Помощь в учёбе, очень быстро...
Работаем вместе до победы

Методы и алгоритмы моделирования векторных локально однородных сцен

Диссертация: Методы и алгоритмы моделирования векторных локально однородных сцен
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Целью работы является повышение эффективности решения задачи поиска объектов на векторных сценах за счет применения новой математической модели сцены и построенных на ее основе численных методов. При этом особенностью постановки задачи поиска объектов, рассматриваемой в данной работе, является исходная информация о сцене и вид объектов. В качестве исходной информации о сцене предлагается… Читать ещё >

Содержание

  • 1. Математическая модель задачи поиска объектов по векторным изображениям и связанные с ней вопросы
    • 1. 1. Предварительные соображения. И
    • 1. 2. Модель сцены
    • 1. 3. Постановка задачи
    • 1. 4. Моделирование изображений сцен
  • 2. Методы поиска зон интереса
    • 2. 1. Исходные предпосылки
    • 2. 2. Локально однородные сцены
      • 2. 2. 1. Скалярный случай
      • 2. 2. 2. Векторный случай
    • 2. 3. Квазиреальные сцены
    • 2. 4. Бернуллиевские сцены
      • 2. 4. 1. Скалярный случай
      • 2. 4. 2. Векторный случай
  • 3. Методы сегментации зон интереса
    • 3. 1. Существующие подходы к сегментации векторных сцен
    • 3. 2. Локально однородные сцены
      • 3. 2. 1. Обобщенные методы квантилей и мод
      • 3. 2. 2. Обобщенный метод пятна
    • 3. 3. Адекватность модели реальной сцене
    • 3. 4. Влияние различных расстояний на результаты сегментации векторных сцен
  • 4. Комплекс программ для поиска объектов
    • 4. 1. Программа дешифрирования изображений 1т^еАпа1у8ег
    • 4. 2. Интерфейс взаимодействия модулей 1т^еАпа1увег
    • 4. 3. Поиск зон интереса
    • 4. 4. Сегментация
    • 4. 5. Диагностика состояния высоковольтных изоляторов
  • 5. Параллельное программное обеспечение
    • 5. 1. Архитектуры и технологии разработки параллельного программного обеспечения .'
    • 5. 2. Постановка задачи распараллеливания алгоритма
    • 5. 3. Сглаживание
    • 5. 4. Поиск зон интереса
    • 5. 5. Сегментация
    • 5. 6. Поиск объектов
    • 5. 7. Зависимость производительности алгоритма от характеристик многопроцессорной системы

Методы и алгоритмы моделирования векторных локально однородных сцен (реферат, курсовая, диплом, контрольная)

Актуальность работы. Довольно часто источником информации о реальном мире служит изображение. Извлечение нужных сведений из изображения называется, как известно, дешифрированием. По настоящее время основным способом дешифрирования остается визуальный, выполняемый заранее подготовленным специалистом. Однако визуальное дешифрирование имеет ряд существенных ограничений. В частности, для работы человека необходима система жизнеобеспечения. Результаты визуального дешифрирования являются принципиально субъективными. В некоторых случаях скорость поступления информации может превышать психофизические возможности восприятия человека. Одним из способов преодоления перечисленных ограничений является автоматизация дешифрирования изображений. Поэтому работы в этом направлении интенсивно ведутся с 60-х годов XX века во всех высокоразвитых странах. По данной тематике опубликовано большое количество работ, авторами которых являются К. К. Васильев, Ю. Г. Васин, Р. Вудс, Р. Гон-салес, А. Л. Горелик, И. Б. Гуревич, Р. Дуда, Н. Г. Загоруйко, В. Н. Козлов, Т. Кутс, У. Прэтт, Ю. П. Пытьев, Д. Розенфельд, В. В. Сергеев, К. Тейлор, Я. А. Фурман, П. Харт и другие. К сожалению, общей теории дешифрирования пока создать не удалось, несмотря на впечатляющие успехи достигнутые в распознавании печатных символов, идентификации людей по папиллярным узорам, поиске на сцене объектов определенного вида и решении некоторых других прикладных задачах.

