Помощь в написании студенческих работ
Антистрессовый сервис

Разработка и исследование методов и алгоритмов нечеткой классификации объектов имиджей документов

Диссертация: Разработка и исследование методов и алгоритмов нечеткой классификации объектов имиджей документов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Очевидно, что с имиджами документов гораздо удобнее работать в сравнении с бумажными документами. Их можно копировать, накапливать в архивах, отправлять по компьютерной сети и т. д. Однако имидж нельзя редактировать, осуществлять по нему контекстный поиск, поскольку он является целостным и нерасчленимым на отдельные составляющие. Поэтому создание электронного аналога бумажного документа на этапе… Читать ещё >

Разработка и исследование методов и алгоритмов нечеткой классификации объектов имиджей документов (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ В ОБЛАСТИ ОБРАБОТКИ ИМИДЖЕЙ ДОКУМЕНТОВ
    • 1. 1. Анализ существующих походов сегментации имиджей документов
    • 1. 2. Систематизация методов классификации и кластеризации объектов имиджа
    • 1. 3. Методы классификации с обучением по прецедентам
    • 1. 4. Выводы по разделу
  • 2. РАЗРАБОТКА ОПИСАНИЙ ОБЪЕКТО-СЕГМЕНТИРОВАННОЙ ИМИДЖИНГОВОЙ МОДЕЛИ ДОКУМЕНТА И ЭТАЛОННЫХ КЛАССОВ
    • 2. 1. Анализ признаков классификации для построения объекто-сегментированного имиджингового представления документа и выбор математического аппарата исследований
    • 2. 2. Разработка объекто-сегментированной имиджинговой модели представления документа
    • 2. 3. Разработка эталонного класса для объекто-сегментированной имиджинговой модели представления документа
    • 2. 4. Общий подход к построению классификатора объекто-сегментированного имиджингового документа
    • 2. 5. Выводы
  • 3. РАЗРАБОТКА МЕТОДА КЛАССИФИКАЦИИ ОБЪЕКТОВ ИМИДЖЕЙ ДОКУМЕНТОВ
    • 3. 1. Выбор модели классифицирующей функции
    • 3. 2. Разработка методов анализа объектов имиджей документов по основным признакам классификации
    • 3. 3. Формирование признаков эталонных классов
    • 3. 4. Разработка вида классифицирующих функций
    • 3. 5. Выделение символов и слов в текстовых блоках имиджей документов
    • 3. 6. Разработка алгоритма нормализации графического символа
    • 3. 7. Комбинированное использование методов распознавания символов
    • 3. 8. Выводы
  • 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ МЕТОДОВ АНАЛИЗОВ И КЛАССИФИКАЦИИ ОБЪЕКТОВ ИМИДЖЕЙ ДОКУМЕНТОВ
    • 4. 1. Структура программного комплекса для моделирования нечеткой классификации объектов имиджей документов
    • 4. 2. Разработка и исследование алгоритма поиска оптимальных коэффициентов для основных признаков
    • 4. 3. Экспериментальное исследование точности нечеткой классификации объектов имиджей в зависимости от числа сегментов имиджа
    • 4. 4. Экспериментальное исследование комбинации методов распознавания символов
    • 4. 5. Вывод

Актуальность темы

.

В настоящее время в связи с развитием глобальных информационных коммуникаций все большее значение приобретает доступ к информации, представленной в электронном виде. В связи с этим большое значение придается созданию различного рода информационных архивов, в том числе и таких как электронные библиотеки. Однако, накопленные человечеством объемы бумажной информации настолько велики, что их перевод в электронные аналоги требует разработки специальных информационных технологий, в противном случае проблема может быть не решаемая.

При компьютерной обработке бумажного документа для получения его электронного аналога выделяют следующие этапы. Вначале бумажный документ сканируется, в результате чего получается электронная копия документа виде цифровой фотографии — имиджа (image). Далее имидж обрабатывается для получения нужных параметров его качества. Улучшение имиджа включает программное выравнивание, конвертирование с улучшением качества, удаление шумовых и фоновых элементов, нормализацию и пр. Данный процесс в компьютерной обработке называют имиджингом (imaging). Иначе говоря, имиджинг — это процесс получения аутентичных качественных изображений бумажных документов. В компьютерную обработку термин имиджинг пришел из микрофильмирования, однако сегодня он широко используется применительно к электронным изображениям. Имиджинг является начальным этапом в работе любой системы компьютерной обработки бумажных документов [35, 36, 70].

