Помощь в написании студенческих работ
Антистрессовый сервис

Повышение эффективности процесса сегментации в системах анализа изображений на основе метода выращивания областей и многомасштабных преобразований

Диссертация: Повышение эффективности процесса сегментации в системах анализа изображений на основе метода выращивания областей и многомасштабных преобразований
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В диссертации исследованы методы сегментации изображений с целью повышения эффективности процесса сегментации в системах анализа изображений. На основе системного анализа были определены перспективные направления исследований, выявлены основные проблемы использующихся методов и недостатки существующих систем анализа изображений. Определено, что актуальными являются исследования методов… Читать ещё >

Повышение эффективности процесса сегментации в системах анализа изображений на основе метода выращивания областей и многомасштабных преобразований (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. ИССЛЕДОВАНИЕ МЕТОДОВ СЕГМЕНТАЦИИ В СИСТЕМАХ АНАЛИЗА ИЗОБРАЖЕНИЙ
    • 1. 1. Формулировка задачи сегментации
    • 1. 2. Анализ методов сегментации изображений
      • 1. 2. 1. Анализ подходов к классификации методов сегментации и синтез классификационной системы
      • 1. 2. 2. Контурно-ориентированные методы сегментации
      • 1. 2. 3. Сегментно-ориентированные методы сегментации
      • 1. 2. 4. Сегментно-ориентированные методы связной сегментации
      • 1. 2. 5. Классификация методов сегментации
    • 1. 3. Анализ перспективных подходов к использованию методов сегментации в системах анализа изображений
      • 1. 3. 1. Особенности методов контурного анализа
      • 1. 3. 2. Модификации сегментно-ориентированных методов сегментации
      • 1. 3. 3. Разновидности методов связной сегментации
      • 1. 3. 4. Концептуальный синтез схемы метода сегментации
    • 1. 4. Анализ способов количественной оценки эффективности процесса сегментации
    • 1. 5. Выводы по главе
    • 1. 6. Постановка задачи исследования
  • ГЛАВА 2. СИНТЕЗ ВЫСОКОУРОВНЕВЫХ МОДЕЛЕЙ И МЕТОДОВ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ
    • 2. 1. Иерархическая модель системы анализа изображений
    • 2. 2. Многомерная модель представления исходных данных в системе сегментации изображений
      • 2. 2. 1. Способ многомасштабного спектрального представления исходных данных сегментации
      • 2. 2. 2. Способ текстурного анализа изображений на основе многомасштабного анализа и вейвлет-преобразования
      • 2. 2. 3. Способ многомасштабного контурного анализа на основе вычисления оператора Собела
    • 2. 3. Метод сегментации изображений на основе выращивания и слияния областей
      • 2. 3. 1. Способ автоматического определения центров кристаллизации
      • 2. 3. 2. Способы реализации процессов выращивания и слияния областей
      • 2. 3. 3. Способ автоматического определения оптимального состояния процесса слияний областей
    • 2. 4. Выводы по главе
  • ГЛАВА 3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ ОПТИМИЗИРОВАННЫХ АЛГОРИТМОВ РЕАЛИЗАЦИИ МЕТОДОВ ВЫРАЩИВАНИЯ И СЛИЯНИЯ ОБЛАСТЕЙ
    • 3. 1. Методика экспериментального исследования быстродействия алгоритмов
    • 3. 2. Исследование быстродействия процессов в составе системы анализа изображений
    • 3. 3. Разработка и оптимизация алгоритмов выращивания областей
      • 3. 3. 1. Исследование классического алгоритма реализации метода выращивания областей
      • 3. 3. 2. Оптимизация алгоритма реализации метода выращивания областей
    • 3. 4. Экспериментальное исследование алгоритмов выращивания и слияния областей
      • 3. 4. 1. Определение основных исследуемых величин
      • 3. 4. 2. Построение статистических оценок временной сложности алгоритмов
    • 3. 5. Выводы по главе
  • ГЛАВА 4. РАЗРАБОТКА ПРОГРАММНОЙ СИСТЕМЫ АНАЛИЗА ИЗОБРАЖЕНИЙ И ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ МЕТОДОВ И АЛГОРИТМОВ
    • 4. 1. Целевые прикладные эффекты реализации системы анализа изображений
    • 4. 2. Исследовательская программная система анализа изображений
    • 4. 3. Исследование вспомогательных алгоритмов системы сегментации
      • 4. 3. 1. Алгоритм реализации способа многомасштабного спектрального представления изображений
      • 4. 3. 2. Алгоритм реализации способа текстурного анализа на основе вычисления вейвлет-статистики
      • 4. 3. 3. Алгоритм реализации способа многомасштабного контурного анализа на основе вычисления оператора Собела
      • 4. 3. 4. Алгоритм реализации способа автоматического определения центров кристаллизации
      • 4. 3. 5. Алгоритм реализации способа автоматического определения оптимального состояния процесса слияний областей
    • 4. 4. Экспериментальное исследование системы анализа изображений в промышленных применениях
      • 4. 4. 1. Исследование характеристик пластических деформаций биметаллической пластины
      • 4. 4. 2. Исследование стратегии слияния областей на основе локального правила к-то порядка
    • 4. 5. Перспективные возможности расширения системы сегментации
      • 4. 5. 1. Анализ изображений радиальных структур
      • 4. 5. 2. Анализ формы объекта, восстановленной по одиночному изображению
      • 4. 5. 3. Анализ семантической структуры железоуглеродистых сплавов
      • 4. 5. 4. Расширение модели представления исходных данных в системе сегментации
    • 4. 6. Выводы по главе

