автореферат диссертации по машиностроению и машиноведению, 05.02.13, диссертация на тему:Разработка и анализ системы отбраковки оттисков в послепечатном оборудовании

На правах рукописи

ФЕДОРЕНКО СЕРГЕЙ ИГОРЕВИЧ

РАЗРАБОТКА И АНАЛИЗ СИСТЕМЫ ОТБРАКОВКИ ОТТИСКОВ В ПОСЛЕПЕЧАТНОМ ОБОРУДОВАНИИ

Специальность 05.02.13 - машины, агрегаты и процессы (полиграфическая

промышленность)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Сан кт-Петербург 2006

Работа выполнена в Государственном образовательном учреждении высшего профессионального ■ образования «Санкт-Петербургский государственный университет технологии и дизайна».

Научный руководитель —

доктор технических наук, профессор Дроздов Валентин Ннловнч

Официальные оппоненты:

доктор технических наук, профессор Кузнецов Юрий Вениаминович

кандидат технических наук Соловейчик Александр Михайлович

Ведущая организация -

Московский государственный университет печати

Защита состоится «18» декабря 2006 г. в 15 часов на заседании диссертационного совета Д 212.236.02 в Санкт-Петербургском государственном университете технологии и дизайна по адресу: 191186, г. Санкт-Петербург, ул. Большая Морская, д. 18, ауд.241.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского государственного университета технологии и дизайна по адресу: 191186, г. Санкт-Петербург, ул. Большая Морская, д. 18.

Автореферат разослан » ноября 2006 г.

Ученый секретарь

диссертационного совета В.В. Сигачева

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Для получения готовой полиграфической продукции необходимо выполнить ряд броппоровочно-переплетных и отделочных процессов, выполняемых на после печатном оборудовании (ППО). Для повышения качества продукции и скорости работы оборудования необходим эффективный контроль выполняемых операций. Одним из примеров контроля служит проверка комплектности блоков в броцпоровочно-переплетных машинах (БПМ). Процесс комплектовки заключается в составлении книжного блока из тетрадей или листов издания, называемых оттисками, в порядке следования страниц методом вкладки (накидки) или подборки. В настоящее время проверка комплектности осуществляется в основном оператором вручную, что снижает надежность и скорость работы всего ППО.

Отбраковка неправильных страниц является задачей распознавания образов, при которой необходимо принятие решения об отнесении текущей страницы к классу эталонных или бракованных. Разработка методов и алгоритмов решения задачи распознавания образов является актуальной для данного оборудования.

Задача распознавания страниц также имеет тесную связь с задачей совмещения изображений, являющейся фундаментальной проблемой систем технического зрения. Несмотря на постоянно возникающую необходимость совмещения изображений, эта задача решена только для некоторых частных случаев.

Все это обуславливает актуальность и значимость исследований, направленных на решение одной из важных проблем послепечатной стадии -модернизации системы комплектовки блоков в БПМ.

Цель и задачи исследования. Целью работы является разработка и анализ системы отбраковки оттисков при комплектовке блоков в послепечатном оборудовании. Важной частью системы является сспсор отбраковки страниц, устанавливаемый на каждой станции подборочных и в кладочных машин.

Для достижения сформулированной цели решаются следующие задачи:

1) исследование особенностей перемещена тетрадей па транспортере брошюровочно-переплетных машин под сенсором отбраковки страниц;

2) создание математической модели страницы, учитывающей особенности изображений сканируемого материала;

3) разработка методов анализа соответствия страницы эталону, а также методов выбора признаков эталоштой страницы;

4) разработка алгоритмов функционирования сенсора на основе предложенных модели страницы и методов анализа соответствия.

Вторая и третья задачи относятся к классификации — это определение принадлежности анализируемой страницы к классу соответствующих или не

соответствующих эталону страниц, что является частью задачи распознавания образов. Другие требующие решения подзадачи распознавания - минимизация описания класса эталонных страниц, выделение информативных признаков.

Отмстим, что решение проблемы отбраковки страниц с помощью сравнения изображений является частным решением фундаментальной проблемы совмещения изображений при определенных ограничениях на исходные данные.

Методы исследования. Для решения поставленных задач использовались теория распознавания образов, методы совмещения изображений, теория статистических решений, статистический анализ и теория графов.

Научная но пиша работы заключается в следующем:

1) Разработанная методика распознавания использует текстовое содержимое страницы вместе с ее изображением в отличие от существующих

2) Разработанные алгоритм автоматического построения модели эталонной страницы и алгоритм оценки сходства анализируемой страницы с эталоном отличаются высокой надежностью распознавания.

3) Предложен метод решения задачи быстрого совмещения изображений.

4) Разработан алгоритм быстрого сравнения нечетких неполных графов.

Практическая значимость результатов работы заключается в

следующем:

1) Модернизация после печатного оборудования за счет разработанной системы отбраковки оттисков позволяет повысить скорость работы брошюровочно-переплетиых машин и улучшить качество полиграфической продукции.

2) Результаты диссерташюпной работы в виде исполняемых файлов были переданы в производственную фирму ВаитсгЕ1ес1пс (Швейцария), от которой получен акт о внедрении разработанного сенсора в послепечатное оборудование немецкой фирмы ЬСоШиэ и американской компании Оойэ.

3) Принципы работы системы отбраковки оттисков в процессе комплектовки блоков на послепечатиом оборудовании были включены в курс лекций «Автоматизированные системы управления технологическими процессами в полиграфии», читаемый автором работы » течение 2 лет.

Апробация работы. Основные положения н результаты работы докладывались:

1) па IX Санкт-Петербургской международной конференции «Региональная Информатика - 2004 (РИ-2004)»;

2) в научно-производственной фирме ВаитегОрХготс (Германия) в 2001 г. и 2003 г., выпускающей системы технического зрения;

3) в производственной фирме BaumerElectric (Швейцария) в 2001 г. и 2005 г., которая производит сенсоры и датчики, в том числе и разработанный сенсор отбраковки страниц;

/14 Т' ' i 11 и i i Л o-rvl.íTflJl'Himi TfrVTTTJfT^aít^TJlííV^Tfr^TVl HfíAWlttrt ff^TIil" Mi "Vt I

' y i »"" ■ lí l'l^ll» Jl. ^ ■ ■ j^uiji» —■ V » - J— — --- — V- ■ - • " » > ■ .)

2005r.

5) на кафедре "Информационные, вычислительные и управляющие системы" СПГУИТМО в 2006 г.

