СТРУКТУРНИЙ ОПИС І РОЗПІЗНАВАННЯ ЗОРОВИХ ОБРАЗІВ НА ОСНОВІ ЗАСТОСУВАННЯ ГРАФІВ : СТРУКТУРНОЕ ОПИСАНИЕ И РАСПОЗНАВАНИЕ ЗРИТЕЛЬНЫХ ОБРАЗОВ НА ОСНОВЕ ПРИМЕНЕНИЯ ГРАФОВ

Краткое описание

Міністерство освіти і науки, молоді і спорту України
Інститут проблем штучного інтелекту

На правах рукопису

АГАРКОВ АНДРІЙ ВІКТОРОВИЧ

УДК 004.89, 004.93

СТРУКТУРНИЙ ОПИС І РОЗПІЗНАВАННЯ ЗОРОВИХ ОБРАЗІВ
НА ОСНОВІ ЗАСТОСУВАННЯ ГРАФІВ

05.13.23 – системи та засоби штучного інтелекту

Дисертація на здобуття наукового ступеня
кандидата технічних наук

Науковий керівник
Шевченко Анатолій Іванович
Член-кореспондент НАН України,
доктор технічних наук,
професор

Донецьк – 2012

ЗМІСТ. 2
ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ. 5
ВСТУП.. 6
РОЗДІЛ 1                                                                                                                          АНАЛІЗ СУЧАСНОГО СТАНУ ПОБУДОВИ ОПИСІВ ЗОБРАЖЕНЬ ДЛЯ РОЗПІЗНАВАННЯ ЗОРОВИХ ОБРАЗІВ.. 12
1.1. Використання границь об'єктів і областей для розпізнавання. 12
1.2. Використання скелетонів для опису і розпізнавання об'єктів і зображень. 15
1.3. Використання сегментів для опису і розпізнавання зображень. 17
1.4. Використання локальних особливостей для розпізнавання об'єктів і зображень  20
1.4.1. Використання мультимасштабного представлення зображень для аналізу їх просторової й ієрархічної структури. 21
1.4.2. Розпізнавання зображень і об'єктів за допомогою локальних особливостей  26
1.5. Використання графів для опису і розпізнавання зображень. 32
1.6. Постановка задачі дослідження. 38
Висновки. 39
РОЗДІЛ 2                                                                                                                       ОПИС ЗОБРАЖЕНЬ СТРУКТУРНИМИ ЕЛЕМЕНТАМИ У ВИГЛЯДІ ГРАФА.. 41
2.1. Розвиток методу виділення локальних рис за допомогою операторів DoG і LoG   43
2.2. Побудова опису зображення. 51
2.3. Відновлення зображення і його окремих областей. 55
2.4. Сегментація зображення. 58
2.5. Властивості графів, що описують зображення. 62
Висновки. 63
РОЗДІЛ 3                                                                                                                      ЗАСОБИ ОБРОБКИ Й АНАЛІЗУ ГРАФІВ-ОПИСІВ.. 65
3.1. Піраміди. 66
3.1.1. Загальні положення. 67
3.1.2. Деякі види пірамід. 69
3.2. Порівняння графів. Загальні положення. 73
3.3. Застосування пірамід для порівняння графів. 77
3.3.1. Побудова піраміди у відповідності зі структурою і маркеруванням  іншої піраміди. 80
3.3.2. Побудова лінійної і кластерної вторинних пірамід. 80
3.3.3. Побудова вторинної реберної піраміди. 85
3.4. Застосування пірамід, побудованих на циклах, для порівняння графів. 87
3.4.1. Розбиття опорного графа на цикли. 87
3.4.2. Побудова первинної піраміди. 89
3.4.3. Побудова вторинної піраміди. Пошук циклів у похідному графі і вторинній піраміді

Список литературы

У дисертаційній роботі розв’язана актуальна науково-технічна задача, яка полягає в розвитку методів, засобів і технологій структурного опису і розпізнавання зорових образів на основі використання графів, що дозволяють проведення виявлення і розпізнавання цільових об’єктів, інваріантно щодо масштабу і повороту, з сумісним врахуванням форми і внутрішньої структури. У ході виконання роботи отримані наступні основні результати:
1.     Проведений аналіз існуючих методів формування й обробки опису зображень і об’єктів на основі використання структури і форми для розв’язання задач розпізнавання показав, що найбільш перспективними напрямками в цій сфері є застосування структурних елементів, виділених за допомогою мультимасштабних представлень, побудованих на основі згортки з функціями Гауса і її похідними. Це надає змогу враховувати внутрішню структуру і форму об’єктів.
