Модели и методы обработки и передачи цифровой фото и видеоинформации для принятия решений в автоматизированных информационных системах : Моделі та методи обробки і передачі цифрової фото-і відеоінформації для прийняття рішень в автоматизованих інформаційних системах

Краткое описание

Министерство образования и науки Украины

Национальный университет кораблестроения имени адмирала Макарова

На правах рукописи

Головко Алексей Владимирович

УДК 621.372.542

Модели и методы обработки и передачи цифровой фото и видеоинформации для принятия решений в автоматизированных информационных системах

05.13.06 – Информационные технологии

Диссертация на получение научной степени

кандидата технических наук

Научный руководитель – доктор технических наук,

профессор Рябенький Владимир Михайлович,

заведующий кафедрой электронных систем национального университета кораблестроения имени адмирала Макарова.

Николаев - 2012





Содержание

Вступление......................................................................................        7

Раздел 1. Анализ и обобщение моделей обработки и описания объектов цифровой фото и  видеоинформации в автоматизированных Информационых системах

1.1                  Методы математического анализа цифровых изображений...        12

1.1.1.        Сегментация цифрового изображения.....................................        13

1.1.2.        Сегментация как разбиение изображения на однородные области            19

1.1.3.        Моделирование изображения Марковским полем..................        22

1.1.4.        Теория графов...........................................................................        24

1.1.5.        Оптимизационный подход к сегментации цифрового изображения          27

1.2                  Методы предварительной обработки изображений................        30

1.2.1.        Анализ методов признакового описания статичных изображений   30

1.2.2.        Оценка информативности набора признаков..........................        33

1.2.3.        Методы формирования признаков...........................................        35

1.2.4.        Контурный анализ изображения..............................................        41

1.2.5.        Корреляционные функции контуров........................................        46

1.3                  Основные направления и постановка задач исследования......        48

1.4                  Выводы......................................................................................        50

Раздел 2. Методы обработки цифровой фото и видеоинформации для принятия решений в автоматизированных информационных системах

2.1                  Методы предварительной обработки цифровой фото-информации          51

2.1.1.        Повышения качества цифрового изображения........................        51

2.1.2.        Разработка автоматизированной информационной системы выделения связанного множества пикселей на бинарном изображении методом индексирования.........................................................................        52

2.1.3.        Оценка разработанного метода автоматизированного определения связного множества пикселей...................................................        57

2.2                  Алгоритмизация выделения исследуемого объекта из фона на цифровом изображении..............................................................................        60

2.2.1.        Оптимизированный метод регистрации цифровых данных и преобразование в полутоновый вид.........................................        60

2.2.2.        Метод выделения объекта из фона повышением контраста цифрового изображения..............................................................................        61

2.2.3.        Метод выделения объекта из фона фильтрацией цифрового изображения....................................................................................................        67

2.2.4.        Метод сегментации выделенного объекта................................        68

2.3                  Анализ методов автоматизированного выделения объектов..        69

2.3.1.        Принцип сращивание «разорванных» областей выделенного объекта     ................................................................................................ 69

2.3.2.        Оценка разработанных методов выделения объекта из фона.        73

2.4                  Выводы......................................................................................        75

Раздел 3. Модели и алгоритмы сегментации «объектов интереса» в автоматизированных информационных системах

3.1.               Модель идентификации «объекта интереса» на основе анализа числовых признаков...................................................................................        76

3.1.1.        Модель определения контура объекта на основе анализа цифровых фото-данных.......................................................................................        76

3.1.2.        Алгоритм фильтрации изображения........................................        77

3.1.3.        Алгоритм векторного представления бинарного изображения        79

3.1.4.        Метод классификации объекта..................................................        83

3.1.5.        Оценка метода обнаружения объектов классификацией.........        85

3.2.               Модель автоматизированной сегментации изображения........        88

3.2.1.        Определение геометрического центра сегментированных составляющих ................................................................................................ 88

3.2.2.        Определение скелета объекта на изображении........................        89

3.3.               Разработка автоматизированной информационной системы поиска остова объекта на цифровом фото-изображении................................        91

3.3.1.        Метод прохождения сферической волны для определения остова объекта на изображении.........................................................................        91

3.3.2.        Метод эрозии для определения остова объекта на изображении     94

3.4.               Метод автоматизированной сегментации для выделения остова объекта  ................................................................................................ 95