Актуальность работы.

Системы анализа изображений применяются во многих научно-технических и производственных отраслях, где требуется повысить эффективность процедур обработки визуальных данных: медицине, промышленности, аэрофотосъёмке, системах безопасности и охраны правопорядка, робототехнике и других. В промышленности системы анализа изображений используются в металлографии, дефектоскопии, при оценке качества обработки поверхностей, исследовании эксплуатационных свойств материалов и в других прикладных областях. Как правило, под анализом в данных системах понимается выявление объектов, представленных на изображении, и расчёт их характеристик, заданных методикой конкретного исследования и основанных на различных геометрических и статистических признаках. Следовательно, важнейшим этапом обработки визуальных данных в системах анализа изображений является процесс сегментации — выделения однородных по какому-либо признаку областей (сегментов) на исходном цифровом растровом изображении.

На данный момент существует множество методов и подходов к анализу изображений, описанных в работах сотрудников научных школ В. А. Сойфера, С. С. Садыкова, Р. С. Гонсалеса (R. С. Gonzalez), JI. Шапиро (L. Shapiro), Ю-Дж. Жанга (Y.-J. Zhang), M. Баатца (M. Baatz), сотрудников лаборатории компьютерного зрения университета Беркли (UC Berkeley) и других. Однако на практике лишь немногие из них, наиболее изученные и удобные в реализации, используются в технических системах при решении прикладных задач. При этом применение интеллектуальных методов с высокой степенью организации вычислительной системы должно дать эффект оптимизации, включающий:

— качественное расширение возможностей системы анализа изображений для обработки изображений сложных структур объектов;

— повышение точности анализа изображений;

— совершенствование управления процессом анализа;

— снижение затрат времени на анализ изображений.

К данным методам относятся методы сегментации, использующие информацию о связности областей, в том числе методы, основанные на технике выращивания областей. Их исследования являются актуальными, так как они позволяют значительно более эффективно решать прикладные задачи, где до этого применялись классические подходы, к примеру, пороговая сегментация.

Цель и задачи исследования

.

Цель исследования состоит в повышении эффективности процесса сегментации в составе системы анализа изображений за счёт разработки новых высокоорганизованных методов сегментации, комплекса связанных способов и алгоритмов обработки визуальных данных на основе техники выращивания областей и многомасштабных преобразований.

Для достижения поставленной цели необходимо:

— на основе системного подхода исследовать теорию методов сегментации в контексте их влияния на эффективность функционирования технических систем анализа изображений;

— разработать метод сегментации изображений как систему вычислительных операций с высокой степенью организации и интеграции связанных способов обработки визуальных данных;

— разработать и исследовать оптимизированные унифицированные алгоритмы реализации оригинального метода сегментации;

— провести экспериментальное исследование разработанного метода сегментации и комплекса связанных способов обработки визуальных данных в составе системы анализа изображений.

Объектом исследования является процесс сегментации изображений в составе систем анализа изображений неоднородной сегментной структуры.

