Разработка методов поиска изображений на основе вычислительных моделей визуального внимания
Диссертация
В начале 80-х годов для преодоления недостатков поисковых систем на основе текста были начаты разработки методов поиска изображений по содержанию (в зарубежной литературе для обозначения данного подхода используется аббревиатура CBIR — Content-based image retrieval). В CBIR-системах изображения индексируются по их визуальному содержимому (по цвету, текстуре, форме и т. д.). Изучением различных… Читать ещё >
Содержание
- Глава 1. Анализ состояния предметной области. Постановка задач исследования
- 1. 1. Основные понятия и общая постановка задачи поиска изображений на основе содержания
- 1. 2. Архитектура С?/Л-систем
- 1. 3. Признаки изображений, используемые в СВ/Я-системах
- 1. 3. 1. Признака цвета
- 1. 3. 2. Признаки текстуры
- 1. 3. 3. Признаки формы
- 1. 4. Сравнительный анализ современных СВШ-систем
- 1. 4. 1. Анализ результатов ранее проведенных исследований СВШ-систем
- 1. 4. 2. Сравнительный анализ демо-версий современных СВШ-систем
- 1. 5. Постановка задач исследования
- Глава 2. Исследование алгоритмов сегментации изображений
- 2. 1. Постановка задачи сегментации изображений
- 2. 2. Классификация алгоритмов сегментации изображений
- 2. 2. 1. Анализ подходов к классификации алгоритмов сегментации изобраэ/сений
- 2. 2. 2. Обобщенная классификация алгоритмов сегментации изображений
- 2. 3. Исследование критериев оценки качества сегментации
- 2. 3. 1. Классификация критериев оценки качества сегментации
- 2. 3. 2. Супервизорные критерии оценки качества сегментации
- 2. 3. 3. Исследование супервизорных критериев оценки качества сегментации
- 2. 3. 4. Результаты сравнения супервизорных критериев оценки качества сегментации
- 2. 4. Сравнение алгоритмов сегментации
- 2. 4. 1. Анализ предшествующих работ по сравнению алгоритмов сегментации изображений
- 2. 4. 2. Методика сравнения алгоритмов сегментации изобраэ/сений
- 2. 4. 3. Результаты сравнения алгоритмов сегментации изображений
- 2. 5. Выводы
- Глава 3. Исследование вычислительных моделей, описывающих механизм восприятия изображений человеком
- 3. 1. Основные понятия
- 3. 2. Вычислительные модели внимания
- 3. 2. 1. Классификаг^ш вычислительных моделей внимания
- 3. 2. 2. Вычислительные модели восходящего внимания
- 3. 2. 3. Исследование 1? К-алгоритма
- 3. 3. Исследование степени субъективности внимания человека
- 3. 4. Алгоритм нахождения прото-объекта
- 3. 3.4.1. Описание алгоритма нахождения прото-объекта
- 3. 4. 2. Сравнение ]?К-алгоритма и алгоритма нахождения прото-объекта
- 3. 5. Выводы
- 4. 1. Общая характеристика системы
- 4. 1. 1. Формирование запроса
- 4. 1. 2. Извлечение признаков
- 4. 1. 3. Измерение сходства изображений
- 4. 2. Анализ результатов поиска разработанной модели
- 4. 2. 1. Критерии оценки эффективности поиска изобраэюений
- 4. 2. 2. Тестовое множество изображений
- 4. 2. 3. Шкала релевантности
- 4. 2. 4. Методика автоматической оценки качества результатов поиска
- 4. 2. 5. Эксперимент 1. Поиск по глобальному признаку 1{вета
- 4. 2. 6. Эксперимент 2. Поиск по признаку цвета уровня прото-объекта объект на изображении-запросе находится автоматически)
- 4. 2. 7. Эксперимент 3. Поиск по признаку цвета уровня прото-объекта объект на изображении-запросе задаёт пользователь)
- 4. 3. Сравнительный анализ результатов экспериментального исследования разработанной модели С?//?-системы
- 4. 3. 1. Сравнение результатов проведенных экспериментов
- 4. 3. 2. Анализ совпадений изображений, верно найденных различными методами поиска
- 4. 3. 3. Комбинирование поиска по глобальному признаку цвета и признаку цвета прото-объекта
- 4. 3. 4. Анализ изображений, найденных разными методами
- 4. 4. Сравнение результатов комбинированного поиска изображений с результатами других исследований по поиску изображений
- 4. 4. 1. Сравнение с РОМИП
- 4. 4. 2. Сравнение результатов комбинированного поиска изображений с известными демо-версиями СВШ-систем
- 4. 4. 3. Сравнение с системой 1МАЯ
- 4. 5. Выводы
Список литературы
- Коллекция снимков NASA Электронный ресурс.: Коллекция снимков NASA. Режим доступа: http://images.jsc.nasa.gov/ 26.03.2009.
