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

Иерархические структурные методы автоматического анализа аэрокосмических изображений

Диссертация: Иерархические структурные методы автоматического анализа аэрокосмических изображений
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В отличие от большинства классических задач автоматического анализа изображений в промышленной робототехнике, медицине, криминалистике, охранных системах и т. п. аэрокосмические видеоданные характеризуются значительно большей априорной неопределенностью. Эта неопределенность связана с сезонными и суточными изменениями наблюдаемых ландшафтов, специфическими отличиями изображений, сформированных… Читать ещё >

Содержание

  • Глава 1. Обзор современного состояния проблем интерпретации в автоматическом анализе изображений
    • 1. 1. Введение
    • 1. 2. Представления изображений в виде необработанных данных
    • 1. 3. Низкоуровневые представления
      • 1. 3. 1. Функциональные модели
      • 1. 3. 2. Вероятностные модели
      • 1. 3. 3. Сопоставления изображений на пиксельном уровне
    • 1. 4. Средний уровень: структурные методы
      • 1. 4. 1. Контурные представления изображений
      • 1. 4. 2. Непроизводные структурные элементы
      • 1. 4. 3. Составные структурные элементы
      • 1. 4. 4. Сопоставление символьных описаний
    • 1. 5. Верхний уровень: методы, основанные на знаниях
    • 1. 6. Иерархические представления изображений
  • Выводы из первой главы
  • Глава 2. Разработка методов автоматического построения иерархических структурных описаний изображений
    • 2. 1. Введение
    • 2. 2. Критерий сравнения гипотез в индуктивном выводе
      • 2. 2. 1. Байесовский вывод
      • 2. 2. 2. Принцип минимальной длины описания
      • 2. 2. 3. Интерпретация изображений как минимизация длины описания
      • 2. 2. 4. Выводы
    • 2. 3. Модели общих типов
      • 2. 3. 1. Регрессионные модели
      • 2. 3. 2. Модели, использующиеся в задачах распознавание и группирование
      • 2. 3. 3. Модели сегментация
      • 2. 3. 4. Выводы
    • 2. 4. Формирование пространства моделей изображений
      • 2. 4. 1. Предположения Д. Марра
      • 2. 4. 2. Сведение предположений Д. Марра к моделям общих классов
      • 2. 4. 3. Выводы
    • 2. 5. Сегментация изображений как переход к контурным представлениям
      • 2. 5. 1. Построение целевой функции
      • 2. 5. 2. Алгоритм сегментации
      • 2. 5. 3. Расширение класса регрессионных моделей в алгоритме сегментации
      • 2. 5. 4. Выводы
    • 2. 6. Построение структурных элементов на основе контуров
      • 2. 6. 1. Выбор представления контуров
      • 2. 6. 2. Алгоритм сегментации контуров
      • 2. 6. 3. Выводы
    • 2. 7. Верхний структурный уровень
      • 2. 7. 1. Подходы к объединению структурных элементов
      • 2. 7. 2. Группирование элементов по их подобию и регулярности расположения
      • 2. 7. 3. Формирование составных структурных элементов
      • 2. 7. 4. Выводы
  • Выводы из второй главы
  • Глава 3. Автоматическое структурное сопоставление изображений в условиях их сезонно-суточного и спектрального несоответствия
    • 3. 1. Компоненты методов сопоставления изображений
    • 3. 2. Определение пространства поиска
      • 3. 2. 1. Выбор характерных признаков изображений для сопоставления
      • 3. 2. 2. Выбор класса взаимных пространственных преобразований
      • 3. 2. 3. Выводы
    • 3. 3. Стратегия поиска оптимального сопоставления
      • 3. 3. 1. Критерий качества сопоставления
      • 3. 3. 2. Многоуровневый алгоритм поиска оптимального сопоставления
      • 3. 3. 3. Выводы
    • 3. 4. Экспериментальная проверка метода сопоставления изображений
      • 3. 4. 1. Сопоставление изображений, полученных в разное время года и при использовании сенсоров различных типов
      • 3. 4. 2. Робастность алгоритма структурного сопоставления
      • 3. 4. 3. Временные характеристики алгоритма сопоставления
      • 3. 4. 4. Выводы
  • Выводы из третьей главы
  • Глава 4. Метод локальной корреляции для совмещения изображений с высокой точностью
    • 4. 1. Введение
    • 4. 2. Метод локальной корреляции
      • 4. 2. 1. Установление соответствия между опорными точками
      • 4. 2. 2. Алгоритм локальной корреляции
      • 4. 2. 3. Выводы
    • 4. 3. Экспериментальная проверка метода локальной корреляции
      • 4. 3. 1. Исправление ошибок структурного сопоставления и расширение класса допустимых взаимных пространственных преобразований изображений
      • 4. 3. 2. Устойчивость и точность алгоритма локальной корреляции
      • 4. 3. 3. Выводы
    • 4. 4. Практическое применение
      • 4. 4. 1. Введение
      • 4. 4. 2. Синтез панорамных снимков
      • 4. 4. 3. Восстановление информации в загороженных областях изображений
      • 4. 4. 4. Выявление изменений
      • 4. 4. 5. Геокодирование
      • 4. 4. 6. Автоматическое извлечение изображений из баз данных
      • 4. 4. 7. Распознавание отпечатков пальцев
      • 4. 4. 8. Выводы
  • Выводы из четвертой главы

Иерархические структурные методы автоматического анализа аэрокосмических изображений (реферат, курсовая, диплом, контрольная)

Актуальность проблемы.