Очевидно, что с имиджами документов гораздо удобнее работать в сравнении с бумажными документами. Их можно копировать, накапливать в архивах, отправлять по компьютерной сети и т. д. Однако имидж нельзя редактировать, осуществлять по нему контекстный поиск, поскольку он является целостным и нерасчленимым на отдельные составляющие. Поэтому создание электронного аналога бумажного документа на этапе имиджинга не закапчивается и составляет только один из этапов компьютерной обработки бумажных документов.

Следующий этап компьютерной обработки связан с преобразование документа к одному из машинных форматов (PDF, HTML, MS Office и пр.) и дополнением его описания некоторой вспомогательной информацией. Такая обработка обязательна для включения документов в электронные архивы. На данном этапе выполняется преобразование имиджей документов в тексты на основе процедуры распознаванием (Optical Character Recognition/Image Character Recognition, сокращенно OCR/ICR). В процессе преобразования имиджингового представления документа в машинные форматы, как правило, приходится распознавать разного типа объекты: текстовые блоки, таблицы и рисунки и связывать их целостно вместе в описании документа [120, 121]. В дальнейшем такое представление документа в виде описания множества представляющих его объектов будем называть объекто-сегментированным имиджинговым описанием документа (ОСИОД).

Сегодня автоматическое получение ОСИОД является сложной и до конца не решенной задачей, ее исследованию посвящен ряд научных работ. Так, этой проблемой занимался ряд авторитетных исследователей, которые внесли своими научными трудами значительный вклад в развитие по данной предметной области. Среди них следует отметить работы Аникеева М. В. [45], Борисова Е. С. [73], Вежневеца А. П. [88], Качаевы Т. В. [97], Ковригина А. В. [84], Кучуганова А. В. [74], Лапинскую Г. В. [74], Прохорова А. [35, 36], Путятина Е. П. [10−12], Толкачёва А. Н. 7], Травина А., Тыщенко О. Б., Федорова В. М. [45], Цопкало Н. Н. [41, 43, 45, 47, 48], Шалымова Д. С., Южикова В. С. [95−97], Хлопова А. Н. [83, 84], Affan Mustofadee [81], Buffa F. [76], Claus D., Hao Y. 77], Hsien Wu [75], Kanade T. [85], Miguel Po[75], Porceddu I [76], Schofield E. [78], Shi Y. [77], Tsang Ing Ren [87], Zhang D., Zhang X. [77]. Кроме того, ряд коммерческих организаций также занимается подобными исследованиями и внедрением их результатов в компьютерные технологии обработки бумажных документов. Это такие известные фирмы и корпорации как ConeiForm [40], FineReader [39], Ко fax [38] Microsoft Office Development Imaging [125], Recognita [127], SimpleOCR [126] и др. В то же время многочисленность и разноплановость исследований в этой проблемной области говорит о том, что общее решение данной проблемы и сегодня далеко от своего окончательного решения. Данное обстоятельство послужило основанием к формулировке темы диссертационного исследования в рамках этой проблематики.

Настоящая диссертация посвящена разработке и исследованию методов и алгоритмов нечеткой классификации объектов имиджей документов.

Объект исследования.

В настоящей работе исследуется объекто-сегментированная имиджинговая модель документа и способы ее автоматического создания на основе разрабатываемых в диссертации методов и моделей классификации объектов имиджей.

Цели и задачи работы.

Цель диссертационного исследования состоит в разработке и исследовании методов и алгоритмов нечеткой классификации объектов имиджей документов.

Для достижения поставленной цели в диссертации решаются следующие основные задачи:

1. Проводятся анализируется состояние исследований области обработки имиджей в части распознавания и классификации составляющих их объектов, и формулируются основные проблемы.

2. Разрабатывается объекто-сегментированная имиджинговая модель документа и модели описания эталонных классов объектов.

3. На основе выбранного математического аппарата разрабатывается метод классификации, в основе которого лежит классифицирующая функция, отображающая близость объектов имиджа и объектов эталонных классов на основе функции принадлежности нечеткой логики.

4. С учетом экспериментальных данных формируется система признаков, лежащая в основе идентификации объектов.