Публикации. По теме диссертации опубликовано 2 статьи в журналах, входящих в «Перечень ...» ВАК РФ, 4 статьи в научных сборниках и 2 статьи в материалах и тезисах конференций.

Структура и объем работы. Диссертация состоит из введения, четырех глав, разбитых на разделы и подразделы, заключения, списка литературы, включающего 61 наименование. Вся работа изложена на 130 страницах машинописного текста, содержит 30 рисунков, 113 формул и 3 таблицы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении проведено обоснование актуальности темы диссертационной работы, сформулированы цель и задачи исследования.

В перкой главе детально исследована задача отбраковки тетрадей для контроля правильности комплектовки блоков в КПМ. Отмечено существование двух способов комплектовки блоков: подборкой и вкладкой, требующих проверки правильности подбора тетрадей, так как нарушение правильной последовательности блоков приводит к браку.

Рассмотрена технологическая схема подборочной машины (рисунок I), имеющая ряд станций с магазинами 2 для укладки стоп тетрадей 1. В каждый магазин кладут тетради с одним номером сигнатуры, корешком к передней стенке, расположенной над сборочным транспортером 4. Тетради выводятся из магазина листовыводпым устройством и укладываются на неподвижные пластины 3. Упоры 5 сборочного транспортера сдвигают тетради с пластин на неподвижный настил б. По мере движения транспортера по секциям машины последовательно осуществляется сбор тетрадей по одной со всех задействованных секций. Скомплектованный блок 7 выводится на приемку (в операционных машинах) или передается дальше на скрепление (в агрегатированных машинах).

Па основании анализа методов контроля комплектовки выделен один тин дефектов, ошибочная тетрадь, требующий контроля правильности каждой тетради и ее положения в магазинах станций БПМ.

В результате анализа существующих методов автоматического контроля комплектовки блоков выделены два подхода: основанные на использовании сигнатур, печатаемых в технологической зоне листа, и связанные с анализом

изображения верхней страницы тетради. Сделан вывод об оптимальности второго подхода с точки зрения минимизации затрат на введение системы котроля в полиграфическое производство и указано, что требуется контроль правильности положения и очередности подготовленных тетрадей, осуществляемый с большой скоростью и высокой надежностью, основанный на анализе совпадения изображений верхних страниц тетрадей сенсорной системой.

Рисунок 1 — Технологическая схема подборочной машины

Проведенный анализ существующих систем контроля, таких как ASIR-3 и Opticontrol, показал их низкую надежность, которая слсдуст из невозможности надежной идентификации страниц путем проверки идентичности только их малых частей. Для повышепия надежности идентификации необходимо работать с большей частью страницы, однако ЭТО требует специальных методов для удовлетворения существующих требований ППО таких, как высокая скорость работы и непостоянное положение объектов на транспорт-ерах БПМ.

Теоретическое исследование возможных решений показало малое число подходов к сравнению изображений страниц. Один подход основан на корреляционно-экстремальном методе совмещения изображений дня автоматического управления движением объекта с использованием карт заданного курса, который иаходит свое применение в системах навигации морских судов и летательных аппаратов. Над созданием и реализацией метода работали отечественные ученые ИЛ! Бсяоглазов, A.A. Красовский и другие. Данный метод обладает наилучшей надежностью, однако требует больших вычислительных ресурсов. Другой подход предложен в российском патенте Кузнецовым Ю.Д., основанном па составлении и анализе структурной информации изображений для поиска интересующих объектов из базы данных изображений (ЕД), при этом достигается большая точность результатов поиска,

однако требуются большие ресурсы для выделения контуров объектов. Похожая задача решается в американском патенте автора Peairs М., посвященном нахождению одного наиболее близко похожего на эталон документа кз БД документов. Метод основан на выделении структурной информации всех страниц документа и использовании ее при последующем сравнении с информацией ОТ документов, сохраненных в БД. Однако В основе метода лежит удаление текста из изображений страниц для последующей их идентификации, что значительно снижает надежность.

Выполненное исследование показало отсутствие подходящих решений для задачи отбраковки страниц, что связано с недостаточной проработкой вопроса быстрого и относительно дешевого решения задачи распознавания страниц. Однако при разработке сснсора необходимо учитывать опыт решений задач распознавания образов, проведенных в трудах отечественных ученых: Горелика А.Л., Красовского Л.Л. и др., а также в ряде работ зарубежных авторов: Патрика Э., Фукунага К, и др. Значительный вклад в развитие методов совмещения изображений внесли такие ученые, как Анисимов Б.В., Белоглазов И.Н. и другие.

Вторая глава посвящена проектированию системы распознавания страниц. В результате проведенного исследования получена оценка требуемого времени сравнения одной страницы в 90 мс для модели БПМ ZU-840 фирмы Kolbus при максимальном размере изображения страницы в 1 Мб. Проведены исследования еще одной сложности сравнения изображений, заключающейся в непостоянном положении страниц на транспортере. Для описания отклонений предложено аффинное преобразование : / «-> /э координат пикселей эталонного и анализируемого изображений вида:

Tíx Дс Д ф Л.)- Iх'= ^ + С + ДХ*~*t) + Д*)cos<p + (у + Ду)sin<р]

' 1 / = Ot + (1 + Л)(х - *в) + Дх) sin 9> + О + Ау) '

где /э{х,у) - эталонное изображение, задаваемое функцией выдачи яркости пикселя с координатами f{x',y') — апализируемое изображение,

смещенное на величины Ах, Ду по соответствующим осям, повернутое на угол <Р и отличающееся масштабом X по оси х.

Введен алфавит классов А = {r¡,,fi3j, где П, — класс эталонных страниц, С1г — класс бракованных страниц. Определен перечень рабочих признаков, описывающих распознаваемые страницы текстового и нетекстового типа, Введено понятие знаков текстовой страницы как результата процесса сегментации изображения страницы методом площадей. При этом каждый знак обладает следующими признаками: координаты его области (ROI), площадь и центр тяжести. Признаком текстовых страниц предложено считать набор признаков тех знаков, которые имеют определенное свойство, выделяющее их

из знаков своего окружения. На этом основании введено понятие эталонного набора знаков и сделан вывод о необходимости исследования принципа их выбора из всех знаков страницы.

Для страниц нетекстового типа введено определение региона как квадратного участка пикселей изображения страницы, целиком находящегося внутри изображения при всех возможных преобразованиях ¥ (1). Из-за большого объема изображения для сенсора в качестве признаков нетекстовых изданий предложено использовать изображения К регионов, а также некоторые преобразования их содержимого в пространство меньшей размерности, например, яркостную гистограмму региона или инвариантные моменты.