- Liu Y., Zhang D., Lu G., Ma W.-Y., A Survey of content-based image retrieval with high-level semantics // Pattern Recognition, 2007, № 40, pp. 262−282.
- Корябкина И.В. Эффективные способы и средства описания изображений в задачах распознавания // Автореферат диссертации на соискание ученой степени кандидата технических наук, 05.13.17 Теоретические основы информатики, Москва 2006.
- Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982-Кн. 2 — 480с.
- Long F., Zhang Н., Feng D. Fundamentals of content-based image retrieval // Multimedia Information Retrieval and Management Technological Fundamentals and Applications, Springer-Verlag, 2003, pp. 1−26.
- Rui Y., Huang Th. S., Chang S.-F., Image Retrieval: Current techniques, promising directions and open issues 11 Journal of Visual Communication and Image Representation, 1999, v. 10, Issue 1, pp. 39−62.
- Hove L.-J. Extending Image Retrieval Systems with a Thesaurus for Shapes // Master’s thesis, University of Bergen, Norway, October 2004.
- Xhuang Y., Liu X., Pan Y., Apply Semantic Template to Support Content-Based Image Retrieval // Procceeding of IS&T and SPIE Storage and Retrieval for Media Databases, 2000, USA, pp. 23−28.
- Naqa I., Wernick M., Yang Y., Galatsanos N.P., Image Retrieval Based on Similarity Learning // Proceedings of International Conference on Image Processing, 2000, v. 3, pp. 722−725.
- Deselaers Th. Features for Image Retrieval // Master’s thesis. Aachen: Human Language Technology and Pattern Recognition Group, RWTH Aachen University, 2003.
- Pass G., Zabih R. Histogram refinement for content-based image retrieval // IEEE Workshop on Applications of Computer Vision, 1996, pp. 96−102.
- Ma W.Y., Zhang H. Benchmarking of image feature for content-based retrieval // In IEEE 32nd Asilomar Conference on Signals, Systems, Computers, 1998, v. 1, pp. 253−257.
- Deng Y., Manjunath B. S., Kenney Ch., Moore M. S., Shin H. An efficient color representation for image retrieval // IEEE Transactions on image processing, 2001, v. 10, no. 1, pp. 140−147.
- Стандарт MPEG-7 Электронный ресурс.: Дескриптор доминантного цвета. Режим доступа: http://book.itep.ru/2/25/mpeg 7. htm, 27.03.2009.
- Histogram. From Wikipedia, the free encyclopedia 7 Электронный ресурс.: Накопительная гистограмма цветов. — Режим доступа: http://en.wikipedia.Org/wiki/Histogram#Cumulativehistogram, 27.03.2009.
- Strieker М., Orengo М. Similarity of color images // In Proc. SPIE Storage and Retrieval for Image and Video Databases, 1995, v. 2, pp. 381−392.
- Гонсалес P., Вудс P., Эддинс С. Цифровая обработка изображений в среде MATLAB, Техносфера, 2006, с. 616.
- Текстура (изображение) Электронный ресурс.: From Wikipedia. Режим доступа: http://ru. wikipedia.org/wiki/%D0%A2%D0%B5%D0%BA%D 1%81%D 1%82%D 1%83%D 1%80%D0%B0, 27.03.2009.
- Шапиро JI., Стокман Дж. Компьютерное зрение, «Бином. Лаборатория знаний», 2006, с. 752.
- Co-occurrence matrix Электронный ресурс.: From Wikipedia. Режим доступа: http://en.wikipedia.org/wiki/Co-occurrencematrix, 27.03.2009.
- Morse В. S., Lecture 22: Texture Электронный ресурс.: Brigham Young University, 1998−2000. Режим доступа: http://homepages.inf.ed.ac.uk /rbfCVonline/LOCALCOPIES/MORSE/texture.pdf, 27.03.2009.
- Описание признаков текстуры Электронный ресурс.: Grey Level Co-occurence Matrix, Gabor Convolution Energies, Gaussian Markov Random Field, Fractal Dimension. Режим доступа: http://www.texturesynthesis.com /meastex/www/algs/algs/algs.html, 30.03.2009.
- Gotlieb С.С., Kreyszig Н.Е. Texture descriptors based on co-occurrence matrices // Comput. Vis., Craphics, and Image Proc., 1990, pp. 70−86.
