Помощь в написании студенческих работ
Антистрессовый сервис

Выделение объектов на изображениях радиотехнических систем наблюдения с использованием прямолинейных сегментов границ

Диссертация: Выделение объектов на изображениях радиотехнических систем наблюдения с использованием прямолинейных сегментов границ
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Существует большое количество объектов, отличительными признаками которых являются прямолинейные границы (прямолинейные перепады яркости) и геометрические соотношения между ними. Практически важные задачи включают обнаружение и классификацию искусственных объектов, таких как здания, сооружения, дороги, мостыоценивание использования земных угодий при обработке земливыделение рек и водоемов… Читать ещё >

Выделение объектов на изображениях радиотехнических систем наблюдения с использованием прямолинейных сегментов границ (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. Применение методов и алгоритмов выделения объектов на изображениях, и распознавания изображений в радиотехнических системах
    • 1. 1. Постановка задачи диссертационного исследования
    • 1. 2. Структура радиотехнической системы наблюдения
    • 1. 3. Типы датчиков используемых в радиотехнических системах наблюдения
    • 1. 4. Требования к алгоритмам машинного зрения для применения в радиотехнических системах
    • 1. 5. Вывод к главе 1
  • ГЛАВА 2. Способы описания изображений
    • 2. 1. Классификация моделей изображений
      • 2. 1. 1. Понятие модели изображения
      • 2. 1. 2. Концепция порождаемых моделей при зрительном восприятии образов человеком
      • 2. 1. 3. Классификация моделей, по методам представления и обработки изображений
      • 2. 1. 4. Классификация моделей по методам дескриптивного подхода к анализу и распознаванию изображений
    • 2. 2. Признаковая модель в задачах распознавания и анализа изображений
      • 2. 2. 1. Признаковое описание изображений
      • 2. 2. 2. Определение понятия «признак изображения»
      • 2. 2. 3. Современные методы выделения признаков на изображениях
    • 2. 3. Прямолинейные сегменты, как важный признак объектов на изображениях
      • 2. 3. 1. Состояние проблемы выделения и группирования линейных признаков на изображениях
      • 2. 3. 2. Выделение прямолинейных сегментов границ с использованием детектора Кенни и преобразования Хафа для прямых линий
      • 2. 3. 3. Выделение прямолинейных сегментов границ с применением алгоритма основанного на методе объединения пикселей (детектор Рендела)
  • Вывод к главе 2
  • ГЛАВА 3. Описание и выделение объектов на изображениях с использованием прямолинейных сегментов границ
    • 3. 1. Метод выделения прямолинейных сегментов границ на цифровых изображениях
      • 3. 1. 1. Постановка задачи
      • 3. 1. 2. Описание метода и алгоритмической реализации
    • 3. 2. Метод группирования линий в структуры
      • 3. 2. 1. Постановка задачи
      • 3. 2. 2. Описание метода и алгоритмической реализации
    • 3. 3. Вывод к главе 3
  • ГЛАВА 4. Исследование качества выделения объектов на изображениях с применением предложенных методов

4.1. Оценка качества работы детектора Кенни совместно с преобразованием Хафа, детектора Рендела и предложенного метода выделения прямолинейных сегментов границ, применительно к задаче выделения объектов на тестовом изображении.

4.2. Исследование метода описания объектов с использованием линий на тестовом изображении.

4.3. Исследование методов выделения прямолинейных сегментов границ и описания объектов на изображениях с использованием линий на реальных изображениях, полученных от радиотехнических систем наблюдения.

Актуальность темы

исследования. Выделение и распознавание объектов на изображениях представляет одну из центральных проблем компьютерного видения. Такая проблема решается при слежении за объектами, восстановлении, индексации, сравнении и распознавании различных изображений. Ключевым моментом при выделении и распознавании объектов является описание различных категорий объектов. Для этого требуется набор надежных и повторяемых признаков (дескрипторов), которые получаются из модели объекта либо из тестовых изображений. Локальные признаки и дескрипторы весьма полезны для компактного представления изображений при их сравнении и распознавании.