Показателем эффективности Е для оценивания системы распознавания страниц служит выражение:

р, = М^чя,)^ +

е,=РсгАэы^.анпады^й)

0 ' {) Е~%{ЕГ + ЕГ+ЕТ)

где Ег представляет собой вероятность правильных решений системы распознавания страниц; Ег — сумма штрафов за превышение ошибками своих максимальных значений; Ет — штраф за превышение максимального времени работы алгоритма; с,,с2 — элементы платежной матрицы, коэффициенты штрафа за ошибки первого и второго рода соответственно. Измерение вероятностей ошибок первого и второго рода (?,,£>! проводится по БД. Штрафная функция <рг имеет вид:

I—а-¿хйх^

■ О)

(л»)'

В результате проведенного анализа существующих методик построения классификаторов для систем распознавания с точки зрения сложности и точности сделан вывод об эффективности использования двух классификаторов в системе распознавания страниц. Для режима настройки внутренних параметров получения рабочих признаков предложено пользоваться методом Нсймапа-Пирсона, который позволяет определить допустимое предельное значение вероятности ошибок первого рода с последующей минимизацией вероятности ошибок второго рода. Его достоинством также является использование плотности распределения значений признака только для эталонного класса страниц. Сделан вывод, что

алгоритм распознавания страниц в рабочем режиме сравнения имеет возможность использования только простого линейного классификатора при условии максимальной разделимости значений признаков по двум классам. Для о кепки разделимости одномерного пространства признаков предложено использовать критерий Фишера, определяющий меру того, насколько далеко отстоят друг от друга распределения значений линейной разделяющей функции в обоих классах.

IIa основе проведенных шагов проектирования системы распознавания сделаны следующие выводы: ;

1) Система отбраковки должна иметь режим обучения, в котором необходимо выделить и сохранять признаки эталонной страницы.

2) Признаки страницы должны быть измеряемы с большой скоростью.

3) Перспективным является подход к отбраковке страниц, использующий их текстовое содержимое, для чего необходим метод выбора эталонных знаков.

В третьей главе осуществляется построспис математической модели эталонной страницы. Ввиду ограниченности ресурсов сенсора автором сделано предположение о достаточности анализа только центральной части содержимого страшщ. Тогда задача распознавания страниц заменяется задачей определения соответствия двух отсканированных изображений. Предложенный метод определения соответствия двух изображений базируется на различном подходе для страниц с текстовым и нетекстовым содержанием.

Следующим шагом построения модели является определение типа содержимого страницы. Для этого предложено разбить изображение страницы па регионы, а затем определить тип каждого региона, причем определяются только два типа: текстовый и нетекстовый (полутоновой). На основании количественной оценки занимаемой каждым типом регионов предложено правило определения типа страницы вида:

<cN представят только текст

N • (4>

—— текст не представлен

N

где jV^ , jV„r — количество полутоновых и текстовых регионов соответственно; еы - порог, определяющий границы смешанного типа страниц. При невыполнении обоих условий правила (4) считается, что эталонная страница имеет смешанный тип, при котором для нее будут построены модели па основе признаков обоих типов страниц. ■

Проведено построение модели полутонового содержимого страницы, основанной на изображениях ее регионов, используемых в качестве признаков. Для определения соответствия двух изображений была решена задача совмещения изображений каждого региона, заключающаяся в нахождении

параметров такого пространственного преобразования ¥: X Г и такой функции преобразования яркости которые позволяют найти

преобразование

с с: /: /э - /( )), (5)

где Л', Г е 2", « - размерность обоих изображений. Для оценки качества найденного преобразования в выражении (5) использован среднеквадратичный критерий. В результате исследования функции преобразования яркости предложено использовать метод вырав1Швания интенсивности на основе нормализованных яр костных гистограмм независимо для всех регионов изображения страниц. По ходу исследования метода решаются две проблемы, связанные с: 1) надежным поиском используемого диапазона яркостей и 2) увеличением ошибки второго рода из-за ложного выравнивания яркостей изображений. Для их решения предложен модифицированный метод, запрещающий выравнивание при «сильном» различии яркостей фона, определяемым параметром ДВ^. При этом яркость фона региона определяется по средней яркости главной моды гистограммы.

Для поиска параметров трансформации Т вида (1) использован корреляционно-экстремальный метод совмещения, предложенный ИД. Белоглазовым. В основу метода положеп автоматический оптимизатор для нахождения набора параметров трансформации, дающего максимум функции взаимной корреляции изображений:

^ - тах Согг(/(Г), МХ)\ ЧЧА*, Ду, р, А): X У. (6)

В диссертации проведено исследование этого метода для распознавания страниц, показана зависимость вероятности правильного распознавания и времени работы метода от числа регионов, откуда найдено оптимальное значение числа регионов, равное 3, при котором время работы составляет —600 мс, а вероятность правильного распознавания достигает значения 0.96. Однако ввиду медленной скорости данного метода не представляется возможным его использование в алгоритме работы сенсора. Также используемый среднеквадратичный критерий имеет существенный педостаток для его применения, связанный с необходимостью хранения всего изображения региона.

Для использования в сенсоре модель была усовершенствована в направлении отказа от поиска параметров трансформации У из изображений регионов и использования оценки для непосредственного сравнения эталонного и анализируемого изображений. Подобные задачи возникают при оценке качества компрессионных трансформаций методов сжатия изображений, в результате исследования которых в диссертации предложено использовать парную оценку, основанную на яркостной гистограмме. С

помощью этой оценки дается формальное описание класса эталонных страниц, имеющее вид:

VP:/»-»/, D[II(f3,Rl),mf,Rt)]>T£, k = h.K, (7)

где íí^.Aj] — функция меры близости двух гистограмм, основанная на близости векторов но косинусу угла, вычисляемому через скалярное произведение. Для определения параметра введено понятие устойчивости i -ого региона:

ua основании которого предложено правило выбора регионов на эталонной странице с наилучшей устойчивостью из имеющихся регионов. Алгоритм принадлежности к классу эталона определяется следующим решающим правилом:

-П, Ук = 1..к, (9)

где ТИ(к) — порог, зависящий от номера региона и определяющий минимальную степень совпадения регионов uo их гистофаммам яркостей; T¡¡ — постоянный порог системы распознавания.