- Местецкий Jl.M., Математические методы распознавания образов. -Режим доступа: http://www.intuit.ru/department/graphics/imageproc/, 27.03.2009.
- Яковлев А.В. Методы анализа и синтеза текстур. Режим доступа: http://jakovlev.boom.ru/science/paper/paperl.pdf, 26.03.2009.
- CBIR: Texture Features. Режим доступа: http://www.cs.auckland.ac.nz/ compsci708slc/Iectures/GIect-html/topic4c708FSC.htm, 27.03.2009.
- Retrievr Электронный ресурс.: Experimental service which lets you search and explore in a selection of Flickr images by drawing a rough sketch. Режим доступа: http://labs.systemone.at/retrievr/, 27.03.2009.
- Siebert A., Segmentation based image retrieval // Proc. SPIE, v. 3312, pp. 1424.
- Ma W.-Y., Manjunath B.S. NeTra: A toolbox for navigating large image databases //Multimedia Systems, 1999, v. 7, № 3, pp. 184−198.
- Lempel R., Soffer A., PicASHOW: Pictorial Authority Search by Hyperlinks On the Web // ACM Transactions on Information Systems (TOIS), 2002, v. 20, Issue 1, pp. 1−24.
- Wang J.Z., Li J., Wiederhold G., SIMPLIcity: Semantics-sensitive Integrated Matching for Picture Libraries // IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, v. 23, pp. 947−963.
- Natsev A., Rastogi R., Shim K., WALRUS: A similarity Retrieval Algorithm for image databases // ACM SIGMOD Record, 1999, v. 28, Issue 2, pp. 395−406.
- Frankel Ch., Swain M.J., Athitsos V., WebSeer: An image search engine for the world wide web // Technical Report: TR-96−14, 1996. Режим доступа: cs-people.bu.edu/athitsos/publications/frankelwebseer.pdf, 27.03.2009.
- Ardizzoni S., Bartolinu I., Patella M., Windsurf: Region-based image retrieval using wavelets // Proceedings of Tenth International Workshop on Database and Expert Systems Applications, 1999, pp. 167−173.
- Система Img (Anaktisi) Электронный ресурс.: Демо-версия CBIR-системы. -Режим доступа: http://orpheus.ee.duth.gr/anaktisi/, 27.03.2009.
- Система MFIRS Электронный ресурс.: Демо-версия CBIR-системы. -Режим доступа: http://www.pilevar.com/mfirs/index.php, 27.03.2009.
- Система CIRES Электронный ресурс.: Демо-версия CBIR-системы. — Режим доступа: http://amazon.ece.utexas.edu/~qasim/cires.htm, 27.03.2009.
- Система Tiltomo Электронный ресурс.: Демо-версия CBIR-системы. — Режим доступа: http://www.tiltomo.com/, 27.03.2009.
- Система INRIA Электронный ресурс.: Демо-версия CBIR-системы. — Режим доступа: http://www-rocq.inria.ir/cgi-bin/imedia/circario.cgi/v2std, 27.03.2009.
- Система Alipr Электронный ресурс.: Демо-версия CBIR-системы. -Режим доступа: http://alipr.com/, 27.03.2009.
- Система SIMPLIcity Электронный ресурс.: Демо-версия CBIR-системы. -Режим доступа: http://wangl4.ist.psu.edu/cgi-bin/zwang/regionsearch show. cgi, 27.03.2009.
- Система Viper Электронный ресурс.: Демо-версия CBIR-системы. -Режим доступа: http://viper.unige.ch/demo/php/demo.php, 27.03.2009.
- Система FS Электронный ресурс.: Демо-версия CBIR-системы. Режим доступа: http://139.82.71.62:8080/fs26/#About, 27.03.2009.
- Flickr Электронный ресурс.: online photo management and sharing application Режим доступа: http://www.flickr.com/, 27.03.2009.
- Рассел С., Норвинг П., Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. — М.: Издательский дом «Вильяме», 2006. 1408 е.: ил. — Парал. Тит. Англ.
- Гонсалес Р., Вудс Р., Цифровая обработка изображений. Москва: Техносфера, 2006 1072 с.
- Haralick R., Shapiro L. Image segmentation techniques // Computer Vision, Graphics and Image Processing (CVGIP), 1985, № 29, pp. 100−132.
- Bhanu В., Lee S. Genetic Learning for Adaptive Image Segmentation, Springer, 1994, pp. 271.
- Roberts L. Machine perception of three dimensional solids // J. Tippett et al. Optical and electro-optical information processing, 1965, pp. 159−197.
- Fu K., Mui J. A survey on image segmentation // Pattern Recognition, 1981, № 13, pp. 3−16.