Различают три уровня дескрипторов. Дескрипторы нижнего уровня могут быть трех типов: основанные на точках изображения, основанные на линиях и основанные на областях. Линии, соединения линий и углы являются наиболее важными геометрическими признаками для последующего анализа. Такие признаки называются геометрическими примитивами. Дескрипторы промежуточного или среднего уровня получаются путем группирования геометрических примитивов с учетом набора ограничений, вытекающих из свойств объектов, интересных с точки зрения восприятия. Дескрипторы верхнего уровня вытекают из сравнительного анализа полученных структур и могут содержать информацию, достаточную для интерпретации, понимания и сравнения рассматриваемого изображения с другим изображением или шаблоном.

Существуют два класса методов для выделения признаков. Первые основаны на интенсивности и часто не обеспечивают требуемой надежности воспроизведения. Вторые используют геометрические свойства, что влечет более сложную обработку, однако позволяют сравнивать изображения от различных источников. При сравнении изображений между собой или с эталоном можно выделить три ступени обработки. На первой «детектор признаков» формирует набор точек и «областей интереса». Вторая ступень содержит описание выделенных областей с помощью векторов параметров. Сравнение полученных векторов (признаков) осуществляется на третьей ступени с использованием соответствующей метрики, данный признак на изображении ассоциируется с одним или несколькими признаками на других изображениях. В результате идентифицируются объекты с близкими метриками.

Существует большое количество объектов, отличительными признаками которых являются прямолинейные границы (прямолинейные перепады яркости) и геометрические соотношения между ними. Практически важные задачи включают обнаружение и классификацию искусственных объектов, таких как здания, сооружения, дороги, мостыоценивание использования земных угодий при обработке земливыделение рек и водоемов. Описанием прямолинейных границ являются прямые линии. Прямолинейные сегменты границ играют большую роль, поскольку почти все контуры локально прямолинейны, а многие искусственные объекты имеют прямолинейные границы. По этой причине актуальным представляется исследование методов выделения и описания объектов содержащих прямолинейные границы.

Научная задача, на решение которой направлена диссертационная работа имеет народнохозяйственное значение, и заключается в разработке методов и алгоритмов выделения объектов, которые содержат прямолинейные границы. Областями применения предлагаемых методов и алгоритмов является робототехника, и комплексы бортового технического зрения беспилотных летательных аппаратов.

Разработанность темы. На сегодняшний день существуют детекторы прямолинейных сегментов границ на изображениях. Известен детектор Canny (Кенни) совместно с преобразованием Houph (Хафа). Преобразование Хафа строит прямую линию по изображению в параметрическом пространстве без учета пространственной связи между точками. В результате такой способ часто дает фрагментацию линий на короткие отрезки, что практически разрушает геометрическую структуру объекта.

Авторы Randall G., Von Gioi R., Grompone, Jakubovich J., Morel J-M. предложили метод и алгоритм (далее: детектор Рендела) выделения прямолинейных границ, основанный на выравнивании точек путем объединения пикселей в соответствии с направлениями вектора-градиента и позволяющий контролировать ложные обнаружения границ. Алгоритм не дает фрагментации линий и обладает адаптивными свойствами при выделении границ различной протяженности. Однако на краях выделяемых прямолинейных сегментов и в точках пересечения сегментов наблюдается большой разброс направлений градиента, эти участки не попадают в область поддержки границы и теряются. В результате алгоритм не позволяет выделить крайние области прямолинейных сегментов границ. Также из-за значительного увеличения разброса направлений градиента, в условиях зашумлённости, алгоритм не позволяет выделять прямолинейные сегменты границ при низких отношениях сигнал/шум.