Построенная модель полутонового содержимого страниц проанализировала на заданной БД. Показана зависимость вероятности ошибок распознавания первого и второго рода от значения параметра ЛВтаи> разрешающего применение модели функции преобразования яркости. Найдено оптимальное значение параметра ЛЙЯ„ =0.15, соответствующее максимальному значению эффективности системы распознавания. При этом предложенная система распознавания дает следующие значения уровня ошибок: Рп =0.378, Рл = 0.001. Полученный уровень пропусков значительно выше исходно заданного ограничения в 0.05. Поэтому сделан вывод о недостаточности работы только с моделью полутонового содержимого страниц и необходимости использования вместе с ней модели текстового содержимого.

В результате проведенного анализа методов сегментации изображений были отобраны метод бинаризации и сегментации, изложенные в статье автора [1], Для реализуемости па аппаратных ресурсах сенсора принято решение отказаться от одного из признаков текста — координат ROI знака. Поэтому в работе используется уточненный рабочий словарь признаков текстовых страниц системы распознавания: {At,Ck)tk = l..K, содержащий информацию только о площади и центре тяжести всех знаков текстовых регионов

Для нахождения параметров трансформации анализируемой страницы предложен метод, основанный на текстовых прототипах, которые выбираются из текстовых слов страницы. Выбор текстовых прототипов проводится н

режиме обучения, а нахождение выбранных ранее прототипов в наборе знаков анализируемой страницы в рабочем режиме сравнения. Однако, работая с признаками слов, теряется возможность точного определения масштаба. Поэтому в диссертации предложено отказаться ст поиска значения этого параметра.

Построение модели текстового содержимого страницы имеет следующие этапы:

1. Производится поиск текстовых слов эталонной страницы. Опираясь на исследование решений задачи получения структурного описания документа по его изображению, в диссертации разработан метод получения слов, приемлемый по времени работы его реализации, использующий только имеющиеся признаки знаков. Он выполняется в автоматическом режиме и имеет следующие шаги: определение ориентации текста, нахождение сгрок текста — их ROI в системе координат знаков, выделение слов в каждой найденной строке.

2. Вторым этапом является выбор текстовых прототипов из полученного набора слов. Введены определения для следующих понятий: область слова, как прямоугольника, описывающего данное слово с учетом всех возможных его трансформаций; ключевое слово (КС) — выбранная из области слова-прототипа последовательность знаков анализируемой страницы для сравнения с прототипом; мера сходства прототипа с КС, основанная на среднеквадратичной оценке степени сходства слов по каждому из признаков составляющих их знаков; качество текстового прототипа, связанное со значением максимальной меры сходства прототипа со всеми КС в его области.

3. На этом этапе проводится выбор необходимого количества слов-прототипов с максимальными значениями их качества, обусловленный более надежным их обнаружением среди имеющихся знаков в последующем режиме сравнения страниц.

4. Последний этап заключается в создании графа расположения выбранных прототипов. Для этого использован помеченный орграф, в котором каждый узел соответствует одному текстовому прототипу, а все признаки прототипов являются пометками узлов графа. Дуги графа представляют собой соединенные соседние узлы графа, соответствующие соседним прототипам В отсортированном наборе прототипов но их положению в тексте. Преимущество такого построения графа заключается в его инвариантности относительно возможных трансформаций страницы, что используется для нахождения положения графа в режиме сравнения страниц, где для каждого прототипа находятся все КС в его области, имеющие значения меры сходства больше некоторого порога Тсх. При этом может быть найдено несколько подходящих

КС или ни одного. Первый случай определяет свойство нечеткости 1рафа, а второй — его неполноту.

В рабочем режиме важно уметь проводить сравнение эталонного орграфа с нечетким к кспол;;:,;:,; графем нанденних КС. Результатом еря плени я графов являются найденные параметры трансформации страницы, с помощью которых устраняется нечеткость графа анализируемой страницы для последующей ее классификации по сохраненным признакам прототипов и измеренным признакам соответствующих им КС. При этом некоторые прототипы могут не иметь своих КС,

Четвертая глава диссертации посвящена разработке, исследованию и оптимизации всех необходимых алгоритмов для функционирования сенсорной системы. Для этого создан метод работы сенсора, основанный на алгоритмах режимов обучения и сравнения страниц, использующих модель страницы. В режиме обучения для построения модели страницы сначала необходимо определить тип всей страницы, что производится с помощью алгоритма определения наличия текста в каждом регионе страницы, основанном на анализе профилей региона, а затем осуществляется построите моделей текстового и/или полутонового содержимого страницы.

Приведен алгоритм работы для полутоновых страниц, осуществляющий в режиме обучения построение модели полутонового содержимого страницы. Он измеряет выбранные признаки для всех полутоновых регионов: сглаженную яркостную гистограмму и среднюю яркость фона. Измеренные признаки эталонных регионов сохраняются для 'дальнейшего использования в режиме сравнения, в котором применяется метод выравнивания яркости изображения анализируемого региона перед расчетом меры близости гистограмм.

Для построения модели текстового содержимого страницы в режиме обучения сенсора разработан алгоритм; основными частями которого являются определение набора слов страницы и отбор текстовых прототипов, максимально отличающихся от всех КС своего окружения. Максимальное количество выбираемых текстовых прототипов МТ ограничено временем работы алгоритма в сенсоре в рабочем режиме сравнения страниц. В результате проведенного исследования получено оптимальное значение параметра Лгг =15.

Для режима сравнения текстовых страниц разработан н исследован алгоритм, который сначала подбирает КС, соответствующие каждому прототипу модели текстовой страницы. Результатом такого подбора является граф КС для всех прототипов с измеренными мерами их сходства. При подборе КС используется порог Т^ на минимально возможное значение меры сходства для занесения КС в граф. Результат исследования оптимального значения этого порога показан на рисунке 2. Но максимальному значению эффективности найдено оптимальное значение Т^. - 80%.

Одной из частей режима сравнения текстовых страниц является разработанный алгоритм сравнения графов, результатом которого являются найденные значения параметров трансформации страницы и четкий граф КС анализируемой страницы. При зтсм он может оставаться неполном. Используя модель страницы и данные четкого графа, строится таблица соответствий для дальнейшей классификации страницы.

■ Р (южный (Тек).* ♦ Рглопаск 1ТекIX 4 Эмчкт-[Тек| Тек,Ж

Рисунок 2 - Зависимость вероятности ошибок распознавания и эффективности от значения порога

В диссертации разработаны и исследованы алгоритмы классификации страниц по измеренным признакам полутоновых регионов и найденных КС текстовых прототипов четкого графа. По этим признакам алгоритмы принимают решения о сходстве текстовой и/или полутоновой частей страницы. Полученный результат сравнения анализируемой страницы с эталоном поступает в систему управления процессом комплектовки блоков на БПМ, где собираются сигналы от всех задействованных сенсоров на станциях машины. Скомплектованный блок считается бракованным, если хотя бы один сенсор сообщает об отрицательном результате сравнения страниц.