2.     Дістав подальший розвиток метод екстракції структури зображень на основі використання мультимасштабного представлення за рахунок застосування нових критеріїв для виділення структурних елементів, що дозволило одержувати опис зображень без втрати інформації про внутрішню структуру об’єктів, а також використовувати даний опис для відновлення первісного зображення.
3.     Дістали подальшого розвитку методи структурного опису зображень, інваріантного щодо масштабу і повороту, у вигляді графа-опису для проведення виявлення і розпізнавання об’єктів, за рахунок використання нових інваріантних структурних елементів і нових типів відносин сусідства між ними, що дозволило спільно описувати внутрішню структуру і форму об’єктів, а також використовувати граф-опис для сегментації первісного зображення з різним ступенем деталізації.
4.     Досліджено основні властивості графа-опису зображення, що дозволяють використовувати для опису характерних областей зображення апарат скелетного представлення, а також структурні елементи нижніх рівнів ієрархії і відносини між ними. Показано, що граф-опис дозволяє проводити сегментацію зображення на основі розбиття його на зв’язні підграфи. Виділені сегменти зображення відповідають різним рівням деталізації і структурування, що дозволяє уникнути багатоетапного процесу сегментації.
5.     Вперше запропоновано метод пошуку в графі підграфів із заданими властивостями на основі формування додаткового графа-піраміди, що дозволило розробити зручні для паралельної реалізації алгоритми аналізу, порівняння графів, пошуку множини максимальних клік, обчислювальна складність яких лінійно залежить від кількості шуканих підграфів. Врахування особливостей графів, що описують зображення, дозволяє проводити їхню обробку і порівняння з поліноміальною складністю (не більш ніж ).
6.     Вперше розроблена інформаційна технологія для пошуку і розпізнавання цільових об’єктів на напівтонових зображеннях, що на відміну від аналогічних спільно враховує їх внутрішню структуру і форму, а також дозволяє проводити пошук однакових об’єктів без апріорно заданих шаблонів. Застосування розробленої технології для пошуку нетекстурованих об’єктів дозволило досягти частки правильно знайдених об’єктів – 98,4%, що більш ніж на 50% вище, ніж при застосуванні аналогів.
7.     Застосування розроблених засобів структурного опису і розпізнавання зображень дозволяють аналізувати їх з урахуванням різного ступеня деталізації, переводити напівтонові зображення у векторну форму, розширити можливості систем інтелектуального аналізу відеоданих за рахунок використання як внутрішньої структури, так і форми об’єктів, створювати системи зору для мобільних роботів. Здатність ідентифікувати однакові об’єкти на різних зображеннях відкриває можливість автоматичного поповнення бази даних зображень об’єктів.

1.    Минский М. Фреймы для представления знаний / М. Минский; [пер. с англ. О.Н. Гринбаума]. – Москва: Энергия, 1979. – 152 с.
2.    Дуда Р. Распознавание образов и анализ сцен / Р Дуда., П.Харт; [пер. с англ. Г. Г. Вайештейнв и А. М. Васьковского]. – Моска: Мир, 1976. – 511 с.
3.    Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин /  А. Розенфельд; [пер. с англ. под. ред. Л.С. Лебедева]. – Моска: Мир, 1972. – 232 с.
