рис.10. Селекция на пирамиде изображений

Проведено тестирование алгоритма селекции для различных методо] определения параметров фасета. Наилучшие результаты были получены пр1 разбиении окрестностей на 5 классов по методу ЛАП. Проведено сравнени метода селекции с известными пороговыми методами сегментации, применен ными к компарационной матрице (рассматривался метод среднего контраста I сегментация с использованием статистик второго порядка). Показано, чт! метод селекции более устойчив к искажению эталона, не требует большой объема вычислений и дополнительной памяти и выделяет меньшее количеств« ложных фрагментов по сравнению с рассмотренными методами сегментацт Для тестовых зашумленных изображений при отношении сигнал/шум 2 и ниж вероятность обнаружения объектов предложенным методом селекции выш< чем при нахождении максимума корреляционной функции.

Четвертая глава. Рассматривается зависимость вида графика отскок от свойств изображения и эталона. Предложены методы автоматическог выбора параметров обработки изображения (размер эталона, разме окрестностей, количество классов окрестностей) на основании анализ графика отскока для улучшения сопоставимости изображения и эталона повышения качества селекции

Форма графика отскока зависит от свойств как изображения, так эталонного фрагмента. Для одного и того же изображения с разными этг лонами будут получаться разные графики отскока, иногда совсем не похс жие друг на друга. По виду графика отскока можно дать заключение

сопоставимости структуры геометрических признаков изображения и эталона, прогнозировать качество селекции и размер объектоподобной области. В зависимости от наличия структур на изображении и эталоне, а также от их совпадения, возможны три вида графиков отскока.

A. Неструктурированные изображение и эталон. Когда изображение и эталон не имеют ярко выраженной структуры, а направления ориентации окрестностей равновероятны, график отскока будет близок к теоретическому - рис.11а. Точка А на рис. 11а соответствует порогу анизотропности 6=1 (количество классов к-3). Точка В - значение с тем же количеством совпадений, что и при £>=1, но после отскока (0<<2^бо). Для биномиального закона распределения точки А и В совпадают. Важно отметить, что поскольку график отскока выражает максимальное количество случайных совпадений эталона и фрагментов изображения, то чем больше вероятность случайных совпадений, тем меньше'фрагментов попадает в объектоподобную область, качество селекции высокое. Однако, отсутствие структуры делает изображения неустойчивыми к шуму, что приводит к необнаружению объекта.

Б. Структуры эталона и изображения совпадают. Когда структура эталона и изображения совпадает, количество объектоподобных фрагментов больше, а вероятность случайных совпадений меньше чем теоретическая. График отскока в точке В выпуклый вверх (в дальнейшем - просто выпуклый), на участке, соответствующем порогу анизотропности <2о<е<1, имеет вероятность ниже теоретической за счет увеличения объектоподобной области (рис.116). Расстояние между точками А и В характеризует совпадение структур эталона и изображения: чем больше совпадают структуры, тем больше значение разности В-А. Качество селекции для таких изображения и эталона низкое, выделяется большое количество объектоподобных фрагментов, качество селекции повышается с уменьшением разности В-А.

B. Структуры эталона и изображения не совпадают. Когда структуры эталона и изображения не совпадают, на интервале (?<><()<I вероятность случайных совпадений близка к теоретической. Рост изотропных окрестностей приводит к увеличению после отскока количества объектоподобных фрагментов и, соответственно к уменьшению вероятности случайных совпадений. Дальнейшее уменьшение порога приводит к преобладанию изо-тропностей. График отскока в точке В вогнутый вверх (в дальнейшем -просто вогнутый) - рис. 11 в. Чем меньше совпадение структуры эталона и изображения, тем больше расстояние между точками А и В, разность В-А отрицательна. Это наиболее желательный вид графика отскока для селекции объектоподобных областей. Качество селекции высокое (при условии, что объект действительно находится на изображении), выделяется небольшое количество объектоподобных фрагментов. Качество селекции повышается с уменьшением разности В-А.

Рис.11. Виды графиков отскока: а - теоретический, б - выпуклый, в - вогнутый

Реальные изображения часто имеют неравновероятные анизотропные классы направлений. Влияние исходной неравновероятности классов проявляется в смещении графиков отскока по оси М относительно теоретических значений. При этом, начальная точка А выпуклого графика (рис.116) смещается вправо, а точка А вогнутого графика (рис.11в) - влево. Аналогичное смещение наблюдается и в точке отскока, если классы направлений остаются в ней неравновероятными. Неравновероятность классов направлений замедляет рост количества изотропных окрестностей, а отскок достигается при значении порога анизотропности более низком, чем для изображения с равновероятными классами направлений.

Для уменьшения влияния исходной неравновероятности направлений при несовпадении структуры эталона и изображения следует увеличить число классов до 5. Увеличение количества классов направлений компенсирует влияние преобладающего направления и повышает вероятность случайных совпадений эталона с фрагментами изображения. При этом возрастает качество селекции и уменьшается объектоподобная область. В тех случаях, когда структура эталона совпадает со структурой изображения, для того чтобы повысить качестве, селекции, необходимо исключить из рассмотрения преобладающее направление и ортогональное ему (например, если преобладают вертикали, то рассматривать 3 класса направлений - диагонали и изотропность). Если преобладание одного из направлений обусловлено влиянием геометрического шума, необходимо прибегнуть к процедуре фильтрации строчных геометрических шумов, основанной на эффекте отскока.