Для выполнения исследований в диссертации была создана БД изображений объемом в 1800 страниц различного типа. С помощью этой базы данных осуществлялась оптимизация параметров, используя значения предложенной в работе эффективности системы распознавания. Процесс оптимизации системы был значительно облегчен за счет визуализации внутренних данных алгоритмов в процессе их работы с помощью

разработанной автором библиотеки для отображения свойств динамических систем.

В заключении приведены итоги проделанной работы, сформулированы основные результаты и направления дальнейших исследований, имеющих важное практическое значение.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1) В результате проведенного исследования процесса комплектовки блоков и особенностей перемещения тетрадей в подборочных и вкладочных машинах определены требования, предъявляемые к разрабатываемой системе отбраковки страниц.

2) Разработан метод и алгоритм автоматического построения модели эталонной страницы (режим обучения сенсора).

3) Разработан метод и алгоритм распознавания текстовой страницы для режима сравнения сенсора отбраковки страниц (рабочий режим сенсора).

4) Разработаны алгоритмы функционирования сенсора отбраковки страниц.

5) Получено частное решение задачи быстрого совмещения изображений.

6) Разработан алгоритм быстрого сравнения нечетких неполных графов.

7) Представленные в работе алгоритмы реализованы на языке ANSI С в виде программного кода для процессора DSP TMS320, используемого в сенсоре. Предложенные в работе алгоритмы бинаризации и сегментации изображений успешно реализованы в программируемую логическую интегральную схему XGS-200 фирмы ХШпх.

8) Время работы текстового режима составляет значение в 80 мс при наличии 15-ти текстовых прототипов. Время работы полутонового режима равно 70 мс при работе с тремя регионами. Вероятности ошибок первого и второго рода распознавания на БД изображений равны: Р„ =0.04, р., =0.002.

9) Предложенный и разработанный подход к созданию системы отбраковки показал высокую надежность распознавания бракованных оттисков в процессе комплектовки блоков. Причем надежность текстового вида обработки значительно выше, чем полутонового,

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ ОПУБЛИКОВАНО В

РАБОТАХ

Статьи в журналах, входящих в «Перечень...» ВАК РФ:

1, Федоренко, С. И, Алгоритм работы сегментатора с авто настрой кой для сенсорной системы по отбраковке «ложных» страниц // Известия ВУЗов.

Проблемы полиграфии и издательского дела. - М. : МГУП, 2005. — Ла 1. - С. 85-91.

2. Федоренко, С. И. Алгоритм работы сенсорной системы по отбраковке «ложных» страниц // Известия ВУЗов. Проблемы полиграфии и издательского дела. - М. : МГУП, 2005. - № 2. - С. 20-24.

Статьи в научных сборниках:

1. Федоренко, С. И. Алгоритм режима реальной работы с текстом в сенсорной системе отбраковки «ложных» страниц И Проблемы экономики и прогрессивные технологии в текстильной, легкой и полиграфических отраслях промышленности. - СПб.: СПГУТД, 2005. - Ля 9. -С. 219-223.

2. Федоренко, С. И. Задача нечеткого сравнения графов и ее решение для сенсорной системы отбраковки «ложных» страниц И Проблемы экономики и прогрессивные технологии в текстильной, легкой и полиграфических отраслях промышленности. - СПб.: СПГУТД, 2005. - № 9. - С. 224-228.

3. Федоренко, С. И. Алгоритм режима для полутонов в сенсорной системе отбраковки «ложных» страниц // Проблемы экономики и прогрессивные технологии в текстильной, легкой и полиграфических отраслях промышленности. - СПб.: СПГУТД, 2005. -№ 10.-С. 102-104.

4. Федоренко, С. И. Исследование подхода к решению задачи отбраковки страниц в процессе комплектовки на брошюровочно-переплетных машинах / Федоренко С.И., Дроздов В.Н. // Научно-Технический вестник. - СПб. : СПГУИТМО, 2006. - № б. - С. 52-56.

Материалы и тезисы конференций:

1. Федоренко, С. И. Создание библиотеки для отображения свойств динамических систем // II международная конференция «Дифференциальные уравнения и их применения». - СПб.: Изд-во СПбГТУ, 1998.-С. 199-200.

2. Федоренко, С. И. Принципы работы сенсорной системы по отбраковке «ложных» страниц // IX С.-Петербургская международная конференция «Региональная информатика - 2004 (РИ - 2004)». Санкт-Петербург 22-24 июня 2004 года. Труды конференции. - СПб., 2005. — С. 357-360.

Подписано в печать $. //. 2006. Печать трафаретная. Усл. печ. л. 1,0. Формат 60x84 1/16. Тираж 100 экз. Заказ Отпечатано в типографии СПГУТД 191028, Санкт-Петербург, ул. Моховая, д. 26

Содержание.

Введение.

1 Исследование задачи отбраковки страниц.

1.1 Процесс комплектовки.

1.2 Анализ методов контроля комплектовки.

1.3 Анализ возможных решений задачи отбраковки страниц.

Выводы.

Цель и задачи диссертационного исследования.

2 Проектирование системы распознавания страниц.

2.1 Проблемы сравнения страниц в БПМ.

2.1.1 Высокая скорость перемещения страниц.

2.1.2 Неточное позиционирование страниц.

2.2 Определение параметров изображений страниц.

2.3 Определение типов анализируемых страниц.

2.4 Общие положения о системе распознавания страниц.

2.5 Определение алфавита классов и словаря признаков.

2.5.1 Определение полного перечня признаков.

2.5.2 Определение априорного алфавита классов.

2.5.3 Выработка рабочего словаря признаков.

2.5.4 Априорное описание классов.

2.5.5 Разбиение априорного пространства признаков на области.

2.5.6 Определение решающих правил.

2.5.7 Определение рабочего алфавита классов и рабочего словаря.

2.6 Показатель эффективности сенсорной системы.

2.7 Выбор метода построения классификатора.

Выводы.

3 Математическая модель страницы.

3.1 Определение области сканирования.

3.2 Определение типа страницы.

3.3 Модель полутонового содержимого страницы.

3.3.1 Постановка задачи совмещения изображений.

3.3.2 Критерии качества совмещения изображений.

3.3.3 Поиск функции преобразования яркости изображения.

3.3.4 Поиск пространственного преобразования изображения.

