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

Разработка методов поиска изображений на основе вычислительных моделей визуального внимания

Диссертация: Разработка методов поиска изображений на основе вычислительных моделей визуального внимания
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

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
  • Глава 4. Модель системы поиска изображений по визуальному сходству
    • 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
  • СВШ-с истемы
    • 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

Разработка методов поиска изображений на основе вычислительных моделей визуального внимания (реферат, курсовая, диплом, контрольная)

Актуальность темы

В настоящее время задачи оцифровки и хранения больших объемов визуальной информации имеют законченные технические решения, вполне удовлетворяющие требованиям пользователей, в то время как в области разработки методов решения задач поиска и семантической классификации изображений ситуация оказывается прямо противоположной. Отметим, что до последнего времени наиболее часто использовался поиск визуальной информации, опирающийся на индексирование текстовых описаний, ассоциированных с изображением (например, поиск картинок на Яндекс и Google). При очевидной необходимости организации доступа к коллекции изображений посредством поиска по текстовой информации, ассоциированной с изображениями, данный подход представляется недостаточным. Действительно, существующая неоднозначность при установлении соответствия между визуальным содержанием и текстовым описанием снижает показатели точности и полноты поиска, а целом ряде случаев оказывается весьма трудным или вообще невозможным составить словесное описание изображения (например, абстрактные картины).

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 аспектов рассматриваемой проблемы занимались многие исследователи, в том числе: F. Long, H. Zhang, D. Feng, R. C. Veitkamp, M. Tanase, Y. Rai, Th. S. Huang, S.-F. Chang, L.-J. Hove, Y. Xhiiang, X. Liu, Y. Pan, I. Naqa, M. Wernick, Y. Yang, N.P. Galatsanos, Th. Deselaers, A.B. Белков, H. Васильева, A. Дольник, И. Марков.

Анализ современных тенденций развития систем поиска изображений показывает, что наиболее популярным оказывается подход, основанный на использовании тех или иных алгоритмов анализа изображений. Например, одним из последних нововведений Google стало введение новых типов изображений, которые Google автоматически классифицирует. На текущий момент данная поисковая система распознает следующие типы изображений: портреты, фотографии, гравюры, карандашные рисунки и схемы, «клипарт». В апреле 2009 года запущен поиск похожих изображений Google Similar Images', на первом этапе используется традиционный способ поиска по текстовому запросу, а затем в качестве запроса используется одно из найденных изображений и осуществляется поиск по визуальному сходству. В поисковой системе Яндекс в конце 2008 года стал возможен поиск портретов, а ранее был запущен поиск картинок по преобладающему цвету, поиск фотографий и механизм выявления дубликатов.

В настоящее время известны демо-версии систем поиска изображений по содержанию (MFIRS, CIRES, Tiltomo, INRIA, Retrievr и др.). Проведенный анализ качества поиска в перечисленных системах показывает, что качество поиска в них существенно ниже по сравнению с системами поиска изображений по текстовым аннотациям. Так, из 20-ти первых найденных изображений запросу соответствует не более 16% изображений (при поиске по текстовым аннотациям в системе Яндекс аналогичный показатель равнялся 51%).

Следует отметить, что задача поиска изображений по содержанию по своей постановке формально близка к задаче распознавания образов, однако по своей сути эти задачи не являются идентичными. В задаче распознавания образов основной целью является отнесение входного изображения к одному из заранее известных классов, в то время как в задаче поиска изображений по содержанию изначально явного требования к идентификации класса входного изображения не ставится, но требуется найти изображения, обладающие визуальным сходством с запросом.

Анализ базовых принципов, используемых в современных CBIR-систем ах, показывает, что в большинстве из рассмотренных систем поиска изображений по содержанию поиск ведется по признакам, извлекаемым из всего изображения (глобальные признаки). Кроме того, при поиске изображений пользователь зачастую интересуется вполне конкретным объектом, присутствующим на изображении, и, соответственно, результатом поиска должны быть изображения, содержащие искомый объект.