Очевидно, что для автоматизации необходимо теоретическое обоснование. В работах [1]-[3] предложена формализация задачи поиска объектов, состоящая из трех последовательных этапов: поиск зон интереса, сегментация и вычисление признаков. Сформулированы условия сходимости решающих правил к оптимальным, с вероятностью ошибки, равной нулю, когда объемы п выборок и их количество з стремятся к бесконечности [4, 5]. Однако на практике приходится работать с конечным числом выборок конечного объема и с объектами, имеющими конечные размеры. Поэтому возникает вопрос о зависимости результатов отп, яи влияния размеров объектов.

Для решения задачи поиска объектов необходимо построить математическую модель сцены, разработать численные методы поиска объектов и исследовать их эффективность. Для возможности экспериментального исследования эффективности методов поиска объектов необходимо разработать методы моделирования изображений сцен.

Целью работы является повышение эффективности решения задачи поиска объектов на векторных сценах за счет применения новой математической модели сцены и построенных на ее основе численных методов. При этом особенностью постановки задачи поиска объектов, рассматриваемой в данной работе, является исходная информация о сцене и вид объектов. В качестве исходной информации о сцене предлагается использовать набор пространственно совмещенных изображений сцены, полученных, например, в результате одновременной съемки сцены в различных спектральных диапазонах. Так как каждый пиксель таких изображений характеризуется вектором значений, то сами изображения в работе называются векторными. Кроме того, предполагается, что все пиксели каждого объекта имеют одинаковую среднюю яркость, которая отличается от средней яркости их окружения. Такие объекты впервые были рассмотрены в работах А. Розенфельда и названы пятнами [6].

Задачи исследования. В ходе работы над диссертацией были поставлены и решены следующие задачи.

1. Построение математической модели сцены.

2. Разработка численных методов и программного обеспечения для моделирования изображений локально однородных сцен, которые служат моделями реальных сцен.

3. Разработка последовательных и параллельных численных методов и соответствующего программного обеспечения для поиска зон интереса и классификации их пикселей по векторным изображениям.

4. Разработка комплекса программ для экспериментального исследования алгоритмов поиска объектов по векторным изображениям.

5. Исследование эффективности алгоритмов поиска объектов по векторным изображениям в зависимости от сложности сцены и параметров алгоритмов.

6. Применение разработанных методов поиска объектов для решения задачи диагностики состояния высоковольтных изоляторов по их инфракрасным изображениям.

Научная новизна.

1. Предложена новая модель сцены в виде векторного локально однородного случайного поля, каждый фрагмент которого определяется своим вектором средних значений и набором ковариационных функций.

2. Разработаны численные методы моделирования изображений локально однородных сцен с заданными свойствами на основе бернуллиев-ских полей.

3. Разработаны последовательные и параллельные численные методы для поиска зон интереса и классификации их пикселей на объект и фон по векторным изображениям. Поиск зон интереса включает этапы построения семейства квадратов и их классификации. Предложены алгоритмы обобщенных на векторный случай методов сегментации квантилей, мод и пятна.

Методика исследований. Для решения поставленных задач используется аппарат теории вероятностей, математической статистики и теории случайных процессов. Программное обеспечение разработано на языке С# в среде Microsoft Visual Studio 2008.

Практическая значимость. Программное обеспечение, разработанное в рамках выполненной работы, а также рекомендации по его применению могут использоваться при автоматизации решения задач поиска объектов в различных предметных областях, включая поиск объектов по аэрокосмическим, медицинским изображениям и другие. Имеется акт использования полученных в диссертации результатов на Горьковской железной дороге: для диагностики, состояния высоковольтных изоляторов по их инфракрасным изображениям. Результаты, изложенные в диссертации, могут быть полезны для специалистов в области распознавания образов и анализа изображений, а также для разработчиков параллельного программного обеспечения. Результаты также используются в учебном процессе в рамках спецкурса по дешифрированию изображений в Казанском (Приволжском) федеральном университете.

