Помощь в написании студенческих работ
Антистрессовый сервис

Разработка и исследование алгоритмов первичного анализа и схем индексации изображений в визуальных информационных системах

Диссертация: Разработка и исследование алгоритмов первичного анализа и схем индексации изображений в визуальных информационных системах
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В настоящее время в литературе предложено множество различных визуальных характеристик, используемых для построения индексов изображений. Часть характеристик заимствуется из теории распознавания образов. Для вычисления визуальных характеристик изображений используются статистические методы, методы вычисления информационных характеристик, пространственно-частотные и геометрические методы… Читать ещё >

Разработка и исследование алгоритмов первичного анализа и схем индексации изображений в визуальных информационных системах (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. Актуальность, новизна и направление исследования
  • 2. Краткое содержание работы
  • 1. Системы индексации, хранения и поиска изображений
    • 1. 1. Визуальные информационные системы
    • 1. 2. Представление изображений
      • 1. 2. 1. Модель изображения
      • 1. 2. 2. Визуальные характеристики изображений
    • 1. 3. Поиск изображений
      • 1. 3. 1. Понятие поиска изображений
      • 1. 3. 2. Типы поиска изображений по визуальным индексам
      • 1. 3. 3. Методы поиска по визуальным индексам
      • 1. 3. 4. Многомерные индексные структуры
    • 1. 4. Виды визуальных запросов
    • 1. 5. Типовая архитектура систем индексации, хранения и поиска изображений
    • 1. 6. Классификация систем индексации, хранения и поиска изображений
    • 1. 7. Критерии оценки эффективности систем индексации, хранения и поиска изображений
    • 1. 8. Выводы
  • 2. Схема индексирования и поиска изображений на основе интегральных одномерных визуальных индексов
    • 2. 1. Метод многомасштабного позиционного разделения изображений
      • 2. 1. 1. Структура преобразований
      • 2. 1. 2. Масштабирование изображения
      • 2. 1. 3. Разделение на кадры
      • 2. 1. 4. Ограничение количества кадров
    • 2. 2. Способ построения индексов изображений на основе ранжированных визуальных характеристик
      • 2. 2. 1. Формирование интегральных одномерных индексов
      • 2. 2. 2. Иерархическая организация интегральных одномерных индексов
      • 2. 2. 3. Поиск изображений в иерархической структуре интегральных одномерных индексов
    • 2. 3. Метод построения интегральных одномерных индексов изображений на основе Wavelet-paзлoжeния
      • 2. 3. 1. Структура преобразований
      • 2. 3. 2. Wavelet-paзлoжeниe изображений
      • 2. 3. 3. Метрические характеристики Wavelet-кoэффициeнтoв изображений
      • 2. 3. 4. Квантование метрических характеристик Wavelet-кoэффициeнтoв изображений
    • 2. 4. Метод построения интегральных одномерных индексов изображений на основе доминирующих цветов
      • 2. 4. 1. Структура преобразований
      • 2. 4. 2. Выбор основных цветов
      • 2. 4. 3. Квантование цветов изображения
    • 2. 5. Выводы
  • 3. Анализ эффективности систем индексации, хранения и поиска изображений
    • 3. 1. Методика оценки точности поиска в системах индексации, хранения и поиска изображений
    • 3. 2. Анализ точности поиска изображений комплексов дистанционного мониторинга по интегральным одномерным визуальным индексам
      • 3. 2. 1. Тестовое множество изображений комплексов дистанционного мониторинга
      • 3. 2. 2. Точность поиска изображений комплексов дистанционного мониторинга
    • 3. 3. Анализ точности поиска изображений различных классов (WWW) по интегральным одномерным визуальным индексам
      • 3. 3. 1. Тестовое множество изображений различных классов (WWW)
      • 3. 3. 2. Точность поиска изображений различных классов (WWW)
    • 3. 4. Анализ статистической кластеризации изображений по интегральным одномерным визуальным индексам
      • 3. 4. 1. Статистическая кластеризация изображений по интегральным одномерным визуальным индексам на основе Wavelet-разложения
      • 3. 4. 2. Статистическая кластеризация изображений по интегральным одномерным визуальным индексам на основе доминирующих цветов
    • 3. 5. Выводы
  • 4. Программный комплекс индексации, хранения и поиска изображений
    • 4. 1. Архитектура программного комплекса индексации, хранения и поиска изображений
    • 4. 2. Источник визуальной информации
    • 4. 3. Подсистема индексирования изображений
      • 4. 3. 1. Диаграмма потоков данных подсистемы индексирования изображений
      • 4. 3. 2. Описание потоков данных подсистемы индексирования изображений
      • 4. 3. 3. Спецификации процессов подсистемы индексирования изображений
    • 4. 4. Подсистема поиска изображений
      • 4. 4. 1. Диаграммы потоков данных подсистемы поиска изображений
      • 4. 4. 2. Описание потоков данных подсистемы поиска изображений
      • 4. 4. 3. Спецификации процессов подсистемы поиска изображений по визуальным индексам
      • 4. 4. 4. Спецификации процессов подсистемы просмотра
  • V. изображений
    • 4. 4. 5. Спецификации процессов подсистемы структурированного просмотра изображений
    • 4. 5. Выводы