4.    Васильев В.И. Проблема обучения распознаванию образов. Принципы, алгоритмы, реализация / Васильев В.И. – Киев: Выща школа, 1989. – 64 с.
5.    Каргин А.А. Модели представления ключевых элементов в задаче покомпонентного  распознавания символов текста /  А.А. Каргин, Е.Е. Пятикоп // Системні дослідження та інформаційні технології. — 2011. — № 3. — С. 48–55 – ISSN 1681–6048
6.    Шлезингер М. Десять лекций по статистическому и структурному распознаванию / М. Шлезингер, В.Главач – Киев: Наукова думка, 2004. – 535 с.
7.    Д. Марр. Зрение. Информационный подход к изучению представления и обработки зрительных образов / Д. Марр; [пер. с англ.]. – М.: Радио и связь, 1987. – 400 с. с ил.
8.    Путятин Е.П. Обработка изображений в робототехнике/ Е.П. Путятин, С.И. Аверин. — М.: Машиностроение, 1990. — 320 с.
9.    Гороховатский В.А. Структурное распознавание изображений  на основе моделей голосования признаков характерных точек / В.А. Гороховатский, Е. П. Путятин // Реєстрація, зберігання і обробка даних. – 2008. – Т. 10, № 4. – С.75-85 – ISSN 1560-9189
10.                       Васильев В.И. Искусственный интеллект: обучение опознаванию образов / Васильев В.И., Шевченко А.И. – Донецк: ИПИИ, 1997.- 280с.
11.                       Васильев В.И. Формирование и распознавание образов / Васильев В.И., Шевченко А.И. – Донецк: ДонГИИИ, 2000. – 360с.
12.                       Гонсалес  Р. Цифровая  обработка  изображений / Гонсалес  Р.,  Вудс  Р.;  [пер.  с  англ. под  ред.  П.А.  Чочиа].–  М.: Техносфера, 2005. – 1072 с.
13.                       Адамов В.Г.  Способ получения связного контура объектов в условиях неполной информации / Адамов В.Г., Каира В.В., Меркулова Е.В. // Наукові праці Донецького державного технічного університету, випуск 107. – Донецьк: ДонДТУ, 2006. – С. 89–95
14.                       Дудкин А.А. Выделение контуров на полутоновых изображениях топологических слоев интегральных схем / А.А. Дудкин, Д.А. Вершок, А.М. Селиханович   // Искусственный интеллект. – 2004. – №3. – С.454-458.
15.                       Кормановский С.И. Структурно-связностная  модель изображения: выделение контура и формирование признаков / С.И. Кормановский, Я.Г. Скорюкова  О.П. Мельник // Информационные технологии и компьютерная техника. Наукові праці ВНТУ. – 2010. – №1. – С.1-7.
16.                       Yunsheng ZHANG Comparative Study of Line Extraction Method Based on Repeatability / Yunsheng ZHANG, Yang LIU, Zhengrong ZOU // Journal of Computational Information Systems. – 2012. – Vol.8, №24. – P.10097–10104.
17.                       A novel approach for edge detection based on the theory of universal gravity / Genyun Suna , Qinhuo Liua, Qiang Liua, Changyuan Ji, Xiaowen Li // Pattern Recognition. – 2007. – №40. – P.2766 – 2775.
18.                        Efficient, high-quality image contour detection / Bryan C. Catanzaro, Bor-Yiing Su, Narayanan Sundaram, Yunsup Lee, Mark Murphy, Kurt Keutzer //  IEEE 12th International Conference on Computer Vision, ICCV 2009, Kyoto, Japan, September 27 – October 4, 2009. – P.2381-2388.
19.                       Raju K.Dehankar Wavelet Based Edge Detection Technique for Iris Recognition Using MATLAB / Raju K.Dehankar, Seema C.Bhivgade, Athar Ravish Khan  // International Journal of Emerging Technology and Advanced Engineering . – Vol. 2, Issue 1. – P.15-19. – 2250-2459.