- Pal N., Pal S. A survey on image segmentation techniques // Pattern Recognition, 1993, № 26, pp. 1277−1294.
- Skarbek W., Koschan A. Color Image Segmentation A Survey // Technisher Bericht, Technical University of Berlin, 1994, pp. 94−32.
- Lucchese L., Mitra S. Color Image Segmentation: A State-of-the-Art Survey // Image Processing, Vision, and Pattern Recognition. Proc. of the Indian National Science Academy (INS A-A), 2001, pp. 207−221.
- Zhang Y. Advances in Image And Video Segmentation // USA: IRM Press, 2006.
- Sahoo P.K. et.al. A survey of thresholding techniques // Computer Vision, Graphics and Image Processing, 1988, № 41, pp. 233−260.
- Spirkovska L. A summary of image segmentation techniques // NASA technical memorandum 104 022, 1993.
- Gonzalez R., Woods R. Digital image processing (2nd ed.) // NJ: Prentice Hall, 2002.
- Rosenfeld A. Image pattern recognition // Proceedings of IEEE, 1981, № 69(5), pp. 596−605.
- Macaire L., Ultre V., Postaire J.G. Determination of compatibility coefficients for color edge detection by relaxation // International Conference on Image Processing, 1996, pp. 1045−1048.
- Nevatia. A color edge detector and its use in scene segmentation // IEEE Trans. On System, Man and Cybernetics, 1977, v. SMC-7, № 11, pp. 820−826.
- Robinson G.S. Color Edge Detection // Optical Engineering, 1977, v. 16, № 5.
- Carron T., Lambert P. Fuzzy Color Edge Extraction by Inference Rulse Quantitative Study and Evaluation of Performances // International Conference in Image Processing, 1995, v. B, pp. 181−184.
- Ma W.Y., Manjunath B.S. Edge Flow: A Framework of boundary Detection and Image segmentation // Proc. Of IEEE Inf 1 Conf. on Computer Vision and Pattern Recognition (CVPR'97), 1997, pp. 755−749.
- Perez F., Koch C. Toward Color Image Segmentation in Analog VLSI: Algorithm and Hardware // Inf 1 Journal of computer vision, 1994, v. 12, № 1, pp. 17−42.
- Kirsche R.A., Cahn L., e.a. (1957). In. Proc. of Eastern Joint Comput. Conf., 221−229.
- Smith S., Brady J. (1995). SUSAN a new approach to low level image processing, International Journal of Computer Vision, 23(1), 45−78.
- Rothwell C.A., Mundy J.L., Hoffman W., Nguyen V.-D. (1995). Driving vision by topology, in Procedings of IEEE International Symposium on Computer Vision (ISCV'95), Coral Gables, Fla, USA, November, 395−400.
- Meer P., Georgescu B. (2001). Edge detection with embedded confidence, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.23, no. 12, 1351−1365.
- Ren X., Malik J. (2002). A Probabilistic Multi-scale Model for Contour Completion Based on Image Statistics, in ECCV '02, Copenhagen, volume 1, 312−327.
- B. Sumengen, B. S. Manjunath, C. Kenney, (2002). Image Segmentation using Curve Evolution and Flow Fields, Proc. IEEE International Conference on Image Processing (ICIP), Rochester, NY, USA, Sep.
- Shapiro G. (1996). Vector (Self) Snakes: Giometric Framework for Color, Texture and Multiscale Image Segmentation, Proc. of Inf 1 Conf. on Image Processing (ICIP"95), Lausanne, Switzeland, 16−19 Sept., vol. 1, 817−820.
- Shapiro G. (1997). Color Snakes, Computer Vision and Image Understading, vol. 68, no.2, 247−253.
- Han X., Zhao T. (2005). AutoJK. Dynamic Clustering Algorithm, Asian Journal of Information Technology, GPN, 4(4), 44−451.
- Deng Y., Manjunath B.S., Shin H. (1999). Color Image Segmantation, IEEE Computer Society Conference on computer vision and pattern recognition, CVPR'99, v.2., 446−451.
- Cheng H.D., Li J. (2000). Fuzzy Homogeneity and Scale Cpace Approach to Color Image Segmentation, International Conference on Computer Vision, Pattern Recognition and Image Processing, Atlantic City, Feb. 27 — Mar. 3.
- Shi H., Malik J. (1997). Normalized Cuts and Image Segmentation, Proc. of IEEE Inf 1 Conference on Computer Vision and Pattern Recognition, San Juan, Puerto Rico, 17−19 June, 731−737.
- Comaniciu D., Meer P. (2002). Mean shift: A robust approach toward feature space analysis, IEEE Trans. On Pattern Analysis and Machine Intelligence, 24, 603−619.