Исследование Земли с использованием космических и авиационных систем наблюдения служит мощным инструментом в различных областях хозяйственной и научной деятельности. Возрастающие возможности бортовых оптических и радиолокационных сенсоров и увеличивающаяся пропускная способность каналов беспроводной связи приводят к постоянному росту объемов данных изображений, поступающих в наземные центры обработки. В этих условиях все более актуальной становится автоматизация, по крайней мере, части тех операций анализа и интерпретации аэрокосмических снимков, которые по сей день выполняются квалифицированными экспертами-дешифровщиками.

Одной из наиболее важных из подлежащих автоматизации операций представляется сопоставление (отождествление идентичных элементов) двух снимков, полученных с разных ракурсов, в разное время, возможно, разными типами сенсоров (инфракрасных, видимого диапазона, радиолокационных и других), поскольку эта операция зачастую предшествует выполнению других операций анализа аэрокосмических снимков. Такое сопоставление необходимо для записи снимков в единой системе координат (т.е. для их совмещения) с целью либо синтеза карт больших размеров на основе локальных снимков, либо дополнения информации, содержащейся в одном снимке, данными из других снимков того же фрагмента земной поверхности, либо выявления произошедших изменений. В практических задачах сопоставление зачастую требуется выполнять с высокой точностью. и.

В отличие от большинства классических задач автоматического анализа изображений в промышленной робототехнике, медицине, криминалистике, охранных системах и т. п. аэрокосмические видеоданные характеризуются значительно большей априорной неопределенностью. Эта неопределенность связана с сезонными и суточными изменениями наблюдаемых ландшафтов, специфическими отличиями изображений, сформированных различными типами видеодатчиков, и огромным многообразием подлежащих автоматическому анализу и интерпретации сюжетов. При этом идентичность содержания одной и той же сцены, присутствующей на разных изображениях, сохраняется независимо от условий съемки.

Группой методов, позволяющих использовать содержательную идентичность изображений и преодолевать указанную априорную неопределенность при сопоставлении изображений, являются структурные методы анализа. Однако существовавшие на момент начала данной работы структурные методы не позволяли достичь требуемой в практических приложениях точности и робастности сопоставления. Устранение этих недостатков могло быть осуществлено с помощью проведения анализа изображений на различных уровнях (пиксельном, контурном и структурном), то есть с помощью иерархического подхода. Таким образом, перспективным для решения задачи сопоставления аэрокосмических изображений являлось дальнейшее развитие иерархических структурных методов.

Цель работы.

Высокоточное сопоставление аэрокосмических изображений, полученных с разных ракурсов, подверженных сезонно-суточным изменениям или содержащих различия, вызванные использованием сенсоров различных типовразработка методов извлечения из изображений информации, инвариантной к возможным изменениям условий съемки.

Основные задачи: создание иерархического структурного представления изображений, в котором учитываются общие допущения о свойствах видимого миравывод критерия оптимальности описания изображения в рамках предложенного представления и разработка методов построения структурного описания изображений путем оптимизации выработанного критерияразработка методов сопоставления изображений через соотнесение их иерархических структурных описанийразработка методов повышения точности сопоставления и расширение возможных типов взаимных пространственных преобразований изображений путем коррекции результатов структурного сопоставления.

На защиту выносятся:

1) Теоретико-информационный подход и методы построения иерархических структурных описаний изображений, позволяющие максимизировать количество извлекаемой из изображений информации, инвариантной к изменению условий съемки.

2) Метод сопоставления аэрокосмических изображений, полученных с разных ракурсов, в разное время суток и года, с помощью сенсоров различных типов. Сопоставление выполняется иерархически на основе адаптивно корректируемых структурных описаний за время, полиномиально зависящее от количества структурных элементов.

3) Метод локальной корреляции как способ достижения более высокой точности совмещения изображений и расширения класса их допустимых взаимных пространственных преобразований в задачах структурного сопоставления и совмещения изображений.

4) Аналитические выражения оптимального фильтра пространственного спектра для операции фазовой корреляции, устанавливающие необходимость учета гармоник пространственного спектра с весом, обратно пропорциональным их номеру, поскольку фазы гармоник смещаются при геометрических искажениях изображения тем быстрее, чем выше номер гармоники.

5) Многоэтапный способ итеративной оптимизации информационной целевой функции в задачах построения структурных описаний изображений, включающий этап получения приближенного решения с использованием упрощенных моделей, этап получения решения в расширенном пространстве моделей и этап уточнения решения.

Научная новизна работы.

1 • Предложен способ иерархической декомпозиции задачи структурного сопоставления, использующий результаты сегментации изображений и позволяющий уменьшить вычислительную сложность задачи сопоставления.

• Разработан метод адаптивной коррекции структурных описаний в процессе их сопоставления.

• Разработан механизм распространения информации о положении опорных точек в методе локальной корреляции.

• Выведены аналитические выражения для фильтрации пространственного спектра изображений, увеличивающей отношение сигнал/шум на кросс корреляционном поле в присутствии взаимных геометрических искажений изображений.

• Разработано иерархическое структурное представление изображений, Г различные уровни которого объединены общей информационной целевой v функцией.

• Получены формулы, определяющие качество структурного описания, а также выражения, определяющие степень сходства структурных элементов.

Научная и практическая значимость.

Автоматические методы и алгоритмы иерархического структурного сопоставления аэрокосмических изображений, позволяющие достигать высокой ^ точности совмещения и осуществлять робастное сопоставление пар изображений, снятых с разных ракурсов, в разное время суток и года и с помощью сенсоров различного типа, могут найти широкое применение в фотограмметрии, дистанционном сборе данных. В первую очередь это относится к таким практическим задачам, как геокодирование и экономический и экологический мониторинг поверхности Земли. ч.

Реализация результатов работы > Результаты диссертационной работы были использованы в НИР 12 200.