20.                       Hiremath P.S. Spiral Bacterial Cell Image Analysis using Active Contour Method/ P.S. Hiremath,   Parashuram Bannigidad // International Journal of Computer Applications. – 2012. – Vol.37, No.8. – P.5-9. – ISSN 0975 – 8887
21.                       Власова Т.М. Алгоритм и программа распознавания контуров изображений  как последовательности отрезков цифровых прямых / Т.М. Власова, В.Г. Калмыков // Математичні машини і системи. – 2005. – № 4. – С.84-95. – ISSN 1028-9763.
22.                       Enhanced Morphological Contour Representation and Reconstruction using Line Segments / Santhosh P. Mathew, Philip Samuel, Justin Varghese, S. Arumugaperumal, Saudia Subhash, Krishnan Nallaperumal // In World Congress on Nature & Biologically Inspired Computing, NaBIC 2009, 9-11 December 2009, Coimbatore, India. – P.1400-1405.
23.                       Dengsheng Zhang Review of shape representation and description techniques / Dengsheng Zhang , Guojun Lu  // Pattern Recognition. – 2004. – Vol. 37. – P. 1–19.
24.                       Wayne Niblack A pseudo-distance measure for 2D shapes based on turning angle / Wayne Niblack, John Yin // IEEE International Conference on Image Processing. – 1995. – Vol.3. – P.352-355.
25.                       Нюнькин К.М. Розпізнання криволінійних жестів/ Нюнькин К.М.  // Штучний інтелект. – 2003. – №4. – C. 30-236.
26.                       Авраменко В.В. Распознавание фрагментов выпуклых контурных зображений / В.В. Авраменко, Р.С. Волков // Вісник СумДУ. Серія “Технічні науки”. – 2011. – №2. – С.7-12.
27.                       Тоан Тханг Нгуен Алгоритмическое и программное обеспечение для распознавания фигур с помощью фурье-дескрипторов и нейронной сети / Тоан Тханг Нгуен // Известия Томского политехнического университета. – 2010. – Т. 317, № 5. – С.122-125.
28.                       Нгуен Т.Т. Метод распознавания фигур с использованием фурье-дескрипторов и нейронной сети / Т.Т. Нгуен // Проблемы информатики. – 2011. – № 5. – С.64-69.
29.                       Part-based Bayesian recognition using implicit polynomial invariants / Kaleem Siddiqi, Jayashree Subrahmonia, David Cooper, Benjamin B. Kimia // IEEE International Conference on Image Processing. – 1995. – Vol.3. – P.360-363.
30.                       Zhibin Lei Computationally fast Bayesian recognition of complex objects based on mutual algebraic invariants / Zhibin Lei, Daniel Keren, David Cooper // IEEE International Conference on Image Processing. – 1995. – Vol.2. – P.635-638.
31.                       Hatef M. Combining symbolic with numeric attributes in multi-class object recognition problems / Hatef M., Kitter J. // IEEE International Conference on Image Processing. – 1995. – Vol.3. – P.364-367.
32.                       Fedorov R.K. A logical approach to image recognition with spatial constraints / R.K. Fedorov, A.O. Shigarov  // International journal of computers. – 2011. – Issue 1, Vol.5. – P.88-95.
33.                       Онищенко В.В. Математическая модель процесса семантического преобразования контурного изображения в структуру концепта / В.В. Онищенко // Наука і техніка Повітряних Сил Збройних Сил України. – 2010. – Т. 4, №2. – С.146-149.
34.                       Del Bimbo A. Shape indexing by multi-scale representation / Del Bimbo A., Pala P. // Image and Vision Computing. – 1999. – Vol. 17, № 3. – P.245-261.
35.                       Кобзарь  Г.А. Модель межмасштабного пространства кривизны для представления формы геометрических объектов / Г.А. Кобзарь  // Искусственный интеллект. – 2008. – №1. – С.92-101.