5. Разрабатывается структура классифицирующей функции на основе понятия нечетких равенств ситуаций и на основе расстояния порядковых шкальных признаков по предложены идентификационным признакам.

6. Разрабатывается методика нахождения оптимальных коэффициентов доверия для каждого из признаков классификации.

7. Разрабатывается метод разбиения блоков текста на отдельные графические представления символов и слов, а также нормализации имиджей букв.

8. Проводятся экспериментальные исследования основных теоретических положении диссертации.

Основные научные результаты.

1. Предложена новая объекто-сегментированная имиджинговая модель документа и модели описания эталонных классов объектов на основе нечеткой логики.

2. Предложен метод классификации объектов имиджа, в основе которого лежит классифицирующих функция, отображающая близость объектов имиджа и объектов эталонных классов на основе функции принадлежности нечеткой логики.

3. Предложена система признаков, лежащая в основе идентификации объектов имиджа и для нее разработана классифицирующая функция, вычисление которой осуществляется на основе понятия нечетких равенств ситуаций и на основе расстояния порядковых шкальных признаков.

4. Предложены модифицированный метод разбиения блоков текста на отдельные графические представления символов и слов, а также нормализация имиджей букв.

Основные положения, выносимые на защиту.

1. Объекто-сегментированная имиджинговая модель документа и модели описания эталонных классов объектов на основе нечеткой логики.

2. Метод классификации объектов имиджа, в основе которого лежит классифицирующих функция, отображающая близость объектов имиджа и объектов эталонных классов на основе функции принадлежности нечеткой логики.

3. Система признаков, лежащая в основе идентификации объектов имиджа.

4. Классифицирующая функция, вычисление которой осуществляется на основе понятия нечетких равенств ситуаций и на основе расстояния порядковых шкальных признаков.

5. Модифицированный метод разбиения блоков текста на отдельные графические представления символов и слов, а также нормализация имиджей букв. '.

Практическая ценность результатов диссертационной работы состоит в том, что разработанные методы и алгоритмы нечеткой классификации объектов имиджей документов могут быть использованных в системах обработки в бумажных документов с целью создания их электронных аналогов.

Практическая значимость диссертации подтверждается актами о внедрении результатов исследования в рамках работ по госбюджетной НИР № 12 456 и учебном процессе по дисциплине «Организация электронных архивов данных» магистерской программы «Интеллектуальные системы» по направлению 230 100 «Информатика и вычислительная техника» факультета автоматики и вычислительной техники Таганрогского технологического института Южного федерального университета.

Предлагаемые методы нечеткой идентификации и классификации объектов имиджей были программно реализованы и внедрены в научно-исследовательский процесс международной лаборатории ELDIC, факультета автоматики и вычислительной техники Таганрогского технологического института Южного федерального университета.

Апробация работы.

Результаты работы докладывались и обсуждались на научно-практических конференциях:

— III Всероссийской научной конференции молодых ученых, аспирантов и студентов «Информационные технологии системной анализ и управление» (Таганрог, ТРТУ, 2005г);

— VIII Всероссийской научной конференции молодых ученых, студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления (КРЭС'06)» (Таганрог, ТРТУ, 2006г);

— Всероссийской научной школы-семинара молодых ученых, аспирантов и студентов «Интеллектуализация информационного поиска, скантехнологии и электронные библиотеки» (Таганрог, ТТИ ЮФУ, 2007г);

— Всероссийской научной школы-семинара молодых ученых, аспирантов и студентов «Интеллектуализация информационного поиска, скантехнологии и электронные библиотеки» (Таганрог, ТТИ ЮФУ, 2008г);

— VI Всероссийской научной конференции молодых ученых, аспирантов и студентов «Информационные технологии, системы анализ и управление» (Таганрог, ТТИ ЮФУ, 04−05 декабря 2008г).

— Всероссийская научная школа-семинар студентов, аспирантов и молодых ученых «Интеллектуализация информационного поиска, скантехнологии и электронные библиотеки» (Таганрог, ТТИ ЮФУ, Июня 2009г).

По теме диссертации автором опубликовано 9 печатных работ, в которых отражены основные результаты диссертации, в том числе одна статья в издании из списка, рекомендованного ВАК.

Структура работы.

