Алгоритмы и аппаратно- программные средства повышения эффективности поиска изображений в графических базах данных

Короткий опис

Донецкий национальний технический университет

На правах рукописи

Костюкова Наталья Стефановна

УДК 681.3

Алгоритмы и аппаратно- программные средства повышения эффективности поиска изображений в графических базах данных

05.13.13 Вычислительные машины, системы и сети

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель
Башков Евгений Александрович,
доктор технических наук, профессор

Донецк-2006

СОДЕРЖАНИЕ

Введение

6

Раздел 1 Программно-аппаратная поддержка графических баз данных

11

1.1. Задача поиска изображений на основе их цветового содержимого

11

1.2. Подходы к решению задачи контекстного поиска изображений

13

1.3. Базовые алгоритмы поиска графической информации в базах данных

22

1.3.1. Поиск по цветовым характеристикам

22

1.3.2. Поиск с учетом расположения цветов

30

1.3.3. Поиск изображений по текстурным признакам

34

1.3.4. Оценка эффективности поиска изображений в базе данных

44

1.4. Классификация систем контекстного поиска изображений

45

1.5. Аппаратная поддержка графических баз данных

48

1.6. Выводы, цель и задачи работы

50

Раздел 2 Разработка алгоритма поиска изображений в базе данных по характеристикам их содержимого

52

2.1. Общее описание предлагаемого алгоритма

52

2.2. Описание алгоритма поиска по различным критериям

55

2.2.1. Поиск изображений в базе данных по текстурным признакам

55

2.2.2. Поиск изображений в базах данных по их цветовому содержимому

59

2.2.3. Поиск изображений по их цветовому содержимому с учетом пространственной информации.

62

2.3. Реализация алгоритмов различных этапов контекстного поиска

65

2.3.1.Поиск по текстурным признакам

65

2.3.2.Поиск с использованием традиционных цветовых гистограмм

67

2.3.3.Поиск с использованием 2d-цветовых гистограмм

72

2.3.4. Сортировка изображений для визуализации

75

2.4.Оценка сложности алгоритмов

76

2.4.1.Оценка временной сложности

77

2.4.1.1.Оценка временной сложности алгоритма поиска с использованием цветовых гистограмм

78

2.4.1.2.Оценка временной сложности алгоритма поиска с использованием текстурных и 2d-цветовых гистограмм

83

2.4.2.Оценка пространственной сложности алгоритма

85

2.4.2.1.Оценка алгоритма, использующего цветовые гистограммы

85

2.4.2.2.Оценка алгоритма, использующего текстурные и 2d- цветовые гистограммы

87

2.5. Выводы

89

Раздел 3 Экспериментальная оценка качества поиска изображений с использованием улучшенных алгоритмов

91

3.1.Сравнение результатов поиска с использованием различных алгоритмов

91

3.2.Оценка качества поиска изображений в базе данных с использованием модифицированного алгоритма поиска

105

3.3. Выводы

109

Раздел 4 Архитектура вычислителя для аппаратной поддержки поиска в графических базах данных

110

4.1. Структура специализированной вычислительной системы для контекстного поиска изображений на основе их цветового содержимого

110

4.2. Анализ различных подходов к организации топологии связей элементов вычислительной системы

112

4.2.1. Подсистема приведения цветов изображения к базовому набору

113

4.2.2. Подсистема построения гистограммного признака

114

4.2.2.1. Выбор топологии связей процессорных элементов подсистемы построения текстурной и 2d-цветовой гистограмм

115

4.2.2.2. Выбор топологии связей подсистемы построения традиционной цветовой гистограммы

116

4.2.3. Подсистема вычисления среднеквадратичного отклонения элементов гистограммного признака

119

4.2.4. Подсистема сравнения гистограммных признаков

121

4.2.5. Оценка временных характеристик различных многопроцессорных архитектур

122

4.2.5.1. Анализ временных характеристик для системы поиска изображений по цветовому содержимому без учета пространственной информации

122

4.2.5.2. Анализ временных характеристик для системы поиска изображений по текстурному содержимому и по цветовому содержимому с учетом пространственной информации

125

4.3. Структурная организация отдельных подсистем для системы поиска по цветовому содержимому