1. Актуальность, новизна и направление исследования.

Актуальность.

С появлением новых приложений средств управления визуальной информацией, таких как экологический мониторинг, дистанционное зондирование природных ресурсов Земли, воздушная разведка, системы связи, обработка географических данных, картография, обработка и архивация медицинских данных, интерактивное машинное проектирование, робототехника, автоматизация офисов, проблема эффективного хранения и гибкого поиска визуальной информации становится все более актуальной [1−16].

В настоящее время активно исследуется проблема поиска изображений по визуальным характеристикам (цвет, текстура, форма) [1−4]. Визуальные характеристики определяются методами первичного анализа и обработки изображений или формируются вручную экспертами предметной области. На основе визуальных характеристик вычисляются индексы изображений. В общем случае визуальный индекс является подмножеством множества физических и семантических визуальных характеристик изображения и представляется в виде вектора. Поиск изображений выполняется по визуальным индексам, при этом визуальное сходство изображений отождествляется с понятием меры сходства индексов изображений (например, евклидова мера).

Наиболее актуальными задачами [1−4, 17−20], связанными с созданием систем индексации, хранения и поиска изображений, являются: восприятие изображений, описание изображений (физические и семантические визуальные характеристики), сегментация изображений, поиск изображений по визуальным индексам, описание визуальных запросов, анализ эффективности алгоритмов первичной обработки и схем индексирования изображений.

К таким системам обычно предъявляются следующие требования:

— уменьшение объема хранимой визуальной информации;

— эффективная организация хранения изображений в базе данных;

— наличие развитой системы запросов визуальной информации;

— обеспечение устойчивости визуальных индексов к деформациям и искажающим факторам изображений;

— повышение качества визуального поиска;

— уменьшение времени доступа к визуальной информации.

В известных системах индексации, хранения и поиска изображений можно выделить ряд проблем, которые решаются в данной работе.

В настоящее время в литературе предложено множество различных визуальных характеристик, используемых для построения индексов изображений [1−4, 19, 21−31]. Часть характеристик заимствуется из теории распознавания образов [32−38]. Для вычисления визуальных характеристик изображений используются статистические методы, методы вычисления информационных характеристик, пространственно-частотные и геометрические методы преобразования изображений. [1−4, 19, 21−50]. На этапе первичной обработки применяются методы сегментации, методы улучшения качества и препарирования изображений [39, 46]. К основным недостаткам визуальных характеристик в системах индексации и поиска изображений [1−4] можно отнести следующие:

— не отражают визуальное сходство изображений — для визуально схожих изображений не принимают близкие значения;

— не устойчивы к искажающим факторам изображений: смещение, масштабирование, поворот, зашумление, расфокуссировка, изменение яркости и контрастности и т. д;

— являются узкоспециализированными характеристиками, ориентированными на определенный класс изображений;

— алгоритм вычисления характеристик достаточно сложен и требует больших затрат машинного времени;

— определение характеристик требует привлечения экспертов предметной области.