Авторы Medioni G., Nevatia R. предложили использовать прямые линии и соотношения между ними в качестве средства описания объектов на изображениях, они же применили термин «антипараллельные пары». Такие пары имеют противоположные ориентации линий, поскольку одна из них образована изменением интенсивности границы от черного к белому, а другая — от белого к черному. Нахождение таких парных линий, расположенных достаточно близко друг к другу, позволяет убрать из рассмотрения лишние линии, находящиеся в данной области.

Идея использовать прямолинейные сегменты границ для описания объектов на изображениях имела продолжение в работах авторов: Сойфера В. А., Фурмана Я. А., Ярославского JI. П., Злобина В. К., Лёвшина В. Л., Bergevin R., Bernier J.-F., Fu Z., Sun Z., Tuytelaars T., Mikolajczyk K., Moreels P., Perona P., Bernstein E. J., Amit Y., Zhao Y., Chen Y. Q. и других.

Цель диссертационной работы. Повышение качества выделения объектов на цифровых изображениях радиотехнических систем наблюдения при действии помех, с использованием прямолинейных сегментов границ.

Объект исследования. Объектом исследования являются цифровые полутоновые шаблонные и реальные цифровые изображения, получаемые от радиолокаторов с синтезированной апертурой, спутниковых систем наблюдения и систем аэрофотосъемки.

Предмет исследования. Выделение объектов на цифровых изображениях, с использованием прямолинейных сегментов границ.

Задачи исследования.

1. Анализ существующих подходов к автоматизированному выделению границ объектов на цифровых изображениях.

2. Разработка метода выделения и упорядочивания прямолинейных сегментов границ на изображениях и оценивание координат начальных, и конечных точек обнаруженных границ.

3. Разработка метода описания объектов на изображениях на основе выделенных прямолинейных сегментов границ. Выделение подобных признаков на разных изображениях позволяет решать задачу их сравнения и согласования при различиях в масштабах, углах поворота, а также полученных от различных источников, и в разное время.

4. Алгоритмическая и программная реализация методов.

5. Исследование качества разработанных алгоритмов применительно к тестовым изображениям и изображениям, полученным от разных источников.

Научная новизна. Разработан метод выделения прямолинейных сегментов границ на цифровых изображениях, который позволяет выделять границы при более низком отношении сигнал/шум в сравнении с существующим детектором Рендела. И позволяет обнаруживать крайние области прямолинейных сегментов границ в отличие детектора Рендела и метода Кенни-Хафа, что позволяет обнаруживать точки пересечения выделенных линий описывающих границы.

Новыми элементами предложенного метода являются.

1. Пространственная ориентированная фильтрация, позволяющая устойчиво выделять прямолинейные границы на зашумлённых изображениях, и предварительно оценивать направление границы.

2. Оценка начальных и конечных точек прямолинейных сегментов границ по суммарному профилю градиента в нескольких строках, путем сравнения с пороговым уровнем, совместно с накоплением суммарного градиента вдоль всей границы, что позволяет с высокой точностью оценивать направления границ, а также обнаружить точки пересечения линий описывающих границы.

3. Использование положительных и отрицательных частей градиента, позволяющее различать положительные и отрицательные перепады яркости (антипараллельность).

4. Предложен новый метод описания объектов на изображениях с использованием выделенных прямолинейных сегментов границ, основанный на группировании линий с учетом их пересечений, угловой ориентации, близости и сдвига по отношению к другим линиям.

Новизна подтверждается положительными рецензиями на публикации, и широким обсуждением результатов на научных конференциях.

Практическая ценность диссертации состоит в алгоритмической и программной реализации предложенных методов, которые совместно позволяют решать задачу выделения объектов на цифровых изображениях. Предложенный метод описывает линиями прямолинейные границы на реальных изображениях искусственных объектов, полученных от спутниковых и самолетных систем наблюдения, и позволяет определить точки пересечения линий для последующего группирования их в структуры. Точки пересечения линий добавляют новый признак в описании объекта, что позволяет разработать новый метод группирования линий в структуры.