Материал основной части диссертационной работы изложен на 149 страницах машинописного текста. Диссертация состоит из введения, четырех разделов, заключения и списка литературы из 128 наименований, содержит 31 рисунок, 34 таблицы и 4 приложения на 33 страницах.

4.5.Вывод.

В данном разделе разработан программный комплекс и поставлены на нем эксперименты по нечеткой классификации объектов имиджей.

1. Данные эксперименты показали, что: разработанные алгоритмы нечеткой классификации являются работоспособными и позволяют проводить идентификацию объектов имиджей типа «Текст», «Рисунок» и «Таблица» .

2. Разработанный алгоритм поиска оптимальных коэффициентов позволил вычислить их значения и использовать их при проведении экспериментов по нечеткой классификации объектов имиджа.

3. Проведенное экспериментальное исследование точности нечеткой классификации объектов имиджей в зависимости от числа сегментов имиджа позволило построить гистограмму зависимости ошибки классификации в зависимости от размера сегментации имиджа. Данная гистограмма позволяет подобрать подходящие размеры сегментации имиджа с целью уменьшения ошибки классификации.

Таким образом, результаты экспериментов подтвердили полученные основные теоретические положения и результаты диссертационного исследования.

ЗАКЛЮЧЕНИЕ

.

Один из важных этапов компьютерной обработки связан с преобразование документа к одному из машинных форматов. Такая обработка обязательна для включения документов в электронные архивы. В процессе преобразования имиджа документа в машинные форматы, как правило, приходится распознавать разного типа объекты: текстовые блоки, таблицы и рисунки и связывать их целостно вместе в описании документа.

Существующие методы на основе текстурной сегментации для данной задачи являются не всегда приемлемыми потому, что рисунок на имидже документа, как правило, представляет собой набор объектов, неоднородных по текстуре и регулярности. Поэтому текстурную сегментацию можно использовать только для выделения областей с текстом и частично для выделения контуров рисунков.

Настоящая диссертация выполнена в рамках этой проблемы и посвящена разработке и исследованию методов и алгоритмов нечеткой классификации объектов имиджей документов на основе предложенной системы признаков.

При проведения диссертационного исследования решены следующие научные задачи:

1. Исследовано состояние области обработки имиджей в части распознавания и классификации составляющих их объектов и сформулированы основные проблемы этой предметной области.

2. Разработана и исследована объекто-сегментированная имиджипговая модель документа и модели описания эталонных классов объектов.

3. Разработан и исследован метод классификации, в основе которого лежит классифицирующих функция, отображающая близость объектов имиджа и объектов эталонных классов на основе функции принадлежности нечеткой логики.

4. Сформирована и исследована на основе экспериментальных данных система признаков, лежащая в основе идентификации объектов.

5. Разработана структура классифицирующей функции на основе понятия нечетких равенств ситуаций и на основе расстояния порядковых шкальных признаков по предложены идентификационным признакам.

6. Разработана методика нахождения оптимальных коэффициентов доверия для каждого из признаков классификации.

7. Разработаны метод разбиения блоков текста на отдельные графические представления символов и слов, а также нормализации имиджей букв.

8. Проведены экспериментальные исследования разработанной в диссертации нечеткой классификации объектов имиджей, которые подтвердили основные теоретические положения диссертационного исследования.

В диссертации получены следующие новые научные результаты:

1. Предложена новая объекто-сегментированная имиджинговая модель документа и модели описания эталонных классов объектов на основе нечеткой логики, отличающаяся тем, что она учитывает характерные признаковые особенности графических объектов имиджа.

2. Предложен метод классификации объектов имиджа, в основе которого лежит классифицирующих функция, отображающая близость объектов имиджа и объектов эталонных классов на основе функции принадлежности нечеткой логики.

3. Предложена система признаков, лежащая в основе идентификации объектов имиджа и для нее разработана классифицирующая функция, вычисление которой осуществляется на основе понятия нечетких равенств ситуаций и на основе расстояния порядковых шкальных признаков.

4. Предложен модифицированный метод разбиения блоков текста на отдельные графические представления символов и слов, а также нормализации имиджей букв.

Все разработанные методы нечеткой идентификации и классификации объектов имиджей были программно реализованы и экспериментально исследованы.

Диссертационное исследование было выполнено в международной лаборатории ELDIC факультета автоматики и вычислительной техники Таганрогского технологического института Южного федерального университета.