3.4.1.        Метод определения толщины участка объекта........................        95

3.4.2.        Оценка разработанных методов выделения остова объекта...        99

3.4.3.        Автоматизация сегментации на примере анализа цифрового фото-изображения профиля силуэта человека..................................        100

3.5.               Выводы......................................................................................        105

Раздел 4. Моделирование погрешностей в трактах обмена данными компьютерных локально вычислительных сетей

4.1.               Механизм ввода данных. Оценка качества видеоданных.......        106

4.1.1.        Устройства ввода цифровых видеоданных..............................        106

4.1.2.        Методы субъективной оценки качества передаваемой видеоинформации .............................................................................................. 108

4.1.3.        Методы объективной оценки качества передаваемой видеоинформации  .............................................................................................. 110

4.1.4.        Разработка инструмента для оценки уровня качества видео трафика       .............................................................................................. 113

4.1.5.        Внедрение методов объективной оценки качества передаваемой видеоинформации в модель Simulink.......................................        117

4.1.6.        Оценка качества видео, сжатого различными алгоритмами, на основе разработанной модели Simulink...............................................        118

4.2.               Поиск «объектов интереса» по устойчивым признакам на изображении  .............................................................................................. 121

4.2.1.        Поиск «объекта интереса» методом  SURF..............................        121

4.2.2.        Оценка методов поиска объектов на цифровых фото изображениях         .............................................................................................. 124

4.3.               Выводы......................................................................................        127

Раздел 5. Разработка и внедрение Специализированной автоматизированной информационной системы поиска и слежения за объектами

5.1.               Механизм захвата и анализа видеоданных в рамках операционной системы Microsoft Windows....................................................................        128

5.1.1.        Подключение цифровой видеокамеры с помощью механизма DirectShow....................................................................................................        128

5.1.2.        Анализ видеопотока. Реализация алгоритма детектора движения механизмами MATLAB.............................................................        129

5.1.3.        Интеграция  модуля, созданного в среде моделирования MATLAB во внешнее приложение.................................................................        136

5.1.4.        Анализ видеопотока. Реализация алгоритма детектора движения в рамках механизма DirectShow...............................................................        137

5.1.5.        Оценка производительности методов реализации алгоритма детектора движения....................................................................................        141

5.2.               Прикладное программное обеспечение автоматизированного анализа цифровой видеоинформации....................................................        143

5.2.1.        Взаимодействия механизма DirectShow с библиотекой видео анализа OpenCV......................................................................................        143

5.2.2.        Разработка программной системы автоматизированного анализа цифрового видеопотока............................................................        147

5.2.3.        Цифровое масштабирование видеопотока...............................        149

5.3.               Постановка эксперимента. Регистрация и анализ данных......        154

5.3.1.        Автоматизированная обработка видеоролика, на примере упражнения отжимания..................................................................................        154

5.3.2.        Анализ полученных данных в ходе проведения эксперимента         157

5.4.               Выводы......................................................................................        161

Выводы..............................................................................................        162

Список использованной литературы...............................        164

Вступление

Актуальность работы.

Возрастающие требования к хранению и передаче информации, как правило, стимулируют совершенствование имеющихся и создание принципиально новых аппаратных и программных средств обработки цифровых данных. Необходимость поиска адекватного математического аппарата, ответственного за качественное решение прикладных задач цифровой обработки, подтверждает актуальность данной проблемы - при огромных потоках обрабатываемой информации от грамотного использования математических средств и оптимального использования совокупного объема памяти ЭВМ зависит быстродействие программы.

При решении задач сохранения, анализа и передачи цифровых данных по вычислительным сетям, особого внимания требуют различного рода графические объекты, обрабатываемые вычислительными системами. Особый интерес к математическому анализу и обработке изображений, прежде всего, связан с тем, что в отличие от фото-данных, тексты и программы для своего сохранения и передачи по сети требуют гораздо меньших объемов памяти.

Важной особенностью визуальной информации является ее высокая информативность, что позволяет проводить глубокий анализ, а также решать задачи сравнения или идентификации. Вопрос о принадлежности данного объекта к отдельно описанному классу представляет собой сущность отдельного подхода при работе с графическими изображениями, который в целом можно назвать теорией распознавания образов.