36.                       Белоус Н.В. Метод быстрого построения масштабно-пространственных представлений кривизны для распознавания форм в условиях ограниченного времени / Н.В. Белоус, Г.А. Кобзарь // Искусственный интеллект. – 2009. – №3. – С.357-366.
37.                       Kidiyo Kpalma Multiscale contour description for pattern recognition / Kidiyo Kpalma, Joseph Ronsin // Pattern Recognition Letters. – 2006. – №27. – P.1545–1559.
38.                       Kidiyo Kpalma A Novel Multi-scale Representation for 2-D Shapes / Kidiyo Kpalma, Joseph Ronsin // Lecture Notes in Computer Science. – 2007. – Vol. 4633. – P.423-435.
39.                       Multiscale Contour Extraction Using a Level Set Method in Optical Satellite Images /  Qizhi Xu, Bo Li, Zhaofeng He, Chao Ma // Geoscience and Remote Sensing Letters. – 2011. – Vol.8, Issue 5. – P. 854 – 858.
40.                       Xiaofeng Zhang Object Detection Based on Multi-scale Contour Fragments / Xiaofeng Zhang, Qiaoyu Sun and Yue Lu // International Journal of Multimedia and Ubiquitous Engineering. – 2012. – Vol. 7, №2. – P.253-258.
41.                       Jamie Shotton Multiscale Categorical Object Recognition Using Contour Fragments / Jamie Shotton,    Andrew Blake, Roberto Cipolla // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2008.  – Vol. 30, Issue 7. – P.1270-1281.
42.                       Shape retrieval by inexact graph matching / Benoit Huet, Andrew D. J. Cross, Edwin R. Hancock  // International Conference on Multimedia Computing and Systems. – 1999. – Vol. 1. – P.772-776.
43.                       Кривонос Ю.Г. Про один підхід до ідентифікації особи за контуром профіля носа / Кривонос Ю.Г. Крак Ю.В., Бармак О.В. //  Штучний інтелект. – 2010. – № 3 – С. 283–290.
44.                       Путятин Е.П. Построение 12-факторной модели  человеческого лица / Е.П. Путятин, П.А. Оробинский // Бионика интеллекта. – 2010. – Т. 72, № 1. – С. 12–17.
45.                       Крак Ю.В. Використання контурних моделей для побудови базису простору мімічних виразів емоцій / Крак Ю.В., Бармак О.В., Єфімов Г.М. // Штучний інтелект. – 2007. – №4. – С. 288-296.
46.                       Кривонос Ю.Г. Моделювання та аналіз мімічних проявів емоцій / Кривонос Ю.Г., Крак Ю.В., Бармак О.В // Доповіді НАНУ. – 2008. – №12 – С. 51-55.
47.                       Shock graphs and shape matching / K. Siddiqi, A. Shokoufandeh, S. J. Shokoufandeh, and S. W. Zucker // In ICCV. – 1998. – P.222–229.
48.                       Aharon Bar-Hillel Object Class Recognition by Boosting a Part-Based Model / Aharon Bar-Hillel, Tomer Hertz and Daphna Weinshall // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2005. – Vol. 1. – P.702 – 709.
49.                       Местецкий Л.M. Пространственная реконструкция локально симметричных объектов по силуэтным изображениям / Местецкий Л.M., Цискаридзе A.K. // Труды 18 международной конференций ГРАФИКОН-2008, Москва, ВМК МГУ. – 2008. – С. 221-226.
50.                       Бакина И.Г. Метод активного скелета в задаче распознавания формы изображений  / Бакина И.Г., Местецкий Л.М., Цискаридзе А.К.  // Труды 19 международной конференций ГРАФИКОН-2009, Москва. – 2009. – С. 279-283.
51.                       Цискаридзе А.К. Математическая модель и метод восстановления позы человека по стереопаре силуэтных изображений / Цискаридзе А. К. // Научный журнал «Информатика и её применения». – 2010. – Т.4, Вып.4. – С.51-62.