Апробация работы. Результаты диссертационной работы докладывались на VIII и IX Международных конференциях «Pattern Recognition and Image Analysis: New Information Technologies» (г.Йошкар-Ола, 2007; г. Нижний Новгород, 2008), X Международной конференции «Высокопроизводительные параллельные вычисления на кластерных системах» (г. Пермь, 2010), IX Международной конференции «Интеллектуальные системы и компьютерные науки» (г. Москва, 2006), XV Международной конференции «Проблемы теоретической кибернетики» (г.Казань, 2008), а также ряде других научных конференций и семинаров.

Публикации. Основные результаты опубликованы в девяти работах, из которых три — в журналах, включенных ВАК в список изданий, рекомендуемых для опубликования основных научных результатов диссертации на соискание ученой степени кандидата и доктора наук. Две компьютерные программы зарегистрированы во Всероссийском научно-техническом информационном центре.

Структура и объем диссертации

Диссертация состоит из Введения, пяти глав, Заключения и Списка литературы из 109 наименований. Объем диссертации составляет 18.5 страниц, включая 45 рисунков.

Основные результаты, полученные в диссертации, изложены в следующих публикациях:

В журналах, рекомендованных ВАК.

1) Фофанов В. Б., Демченко А. В., Кулеев Р. Ф. Дешифрирование многозональных изображений: методы и результаты // Оптический журнал.

2007. Т. 74. В. 3. С. 55−59.

2) Fofanov V.B., Kuleev R.F. A Generalization of Segmentation Methods of Quantiles and Modes to the Case, of Several Images // Pattern Recognition and Image Analysis, 2008, Vol. 18, No. 4. P. 666−670.

3) Fofanov V.B., Kuleev R.F. An Approach to Estimation of Image Informativeness // Pattern Recognition and Image Analysis, 2009, Vol. 19, No. 3. P. 478−483:. ¦ ¦, ¦ .:.¦

В других изданиях.

4) Fofanov V.B., Kuleev R.F. Generalization of Segmentation Methods of Quantiles and Modes for the Case of Several Images // Proceedings of 8th International Conference, «Pattern Recognition and Image Analysis: New Information Technologies», Vol. 2, Yoshkar-Ola, 2007. P. 114−117.

5) Fofanov V.B., Kuleev R.F. One Approach to Evaluation of Image Informativeness // Proceedings of 9th International Conference «Pattern.

Recognition and Image Analysis: New Information Technologies", Vol. 1,.

Nizhni Novgorod, 2008. P. 140−143.

6) Кулеев Р. Ф. Об эффективности распараллеливания некоторых алгоритмов дешифрирования изображений // Тезисы X международной конференции «Высокопроизводительные параллельные вычисления на кластерных системах» (НРС-2010), Пермь, 2010. С. 135−138.

7) Фофанов В. Б., Кулеев Р. Ф. Сегментация зон интереса на основе случайного расстояния // Материалы IX Международной конференции «Интеллектуальные системы й компьютерные науки» (23−27 октября 2006 г.), том 2, часть 2. — М.: Изд-во механико-математического факультета МГУ, 2006. С. 293−295.

8) Кулеев. Р. Ф. Об адекватности модели реальной сцене в задаче поиска объектов по векторным изображениям // Тезисы докладов XV Международной конференции «Проблемы теоретической кибернетики» (Казань, 2−7 июня 2008 г.). Казань: Изд-во «Отечество». С. 118.

9) Алеев P.M., Зарипов Д. К., Кулеев Р. Ф. Аппаратно-программный комплекс дистанционной диагностики высоковольтных изоляторов // Материалы XVIII Всероссийской межвузовской научно-технической конференции «Электромеханические и внутрикамерные процессы в энергетических установках, струйная акустика и диагностика, приборы и методы контроля, природцой. среды, веществ, материалов и изделий», Казань,.