Одной из основных функций исследуемых систем является поиск изображений по визуальным индексам. При этом поиск осуществляется в многомерном пространстве индексов (векторов визуальных характеристик). Актуальными являются задачи поиска по совпадению, по интервалу, по сходству [51, 52]. В информационных системах обычно используются последовательный поиск, хеширование и дихотомический поиск [51−53]. Однако в системах индексирования, хранения и поиска изображений хеширование обычно не используется, так как поддерживает только один тип поиска — точный поиск. Методы последовательного и дихотомического поиска поддерживают все три основных типа поиска изображений. В последовательном методе поиска для всех изображений базы данных вычисляется количественная мера сходства (например, евклидово расстояние). Недостатком последовательного метода поиска является низкая скорость поиска, пропорциональная размеру базы данных изображений. Дихотомический поиск состоит в последовательном уменьшении размера области поиска примерно в два раза после каждой проверки. Это достигается при использовании деревьев [51, 52]. В основе древовидных индексных структур, предназначенных для управления многомерной информацией, лежит разделение многомерного пространства визуальных индексов (векторов визуальных характеристик) на многомерные интервалы, которые сохраняются в узлах дерева [54−57]. В качестве многомерных индексных структур обычно используются Я-деревья, Р-деревья, 85-деревья и БЯ-деревья. Эти структуры отличаются друг от друга способом разделения пространства визуальных характеристик при формировании многомерных интервалов, представляющих узлы дерева. Многомерные интервалы, соответствующие соседним узлам дерева, могут перекрываться. В результате этого эффективность поиска снижается, так как существует несколько способов доступа к целевой информации (листьям дерева). При большой размерности визуальных индексов время поиска приближается к времени последовательного просмотра всех объектов визуальной базы данных. Основными недостатками использования многомерных индексных структур при организации поиска являются: экспоненциальная зависимость времени поиска от размерности визуальных индексов, необходимость выделения памяти для размещения индексных структур (деревьев), сложность реализации многомерных индексных структур.

Таким образом, технологии, используемые для реализации функций просмотра, индексирования, хранения и поиска изображений, всё еще недостаточно развиты и не удовлетворяют требованиям большинства практических приложений. Предмет исследования.

Предметом исследования является схема индексации и поиска изображений по визуальным характеристикам (цвет, текстура, форма) в визуальных информационных системах [1−4]. В англоязычной литературе для данной области исследования используется термин «Content-Based Image Retrieval» [2−4, 6−12, 14−18, 22−25].

Цель работы и задачи исследований.

Целью исследования является разработка методов и алгоритмов первичной обработки и анализа изображений, обеспечивающих построение визуальных индексов, наиболее эффективно отражающих визуальное сходство изображенийразработка методов поиска изображений по визуальным индексам, эффективных по времени доступа к информации.

Для достижения цели диссертационной работы поставлены и решены следующие задачи: исследование и классификация методов первичного анализа и обработки изображений, методов поиска и типов запросов изображений в визуальных информационных системахразработка методов построения эффективных визуальных индексов изображений;

— разработка метода поиска изображений по визуальным индексам, эффективного по времени доступа к информацииразработка частных алгоритмов и моделей (преобразование и обработка изображений, статистический, Wavelet-aнaлиз, анализ информационных характеристик изображений) — разработка архитектуры системы индексирования, хранения и поиска изображений и ее программная реализация. Методы исследования.

В теоретических исследованиях использованы методы цифровой обработки изображений [39−45], математической статистики [58, 59], анализа информационных характеристик [1, 59], А^ауе1е1-анализа [13, 60]. Для формализации моделей использован теоретико-множественный подход общей теории систем [71]. Разработка и описание программного комплекса индексации, хранения и поиска изображений производились средствами структурного системного анализа [72]. Экспериментальные исследования проводились методом компьютерного моделирования. Оценка эффективности результатов визуального поиска проведена методами математической статистики и обработки данных. Научная новизна.

В работе получены следующие новые научные результаты:

— разработан метод многомасштабного позиционного разделения изображений, который обеспечивает эффективный поиск фрагментов изображений вне зависимости от их масштаба и положения;

— предложен способ построения индексов изображений на основе ранжированных визуальных характеристик, позволяющих применить эффективные алгоритмы поиска;

— разработаны методы построения интегральных одномерных индексов изображений на основе ХУауеЫ-разложения и доминирующих цветов, обеспечивающих более высокую точность визуального поиска по сравнению с известными методами;

— разработана методика оценки точности поиска в системах индексации, хранения и поиска изображений.

Практическая ценность.

Практическая ценность диссертационной работы заключается в следующем:

— предложена классификация визуальных характеристик изображений, типов и методов поиска изображений по визуальным индексам, видов визуальных запросов изображений;

— разработан эффективный метод индексирования изображений на основе Wavelet-анализа;

— определены наиболее эффективные визуальные индексы для сисгем индексации, хранения и поиска изображений в комплексах дистанционного мониторинга;

— разработан программный комплекс индексации, хранения и поиска изображений, являющийся инструментальной средой для исследования эффективности методов первичного анализа и обработки изображении и методов формирования визуальных индексов.

Реализация и внедрение результатов исследований.