- Felzenswalb P., Huttenlocher D. (2004). Efficient Graph-Based Image Segmentation, Int Journal of Computer Vision, 59(2).
- Knudsen T., Muhammed H.- Olsen B. (2002). A Comparison of Neuro-Fuzzy and Traditional Image Segmentation Methods for Automated Detection of Buildings in Aerial Photos, Proceedings of Pcv'02: Photogrammetric Computer Vision.
- Kaufman L., Rousseeuw P.J. (1990). Finding Groups in Data: an Introduction to Cluster Analysis, John Willye & Sons.
- Ng R., Han J. (1994). Efficient and effective clustering method for spatial data mining, In Proc. of the 20th VLDB Conference, Santiago, Chile, 144−155.
- Ester M., ICriegel H.P., Sander J., Xu X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise, In Proc. of the Second Inf 1 Conference on Knowledge Discovery and Data Mining, Portland, OR, 226−231.
- Guha S., Rstogi R., Skim IC. (1998). CURE: An efficient clustering algorithm for large databases, In proc. of 1998 ACM-SIGMOD Int. Conf. On Management of Data, 103−114.
- Guha S., Rstogi R., Skim K. (1999). ROCK: a robust clustering algorithm for categorical attributes, In Proc. of the 15th Inf 1 Conf. on data Eng., 512−521.
- Karypis G., Han E.-H., Kumar V. (1999). CHAMELEON: A hierarchical Clustering Algorithm Using Dynamic Modeling, In the Proc. of IEEE Computer, 88−75.
- Pelleg D., Moore A. (2000). X-means: Extending k-means with efficient estimation of the number of clusters, InProc. Of the 17th Inf 1 Conf. on Machine Learning. San Francisco, 727−734.
- Ohta Y., Kanade Т., Sakai T. (1980). Color Information for region segmentation, Computer Graphics and Image Processing, Vol.13, 222−241.
- Ohlander R., Price K., Reddy D.R. (1978). Picture Segmentation Using A Recursive Region Splitting Method, Computer Graphics and Image Processing, 8, 313−333.
- Tominaga S. (1986). Color Image Segmentation Using Three Perceptual Attributes, IEEE Proceedings of the Conference on Computer Vision and Pattern Recognition, Los Alamos, CA, 628−630.
- Celenk M. (1990). A Color Clustering Technique for image segmentation, Graphical Models and Image Processing, vol.52, no.3, 145−170.
- Tremeau A., Borel N. (1997). A region Growing and merging algorithm to color segmentation, Pattern Recognition, vol.30, no.7, 1191−1203.
- Panjwani D.K., Healey G. (1995). Markov Random Field Models for Unsupervised Segmentation of textured color images, IEEE tranc. On Pattern Analysis and Machine Intelligence, vol. PAMI-17, no. 10, 939−954.
- Barny M., Rossi S., Mecocci A. «A fuzzy expert system for low level image segmentation», Proc. of the 8th european signal processing conference (EUSOPCO-96), vol.3, pp. 1725−1728.
- Yu S. (2005). Segmentation induced by scale invariance, in Proc. of Infl conf. on computer vision and pattern recognition, 2.
- Gevers Т., Munoz A. (1997). Combining region splitting and edge detection through guided Delaunay image subdivision, in Proc. of Infl Conf. on computer vision and pattern recognition, 2.
- Freixenet J., Munoz X., Raba D., Marti J., Cufi X. (2002). Yet Another Survey on Image Segmentation: Region and Boundary Information Integration. ECCV (3), 408−422.
- Денисов Д.А., Низовкин B.A. Сегментация изображений на ЭВМ // Зарубежная радиоэлектроника, 1985. № 10, с. 5−31.
- Бакут П.А., Колмогоров Г. С., Ворновицкий И. Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиэлектроника, 1987. № 10, с. 6−24.
- Бакут П.А., Колмогоров Г. С. Сегментация изображений: методы выделения границ областей // Зарубежная радиоэлектроника, 1987. № 10, с. 25−47.
- Zhang Y.J., «Advances in image and video segmentation», IBM Press, USA, 2006.
- Berkeley Segmentation Dataset база изображений университета Беркли, Электронный ресурс. — режим доступа: http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/segbench. -17.03.2008.
- Everingham M., Muller H., Thomas B. «Evaluating Image Segmentation Algorithms Using Monotonic Hulls in Fitness/cost Space», Proceedings of the 12th British Machine Vision Conference (BMVC2001), 363—372 (2001).