Как особый случай следует рассматривать наличие на изображение изотропных (или близких к изотропным) областей. Такие изотропные области возникают, например, при сильной засветке ("заплывании") фотоприемника. Наличие изотропных областей на изображении приводит ь появлению на гистограмме распределения значений КМ ложных пиков Ложные пики искажают график отскока, изменяют значение точки отско ка, вплоть до ее исчезновения.

Рассмотрим зависимость количества изотропных окрестностей нг изображении от порога анизотропности для метода ЛАП без учета нуле

вой частоты спектра Фурье и критерия анизотропности (2). Примем размер локальной окрестности Ы1, тогда С,„ и описываются ^-распределением с 2(/-1) степенями свободы. Отношение <?,/(?„, описывается 1,2-распре-делением:

Г(2(/-1)) у('~2)

при У> 0.

(Г(/-1))2 (Г + 1)2(М) Тогда вероятность появления изотропной окрестности ' а ^ (2

=1-2 \<Р^(У)С1Г.

■т . ' о

Коэффициент 2 перед интегралом ставится из-за того, что энергия спектра может быть максимальна в любом направлении из рассматриваемой пары. Эта формула будет справедлива для белого шума. Присутствие на реальных изображениях окрестностей, близких к изотропным, а также окрестностей, содержащих структуру, искажает теоретическую кривую.

На рис.12 приведено исходное изображение "Танк", содержащее изотропные области, и график зависимости количества изотропных окрестностей от порога анизотропности (размер окрестности 1=3). Реальный график можно разделить на две части. В одной части (для рис.126 при 0.8<{2^1) реальное количество изотропных окрестностей превышает теоретическое, что объясняется наличием на изображении изотропных областей. Наличие геометрических структур понижает процент изотропных окрестностей, поэтому в другой части (0<2<0.8) реальный график расположен ниже теоретического. Если на первом участке найти превышение реального количества изотропностей над теоретическим, а затем определить при каком числе изотропных окрестностей фрагмент изображения считается изотропным, то можно исключить такие фрагменты из рассмотрения и тем самым избавиться от ложных пиков на гистограмме распределения значений КМ.

О 0.2 0.4 0.6 0.8 1

а - исходное изображение; б - зависимость количества изотропных окрестностей от порога анизотропности: I - теоретическая 2 - реальная

Рис.12.

Гистограммы распределения значений КМ в точке отскока и изображение "Танк" с очерченными изотропными областями приведены на рис.13. Легко заметить, что на гистограмме без учета изотропных фраг-

а - гистограммы распределения значений КМ в точке отскока: 1 - исходное изображение, 2 - без учета изотропных фрагментов; б - изображение с очерченными изотропными областями

Рис.13.

Существенное влияние на график отскока оказывают размеры эталона и локальной окрестности. Размер эталона, с одной стороны, должен быть достаточен для принятия решения о виде распределения значений элементов КМ. С другой стороны, эталон должен содержать как можно меньше фоновых элементов. Что касается размера окрестностей, то чем он меньше, тем лучше передается локальная структура изображения, однако увеличение размера повышает точность определения ориентации окрестности при наличии шума. Практически, увеличение размера локальных окрестностей до 5x5 (/=5) и более имеет смысл только при зашумленном изображении, при этом более эффективно подавляются разрозненные импульсные помехи, чем гладкие шумы.

Таким образом, проводя процедуру пошагового изменения параметров обработки изображения и анализируя получающийся при этом график отскока, можно добиться наилучшей сопоставимости изображения и эталона, обеспечивающей высокое качество селекции. Остается отметить, что весь описанный анализ проводится автоматически, без вмешательства человека-оператора. Практически, график отскока характеризуют 3 точки: А, В и (¿1 (рис.11). Определение взаиморасположения этих точек, а также соответствия теоретическим значениям, не представляет сложности и может входить отдельным блоком в системы автоматического распознавания изображений.

Пятая глава. Рассматривается метод автоматического выделения на изображении визуально значимых перепадов яркости, основанный на эффекте отскока. Показано применение известных методов улучшения визуального качества изображений к фоновой и контурной частям изображения: к фоновой части применяются методы сглаживания, к контурной -

методы подчеркивания границ.

Для выделения визуально значимых перепадов яркости окрестности изображения необходимо разбить на 2 класса (изотропные/анизотропные), а в качестве эталона взять гауссов шум, имеющий такие же среднее и дисперсию как текущий фрагмент изображения. При использовании метода ЛАП необходимо учитывать нулевую частоту. Также возможно применение любых локальных методов выделения контура, допускающих нахождение ориентации окрестно-сти.На рис.14 показаны результаты сглаживания всего изображения и изотропных окрестностей медианным фильтром 3x3. На рис.15 приведены результаты подчеркивания границ методом нерезкой фильтрации для всего изображения и анизотропных окрестностей. Рис.16 иллюстрирует применение нерезкого маскирования к анизотропным окрестностям и медианной фильтрации к изотропным окрестностям.