3.3.5 Анализ распознавания корреляционно-экстремальным методом

3.3.6 Решение задачи распознавания нетекстовых страниц.

3.4 Сегментация изображений.

3.4.1 Бинаризация изображений страниц.

3.4.2 Сегментация изображений страниц.

3.5 Модель текстовой страницы.

3.5.1 Метод снижения размерности признакового пространства.

3.5.2 Задача составления структуры документа.

3.5.3 Текстовые прототипы.

3.5.4 Граф расположения текстовых прототипов.

Выводы.

4 Алгоритмы работы сенсорной системы и их исследование.

4.1 Режимы работы системы отбраковки.

4.2 Режим обучения системы отбраковки.

4.3 Определение типа региона.

4.4 Алгоритм работы полутонового режима.

4.5 Алгоритм работы текстового режима.

4.5.1 Режим обучения.

4.5.2 Модифицированная мера сходства слов.

4.5.3 Режим сравнения страниц.

4.5.4 Методы сравнения графов.

4.5.5 Задача сравнения нечетких графов.

4.5.6 Алгоритм работы классификатора текстового режима.

4.6 Результаты исследования промышленных образцов.

Выводы.

Для получения готовой полиграфической продукции необходимо выполнить ряд брошюровочно-нереплетных и отделочных процессов, выполняемых на послепечатном оборудовании (ППО). Для повышения качества продукции и скорости работы оборудования необходим эффективный контроль выполняемых операций. Одним из примеров контроля служит проверка комплектности блоков в брошюровочно-переплетных машинах (БПМ). Процесс комплектовки заключается в составлении книжного блока из тетрадей или листов издания, называемых оттисками, в порядке следования страниц методом вкладки (накидки) или подборки. В настоящее время проверка комплектности осуществляется в основном оператором вручную, что снижает надежность и скорость работы всего ППО.

Отбраковка неправильных страниц является задачей распознавания образов, при которой необходимо принятие решения об отнесении текущей страницы к классу эталонных или бракованных. Разработка методов и алгоритмов решения задачи распознавания образов является актуальной для данного оборудования.

Задача распознавания страниц также имеет тесную связь с задачей совмещения изображений, являющейся фундаментальной проблемой систем технического зрения. Несмотря на постоянно возникающую необходимость совмещения изображений, эта задача решена только для некоторых частных случаев.

Все это обуславливает актуальность и значимость исследований, направленных на решение одной из важных проблем послепечатной стадии -модернизации системы комплектовки блоков в БПМ.

Цель и задачи исследования. Целью работы является разработка и анализ системы отбраковки оттисков при комплектовке блоков в послепечатном оборудовании. Важной частью системы является сенсор отбраковки страниц, устанавливаемый на каждой станции подборочных и вкладочных машин.

Для достижения сформулированной цели решаются следующие задачи:

1) исследование особенностей перемещения тетрадей на транспортере брошюровочно-переплетных машин под сенсором отбраковки страниц;

2) создание математической модели страницы, учитывающей особенности изображений сканируемого материала;

3) разработка методов анализа соответствия страницы эталону, а также методов выбора признаков эталонной страницы;

4) разработка алгоритмов функционирования сенсора на основе предложенных модели страницы и методов анализа соответствия.

Вторая и третья задачи относятся к классификации - это определение принадлежности анализируемой страницы к классу соответствующих или не соответствующих эталону страниц, что является частью задачи распознавания образов. Другие требующие решения подзадачи распознавания - минимизация описания класса эталонных страниц, выделение информативных признаков.

Отметим, что решение проблемы отбраковки страниц с помощью сравнения изображений является частным решением фундаментальной проблемы совмещения изображений при определенных ограничениях на исходные данные.

Методы исследования. Для решения поставленных задач использовались теория распознавания образов, методы совмещения изображений, теория статистических решений, статистический анализ и теория графов.

Научная новизна работы заключается в следующем:

1) Разработанная методика распознавания использует текстовое содержимое страницы вместе с ее изображением в отличие от существующих подходов.

2) Разработанные алгоритм автоматического построения модели эталонной страницы и алгоритм оценки сходства анализируемой страницы с эталоном отличаются высокой надежностью распознавания.

3) Предложен метод решения задачи быстрого совмещения изображений.

4) Разработан алгоритм быстрого сравнения нечетких неполных графов.

Практическая значимость результатов работы заключается в следующем:

1) Модернизация послепечатного оборудования за счет разработанного метода отбраковки оттисков позволяет повысить скорость работы брошюровочно-переплетных машин и улучшить качество полиграфической продукции.

2) Результаты диссертационной работы в виде исполняемых файлов были переданы в производственную фирму BaumerElectric (Швейцария), от которой получен акт о внедрении разработанного сенсора в послепечатное оборудование немецкой фирмы Kolbus и американской компании Goss.

3) Принципы работы системы отбраковки оттисков в процессе комплектовки блоков на послепечатном оборудовании были включены в курс лекций «Автоматизированные системы управления технологическими процессами в полиграфии», читаемый автором работы в течение 2 лет.

Апробация работы. Основные положения и результаты работы докладывались:

1) на IX Санкт-Петербургской международной конференции «Региональная Информатика - 2004 (РИ-2004)»;

2) в научно-производственной фирме BaumerOptronic (Германия) в 2001 г. и 2003 г., выпускающей системы технического зрения;

3) в производственной фирме BaumerElectric (Швейцария) в 2001 г. и 2005 г., которая производит сенсоры и датчики, в том числе и разработанный сенсор отбраковки страниц;

4) на кафедре "Автоматизация полиграфического производства" МГУП, 2005г.;

5) на кафедре "Информационные, вычислительные и управляющие системы" СПГУИТМО в 2006 г.

Публикации. По теме диссертации опубликовано 2 статьи в журналах, входящих в «Перечень .» ВАК РФ, 4 статьи в научных сборниках и 2 статьи в материалах и тезисах конференций.

Структура и объем работы. Диссертация состоит из введения, четырех глав, разбитых на разделы и подразделы, заключения, списка литературы, включающего 61 наименование. Вся работа изложена на 156 страницах машинописного текста, содержит 30 рисунков, 113 формул и 3 таблицы.

Основные результаты и выводы

В результате проделанной работы можно сформулировать основные результаты и сделать следующие выводы.

1. Разработана система отбраковки оттисков, позволяющая создавать современное оборудование или модернизировать существующее, что приводит к значительному повышению скорости работы послепечатного оборудования и повышению качества выпускаемой продукции за счет контроля правильности тетрадей блока при процессе комплектовки в брошюровочно-переплетных машинах.