Показать весь текст

Список литературы

  1. Дж. Компьютерной графики текст. // Секреты и решения пер. с англ. Куликова Д. А. — М.: Энтроп, 1995 г. — 352с.
  2. А.В. Компьютерная графика текст. // Первое знакомство. -М.: Финансы и статистика, 1996 г. 175с.
  3. Аксенов A. Demodesign 3D programming FAQ. 2005 г. h ttp:// algolist. manual .ru/graph i cs/3 dfaq/index. php.
  4. Игнате!iko А. Современные технологии улучшения качества 3D-изображений. http://www.uraldev.ru/articles/printview.php?id=l.
  5. Davert Алгоритм текстурирования. — 2003 г.
  6. В.В., Толкачёв А. Н. Оптимизация отбора оптимальных признаков на основе применения методов моделирования эволюции для задачи распознавания текста. — 2005 г.
  7. А. Распознавание и обработка изображений с помощью вычислительных машин Текст. // пер. с англ. Гуревича И. Б. [и др.] - под ред. Лебедева Д. С. М.: Мир, 1972 г.
  8. Р., Харт 77. Распознавание образов и анализ сцен М.: Мир, 1976 г. -511с.
  9. А.В., Ляшенко В. В., Машталир В. П., Путятин Е. П. Метод корреляционного обнаружения объектов Харьков: АО «БизнесИнформ», 1996 г. 112с.
  10. Е.П., Аверин С. И. Обработка изображений в робототехнике. М: Машиностроение, 1990 г. — 320с.
  11. Е.П. Нормализация и распознавание изображений. rhttp://sumschool. sumdu.edu.ua/is-02/rus/lectures/pytyatin/pytyatin.htm.
  12. А.В., Галактионов В. А., Горемычкин В. И., Ермаков А. В., Желтое С. Ю. Исследование подходов к построению систем автоматического считывания символьной информации. М.: — 2003 г.
  13. Л.PI. Введение в искусственный интеллект текст. // Учеб. Пособие для вузов — М.:Издательский центр"Академия" 2005 г, 176с[103−105].
  14. Л.Г., Максимов А. В. Нейрокомпьютеры текст. // Учеб. Пособие для вузов. 2-е изд., перераб. И доп. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2004 г. — 400с[178−187].
  15. С. Нейронные сети для обработки информации // Пер. с Польского И. Д. Рудинского. — М.: Финансы и статистика, 2002 г. -344с.
  16. Калан, Роберт. Основные концепции нейронных сетей // Пер. с англ. -М. Издательский дом Вильяме, 2003 г. — 228с.
  17. С.В. Методы и системы распознавания образов Электронный ресурс. // Центр дистанционного образования ТРТУ. -Таганрог: ЦДО ТРТУ, 2005 г. 169с.
  18. Поваркова Алла Компьютерный анализ изображений: общие сведения, системы, примеры использования. «Компания Аконд» Санкт-Петербург.rhttp://www.infectology.ru/microscopy/today/analysis/index.aspx.
  19. В.Н., Гуров И. П., Потапов А. С. Математические методы и алгоритмическое обеспечение анализа и распознавания изображений в информационно-телекоммуникационных системах текст. // СПБГУ ИТМО Санкт-Петербург. — 46с.
  20. А.Н., Берштейн JI.C., Коровин С. Я. Ситуационные советующие системы с нечеткой логикой текст. // Гл. ред. физ.-мат.лит., М.: Наука. 1990 г. — 272с.
  21. Блюмин C. J1., Шуйкова И. А., Сараев П. В., Черпаков И. В. Нечеткая логика алгебраические основы и приложения текст. // Монография — Липецк ЛЭГИ, 2002 г. 113с.
  22. В.И. Модели систем принятия решений текст. // Учебное пособие Таганрог: Изд-во ТРТУ, 2005 г. — 118с.
  23. Н.Г. Основы теории нечетких и гибридных систем текст. // Учебное пособие. М.: Финансы и статистика, 2004 г. — 320с.
  24. Ю.М., Кияшко А. Б. Нечеткие интеллектуальные системы по курсу «Системы искусственного интеллекта» текст. // Руководство к циклу лабораторных работ. Таганрог: Изд-во ТРТУ, 1999 г. 68с.
  25. С.В. Нечеткие множества текст. // Учебное пособие. -Калининград Изд-во КГУ, 2004 г. 176с.