2006. С. 73−74. .

Свидетельства о регистрации программы для ЭВМ.

10) Кулеев Р. Ф. Обобщенный метод сегментации квантилей — М.: ФГ-НУ «ЦИТиС» п. № 50 201 000 369 от 17,03.2010.

11) Кулеев Р. Ф. Параллельный метод поиска зон интереса на основе признака пятна — М.: ФГНУ «ЦИТиС» — № 50 201 000 684 от 04.05.2010.

Заключение

.

Основные научные и практические результаты, полученные в работе, состоят в следующем:

1. Предложена математическая модель сцены в виде векторного локально однородного случайного поля.

2. Предложены численные методы и программное обеспечение построения изображений локально однородных сцен с заданными свойствами, которые служат моделями реальных сцен. Каждый фрагмент локально однородной сцены определяется вектором средних значений и набором ковариационых функций.

3. Предложены последовательные и параллельные численные методы для поиска зон интереса и классификации их пикселей по векторным изображениям.

4. Установлена зависимость вероятностей обнаружения зон интереса и ошибки классификации их пикселей от сложности сцены, определяемой отношением сигнал/шум.

5. Сформулированы практические рекомендации по выбору параметров алгоритмов поиска объектов в зависимости от сложности сцены, позволяющие проводить операции поиска зон интереса и их сегментации с заданной вероятностью ошибки.

6. Показана адекватность используемой модели реальным сценам.

7. Разработан комплекс программ для экспериментального исследования алгоритмов поиска объектов на векторных сценах.

8. Разработана компьютерная программа диагностики состояния высоковольтных изоляторов по их инфракрасным изображениям, для которой получен акт об использовании на Горьковской железной дороге.