Теоретической базой для исследования стали работы известных советских ученых таких, как М. М. Бонгарда, Ю. Г. Васина, Ю. И. Журавлева, И.И. Цуккермана, Л.П. Ярославского, А.Г. Ивахненко, В.М. Глушкова, Г.С. Себестиана. Среди украинских и российских исследователей, занимающихся исследованием вопроса передачи видеоданных по сети за последнее десятилетие можно выделить: Я.А. Кременецкую, К.П. Сторчак (ГУИКТ, г. Киев); О.А. Оксюк, А.В. Липанова, А.Ю. Михайлова (ХНУРЭ, г. Харьков); А.Г. Плахова, Г.А. Урьева, Е.С. Сагатова (СГАКУ, г. Самара)

Цель и задачи исследования.

Целью исследования является разработка и модификация алгоритмов обработки и передачи видеоинформации для принятия решений в автоматизированных информационных системах, для повышения эффективности решения типовых задач цифрового анализа изображений.

Для достижения поставленной цели в диссертации решены следующие задачи исследования:

·        Разработка и построение модели быстрого поиска связных множеств точек на цифровом изображении.

·        Разработка методологических основ построения автоматизированных систем выделения объекта на цифровом фотоизображении;

·        Разработка и построение автоматизированной информационной системы сегментации объектов цифрового фотоизображения;

·        Исследование методов кодирования и математическое моделирование погрешностей в трактах обмена данными компьютерных локально вычислительных сетей;

·        Разработка и внедрение инструментальных средств для построения специализированной автоматизированной системы обработки фото и видеоданных.

Объектом исследования диссертационной работы являются цифровые фото и видео данные, как источник информации для принятия решений в автоматизированных информационных системах.

Предметом исследования диссертационной работы является модели и методы обработки и передачи цифровой фото и видеоинформации для принятия решений в автоматизированных информационных системах.

Методы исследования. В работе использованы методы обработки и анализа цифровых фото и видео данных, математического моделирования, теории фильтрации и векторного анализа. Основными инструментами исследования были: программные пакеты MatLab, Simulink и интегрированную среду разработки программного обеспечения Visual Studio 6.0/2005.

Научная новизна. В процессе решения поставленных задач получены научные результаты:

1.     Усовершенствован метод поиска связных пикселей на цифровом бинарном изображении, который в отличие от существующих повышает скорость обработки, что позволяет проводить анализ данных в режиме реального времени.

2.     Предложена и обоснована новая математическая модель выделения объекта с фото изображения, которая основана на обобщенной математической модели повышения контраста, фильтрации и результатах компьютерного моделирования.

3.     Впервые разработан способ автоматизированной сегментации объектов путем анализа цифровых фото-данных на примере анализа изображения силуэта человека.

4.     Получило дальнейшее развитие оценка качества потокового видео в процессе его обработки и анализа.

5.     Решена задача автоматизированного анализа потока видеоданных с использованием метода поиска объектов интереса по устойчивым признакам, построения корреляционной функции и поиска числовых признаков.

Практическое значение и реализация полученных результатов заключается в том, что результаты исследования используются на стадии проектирования охранных систем видеонаблюдения ООО «Конус Украина».
Теоретические результаты повышения эффективности обработки и передачи видеоинформации для принятия решений в автоматизированных информационных системах используются в учебном процессе Национального университета кораблестроения имени адмирала Макарова при изучении дисциплин «Промышленные электронные системы» и «Электронные системы» на кафедре ТЕЕС.

Публикации

1.     Рябенький В.М. Определение связанного множества пикселей на бинарном изображении методом индексирования / Рябенький В. М., Головко А. В., Анзин В. О., Иващенко К. П. // Вестник Херсонского национального технического университета. – 2009. – № 1(34). – С. 399 – 402.

2.     Рябенький В.М. Исследование характеристик видеотрафика в сетях видеонаблюдения / В.М. Рябенький, В.О. Анзин, А.В. Головко, К.П. Иващенко // Вестник Херсонского национального технического университета. – 2009. – № 1 (34). – С. 411 – 415.

3.     Рябенький В.М. Разработка алгоритма определения зон движения в видеопотоке. Сравнение среды моделирования MatLab и языка программирования Visual C++ 2005 / Головко А. В., Анзин В. О., Иващенко К. П. // Вестник Херсонского национального технического университета. – 2009. – № 2 (36). – С. 299 – 306.