Практическая ценность предложенного метода выделения границ и описания объектов, подтверждается успешным использованием его при обработке реальных изображений аэрофотосъемки, спутниковых и радиолокационных изображений, и полученным актом о внедрении результатов.

Новизна алгоритма выделения прямолинейных сегментов границ подтверждена свидетельством о государственной регистрации программы для ЭВМ № 2 012 618 013, РОСПАТЕНТ, 6 сентября 2012 г. «Программа оценивания координат прямолинейных сегментов кромок на изображениях».

Методы исследования. Для решения поставленных в диссертационной работе задач были использованы методы цифровой обработки изображений, теория распознавания образов, линейная алгебра, математическая статистика, применяется вычислительная техника и среда программирования МАТЬАВ.

Основные положения, выносимые на защиту.

1. Метод и алгоритм обнаружения, определения направления и местоположения прямолинейных сегментов границ пространственно ориентированным фильтром, и оценка координат их начальных и конечных точек.

2. Метод и алгоритм формирования структур для описания объектов на изображениях, на основе точек пересечения линий.

3. Результаты исследования характеристик предложенных алгоритмов на шумовых моделях и выделения объектов на реальных изображениях, полученных от системы аэрофотосъемки, от спутниковой системы наблюдения и радиолокатора с синтезированной апертурой.

Достоверность результатов исследования. Подтверждается компьютерным экспериментом на шаблонных изображениях с известными шумовыми характеристиками и на реальных изображениях, полученых от радиотехнических систем.

Внедрение результатов диссертации. Результаты диссертационных исследований, в части применения разработанного метода построения геометрических признаков для выделения объектов на цифровых изображениях, были использованы при построении комплексной системы защиты наземной техники в ходе выполнения НИР «Бронепоезд-2» в ОАО «ВНИИТрансмаш».

Апробация работы. Основные научные результаты диссертационной работы были доложены и обсуждались на научно-технических конференциях: «IEEE East-West Design&Test Symposium (EWDTS'10)» (St. Petersburg, Russia, 2010) — 63 научно-техническая конференция профессорско-преподавательского состава научных сотрудников и аспирантов СПбГУТ (СПб, 2011) — Первая международная научно-техническая и научно-методическая конференция СПбГУТ (СПб, 2012) — вторая международная научно-техническая и научно-методическая конференция, СПбГУТ (СПб, 2013).

Публикации. По материалам диссертации опубликовано 10 печатных научных работ, из них две статьи опубликованы в рецензируемом научном издании из перечня ВАК Минобрнауки России и зарегистрированная программа для ЭВМ.

Личный вклад автора. Все результаты диссертационной работы получены автором самостоятельно.

Структура и объем диссертации

Диссертация состоит из введения, четырёх глав, заключения, списка литературы из 67 наименований, приложения. Объем диссертации составляет 112 страниц, включая 36 рисунков и 1 таблицу.

Основные результаты данной работы сводятся к следующим положениям:

1. Предложен новый метод и алгоритм выделения прямолинейных сегментов границ на цифровых изображениях, работающей при более низких отношениях сигнал/шум в сравнении с существующим детектором Рендела, и позволяющий получить точки пересечения линий. Алгоритм упорядочивает линии по величине накопленного градиента и дает информацию о знаке градиента для каждой линии.

2. Предложен новый метод и алгоритм группирования линий в структуры, дающий новое описание объектов на изображениях с использованием выделенных линий, основанный на поиске пересечений линий с учетом их угловой ориентации и сдвига по отношению к другим линиям.

3. Представлены результаты экспериментальных исследований и оценки качества выделения объектов с применением разработанного метода выделения прямолинейных сегментов границ и описания объектов на основе линий на цифровых тестовых, и реальных изображениях. Показано, что совместная работа двух алгоритмов позволяют находить идентичные объекты на изображениях, полученных от разных источников и имеющих различный масштаб.