128

4.3.1. Подсистема приведения цветов (яркостей) к базовому набору

129

4.3.1.1. Структура вычислителя для реализации алгоритма дискретизации

129

4.3.1.2. Оценка разрядности регистров подсистемы приведения цветов

130

4.3.2. Подсистема построения цветовой гистограммы

131

4.3.3. Подсистема вычисления среднеквадратичного отклонения элементов цветовой гистограммы

132

4.3.4. Подсистема сравнения цветовых гистограмм

135

4.3.5. Оценка эффективности функционирования специализированной вычислительной системы

138

4.4. Структурная организация подсистем для системы поиска по текстурным признакам или по цвету с учетом пространственной информации

141

4.4.1. Оценка сбалансированности функционирования подсистем

141

4.4.2. Подсистема индексирования изображения

142

4.5. Выводы

146

Раздел 5 Моделирование работы специализированной вычислительной системы для контекстного поиска изображений

147

5.1. Математическая модель вычислительной системы для контекстного поиска изображений

147

5.1.1. М-схема макроконвейерных вычислений в системе контекстного поиска изображений

147

5.2.2. Функционирование М-схемы вычислительной системы для контекстного поиска изображений

155

5.3. Имитационная модель системы поиска изображений на основе их цветового содержимого

159

5.4. Выводы

162

Выводы

163

Литература

165

Приложение А. Акты о внедрении результатов работы

173

введение

Актуальность темы. Разработка новых технических средств, позволяющих представлять информацию в виде изображений, привела к тому, что работа с таким видом данных оказалась в центре внимания многих исследователей. С распространением Internet наблюдается тенденция к накоплению изображений и к созданию баз данных (БД) изображений. В зависимости от области применения в такие БД включаются как произвольные изображения, так и изображения ограниченного класса, и очень актуальной для таких БД является задача поиска изображений, визуально сходных с заданным (этот процесс называют поиском по содержимому изображений, или контекстным поиском).
Существует ряд практических реализаций контекстного поиска изображений в графических базах данных. Наиболее удачными являються система QBIC (разработка фирмы IBM), и системы WebSeek и VisualSeek (разработка Колумбийского университета, США). Поиск изображений по их содержимому с использованием технологии IBM реализован также на сайте Государственного Эрмитажа (Россия). Однако, несмотря на значительное количество, указанные проекты недостаточно качественно выполняют поиск. Главным недостатком всех практических реализаций этого подхода является замена поиска сортировкой всей БД по убыванию сходства с образцом, и, как следствие, низкое быстродействие и невозможность получения ответа на запрос в реальном масштабе времени.
Таким образом, актуальной является задача системного исследования процесса контекстного поиска изображений в графических базах данных, его усовершенствования с целью улучшения результатов поиска и сокращения времени выполнения за счет аппаратно- программной поддержки алгоритмов обработки графических данных.
Связь работы с научными программами, планами, темами. Диссертационная работа выполнена в рамках госбюджетных тем Г-9-95 «Архитектура параллельной вычислительной системы для синтеза высококачественных изображений в реальном времени» (№ госрегистрации 0195U009057), Г-13-2000 «Архитектура вычислительных систем для компьютерного синтеза и поиска изображений в реальном времени» (№ госрегистрации 0100U001049), Д-2-2003 «Методы, алгоритмы и архитектуры реального времени для поиска, генерации, трехмерной реконструкции и моделирования изображений сложных объектов» (№ госрегистрации 0103U001322), Г-2-06 «Эффективные алгоритмы индексирования и выполнения запросов в глобальных графических и видео-базах данных, обработки и генерации изображений» (№ госрегистрации 0106U001265), в которых соискатель принимала участие как исполнитель.
Цель и задачи иссленований. Цель работы состоит в ускорении и повышении качества поиска изображений в графических базах данных путем разработки новых алгоритмических и аппаратнопрограммных средств.
Для достижения этой цели в работе решены следующие основные задачи:
1. Исследование существующих систем поиска изображений по их содержимому, определение ограничений и недостатков, а также причин, их обусловивших.
2. Разработка новых методов поиска изображений для ускорения процесса поиска и улучшения качества поиска.
3. Разработка аппаратнопрограммных средств (специализированной вычислительной системы) для организации поиска изображений в БД по их содержимому.