обработка всего изображения обработка изотропных окрестностей Рис.14.Результат сглаживания медианным фильтром

э

обработка всего изображения обработка анизотропных окрестностей Рис.15. Результат применения нерезкого маскирования

исходное изображение

идем

раздельная обработка контурной и фоновой части

Рис.16. 17

Таким образом, автоматическое определение порога для методов выделения контура, основанное на эффекте отскока, позволяет организовать стадию визуального улучшения изображения в автоматизированных системах обработки изображений.

В заключении сформулированы основные результаты работы, приведенные ниже.

1. Для описания изображения выбрана фасетная модель. Описание изображений в терминах фасетной модели позволяет сравнивать между собой изображения, отличающиеся по яркостям или полученные от датчиков, работающих в различных спектральных диапазонах. Применение эффекта отскока позволяет автоматически определять параметры методов, основанных на описании изображения фасетной моделью.

2. Проведено теоретическое исследование для определения числа классов, на которые разбиваются окрестности изображения, в зависимости от своей ориентации. Показано, что энтропия максимальней вероятности совпадения элементов фрагмента и эталона имеет максимум при 5 равновероятных классах окрестностей.

3. Разработан и экспериментально проверен метод автоматической селекции объектоподобных областей на изображении, основанный на эффекте отскока и оперирующий как с многоградационными, так и с графическими эталонами.

4. Предложен н разработан метод автоматической селекции объектоподобных областей на пирамиде изображений, позволяющий решить проблему инвариантности метода селекции к масштабу.

5. Проведено тестирование алгоритма селекции для различных методов определения параметров фасета. Показано соответствие экспериментальных результатов теоретическим. Проведено сравнение метода селекции с известными пороговыми методами сегментации, примененными к компарационной матрице. Показано, что метод селекции объектоподобных областей более устойчив к искажению эталона, не требует большого объема вычислении и дополнительной памяти и выделяет меньшее количество ложных фрагментов по сравнению с рассмотренными методами сегментации (рассматривался метод среднего контраста и сегментация с использованием статистик второго порядка).

6. Определена зависимость вида графика отскока от свойств изображений и эталонов. Разработан метод анализа графика отскока для автоматического выбора параметров обработки изображений с целью повышения качества селекции.

7. Разработан и экспериментально проверен метод выделения изотропных областей изображения, возникающих при сильной засветке фотоприемника. Метод основан на анализе графика отскока.

8. Предложен и разработан метод автоматического определения порога для выделения визуально значимых перепадов яркости. Такая автоматизация разделения изображения на контурную и фоновую часть, позволяет организовать стадию визуального улучшения изображения в автоматизи-

рованных системах обработки изображений.

Таким образом, полученные результаты позволяют повысить степень автоматизации систем обработки изображений.

Приложение содержит акты внедрения результатов работы.

Список публикаций по теме диссертации

1. Borisova I.V., Popov P.G. Edge Detectors and Spectral Image Factorization // Proceeding of SPIE.-1993.-V.1960.-P.450-465.

2. Popov P., Borisova I. Image Processing Using Geometrical Feature Selection //Optical Memory and Neural Networks.-1997.-V.6, № 4.-P.265-273.

3. Popov P.G., Borisova I.V. Pattern Selection in Images // Proceeding of SPIE.-l 998.-V.3402.-P.348-354.

4. Борисова И.В., Попов П.Г. Селекция в пространстве ориентированных окрестностей // Распознавание образов и анализ изображений: новые информационные технологии: Труды IV Всероссийской с международным участием конф. 11-18 октября 1998.- Новосибирск: ИАиЭ СО РАН, 1998,-Ч.1.-С.246-250.

5. Попов П.Г., Борисова И.В. Эффект отскока в обработке изображений // Распознавание образов и анализ изображений: новые информационные технологии: Труды IV Всероссийской с международн. участием' конф. 11-18 октября 1998,- Новосибирск: ИАиЭ СО РАН, 1998,- Ч.1.-С.355-359.

6. Попов П.Г., Борисова И.В., Горенок В.Н. Компиляция изображений по многоспектральным и/или многоканальным данным // XV Международная научно-техническая конференция по фотоэлектронике, электронным и ионно-плазменным технологиям: Тез. докладов.-М.:ГНЦ РФ ГУП "НПО Орион", 1998.-С.86.

7. Попов П.Г., Борисова И.В. Практическое применение эффекта "отскока" в обработке изображений // Оптический журнал,-1999,- т.66, № 4.-С.94-101.

8. Попов П.Г., Борисова И.В. Классы локальных признаков для описания изображения // Оптический журнал.-1999,- т.66, № 4.-С.102-103.

9. Popov P.G., Borisova I.V. Comparison the gray-scale image with the binary drawing // Abstracts The Third Russian-Korean International Symposium on Science and Technology (KORUS-99). June 22-25, 1999.-Novosibirsk: Novosibirsk State Technical University,1999.- V.1.-P.212.

10. Borisova I.V., Popov P.G. Selection in the Space of Oriented Vicinities // Pattern Recognition and Image Analysis.-1999.-V.9, № 2.-P.225-228.

11. Popov P.G., Borisova I.V. Application of the Rebound Effect in Image Processing // Pattern Recognition and Image Analysis.-1999.-V.9, № 2.-P.301-303.