Предметом исследования являются методы повышения эффективности системы сегментации, оптимизации её вычислительных процессов и комплекса связанных способов обработки визуальных данных.

Методы исследования.

В работе используются методы системного подхода в контексте теории обработки изображенийдиалектикитеории множествмногомасштабного анализавейвлет-преобразованийматематической морфологиитеории алгоритмоваппроксимацииматематической статистикикомпьютерного моделирования.

Достоверность и обоснованность результатов работы, а также адекватность предложенных моделей подтверждается корректностью использованных методов исследованиясистематичностью анализа и синтеза моделей, методов, алгоритмовсходимостью теоретических выводов и данных экспериментов.

Научная новизна работы выражается в следующих пунктах:

— предложена классификационная система методов сегментации с использованием бинарных оппозиций и формализма теории множеств, отличающаяся от традиционных, основанных на принципе обобщения по используемым в процессе обработки средствамразработанный подход к классификации позволил выявить перспективные направления проектирования нового метода сегментации изображений;

— построена многомерная модель представления исходных данных в системе сегментации, основанная на концепции многомасштабного анализа;

— разработан унифицированный подход к созданию алгоритмических систем, используемых при сегментации изображений методом выращивания и слияния областей.

Основные положения, выносимые на защиту:

— способы преобразования изображений в многомерной модели: способ многомасштабного спектрального представленияспособ текстурного анализа при помощи вычисления вейвлет-статистикиспособ многомасштабного контурного анализа на основе вычисления оператора Собела;

— метод сегментации изображений на основе выращивания и слияния областей, включающий разработанный способ определения центров кристаллизации и оригинальный критерий определения оптимального состояния процесса слияний областей, отличающийся усовершенствованной организацией;

— алгоритм реализации разработанного метода сегментации с временной оптимизацией и унифицированной структурой.

Практическая ценность работы заключается в следующем:

— разработанная многомерная модель представления исходных данных в системе сегментации позволяет выполнять корректную сегментацию изображений неоднородной сегментной структуры, что обеспечивает универсальность применения в прикладных задачах;

— реализация разработанного метода сегментации позволяет оптимизировать функционирование системы анализа изображений по показателям точности, временных затрат и управляющих воздействий;

— разработано программное обеспечение количественного анализа растровых изображений, позволяющее повысить эффективность исследований образцов различных материалов в промышленных применениях.

Реализация и внедрение полученных результатов.

Основные результаты использованы на производствах ОАО «НПО «Сатурн», ЗАО «ВолгАэро», ООО «Литейно-механический завод» и внедрены в учебном процессе ФГБОУ ВПО «РГАТУ имени П. А. Соловьёва».

Апробация работы. Основные положения диссертации докладывались и обсуждались на следующих форумах:

— 1 Всероссийская научная конференция молодых учёных «Теория и практика системнрго анализа» (Рыбинск, 2010);

— XI Международная научно-техническая конференция «Кибернетика и высокие технологии XXI века» (Воронеж, 2010);

— Всероссийская межвузовская научная конференция «III Всероссийские научные Зворыкинские чтения» (Муром, 2011);

— Международная молодёжная конференция «XI Королёвские чтения» (Самара, 2011).

Научно-исследовательские работы проводились при поддержке государственного Фонда содействия развитию малых форм предприятий в научно-технической сфере по программе «Участник молодёжного научно-инновационного конкурса».

Публикации. По теме диссертации опубликовано 12 научных работ:

— 4 статьи в научных журналах, в том числе 3 статьи в журналах, рекомендуемых ВАК РФ для публикации основных результатов диссертаций;

— 5 докладов в сборниках трудов конференций;

— патент РФ на изобретение № 2 440 609 от 20.10.2010;

— 2 свидетельства о государственной регистрации программ для ЭВМ: № 2 009 613 898 от 20.07.2009, № 2 010 614 091 от 23.06.2010.

Структура и объём работы. Диссертация содержит введение, 4 главы, заключение, изложенные на 150 страницах машинописного текста, список использованных источников, состоящий из 108 наименований, 4 приложения. Материал работы включает 80 рисунков, 13 таблиц.