Дальнейшее сравнение изображений требует установления геометрических отношений уже между выделенными структурами. Требуется решить, по крайней мере, еще две важные задачи. Первая — вычисление параметров выделенных структур, т. е. координат их центров, ориентации, размеров. Вторая — вычисление геометрических соотношений, между структурами, которые были бы инвариантны к изменениям масштаба, сдвига и ориентации всего изображения.

ЗАКЛЮЧЕНИЕ

.

В представленной диссертационной работе была рассмотрена задача выделения на изображениях объектов содержащих прямолинейные границы.

Показать весь текст

Список литературы

  1. Г. И., Цибулькин Л. М. Голографические распознающие устройства. — М.: Радио и связь, 1985. — С. 312.
  2. С.Ю., Визильтер Ю. В. Перспективы интеллектуализации систем управления летательными аппаратами за счёт применения технологий машинного зрения // труды МФТИ, Том 1 2009. — № 4. — С. 169−170. *
  3. С.Ю., Визильтер Ю. В. Там же. С. 170−173.
  4. С.Ю., Визильтер Ю. В. Проблемы технического зрения в современных авиационных системах // Техническое зрение в системах управления мобильными объектами. М., 2011 — С. 11−19.
  5. И. В. Эффективные способы и средства описания изображений в задачах распознавания образов: дис. канд. тех. наук, М., 2006. С. 9−26.
  6. В.Л. Биокибернетические оптико-электронные устройства автоматического распознавания изображений. М., Машиностроение, 1987. — С. 176.
  7. Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов. М., Радио и связь, 1987. — 400 с.
  8. А. В. Выделение прямолинейных кромок на зашумленных изображениях / А. В. Онешко, В. Ю. Волков, Л. С. Турнецкий // Информационно-управляющие системы. 2011. — Вып. 4 (53). — С. 13−17.
  9. А. В. Описание и выделение объектов на изображениях с использованием прямолинейных сегментов. / А. В. Онешко, В. Ю. Волков, Л. С. Турнецкий // Информационно-управляющие системы. 2012. — Вып. 5 (60). -С. 7−13.
  10. А. В. Анализ возможности описания структур объектов на изображениях с использованием линейных сегментов. / Онешко А. В., Волков В. Ю. // Актуальные проблемы защиты и безопасности: труды пятнадцатой
  11. Всероссийской научно-практической конференции, том 4 СПБ., 2012. — С. 234 236.
  12. А. А. Методы и алгоритмы обработки и выделения структурных элементов полутоновых изображений на основе преобразования Хафа: дис. канд. тех. наук. Муром, 2001. С. 11−16.
  13. Ю.П. Морфологический анализ изображений // Доклад АН СССР. 1983. — Т. 269, № 5. — С. 1061−1064.
  14. Ю.П. Задачи морфологического анализа изображений // Сб. «Математические методы исследования природных ресурсов Земли из Космоса». М., Наука, 1984. С. 41−83.
  15. Л. П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику. М., Радио и связь, 1987. — С. 296.
  16. Bergevin R., Bernier J.-F. Detection of unexpected multi-part objects from segmented contour maps//Pattern Recognition. Nov. 2009. Vol. 42. Iss. 11. P. 2403−2420.
  17. Bernstein E. J., Amit Y. Part-Based Statistical Models for Object Classification and Detection: Proc. CVPR. 2005. P. 1−7.
  18. Burns J., Hanson A., Riseman E. Extracting straight lines // IEEE Trans. On Patt. Analysis and Machine Intel. 1986. — V. 8, № 4.
  19. Canny J. A computational approach to edge detection // IEEE Trans. Pattern Anal. Mach. Intell. 1986. — № 8. — P. 679−698.