Введение.

1. Представление изображения фасетной моделью и автоматизация обработки изображений (обзор состояния вопроса).

1.1. Общая схема системы анализа изображений.

1.2. Выделение признаков.

1.2.1. Аппроксимация локальной окрестности изображения аналитической поверхностью.

1.2.2. Градиентные методы.

1.2.3. Аппроксимация перепада.

1.2.4. Фасетная модель.

1.2.5. Применения фасетной модели.

1.3. Сегментация изображений.

1.3.1. Модели изображения, использующиеся для сегментации.

1.3.2. Методы пороговой обработки.

1.4. Автоматизированные системы обработки изображений.

1.5. Выводы. Постановка задачи исследования.

2. Методы обработки изображений в пространстве ориентированных окрестностей.

2.1. Ориентированные окрестности.

2.2. Компарационная мера близости.

2.3. Количество классов окрестностей.

2.4. Методы определения параметров фасета.

2.4.1. Градиентные методы.

2.4.2. Локальные анизотропные признаки изображений.

2.4.3. Сравнение метода локальных анизотропных признаков и градиентных методов.

2.5. Выделение изотропных окрестностей.

2.6. Эффект отскока.

3. Селекция объектоподобных областей и обнаружение объектов.

3.1. Выделение объектоподобных и необъектоподобных фрагментов.

3.2. Качество селекции.

3.3. Выбор порога анизотропности по методу эффекта отскока.

3.4. Шумовые эталоны. Графические эталоны.

3.4.1. Распознавание графических символов.

3.5. Селекция объектоподобных областей на пирамиде изображений.

3.7. Тестирование алгоритма селекции для различных методов определения параметров фасета.

3.8. Применение методов пороговой обработки к компарационной матрице.

3.9. Сравнение результатов селекции для разных мер близости.

4. Свойства изображения и вид графика отскока.

4.1. Виды графиков отскока и их связь с качеством селекции.

4.2. Неравновероятные классы направлений.

4.3. Изотропные области изображения.

4.4. Выбор размеров окрестностей и эталона.

4.4.1. Размер эталона.

4.4.2. Размер локальных окрестностей.

4.5. Автоматический выбор параметров обработки изображений на основе анализа графика отскока.

5. Улучшение визуального качества изображений.

5.1. Выделение визуально значимых перепадов яркости.

5.2. Сглаживание изображений.

5.3. Повышение локальных контрастов.

Актуальность темы диссертации. Обработка изображений представляет собой быстро развивающуюся самостоятельную область знания. Изображение - это самая естественная для человека форма восприятия информации, поэтому сфера применения изображений в различных предметных областях чрезвычайно широка. Методы обработки изображений играют значительную роль в научных исследованиях, промышленности, медицине, информационных системах и т.д. Особое внимание уделяется разработке и созданию автоматизированных систем обработки изображений, позволяющих в реальном режиме времени проводить обнаружение, распознавание, сопровождение объектов, а также обработку изображений с целью улучшения их качества и представления в форме, удобной для оператора.

Достижения в технологии производства сверхбольших интегральных схем, как универсального назначения, так и заказных, практически сняли имевшиеся ограничения на сложность реализуемых алгоритмов. В связи с этим особую актуальность приобрели вопросы разработки "сквозных" технологий обработки изображений, представляющих собой автоматический рекурсивный процесс постепенного накопления и использования полезной информации об изображении. В общем случае этот процесс начинается с логического нуля, без каких-либо априорных предположений об исходных данных и завершается в момент, когда информация достаточна для принятия квалифицированного решения.

Качество системы обработки изображений во многом определяется выбором пространства признаков. Очень важно иметь такое описание изображений, которое как можно меньше зависит от условий наблюдения, свойств устройств наблюдения и самой наблюдаемой сцены.

Большое разнообразие и непредсказуемость сюжетов изображений приводят к необходимости автоматической настройки режима систем в соответствии с изменениями рабочей обстановки. Поэтому теоретические методы, лежащие в основе систем обработки изображений, не должны требовать априорных предположений об исходных данных. Кроме того, должно быть организовано автоматическое определение всех внутренних параметров алгоритмов обработки, реализованных в автоматизированных системах.

Многообразие и сложность задач, стоящих перед автоматизированными системами, выдвигает необходимость комплексного подхода к обработке изображений. Разработка единого алгоритма, обеспечивающего выполнение различных функций, заложенных в системе, позволяет сократить объем вычислений и аппаратуры, проводить обработку специализированным унифицированным устройством.

В настоящей работе были рассмотрены применения введенного П.Г.Поповым эффекта отскока, который позволяет разрабатывать методы и алгоритмы, обеспечивающие автоматизацию обработки изображений.

Цель и задачи работы. Целью диссертационной работы является автоматизация систем обработки изображений, ориентированных на обнаружение, распознавание, сопровождение объектов, улучшение визуального качества изображений.

Для достижения поставленной цели решались следующие задачи:

- анализ изображений на основе фасетных моделей и эффекта отскока;

- разработка методов и алгоритмов автоматической селекции объектов;

- разработка методов автоматического выбора параметров обработки изображений;

- разработка методов улучшения визуального качества изображений, основанных на автоматическом выделении визуально значимых перепадов яркости.