4.     Рябенький В.М. Выделение силуэта человека на цветном цифровом изображении / Головко А. В., Ягьяев В. Р. // Журнал ПИТ. – 2009. – № 2 (006). – С. 299 – 306.

5.     Рябенький В.М. Моделирование сетей IP-видеонаблюдения с высоким разрешением IP-камер / Рябенький В.М., Анзин В.О., Головко А.В. // Журнал ПИТ. – 2010. – № 1 (007). – С. 309 – 313.

6.     Рябенький В.М. Определение антропометрических показателей человека путем анализа цифрового фотоизображения / Головко А. В., Ягьяев В. Р. // Вестник Херсонского национального технического университета. – 2010. – № 2 (38). – С. 441 – 447.

7.     Рябенький В.М. Поиск и выделение объектов интереса в задачах анализа биомеханики человека методом классификации / Головко А. В., Ягьяев В. Р. // Вестник Херсонского национального технического университета. – 2011. – № 2 (41). – С. 310 – 317.

8.     Рябенький В.М. Автоматический анализ биомеханических характеристик человека в динамике / Головко А. В., Ягьяев В. Р. // Вестник НУК. – 2011. – № 5. – С. 299 – 306.

9.     Рябенький В.М. Поиск объектов интереса по устойчивым признакам на изображении / Головко А. В., Ягьяев В. Р. // Вестник НУК. – 2011. – № 6. – С. 299 – 306.

Список литературы

Выводы

В процессе проведения исследования получены следующие результаты:

1.     Усовершенствован метод поиска связных множеств на цифровом бинарном изображении за счет использования индексного массива, который позволяет сгруппировать все элементы изображения по признакам соседства друг с другом. Разработанный метод повышает скорость поиска объектов на цифровом изображении и позволяет произвести оценку их размеров, что дает возможность применение метода при анализе видеоданных в реальном времени.

2.     Впервые разработан метод многоуровневого повышения контраста, который в отличии от существующих, производит анализ каждой RGB компоненты цифрового фотоизображения. Результирующее изображение определяется как сумма RGB компонент. Метод позволяет производить выделение объектов из фона до 8% точнее, чем существующие.

3.     Впервые разработана автоматизированная информационная система сегментации цифрового изображения используя методы математического описания объекта числовыми признаками. На примере анализа силуэта человека произведена идентификация и сегментация объекта. Использование разработанной системы позволило получить инвариантность к углу поворота и масштабированию анализируемого объекта.

4.     Впервые решена задача объективной оценки качества видеоинформации, за счет разработанного инструмента оценки в модели Simulink.

5.     Получена количественная оценка эффективности применения методов кодирования для решения задачи, уменьшения объема мультимедийной информации, существующих алгоритмов компрессии, а также позволил произвести оценку результатов анализа, обработки и передачи видеоданных в режиме реального времени.

6.     Впервые разработана автоматизированная информационная система обработки видеоданных с использованием оптимизированного алгоритма поиска «объектов интереса» по устойчивым признакам на цифровом изображении. Система позволяет производить анализ движущихся объектов обрабатывая цифровые видеоданные. Видеоданные могут быть получены как в режиме реального времени, с помощью устройств ввода визуальной информации, так и из файлов видеоархива.

Обоснование выводов и рекомендаций, приведенных в работе, подтверждаются практическим использованием результатов диссертационных исследований.

1.           Абламейко С. В. Исследование структурного строения изображений на основе принципа симметрии. / С. В. Абламейко, Б. С. Берегов,
Л. В. Бокуть  // Цифровая обработка изображений. сб. науч. трудов. Ин-т техн. кибернетики НАН Беларуси вып.1 1997г. с5-14

2.           Абламейко С. В. Обработка изображений: технология, методы, применение. / С. В. Абламейко, Д. М. Лагуновский // Ин-т технической кибернетики НАН Беларуси, -Минск: 1999. –300с.

3.           Абламейко С. В. Обработка изображений: технология, методы, применение. / С. В. Абламейко, Д. М., Лагуновский Ин-т технической кибернетики НАН Беларуси, -Минск: 1999. –300с.