060−03 «Разработка и создание методов, алгоритмов и программ автоматического текстурного и структурного анализа изображений в задачах измерения, контроля и сопоставления изображений», проводимой по заказу Министерства науки, а также при постановке и проведении ОКР «Сатрап»,, 4 выполняемой по заказу М.О. РФ. Результаты диссертационной работы были также использованы в ОКР «Сфера», проводимой в ЗАО НИИВЦ «Карат». Акты внедрения приложены к диссертации.

Личный вклад автора построение иерархического структурного представления изображений на основе теоретико-информационного подходамодернизация метода построения структурного описания изображений на основе теоретико-информационного подходаусовершенствование метода структурного сопоставления: расширение * класса допустимых взаимных пространственных преобразований изображений с группы подобия до аффинной группы, разработка механизма адаптивной коррекции структурных описаний изображений в ходе их сопоставлениявывод аналитических выражений для оптимального фильтра пространственных спектров изображений, использующегося при решении задачи локальной корреляциивоплощение разработанных методов в форме компьютерных программпроведение экспериментальной проверки разработанных методов на большой выборке реальных аэрокосмических снимков.

Апробация работы.

Основные результаты работы докладывались на следующих научных форумах: ч.

• конференции «Battlespace digitization and network-centric warfare II» в рамках международного симпозиума «AeroSence-2002» (Orlando, 2002);

• конференции «Image and signal processing for remote sensing IX» в рамках международного симпозиума «Remote Sensing — 2003» (Barcelona, 2003);

• VII-ой международной конференции «11еразрушающие методы контроля и компьютерное моделирование в науке и технике» NDTCS-2003 (Санкт-Петербург, 2003);

• конференции «Automatic target recognition XIV» в рамках международного симпозиума «Defense and Security-2004» (Orlando, 2004);

• VIII-ой международной конференции «Неразрушающие методы контроля и компьютерное моделирование в науке и технике», NDTCS-2004 (Санкт-Петербург, 2004);

• VIII-ой общероссийской научной конференции «Современная логика: проблемы теории, истории и применения в науке» (С.-Петербург, 2004);

• конференции «Automatic target recognition XV» в рамках международного симпозиума «Defense and Security — 2005» (Orlando, 2005).

Публикации.

По материалам диссертации опубликовано 10 научных работ:

1. Lutsiv V.R., Malyshev I.A., Pepelka V., Potapov A.S. Target independent algorithms for description and structural matching of aerospace photographs // Proc. SPIE, 2002, Vol. 4741, pp. 351−362.

2. Lutsiv V." Malyshev I., Potapov A. Hierarchical structural matching algorithms for registration of aerospace images // Proc. SPIE, 2003, Vol. 5238, pp. 164−175.

3. Potapov A.S., Lutsiv V.R. Information-theoretic approach to image description and interpretation // Proceedings of SPIE, 2003, Vol. 5400, pp. 277−283.

4. Потапов A.C., Малышев И. А., Луцив B.P. Совмещение аэрокосмических изображений с субпиксельной точностью методом локальной корреляции // Оптический журнал, 2004, т. 71, № 5, с. 31−36.

5. Потапов А. С. Влияние взаимных геометрических искажений изображений на возможность их пространственного совмещения методом локальной корреляции // Оптический журнал, 2004, т. 71, № 8, с. 74−80.

6. Potapov A.S. Image matching with the use of the minimum description length approach // Proc. SPIE, 2004, Vol. 5426, pp. 164−175.

7. Potapov A.S., Gamayunova O.S. Information criterion for constructing the hierarchical structural representations of images // Proc. SPIE, 2005, Vol. 5807, pp. 443−454.

8. Lutsiv V., Potapov A., Novikova Т., Lapina N. Hierarchical 3D structural matching in the aerospace photographs and indoor scenes // Proc. SPIE, 2005, Vol. 5807, pp. 455−466.

9. Potapov A.S., Luciv V.R., Malyshev I.A. Sub-pixel precise image analysis in the industrial environment // Proceedings of SPIE, 2004, Vol. 5831, pp. 199−203.

Ю.Потапов А. С. Принцип минимальной длины описания и сравнение гипотез // Современная логика: проблемы теории, истории и применения в науке. Материалы VIII Общероссийской научной конференции, Санкт-Петербург, 2004, с. 409−412.

Полный список научных трудов:

1. Губанов А. Г., Потапов А. С., Трушкина А. С. Развитие базы данных скоплений галактик // Всероссийская астрономическая конференция. Тезисы докладов, С.-Пб., 2001, с.54−55.

2. Губанов А. Г., Копылов А. И., Потапов А. С. Поиск группировок внегалактических радиоисточников // ПАЖ, 2003, т.29, № 4, с.1−13.

3. Потапов А. С. Принцип минимальной длины описания и сравнение гипотез // Современная логика: проблемы теории, истории и применения в науке. Материалы VIII Общероссийской научной конференции 24−26 июня 2004 г, с. 409−412.

4. Potapov A.S. Image matching with the use of the minimum description length approach // Proc. SPIE, 2004, Vol. 5426, pp. 164−175.

5. Potapov A.S., Luciv V.R. Information-theoretic approach to image description and interpretation // Proceedings of SPIE, 2003, Vol. 5400, pp. 277−283.

6. Lutsiv V., Malyshev I., Potapov A. Hierarchical structural matching algorithms for registration of aerospace images // Proc. SPIE, 2003, Vol. 5238, pp. 164−175.

7. Lutsiv V.R., Malyshev I.A., Pepelka V., Potapov A.S. Target independent algorithms for description and structural matching of aerospace photographs // Proc. SPIE, 2002, Vol. 4741, pp. 351−362.