  20. Cao F., Mus. e P., Sur F. Extracting Meaningful Curves from Images // J. of Mathematical Imaging and Vision 22: P. 159−181. 2005.
  21. Davies E.R. Machine Vision: Theory, Algorithms, Practicalities // Academic Press., 2-nd Edition. San Diego, 1997. — P. 750.
  22. Duda R.O., Hart P.E. Use of the Hough transformation to detect lines and curves in pictures // Comm. ACM. 1972. — 15, 11−15. — P. 11−15.
  23. Ettarid M., Rouchdi M., Labouab L. Automatic extraction of buildings from high resolution satellite images. 2008. — Vol. XXXVII, VIII, — P. 61−65.
  24. Fu Z., Sun Z. An algorithm of straight line features matching on aerial imagery Arch. Photogrammetry. 2008. — Vol. XXXVII. Pt. B3b. — P. 97−102.
  25. Goto T., Magnenat-Thalmann N. Facial Feature Extraction for Quick 3-D Face Modeling // Signal Processing: Image Communication. Vol. 17, 2002. — P. 243 259.
  26. Grimson W.E.L. Object Recognition by Computer: The Role of Geometric Constraints. MIT Press., 1990.
  27. Gruen A., Baltsavias E. Geometrically constrained multiphoto matching // PERS. 1988.-V. 5.
  28. Gruen A., Baltsavias E. Adaptive least squares correlation with geometrical constraints // SPIE. 1985. — V. 595.
  29. Gurevich I. B., Yashina V. V. Descriptive Image Algebras with One Ring // Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications. 2003. — Vol. 13, No.4. -P. 579−599.
  30. Haralick R.M., Chu Y.H. Solving camera parameters from the perspective projection of a parameterized curve // Pattern Recogn. Lett. 1984. — N. 17(6). — P. 637−695.
  31. Harris C., Stephens M. A combined corner and edge detector // Proc. 4th Alvey Vis Conf, 147—151, 1988.
  32. Horaud R., Veillon F., Skordas T. Finding geometric and relational structures in an image // First European Conf. Computer Vision, France, Apr. 23−27, 1990. P. 374−384.
  33. Hough P.V.C. Methods and Means for Recognizing Complex Patterns. -U.S., Patent 3 069 654, 1962.
  34. LSD: a Line Segment Detector. URL: http://www.ipol.im/pub/demo/gjmrlinesegmentdetector/ (дата обращения: 29.04.2013).
  35. Jin X., Davis C.H. Automated building extraction from high-resolution satellite imagery in urban areas using structural, contextual, and spectral information // EURASIP J. on Applied Signal Processing. 2005 Vol. 14. P. 2196 2206.
  36. Kim S. K. Efficient algorithms to extract geometric features of edge images: Proc. IPCV'10. Las Vegas, Nevada, USA, 2010. Vol. II. P. 519−525.
  37. Kithen L., Rosenfeld A. Gray-level corner detection // Pattern Recogn. Lett. 1982. -№ 1. — P. 95−102.
  38. Lavigne D.A., Saeedi P., Dlugan A., Goldstein N., Zwick H. Automatic building detection and 3D shape recovery from single monocular electro-optic imagery // SPIE Defence&Security Symp., Florida USA, 2007.
  39. Liu D. H., Lam К. M., Shen L. S. Illumination invariant face recognition. Pattern Recognition, Vol. 38,2005, P. 1705−1716.
  40. Li Yi, Shapiro L. G. Consistent Line Clusters for Building Recognition in CBIR: Proc. IPCR. 2002. P. 1−5.
  41. Manjunath B.S., Shelhar C. A New Approach to Image Feature Detection with Applications, Pattern Recognition, Vol. 29, No. 4,1996, P. 627−640.
  42. Marr D., Hildreth E. Theory of edge detection // Proc. R. Soc. (London). -1980.-B. 207.-P. 187−217.
  43. Medioni G., Nevatia R. Matching images using linear features//IEEE Trans. 1984. Vol. PAMI-6. P. 675−685.