52.                       Жукова К.В. Сравнение формы объектов по фрагментам контура с использованием базового скелета / К.В. Жукова, И.А. Рейер // Искусственный интеллект. – 2006. – №2. – C.147-150.
53.                       Hamidreza Zaboli Amirkabir Shape Recognition by Clustering and Matching of Skeletons / Hamidreza Zaboli Amirkabir, Mohammad Rahmati and Abdolreza Mirzaei //  Journal of computers. – 2008. – Vol.3, №5. – P.24-33.
54.                       Shane Zamora Sketch-Based Recognition System for General Articulated Skeletal Figures / Shane Zamora, Timothy Sherwood // In Proceedings of the Seventh Sketch-Based Interfaces and Modeling Symposium. – 2010. – P.119-126.
55.                       Skeleton Search: Category-Specific Object Recognition and Segmentation Using a Skeletal Shape Model /  Nhon H. Trinh, Benjamin B. Kimia // International Journal of Computer Vision. – 2011. – Vol. 94, Issue 2. – P. 215 – 240.
56.                       Pankaj Manohar Pandit Performance evaluation of object recognition using skeletal shock graph: challenges and future prospects /  Pankaj Manohar Pandit, Sudhir Gangadharrao Akojwar // International Journal of Advances in Engineering & Technology. – 2012. – Vol. 3, Issue 1/ – P.418-426. – ISSN: 2231-1963.
57.                       Бурсиан  Е.Ю. Алгоритм распознавания чертежных рукописных символов  / Е.Ю. Бурсиан  // Изв. вузов. Приборостроение. – 2008. – Т. 51, № 7. – C.8-11.
58.                       Кучуганов А.В. Распознавание старославянских текстов методами, основанными на биоалгоритмах анализа изображений / А.В. Кучуганов, П. П. Осколков // Труды Междунар. науч. конф. Современные информационные технологии и письменное наследие: от древних текстов к электронным библиотекам. – Казань: Изд-во Казан. гос. ун-та. – 2008. – С. 168-172.
59.                       Распознавание символов по скелетному изображению на основе нейронной сети / Варламов А.Д., Арефьева М.Ю., Севитова Ю.А., Степанова Ю.С. // Информационные технологии в науке, образовании и производстве. ИТНОП-2010: материалы IV-й Международной научно-технической конференции, г. Орел, 22-23 апреля 2010 г. – Орел: ОрелГТУ. – 2010. – Т. 3. – С. 35-40.
60.                       Haojin Yang A skeleton based binarization approach for video text recognition / Haojin Yang, Bernhard Quehl, Harald Sack  // 13th International Workshop on Image analysis for multimedia interactive services (WIAMIS 2012). – 2012. – P.1-4.
61.                       Коробейников А.П. Формирование полного набора скелетонов  произвольного контура / А.П. Коробейников, Н.Н. Садовой  // Вестник ДГТУ. – 2010. – Т.10, №6(49). –  C.834-837.
62.                       Jaime Dever Automatic Visual Recognition of Armed Robbery / Jaime Dever, Niels da Vitoria Lobo, and Mubarak Shah // In 16th International Conference on Pattern Recognition. – 2002. – P. 451-455.
63.                       Sang Min Yoon Human Action Recognition using Segmented Skeletal Features / Sang Min Yoon, Arjan Kuijper // International Conference on Pattern Recognition. – 2010. – P.3740-3743.
64.                       Gait Recognition with Kinect /  Johannes Preis, Preis Moritz Kessel, Martin Werner // In Proceedings of the First Workshop on Kinect in Pervasive Computing. – 2012.
65.                       Combining Skeletal Pose with Local Motion for Human Activity Recognition / Ran Xu, Priyanshu Agarwal,SurenKumar, Venkat N. Krovi, and Jason J. Corso // Proceedings of the 7th international conference on Articulated Motion and Deformable Objects. – 2012. – P.1-10.