4. Выбор способов организации вычислительных процессов в блоках вычислительной системы поиска изображений на основе их содержимого и разработка их аппаратных решений на основе анализа разрядности и требуемого быстродействия элементов системы.
5. Получение экспериментальных оценок временных характеристик предложенных технических решений системы поиска изображений методами математического и имитационного моделирования.
Объектом исследования в работе является система поиска изображений в больших базах данных по их цветовому содержимому в реальном масштабе времени.
Предметом исследований являются методы и средства алгоритмической и аппаратнопрограммной поддержки поиска изображений в графических базах данных.
Методы исследования. В работе применялись методы цифровой обработки изображений и контекстного поиска изображений. При разработке модифицированного алгоритма использован аппарат теории вероятностей и математической статистики, при разработке специализированной вычислительной системыметоды теории проектирования цифровых вычислительных машин и специализированных систем. Исследование характеристик вычислительной системы выполнялось методами теории массового обслуживания, математическое моделирование осуществлялось с применением Мсхем конвейерных вычислений, базирующихся, в сою очередь, на аппарате сетей Петри.
Научная новизна полученных результатов состоит в следующем.
1. В общем виде сформулирована задача поиска в базе данных изображений на основе их содержимого, выполнена классификация систем поиска изображений по образцу в больших базах данных.
2. Впервые предложено для оценки цветового содержимого изображения использовать 2D- цветовую гистограмму, позволяющую учесть пространственную информацию.
3. Впервые предложено использовать в качестве критерия при сравнении содержимого изображений коэффициент корреляции их гистограммных признаков.
4. Разработан метод поиска изображений в БД по их цветовому содержимому, позволяющий без существенных потер времени учесть при описании содержимого изображения пространственную информацию и ограничить результаты поиска, избежав сортировки всей базы данных.
5. Предложена и аналитически обоснована структура специализированной конвейерной вычислительной системы для поиска изображений. Разработаны алгоритмы функционирования подсистем вычислительной системы, выполнен выбор наиболее рациональной организации каждой из подсистем, предложены структуры процессорных элементов, реализующих вычисления, предполагаемые алгоритмами, с минимальными затратами времени.
Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждается корректным использованием математического аппарата, совпадением результатов экспериментальной проверки с теоретическими оценками.
Научное значение работы состоит в развитии представлений о процессе поиска изображений в графических базах данных, усовершенствовании теоретической базы процесса поиска, обосновании структуры специализированной вычислительной системы для решения указанной задачи.
Практическое значение полученных результатов:
1. Получена возможность ограничения набора найденных изображений посредством использования модифицированного алгоритма поиска.
2. Разработана и сбалансирована структура специализированной вычислительной системы для поиска изображений для ускорения процесса поиска.
3. Результаты работы используются в НПП «АМИ» (г.Донецк) при разработке цифровой системы безопасности для реализации быстрого поиска по видеоархиву, хранения информации, ее быстрого поиска и анализа. Предложенные методы поиска изображений по их цветовому содержимому и разработанные в соответствии с ними алгоритмы и аппаратно- программные решения внедрены в учебный процесс в курсах «Компьютерный синтез и обработка изображений» и «Машинная графика и диалоговые системы» на кафедре прикладной математики и информатики ДонНТУ.

Личный вклад соискателя. Лично соискателем выполнена постановка задачи поиска изображений по образцу в общем виде, предложено описывать цветовое содержимое изображений с помощью 2Dцветовой гистограммы, сравнивать характеристики цветового содержимого изображений путем вычисление коэффициента корреляции 2Dцветовых гистограмм, сформулирован алгоритм поиска, базирующийся на указанных предложениях. Также лично соискателем выполнена разработка и обоснование структуры специализированной вычислительной системы для реализации поиска изображений, ее математическое и имитационное моделирование.
Апробация результатов работы. Результаты исследований и основные положения работы докладывались и обсуждались на:

- I, II, III, IV международных научно-практических конференциях "Человек и космос" (Днепропетровск, 1999, 2000, 2001, 2002 гг.);
- 12-й Международной конференции ГрафиКон’2002 (Нижний Новгород, 2002);
- 4-й международной научно- технической конференции «Кибернетика и технологии XXI века» (Воронеж, Россия, 2003 г.);
- всероссийской научно- технической конференции с международным участием «Компьютерные технологии в инженерной и управленческой деятельности». (Таганрог, 2002 г.)
- 2-й научно-практической конференции «Донбасс-2020: наука и техника- производству» ( Донецк, 2004г.);
- всероссийской научно- технической конференции с международным участием «Компьютерные и информационные технологии в науке, инженерии и управлении» (Таганрог, 2004 г.);
- первой международной научно- технической конференции «Моделирование и компьютерная графика» (Донецк, 2005 г.).
Публикации. Основные результаты диссертационной работы опубликованы в 18 научных трудах, из них 8- статьи в изданиях, включенных в перечень ВАК Украины, 10публикации в сборниках материалов конференций, 11 научных работ написаны без соавторов.
Структура и объем диссертационной работы. Диссертация состоит из введения, пяти разделов, выводов, списка использованных источников, содержащего 99 наименований, и приложений. Полный объем диссертации составляет 176 страниц печатного текста, из них 164 страницы основного текста, содержит 58 рисунков и 12 таблиц (в том числе 18- на отдельных страницах).

Список літератури

ВЫВОДЫ

В диссертации проведено теоретическое обобщение и новое решение задачи контекстного поиска изображений в больших базах данных на основании цветовых и текстурных характеристик содержимого. Данное решение повышает качество поиска за счет учета пространственной информации о распределении цветов внутри изображения и позволяет ограничить результаты поиска за счет сравнения цветового содержимого изображений с помощью коэффициента их корреляции, и в разработке специализированной вычислительной системы для эффективного решения указанной задачи. При этом получены следующие результаты, имеющие научную и практическую ценность:
1. В общем виде сформулирована задача поиска изображений на основе их содержимого в базе данных, выполнена классификация систем поиска изображений по образцу в больших базах данных.
2. Впервые предложено для оценки цветового содержимого изображения использовать 2D- цветовую гистограмму, позволяющую учесть пространственную информацию.
3. Впервые предложено использовать в качестве критерия при сравнении содержимого изображений коэффициент корреляции их гистограммных признаков.
4. Разработан метод поиска изображений в БД по их цветовому содержимому, позволяющий без существенных потер времени учесть при описании содержимого изображения пространственную информацию и ограничить результаты поиска, избежав сортировки всей базы данных.
5. Предложена и аналитически обоснована структура специализированной конвейерной вычислительной системы для поиска изображений. Разработаны алгоритмы функционирования подсистем вычислительной системы, выполнен выбор наиболее рациональной организации каждой из подсистем, предложены структуры процессорных элементов, реализующих вычисления, предполагаемые алгоритмами, с минимальными затратами времени.