Основные результаты работы были использованы на ОАО «НПО «Сатурн» при анализе пластических деформаций композиционных материалов, на ЗАО «ВолгАэро» для оценки качества дроби, на ООО «Литейно-механический завод» при металлографическом анализе и внедрены в учебный процесс ФГБОУ ВПО «РГАТУ имени П.А.Соловьёва» на кафедрах «МПО ЭВС», «ВС», «MJIC», «ОМД» и «ЭМ и ЭИС» в лекционных и лабораторных занятиях.

В итоге, полученные результаты позволяют сделать вывод о том, что предложенные метод сегментации, способы и алгоритмы реализации на основе выращивания областей и многомасштабных преобразований изображений неоднородной сегментной структуры обеспечивают достижение конечной цели диссертационной работы — повышение эффективности процесса сегментации в системах анализа изображений.

ЗАКЛЮЧЕНИЕ

.

В диссертации исследованы методы сегментации изображений с целью повышения эффективности процесса сегментации в системах анализа изображений. На основе системного анализа были определены перспективные направления исследований, выявлены основные проблемы использующихся методов и недостатки существующих систем анализа изображений. Определено, что актуальными являются исследования методов сегментации, основанных на технике выращивания областей, так как они позволяют значительно более эффективно решать прикладные задачи на современном этапе развития техники.

В диссертационной работе получены следующие основные научные и практические результаты.

1 Предложена классификационная система методов сегментации с использованием бинарных оппозиций и формализма теории множеств, на основе которой построена классификация и проведён системный анализ методов сегментации, выявивший перспективные направления и основные концепции создания нового метода для реализации процесса сегментации в системе анализа изображений.

2 Построена многомерная модель представления исходных данных в системе сегментации, включающая в себя: способ многомасштабного спектрального представления, способ текстурного анализа при помощи вычисления вейвлет-статистики, способ многомасштабного контурного анализа на основе вычисления оператора Собела. Предложенная модель обеспечивает использование в процессе сегментации различной информации (спектральной, текстурной, контурной), полученной для заданного диапазона уровней пространственного масштаба. Разработанные способы, реализующие многомерную модель, обеспечивают повышение качества сегментации изображений неоднородной сегментной структуры.

3 Предложен метод сегментации изображений на основе выращивания и слияния областей, включающий разработанный способ автоматического определения центров кристаллизации и оригинальный критерий автоматического определения оптимального состояния процесса слияний областей на основе анализа последовательности допущенных отклонений характеристик сегментов. Данный критерий является более универсальным, чем существующие правила, основанные на пороговом ограничении на количество сегментов и их однородность. Метод обеспечивает высокую степень организации системы анализа изображений и, следовательно, повышение эффективности процесса сегментации.

4 Разработаны алгоритмы реализации метода выращивания областей, обеспечивающие снижение размера задачи повторных вычислений функции гетерогенности в процессе сегментации в и0'5 (п — размер изображения в пикселах), статистическая оценка временной сложности выращивания (времени.

О 7 выполнения) снижена в п ' (оптимизированный алгоритм выполняется в среднем в 6 раз быстрее оригинального алгоритма), что подтверждает повышение эффективности разработанных алгоритмов в сравнении с оригинальным. Данный результат был получен без введения схем приближённых вычислений, приводящих к потере точности сегментации.

5 Следствием существенного сокращения количества пересчётов связей сегментов в разработанных алгоритмах является возможность использования более сложных функций гетерогенности с целью повышения эффективности процесса сегментации по показателям универсальности и точности.

6 Разработанные алгоритмы реализации метода выращивания областей обобщены для случая метода сегментации на основе слияния областей. Как следствие, в рамках системы анализа изображений достигнут эффект унификации реализации системы сегментации, включающей последовательное выполнение операций выращивания и слияния областей.

7 Программная среда для экспериментального исследования метода, разработанная в соответствии с подходом системного синтеза, обеспечивает корректную проверку адекватности разработанного метода сегментации и комплекса связанных способов и алгоритмов обработки визуальных данных. Экспериментальное исследование частных алгоритмов показало, что возможность внесения управляющих воздействий по выбору используемых факторов гомогенности, настройке весовых масштабных коэффициентов функции гетерогенности, определению оптимального состояния процесса слияний областей повышает эффективность процесса сегментации изображений неоднородной сегментной структуры.