Научная новизна работы заключается в следующем:

- теоретически обоснована и экспериментально проверена связь свойств изображений с видом графика отскока;

- автоматизировано определение параметров методов обработки изображений, основанное на применении эффекта отскока;

- разработан и экспериментально проверен метод автоматической селекции объектоподобных областей на изображении, основанный на эффекте отскока и оперирующий как с многоградационными, так и с графическими эталонами;

- разработан метод выделения изотропных областей изображения, основанный на анализе графика отскока.

На защиту выносятся:

- метод и алгоритм автоматической селекции объектоподобных областей, основанный на применении эффекта отскока, оперирующий с многоградационными и графическими эталонами;

- метод и алгоритм автоматической селекции объектоподобных областей на пирамиде изображений;

- метод автоматического анализа графика отскока для повышения качества селекции;

- метод автоматического выделения изотропных областей изображения, основанный на анализе графика отскока;

- метод и алгоритм автоматического выделения визуально значимых перепадов яркости, основанный на применении эффекта отскока.

Личный вклад автора. Основная часть теоретических результатов получена лично автором, разработка основ метода селекции объектоподобных областей проводилась в соавторстве с П.Г.Поповым.

Все экспериментальные результаты, связанные с моделированием на ЭВМ, получены лично автором.

Практическая ценность работы и реализация результатов. Практическая ценность работы заключается в автоматизации методов и алгоритмов обработки изображений, что позволяет повысить автономность, адаптивность и унифицированность систем обработки изображений.

Теоретические и практические результаты нашли применение в 13 НИОКР, проводимых в Сибирском НИИ оптических систем по программам "Вычислительная оптоэлектроника", "Инфравид" и Программе фундаментальных исследований Миннауки РФ. Результаты работы внедрены в:

- Конструкторско-технологический институт научного приборостроения СО РАН (г.Новосибирск) при разработке системы автоматического распознавания графических символов;

- ГНЦ РФ ГУП "НПО Орион" (г.Москва) при выполнении Программы фундаментальных исследований Министерства науки РФ (п.п. 9а, 9в);

- НИИ радиооптики (г.Москва) при проведении Комплексной целевой программы "Вычислительная оптоэлектроника";

- НИИ точного электронного приборостроения (г.Москва) при разработке системы автосопровождения объектов.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на:

1. XIV Международной конференции по когерентной и нелинейной оптике (КиНО 91). Ленинград, 1991 г.

2. Международном симпозиуме "Optical Information Science and Technology (OIST97)". Москва, 1997 г.

3. IV Всероссийской с международным участием конференции "Распознавание образов и анализ изображений: новые информационные технологии (РОАИ-4-98)". Новосибирск, 1998 г.

4. XV Международной научно-технической конференции по фотоэлектронике, электронным и ионно-плазменным технологиям. Москва, 1998 г.

5. III корейско-российском международном научно-техническом симпозиуме (КО!Ш8"99). Новосибирск, 1999 г.

Публикации. По теме диссертации опубликованы 11 научных работ.

Структура и объем работы. Диссертационная работа состоит из введения, 5 глав, заключения, приложения и содержит 126 страниц основного текста,включая 70 рисунков, 4 таблицы, список литературы из 98 наименований.

ЗАКЛЮЧЕНИЕ

Перед автором была поставлена задача автоматизации систем обработки изображений, ориентированных на обнаружение, распознавание, сопровождение объектов, улучшение визуального качества изображений. Задача решалась путем разработки методов и алгоритмов обработки изображений, основанных на описании изображений фасетной моделью и методе эффекта отскока. Основные результаты сводятся к следующим:

1. Для описания изображения выбрана фасетная модель. Описание изображений в терминах фасетной модели позволяет сравнивать между собой изображения, отличающиеся по яркостям или полученные от датчиков, работающих в различных спектральных диапазонах. Применение эффекта отскока позволяет автоматически определять параметры методов, основанных на описании изображения фасетной моделью.

2. Проведено теоретическое исследование для определения числа классов, на которые разбиваются окрестности изображения, в зависимости от своей ориентации. Показано, что энтропия максимальной вероятности совпадения элементов фрагмента и эталона имеет максимум при 5 равновероятных классах окрестностей.

3. Разработан и экспериментально проверен метод автоматической селекции объектоподобных областей на изображении, основанный на эффекте отскока и оперирующий как с многоградационными, так и с графическими эталонами.

4. Предложен и разработан метод автоматической селекции объектоподобных областей на пирамиде изображений, позволяющий решить проблему инвариантности метода селекции к масштабу.

5. Проведено тестирование алгоритма селекции для различных методов определения параметров фасета. Показано соответствие экспериментальных результатов теоретическим. Проведено сравнение метода селекции с известными пороговыми методами сегментации, примененными к компарационной матрице. Показано, что метод селекции объектоподобных областей более устойчив к искажению эталона, не требует большого объема вычислений и дополнительной памяти и выделяет меньшее количество ложных фрагментов по сравнению с рассмотренными методами сегментации (рассматривался метод среднего контраста и сегментация с использованием статистик второго порядка).