ЛИТЕРАТУРА

1. Ахо А., Хопкрофт Д., Ульман Д. Структуры данных и алгоритмы: Пер. с англ.М.:Издательский дом «Вильямс», 2000.384 с.
2. Башков Е.А., Шозда Н.С. Алгоритмы дискретизации цветового пространства и их использование в контекстном поиске изображений// Наукові праці Донецького державного технічного університету. Серія "Інформатика, кібернетика та обчислювальна техніка, випуск 15.Донецьк; ДонДТУ. 2000.с.192196.
3. Башков Е.А., Шозда Н.С. Поиск изображений в больших БД с использованием коэффициента корреляции цветовых гистограмм.// Труды 12-й Международной конференции ГрафиКон’2002. Нижний Новгород,2002. с. 358361.
4. Боюн В.П. Динамическая теория информации. Основы и приложения.К.: Институт кибернетики им. В.М. Глушкова НАН Украины, 2001.326с.
5. Бройнль Т. Паралельне програмування:Початковий курс:Навч. посібник: пер. з нім.К.: Вища школа, 1997358с.
6. Виртуальная библиотека Нового Южного Уэльса: http://cdromweb.snsw.gov.au/ picman/welcome.html.
7. Вычислительные машины, системы м сети: Учебник/А.П. Пятибратов, С.Н.Беляев, Г.М. Козырева и др./Под ред. проф. А.П.Пятибратова.М.: Финансы и статистика, 1991.400 с.
8. Герцій О.А. Розробка обчислювальної схеми грубої”-точної” обробки зображень для системи розпізнавання образів: Автореферат дисертації на здобуття наукового ступеня кандидата технічних наук:01.05.02/Вінницький державний технічний університет.Вінниця, 2001. 19 с.
9. Гмурман В.Е. Теория вероятностей и математическая статистика.М.:Высшая школа, 1972479с.
10. Интернет- магазин обоев http//wallpaperwholesaler.com.
11. Интернет- магазин обоев http://wallpaperadditions.com.
12. Каган Б.М. Электронные вычислительные машины и системы.М.: Энергоатомиздат, 1991.592с.
13. Капитонова Ю.В., Овсеец М.И. М-схемы макроконвейерных вычислений// Кибернетика.1990.№5.с.1-8.
14. Коллекция живописи Национальной галереи искусств США: http://www/nga/gov.
15. Котов В.Е. Сети Петри.М.:Наука,1984.160 с.
16. Коутс Р., Влейминк И. Интерфейс «человек- компьютер»: Пер. с англ.М.: Мир, 1990.501с.
17. Кузьминский М. Athlon: от микропроцессоров к материнским платам// Открытые системы. 2000.№ 12.с.8-13.
18. Ліпанов О.В. Алгоритми слідкуючої нормалізації у системах технічного зору. Автореферат дисертації на здобуття наукового ступеня кандидата технічних наук:01.05.02/Харківський державний технічний університет радіоелектронікиХарків, 1999.18с.
19. Лорин Г. Сортировка и системы сортировки: Пер. с англ.М.:Наука, 1983.384 с.
20. Озкарахан Э. Машины баз данных и управление базами данных: Пер. с англ.М.:Мир,1989.696с.
21. Ортега Дж. Введение в параллельные и векторные методы решения линейных систем: Пер. с англ.М.: Мир, 1991.367 с.
22. Параллельная обработка информации:В 5 т./АН УССР. Физ.-мех. ин-т им. Г.В.Карпенко.К.1990.т.5: Проблемно- ориентированные и специализированные средства обработки информации: Под ред. Б.Н.Малиновского и В.В.Грицыка.504 с.
23. Пентланд А., Чаудхари Т. Распознавание лиц для интеллектуальных сред//Открытые системы2000/№3/с.2833.
24. Питерсон Дж. Теория сетей Петри и моделирование систем:Пер. с англ.М.: Мир, 1984.264 с.
25. Прэтт У. Цифровая обработка изображений: Пер. с англ.-М.:Мир, 1982. - Кн. 2310 c.
26. Роджерс Д. Алгоритмические основы машинной графики: Пер. с англ.М.: Мир, 1989.512 с.
27. Самофалов К.Г.,Луцкий Г.М. Основы теории многоуровневых конвейерных вычислительных систем. М.:Радио и связь, 1989.272с.
28. Сверхбольшие интегральные схемы и современная обработка сигналов/Под ред. С. Гуна, Х. Уайтхауса, Т. Кайлата. М.: Радио и связь, 1989.472 с.
29. Слепцов А.И., Юрасов А.А. Автоматизация проектирования управляющих систем гибких автоматизированных производств/ Под ред. Б.Н.Малиновского.К.:Техніка, 1986.110 с.
30. Цифровая астрономическая библиотека: www.astronomy.ca/ images/
31. Цифровая библиотека VCL Antropomorphic Image Library: http://us.vclart.net/vcl.