4.           Абламейко С. В., Распознавание объектов графических изображений: обзор методов. / Абламейко С. В. -Минск 1988. 50с. – (Препринт №31, Ин-т технической кибернетики, АН БССР).

5.           Ананий В. Левитин Глава 9. Жадные методы: Алгоритм Дейкстры // Алгоритмы: введение в разработку и анализ = Introduction to The Design and Analysis of Aigorithms. — М.: «Вильямс», 2006. — С. 189—195. — ISBN 0-201-74395-7

6.           Барцев С. И., Охонин В. А. Адаптивные сети обработки информации. Красноярск : Ин-т физики СО АН СССР, 1986. Препринт N 59Б. — 20 с.

7.           Башков Е. А., Шозда Н. С. Поиск изображений в больших БД с использованием коэффициента корреляции цветовых гистограмм.  –GraphiCon’2002. – Нижний Новгород, 2002. – с. 458-460.

8.           Борисенко H. A. Автоматизированный анализ экспериментальных данных с применением вейвлет-преобразования. / H. A. Борисенко,
А. Д. Фертман // Приборы и Техника Эксперимента. -2003. -No 2.
-с. 28-34.

9.           Борисенко H. A. Использование вейвлет-преобразования для нахождения максимумов при компьютерной обработке экспериментальных кривых. / H. A. Борисенко, С. Б. Орехов, И. Н. Швецов-Шиловский // Научная сессия МИФИ-2003, сборник научных трудов т.1, секция Микроэлектроника, с. 128-129, 2003.

10.      Борисенко Н.А. Применение вейвлет-преобразова-ния для анализа сигналов ЭКГ и РВГ. / Н.А. Борисенко, С.Б. Орехов   // Инженерная Физика, - 2002. -No 5, -с. 9-12.

11.      Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. — М.: Наука, 1974. — 416 с.

12.      Васильев В. И. Проблема обучения распознавания образов. /
Васильев В. И. -Киев, ВШ. 1989. -64с. ил.

13.      Васильев В. И. Распознающие системы. Справочник. — 2-е изд. — К.: Наукова думка, 1983. — 424 с.

14.      Ватутин Э.И., Мирошниченко С.Ю., Титов В.С. Программная оптимизация оператора Собела с использованием SIMD-расширений процессоров семейства x86. Телекоммуникации. 2006. № 6. С. 12–16. (2006)

15.      Галушкин А. И. Синтез многослойных систем распознавания образов. — М.: «Энергия», 1974.

16.      Горелик А. Л., Скрипкин В. А. Методы распознавания. — 4-е изд. — М.: Высшая школа, 1984, 2004. — 262 с.

17.      Денисов Д. А. Цифровой анализ изображений (Методы описания геометрических структур). / Денисов Д. А., Дудкин А. К., Пяткин В. П.
-Новосибирск 1987г. 54с (Препринт 747 СО АН СССР).

18.      Джордж Стокман, Линда Шапиро. Компьютерное зрение = Computer Vision. — М.: Бином. Лаборатория знаний, 2006. — 752 с. — ISBN 5-947-74384-1

19.      Журавлёв, Юрий Иванович Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. 1978 Т. 33.С. 5–68.

20.      Зиновьев А. Ю. Визуализация многомерных данных. — Красноярск: Изд. Красноярского государственного технического университета, 2000. — 180 с.

21.      Ивахненко А. Г. Персептрон -система распознавания образов. / Ивахненко А. Г. Изд-во «Наукова-думка».: -Киев.: -1975. 431с.

22.      Ким Н. В. Алгоритмы обработки информации в системах технического зрения: Учебное пособие. / Н. В. Ким, С. А. Семенченко  -М.: Изд-во МАИ, 1995. -52с.: ил.

23.      Кузнецов В. Д. Комбинированные векторы признаков стерео-изображений для автоматической идентификацию. / В. Д. Кузнецов, И. А. Матвеев, А. Б. Мурынин  // Сообщения по прикладной математике. РАН Вычислительный центр. М. 1998. 16с.

24.      Розенфельд А. Распознавание и обработка изображений. / Розенфельд А. – М.: Мир, 1987. – 274 с.

25.      Русын Б. П. Структурно-лингвистические методы распознавания изображений в реальном времени. / Русын Б. П. -Киев: Наук. думка, 1986. -128с.