2. В результате проведенного исследования процесса комплектовки блоков и особенностей перемещения тетрадей в подборочных и вкладочных машинах определены требования, предъявляемые к разрабатываемой системе отбраковки страниц.

3. В процессе разработки создана закрытая БД изображений страниц для экспериментального моделирования системы отбраковки оттисков в брошюровочно-переплетных машинах.

4. В результате исследований закрытой БД была выявлена проблема сильных волнообразных деформаций при движении на транспортере тонких страниц телефонных справочников. Автором диссертационной работы даны рекомендации для ее устранения путем монтирования специальной пластины, ограничивающей движение страниц по оси z (приближение или удаление от сенсора).

5. Разработан метод и алгоритм автоматического построения модели эталонной страницы (режим обучения сенсора).

6. Разработан метод и алгоритм распознавания текстовой страницы для режима сравнения сенсора отбраковки страниц (рабочий режим сенсора).

7. Разработаны алгоритмы функционирования сенсора отбраковки страниц.

8. Получено частное решение задачи быстрого совмещения изображений.

9. Разработан алгоритм быстрого сравнения нечетких неполных графов.

10. Представленные в работе алгоритмы реализованы на языке ANSI С в виде программного кода для процессора DSP TMS320, используемого в сенсоре.

Предложенные в работе алгоритмы бинаризации и сегментации изображений успешно реализованы в программируемую логическую интегральную схему XGS-200 фирмы Xilinx.

11. Время работы текстового режима составляет значение в 80 мс при наличии 15-ти текстовых прототипов. Время работы полутонового режима равно 70 мс при работе с 3 регионами. Вероятности ошибок первого и второго рода распознавания на БД изображений равны: Рп = 0.04, Рл = 0.002.

12. Предложенный и разработанный подход к созданию системы отбраковки показал высокую надежность распознавания бракованных оттисков в процессе комплектовки блоков, причем надежность текстового вида обработки значительно выше полутонового.

13. Созданный сенсор отбраковки страниц был успешно внедрен в подборочную машину ZU-840 фирмы Kolbus, а также в оборудование американской компании Goss. Обе фирмы специализируются на изготовлении машин ППО. Фирма Kolbus планирует расширять возможности данного сенсора для устранения выявленных ограничений.

14. Безусловна рациональность использования сенсора, заключающаяся в том, что сенсор позволяет добиться высокой надежности и эффективности производства при хорошем качестве продукта, быстроты перехода с заказа на заказ, а также применения минимального количества делений на операции.

15. Разработанный сенсор может быть использован не только при комплектовке оттисков, но и в других областях, где должно производиться сравнение поступающих на обработку объектов с эталоном. Например, это может быть идентификацией объектов с этикетками или ярлыками, различными помеченными упаковками в других отраслях промышленности. При отличии объекта от оригинала сенсор будет выдавать цифровой сигнал, поступающий в компьютер управления оборудованием.

Направления дальнейших исследований

Разработанная в диссертации методика отбраковки оттисков имеет ограничения, проявляющие себя в режиме обучения: для «плохих» страниц, когда сенсор всегда выбирает режим полутонов как основной, что понижает надежность работы всей системы отбраковки. Эти проблемы обусловлены типами текста анализируемых страниц, каждый их которых требует отдельного решения. Это связано с проблемами в следующих частях алгоритма:

1. Определение размера используемого шрифта при определении строк текста. Алгоритм создавался только для определенных весьма широких в полиграфической практике типов текстовой информации, поэтому и разработанная сенсорная система отбраковки имеет ограничения на тип надежно работающих страниц. Например, в настоящий момент, алгоритм не поддерживает текст арабской письменности или текст, использующий иероглифы. Требуется исследовать принципы оформления текста в указанных странах для повышения качества работы оборудования, использующего разработанную сенсорную систему отбраковки страниц.

2. Выбор слов для отбора прототипов при наличии малого количества текста на странице. В алгоритме специально предусмотрен режим обнаружения больших букв и разреженного текста, который включается при недостатке информации для обычного режима работы, однако он требует дальнейшего улучшения и дополнительных исследований.

3. Определение ориентации текста. При определении ориентации текста для повышения качества работы алгоритм производит оценку выраженности одной ориентации перед другой. Если она недостаточна, то при выборе малого количества текстовых прототипов или большого количества плохих прототипов производится проверка на качество прототипов в другой ориентации. Если при этом результаты получаются значительно лучше, то предпочтение отдается новой ориентации. Хорошим примером страниц с проблемами в ориентации текста являются различного рода таблицы. Правда, если при этом значения в них практически не отличаются друг от друга, то задача отбраковки для нее становится невозможной в условиях работы предложенного алгоритма. Это один из примеров типов текста, который алгоритм не может распознавать. Требуется доработать принцип построения модели в таких случаях для повышения надежности системы отбраковки.

4. Существует целый ряд типов текста, которые требуют отдельного решения для реализации алгоритма работы с ними. Например, уже упоминавшиеся иероглифы образуют специфичные наборы сегментов, которые не могут быть обработаны предложенным в диссертации способом. Это также требует дальнейших исследований.

1. Аветисян, Р. Д. Теоретические основы информатики. -М.: РГГУ, 1997. 167 с.

2. Анисимов, Б. В. Распознавание и цифровая обработка изображений. М. : Высшая школа, 1983.-295 с.

3. Антипин, М. В. Интегральная оценка качества ТВ изображения. М. : Наука, 1970.- 154 с.

4. Бахвалов, Н. С. Численные методы. Т. 1.-М.: Наука, 1973.-631 с.

5. Белоглазов, И. Н. Корреляционно-экстремальные системы / И. Н. Белоглазов, В. П. Тарасенко М.: Сов. радио, 1974. - 392 с.

6. Бейли, Н. Математика в биологии и медицине. М.: Мир, 1970. - 328 с.

7. Блейхут, Р. Быстрые алгоритмы цифровой обработки сигналов. М. : Мир, 1989.-448 с.

8. Васильев, Р. А. Оценка качества интерполяционных преобразований изображений / Р. А. Васильев, С. Д. Егорова // СПб.: Известия СПбГЭТУ, 1998. -Вып. 1.-С. 18-22.

9. Горелик, A. JI. Методы распознавания / A. J1. Горелик, В. А. Скрипкин М. : Высшая школа, 1989.-232 с.

10. Дроздов, В. Н. Синтез алгоритмов цифровых систем управления полиграфическим оборудованием. СПб. : Изд-во «Петербургский институт печати», 2003.-200 с.