66.                       Dynamic hand gesture recognition using the skeleton of the hand / Bogdan Ionescu, Didier Coquin, Patrick Lambert, Vasile Buzuloiu // EURASIP Journal on Applied Signal Processing. – 2005. – P. 2101-2109.
67.                       Сопин  С.А. К вопросу о разработке способа автоматического выявления и моделирования фрагментов знаков изображений произвольной природы /  С.А. Сопин, Д.В. Шевцов  // Вестник  ХНТУ. – 2012. – №1(44). – C.312-319.
68.                       Домахина Л. Изоморфные скелеты растровых изображений / Домахина Л., Охлопков А. // Труды 18 международной конференции ГРАФИКОН-2008. – 2008.
69.                       Романов А.Н. Предварительная грубая скелетезация растровых изображений и детектирование простых элементов / А.Н. Романов, М.В. Привалов // Донбас-2020: перспективи розвитку очима молодих вчених: Матеріали V науково- практичної конференції. – Донецьк, ДонНТУ Міністерства освіти і науки. – 2010. – С.518-522.
70.                       Diego Macrini From skeletons to bone graphs: Medial abstraction for object recognition / Diego Macrini, Kaleem Siddiqi, Sven J. Dickinson // In 2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2008). – 2008. – P.1-8.
71.                       Местецкий Л.М. Расчет гомеоморфизма многоугольников  с изоморфными базовыми скелетами / Л.М. Местецкий, Л.Г. Петрова   // Искусственный интеллект. – 2006. – № 2. – C.192-196.
72.                       Барковская О.Ю. Параллельная модификация алгоритма скелетонизации на основе бинарных матриц / Барковская О.Ю., Аксак Н.Г. // Высокопроизводительные параллельные вычисления на кластерных системах. Материалы шестого Международного научно-практического семинара. – 2007. – Т. 1. – С.57-64.
73.                       Кийко В.М. Параллельные алгоритмы скелетизации графических изображений / В.М. Кийко // Автоматизация дедуктивных построений, распознавание образов и интеллектуальные роботы : Сб. науч. ст. / АН УССР, Научный совет по проблеме "Кибернетика", Институт кибернетики им. В.М.Глушкова. – Киев, 1988. – С. 17-26. – Библиогр.: 6 назв.
74.                       Jeon J. Automatic image annotation and retrieval using cross-media relevance models/ J. Jeon, V. Lavrenko and R. Manmatha  // Proceedings of the 26th annual international ACM SIGIR conference on Research and development in information retrieval, Toronto, Canada. – 2003. – P.119 – 126.
75.                        Jason J.Corso Coherent Regions for Concise and Stable Image Description / Jason J.Corso and Gregory D. Hager // Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. – 2005. – Vol.2. – P.184–190.
76.                       Белозерский Л.А. Принципы селективно-яркостной сегментации изменений  внешнего облика объекта  моноспектральной космической съемки / Л.А. Белозерский, Л.В. Орешкина // Искусственный интеллект. – 2009. – №4. – С.395-408.
77.                       Сальников И.И. Аппаратно-программный комплекс формирования электронной карты местности по данным аэрокосмического зондирования / И.И. Сальников  // Искусственный интеллект. – 2009. – №4. – С.556-565.
78.                       Дьяконова С.В. Распознавание зданий на спутниковых снимках сверхвысокого разрешения / Дьяконова С.В., Зайченко Ю.П. // Вісник ЧДТУ. – 2011. – №2. – С.31-36.
79.                       Цыбулька Е.С. Выбор методов для распознавания язв желудка на изображениях фгдс-исследования, сегментированных с помощью модифицированного алгоритма маркерного водораздела / Цыбулька Е.С., Меркулова Е.В. // Информатика и компьютерные технологии. Материалы VI международной научно-технической конференции студентов, аспирантов и молодых ученых – 23-25 ноября 2010 г., Донецк, ДонНТУ. – 2010. – С.139-145.