Основные результаты работы использованы при разработке комплекса программных средств первичной обработки фоноцелевой информации с информационно-программным обеспечением АРМ комплекса «ТИПЧАК» и системы автоматизации документирования компьютерных экспериментов на модели системы передачи изображений в ФГУП «КБ «Луч» (г.Рыбинск), а также в учебном процессе кафедры МПО ЭВС РГАТА им. П. А. Соловьева при обучении студентов по специальности 220 400 Программное обеспечение вычислительной техники и автоматизированных систем.

Апробация.

Основные научные положения и результаты диссертационной работы докладывались и обсуждались на III Всероссийской научно-технической конференции «Информационные технологии в науке, проектировании и производстве» (Нижний Новгород, 2001), на конференции молодых ученых (Рыбинск, 2001), на Всероссийской научно-технической конференции «Аэрокосмические технологии и образование на рубеже веков» (Рыбинск,.

2002), на семинарах ФГУП «КБ «Луч» (Рыбинск), на заседаниях кафедры МПО ЭВС Рыбинской государственной авиационной технологической академии.

Публикации.

Основной материал диссертации опубликован в 8 печатных работах.

Структура и объем диссертации

.

Диссертация состоит из введения, четырех разделов с выводами по каждому из них, заключения, списка литературы и приложений. Содержит 148 страниц основного текста, 53 рисунка, 11 таблиц, список литературы из 101 наименования и 5 приложений на 12 страницах.

4.5. Выводы.

Разработан программный комплекс индексации, хранения и поиска изображений. Результаты, полученные в четвертой главе, сводятся к следующему: 1. Разработана архитектура программного комплекса индексации, хранения и поиска изображений, включающая следующие подсистемы: источник визуальной информации, индексирование изображений, поиск изображений. Архитектура программного комплекса отличается от типовой и включает дополнительные инструменты взаимодействия с источником визуальной информации, инструменты анализа эффективности используемой схемы индексирования и поиска изображений.

2. Источник визуальной информации — программный комплекс организации и управления тестированием процесса первичной обработки фоноцелевой информации выполняет функции сжатия изображений, наложения помехи, коррекции помехи, восстановления и анализа изображения.

3. В подсистеме индексирования изображений программного комплекса реализована схема индексирования на основе интегральных одномерных визуальных индексов. Подсистема индексирования осуществляет первичный анализ и обработку изображений, вычисление метрических визуальных характеристик и визуальных индексов изображений, сжатие и сохранение изображений в хранилище информации, сохранение дополнительной информации от источника в хранилище информации.

4. Программный комплекс предоставляет пользователю инструменты анализа визуальных характеристик изображений (статистический, информационный, Wavelet-aнaлиз).

5. Программный комплекс предоставляет пользователю широкий набор инструментов поиска и доступа к визуальной информации:

— поиск изображений визуальной базы данных по дополнительной информации от источника (семантическим характеристикам),.

— поиск изображений по визуальным характеристикам (цвет, текстура, форма),.

— просмотр иерархической классификации изображений по визуальным индексам.

Программный комплекс позволяет реализовать поиск изображений при использовании простых и сложных визуальных запросов (на основе нескольких визуальных индексов). При этом поиск осуществляется как по исходным изображениям визуальной базы данных, так и по фрагментам изображений вне зависимости от их масштаба и положения на изображениях.

6. Программный комплекс предоставляет пользователю удобные инструменты анализа эффективности поиска изображений в интерактивном и автоматическом режимах.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе исследованы системы индексации, хранения и поиска изображений. Выполнена постановка задачи организации и поиска изображений по визуальным характеристикам (цвет, текстура, форма). Проанализированы методы первичного анализа и обработки изображений, методы построения визуальных индексов, методы поиска изображений по визуальным индексам. Определены достоинства и недостатки визуальных характеристик изображений, используемых при построении индексов изображений. Разработана классификация визуальных характеристик изображений, типов и методов поиска изображений по визуальным индексам, видов визуальных запросов. Предложены признаки классификации систем такого типа. Выявлены основные проблемы, возникающие при создании систем индексации, хранения и поиска изображений, включающие определение эффективных визуальных индексов, методы быстрого поиска изображений по визуальным индексам, критерии оценки эффективности систем.