8. Потапов A.C., Малышев И. А., Луцив В.P. Совмещение аэрокосмических изображений с субпиксельной точностью методом локальной корреляции // Оптический журнал, 2004, т. 71, № 5, с. 31−36.

9. Потапов А. С. Влияние взаимных геометрических искажений изображений на возможность их пространственного совмещения методом локальной корреляции // Оптический журнал, 2004, т. 71, № 8, с. 74−80.

10. A.S. Potapov, V.R. Luciv, I.A. Malyshev. Sub-pixel precise image analysis in the industrial environment // Proceedings of SPIE, 2004, Vol. 5831, pp. 199−203.

11. J.N. Bahvalov, A.S. Potapov. A statistical model of interpolation and its application to texture segmentation // Proceedings of SPIE, 2004, Vol. 5831, p. 191−198.

12. Potapov A.S., Gamayunova O.S. Information criterion for constructing the hierarchical structural representations of images // Proc. SPIE, 2005, Vol. 5807, pp. 443−454.

13. Lutsiv V., Potapov A., Novikova Т., Lapina N. Hierarchical 3D structural matching in the aerospace photographs and indoor scenes // Proc. SPIE, 2005, Vol. 5807, pp. 455−466.

14. Potapov A.S., Luciv V.R. Information-theoretic approach to image description and interpretation // Proc. SPAS, 2003, Vol. 7, pp. F8-F11.

15. Potapov A.S., Luciv V.R., Malyshev I.A. Sub-pixel precise image analysis in the industrial environment // Proc. SPAS, 2004, Vol. 8, pp. E17-E20.

16. Bahvalov J.N., Potapov A.S. A statistical model of interpolation and its application to texture segmentation // Proc. SPAS, 2004, Vol. 8, pp E26-E30.

17. Малышев И. А., Луцив B.P., Лапина H. IL, Андреев B.C., Новикова T.A., Потапов А. С. Разработка и создание методов, алгоритмов и программ автоматического текстурного и структурного анализа изображений в задачах измерения, контроля и сопоставления изображений. Отчет по НИР 12 200−060−03 по заданию Министерства науки, 2004, 22 стр.

Структура и объем диссертации

.

Диссертация состоит из введения, четырех глав, заключения и списка цитируемой литературы. Она содержит 158 страниц машинописного текста, 38 рисунков и 2 таблицы. Список цитируемой литературы содержит 129 наименований. Нумерация формул самостоятельная в каждой главе, нумерация рисунков и таблиц сквозная по всей диссертации.

Основные результаты и выводы.

В ходе исследований были достигнуты следующие результаты.

I. Разработано иерархическое структурное представление изображений, основанное на информационной целевой функции.

1) Выведена целевая функция на основе принципа минимальной длины описания для выбора оптимального в рамках рассматриваемого представления описания изображения.

2) Разработан метод и реализован алгоритм сегментации изображений на однородные области, границы которых используются для формирования контурных описаний изображений.

3) Разработан метод и реализован алгоритм сегментации контуров, в результате работы которого формируются непроизводные структурные элементы изображения.

4) Разработан метод и реализован алгоритм группирования структурных элементов.

II. Разработан метод сопоставления изображений, использующий в качестве основы их иерархическое структурное представление.

1) Разработан метод обхода дерева вариантов с их эффективным отсечением на основе частичных гипотез сопоставления.

2) Разработан метод иерархической декомпозиции проблемы структурного сопоставления на основе групп структурных элементов.

3) Разработан метод взаимной коррекции структурных описаний (размера, положения и ориентации структурных элементов и формы их групп) в процессе их сопоставления, позволяющий компенсировать ошибки декомпозиции.

4) Достигнута возможность робастного совмещения пар аэрокосмических изображений, снятых с разных ракурсов и подверженных сезонно-суточному изменению, смене типа сенсора.

III. Разработан метод и реализован алгоритм локальной корреляции, уточняющий результат работы метода структурного сопоставления.

1) Выведены формулы для фильтрации пространственного спектра фрагментов, для которых вычисляется корреляция, позволяющие повысить вероятность обнаружения истинного корреляционного максимума в присутствие некомпенсированных взаимных пространственных искажений изображений.

2) Разработан метод распространения информации от опорных точек с измеренными положениями к точкам, соответствие для которых на втором изображении неизвестно.

3) Достигнута возможность исправления ошибкок совмещения, составляющих до 10% от размера изображения.

4) Достигнута возможность высокоточного (вплоть до субпиксельного) совмещения изображений, взаимно преобразованных глобальным проективным преобразованием, дополненным полем локальных смещений.

На основе полученных результатов и проведенных исследований можно сделать следующие выводы.

I. Иерархические структурные представления являются эффективным средством для автоматического анализа аэрокосмических снимков.

II. Использование теоретико-информационного подхода позволяет повысить информативность описания изображений, что ведет к повышению робастности работы алгоритмов анализа, в частности, алгоритмов сопоставления изображений.

III. Робастное сопоставление изображений, снятых с разных ракурсов и обладающих высокой степенью априорной неопределенности по сюжету, а также подверженных сезонно-суточным изменениям и содержащих отличия, вызванные сменой ракурса съемки и типа сенсора, достижимо на основе структурных методов.

IV. Одновременное достижение робастности и точности совмещения аэрокосмических изображений невозможно на основе методов, работающих только на структурном или только на пиксельном уровне. Привлечение иерархического подхода, в рамках которого выполняется сопоставление изображений на разных уровнях абстракции, позволяет одновременно достичь требуемой точности и робастности.