  26. Астанин С. В Информационно-советующие системы с нечеткой логикой По курсу «Интеллектуальные технологии» текст. // Руководство к лабораторной работе. Таганрог: Изд-во ТРТУ, 1999 г. -36с.
  27. И.М., Ткаченко Г. И., Лапшин В. Б. Интеллектуальные средства измерений текст. // Учебное пособие. Таганрог: Изд-во ТТИ ЮФУ, 2008 г. 66с.
  28. Д.А. Логико-лингвистические модели в системах управления текст. // М.: Энергоиздат, 1981 г. — 231с.
  29. В.Н. Оперативное мышление в больших системах текст. // М.: Энергия, 1965 г. -257с.
  30. O.K. Структура мыслительной деятельности человека текст. // М.: Изд-во МГУ, 1969 г. 158с.
  31. А.А. Высшая математика Т. 2. текст. // Учебник для студентов вузов. — 3-е изд., стереотип. — Мн.: ТетраСистемс, 2001 г. — 448с.
  32. Ю.М., Кодачигов В. И., Родзин С. И. Учебно-методическое пособие для самостоятельной работы по курсам «Системыискусственного интеллекта», «Методы распознавания образов» текст. // Таганрог: Изд-во ТРТУ, 1999 г. 132с.
  33. С. Об одном подходе к улучшению качества распознавания текста. Текст. // Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальный САПР». Таганрог: Изд-во ТТИ ЮФУ, 2009, № 4(93). — 256с. с189−194.
  34. А. Технологии перевода бумажных документов в электронные, текст. // Журнал КомпьютерПресс 2002, № 9. [http://compress.ru/article.aspx?id=l 1802&iid=459]
  35. А. Системы оптического распознавания документов, текст. // Журнал КомпьютерПресс 2001, № 9. [http://www.compress.ru/article.aspx?id=T 1745&iid:=458]
  36. Ю. Технологии машинного зрения, текст. // Журнал КомпьютерПресс 2002, № 7.http://www.compress.ru/article. aspx? id=l 1745&iid=458.38. http://www.lcofax.com/capture/39. http://www.abbyy.com/40. http://www.cuneiform.ru/
  37. П.И. Разработка и исследование методов и средств распознавания текста факсимильных сообщений, текст. // дис. к.т.н.: 05.13.17, науч. рук. Бабенко Л. К. Таганрог: [б. и.], 2003. — 200с.
  38. Т. Алгоритмы машинной графики и обработки изображений, текст. // М., Радио и связь, 1986.
  39. М.В., Федоров В. М., Цопкало Н. Н. Алгоритм распознавания бланков факсимильных сообщений. // Известия ТРТУ. Специальный выпуск «Материалы XL VII научно-технической конференции». Таганрог: ТРТУ, 2002 г. № 1(24), с. 146−147.
  40. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере Новосибирск: Наука, 1996 г.
  41. Н.Н. Распознавание символов печатного текста по структурным признакам с использованием нейросети. текст. // Сборник трудов второго регионального научно-практического семинара «Информационная безопасность юг России». Таганрог, 2000 г. с 130−135.
  42. А.Н., Алексеев А. В., Крумберг О. А. и др. Модели принятия решений на основе лингвистической переменой, текст. // Рига: Зинатне, 1982 г.-256с.
  43. Еэ/скова И.В., Поспелов Д. А. Принятие решений при нечетких основаниях, текст. // I. Универсальная шкала. изв. АН СССР. Техн. киберникк. — 1977 г.
  44. Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений, текст. // М.: Мир, 1976. 165с.
  45. Заде J1.A. Основы нового подхода к анализу сложных систем и процессов принятия решений. М.: Знание, 1974 г.
  46. А.И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980 г.
  47. А.Н., Берштейи А. С. Конечные четкие и расплывчатые множества. Часть 1. Четкие множества, текст. // Таганрог: Изд-во ТРТИ, 1980 г.- 101с.
  48. Нечеткие множества и теория возможностей. Последние достижения / Под ред. Р. Ягера. М.: Радио и связь, 1986 г. — 391с.
  49. Д.А. Логико-лингвистические модели в системах управления. М.: Энергоиздат, 1981 г. — 231с.