В результате исследований получены новые теоретические результаты:

— разработан метод многомасштабного позиционного разделения изображения, повышающий эффективность систем индексации, хранения и поиска изображений, что обеспечивает поиск фрагментов изображений вне зависимости от их масштаба и положения;

— для уменьшения времени поиска изображений по визуальным индексам предложен способ построения индексов изображений на основе ранжированных визуальных характеристик. Сформированные интегральные одномерные индексы организованы в иерархическую структуру — бинарное дерево, позволяющую использовать эффективные методы поиска изображений по визуальным индексам и достичь времени поиска * =Оёр М, где Мколичество изображений базы данных,/? — порядок бинарного дерева.

— разработаны методы построения интегральных одномерных визуальных индексов на основе Wavelet-paзлoжeния и доминирующих цветов, обеспечивающие эффективную организацию и поиск изображений в визуальной базе данных. При этом визуальные индексы отражают наиболее важные визуальные характеристики (цвет, текстура, форма). — разработана методика оценки точности поиска в системах индексации, хранения и поиска изображений, специализированная для задач поиска изображений.

Проведено исследование эффективности схемы индексирования и поиска изображений на основе интегральных одномерных визуальных индексов по критерию точности поиска в соответствии с разработанной методикой. Полученные результаты позволяют сделать вывод о том, что разработанные методы формирования интегральных одномерных визуальных индексов на основе Wavelet-разложения и доминирующих цветов обеспечивают высокие показатели точности (Р ~ 0.75), превышающие известные методы индексации и поиска изображений. Для комплексов дистанционного мониторинга эффективным является построение системы индексации, хранения и поиска изображений при применении интегральных одномерных визуальных индексов на основе Wavelet-разложения и информационных мер: Wavelet+NPIM, Wavelet+LIM. Для изображений различных классов (WWW) наиболее эффективным является применение сложных визуальных запросов при совместном использовании визуальных индексов на основе Wavelet-разложения и доминирующих цветов, представляющих наиболее важные визуальные характеристики изображений (текстура, форма, цвет).

Анализ статистической кластеризации изображений по интегральным одномерным визуальным индексам на основе Wavelet-разложения и доминирующих цветов показал, что разработанные визуальные индексы позволяют определить категории изображений. При этом индексы изображений на основе Wavelet-разложения и доминирующих цветов обеспечивают организацию изображений визуальной базы данных по семантически значимым категориямклассам изображений, что является показателем эффективности использования данных визуальных индексов при поиске изображений.

Разработан программный комплекс индексации, хранения и поиска изображений, реализующий эффективную схему индексирования изображений на основе интегральных одномерных визуальных индексов и предоставляющий пользователю удобные инструменты анализа визуальных характеристик изображений, поиска и доступа к визуальной информации, анализа эффективности используемой схемы индексирования и поиска изображений. Программный комплекс внедрен в ФГУП «КБ «Луч» г. Рыбинск при разработке комплекса программных средств первичной обработки фоноцелевой информации с информационно-программным обеспечением АРМ комплекса «ТИПЧАК» и системы автоматизации документирования компьютерных экспериментов на модели системы передачи изображений.

Таким образом, полученные результаты позволяют сделать вывод о том, что разработанные метод многомасштабного позиционного разделения изображения, методы формирования интегральных одномерных визуальных индексов изображений, структуры организации индексов для быстрого поиска обеспечивают достижение конечной цели диссертационной работы — создание эффективной системы индексации, хранения и поиска изображений.