26.      Смаль Д. И., Выбор признаков для распознавания на основе статистических данных. / Д. И. Смаль, В. В. Старовойтов // Цифровая обработка изображений. Сб. науч. трудов. Вып. №3. Ин-т технической кибернетики НАН Беларуси. Минск 1999г. с105-114.

27.      Старовойтов В. В. Локальные геометрические методы цифровой обработки изображений. / Старовойтов В. В. - Минск: Институт технической кибернетики НАН Беларуси, 1997. –284с.

28.      Старовойтов В. В. Методы сегментации цветных изображений.
/ Старовойтов В. В., Талеб М. А. - Минск, 1999.-44с. (Препринт / Ин-т техн. Кибернетики НАН Беларуси; №1).

29.      Титов Ю. М. Цифровая обработка и кодирование сигналов изображений: Текст лекций. / Титов Ю. М.  / ЛЭИТ. -Л.,90. -48с.

30.      Уидроу Б., Стирнс С., Адаптивная обработка сигналов. — М.: Радио и связь, 1989. — 440 c.

31.      Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика - Neural Computing. Theory and Practice. — М.: Мир, 1992. — 240 с. — ISBN 5-03-002115-9

32.      Федоров Д. К. Алгоритмы распознавания образов на основе атрибутных грамматик для цифровой обработки изображений. / Федоров Д. К., Чепин Е. В. -М.: 1988. -24с. (Препринт /МИФИ, 008-88).

33.      Форсайт Дэвид А., Понс Джин. Компьютерное зрение. Современный подход = Computer Vision: A Modern Approach. — М.: Вильямс, 2004. — 928 с. — ISBN 0-13-085198-1

34.      Фролов А. Б., Четрафилов И. Д. О некоторых подходах к распознаванию оптических образов текстов // Интеллектуальные системы. 1997. Т. 2. Вып. 1–4. С. 189–200.

35.      Хемминг Р. В. Цифровые фильтры. / Хемминг Р. В. – М.: Наука, 1990. – 268 с.

36.      Чэн Ш. К. Принципы проектирования систем визуальной информации. — М.: Мир, 1994. — 408 с.

37.      Шалыто А. А. Switch-технология. Алгоритмизация и программирование задач логического управления. — СПб.: Наука, 1998. — 628 с.

38.      Шлезингер М. И. О самопроизвольном различении образов // Читающие автоматы. - Киев, Наукова думка, 1965

39.      Шлезингер М. И., “Математические средства обработки изображений", Киев, Наукова думка, 1989, 198 стр.

40.      Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. - Киев: Наукова думка, 2004. ISBN 966-00-0341-2

41.      Яншин В. В. Анализ и обработка изображений: принципы и алгоритмы. / Яншин В. В. – М.: Машиностроение. 1994. –112с.

42.      Яншин В. Обработка изображений на IBM PC, алгоритмы и программы. / В. Яншин, Г. Калинин. – М.: Мир, 1994. – 320 с.

43.      A Database of Human Segmented Natural Images and its Application to Evaluating Segmentation Algorithms and Measuring Ecological Statistics David Martin Charless Fowlkes Doron Tal Jitendra Malik Department of Electrical Engineering and Computer Sciences

44.      A New Graph-Theoretic Approach to Clustering and Segmentation (CVPR03)

45.      Baraldi A., Blonda P., “A Survey of  Fuzzy Clustering Algorithms for Pattern  Recognition – Part I”, IEEE  Transactions on systems, man, and cybernetics – Part B: Cybernetics, vol. 29, no. 6, Dec. 1999, pp. 778-785.

46.      Barni M., Rossi S., Mecocci A., “A Fuzzy Expert System for Low Level Image Segmentation,” EUSIPCO-96

47.      Bishop C. M. Neural Networks for Pattern Recognition. / C. M. Bishop Oxford, England: Oxford University Press, 1995

48.      Boosting Margin Based Distance Functions for Clustering, Tomer Hertz, Aharon Bar-Hillel , 2004

49.      Bounjakowsky W. «Mémoires de l’Académie des sciences de St-Pétersbourg. 7 série», 1859, t. 1, № 9.

50.      Bounjakowsky W. Mémoires de l’Académie des sciences de St-Pétersbourg. 7 série. / W. Bounjakowsky -1859, t.1, № 9.