V. Разработанные методы применимы в задачах геокодирования, синтеза панорамных снимков, извлечения из баз данных изображений, выявления изменений в целях экологического и экономического мониторинга и др.

Показать весь текст

Список литературы

  1. R.C., Binford Т.О. 1.norance, myopia and naivete in computer vision systems // CVGIP: Image Understanding. 1991. Vol. 53. No. 1. P. 112-117.
  2. Jain R.C., Binford Т.О. Revolutions and experimental computer vision // CVGIP: Image Understand. 1991. Vol. 53. No 1. P. 127−128.
  3. Я.А. и др. Введение в контурный анализ и его приложения к обработке изображений и сигналов: М., ФИЗМАТЛИТ. 2002. 592 с.
  4. Tarr M.J. and Black M.J. A computational and evolutionary perspective on the role of representation in vision // CVGIP: Image Understanding. 1994. Vol. 60. No l.P. 65−73.
  5. Aloimonos J. Purposive and qualitative active vision // Proc. 10th International Conference on Pattern Recognition. 1990. Vol. 1. P. 346−360.
  6. Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов: М., Радио и связь. 1987. 400 с.
  7. Т. Иерархические методы в структурном распознавании образов // ТИИЭР. 1979. Т. 67. № 5. С. 39−49.
  8. Ю.М. Адаптация и обучение в робототехнике: М., Наука. Гл. ред. физ.-мат. лит. 1990. 248 с.
  9. Rares A., Reinders M.J.T., Hendriks Е.А. Image Interpretation Systems // Technical Report (MCCWS 2.1.1.3.C), MCCWS project, Information and Communication Theory Group. TU Delft. 1999. 32 p.
  10. Nacken P. Image Analysis Methods Based on Hierarchies of Graphs and Multi-Scale Mathematical Morphology: PhD thesis, Univ. of Amsterdam. 1994. 176 p.
  11. Pinz A. Interpretation and fusion recognition versus reconstruction // In Pinz A. and Burger W., eds. Vision Milestones 1995, OGAI lecture series. 1995. P. 9−21.
  12. Искусственный интеллект: В 3 кн. Кн. 1. Системы общения и экспертные системы: Справочник/Под ред. Э. В. Попова. М., Радио и связь. 1990. 464 с.
  13. Chan T.F., Shen J., and Vese L. Variational PDE models in image processing // Notice of Amer. Math. Soc. 2003. Vol. 50. P. 14−26.
  14. И.Л., Игнатьев М. Б., Москалев Э. С. Адаптивные робототехнические системы: Л., ЛИАП. 1985. 144 с.
  15. Lillholm М., Nielsen М., Griffin L.D. Feature-Base Image Analysis // Int. J. of Computer Vision. 2003. Vol. 52. No. 2/3. P. 73−95.
  16. A.H., Арсенин В. Я. Методы решения некорректных задач: М., Наука. 1986.
  17. Field D.J. Relations between the statistics of natural images and response properties of cortical cells // J. Opt. Soc. Am. 1987. Vol. 12. No. 4. P.2379−2394.
  18. Ruderman D.L. and Bialek W. Statistics of natural images: Scaling in the woods // Physical Review Letters. 1994. Vol. 73. No. 6. P. 100−105.
  19. А., Дейвис Л. С. Сегментация и модели изображения // ТИИЭР. 1979. Т. 67. № 5. С. 71−81.
  20. Zhu S.C., Wu Y.N., Mumford D.B. Filters, Random Fields, and Maximum Entropy (FRAME): Towards a Unified Theory for Texture Modeling // Int’l J. Computer Vision. 1998. Vol. 27. No. 2. P. 1−20.
  21. Tu Z.W. and Zhu S.C. Image Segmentation by Data Driven Markov Chain Monte Carlo // IEEE Trans. PAMI. 2002. Vol. 24. No. 5. P. 657−673.
  22. У. Цифровая обработка изображений: М. Мир. 1982. Кн. 2. 480 с.
  23. Geman D. et al. Boundary detection by constrained optimization // IEEE Trans. Pattern Analysis and Machine Intelligence (PAMI). 1990. Vol. 12. P. 609−628.
  24. Zhu S.C., Wu Y., Mumford D. Minimax Entropy Principle and its Application to Texture Modeling//Neural Computation. 1997. No. 9. P. 1627−1660.
  25. Geman S. and Geman D. Stochastic relaxation, Gibbs distributions and Bayesian restoration of images // IEEE Trans. PAMI. 1984. Vol. 6. P. 721−741.
  26. Mumford D. and Shah J. Optimal approximation by piecewise smooth functions // Comm. Pure and Appl. Math. 1989. Vol. 42. P. 577−685.
  27. Фу К. Структурные методы в распознавании образов: М., Мир. 1977. 320 с.
  28. Mumford D. and Gidas В. Stochastic Models for Generic Images // Quaterly of Applied Mathematics. 2001. Vol. 59. P. 85−111.
  29. Kersten D. Predictability and Redundancy of Natural Images // J. Optical Soc. Am. A, 1987. Vol. 4. No. 12. P. 2395−2400.
  30. Koloydenko A. Modeling Natural Microimage Statistics: PhD thesis, Dept. of Math and Statistics, Univ. of Massachusetts, Amherst. 2000.
  31. Atick J.J. and Redlich A.N. What Does the Retina Know about Natural Scenes? // Neural Computation. 1992. Vol. 4. P. 196−210.
  32. Barlow H.B. What is the computational goal of the neocortex? // In C. Koch, J.L. Davis, eds. Large-scale neuronal theories of the brain: MIT Press. 1994. P. 1−22.
  33. Christensen G.E. Consistent Linear-Elastic Transformations for Image Matching // Proc. Information Processing in Medical Imaging. 1999. P. 224−237.
  34. Thevenaz P. et al. A pyramid approach to subpixel registration based on intensity // IEEE Trans, on Image Processing. 1998. Vol. 7. No. 1. P. 27−41.