В тоже время в научной литературе описаны результаты исследования механизмов восприятия человеком изображений, согласно которым внимание человека в процессе анализа изображений концентрируется не на всем изображении, а на некоторых вполне конкретных областях изображения. При этом выбор области (или нескольких областей), привлекающей внимание человека, в большей степени обусловлен свойствами данной области, но в меньшей степени высокоуровневыми когнитивными процессами (модель восходящего внимания).

В этой связи представляется целесообразным проведение исследований возможности использования моделей восходящего внимания для нахождения области изображения, приблизительно соответствующей объекту, разработка методов поиска изображений, механизм которых подобен механизму восприятия изображений человеком. При этом можно ожидать, что использование информации, извлекаемой из данных областей, позволит повысить качество поиска CBIR-систем по сравнению с широко используемым поиском по глобальным признакам изображений. Отметим, что в последнее время модели визуального внимания привлекли внимание ряда исследователей, в том числе: Аксёнов С. В., О. Marques, L. M. Mayron, G. В. Borba, H. R. Gamba.

Цель работы — разработка методов поиска изображений по содержанию, основанных на использовании модели восходящего внимания.

Задачи исследования. Для достижения указанной цели в работе поставлены и решены следующие задачи:

Анализ современного состояния проблемы поиска изображений по содержанию и обзор информационных признаков изображений, используемых в СВШ-системах.

2. Построение универсальной классификации алгоритмов сегментации изображений, позволяющей однозначно классифицировать все известные на сегодняшний день алгоритмы сегментации изображений.

3. Анализ критериев качества сегментации и выделение критериев, которые целесообразно использовать для оценки качества алгоритмов сегментации изображений.

4. Анализ известных моделей восходящего визуального внимания и исследование степени субъективности внимания человека.

5. Разработка алгоритма автоматического нахождения объекта на изображении, привлекающего внимание человека.

6. Разработка методов поиска изображений с использованием информации об объекте и проведение экспериментальной проверки их работоспособности.

7. Разработка на основе предложенных методов поиска изображений прототипа СВШ-системы.

Методы исследований. Выполненные разработки и их научно-техническое обоснование базируются на использовании методов цифровой обработки изображений и распознавания образов, статистической обработки информации.

Научная новизна результатов исследования.

1. Универсальная классификация алгоритмов сегментации изображений, позволяющая однозначно классифицировать все известные на сегодняшний день алгоритмы сегментации изображений.

2. Результаты исследований супервизорных критериев оценки качества сегментации изображений, позволившие обосновать выбор критерия, обеспечивающего наиболее объективную оценку качества сегментации.

3. Алгоритм автоматического нахождения прото-объекта.

4. Методы поиска изображений, основанные на использовании признаков прото-объекта.

Практическая значимость работы и внедрение её результатов. Разработанные методы повышения эффективности поиска графической информации реализованы в виде макетных версий программ. Научные результаты, полученные в диссертационном исследовании, используются в ООО «Институт информационных датчиков и технологий» при разработке систем технического зрения. Общетеоретические результаты вошли в учебные программы дисциплин «Методы обработки многомерных сигналов», «Методы обработки и анализа сигналов в информационных системах», «Интеллектуальные информационные системы», «Представление знаний в интеллектуальных информационных системах».

На защиту выносятся:

1. Универсальная классификация алгоритмов сегментации изображений, позволяющая однозначно классифицировать все известные на сегодняшний день алгоритмы сегментации изображений.

2. Результаты исследований супервизорных критериев оценки качества сегментации изображений.

3. Алгоритм автоматического нахождения прото-объекта.

4. Методы поиска изображений с использованием признаков прото-объекта.

5. Прототип СШЯ-системы, реализующей методы поиска изображений на основе признаков прото-объектов.