11. Зыков, А. А. Теория конечных графов. Новосибирск : Наука, 1969. - 743 с.

12. Единая система программной документации. М.: Изд-во стандартов, 1982.

13. Киппхан, Г. Энциклопедия по печатным средствам информации. М. : МГУП, 2003. - 1280 с.

14. Коваленко, А. Н. Управление рабочими потоками. М. : МГУП, 2004. - 110 с.

15. Колмогоров, А. Н. Основные понятия теории вероятностей. М. : Наука, 1974.- 120 с.

16. Красовский, А. А. Теория корреляционно-экстремальных навигационных систем / А. А. Красовский, И.Н. Белоглазов М.: Наука, 1979. - 448 с.

17. Кузнецов, Ю. В. Технология обработки изобразительной информации. -СПб.: Изд-во «Петербургский институт печати», 2002.-312 с.

18. Малышкин, Е. В. Настольная книга издателя / Е. В. Малышкин, А. Э. Мильчин, А. А. Павлов, А. Е. Шадрин М.: Изд-во ACT, 2004. - 811 с.

19. Насакин, P. OCR как предмет первой необходимости // КомпьютерПресс. -2004.-№7.

20. Новиков, Ф. А. Дискретная математика для программистов. СПб. : Издательский дом «Питер», 2006. - 252 с.

21. Оппенгейм, Э. Применение цифровой обработки сигналов. -М.: Мир, 1980. -552 с.

22. Оре, О. Теория графов. М.: Наука, 1980. - 336 с.

23. Оре, О. Графы и их применение. -М.: Мир, 2002. 168 с.

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

25. Патрик, Э. Основы теории распознавания образов. М. : Сов.Радио, 1980. -408 с.

26. Певзнер, Б. М. Качество цветных телевизионных изображений / Изд. 2-е. -М.: Радио и связь, 1988. 244 с.

27. Розанов, Ю. А. Теории вероятностей, случайные процессы и математическая статистика. М.: Наука, 1989.-320 с.

28. Самарин, Ю. Н. Регистрация изображения на термочувствительных материалах // Известия ВУЗов. Проблемы полиграфии и издательского дела. М. : МГУП, 2005. - № 1. - С. 57-64.

29. Стефанов, С. Полиграфия для рекламистов и не только. М. : Гелла-принт, 2002.-352 с.

30. Ту, Д. Принципы распознавания образов / Д. Ту, Р. К. Гонсалес М. : Мир, 1978.-411 с.

31. Федоренко, С. И. Алгоритм работы сегментатора с автонастройкой для сенсорной системы по отбраковке «ложных» страниц // Известия ВУЗов. Проблемы полиграфии и издательского дела. М. : МГУП, 2005. - № 1. - С. 8591.

32. Федоренко, С. И. Алгоритм работы сенсорной системы по отбраковке «ложных» страниц // Известия ВУЗов. Проблемы полиграфии и издательского дела. М.: МГУП, 2005. - № 2. - С. 80-84.

33. Федоренко, С. И. Алгоритм режима для полутонов в сенсорной системе отбраковки «ложных» страниц // Проблемы экономики и прогрессивные технологии в текстильной, легкой и полиграфических отраслях промышленности.- СПб.: СПГУТД, 2005. № 10. - С. 100-102.

34. Федоренко, С. И. Создание библиотеки для отображения свойств динамических систем // II международная конференция «Дифференциальные уравнения и их применения. СПб.: СПбГТУ, 1998. - С. 199-200.

35. Феллер, В. Введение в теорию вероятностей и ее приложения. Т.1. М.: Мир, 1984.-498 с.

36. Фукунага, К. Введение в статистическую теорию распознавания. М.: Наука, 1979.-368 с.

37. Хведчин, Ю. И. Послепечатное оборудование. 4.1. Брошюровочное оборудование. М.: МГУП, 2003. - 466 с.

38. Ярославский, JI. П. Цифровая обработки сигналов в оптике и голографии. -М.: Радио и связь, 1987. 296 с.

39. Пат. РТС/ЕР2004/000831, МПК G06T 5/20, 5/00. Image Processing System / L. Beikirch, S. I. Fedorenko; заявитель и патентообладатель фирма БаумерОптроник ГМБХ.-№ WO 2005/073911 А1; заявл. 30.01.04; опубл. 11.08.05.-69 р.

40. Christensen, G. Е. Consistent Image Registration / G. E. Christensen, H. J. Johnson // IEEE Transactions on medical imaging. 2001. - V. 20, № 7. - P. 568-582.

41. Djouadi, A. A fast algorithm for the nearest-neighbor Classifier / A. Djouadi, E. Bouktache // IEEE Transactions on pattern analysis and machine intelligence. 1997. -V. 19, №3.-P. 277-281.

42. Jain, A., Document representation and its application to page decomposition // IEEE Transactions on pattern analysis and machine intelligence. 1998. - V. 20, № 3. -P. 294-308.

43. Gabrani, M. Surface-based matching using elastic transformation // M. Gabrani, O. J. Tretiak // Pattern Recognition. 1999. - № 32. - P. 87-97.

44. Gray, R. Probability, random processes, and ergodic properties. Stanford University, 2001 -209 p.

45. Lee, C. Feature extraction based on decision boundaries / C. Lee, D. Langrebe // IEEE Transactions on pattern analysis and machine intelligence. 1993. - V. 15, № 4 -P. 388-400.

46. Nixon, M. Feature extraction and image processing / M. Nixon, A. Aguado. -Newness Oxford, 2002 360 p.

47. O'Gorman, L. The document spectrum for page layout analysis // IEEE Transactions on pattern analysis and machine intelligence. 1993. - V. 15, № 11 - P. 1162-1173.

48. Parker, J. R. Algorithms for image processing and computer vision. Wiley computer publishing, 1997.-417 p.

49. Pratt, W. K. Digital Image Processing. Wiley-Interscience publication, 2001. -735 p.

50. Sanjit, К. M. Nonlinear Image Processing / К. M. Sanjit, G. L. Sicuranza. -Academic press, 2001. 472 p.

51. Seul, M. Practical Algorithms for Image Analysis / M. Seul, L. O'Gorman, M. J. Sammon. Cambridge University press, 2001. - 301 p.

52. Simon, A. A fast algorithm for bottom-up document layout analysis / A. Simon, J. Pret, P. Johnson // IEEE Transactions on pattern analysis and machine intelligence. -1997. V. 19, № 3 - P. 273-277.

53. TMS320C4x General-purposes applications User's Guide. Texas Instruments, 1999.-324 p.