Показать весь текст

Список литературы

  1. Чен Ш.-К. Принципы проектирование систем визуальной информации. -М.:Мир, 1994.- 430 с.
  2. Yong Rui, Thomas S. Huang. Image Retrieval: Current Techniques, Promising Directions, and Open Issues // Journal of Visual Communication and Image Representation, 1999. v. 10. — p. 12−29.
  3. F. Idris, S. Panchanathan. Review of Image and Video Indexing Techniques // Journal of Visual Communication and Image Representation, 1997. v.8. — p.53−73.
  4. Marc Gimpel, Laure Parigot, Isabel Yurrita. Image Indexing // Multimedia Communications, 1998. p. 50−72.
  5. N.-Y. Chen, H.-T. Wang, M.-M. Ling. Ortographic Correction of Airborne Scanner Imagery for Mountainous Areas// Proceeding of the Third International Airborne Remote Sensing Conference and Exhibition. Denmark, 1997. — v. I, v.II. -p.334−338.
  6. N.J. Jewel, N.W. Campbel, B.T. Thomas. Hierarchically searching the Web for images// Multimedia Communications, 1998. -p.24−30.
  7. Stan Sclaroff. World Wide Web Image Search Engines// NSF Workshop on Visual Information Management, 1995. p. 110−115.
  8. John R. Smith, Shih-Fu Chang. Searching for Images and Videos on the WorldWide Web// Multimedia Communications, 1996. p.44−47.
  9. Theo Gevers, Frank Aldersho, Peter Vreman, Arnold W.M. Smeulders. Retrieving and Localizing Objects in Images on the WWW // Vision Interface '99.
  10. Shih-Fu Chang, John R. Smith, Horace J. Meng, Hualu Wang, Di Zhong. Finding Images/Video in Large Archives// Multimedia Communications, 1996. p.53−56.
  11. Carlo Tomasi, Leonidas J. Guibas. Image Descriptions for Browsing and Retrieval // Image Understanding, 1994. p. 150−155.
  12. T. Gevers, A. W.M. Smeulders. Indexing of Images by Pictorial Information// Image Understanding, 1991. p. 13 8−142.
  13. Э., ДеРоуз Т., Салезин Д. Вейвлеты в компьтерной графике. М, 2002. — 340 с.
  14. David A. Forsythl, Jitendra Malikl, Margaret M. Fleck, Hayit Greenspan.
  15. Finding Pictures of Objects in Large Collections of Images // Multimedia
  16. Communications, 1996.-p.l 18−125.
  17. Kenneth W. Tobin, Thomas P. Karnowski, Regina K. Ferrell. Image Retrieval in the Industrial Environment // Journal of Visual Communication and Image Representation, 1999.-p. 34−48.
  18. Shih-Fu Chang, John R. Smith, Mandis Beigi, Ana Benitez-. Visual Information Retrieval from Large Distributed On-line Repositories // Multimedia
  19. Communications, 1998.-p.27−35.
  20. John R. Smith. Image retrieval evaluating // IEEE Workshop on Content-based Access of Image and Video Libraries, 1998. p. l 15−121.
  21. Vincenzo Di Lecce, Andrea Guerriero. An Evaluation of the Effectiveness of Image Features for Image Retrieval // Journal of Visual Communication and Image Representation, 1999. v. 10. — p.72−76.
  22. Д. Зрение. М.:Радио и связь, 1987. — 350 с.
  23. Д.Дж. Роль моделей зрения в обработке изображений // ТИИЭР, 1981. -т.69. -№ 5.-112−130 с.
  24. P.M. Статистический и структурный подходы к описанию текстур // ТИИЭР, 1979. т.67. — № 5. — 39−44 с.
  25. C.R. Shyu, С.Е. Brodley, А. С. Как, A. Kosaka, A. Aisen, L. Broderick. Local versus Global Features for Content-Based Image Retrieval // IEEE, 1998. p.68−75.
  26. Ingemar J. Cox, Joumana Ghosn, Matt L. Miller. Hidden Annotation in Content Based Image Retrieval // Journal of Visual Communication and Image Representation, 1997.-p.l 10−121.
  27. R. Bruneli, O. Mith. On the Use of Histograms for Image Retrieval // Journal of Visual Communication and Image Representation, 1999. p.98−105.
  28. R. Bruneli, O. Mith. Histogram analysis for image retrieval // Journal of Visual Communication and Image Representation, 1997. p.87−93.
  29. Mark A. Hal, Lloyd A. Smith. Practical Feature Subset Selection for Machine Learning // Multimedia Communications, 1997. p.32−37.
  30. Daphne Koler, Mehran Sahami. Toward Optimal Feature Selection // Multimedia ^ Communications, 1996. -p.59−66.
  31. Freek Reinders. Feature Extraction // Journal of Visual Communication and Image Representation, 1997. p.107−120.