Апробация результатов. Основные результаты и положения работы докладывались и обсуждались на следующих научных конференциях:

3-й Международной конференции «Информационно-математические технологии в экономике, технике и образовании» (Екатеринбург, ноябрь 2008);

7-й Всероссийской конференции с международным участием «Новые информационные технологии в исследовании сложных структур» (Томск, сентябрь 2008);

Международной научно-практической конференции «СВЯЗЬ-ПРОМ 2008» в рамках 5-го Евро-Азиатского форума «СВЯЗЬ-ПРОМЭКСПО 2008» (Екатеринбург, май 2008);

Международной научно-практической конференции «СВЯЗЬ-ПРОМ 2009» в рамках 6-го Евро-Азиатского форума «СВЯЗЬ-ПРОМЭКСПО 2009» (Екатеринбург, февраль 2009);

10-й всероссийской конференции «Математические методы распознавания образов» (Суздаль, сентябрь 2009);

3-й Российской конференции молодых учёных по информационному поиску, проводившейся в рамках III Российской летней школы по информационному поиску RuSSIR^2009 (Петрозаводск, сентябрь 2009).

Результаты диссертационного исследования были включены в инновационный проект, представленный на конкурсе, проводимом в 2009 году Фондом содействия развитию малых форм предприятий в научно-технической сфере. По результатам конкурса представленный проект стал победителем программы «Участник Молодежного Научно-Инновационного Конкурса» («УМНИК»).

Публикации. По теме диссертации опубликовано 10 работ, в том числе 2 работы в изданиях, рекомендованных ВАК.

Структура и объем работы. Общий объём диссертации — 163 страницы, в том числе 11 страниц приложений. Диссертация иллюстрирована 121 рисунком, 46 таблицами.

Основные результаты работы заключаются в следующем:

1. Проведён анализ современного состояния проблемы поиска изображений по содержанию и доступных СВШ-систем, позволивший обобщить результаты исследований низкоуровневых признаков изображений, используемых в СВШсистемах.

2. Предложен универсальный подход, на основе которого построена универсальная классификация алгоритмов сегментации изображений (АСИ), позволяющая однозначно классифицировать все известные на сегодняшний день АСИ.

3. Разработана методика сравнительного анализа супервизорных критериев качества сегментации, в соответствии с которой проведены количественные исследования супервизорных критериев оценки качества сегментации изображений, и выделены критерии, которые целесообразно использовать для оценки качества АСИ.

4. На основе результатов, полученных при анализе известных моделей восходящего визуального внимания, а также исследований степени субъективности внимания человека, предложен алгоритм нахождения прото-объекта (НПО-алгоритм), обеспечивающий в сравнении с аналогичным алгоритмом более высокое качество поиска прото-объекта.

5. Разработаны новые методы поиска изображений с использованием признака цвета прото-объекта: 1) поиск по признаку цвета прото-объекта, при котором объект на запросе задаётся пользователем- 2) поиск по признаку цвета прото-объекта, при котором объект на запросе находится автоматически с использованием алгоритма нахождения прото-объекта- 3) комбинированный поиск, учитывающий глобальный признак цвета и признак цвета прото-объекта (при этом объект на запросе задается пользователем).

6. Проведено сравнение эффективности поиска изображений методами, предложенными в диссертационном исследовании, с поиском по глобальному признаку цвета, который широко используется в современных СВШ-систем ах, и доказано, что комбинированный поиск обеспечивает более высокое качество поиска.

7. На основе предложенных методов поиска изображений разработан прототип СВШ-системы, в которой реализованы разработанные автором новые методы поиска изображений.

Заключение

.