Показать весь текст

Список литературы

  1. В.Б. Фофанов О теоретико-вероятностной формализации задачи дешифрирования аэрокосмических изображений // Автометрия.2003. № 6. С. 107−118.
  2. В.Б. Фофанов, А. В. Демченко, Р. Ф. Кулеев Дешифрирование многозональных изображений: методы и результаты // Оптический журнал. 2007. Т. 74. № 3. С. 55−59
  3. Aleev R.M., Martynov S.A., Fofanov V.B. Remarks on Searching Zones of Interest in Locally Uniform Scene // Pattern Recognition and Image Analysis, 2011, Vol.21, No. 2, pp. 212−215.
  4. Fofanov V.B., Zhiznevskii A.N. Efficiency of Segmenting Zones of Interest in Locally Homogeneous Scenes // Pattern Recognition and Image Analysis, 2011, Vol.21, No. 2, pp.247−250.
  5. Cook С. M., Rosenfeld A. Size Detectors, Proc. IEEE, Letters. -1.970. V. 58, № 12. — PP. 1956−1957
  6. .А., Бабаян П. В., Костяшкин Л.Н., Романов
  7. И. Чернов A.B., Титова O.A., Чупшев Н. В. Автоматическое распознавание контуров зданий на картографических изображениях // Математические методы распознавания образов. 13-я Всероссийская конференция: Сборник докладов. М.: МАКС Пресс, 2007. С. 424−428.
  8. C.B., Белов В. В. Информационно-методические основы построения эффективных систем спутникового мониторингалесных пожаров // Вычислительные технологии. 2003. Т. 8, спец. вып. С. 35−46.
  9. В.С.Киричук, С. В. Парфененок, В. Ю. Ангеров Обнаружение малоразмерных объектов по последовательностям ТВ-изображений ИК диапазона // Распознавание образов и анализ сцен, труды 5-ой межд. науч.-техн. конф. М., 2002. — т.1. — С. 273−278
  10. В.П. Непараметрический статистический подход к задаче обнаружения некоторых структур на аэрокосмических изображениях / В. П. Пяткин, Г. И. Сапов // Наукоемкие технологии.- 2002.-№ 3. С. 52−58
  11. Brara van Ginneken Computer-Aided Diagnosis in Chest Radiography. Ponsen and Looijen, Wageningen, 2001. 188 p.
  12. Cootes T.F., Taylor C.J. Statistical Models of Appearance for Computer Vision. University of Manchester, 2004. 125 p.172
  13. Muller H., Marquis S., Cohen G., Poletti P., Lovis C., Geissbuhler A. Automatic abnormal region detection in lung CT images for visual retrieval. University and Hospitals of Geneva, 2004
  14. Park M., Wilson S., Jin J. Automatic Extraction of Lung Boundaries by a Knowledge-Based Method // Proc. of Visualization 2000, Pan-Sydney Workshop on Visual Information Processing
  15. Ginneken B., Stegmann M., Loog M. Segmentation of anatomical structures in chest radiographs using supervised methods: a comparative study on a public database // Medical Image Analysis, 2006. pp. 19−40
  16. Loog M., Ginneken B. Segmentation of the posterior ribs in chest radiographs using iterated contextual pixel classification // IEEE Trans Medical Imaging, 2006. pp. 602−611
  17. Lindeberg T. Edge detection and ridge detection with automatic scale selection // Int. J. of Computer Vision, vol.30, Number 2, 1998. 48 p.
  18. Shiraishi J., Li Q., Suzuki K., Engelmann R., Doi K.
  19. Computer-aided diagnostic scheme for the detection of lung nodules on chest radiographs: Localized search method based on anatomical classification «/'/ Medical Physics July 2006 — Volume 33, Issue 7, pp.2642−2653
  20. Ginneken B., Katsuragawa S., Romeny H., Doi K., Viergever
  21. M. Automatic Detection of Abnormalities in Chest Radiographs Using Local Texture Analysis // IEEE Transactions on Medical Imaging, Vol. 21, No. 2, February 2002, pp. 139−149 173
  22. Ginneken В., Romeny В., Viergever M. Computer-Aided Diagnosis in Chest Radiography: A Survey // IEEE Transactions on Medical Imaging, Vol. 20, No. 12, December 2001, pp. 1228−1241