51.      Bow S.-T., Pattern Recognition and Image Preprocessing, Marcel Dekker, Inc., New York, NY, 1992.

52.      Celenk M., “Hierarchical Color Clustering for Segmentation of Textured Images,” Proc. of the 29th Southeastern Symposium on system Theory, 1997

53.      Cerny V., "A thermodynamical approach to the traveling salesman problem: An efficient simulation algorithm", Journal of Optimization Theory and Applications, 1985, vol.45, pp. 41-51.

54.      Cramariuc B. Clustering Based Region Growing Algorithm for Color Imag Segmentation. / B. Cramariuc, M. Gabbouj, J. Astola. // Int. Conf. on Digital signal Processing, 1997.

55.      Cross G. R., Jain A. K., “Markov Random Field Texture Models,” IEEE Trans. on Pattern Analysis and Machine Intelligence, 1983

56.      Deer P., “Change Detection using Fuzzy Post Classification Comparison”, PhD thesis, Department of Computer Science, The University of Adelaide, 1998.

57.      Deng Y., Manjunath B. S., Shin H., “Color Image Segmentation”, CVPR 1999

58.      Digabel H. and Lantujoul С., “Iterative Algorithms,” Proc. of the 2nd European Symp. on Quantitative Analysis of Microstructures in Material Science, Biology and Medicine, 1977

59.      Dijkstra. E. W. A note on two problems in connexion with graphs. // Numerische Mathematik. V. 1 (1959), P. 269-271

60.      Edge Detection Using steerable Filters and CNN, Atilla Ozmen and Emir Tufan Akman, 2002

61.      Efficient Graph Cuts for Unsupervised Image Segmentation using Probabilistic Sampling and SVD-based Approximation (ICCV 2003) - J. Keuchel, C.Schnorr, University of Mannheim, Germany

62.      Efficient Spatiotemporal Grouping Using the Nystrom Method (CVPR 2001) - Charless Fowlkes , Serge Belongie, Jitendra Malik

63.      Engel K. (2006), Real-time volume graphics,, pp. 112-114

64.      Fast Multiscale Image Segmentation (CVPR 2000) - Eitan Sharon, Achi Brandt Ronen Basriy, Dept. of Applied MathThe Weizmann Inst. of Science, Israel

65.      Freeman H. On the encoding of arbitrary geometric configurations // IEEE Trans. Electron. Comput., 1961. – Vol. 10, № 2. – P. 260-268.

66.      Freeman H. Shape description via the use of critical points // Pattern recognition, 1978. – Vol. 10, № 3. – P. 159-169.

67.      Freeman, W. T. and Adelson, E. H. (1991). "The design and use of steerable filters". IEEE Transactions on Pattern analysis and machine intelligence 13 (9): pp. 891–906.

68.      Fu K. S. A Survey on Image Segmentation / K. S. Fu, J. k. Mui // Pattern Recognition -Vol. 13, 1981

69.      German S., German D., “Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images,” IEEE Trans. on Pattern Analysis and Machine Intelligence, 1984

70.      Gimel'farb G.L., "Modeling image textures with Gibbs random fields", Pattern Recognition Letters, 1999, 20:12, pp.1123 - 1132.

71.      Gorban A.N., Zinovyev A.Y. (2009). Principal Graphs and Manifolds, Ch. 2 in: Handbook of Research on Machine Learning Applications and Trends: Algorithms, Methods, and Techniques, Emilio Soria Olivas et al. (eds), IGI Global, Hershey, PA, USA, pp. 28-59.

72.      Haralick R. M. Image Segmentation Techniques, Computer Vision, Graphics, and Image Processing. / R. M. Haralick, L. G. Shapiro. -Vol 29, No 1, 1985

73.      How Much Does Globalization Help Segmentation, Charless Fowlkes and Jitendra Malik, 2003

74.      Image Segmentation By Learning Approach Horacio Andrés Legal-Ayala, Jacques Facon, 2003

75.      Image Segmentation by Nested Cuts (2000) - Olga Veksler, NEC Research Institute

76.      Jacob M., Unser M., "Design of Steerable Filters for Feature Detection Using Canny-Like Criteria," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 26, no. 8, pp. 1007-1019

77.      Jain R., Kasturi R., and Schunck B. G., Machine Vision, 1995

78.      Ji S. Park H. W., “Image Segmentation of Color Image Based on Region Coherency,” Proc. of ICIP’98

79.      Jordan M. I., Xu L. Convergence results for the EM algorithm to mixtures of experts architectures: Tech. Rep. A.I. Memo No. 1458: MIT, Cambridge, MA, 1993.