Показать весь текст

Список литературы

  1. Коллекция снимков NASA Электронный ресурс.: Коллекция снимков NASA. Режим доступа: http://images.jsc.nasa.gov/ 26.03.2009.
  2. 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.
  3. 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.
  4. У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982-Кн. 2 — 480с.
  5. 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.
  6. 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.
  7. Hove L.-J. Extending Image Retrieval Systems with a Thesaurus for Shapes // Master’s thesis, University of Bergen, Norway, October 2004.
  8. 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.
  9. 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.
  10. Deselaers Th. Features for Image Retrieval // Master’s thesis. Aachen: Human Language Technology and Pattern Recognition Group, RWTH Aachen University, 2003.
  11. Pass G., Zabih R. Histogram refinement for content-based image retrieval // IEEE Workshop on Applications of Computer Vision, 1996, pp. 96−102.
  12. 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.
  13. 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.
  14. Стандарт MPEG-7 Электронный ресурс.: Дескриптор доминантного цвета. Режим доступа: http://book.itep.ru/2/25/mpeg 7. htm, 27.03.2009.
  15. Histogram. From Wikipedia, the free encyclopedia 7 Электронный ресурс.: Накопительная гистограмма цветов. — Режим доступа: http://en.wikipedia.Org/wiki/Histogram#Cumulativehistogram, 27.03.2009.
  16. 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.
  17. P., Вудс P., Эддинс С. Цифровая обработка изображений в среде MATLAB, Техносфера, 2006, с. 616.
  18. 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.
  19. JI., Стокман Дж. Компьютерное зрение, «Бином. Лаборатория знаний», 2006, с. 752.
  20. Co-occurrence matrix Электронный ресурс.: From Wikipedia. Режим доступа: http://en.wikipedia.org/wiki/Co-occurrencematrix, 27.03.2009.
  21. 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.
  22. 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.
  23. Gotlieb С.С., Kreyszig Н.Е. Texture descriptors based on co-occurrence matrices // Comput. Vis., Craphics, and Image Proc., 1990, pp. 70−86.
  24. Jl.M., Математические методы распознавания образов. -Режим доступа: http://www.intuit.ru/department/graphics/imageproc/, 27.03.2009.
  25. А.В. Методы анализа и синтеза текстур. Режим доступа: http://jakovlev.boom.ru/science/paper/paperl.pdf, 26.03.2009.
  26. CBIR: Texture Features. Режим доступа: http://www.cs.auckland.ac.nz/ compsci708slc/Iectures/GIect-html/topic4c708FSC.htm, 27.03.2009.
  27. 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.
  28. Siebert A., Segmentation based image retrieval // Proc. SPIE, v. 3312, pp. 1424.
  29. Ma W.-Y., Manjunath B.S. NeTra: A toolbox for navigating large image databases //Multimedia Systems, 1999, v. 7, № 3, pp. 184−198.
  30. 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.
  31. 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.
  32. 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.
  33. 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.
  34. 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.
  35. Система Img (Anaktisi) Электронный ресурс.: Демо-версия CBIR-системы. -Режим доступа: http://orpheus.ee.duth.gr/anaktisi/, 27.03.2009.
  36. Система MFIRS Электронный ресурс.: Демо-версия CBIR-системы. -Режим доступа: http://www.pilevar.com/mfirs/index.php, 27.03.2009.
  37. Система CIRES Электронный ресурс.: Демо-версия CBIR-системы. — Режим доступа: http://amazon.ece.utexas.edu/~qasim/cires.htm, 27.03.2009.
  38. Система Tiltomo Электронный ресурс.: Демо-версия CBIR-системы. — Режим доступа: http://www.tiltomo.com/, 27.03.2009.
  39. Система INRIA Электронный ресурс.: Демо-версия CBIR-системы. — Режим доступа: http://www-rocq.inria.ir/cgi-bin/imedia/circario.cgi/v2std, 27.03.2009.
  40. Система Alipr Электронный ресурс.: Демо-версия CBIR-системы. -Режим доступа: http://alipr.com/, 27.03.2009.
  41. Система SIMPLIcity Электронный ресурс.: Демо-версия CBIR-системы. -Режим доступа: http://wangl4.ist.psu.edu/cgi-bin/zwang/regionsearch show. cgi, 27.03.2009.
  42. Система Viper Электронный ресурс.: Демо-версия CBIR-системы. -Режим доступа: http://viper.unige.ch/demo/php/demo.php, 27.03.2009.