  23. Campadelli P., Casiraghi E. A Nodule Detection System for Postero-Anterior Chest Radiographs // Medical Image Computing and Computer-Assisted Intervention MICCAI 2004, Volume 3217/2004, pp. 1048−1049
  24. С.В., Мирошниченко С. Ю. Метод автоматического кадрирования цифровых портретных изображений // Математические методы распознавания образов. 13-я Всероссийская конференция: Сборник докладов. М.: МАКС Пресс, 2007. С. 305−308.
  25. Kukharev G., Nowosielski A. Fast and Efficient Algorithm for Face Detection in Color Images // Machine Graphics and Vision. Vol. 13, No. 4. 2004. Pp. 377−397.
  26. Pantic М., Rothkrantz L. Facial action recognition for facial expression analysis from static face images // IEEE Transactions on Systems, Man and Cybernetics. 2004. V. 34, No. 3. Pp. 1449−1461.
  27. H.E. Распознавание лиц по показателям сопряженности в пространстве суммирующих инвариантов / Н. Е. Козин, В. А. Фурсов // Компьютерная оптика. 2008. — № 4. — С. 400−402.
  28. В.З., Ахрем A.A., Герасимов В.В., Лебедев
  29. В.В. Обработка и, распознавание изображений промышленных деталей // Труды ИСА РАН, 2005. Т.16. — С. 99−129
  30. Д., Понс Ж. Компьютерное зрение. Современный подход.: Пер. с англ. М.: Издательский дом «Вильяме 2004. — 928 е.: ил.
  31. И.С., Киричук B.C. Цифровая обработка изображений в информационных системах: Учеб. Пособие / И. С. Грузман, B.C. Киричук и др. Новосибирск: Изд-во НГТУ, 2002. — 352 с.
  32. В.А. Методы компьютерной обработки изображений / Под ред. В. А. Сойфера. М.: Физматлит, 2001.
  33. Д.С., Безрук A.A., Новиков В. М. Марковская вероятностная модель изображения и рисунка. Препринт. М.: ИППИ АН СССР, 1983.
  34. Mottl V.V., Dvoenko S.D., Levyant V.B., Muchnik I.B.
  35. Pattern recognition in spatial data: a new method of seismic explorations for oil and gas in crystalline basement rocks // Proc. of 15th ICPR. 2000. V.3. Pp. 210−213.
  36. А.Н., Миронов Б. М., Кузнецов В. А. Выделение малоразмерных объектов алгоритмами сегментации на основе модели системы со случайной скачкообразной структурой // Компьютерная оптика. 2008. — № 1. — С. 89−92.
  37. А.Г., Скиданов Р. В. Метод поиска особых точек дактилоскопических изображений с использованием поля направлений // Компьютерная оптика., 2002. — Выпуск 23. — С. 69−74.
  38. V.B. Fofanov and R.F. Kuleev An Approach to Estimation of Image Informativeness, Pattern Recognition and Image Analysis, 2009. Vol. 19, No. 3. — pp. 478−483
  39. В.Б. Фофанов, Р. Ф. Кулеев Об одном подходе к оценке информативности изображений // Тезисы IX Международной конференции «Распознавание образов и анализ изображений"(РОАИ-9−2008). Нижний-Новгород, 2008. — С. 202−206
  40. Li S. Z. Markov Random Field Modelling in Computer Vision. Springer-Verlag, 1995.
  41. Д.С. Использование матриц сравнений в задаче поиска по эталону // Материалы IX Межд. конф. «Интеллектуальные системы и компьютерные науки», МГУ, Москва, 2006. С. 226−228.
  42. B.C. Оценка качества классификации многоспектральных изображений гистограммным методом // Автометрия. 2007. т. С. 37−43.
  43. А.И., Илюшин B.JT. Детектор границы области на цветных изображениях // Математические методы распознавания образов. 13-я Все-российская конференция: Сборник докладов. М.: МАКС Пресс, 2007. С. 430−433.
  44. A.A., Наместников С. М. Поиск подобных объектов на изображении / A.A. Морозов, С. М. Наместников // Вестник Ульяновского государственного технического университета. 2008. — № 4. — С. 49−50.
  45. К.К., Дементьев В. Е. Алгоритмы оптимального обнаружения сигналов с неизвестными параметрами на многозональных изображениях // Вестник Ульяновского государственного технического университета. 2005. — № 4. — С.38−41.
  46. К.К., Крашенинников В. Р. Адаптивные алгоритмы обнаружения аномалий на последовательности многомерных изображений // Компьютерная оптика. 1995.- вып. 14, С. 125−132.