  50. П. Теория полезности для принятия решений. М.: Наука, 1978 г.-352с.
  51. Э.А. Компьютерная поддержка принятия решений. — М.: СИНТЕГ, 1998 г.
  52. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. 2-е изд. — М.: Горячая линия-Телеком, 2002 г.
  53. Е.В. Компьютерная графика текст. // Динамика, реалистические изображения. -М.: ДИАЛОГ-МИФИ, 1995 г. 287с.
  54. Э.Т. Инженерная и компьютерная графика текст. // Учебник для вузов с дистанционным обуч. 2-е изд., перераб. — М.: ДМК Пресс 2001 г. — 586с.
  55. А.Ю. Методы и алгоритмы компьютерной графики в примерах на Visual С++, текст. СПб.: БХВ-Петербург, 2002 г. 400с.
  56. М. Вычислительная геометрия и компьютерная графика на С++, текст. // пер. англ. Львова В. М.: БИНОМ, 1997 г. — 301с.
  57. С.И. Пиксел и вектор, текст. // Принципы цифровой графики. СПб.: БХВ-Петербург, 2002 г. — 477с.
  58. В.И. Компьютерная графика, текст. // Популярная энциклопедия. М.: АСТ-Пресс СКД, 2002 г. — 639с.
  59. Д. Зрение: информационный подход к изучению представления и обработки зрительных образов Текст. // Пер. с англ. Гуревич Н. Г. под ред. Гуревича И. Б. М.: Радио и связь, 1987 г. — 400с.
  60. У. Лекции по теории образов: в 3 т. Т. 2: Анализ образов. Текст. // Пер. с англ. Гуревича И. под ред. Журавлева Ю. М.: Мир, 1981 г. -448с.
  61. У. Лекции по теории образов: в 3 т. Т. 3: Регулярные структуры. Текст. // Пер. с англ. Гуревича И. под ред. Журавлева Ю. -М.: Мир, 1983 г. -432с.
  62. Н.Г. Методы распознавания и их применение. Текст. -М.: Советское радио, 1972 г. — 208с.
  63. С. Системы оптического распознавания текста. Текст. // Журнал КОМПЬЮТЕР-ИНФОРМ, № 16, 2002. [http://www.ci.ru/infonn 16 02/р 22text. htm]
  64. Арлазаров В. Л, Троянкер В. В., Котович Н. В. Адаптивное распознавание символов. 2000 г. rhttp://ocrai.narod.ru/adaptive.html.
  65. Е.С. Сегментация изображения текста. 2008 г. http://mechanoid.narod.rU/misc/segmentator/index.html#ocr-piter.
  66. А.В., Лапинская Г. В. Распознавания рукописных текстов. -2006г. http://mns.udsu.ru/conf/repoiJt/Kuchuganov2.pdf|
  67. Miguel Ро, Hsien Wu Handwritten Character Recognition. 2003 r. | http://innovexpo.itee.uq.edu.au/2003/exhibits/s804636/thesis.pdfl
  68. Buffa F., Porceddu I. Temperature forecast and some seeing minimization. A case study using neural network model. — 1997. http ://www. pd. astro. it/TNG/TechRep/rep67/rep67. html.
  69. Hao Y., Shi Y., Zhang D., Zhu X. An effective result-feedback neural algorithm for handwritten character recognition. // International journal of Neural Parallel & Science Computations, Vol. 9, No. 2, pp. 139−150. -2001.
  70. Schofield E. Concepts in pattern recognition. 2001. rhttp://userver.ftw.at/~schofiel/patterns.htmn
  71. Neural Networks. 2003. rhttp://documents.wolfram.com/applications/neuralnetworks/index2.html.
  72. Neural Networks: Advanced tutorial. 2002. http://www.pmsi.fr/home-gb.htm.
  73. Affan Mustofadee Classification of muscles from ultrasound image sequences. 2009. http://www.wepapers.com/Papers/28 748/Classification of muscles from ultrasound image sequences. Master’s Thesis.
  74. Bernd Jahne Digital Image Processing, 5th edition, Springer. 2002.
  75. A.M. Исследование алгоритма автоматической классификации цветных изображений. 2006 г. http://elibrary.ru/item.asp?id==9 253 355.
  76. , А.В. Синтез и анализ алгоритмов автоматической классификации цветных изображений. // Ковригин А. В., Хлопов А. Н., II Исследовано в России: элект. журн. 2005. -236. 2417−2422с. http. V/zhumal. ape.relarn.ru/articles/2005/236.pdfl