8 Исследование эффективности системы количественного анализа для задачи определения характеристик пластических деформаций многокомпонентных систем при создании композиционных материалов показало, что применение разработанного метода сегментации обеспечивает повышение точности измерений при фиксированном уровне управления (ошибка уменьшена на 6,5%).

9 Организация процесса сегментации в системе анализа изображений имеет открытую структуру и предоставляет возможности для расширения.

Показать весь текст

Список литературы

  1. , Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов Текст. / Д. Марр — пер. с англ. Н. Г. Гуревича — под ред. И. Б. Гуревича. М.: Радио и связь, 1987. — 404 с.
  2. , Р. С. Цифровая обработка изображений Текст. / Р. С. Гонсалес, Р. Э. Вудс. М.: Техносфера, 2005. — 1072 с. -ISBN 5−94 836−028−8.
  3. Cheng, Н. D. Color image segmentation: advances and prospects Текст. / H. D. Cheng, X. H. Jiang, Y. Sun, J. Wang // Pattern Recognition. 2001. — Vol. 34, Iss. 12.-P. 2259−2281.
  4. , А. Методы сегментации изображений: автоматическая сегментация Электронный ресурс. / А. Вежневец, О. Баринова // Компьютерная графика и мультимедиа: сетевой журнал. 2006. — № 4. -Режим доступа: http://cgm.computergraphics.ru/content/view/147.
  5. , О. А. Численные методы мультифрактального формализма в задачах сегментации и текстурного анализа данных дистанционного зондирования Текст. / О. А. Круглун, И. Н. Макаренко // Математический журнал. 2007. — Т. 7. — № 4 (26). — С. 51 — 59.
  6. , У. Цифровая обработка изображений Текст. / У. Прэтт — пер. сангл. под ред. Д. С. Лебедева. М.: Мир, 1982. — Кн. 2 — 480 с.
  7. Steinbrecher, R. Bildverarbeitung in der Praxis Электронный ресурс. / R. Steinbrecher. Электрон, дан. (3 файла). — Режим доступа: http://www.rst-software.de/dbv/download.html.
  8. , М. Н. Модели и методы распознавания динамических образов на основе пространственно-временного анализа последовательностей изображений: автореф. дисс.. д-ра техн. наук: 05.13.17 / Фаворская Маргарита Николаевна. Красноярск, 2010. — 36 с.
  9. Shen, J. A Stochastic-Variational Model for Soft Mumford-Shah Segmentation Текст. / J. Shen // International Journal of Biomedical Imaging. -2006.-С. 1 14.
  10. Lucchese, L. Color Image Segmentation: A State-of-the-Art Survey Текст. / L. Lucchese, S. K. Mitra // Proceedings of the Indian National Science Academy. 2001. — № 2. — C. 207 — 221.
  11. Zhang, Y.-J. An Overview of Image and Video Segmentation in the Last 40 Years Текст. / Y.-J. Zhang // Advances in Image and Video Segmentation. -2006.-С. 1 16.
  12. Fu, K. A survey on image segmentation Текст. / К. Fu, J. Mui // Pattern Recognition. 1981. — Vol. 13, Iss. 1. — P. 3 — 16.
  13. Skarbek, W. Color Image Segmentation A Survey, Technisher Bericht Текст. / W. Skarbek, A. Koschan // Technische Universitat Berlin. -1994. — 81 p.
  14. , Т. Алгоритмы машинной графики и обработки изображений Текст. / Т. Павлидис. М.: Радио и Связь, 1986. — 396 с.
  15. , В. Г. Философия диалектико-материалистическогогуманизма Текст. / В. Г. Черников. Рыбинск: Рыбинский Дом печати, 1998. -374 с.
  16. Blaschke, Т. Object based image analysis for remote sensing Текст. / Т. Blaschke // ISPRS Journal of Photogrammetry and Remote Sensing. 2010. -Vol. 65. — Iss. l.-P. 2- 16.
  17. , П. А. Сегментация изображений: методы выделения границ областей Текст. / П. А. Бакут, Г. С. Колмогоров // Зарубежная радиоэлектроника. 1987. — № 10. — С. 25 — 47.