  43. Система FS Электронный ресурс.: Демо-версия CBIR-системы. Режим доступа: http://139.82.71.62:8080/fs26/#About, 27.03.2009.
  44. Flickr Электронный ресурс.: online photo management and sharing application Режим доступа: http://www.flickr.com/, 27.03.2009.
  45. С., Норвинг П., Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. — М.: Издательский дом «Вильяме», 2006. 1408 е.: ил. — Парал. Тит. Англ.
  46. Р., Вудс Р., Цифровая обработка изображений. Москва: Техносфера, 2006 1072 с.
  47. Haralick R., Shapiro L. Image segmentation techniques // Computer Vision, Graphics and Image Processing (CVGIP), 1985, № 29, pp. 100−132.
  48. Bhanu В., Lee S. Genetic Learning for Adaptive Image Segmentation, Springer, 1994, pp. 271.
  49. Roberts L. Machine perception of three dimensional solids // J. Tippett et al. Optical and electro-optical information processing, 1965, pp. 159−197.
  50. Fu K., Mui J. A survey on image segmentation // Pattern Recognition, 1981, № 13, pp. 3−16.
  51. Pal N., Pal S. A survey on image segmentation techniques // Pattern Recognition, 1993, № 26, pp. 1277−1294.
  52. Skarbek W., Koschan A. Color Image Segmentation A Survey // Technisher Bericht, Technical University of Berlin, 1994, pp. 94−32.
  53. 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.
  54. Zhang Y. Advances in Image And Video Segmentation // USA: IRM Press, 2006.
  55. Sahoo P.K. et.al. A survey of thresholding techniques // Computer Vision, Graphics and Image Processing, 1988, № 41, pp. 233−260.
  56. Spirkovska L. A summary of image segmentation techniques // NASA technical memorandum 104 022, 1993.
  57. Gonzalez R., Woods R. Digital image processing (2nd ed.) // NJ: Prentice Hall, 2002.
  58. Rosenfeld A. Image pattern recognition // Proceedings of IEEE, 1981, № 69(5), pp. 596−605.
  59. 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.
  60. 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.
  61. Robinson G.S. Color Edge Detection // Optical Engineering, 1977, v. 16, № 5.
  62. 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.
  63. 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.
  64. 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.
  65. Kirsche R.A., Cahn L., e.a. (1957). In. Proc. of Eastern Joint Comput. Conf., 221−229.
  66. S., Brady J. (1995). SUSAN a new approach to low level image processing, International Journal of Computer Vision, 23(1), 45−78.
  67. 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.
  68. P., Georgescu B. (2001). Edge detection with embedded confidence, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.23, no. 12, 1351−1365.
  69. 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.
  70. 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.
  71. 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.
  72. G. (1997). Color Snakes, Computer Vision and Image Understading, vol. 68, no.2, 247−253.
  73. Han X., Zhao T. (2005). AutoJK. Dynamic Clustering Algorithm, Asian Journal of Information Technology, GPN, 4(4), 44−451.
  74. 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.
  75. 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.
  76. 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.
  77. D., Meer P. (2002). Mean shift: A robust approach toward feature space analysis, IEEE Trans. On Pattern Analysis and Machine Intelligence, 24, 603−619.
  78. P., Huttenlocher D. (2004). Efficient Graph-Based Image Segmentation, Int Journal of Computer Vision, 59(2).
  79. 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.
  80. L., Rousseeuw P.J. (1990). Finding Groups in Data: an Introduction to Cluster Analysis, John Willye & Sons.
  81. 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.
  82. 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.
  83. 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.
  84. 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.
  85. Karypis G., Han E.-H., Kumar V. (1999). CHAMELEON: A hierarchical Clustering Algorithm Using Dynamic Modeling, In the Proc. of IEEE Computer, 88−75.
  86. 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.
  87. Y., Kanade Т., Sakai T. (1980). Color Information for region segmentation, Computer Graphics and Image Processing, Vol.13, 222−241.
  88. R., Price K., Reddy D.R. (1978). Picture Segmentation Using A Recursive Region Splitting Method, Computer Graphics and Image Processing, 8, 313−333.
  89. 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.