- Everingham M., Muller H., Thomas B., «Evaluating image segmentation algorithms using the pareto front», In Proceedings of the 7th European Conference on Computer Vision (ECCV2002), pages IV:34−48, May 2002.
- Cavallaro A., Gelesca E., Ebrahimi T., «Objective evaluation of segmentation quality using spatio-temporal context», Proc. of IEEE International Conference on Image Processing, Rochester (New York, USA), 22−25 September 2002.
- Zhang H., Fritts J.E., Goldman S.A., «A co-evaluation framework for improving segmentation evaluation», SPIE Defense and Security Symposium -Signal Processing, Sensor Fusion, and Target Recognition XIV, pp. 420−430, March 2005.
- Zhang H., Fritts J.E., Goldman S.A., «A entropy-based objective evaluation method for image segmentation», SPIE Electronic Imaging Storage and Retrieval Methods and Applications for Multimedia 2004, pp. 38−49, Jan. 2004.
- Unnikrishnan R., Pentofaru C., Hebert M., «Toward objective evaluation of image segmentation algorithms», IEEE transactions on pattern analysis and machine intelligence, vol. 29, no. 6, 2007.
- Chabrier S., Laurent H., Emile B., «Performance evaluation of image segmentation. Application to parameter fitting», European Signal Processing Conference (EUSIPCO) 2005.
- Chabrier S., Laurent H., Emile B., Rosenberger C., Marche P., «Evaluating the segmentation result of gray-level image», pages 953−956, Vienne, 2004.
- Chabrier S., Laurent H., Rosenberger C., Zhang Y.J., «Supervised evaluation of synthetic and real contour segmentation results», 14th European Signal Processing Conference (EUSIPCO) 2006.
- Jiang X., Matri C., Irniger C., Bunke H., «Distance measures for image segmentation evaluation», EURASIP Journal on Applied Signal Processing, 110 (2006).
- Ge F., Wang S., Liu T., «Evaluating edge detection through boundary detection», EURASIP Journal on Applied Signal Processing, 1−15 (2006).
- Ge F., Wang S., Liu T., «New benchmark for image segmentation evaluation», Journal of Electronic Imaging 16 (3), (Jul-Sep 2007).
- Ge F., Wang S., Liu T., «Image-segmentation evaluation from the perspective of Silent Object extraction», Proceedings of the 2006 IEEE Compiter Conference on Computer Vision and Pattern Recognition (CVPR, 06).
- Sharma M., «Performance Evaluation of Image Segmentation and Texture Extraction Methods in Scene Analysis», thesis for the degree of Master of Philosophy in Computer Science, University of Exeter, January 2001.
- Restif C., «Segmentation and Evaluation of Fluorescence Microscopy Images», thesis for the degree of Doctor of Philosophy, Oxford Brookes University, July 2006.
- Аксенов О.Ю. Сравнение алгоритмов сегментации, труды НТОРЭС им. А. С. Попова, серия «Цифровая обработка сигналов и ее применение». Выпуск УП-2., стр.278−281, М.2005.
- Привалов О.О. Методы и алгоритмы обработки растровых изображений для решения задач автоматизированной микроскопии медико-биологических препаратов, диссертация на соискание ученой степени кандидата технических наук, 05.13.01, Волгоград 2007.
- Image Segmentation Benchmark пакет для оценки качества сегментации изображений, Электронный ресурс. — режим доступа: http://www.cse.sc.edu/~tiecheng/researchweb/research3.html. — 17.03.2008.
- Rand Index, Wikipedia, free encyclopedia, Электронный ресурс. -режим доступа: http://en.wikipedia.org/wiki/Randindex. 17.03.2008.
- Unnikrishnan R., Pantofaru С., Hebert M., «Toward objective evaluation of image segmentation algorithms», IEEE Transactions On Pattern Analysis And Machine Intelligence, vol.29, no.6, June 2007.
- Chabrier S., Laurent H., Emile В., Rosenberger C., Marche P., «А comparative study of supervised evaluation criteria for image segmentation», EUSIPCO, Vienne, 2004, pages 1143−1146.
- Odet C., Belaroussi В., Benoit-Cattin H., «Scalable discrepancy measures for segmentation evaluation», Proceedings of International Conference on Image Processing, 2002, v. 1, pp. I-785−1-788.
- Будрейка H.H. Использование непараметрических критериев проверки статистических гипотез электронный ресурс: режим доступа 16.04.2008. http ://www. mat 1 ab. mgpp u. г и/ wo rk/0 014. htm
- Непараметрические статистические критерии (nonparametric statistical tests) электронный ресурс: режим доступа 16.04.2008. http ://www. sexualdysfunction.ru/5 83 .html
- Техническая библиотека lib.qrz.ru, Тест Колмогорова-Смирнова, электронный ресурс: режим доступа 16.04.2008. http://lib.qrz. ru/node/11 253
- Prague texture segmentation benchmark. Система для генерации текстурных изображений с известной ИФО и сравнения алгоритмов сегментации изображений http://mosaic.utia.cas.cz/index.php?act=viewres&id=.