  18. , В. А. Компьютерная обработка изображений. Часть 2 Методы и алгоритмы Текст. / В. А. Сойфер // Соросовский образовательный журнал. -1996. -№ 3.- С. 110−121.
  19. , П. А. Сегментация изображений: методы пороговой обработки Текст. / П. А. Бакут, Г. С. Колмогоров, И. Э. Ворновицкий // Зарубежная радиоэлектроника. 1987. — № 10. — С. 6 — 24.
  20. , А. П. Быстродействующий алгоритм сегментации изображений Текст. / А. П. Щербаков // Автометрия. 2005. — Т. 41. — № 2. -С. 59 — 67.
  21. Baatz, М. Multiresolution Segmentation: an optimization approach for high quality multi-scale image segmentation Текст. / M. Baatz, A. Schape. // Journal of Photogrammetry and Remote Sensing. 2004. — Vol. 58. — Iss. 3 — 4. — P. 239 — 258.
  22. Pat. W02009143651 (Al), IPC7 G 06 T 5/00. Fast image segmentation using region merging with a k-nearest neighbor graph Текст. / Mantao X. [CN], Qiyong G. [CN], Hongzhi L. [CN], Jiwu Z. [CN] - applicant CARESTREAM HEALTH, INC. [US]. 16 p.
  23. Lu, Y. Region growing method for the analysis of functional MRI data Текст. / Y. Lu, T. Jiang, Y. Zang // Neurolmage. 2003. — № 20. — P. 455 — 465.
  24. , P. В. Метод и алгоритмы стилизации изображения в цифровых системах охранного телевидения Текст.: автореф. дисс.. канд. техн. наук: 05.12.04 / Никитин Руслан Владимирович. Санкт-Петербург, 2010. -18 с.
  25. , А. В. О систематизации вейвлет-преобразований Текст. / А. В. Переберин // Вычислительные методы и программирование. 2001. — Т. 2, № 2.-С. 133- 158.
  26. , И. М. Вейвлеты и их использование Текст. / И. М. Дремин, О. В. Иванов, В. А. Нечитайло // Успехи физических наук. 2001. — Т. 171. — № 5.-С. 465−501.
  27. , П. В. Вейвлет-преобразование и анализ временных рядов Текст. / П. В. Козлов, Б. Б. Чен // Вестник КРСУ. 2002. — № 2. — Режим доступа: http://www.krsu.edu.kg/vestnik/2002/v2/al 5 .html.
  28. , В. Р. Объектно-независимый подход к структурному анализу изображений: автореф. дисс.. д-ра техн. наук: 05.13.01 / Луцив Вадим Ростиславович. Санкт-Петербург, 2011. — 35 с.
  29. , A. JI. Теория и методы обработки многомасштабныхпоследовательностей цифровых изображений в промышленных системах контроля качества: автореф. дисс.. д-ра техн. наук: 05.13.01 / Жизняков Аркадий Львович. Москва, 2008. — 36 с.
  30. Deng, Y. Color Image Segmentation Текст. / Y. Deng, В. S. Manjunath, H. Shin // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'99). Vol. 2. — 1999. — pp. 2446.
  31. , М. Д. Многомасштабный подход к определению контуров объектов на цифровых изображениях Текст. / М. Д. Казанов // Организационное управление и искусственный интеллект. 2003. — С. 228 -238. — (Труды / Институт Системного Анализа РАН).
  32. , В. Г. Теория и применение преобразования Хо Текст. /
  33. B. Г. Лабунец, С. Д. Чернина // Зарубежная радиоэлектроника. 1987. — № 10.1. C. 48−56.
  34. , Е. М. Параметрическая и структурная адаптация систем распознавания текстовых меток на видеоизображениях: автореф. дисс.. канд. техн. наук: 05.13.01 / Воскресенский Евгений Михайлович. Рыбинск, 2010.- 16 с.
  35. ОАО «Радиотехнический институт им. акад. А. Л. Минца, Государственное некоммерческое учреждение Гематологический научный центр РАМН. -№ 98 122 916/14 — заявл. 16.12.1998- опубл. 27.03.2000.
  36. Заявка 2 001 109 030/09 Российская Федерация, МПК7 С 06 К 9/00. Способ обнаружения лица и распознавания жестов Текст. / Свириденко А. В.- заявитель Свириденко А. В.- заявл. 06.04.2001- опубл. 20.04.2003.