  90. M. (1990). A Color Clustering Technique for image segmentation, Graphical Models and Image Processing, vol.52, no.3, 145−170.
  91. A., Borel N. (1997). A region Growing and merging algorithm to color segmentation, Pattern Recognition, vol.30, no.7, 1191−1203.
  92. 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.
  93. 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.
  94. Yu S. (2005). Segmentation induced by scale invariance, in Proc. of Infl conf. on computer vision and pattern recognition, 2.
  95. 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.
  96. 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.
  97. Д.А., Низовкин B.A. Сегментация изображений на ЭВМ // Зарубежная радиоэлектроника, 1985. № 10, с. 5−31.
  98. П.А., Колмогоров Г. С., Ворновицкий И. Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиэлектроника, 1987. № 10, с. 6−24.
  99. П.А., Колмогоров Г. С. Сегментация изображений: методы выделения границ областей // Зарубежная радиоэлектроника, 1987. № 10, с. 25−47.
  100. Y.J., «Advances in image and video segmentation», IBM Press, USA, 2006.
  101. 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.
  102. 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).
  103. 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.
  104. 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.
  105. 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.
  106. 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.
  107. 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.
  108. S., Laurent H., Emile B., «Performance evaluation of image segmentation. Application to parameter fitting», European Signal Processing Conference (EUSIPCO) 2005.
  109. S., Laurent H., Emile B., Rosenberger C., Marche P., «Evaluating the segmentation result of gray-level image», pages 953−956, Vienne, 2004.
  110. S., Laurent H., Rosenberger C., Zhang Y.J., «Supervised evaluation of synthetic and real contour segmentation results», 14th European Signal Processing Conference (EUSIPCO) 2006.
  111. X., Matri C., Irniger C., Bunke H., «Distance measures for image segmentation evaluation», EURASIP Journal on Applied Signal Processing, 110 (2006).
  112. Ge F., Wang S., Liu T., «Evaluating edge detection through boundary detection», EURASIP Journal on Applied Signal Processing, 1−15 (2006).
  113. Ge F., Wang S., Liu T., «New benchmark for image segmentation evaluation», Journal of Electronic Imaging 16 (3), (Jul-Sep 2007).
  114. 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).
  115. 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.
  116. C., «Segmentation and Evaluation of Fluorescence Microscopy Images», thesis for the degree of Doctor of Philosophy, Oxford Brookes University, July 2006.
  117. 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.
  118. 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.
  119. 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.
  120. Rand Index, Wikipedia, free encyclopedia, Электронный ресурс. -режим доступа: http://en.wikipedia.org/wiki/Randindex. 17.03.2008.
  121. 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.
  122. 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.
  123. 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.
  124. 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
  125. Непараметрические статистические критерии (nonparametric statistical tests) электронный ресурс: режим доступа 16.04.2008. http ://www. sexualdysfunction.ru/5 83 .html
  126. Техническая библиотека lib.qrz.ru, Тест Колмогорова-Смирнова, электронный ресурс: режим доступа 16.04.2008. http://lib.qrz. ru/node/11 253
  127. 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=.
  128. Pentofaru С., Hebert М., A comparison of Image Segmentation Algorithms // CMU-RI-TR-05−40, September 1, 2005.
  129. 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.
  130. 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.
  131. Ge. F., Wang S., Liu Т., Image-Segmentation Evaluation From the Perspective of Salient Object Extraction // CVPR06, 2006, pp. I: 1146−1153.
  132. B. McCane. On the evaluation of image segmentation algorithms. In Digital Image Computing: Techniques and Applications, pages 455−461, 1997.
  133. 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.
  134. 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.