  32. Ruggero Milanese, Michel Cherbuliez. A Rotation, Translation, and Scale-Invariant Approach to Content-Based Image Retrieval // Journal of Visual Communacation and Image Representation, 1999. v. 10. — p. 117−131.
  33. Zhou Hong, Chan Syin. Query Expansion by Text and Image Features in Image ^ Retrieval // Journal of Visual Communication and Image Representation, 1998.v.9. p. 91−96.
  34. .В., Курганов В. Д., Злобин B.K. Распознавание и цифровая обработка изображений.- М.:Высшая школа, 1983. 350 с.
  35. А. Распознавание изображений // ТИИЭР, 1981, — т.69. № 5. — 4453 с.
  36. М.М. Проблема узнавания.- М.:Наука, 1967. 210 с.
  37. Я.А., Тарловский Г. Р. Статистическая теория распознавания образов. М.:Радио и связь, 1986. — 190 с.
  38. Горелик A. JL, Скрипкин В. А. Методы распознавания. М.:Высшая школа, 1977.-350 с.
  39. Н.Г. Методы распознавания и их применение. -М. ¡-Советскоерадио, 1972.-290 с.
  40. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.:Мир, 1978. -340 с.
  41. Л.П. Введение в цифровую обработку изображений. М.:Сов. радио, 1979.-320 с.
  42. Л.П. Цифровая обработка изображений в голографии.
  43. М.:Сов. радио, 1980.-260 с.
  44. Е.А., Островский В. И., Фадеев И. Л. Обработка изображений на ЭВМ. М: Радио и связь, 1987. — 238 с.
  45. A.A., Гордиенко В. И., Соловьев В. М., Иванько Я. А. Цифровая обработка сигналов: опыт использования персональных ЭВМ.-Киев:Техника, 1991. 160 с.
  46. Т., Хорикоси X., Сакаути М., Танака X., Сайто Т. Компьютеры на СБИС. М: Мир, 1988. — 390 с.
  47. Применение цифровой обработки сигналов. Под ред. Оппенгейма Э. -М.:Мир, 1980.-150 с.
  48. . Цифровая обработка изображений // ТИИЭР, 1975. т.63. — № 4. — 32- 47 с.
  49. А., Дейвис JI. Сегментация и модели изображений // ТИИЭР, 1979.-т.67.-№ 5.-62−70 с.
  50. А.К. Успехи в области математических моделей для обработки изображений // ТИИЭР, 1981. т.69. — № 5. — 84−91 с.
  51. У.К., Фожра О. Д., Гагалович А. Применение моделей стохастических структур для обработки изображений // ТИИЭР, 1981. т.69. — № 5. — 72−88 с.
  52. Д., Барнсли М. Фрактальное сжатие изображений // Мир ПК, 1992. -№ 4. 43−48 с.
  53. A.C., Кравченко В. Ф. Новый математический аппарат атомарных функций для пространственно временной обработки сигналов // Радиотехника, 1995. № 1−2.
  54. P.E. Сжатие и поиск информации. М.:Радио и связь, 1989. -110 с.
  55. A.A., Подымов В .Я. Методы упорядочивания информации в цифровых системах. М: 1973. — 390 с.
  56. Т. Ассоциативные запоминающие устройства. М.:Мир, 1982. — 350 с.
  57. Leonard Brown, Le Gruenwald. Tree-Based Indexes for Image Data // Journal of Visual Communication and Image Representation, 1998. v.9. — p.51−72.
  58. Adelson E.H., Simoncelli E. Subband. Image Coding with Three-tap Pyramids // MIT Media Laboratory, Picture Coding Symposium, Cambridge, 1990. p.29−40.
  59. Stefan Berchtold, Daniel A. Keim, Hans-Peter Kriegel. The X-tree: An Index Structure for High-Dimensional Data // Multimedia Communications, 1996. -p.78−100.
  60. Stefan Berchtold, Daniel A. Keim, Hans-Peter Kriegel, Thomas Seidl. Fast Nearest Neighbor Search in High-dimensional Space. // Multimedia Communications, 1998.-p.105−112.
  61. И.Н., Филипова A.A. Теория вероятностей и математическая статистика. М: Высшая школа, 1973. — 370 с.
  62. А.Н., Куприянов М. С., Недосекин Д. Д., Чернявский Е. А. Вероятностные методы в инженерных задачах. С.-П.:Энергоатомиздат, 2000.-330 с.
  63. Jawerth В., Sweldens W. An Overview of Wavelet based Multiresolution Analyses // Columbia, University of South Carolina, Department of Mathematics, 1993.-p.270.
  64. Buccigrossi R.W., Simonceli E.P. Progressive Wavelet Image Coding based on a Conditional provability model // Proceedings of the Third International Airborne Remote Sensing Conference and Exhibition, 1997. v.2. — p. 120- 129.
  65. Henrique Malvar. Progressive Wavelet Coding of Images // Multimedia Communications, 1998.-p. 10−19.