  44. Mikolajczyk K., Schmid C. A Performance Evaluation of Local Descriptors // IEEE Trans. 2005. Vol. PAMI-27. N 10. P. 1615−1630Kim S. K"
  45. Mikolajczyk K, Zisserman A., Schmid C. Shape recognition with edge-based features: Proc. Brit. Mach. Vision Conf., Norwich UK, Sept. 9−11, 2003. — P.779.788.
  46. Moreels P., Perona P. Evaluation of features detectors and descriptors based on 3D Objects//J. of Computer Vision. July 2007. Vol. 73. N 3. P. 263−284.
  47. Mumford D. The problem of robust shape descriptors // Proc. First Int’l. Conf. Computer Vision. 1987. — P. 602−606.
  48. H. 0., Al-Khayatt S., Mohamed S. M., Mahmoud M. Fast Robust Fingerint Feature Extraction and Classification: Journal of Intelligent and Robotic Systems, Vol. 40, 2004, P. 103−112.
  49. Oneshko A., Volkov V., Germer R., Oralov D. Straight Edge Extraction and Localization on Noisy Images: Proc. IEEE East-West Design&Test Symposium (EWDTS'10). Sept 17−20, St. Petersburg, Russia, 2010. P. 267−270.
  50. Pavlidis T. Algorithms for Graphics and Image Processing // Computer Science Press, Rockville, MD, 1982.
  51. Pinker S. Visual Cognition: An Introduction, Visual Cognition, A cognition special issue. Netherlands, 1988. — P. 1−65.
  52. Schenk. Automatic Generation of DEM’s, Digital Photogrammetry: An Addentum to the Manual of Photogrammetry // American Society for Photogrammetry & Remote Sensing. 1996.
  53. Seeger U., Seeger R. Fast corner detection in grey-level images // Pattern Recogn. Lett. 1994. — № 15(7). — P. 669−675.
  54. Serra J. Introduction to mathematical morphology // Computer Vision, Graphics and Image Processing. 1986. — V. 35, № 3.
  55. Shao J., Mohr R., Fraser C. Multi-image matching using segment features- Int. Arch. of Photogrammetry and Remote Sensing. Amsterdam, 2000. Vol. XXXIII. Pt. B3. P. 837−844.
  56. Sohn G., Dowman I.J. Extraction of buildings from high resolution satellite data // Autom. Extract, of Man-Made Objects from Aerial and Space Images (III), Sweets&Zeitlinger, 2001. P. 345—355.
  57. Srinivasan P., Wang L., Shi J. Grouping Contours via a Related Image // IEEE Conf. Computer Vision and Pattern Recognition (CVPR). 2010. — P. 17−36.
  58. Tamminen T., Lampinen J. Learning an Object Model for Feature Matching in Clutter. Proceedings of the 13th Scandinavian Conference on Image Analysis (SCIA2003), Sweden, June 29 -July 2,2003, Springer, P. 193−199.
  59. Theng L. B. Automatic building extraction from satellite imagery//Engineering Letters. Nov. 2006. 13:3, P. 1−5.
  60. Tretiak E., Barinova O., Kohli P., Lempitsky V. Geometric image parsing in man-made environment // Comp. Vision. 2011.
  61. Tuytelaars T., Mikolajczyk K. Local Invariant Feature Detectors: A Survey // Computer Graphics and Vision. 2007. Vol. 3. N 3. P. 177−280.
  62. Von Gioi R. Grompone, Jakubovich J., Morel J-M., Randall G. LSD: A Line Segment Detector // IEEE Trans. 2010. -Vol. PAMI-32. N 4. — P. 722−732
  63. Xue Z., Li S.Z., Teoh E.K. Bayesian Shape Model for Facial Feature Extraction and Recognition, Pattern Recognition, Vol. 36,2003, P. 2819 2833.
  64. Zhao Y., Chen Y. Q. Connected Equi-Length Line Segments for Curve and Structure Matching // J. Pattern Rec. and Artificial Intel. 2004. Vol. 18. P. 1019— 1037.
Заполнить форму текущей работой

Сессия? Спокойно!