- Pentofaru С., Hebert М., A comparison of Image Segmentation Algorithms // CMU-RI-TR-05−40, September 1, 2005.
- Haxhimusa Y., Ion A., Kropatsch W., Evaluating Hierarchical Graph-based Segmentation // 18th International Conference on Pattern Recognition (ICPR 2006), 20−24 August 2006, Hong Kong, China, Proceedings, pp. 195−198.
- Cavallaro A., Drelie E., Ebrahimi Т., Objective evaluation of segmentation quality using spatio-temporal context // Proc. Of IEEE International Conference on Image Processing, Rochester (New York), 22−25 September 2002, pp. Ill: 301−304.
- Ge. F., Wang S., Liu Т., Image-Segmentation Evaluation From the Perspective of Salient Object Extraction // CVPR06, 2006, pp. I: 1146−1153.
- B. McCane. On the evaluation of image segmentation algorithms. In Digital Image Computing: Techniques and Applications, pages 455−461, 1997.
- M.R. Everingham, H. Muller, and В. T. Thomas. «Evaluating image segmentation algorithms using the Pareto front». In Proceedings of the 7th European Conference on Computer Vision (ECCV2002), pages IV:34−48, May 2002.
- M.R. Everingham, H. Muller, and В. T. Thomas. «Evaluating image segmentation algorithms using monotonic hulls in fitness/cost space». In Proceedings of the 12th British Machine Vision Conference (BMVC2001), pages 363−372, September 2001.
- M.R. Everingham, H. Muller, and В. T. Thomas. «Algorithm evaluation by probabilistic fitness/cost analysis and application to image segmentation». In Proceedings of the 5th Asian Conference on Computer Vision (ACCV2002), pages 580−586, January 2002.
- Wang S., Ge F., Liu Т., Evaluation Edge Detection through Boundary Detection. EURASIP Journal on Applied Signal Processing, Vol.2006, p.1−15.
- Image-segmentation benchmark by Feng Ge, Song Wang, and Tiecheng Liu, http://www.cse.sc.edu/%7Etiecheng/researchweb/segmentation-benchmark.tgz
- Segmentation evaluation database Sharon Alpert, http://www.wisdom.weizmann.ac.il/~vision/SegEvaluationDB/dl.html
- Active contours theory. Режим доступа: http://www.cs.technion.ac.il/ ~protezhe/GACWeb/Documents/Phase%201/new%20Active%20Snakes.htm, 28.03.2009.
- Active Contours, Deformable Models, and Gradient Vector Flow. Режим доступа: http://iacl.ecejhu.edu/projects/gvi7, 28.03.2009.
- JSEG — Segmentation of color-texture regions in images and video — Режим доступа: http://vision.ece.ucsb.edu/segmentation/jseg/, 28.03.2009.
- Шиффман X.P. Ощущение и восприятие. 5-е изд. СПб, 2003. — 928 е.: ил. — (Серия «Мастера психологии»).
- Walther D., Koch Ch. Modeling attention to salient proto-objects // Neural Networks, 2006, № 19, pp. 1395−1407.
- Moran J., Desimone R. Selective attention gates visual processing in the extrastriate cortex // Science, 1985, № 229, pp. 782−784.
- Koch C., Ullman S. Shifts in selective visual attention: towards the underlying neural circuitry // Human Neurobiol, 1985, № 4, pp. 219−227.
- Walther D. Interactions of visual attention and object recognition: computational modeling, algorithms, and psychophysics // PhD thesis, California Institute of Technology, Pasadena, CA, 2006.
- Treisman A.M., Gelade G. A feature-integration theory of attention // Cognit sychol, 1980, № 12(1), pp. 97−136.
- Kadir Т., Brady M. Scale, Saliency and Image description // International Journal of Computer Vision, 2001, № 45, pp. 83−105.
- Tsotsos J.K., Culhane S.M., Wai W.Y.K., Lai Y.H., Davis N., Nuflo F. Modeling visual-attention via selective tuning // Artificial Intelligence, 1995, № 78, pp. 507−545.
- Deco G., Schurmann B. A hierarchical neural system with antinational top-down enhancement of the spatial resolution for object recognition // Vision Research, 2000, № 40(20), pp. 2845−2859.