  66. Д.С. Алгоритмы сжатия изображений. Методическое пособие. — Киев, 1999.-260 с.
  67. В.Ф., Рвачев B.JI. Wavelet системы и их применение при цифровой обработке сигналов// Зарубежная радиоэлектроника, 1996. № 4. -15−21 с.
  68. Т., Линней А., Спеллер Р. Применение вейвлет-преобразования к обработке медицинских сигналов и изображений// Компьютерра, 1998. № 3. — 34−40 с.
  69. Г., Левкович-Маслюк Л. Мелковолновой анализ // Компьютерра, 1998.-№ 3.-57−63 с.
  70. А. Вейвлеты в компьютерной графике // Компьютерра, 1998. -№ 3.-63−67 с.
  71. Ю. Заметка о вспесках // Компьютерра, 1998. № 3. — 56−58 с.
  72. В. Самоподобие, всплески и квазикристаллы // Компьютерра, 1998. № 3. — 67−73 с.
  73. Левкович-Маслюк JI. Дайджест вейвлет анализа // Компьютерра, 1998. -№ 3.-48−51 с.
  74. Дж. Системология. Автоматизация решения системных задач. -М:Радио и связь, 1990. 540 с.
  75. Г. Н. Структурный системный анализ. М.:Лори, 1996. — 246 с.
  76. A.B., Грызлова Т. П., Шаров В. Г. Некоторые проблемы и методы построения эффективных визуальных информационных систем // Программные продукты и системы. — 2002. № 3. — 11−14 с.
  77. A.B., Грызлова Т. П., Шаров В. Г. Метод многомасштабного позиционного разделения изображений в визуальных информационных системах // Вестник РГАТА Рыбинск: РГАТА, 2002. — 55−65 с.
  78. A.B., Грызлова Т. П., Шаров В. Г. Метод построения визуальных информационных систем // Аэрокосмические технологии и образование на рубеже веков. Всероссийская научно-техническая конференция. Рыбинск, 2002.-21−24 с.
  79. A.B. Применение визуальных информационных систем в комплексах дистанционного мониторинга // Аэрокосмические технологии и образование на рубеже веков. Всероссийская научно-техническая конференция. Рыбинск, 2002. 2 с.
  80. A.B. Статистический и информационный подходы к описанию текстур в визуальных информационных системах // Сборник трудов молодых ученых Рыбинск: РГАТА, 2000. — 4 с.
  81. A.B., Грызлова Т. П. Статистические и информационные признаки изображений в визуальных информационных системах // Информацион-ные технологии в науке, проектирова-нии и производстве. Материалы третьей
  82. Всероссийской научно-технической конференции Нижний Новгород, 2001. -Зс.
  83. А.В. Эффективность применения информационных мер в обработке сигналов // Сборник трудов молодых ученых Рыбинск: РГАТА, 2001. — 3 с.
  84. А.С. Форматы графических файлов. К.:НИПФ «ДиаСофт Лтд.», 1995.-480 с.
  85. Sabine Susstrunk, Robert Buckley, Steve Swen. Standard RGB Color Spaces // The Seventh Color Imaging Conference: Color Science, Systems, and Applications, 1999. p. 30−42.
  86. Di Zhong, Shih-Fu Chang. Region Feature Based Similarity Searching of Semantic Video Objects // Journal of Visual Communacation and Image Representation, 1999.-p. 145−149.
  87. John R. Smith, Shih-Fu Chang. Integrated Spatial and Feature Image Query // ACM Multimedia, 1996. p.30−51.
  88. В.П., Батраков A.C. Трехмерная компьютерная графика. М: Радио и связь, 1995.-170 с.
  89. R. Bruneli, О. Mith. Image retrieval by examples // IEEE, 1999. p. 67−75.
  90. Mandis Beigi, Ana B. Benitez, Shih-Fu Chang. MetaSEEk: A Content-Based Meta-Search Engine for Images // Multimedia Communications, 1998. p.132−139.
  91. John R. Smith, Shih-Fu Chang. An Image and Video Search Engine for the World-Wide Web // Journal of Visual Communication and Image Representation, 1998.-p. 48−54.
  92. John R. Smith, Shih-Fu Chang. VisualSEEk: a fully automated content-based image query system // Multimedia Communications, 1996. p.95−101.
  93. Kaushik Chakrabartia, Kriengkrai Porkaew. WebMARS: A Multimedia Search Engine // Multimedia Communications, 2000. p.75−81.
  94. Margaret E. Graham, John P. Eakins. ARTISAN: a prototype retrieval system for trade mark images // Multimedia Communications, 1996. p.61−68.
  95. А.А., Коваленко И. Н., Бакаев А. А. Словарь по кибернетике. -Киев, 1979.-750 с.
  96. Рис.П.1. Методы первичного анализа и обработки изображений.
Заполнить форму текущей работой

Сессия? Спокойно!