6. Определена зависимость вида графика отскока от свойств изображений и эталонов. Разработан метод анализа графика отскока для автоматического выбора параметров обработки изображений с целью повышения качества селекции.

7. Разработан и экспериментально проверен метод выделения изотропных областей изображения, возникающих при сильной засветке фотоприемника. Метод основан на анализе графика отскока.

8. Предложен и разработан метод автоматического определения порога для выделения визуально значимых перепадов яркости. Такая автоматизация разделения изображения на контурную и фоновую часть, позволяет организовать стадию визуального улучшения изображения в автоматизированных системах обработки изображений.

Таким образом, полученные результаты позволяют повысить степень автоматизации систем обработки изображений.

1. Розенфельд А. Машинное зрение: Основные принципы // ТИИЭР.-1988.-Т.76, № 8.-C.10-16.

2. Коулмэн Г.Б., Эндрюс Х.С. Сегментация изображения при помощи автоматической классификации // ТИИЭР.-1979.-Т.67, №5,-С.82-98.

3. Левин М.Д. Методы выделения признаков // ТИИЭР.-1969.т.57, № 8.-С.51-69.

4. Лендэрис Г.Г., Стенли Г.Л. Метод дискретизации дифракционных картин для автоматического распознавания образов // ТИИЭР.-1970.-T.58, № 2.-С.22-40.

5. Chen Z., Sun Y., Mu G. Hybrid optical/digital access control using fingerprint identification // Opt.Eng.-1995.-V.34, № 3.-P.834-843.

6. Иванченков В.П., Вылегжанин О.Н., Степанов Д.Ю. Классификация пуль по признакам, выделенным из оптических пространственных спектров их изображений // Оптический журнал.-1996.-№ 10.-С.57-61.

7. Mercle F., Lorch Т. Hybrid optical-digital pattern recognition // Appl.Opt.-1984.-V.23.-P. 1509-1511.

8. Борзов C.M., Козик В.И., Потатуркин О.И. Адаптивный метод распознавания малоразмерных изображений с итерационной обработкой корреляционных функций // Автометрия.-1996.-№ 1.-С. 12-21.

9. Майтра С. Моментные инварианты // ТИИЭР.-1979.-№4.-С.197-201.

10. Глумов Н.И., Коломиец Э.И., Сергеев В.В. Информационная технология обнаружения объектов на изображении в режиме скользящего окна // Научное приборостроение.-1993.-№ 1.-С.72-78.

11. Абламейко С.В., Берегов Б.С., Бокуть J1.B. Исследование структурного строения изображений на основе принципа симметрии // Цифровая обработка изображений: Сб. научн. трудов. Минск: Институт технической кибернетики,1997.-Вып. 1.-С.5-14.

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

13. Haralick R.M., Shanmugan К., Dinstein I. Texture features for image classification // IEEE Trans. Systems, Man, and Cybernetics.-1973.-V.SMC-3,№6.-P.610-621.

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

15. Brady М. Steps toward making robots see // Sensors and Sensory Systemsfor Advanced Robots.-1988.-V.F43.-P.95-123.

16. Prewitt J.M. Object enhancement and extraction // Picture Processing and Psychopictorics: Proceed, of a sympos. Arlington, Virg., 1969 / Eds.: B.S.Lipkin, A.Rosenfeld. N.Y.: Academic Press, 1970.-P.75-149.

17. Foglein J. On edge gradient approximations // Pattern Recognition Letters.-1983.-V.l, № 5-6.-P.429-434.

18. Роберте JI. Автоматическое восприятие трехмерных сцен // Интегральные роботы.-М.: Мир, 1973,-С.162-208.

19. Абду И.Э., Прэтт У.К. Количественный расчет детекторов контуров, основанных на подчеркивании перепадов яркости с последующим пороговым ограничением // ТИИЭР.-1979.-Т.67, №5.-С.59-70.

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

21. Kirsch R. Computer determination of the constituent structure of biological images // Computers and biomedical research.-1971.-V.4, № 3,-P.315-328.

22. Прэтт У. Цифровая обработка изображений: Пер. с англ./ Под ред. Д.С.Лебедева.-М.:Мир, 1982.

23. Fram J.R., Deutsch E.S. On the evaluation of edge detector schemes and their comparison with human performance // IEEE Trans. Computers.-1975.-V.C-24, № 6.-P.616-628.

24. Deutsch E.S., Fram J.R. A quantitative study of the orientation bias of some edge detector schemes // IEEE Trans. Computers.-1978.-V.C-27, №3.-P.205-213.

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

26. Hartley R. A Gaussian weighted multiresolution edge detector // Computer Vision, Graphics and Image Processing.-1985.-V.30, № 1 .-P.70-83.

27. Nevada R., Babu K.R. Linear feature extraction and description // Computer Graphics and Image Processing.- 1980.-V.13.-P.257-269.

28. Hummel R.A. Feature detection using basis functions // Computer Graphics and Image Processing.- 1979.-V.9, № 1.-P.40-55.

29. Boppana R.B., Rosenfeld A. Some properties of Hueckel-type edge operator// Pattern Recognition Letters.-1982.-V.1, № 1.- P.25-29.