  37. , В. Ю. Пороговая обработка для сегментации и выделения протяжённых объектов на цифровых изображениях Текст. / В. Ю Волков., Л. С. Турнецкий // Информационно-управляющие системы. 2009.5 (42).-С. 10−13.
  38. , А. Г. Адаптивная система определения параметров текстовых зон в видеопоследовательности: автореф. дисс.. канд. техн. наук: 05.13.01 / Зотин Александр Геннадьевич. Красноярск, 2007. — 23 с.
  39. Программная часть SIAMS 700 Электронный ресурс. Режим доступа: http://siams.com/products/siams700/siams700mod.htm.
  40. Smart Imaging Spreadsheet: SIMAGIS Электронный ресурс. Режим доступа: http://smartimtech.com/analysis/research.htm.
  41. ООО «Новые Экспертные Системы». Программа для количественного анализа изображений ImageExpert Pro 3 Электронный ресурс. Режим доступа: http://www.nexsys.ru/iepro3x.htm.
  42. Программное обеспечение ВидеоТесТ Структура 5.2 Электронный ресурс. — Режим доступа: http://www.videotest.ru/ru/others/9.
  43. Comprehensive Image Processing and Analysis Solutions Электронный ресурс. Режим доступа: http://www.clemex.com/Products/ImageAnalysis/Software/VisionPE.aspx.
  44. , В. Методы сегментации изображений: интерактивная сегментация Электронный ресурс. / В. Конушин, В. Вежневец // Компьютерная графика и мультимедиа: сетевой журнал. 2007. — № 1. — Режим доступа: http://cgm.computergraphics.ru/content/view/172.
  45. , А. В. Сегментация изображений посредством разрезов на графах Текст. / А. В. Корх, И. И. Курочкин // Труды I Всероссийской конференции молодых учёных «Теория и практика системного анализа». 2010. — Т. 2.1. С. 172- 179.
  46. Shi, J. Normalized Cuts and Image Segmentation Текст. / J. Shi, J Malik // IEEE Transactions on Pattern Analysis and Machine Intelligence.2000. Vol. 22. — No. 8. — P. 888 — 905.
  47. Arbelaez, P. Contour Detection and Hierarchical Image Segmentation Текст. / P. Arbelaez, M. Maire, C. Fowlkes, J. Malik // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. — Vol. 33. — № 5. — P. 898 — 916.
  48. Fowlkes, C. How Much Does Globalization Help Segmentation? Текст. / С. Fowlkes, J. Malik: Report No. UCB/CSD-4−1340. Computer Science Division (EECS) University of California Berkeley. 2004. — 10 p.
  49. , А. С. Автоматический анализ изображений и распознавание образов на основе принципа репрезентационной минимальной длины описания: автореф. дисс.. д-ра техн. наук: 05.13.07, 05.13.01 / Потапов Алексей Сергеевич. Санкт-Петербург, 2008. — 36 с.
  50. Ning, J. Interactive image segmentation by maximal similarity based region merging Текст. / J. Ning, L. Zhang, D. Zhang, C. Wu // Pattern Recognition. -2010. Vol. 43. — Iss. 2. — P. 445 — 456.
  51. Defmiens. Understanding images Электронный ресурс. / Режим доступа: http://www.definiens.com.
  52. Automated Feature Extraction with DEFINIENS and WOOLPERT Электронный ресурс. / Режим доступа: http://www.ecognition.com/news/ ecognition-tv/woolpert-webinar-part-13 -automated-feature-extraction.
  53. Definiens Cognition Network Technology Электронный ресурс. / Режим доступа: http://www.definiens.com/product-services/technology.html.
  54. Burnett, C. A multi-scale segmentation/object relationship modelling methodology for landscape analysis Текст. / С. Burnett, Т. Blaschke // Ecological Modelling. 2003. — Vol. 168. Iss. 3. — P. 233 — 249.
  55. Dragut, L. ESP, a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data Текст. / L. Dragut, D. Tiede, S. R. Levick // International Journal of Geographical Information Science. 2010. -Vol. 24.-№ 6.-P. 859−871.