- Koch, C., Ullman, S. Shifts in selective visual attention: towards the underlying neural circuitry // Hum Neurobiol, 1985, № 4(4), pp. 219−27.
- Itti L., Koch C., Niebur E. A Model of Saliency-Based Visual Attention for Rapid Scene Analysis // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, v. 20, № 11, pp. 1254−1259.
- Itti L. Models of Bottom-Up and Top-Down Visual Attention // Ph.D. Thesis, California Institute of Technology, 2000.
- Harel J., Koch C., Perona P., Graph-Based Visual Saliency // Proceedings of Neural Information Processing Systems (NIPS), 2006. Режим доступа: http://www.klab.caltech.edu/~harel/pubs/gbvsnips.pdf, 27.03.2009.
- Kadir Т., Zisserman A., Brady M. An affine invariant salient region detector // Proceedings of the 8th European Conference on Computer Vision, 2004. -Режим доступа: http://www.robots.ox.ac.uk/~timork/Saliency/eccvasalscale final. pdf, 27.03.2009.
- Kadir Т., Brady M. Scale, Saliency and Image description // International Journal of Computer Vision, 2001, № 45, pp. 83−105.
- Navalpakkam V., Itti L. Modeling the influence of task on attention // Vision Research, 2005, № 45, pp. 205−231.
- Navalpakkam V., Itti L. An Integrated model of top-down and bottom-up attention for optimizing detection speed // EEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2006), 2006, pp. 2049−2056.
- Elazary L., Itti L. Interesting objects are visually salient // Journal of Vision, 2008, № 8, pp. 1−15.
- Russell B.C., Torralba A., Murphy K.P., Freeman W.T. LabelMe: A database and Web-based tool for image annotation // MIT AI Lab Memo AIM-2005−025, 2005.
- Web-based tool for image annotation Электронный ресурс.: The open annotation tool written by B. Russell, A. Torralba, W. T. Freeman. Режим доступа: http://labelme.csail.mit.edu/, 27.03.2009.
- Исходный код алгоритма, реализованного в IKN-модели Электронный ресурс.: MATLAB source code. Режим доступа: http://iLab.usc.edu/tool kit/, 27.03.2009.
- Graph-Based Visual Saliency Электронный ресурс.: MATLAB source code. Режим доступа: http://www.klab.caltech.edu/~harel/share/gbvs.php, 27.03.2009.
- Kadir/Brady Affine Feature Detector (Scale Saliency) Электронный ресурс.: Matlab Binary release Version 1.0. — Режим доступа: http ://www .robots.ox.ac.uk/~timork/Saliency/AffineInvariantSaliency.html, 27.03.2009.
- Яндекс-фотки Электронный ресурс.: Фотохостинг компании «Яндекс». -Режим доступа: http://fotki.yandex.ru/, 27.03.2009.
- Liapis S., Tziritas G. Image retrieval by colour and texture using chromaticity histograms and wavelet frames, http://www.csd.uoc.gr/~tziritas/papers/coltxtclass.pdf, 21.05.2009.
- Мак В., Barnard B.E. Phone Clustering Using The Bhattacharyya Distance, http://www.asel.udel.edu/icslp/cdrom/vol4/281/a281.pdf, 21.05.2009.
- Huet В., HancockE.R. Cartographic indexing into a database of remotely sensed images. In Third IEEE Workshop on Applications of Computer Vision (WACV96), pages 8−14, Sarasota, Dec 1996.
- Ardizzoni S., Patella M., Bartolini I. Windsurf: Region-Based Image. Retrieval Using Wavelets, In DEXA Workshop, 1999, pp. 167−173.
- Кураленок И.Е., Некрестьянов И. С. Оценка систем текстового поиска // Программирование, 2002, № 28(4), с. 226−242. Режим доступа: http://meta.math.spbu.ru/~igor/papers/exp-survey.ps.gz, 27.03.2009.
- Агеев М., Кураленок И. Официальные метрики РОМИП'2004 // Российский семинар по Оценке Методов Информационного Поиска (РОМИП 2004) Пущино, 2004. — Режим доступа: http://www.cir.ru/docs /ips/publications/2004romipmetrix.pdf, 27.03.2009.
- Buckley С., Voorhees Е. Evaluating evaluation measure stability // Proc. Of the SIGIR'2000, 2000, pp. 33−40.
- Text REtrieval Conference (TREC), конференция по оценке методов текстового поиска, http://trec.nist.gov/., 21.05.2009.
- Russian Information Retrieval Evaluation Seminar Электронный ресурс.: форум ROMIP. — Режим доступа: http://tech.groups.yahoo.com/group/romip/ message/489, 27.03.2009.