  47. К.К., Агеев С. А. Применение адаптивной декорреля-ции для обработки изображений // Наукоемкие технологии, -2002.3. -С. 25−31.
  48. К.К. Обнаружение протяженных аномалий на многомерных изображениях / К. К. Васильев // Вестник Ульяновского178государственного технического университета. 2006. — № 3. — С. 4749.
  49. В. Е Обнаружение протяженных аномалий на многомерных случайных полях полях // Вестник Ульяновского государственного технического университета. 2006. — № 3. — С. 43−46.
  50. В. Е Анализ эффективности алгоритмов обнаружения на многомерных изображениях // Вестник Ульяновского государственного технического университета. 2006. — № 4. — С. 58−61.
  51. Е.М., Царев В. А. Метод оценки эффективности систем распознавания текстовых меток на сложном фоне с использованием дерева вероятностных характеристик // Компьютерная оптика. 2008. — № 3. — С. 283−289.
  52. Ю. Д., Чуличков А. И. Методы морфологического анализа изображений. М.: ФИЗМАТЛИТ, 2010. — 336 с.
  53. Landgrebe D. Information extraction principles and methods for multispectral and hyperspectral image data // Information Processing for Remote Sensing, 2000. 30 pp.
  54. Xu R., Wunschill D. Survey of clustering algorithms. Trans on neural networks // IEEE V. 16, May 2005. pp. 645−678
  55. Denzler J., Niemann H- Active Rays: A new approach to contour tracking // Proceeding on the 3-rd German-Slovenian Workshop on Speech and Image Analysis. 1996
  56. А. Распознавание и обработка изображений с помощью вычислительных машин: Пер. с англ. М.: Мир, 1972. — 230 е., ил.
  57. У. Цифровая обработка изображений / Пер. с англ.: По ред. Д. С. Лебедева. М.: Мир, 1982. — Кн.1 — 312 е., Кн.2 — 480 с.
  58. Г. И. Исследование алгоритма обнаружения объектов на многозональном изображении // Автометрия. 1993. — № 1
  59. Т. Алгоритмы машинной графики и обработки изображений: Пер. с англ. М.: Радио и связь, 1986. — 400 е., ил.
  60. П.А., Колмогоров Г. С. Сегментация изображений: Методы выделения границ областей // Зарубежная радиоэлектроника, 1987. то. — С.16−23
  61. В.А. Компьютерная обработка изображений. Часть 2. Методы и алгоритмы //¦ Соросовский образовательный журнал, 1996. № 2. — С.110−121
  62. В.П. Чистяков Курс теории вероятностей: Учеб.- 3-е изд., испр-М.: Наука. Гл. ред. физ.-мат. лит.- 1987 240 с.
  63. A.M. Яглом Корреляционная теория стационарных случайных функций Ленинград: Гидрометеоиздат- 1981 — 280 с.
  64. В.Н. Тутабалин Теория вероятностей и случайных процессов: Основы математического аппарата и прикладные аспекты: Учебное пособие. М.: Изд-во МГУ, 1992.
  65. Adolfo Martinez-Uso, Filiberto Pla, and Pedro Garcia-Sevilla
  66. Multispectral image segmentation for fruit quality estimation, 2004
  67. Gregoire Mercier, Stephane Derrode, Marc Lennon
  68. Hyperspectral image segmentation with Markov chain model
  69. P. Paclik, R.P.W. Duin, G.M.P. van Kempen, R. Kohlus
  70. Segmentation of multi-spectral images using the combined classifier approach, 2003
  71. Vincent Arvis, Christophe Debain, Michel Berducat, Albert Benassi Generalization of the cooccurrence matrix for colour images: Application to colour texture classification, Image Anal Stereol 2004- 23:63−72
  72. Mark L. G. Althouse, Chein-I. Chang Target detection in multispectral images using the spectral co-occurrence matrix andentropy thresholding, Optical Engineering, July 1995/V61.34 No.7: 2135−2148
  73. M. Hauta-Kasari, J. Parkkinen, T. Jaaskelainen, R. Lenz
  74. Multi-spectral texture segmentation based on the spectral cooccurrence matrix, Pattern Analysis and Applications, Volume 2, Number 4 / November, 1999