  56. , В. И. Теоретические основы системного анализа Текст. / В. И. Новосельцев, Б. В. Тарасов, В. К. Голиков, Б. Е. Демин- под ред. В. И. Новосельцева. М.: Майор, 2006. — 592 с.
  57. Anoraganingrum, D. Cell Segmentation with Adaptive Region Growing Text. / D. Anoraganingrum, S. Kroner, B. Gottfried // ICIAP Venedig. 1999. -P. 27−29.
  58. Clinton, N. An accuracy assessment measure for object based image segmentation Текст. / N. Clinton, A. Holt, L. Yan, P Gong // Proceedings of ISPRS: XXIst ISPRS Congress: Technical Commission IV. 2008. — Vol. XXXVII Part 4. -P. 1189- 1194.
  59. Clinton, N. Supervised goodness metrics for image segmentation comparison Текст. / N. Clinton, A. Holt, P Gong, L. Yan // Environmental Technology. 2007. — P. 1 — 11.
  60. The USC-SIPI Image Database Электронный ресурс. / Режим доступа: http://sipi.usc.edu/database.
  61. Outex Texture Database Электронный ресурс. / Режим доступа: http://www.outex.oulu.fi/index.php?page=outexhome.
  62. Vision Texture Электронный ресурс. / Режим доступа: http://vismod.media.mit.edu/vismod/imagery/VisionTexture/vistex.html.
  63. MeasTex Image Texture Database and Test Suite Электронный ресурс. / Режим доступа: http://www.texturesynthesis.com/meastex/meastex.html.
  64. Berkeley Segmentation Data Set and Benchmarks 500 (BSDS500) Электронный ресурс. / Режим доступа: http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/resources.html.
  65. , Н. Н. Агломеративная сегментация и поиск однородных объектов на растровых изображениях: автореф. дисс.. канд. техн. наук: 05.13.17 / Митропольский Николай Николаевич. М., 2010. — 17 с.
  66. Вып. 4. М., 2011. — С. 291 — 302.
  67. , Н. Алгоритмы и структуры данных Текст. / Н. Вирт- пер. с англ. Д. Б. Подшивалова. М.: Мир, 1989. — 360 с.
  68. Atallah, М. J. Algorithms and Theory of Computation Handbook. General Concepts and Techniques Текст. / M. J. Atallah, M. Blanton. Chapman&Hall/ CRC Press, 2010.-990 p.
  69. , Н. Ф. Атлас макро- и микроструктур металлов и сплавов Текст. / Н. Ф. Болховитинов, Е. Н. Болховитинова. М.: МАШГИЗ -1959.-88 с.
  70. , П. В. Временная оптимизация алгоритма сегментации в системе анализа изображений на основе метода выращивания областей Текст. / И. Н. Паламарь, П. В. Сизов // Информационно-управляющие системы.2012.-№ 2.-С. 2−12.
  71. , А. С. Исследование и разработка технологического процесса изготовления штамповок лопаток газотурбинного двигателя с защитным слоем: автореф. дисс.. канд. техн. наук: 05.16.05 / Скобелева Анна Сергеевна. Рыбинск, 2012. — 23 с.
  72. , И. А. Распознавание человека по радужке Текст. / И. А. Матвеев, К. Д. Ганькин // Системы безопасности. № 5. — 2004.
  73. Свидетельство о государственной регистрации программы для ЭВМ № 2 009 613 898. Вейвлет-спектрограф Текст. / Паламарь И. Н.,
  74. П. В. — заявитель и правообладатель ГОУ ВПО «РГАТА имени П. А. Соловьёва». Заявка № 2 009 612 503 от 21.05.2009 — опубл. 20.07.2009.
  75. Zhang, R. Shape from Shading: A Survey Электронный ресурс. / R. Zhang, P.-S. Tsai, J. E. Cryer, M. Shah. Электрон, дан. (1 файл) — Режимдоступа: http://vision.eecs.ucf.edu/papers/shah/99/ZTCS99.pdf.
  76. Металлография железа Текст. / Том 1 «Основы металлографии» — пер. с англ. М.: Металлургия. — 1972. — 240 с.
  77. , П. В. Подход к семантической сегментации изображений структур железоуглеродистых сплавов Текст. / П. В. Сизов // Научные труды Международной молодёжной научной конференции «XXXVIII Гагаринские чтения» в 8 томах. М.: ИЦ МАТИ, 2012. Т. 8.
Заполнить форму текущей работой

Сессия? Спокойно!