  35. Brown L.G. A survey of Image Registration Techniques // ACM Computing surveys. 1992. Vol. 24. P. 325−376.
  36. Olson C.F. A probabilistic formulation for Hausdorff matching // Proc. IEEE Conf. on Computer Vision and Pattern Recognition. 1998. P. 150−156.
  37. Baumberg A. Reliable feature matching across widely separated views // Conf. on Computer Vision and Pattern Recognition. 2000. P. 774−781.
  38. Efrat A., Gotsman C. Subpixel Image Registration Using Circular Fiducials // Int. J. of Сотр. Geom. and Appl. 1994. Vol. 4, No. 4. P. 403−422.
  39. Lutsiv V.R., Malyshev I.A., Pepelka V., Potapov A.S. Target independent algorithms for description and structural matching of aerospace photographs // Proc. SPIE. 2002. Vol. 4741. P. 351−362.
  40. Lutsiv V., Malyshev I., Potapov A. Hierarchical structural matching algorithms for registration of aerospace images // Proc. SPIE. 2003. Vol. 5238. P. 164−175.
  41. Lutsiv V., Potapov A., Novikova Т., Lapina N. Hierarchical 3D structural matching in the aerospace photographs and indoor scenes // Proc. SPIE. 2005. Vol. 5807. P. 455−466.
  42. 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.
  43. JI. Автоматическое восприятие трехмерных сцен. // В кн. Интегральные роботы: М., Мир. 1973. С. 162−208.
  44. Prewitt J.M.S. Object enhancement and extraction // In Lipkin B.S. and Rosenfeld A., eds. Picture processing and Psychopictorics: Academic Press, New York. 1970. P. 75−149.
  45. Р., Харт П. Распознавание образов и анализ сцен: М., Мир.1976. 511 с.
  46. Marr D. and Hildreth Е. Theory of edge detection // Proc. R. Soc. Lond. B207. 1980. P. 187−217.
  47. Canny J.F. A computational approach to edge detection // IEEE Transactions on pattern analysis and Machine Intelligence. 1986. Vol. 8. No. 6. P. 679 698.
  48. Deriche R. Optimal edge detection using recursive filtering // Proc. 1st Int. Conf. Computer Vision. 1987. P. 501 505.
  49. Lindeberg T. Edge detection with automatic scale selection // In IEEE Computer Vision and Pattern Recognition. 1996. P. 465 470.
  50. Park R.-II., Yoon K.S., Choi W.Y. Eight-point discrete Hartley transform as an edge operator and its interpretation in the frequency domain // Pattern Recognition Letters. 1998. Vol. 19. P. 569−574.
  51. Chanda В., Kundu M.K., Padmaja Y.V. A multi-scale morphologic edge detector// Pattern Recognition. 1998. Vol. 31. No. 10. P. 1469−1478.
  52. Olson C.F., Huttenlocher D. Automated target recognition by matching oriented edge pixels // IEEE Trans, on Image processing. 1997. Vol. 6. No 1. P. 103−113.
  53. Grimson W.E.L. and Marr D. A computer implementation of a theory of human stereo vision // Proc. ARPA Image Understanding Workshop, L.S. Baumann, ed., SRI. 1979. P. 41−45.
  54. Lei B.J., Hendriks E.A., Reinders M.J.T. On Feature Extraction from Images // Technical Report, Deliverable 2.1.1.2.A+B, MCCWS project. 1999. 57 p.
  55. Moravec H.P. Towards automatic visual obstacle avoidance // In Proc. of the International Joint Conference on Artificial Intelligence. 1977. P. 584.
  56. Moravec H.P. Visual mapping by a robot rover // In Proc. of the 6(h International Joint Conference on Artificial Intelligence. 1979. P. 598−600.
  57. Smith S.M. and Brady J.M. SUSAN a new approach to low level image processing // Int. Journal of Computer Vision. 1997. Vol. 23. No. 1. P. 45−78.
  58. Parida L., Geiger D., and Hummel R. Junctions: Detection, Classification, and Reconstruction // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. Vol. 20. No. 7. P. 687−698.
  59. Baker S. Design and Evaluation of Feature Detectors: PhD thesis. Columbia University. 1998. 167 p.
  60. Baxter R.A. Minimum Message Length Inference: Theory and Applications: PhD thesis, Department of Computer Science, Monash University, Clayton, Australia. 1996. 246 p.
  61. Lagunovsky D. and Ablameyko S. Straight-line-primitive extraction in grey-scale object recognition // Pattern Recog. Letters. 1999. Vol. 20. P. 1005−1014.
  62. Cappellini V., Fini S., Harrigan E., Mecocci A. Circular shape detection in remote sensing multispectral images // In Arcelli C., Cordelia L.P., Sanniti di Baja G. (Eds.). Visual Form Analysis and Recognition: Plenum Press, New York. 1992. P. 119−126.
  63. Kanatani K. and Ohta N. Automatic detection of circular objects by ellipse growing // Proc. SSII2002. 2002. P. 355−360.
  64. Gander W., Golub G.H., and Strebel R. Fitting of circles and ellipses least squares solution // BIT. 1994. Vol. 34. P. 556−577.
  65. Fitzgibbon A., Pilu M., Fisher R. Direct least-square fitting of Ellipses // IEEE Trans. PAMI. 1999. Vol. 21. No. 5. P. 476−480.
  66. Gull N. and Zapata E.L. Lower order circle and ellipse Hough Transform // Pattern Recognition. 1997. Vol. 30. No. 10. P. 1792−1744.
  67. McLaughlin R.A. Randomized Hough Transform: Improved ellipse detection with comparison // Pattern Recognition Letters. 1998. Vol. 19. P. 299−305.