  75. Y. Rangsanseri, P. Thitimajshima, S. Kanotai Multispectral image segmentation using ART1/ART2 neural networks, Paper presented at the 22nd Asian Conference on Remote Sensing, 5−9 November 2001, Singapore
  76. S. Baronti, A. Casini, F. Lotti, S. Porsinai, Del Bimbo Alberta
  77. Segmentation of multispectral images of works of art through principal component analysis, Image analysis and processing. International conference No9, Florence, ITALIE (17/09/1997) 19 971 973, vol. 1310, pp. 14−21
  78. Р.Гонсалес, Р. Вудс Цифровая обработка изображений / Пер. с англ. М.: Издательство «Техносфера 2005. — 1072 е.: ил.
  79. Canny J. A Computational Approach То Edge Detection, IEEE Trans. Pattern Analysis and Machine Intelligence, 8:679−714, 1986
  80. Haralick, R.M., K. Shanmugam, I. Dinstein Textural Features for Image Classification. IEEE Transactions on Systems, Man and Cybernetics, SMC-3(6):610−621, 1973
  81. Р. Дуда, П. Харт Распознавание образов и анализ сцен, 1976. -507 с.
  82. Г. Крамер Математические методы статистики М.: Мир, 1975 г. — 648с.
  83. W. Doyle Operations useful for similauity invariant pattern recognition // Journal ACM. 1962. Vol. 9, № 2. P. 259−267
  84. J. Prewitt, M. Mendelson The analysis of cell images // Ann. N. Y. Acad. Sci. 1966. Vol. 128. P. 1035−1053
  85. R.F. Kuleev, V.B. Fofanov A generalization of segmentation methods of quantiles and modes to the case of several images // Pattern Recognition and Image Analysis, 2008. Vol.18, No.4. — pp.667−671.
  86. Р.Ф. Кулеев, В. Б. Фофанов Об одном обобщении методов сегментации квантилей и мод на случай нескольких изображений // Тезисы VIII Международной конференции «Распознавание образов и анализ изображений» (РОАИ-8−2007). Йошкар-Ола, 2007. -С. 166−170.
  87. S.A. Bourylin and V.B. Fofanov Attribute of a spot and its application for se-arching the zones of interest and segmentation. В кн.:
  88. The 6h German-Russian Workshop «PATTERN RECOGNITION and IMAGE UNDERSTANDING». Workshop proceedings (Katun willage, Altai region, Russian Fed-eration, August, 25−30, 2003). Novosibirsk 2003. 74 77 p.
  89. В.Б. Фофанов Формализация сцены в задаче дешифрирования многозональных изображений // Оптический журнал. 2007. Т. 74. № 51−54 с.
  90. Г. Буч Объектно ориентированный анализ и проектирование с примерами приложений на С++. 2-е изд. / Пер. с англ. — СПб.: «Невский диалект 1998. — 560с.: ил.
  91. Б. Страуструп Язык программирования С++ / Пер. с англ. -СПб.: «Невский диалект 2001. 1000с.: ил.184
  92. Szyperski С. Component Software Beyond Object-Oriented Programming Boston, MA: Addison-Wesley and ACM Press, 1998
  93. Компонентное программирование в .NET. Лекция учебного центра безопасности информационных технологий Microsoft Московского инженерно-физического института (государственного университета), 2003. 23с.
  94. Д. Бокс Сущность технологии СОМ. Библиотека программиста / Пер. с англ. СПб.: «Питер 2001. — 400с.: ил.
  95. Bachmann F., Bass L., Buhman С., Comella-Dorda S., Long F., Robert J., Seacord R., Wallnau К Volume II: Technical Concepts of Component- Based Software Engineering, 2nd Edition -Pittsburgh, Carnegie Mellon University, 2000. 65p.
  96. Рихтер Дж. .NET Framework 2.0. Библиотека программиста / Пер. с англ. СПб.: «Питер 2001. — 400с.: ил.
  97. Р.Ф. Кулеев Об эффективности распараллеливания некоторых алгоритмов дешифрирования изображений // Тезисы X международной конференции «Высокопроизводительные параллельные вычисления на кластерных системах"(НРС-2010). Пермь, 2010. — С. 135−138
  98. В.В., Воеводин Вл.В. Параллельные вычисления. -СПб.: БХВ-Петербург, 2002. 608 е.: ил.
  99. Эхтер III., Роберте Дж. Многоядерное программирование. -СПб.: Питер, 2010. 316 е.: ил.
Заполнить форму текущей работой

Пора сдавать?