32. Цифровая коллекция Эрмитажа: http://www.hermitagemuseum.org
33. Шикин А.В., Боресков А.В. Компьютерная графика. Полигональные модели. М.:ДИАЛОГ-МИФИ, 2000.464 с.
34. Aibing Rao, Rohini K. Srihari, Lei Zhu, Aidong Zhang. A method for measuring the complexity of image databases.//IEEE Transactions on Multimedia.Vol. 4, No.2, June 2002. р. 160-173.
35. Bach J.R., Fuller C.,Gupta A., Hampapur A., Horowitz B., HumphreyR., Jain R.C., Shu C. Virage image search engine: an open framework for image management.//In Symposium on Electronic Imaging: Science and Technology. Storage & Retrieval for Image and Video Databases IVvol.2670, IS&T/SPIE, 1996p. 7687.
36. Boosting color saliency in image feature detection//IEEE Transactions on pattern analysis and machine intelligence.Vol.28,№1,January 2006.pp.150-156.
37. Cappelli R., Maio D., Maltoni D., Wayman J.L., Jain A.K. Performance evaluation of fingerprint verification systems//IEEE Transactions on pattern analysis and machine intelligence.Vol.28, №1, January 2006.p.3-18.
38. Cha G.-H., Chung C.-W. The GC-Tree: A High- Dimensional Index Structure for Similarity Search in Image Databases//IEEE Transactions on Multimedia.Vol.4, №2, June 2002.p. 235-247.
39. Chang S.F. Content-Based Indexing and Retrieval of Visual Information. //IEEE Signal Processing Magazine.Vol.14, №4, July 1997.p.45-48.
40. Chen J.Y., Bouman C.A., Allebach J.P. Fast image database search using tree- structured VQ.//International Conference on image processing proceedings.Santa Barbara, USA.1997.р. 827-830.
41. Chua T.-S., Lim S.-K., Pung H.-K. Content-based retrieval of segmented images //In Proceedings of ACM International Conference on Multimedia.Oct., 1994.
42. Colour Science Glossary: http://ziggy.derby.ac.uk/colour/info/ glossary/
43. Eakins J.P., Broadman J.M., Graham M.E. Similarity Retrieval of Trademark Images// IEEE Multimedia, 1998.№5(2).p.53-63.
44. FaceIt ARGUS Screening System. http://www.identix.com/products/ pro_security_bnp_argus.html.
45. Forsyth D.A., Malik J., Wilensky R. Searching for Digital Pictures//Scientific American, 1997№6.p. 72-77.
46. Fränti P., Ageenko E., Copylov P., Gröhn S., Berger F. Map Image Compression for Real-Time Applications//Symposium on Geospartial Theory, Processing and Applications.Ottava, 2002. www.isprs.org/ comission4/ proceedings02/pdfpapers/054.pdf.
47. Gaurav Aggarval, Ashvin T.V. and Sugata Ghosal. An image retrieval system with automatic query modification//IEEE Transactions on Multimedia. Vol. 4, №2, 2002.p. 201-214.
48. Gray R.S.. Content-based image retrieval: Color and edges:Technical report./Dartmouth University Department of Computer Science.№95-252.1995.
49. Gupta Amarnath. Visual Information Retrieval Technology- A Virage Perspective/ Demo:www.virage.com.
50. Hafner J., Sawhney H.S., Equitz W., Flickner M., NiBlack W. Efficient color histogram indexing for quadratic form distance functions//IEEE Transactions on Pattern Analysis and Machine Intelligence.Vol.17, №.7, 1995.p. 729 736.
51. Haralick R.M. Statistical and structural approaches to texture // Proc. of the IEEE№ 67(5), May 1979.p.786804.
52. Haynes S. D., Stone J., Cheung P.Y.K., Wayne Luk. Video Image Processing with the Sonic Architecture// IEEE Computer.April, 2000.p.5057.
53. Hsu W., Chua T.S., Pung H.K.. An integrated color-spatial approach to content-based image retrieval.//Proceedings of ACM International Conference on Multimedia. November, 1995p.305311.
54. Huang J, Kumar S.R., Mitra M., Wei-Jing Zhu, Zabih R. Image Indexing using color correlograms//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 1997.p. 762-768
55. Huang J. Color Spatial Image Indexing and Application. a Dissertation Presented to the Faculty of the Graduate School of Cornell University to Partial Fulfillment of the Requirements for the Degree of Doctor of Philosophy, 1998.