30. Abramatic J. Why the simplest "Hueckel" edge detector is a Roberts operator // Computer Graphics and Image Processing.- 1981.-V.17, № 1.-P.79-83.

31. Haralick R.M., Watson L. A facet model for image data // Computer Graphics and Image Processing.-198l.-V. 15, №.2.-P.113-129.

32. Чочиа П.А. Двухмасштабная модель изображения // Кодирование и обработка изображений.-М.: Наука, 1988.-С.69-87.

33. Kass M., Witkin A. Analyzing oriented patterns // Computer Graphics and Image Processing.-1987.-V.37.-P.362-385.

34. Rao A.R., Schunck B.G. Computing oriented texture fields //CVGIP: Graphical Models and Image Processing.-1991.-Y.53, № 2,-P.157-185.

35. Hoffman R., Jain A.K. Segmentation and classification of range images // IEEE Trans. Pattern Anal. Machine Intell.-1987.-V.PAMI-5, № 9.-P.608-620.

36. Best P.J., Jain R.C. Segmentation through variable-order surface fitting // IEEE Trans. Pattern Anal. Machine Intell.-1988.-V.PAMI-10, №2.-P. 167-192.

37. Чочиа П.А. Сглаживание изображения при сохранении контуров // Кодирование и обработка изображений.-М.:Наука, 1988.-С.87-98.

38. Чочиа П.А. Методы преобразования изображений, использующие двухмасштабную модель // Кодирование и обработка изобра-жений.-М.:Наука, 1988.-С.98-112.

39. Попов П.Г. Робастная компиляция изображений // Оптический журнал,-1994.-Ко 4.-С. 149-152.

40. Chen D., Bovik А.С. Visual pattern image coding // IEEE Transactions on Communications.-1990.-V.38, № 12.-P.2137-2146.

41. Саймонселли И.П., Эйделсон Э.Х. Неразделимое многомерное обобщение квадратурных зеркальных фильтров // ТИИЭР.-1990.-т.78, №4.-С.69-82.

42. Попов П.Г. Локальные анизотропные признаки изображений // Оптический журнал.-1994.- № 2.-С.36-40.

43. Roggemann M.C., Mills J.P., Rogers S.K., Kabrisky M. Segmentation of noisy range images using the small-scale planarity of man-made vehicles // Optical Engineering.-199l.-V.30, № 4.-P.408-413.

44. Kim N.C., Jung S.H. Adaptiv image restoration using local statistics and directional gradient information // Electronics Letters.-1987.-V.23, № 12.-P.610-611.

45. Burns J.В., Hanson A.R., Riseman E.M. Extracting straight lines // IEEE Transactions on Pattern Analysis and Machine Inrelligence.-1986.-V.PAMI-8, № 4.-P.425-455.

46. Lee Y.-K., Rhodes W.T. Nonlinear image processing by rotating kernel transformation // Optics Letters.-1990.-V.15, № 23.-P. 1383-1385.

47. Степин M.C., Сушкова Jl.T., Жирков В.Ф. Сегментация цветных изображений // Цифровая обработка сигналов и ее применения (DSPA'98): Труды 1 Междунар. конф. 30 июня-3 июля 1998.-Москва, 1998.-т.З.-С.173-181.

48. Forchheimer R., Kronander Т. Image Coding From waveforms to animation // IEEE Transactions on Acoustics, Speech, and Signal Processing.-1989.-V.37, № 12.-P.2008-2023.

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

50. Марр Д. Зрение.-М.:Радио и связь, 1987.

51. Matsuyama Т. Expert systems for image processing: Knowledge-based composition of image analysis processing // Comput. Vision Graphics Image Process.-1989.- V.48.-P.22-49.

52. Chen S.-Y., Lin W.-C., Chen C.-T. An expert vision system for medical image segmentation // Proc.SPIE.-1989.-V.1092.- P. 162-172.

53. Розенфельд А., Дейвис Л.С. Сегментация и модели изображения //ТИИЭР.-1979.-Т.67, № 5.-С.71 -81.

54. Бакут П.А., Колмогоров Г.С., Ворновицкий И.Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлектроника.-! 987.-№ 10.-С.6-24.

55. Prewitt J.M.S., Mendelsohn M.L. The analisis of cell images // Ann. N.Y.Acad.Sci.-1966.-V. 128.-P. 1035-1053.

56. Haddon J.F., Boyce J.F. Unification of image segmentation and edge detection // IEE Proceedings.-1990.-V.137, Pt.I, № 3.-P.129-135.

57. Синева И.С., Лунякова Н.Н. Адаптивный двухступенчатый полутоновый фильтр для сегментации изображений // Цифровая обработка сигналов и ее применения (DSPA'98): Труды 1 Междунар. конф. 30 июня-3 июля 1998.- Москва, 1998.-T.2.-C.227-231.

58. Денисов Д.А., Дудкин А.К., Плаксин М.В. Представление и обработка видеоинформации в системах машинного зрения // Техническая кибернетика.-1989.-№ 5.-С.205-228.

59. Афинов В. Беспилотная воздушная разведка // Зарубежное военное обозрение.-1997.-№ 5.-С.33-37.

60. Лернер Э.Дж. Техника машинного зрения. Достижения и перспективы внедрения // Аэрокосмическая техника: Пер. журн. Амер.ин-та аэронавтики и астронавтики.-1987.-№ 5.-С.217-222.