  77. Kanade Т. Picture processing by computer complex and recognition of human faces. 1973.
  78. P., Вудс P. Цифровая обработка изображений. 2006 г.
  79. Tsang Ing Ren Pattern Recognition and Complex Systems. 2000.
  80. Yand G, Huang T. S. Human face detection in complex background. // Pattern Recognition, vol. 27, no. 1, pp. 53−63, 1994.
  81. Graf H. P., Chen Т., Petajan E., Cosotta E. Locating faces and facial parts. // Proc. First Int’l Workshop Automatic Face and GestureRecognition, pp. 41−46, 1995.
  82. Ming-Hsuan Yang, Kriegman D., Ahuja N. Detecting faces in images: A survey. // IEEE Transaction on Pattern Analysis and Machine Intelligence (PAMI), vol. 24, no. 1, pp. 34−58, 2002.
  83. Michael D. Garris, Darrin L. Dimmick. Form Design for High Accuracy Optical Recognition. // IEEE Transactions RAMI, June 1996.
  84. Rocha J., Sakoda В., Zhou J., Pavlidis T. Deferred Interpretation of Grayscale Saddle Features for Recognition of Touching and Broken Characters. // Proceedings of Document Recognition, SPIE, vol. 2181, San Jose, CA, pp. 342−350, February 1994.
  85. P. Цифровая обработка изображений. // Москва Техносфера, 2005. с. 812−836.
  86. B.C. Сегментация изображений страниц древних рукописей. // Казанский осударственный Университет. («http://rcdl2007.pereslavl.ru/papers/paper 49 vl. pdf)
  87. B.C. Автоматическая классификация шрифта старопечатных текстов. — 2009 г. http://textualheritage.org/content/view/272/13 8/lang.russian/~.
  88. B.C., Качаева Т. В. Автоматизированная система распознавания и классификации резюме. 2007. ЬЦр://е1аг.и5и.гиЛ1ет5-Ьу-аи1Ьог?аи1Ьог=Южиков,+В.+С.
  89. П.В. Автоматическая сегментация текстурированных изображений на основе локальных распределении характеристик. — 2000 г. rhttp://www.tsu.ru/webdesign/tsu/Library.nsf/designobiects/vestnik271/$fil e/Gubanov74.pdf.
  90. KB. Текстурная сегментация изображений на основании марковских случайных полей.rhttp://www.irtc.org.ua/image/Files/kovtun/kovtun usim 2003(4) rus.pdf.
  91. Henry A. Rowley, Shumeet Baluja, and Takeo Kanade, «Human face detection in visual scenes», Technical Report CMUCS-95−158R, School of Computer Science, Carnegie Mellon University, November 1995.
  92. Roth D., Yang M.-H., Ahuja N. «A SNoW-based face detector» in Advances in Neural Information Processing Systems 12 (NIPS 12), MIT Press, Cambridge, MA, pp. 855−861, 2000.
  93. Viola P., Jones. M. «Robust Real-time Object Detection» In Proc. 2nd Int’l Workshop on Statistical and Computational Theories of Vision — Modeling, Learning, Computing and Sampling, Vancouver, Canada, July 2001.
  94. К. В. «Байесовские алгоритмы классификации. Черновики лекций». http://www.ccas.ru/voron/download/Bayes.pdfl
  95. Lawrence S., Giles C. Overfitting and neural networks: Conjugate gradient and backpropagation. In Proceedings of the IEEE International Conference on Neural Networks, pages 114— 119. IEEE Press, 2000.
  96. Vapnik, V., Lerner, A. J., «Generalized portrait method for pattern recognition» Automation and Remote Control, vol. 24, no. 6, 1963.
  97. Charles Elkan «Naive Bayesian learning» Adapted from Technical Report No. CS97−557, Department of Computer Science and Engineering, University of California, San Diego, September 1997.
  98. Александр Веэ/сневец «Нестандартные нейросетевые архитектуры» электронный журнал «Графика и Мультимедиа» http://cgm.graphicon.ru/metodvi/nestandartnyie neyrosetevyie arhitektury i.html.
Заполнить форму текущей работой

Сессия? Спокойно!