  68. Shaw A.C. A formal picture description scheme as a basis for picture processing system // Information and Control. 1969. Vol. 14. P. 9−52.
  69. Ma B. Parametric and Nonparametric Approaches for Multisensor Data Fusion: PhD thesis, University of Michigan. 2001. 196 p.
  70. Noronha S., Nevatia R. Detection and Modeling of Buildings from Multiple Aerial Images // IEEE Trans. PAMI. 2001. Vol. 23. No. 5. P. 501−518.
  71. Iqbal Q. and Aggarwal J.K. Lower-level and High-level Approaches to Content-based Image Retrieval // Proc. IEEE South West Symposium on Image Analysis and Interpretation. 2000. P. 197−201.
  72. Pinz A., Prantl M., Ganster H. A Robust Affine Matching Algorithm Using an Exponentially Decreasing Distance Function // J. of Universal Computer Science. 1995. Vol. 1. No. 8. P. 614−631.
  73. Thomas P. and Vernon D. Image registration by differential evolution // Proc. Irish Machine Vision and Image Processing Conference. 1997. P. 221−225.
  74. Jerebko A., Barabanov N., Luciv V., Allinson N. Neural net based image matching. Proc. SPIE. 2000. Vol. 3962. P. 128−137.
  75. Linying S., Sharp В., Chibelushi C. Knowledge-Based Image Understanding: A Rule-Based Production System for X-Ray Segmentation // Int. Conf. on Enterprise Information Systems (ICEIS). 2002. P. 530−533.
  76. M. Фреймы для представления знаний: пер. с англ. — М., Энергия. 1979. 151 с.
  77. Lowe D. Object Recognition from Local Scale-Invariant Features // In Proc. Int. Conf. on Computer Vision. 1999. P. 1150−1157.
  78. Kreutz M., Volpel В., and Janfien H. Scale-invariant Image Recognition based on Higher-order Autocorrelation Features // Pattern Recognition. 1996. Vol.29. No.l.P. 19−26.
  79. .Н. Микроизображения: Оптические методы получения и контроля: Л., Машиностроение. 1985, 240 с.
  80. А.Ф., Афанасьев Г. К., Михаилов В. П. Выявление дефектов интегральных схем методом оптической пространственной фильтрации // Дефектоскопия. 1974. № 5. С. 41−49.
  81. Choo Y.C. On the use of the polycurve codes for structural pattern recognition // Proc IEEE Int. Conf. on systems, man and cybernetics. 1987. Vol. 2. P.739.
  82. Olson C.F. Improving the generalized Hough transform through imperfect grouping // Image and Vision Computing. 1998. Vol. 16. P. 627−634.
  83. Liedtke C.-E., Grau O., Growe S. Use of explicit knowledge for the reconstruction of 3-D object geometry // Int. Conf. on Computer Analysis of Images and Patterns. 1995. P. 580−587.
  84. Growe S. Knowledge based interpretation of multisensor and multitemporal remote sensing images // IAPRS. 1999. Vol. 32. Part 7−4-3 W6. P. 130−138.
  85. Draper B.A. et al. The Schema System // Int. J. of Computer Vision. 1989. No. 2. P. 209−250.
  86. Crevier D., Lepage R. Knowledge-Based Image Understanding Systems: A Survey // Сотр. Vision and Image Underst. 1997. Vol. 67. No. 2. P. 161−185.
  87. Boissier O., Demazeau Y. MAVI: A Multi-Agent system for Visual Integration // Proc. IEEE Conf. on Multisensor Fusion and Integration for Intelligent Systems. 1994. P. 731−738.
  88. Veenman C.J., Reinders M.J.T. A Multi-Agent Framework for a Hybrid Facial Action Tracker // Proc. 4th annual conference of the Advanced School for Computing and Imaging. 1998. P. 127−132.
  89. П. Введение в экспертные системы.: Пер. с англ.: Уч. Пос. М., Изд. дом «Вильяме». 2001. 624 с.
  90. Liedtke C.-E., Buckner J., Grau О., Growe S., Tonjes R. AIDA: a system for the knowledge based interpretation of remote sensing data // 3d Airborne Remote Sensing Conference and Exhibition. 1997. Vol. 2. P. 313−320.
  91. Roy D.K. Learning Words from Sights and Sounds: A Computational Model: PhD thesis, Massachusetts Institute of Technology. 1999. 176 p.
  92. Gorniak P., Roy D. Grounded Semantic Composition for Visual Scenes // J. of Artificial Intelligence Research. 2004. Vol. 21. P. 429−470.
  93. Roy D. Learning Visually-Grounded Words and Syntax for a Scene Description Task// Computer Speech and Language. 2002. Vol. 16. No. 3. P. 353−385.
  94. Growe S., Tonjes R. A Knowledge Based Approach to Automatic Image Registration // Proc. Int. Conf. on Image Processing. 1997. Vol. 3. P. 228−231.
  95. B.A. Локальные и глобальные решения в распознавании изображений // ТИИЭР. 1979. Т. 67, № 5, С. 50−58.
  96. В.А. Исследование и разработка методов идентификации объектов на изображениях на основе пирамидально-рекурсивных структур: Тезисы диссертации, СПИИА РАН, Санкт-Петербург. 1992.
  97. Mallat S. A theory for multiresolution signal decomposition: the wavelet representation // IEEE Trans. PAMI. 1989. Vol. 11, No. 7, pp. 674−693.
  98. Wang Yu-Ping. Image representations using multiscale differential operators // IEEE Trans. Image Processing. 1999. Vol. 8. No. 12. P. 1757−1771.