80.      Kanai. Y. Image Segmentation Using Intensity and Color Information.
Y. Kanai. // SPIE – Visual Communications and Image Processing’98.

81.      Kohonen, T. (1988), Learning Vector Quantization, Neural Networks, 1 (suppl 1), 303.

82.      Learning Affinity Functions for Image Segmentation: Combining Patch-based and Gradient-based Approaches, Charless Fowlkes, David Martin, Jitendra Malik, 2003

83.      Learning to Detect Natural Image Boundaries Using Brightness and Texture, Charless Fowlkes, David Martin, Jitendra Malik, 2003

84.      Lucchese L. Color Image Segmentation: A State-of-the-Art Survey.
/ L. Lucchese, S. K. Mitra , 2001

85.      MacQueen J. (1967). Some methods for classification and analysis of multivariate observations. In Proc. 5th Berkeley Symp. on Math. Statistics and Probability, pages 281—297.

86.      Markov Random Fields and Their Applications. — American Mathematical Society, 1980. — ISBN MR06209550-8218-5001-6

87.      Mirkes E.M., K-means and K-medoids applet. University of Leicester, 2011.

88.      Otsu N. (1979). "A threshold selection method from gray-level histograms". IEEE Trans. Sys., Man., Cyber. 9: 62-66.

89.      Nandhakumar N. Physics-Based Integration of Multiple Sensing Modalities for Scene Interpretation. / N. Nandhakumar, J. K. Aggawal // IEEE v85 №1 ‘97 p. 147.

90.      Normalized Cuts and Image Segmentation - J. Shi, J. Malik (1997) University of California at Berkeley

91.      Pal N. R., Pal S. K., “A Review on Image Segmentation Techniques,” Pattern Recognition, Vol. 26, No 9, 1993

92.      Perona, P. (1995). "Deformable kernels for early vision,". IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE) 17 (5): pp. 488–499.

93.      Ping-Sung Liao and Tse-Sheng Chen and Pau-Choo Chung (2001). "A Fast Algorithm for Multilevel Thresholding". J. Inf. Sci. Eng. 17: 713-727.

94.      Pitas I. Morphological Shape Representation. / I. Pitas,
A. N. Venetsanopoulos // Pattern Recognition. Vol25 №3, pp555-565, 1992.

95.      Roberts J. M. Attentive Visual Tracking and Trajectory Estimation for Dynamic Scene Segmentation. / J. M. Roberts // PhD thesis., University of Southampton dec. 94

96.      Segmentation and Boundary Detection Using Multiscale Intensity Measurements (CVPR 2001) - Eitan Sharon, Achi Brandt_, Ronen Basri

97.      Shafarenko L., Petrov M., and Kittler J., “Automatic Watershed segmentation of Randomly Textured Color Images,” IEEE Trans. on Image Processing, 1997

98.      Stan Z. Li, "Markov Random Field Modeling in Image Analysis", Computer Science Workbench, Springer, 2001. 323 p.

99.      Steinhaus H. (1956). Sur la division des corps materiels en parties. Bull. Acad. Polon. Sci., C1. III vol IV: 801—804.

100. Texture Segmentation by Multiscale Aggregation of Filter Responses and Shape Elements (ICCV 2003) - Meirav Galun, Eitan Sharon, Ronen Basri, Achi Brandt

101. Tremeau A. A Region growing and Merging Algorithm to color segmentation. / A. Tremeau, N. Borel. // Pattern Recognition, 1997

102. Wang J. Z., Li J., Wiederhold G., “SIMPLIcity: Semantics-Sensitive Integrated Matching for Picture Libraries”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 9, Sept. 2001, pp. 947-963.

103. Wang Y., Klijn J.G., Zhang Y., Sieuwerts A.M., Look M.P., Yang F., Talantov D., Timmermans M., Meijer-van Gelder M.E., Yu J. et al. Gene-expression profiles to predict distant metastasis of lymph-node-negative primary breast cancer. Lancet 365 (2005), 671-679.