  135. 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.
  136. Wang S., Ge F., Liu Т., Evaluation Edge Detection through Boundary Detection. EURASIP Journal on Applied Signal Processing, Vol.2006, p.1−15.
  137. Image-segmentation benchmark by Feng Ge, Song Wang, and Tiecheng Liu, http://www.cse.sc.edu/%7Etiecheng/researchweb/segmentation-benchmark.tgz
  138. Segmentation evaluation database Sharon Alpert, http://www.wisdom.weizmann.ac.il/~vision/SegEvaluationDB/dl.html
  139. Active contours theory. Режим доступа: http://www.cs.technion.ac.il/ ~protezhe/GACWeb/Documents/Phase%201/new%20Active%20Snakes.htm, 28.03.2009.
  140. Active Contours, Deformable Models, and Gradient Vector Flow. Режим доступа: http://iacl.ecejhu.edu/projects/gvi7, 28.03.2009.
  141. JSEG — Segmentation of color-texture regions in images and video — Режим доступа: http://vision.ece.ucsb.edu/segmentation/jseg/, 28.03.2009.
  142. X.P. Ощущение и восприятие. 5-е изд. СПб, 2003. — 928 е.: ил. — (Серия «Мастера психологии»).
  143. Walther D., Koch Ch. Modeling attention to salient proto-objects // Neural Networks, 2006, № 19, pp. 1395−1407.
  144. Moran J., Desimone R. Selective attention gates visual processing in the extrastriate cortex // Science, 1985, № 229, pp. 782−784.
  145. Koch C., Ullman S. Shifts in selective visual attention: towards the underlying neural circuitry // Human Neurobiol, 1985, № 4, pp. 219−227.
  146. Walther D. Interactions of visual attention and object recognition: computational modeling, algorithms, and psychophysics // PhD thesis, California Institute of Technology, Pasadena, CA, 2006.
  147. Treisman A.M., Gelade G. A feature-integration theory of attention // Cognit sychol, 1980, № 12(1), pp. 97−136.
  148. Kadir Т., Brady M. Scale, Saliency and Image description // International Journal of Computer Vision, 2001, № 45, pp. 83−105.
  149. 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.
  150. 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.
  151. Koch, C., Ullman, S. Shifts in selective visual attention: towards the underlying neural circuitry // Hum Neurobiol, 1985, № 4(4), pp. 219−27.
  152. 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.
  153. Itti L. Models of Bottom-Up and Top-Down Visual Attention // Ph.D. Thesis, California Institute of Technology, 2000.
  154. 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.
  155. 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.
  156. Kadir Т., Brady M. Scale, Saliency and Image description // International Journal of Computer Vision, 2001, № 45, pp. 83−105.
  157. Navalpakkam V., Itti L. Modeling the influence of task on attention // Vision Research, 2005, № 45, pp. 205−231.
  158. 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.
  159. Elazary L., Itti L. Interesting objects are visually salient // Journal of Vision, 2008, № 8, pp. 1−15.
  160. 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.
  161. 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.
  162. Исходный код алгоритма, реализованного в IKN-модели Электронный ресурс.: MATLAB source code. Режим доступа: http://iLab.usc.edu/tool kit/, 27.03.2009.
  163. Graph-Based Visual Saliency Электронный ресурс.: MATLAB source code. Режим доступа: http://www.klab.caltech.edu/~harel/share/gbvs.php, 27.03.2009.
  164. 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.
  165. Яндекс-фотки Электронный ресурс.: Фотохостинг компании «Яндекс». -Режим доступа: http://fotki.yandex.ru/, 27.03.2009.
  166. 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.
  167. 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.
  168. 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.
  169. Ardizzoni S., Patella M., Bartolini I. Windsurf: Region-Based Image. Retrieval Using Wavelets, In DEXA Workshop, 1999, pp. 167−173.
  170. 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.
  171. 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.
  172. Buckley С., Voorhees Е. Evaluating evaluation measure stability // Proc. Of the SIGIR'2000, 2000, pp. 33−40.
  173. Text REtrieval Conference (TREC), конференция по оценке методов текстового поиска, http://trec.nist.gov/., 21.05.2009.
  174. Russian Information Retrieval Evaluation Seminar Электронный ресурс.: форум ROMIP. — Режим доступа: http://tech.groups.yahoo.com/group/romip/ message/489, 27.03.2009.
Заполнить форму текущей работой

Пора сдавать?