  99. Grossberg S. Adaptive pattern classification and universal recoding (I, II). Parallel development and coding of neural feature detectors // Biol. Cybernet. 1976. Vol. 23. P. 121−134, 187−202.
  100. Carpenter G.A. and Grossberg S. ART 2: Self-organization of stable category recognition codes for analog input patterns // Applied Optics. 1987. Vol. 26. P. 4919−4930.
  101. Carpenter G. and Grossberg S. Adaptive resonance theory (ART) // In Arbib M., ed. Handbook of Brain Theory and Neural Networks: MIT Press. 1995. P. 79−82.
  102. Kuo R.J. Integration of adaptive resonance theory II neural network and genetic K-Means algorithm for data mining // Journal of the Chinese Institute of Industrial Engineers. 2002. Vol. 19. No. 4. P. 64−70.
  103. Thevenaz P., Ruttimann U.E., Unser M. Iterative multi-scale registration without landmarks // Proc. IEEE Int. Conf. Image Processing. 1995. Vol. 3. P. 228−231.
  104. Russell S. and Norvig P. Artificial Intelligence: A Modern Approach (Second Edition): Prentice Hall. 2003.
  105. Юб.МасКау D.J.C. Bayesian Methods for Adaptive Models: PhD thesis, Dept. of Computation and Neural Systems, California Institute of Technology, Pasadena, California. 1992. 92 p.
  106. Li M. and Vitanyi P. Philosophical Issues in Kolmogorov complexity // Proc. ICALP'92, invited lecture. 1992. P. 1−15.
  107. Г. Вероятность и индуктивная логика: М., Прогресс. 1978. 374 с.
  108. Rissanen J.J. Modeling by the shortest data description // Automatica-J.IFAC. 1978. Vol. 14. P. 465−471.
  109. Vitanyi P.M.B. and Li M. Minimum description length induction, Bayesianism, and Kolmogorov complexity // IEEE Transactions on Information Theory. 2000. Vol. 46. No. 2. P. 446−464.
  110. Solomonoff R. A formal theory of inductive inference, part 1 and part 2 // Information and Control. 1964. Vol. 7. P. 1−22, 224−254.
  111. Sund R. Minimum Description Length based model selection in linear regression // Lectures on Statistical Modeling Theory, fall 2001 course (J. Rissanen). Department of Computer Science, University of Helsinki, Finland. 2001.
  112. T. С. M. Lee. Tree-based wavelet regression for correlated data using the minimum description length principle // Australian & New Zealand Journal of Statistics. 2002. Vol. 44. No. 1. P. 23−40.
  113. Akaike H. Information theory and an extension of the maximum likelihood principle // Proc. 2nd Int. Symp. Information Theory. 1973. P. 267−281.
  114. Fitzgibbon L.J., Allison L., Dowe D.L. Minimum message length grouping of ordered data // Proc. 11th Conf. ALT2000. 2000. Vol. 1968. P. 56−70.
  115. Ayer S. and Sawhney H. Layered representation of motion video using robust maximum-likelihood estimation of mixture models and MDL encoding // ICCV. 1995. P. 777−784.
  116. Mansouri A.-R. and Konrad J. Minimum description length region tracking with level sets // Proc. SPIE Image and Video Communications and Process. 2000. Vol.3974. P. 515−525.
  117. Li M., Gao Q. and Vitanyi P.M.B. Recognizing on-line handwritten characters using MDL // Proc. IEEE Information Theory Workshop. 1993. P. 24−25.
  118. Yvan G. et al. Self-Consistency and MDL: A Paradigm for evaluating point-correspondence algorithms, and its application to detecting changes in surface elevation // Int. J. of Computer Vision. 2003. Vol. 51. No. 1. P. 63−83.
  119. Maybank S.J. and Sturm P.F. MDL, Collineations and the Fundamental Matrix // Proc. 10th British Machine Vision Conference. 1999. P. 53−62.
  120. Li M. Minimum description length based 2-D shape description // In IEEE 4th Int. Conf. on Computer Vision. 1992. P. 512−517, May 1992.
  121. Davies R.H. et al. An information theoretic approach to statistical shape modeling // Proc. 12th British Machine Vision Conference. 2001. pp. 3−12.
  122. Gabrani M., Tretiak O.J. Surface-based matching using elastic transformations // Pattern Recognition. 1999. Vol. 32. P. 87−97.
  123. Lan Z-D., Mohr R., Remagnino P. Robust matching by partial correlation // Proc. of 6th British Machine Vision Conference. 1995. P. 651−660.
  124. Rohr K. Image registration based on thin-plate splines and local estimation of anisotropic landmark uncertainties // Medical Image Computing and Computer-Assisted Intervention. 1998. Vol. 1496. P. 1174−1183.
  125. Potapov A.S., Lutsiv V.R. Information-theoretic approach to image description and interpretation // Proceedings of SPIE. 2003. Vol. 5400. P. 277−283.
  126. Potapov A.S. Image matching with the use of the minimum description length approach // Proc. SPIE. 2004. Vol. 5426. P. 164−175.
  127. Viola P.A. Alignment by Maximization of Mutual Information: PhD thesis, MIT, Cambridge, Massachusetts. 1995. 156 p.
  128. Wells W.M., Viola P., Atsumi H., Nakajima S., and Kikinis R. Multi-modal volume registration by maximization of mutual information // Medical Image Analysis. 1996. Vol. 1. No. 1. P. 35−51.
Заполнить форму текущей работой

Пора сдавать?