80.                       Swarnalatha.P. Microscopic Image Segmentation and Recognition on Cancerous Cells / Swarnalatha.P., Prabu S. // International Journal of Engineering Science and Technology. – 2010. – Vol. 2(11). – P.6771-6778.
81.                       Sangram Bana Fingerprint Recognition using Image Segmentation / Sangram Bana and Dr. Davinder Kaur Sangram Bana // International journal of advanced engineering sciences and technologies. – 2011. – Vol. 5, Issue. 1. – P.12 – 23. – ISSN 2230-7818.
82.                       Гринев  Д.В.Методы сегментации изображений в системе распознавания объектов / Д.В. Гринев // Системи управління, навігації та зв'язку. – 2010. – вип. 4(16). – С.78-82. – ISSN 2073-7394.
83.                       Image Parsing: Unifying Segmentation, Detection, and Recognition / Zhuowen Tu, Xiangrong Chen, Alan L. Yuille, Song-Chun Zhu // Proceedings of the Ninth IEEE International Conference on Computer Vision (ICCV 2003). – 2003. – Vol.1. – P.18-25.
84.                       Valliammal N. Automatic Recognition System Using Preferential Image Segmentation For Leaf And Flower Images  / N.Valliammal and S.N.Geethalakshmi // Computer Science & Engineering: An International Journal (CSEIJ). – 2011. – Vol.1, №4. – P.13-25.
85.                       Segmentation and object recognition using edge detection techniques / Y.Ramadevi, T.Sridevi, B.Poornima, B.Kalyani // International Journal of Computer Science & Information Technology (IJCSIT). – 2010. – Vol 2, № 6. – P.153-161.
86.                       Srinivasan G.N. Segmentation Techniques for Target Recognition / G.N.Srinivasan, Shobha G. // International journal of computers and communications. – 2007. – Issue 3, Vol. 1. – P.75-81.
87.                        Recursive Segmentation and Recognition Templates for Image Parsing / Long Zhu, Yuanhao Chen, Yuan Lin, Chenxi Lin, Alan L. Yuille // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2012. – Vol.34, Issue 2. – P.359-371.
88.                       Liu Hai-bo Fast recognition based on color image segmentation in mobile robot  / Liu Hai-bo , Wang Yu-mei , Dong Yu-jie // Proceedings of the Third International Symposium on Computer Science and Computational Technology(ISCSCT ’10). – Jiaozuo, P. R. China, 14-15,August 2010. – 2010. – P.1-4.
89.                       Thilagamani S. Object Recognition Based on Image Segmentation and Clustering / S. Thilagamani, M. Kumarasamy // Journal of Computer Science. – 2011. – Vol. 7, Issue 11. – P.1741-1748. – ISSN 1549-3636.
90.                       Zhu Lei Fast Handwritten Chinese Characters Segmentation Algorithm Based on Active Contour Model / Zhu Lei, Yang Jing // 2nd International Symposium on Information Engineering and Electronic Commerce (IEEC). – 2010. – P.1-5.
91.                       Автоматизация анализа металлографических структур / С. В. Литовченко, Т.В. Малыхина, Л.О. Шпагина, В.О. Шпагина // Вісник Харківського національного університету. – 2011. – №960. – С.215-223.
92.                       Полякова М.В. Порогово-пространственная сегментация цветных текстурированных изображений на основе метода jseg  / Полякова М.В., Ищенко А.В., Худайбердин Э.И. // ААЕКС. – 2010. – №1(25). – С.78-87. – ISSN 2076-2887.
93.                       Полякова М.В. Методология выбора подчеркивающего преобразования при сегментации изображений иерархических объектов и анализе сцен / Полякова М.В., Крылов В.Н., Волкова Н.П. // Бионика интеллекта. – 2011. – № 1 (75). – C.56-65.
94.                       Монич Ю.И. Сегментация примерно однородных по яркости областей цифровых изображений / Ю.И. Монич, В.В. Старовойтов, Е.Е. Коноплин // Искусственный интеллект. – 2008. – №3. – С.332-338.