61. Строев В. Системы с искусственным интеллектом в сухопутных войсках // Зарубежное военное обозрение.-1997.-№ 3.-С.27-30.

62. Киричук B.C., Коршевер И.И., Синелыциков В.В. Анализ изображений динамических сцен: модели, алгоритмы и системы реального времени //Автометрия.-1998. -№ 3.-С.3-17.

63. Чугуй Ю.В. Информационные, оптические и лазерные технологии //Автометрия.-1997.-№ 4.-С.3-15.

64. Японские промышленные роботы // БИНТИ.-1991.-Сер. 1, № 6.-С. 12.

65. Робот для проверки элементов систем водяного охлаждения АЭС // БИНТИ.-1994.-Сер. 1, № 49.-С.28.

66. Средства обеспечения безопасности работ шахтеров // БИНТИ.-1991 .-Сер. 1, № 6.-С. 15-17.

67. Робот для картографирования и удаления радиоактивных отходов // БИНТИ.-1991.-Сер. 1, № 7.-С.13.

68. Роботизированный манипулятор для хирургов // БИНТИ.-1991.-Сер. 1, № 34.-С.21.

69. Бытовые роботы для решения демографической проблемы Японии // БИНТИ.-1994.-Сер. 1, № 6.-С. 19-23.

70. Gabor D. The smoothing and filtering of two-dimensional images // Progress in biocybernetics.-1965.-V.2.

71. Попов П.Г. Динамическая мера близости изображений: Часть I: Выделение движения//Автометрия.-1994.-№ 1.-С.60-67.

72. Попов П.Г. Динамическая мера близости изображений: Часть II: Кратковременная память. Системы контроля // Автометрия.-1994.-№ 2.-С.47-54.

73. Лебедев Д.С. Статистическая модель изображения // Икони-ка: Пространственная фильтрация изображений. Фотографические системы.-М.: Наука, 1970.

74. Попов П.Г., Борисова И.В. Классы локальных признаков для описания изображения // Оптический журнал.-1999.-т.66, № 4.-С.102-103.

75. Rosenfeld А., Как A.C. Digital picture processing.-N.Y.: Academic Press, 1976.

76. Borisova I.V., Popov P.G. Edge detectors and spectral image factorization // Proc. SPIE.-1993.-V.i960.-P.450-465.

77. Попов П.Г., Горенок В.Н. "Эффект отскока" в проблеме распознавания изображений // Оптический журнал.-1996.-№ 10.-С.32-37.

78. Popov P., Borisova I. Image processing using geometrical feature selection// Optical Memory and Neural Networks.-1997.-V.6,№4.-P.265-273.

79. Popov P.G., Borisova I.V. Pattern selection in images // Proceeding of SPIE.-1998.-V.3402.-P. 348-354.

80. Фрэнк А.Дж., Даниелс Дж.Д., Унангст Д.Р. Поэтапная передача изображений с использованием модели роста при кодировании // ТИИЭР,- 1980.-т.68, № 7.-С. 162-177

81. Берт Дж. Интеллектуальное восприятие в пирамидальной зрительной машине//ТИИЭР,-1988.-Т. 76,№ 8.-С. 175-186.

82. Кантони В., Левиальди С. Мультипроцессорные системы дляобработки изображений//ТИИЭР.-1988.-Т. 76, № 8.-С. 118-130.

83. Виноградов А.К., Макаренко А.А., Михлевич Е.Г. Моделирование на ЭВМ уменьшения масштаба изображения методами цифровой обработки // Техника средств связи.-1984.-Серия "Техника телевидения", Вып. 1.-С. 103-108.

84. Kohler R. A segmentation system based on thresholding // Computer Graphics and Image Processing.-1981.- V.15, № 4.-P.319-338.

85. Deravi F., Pal S.K. Grey level thresholding using second-order statistics // Pattern Recognition Letters.-1983.-V.1, № 5/6.-P.417-422.

86. Chanda В., Chaudhuri B.B., Dutta Majaumder D. A modified technique for image segmentation and edge detection // Pattern Recognition Letters.-1985.-V.3, № 4.-P.243-251.

87. Попов П.Г., Порядина С.А. Построение анизотропных фильтров для коррекции строчных геометрических шумов // Автометрия.-1991.-№ 2.-С.88-91.

88. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров.-М.: Наука, 1984.

89. Mastin G.A. Adaptive filters for digital image noise smoothing: An evaluation // Computer Vision, Graphics, Image Processing.-1985.-V.31, № 1.-P.103-121.

90. Ярославский JT.П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику.-М.: Радио и связь, 1987.

91. Borisova I.V., Popov P.G. Selection in the Space of Oriented Vicinities // Pattern Recognition and Image Analysis.-1999.-V.9, № 2.-P.225-228.

92. Попов П.Г., Борисова И.В, Практическое применение эффекта "отскока" в обработке изображений // Оптический журнал.-1999.-т.66, № 4.-С.94-101.

93. Popov P.G., Borisova I.V. Application of the Rebound Effect in Image Processing // Pattern Recognition and Image Analysis.-1999.-V.9, № 2.-P.301-303.