56. Huang J., Kumar S. R., Mitra M., ZhuW.-J. Spatial color indexing and applications//IEEE International Conference on Computer Vision (ICCV).Bombay, India.1998.p. 602607.
57. IBM Almaden Research Center. Query by Image and Video Content: the QBIC System// IEEE Computer.September, 1995.p. 23-31.
58. Image Database Indexing and Retrieval System with Parallel Computer Engine// www.abacus.ee.cityu.edu.hk/projectrs.html
59. Iqbal Q., AggarwalJ. K. CIRES: A system for content-based retrieval in digital image libraries//Invited Session on Content-based Image Retrieval: Techniques and Applications, 7 International Conference on Control Automation, Robotics and Vision (ICARCV).2002.p. 205210.
60. Johnson N.F. In Search of the Right Image: Recognition and Tracking of Images in Image Databases, Collections and The Internet// www.jjtc.com/pub/csis_tr_95_05_nfj.ps
61. KangK.-D., Son S.H., Stankovic J.A., Abdelzaher T.F. A QoS-Sensitive Approach for Timeliness and Freshness Guarantees in Real-Time Databases.October,2002.www.cs.virginia.edu/papers/qos-sensitive-euromicro02.pdf.
62. Knittel G., Schilling A., Kugler A., StraßerW. Hardware for Superior Texture Performance//Proceedings of the 10th Eurographics Workshop on Graphics Hardware.1995. p.33-39.
63. Lau C.K. The Effect of Color Quantization in Difference Color Models// http://www.erc.msstate.edu/~rjm/ColorQuant.
64. Lee D., Barber R., Niblack W., Flickner M., Hafner J., Petkovic D. Query by Image Content using Multiple Objects and Multiple Features: user interface issues//IEEE International Conference ICIP-94 Proceedings/vol. 2.p. 76-80.
65. Lew M. S. Next-Generation Web Searches for Visual Content// IEEE Computer.November, 2000.p.46-53.
66. Lu G. Techniques and Data Structures for Efficient Multimedia Retrieval Based on Similarity//IEEE Transactions on Multimedia.Vol.4,No.3, September, 2002.p. 372-384.
67. Manegold S.,Boncz P. A., Kersten M. L. Optimizing Main-Memory Join On Modern Hardware// IEEE Transactions on Knowledge and Data Engineering (TKDE).2002.vol. 14, № 4. p.709730.
68. Manjunath B.S., MaW. Y. Texture features for browsing and retrieval of image data //IEEE Trans Pattern Anal. Machine Intell.1996.vol. 18, no. 8.pp. 837842.
69. Nakabo Y., Ishikawa M., Toyoda H., Mizuno S. 1ms Column Parallel Vision System and It’s Application of High Speed Target Tracking//Proceedings of the 2000 IEEE International Conference on Robotics&Automation. San-Francisco, CA. April, 2000.p.650 655.
70. Ogle V., Stonebraker M. Chabot: Retrieval from a Relational Database of Images//IEEE Computer.1995.vol. 28, no. 9.p. 4048.
71. Ortega M., Rui Y., Chakrabarti K., Mehrotra S., Huang T. Supporting Similarity Queries in MARS//Proceeding of the ACM International Multimedia Conference.1997.p. 403-413.
72. Pass G., Zabih R., Miller J. Comparing images using color coherence vectors//Proceedings of ACM International Conference on Multimedia. Boston, MA.1996.p.6573.
73. Protecting Civilization from the faces of terror: a primer on the role facial recognition technology can play in enhancing airport security. http://www.eyefortravel.com/papers/Counterterrorism_WP_-_US.pdf
74. R.M.Lea. A VLSI array processor for image processing// Algorithmically specialized parallel computers. Edited by L.Snyder, L.H.Jamieson, D.B.Gannon, H.J.Siegel.Academic Press, Inc.1985.p.159-168.
75. Ross A., Dass S.C., Jain A.K.. Fingerprinty Warping using ridge curve correspondence// IEEE Transactions on pattern analysis and machine intelligence. Vol. 28, №1.January, 2006.p.19-30.
76. Rui Y., Huang T. S., Ortega M.,Mehrotra S. Relevance feedback: A powerful tool for interactive content-based image retrieval//IEEE Transactions on Circuits and Systems for Video Technology.1998.vol. 8, № 5.p. 644655.
77. Sawhney H.S., Hafner J.L. Efficient color histogram indexing//IEEE International Conference ICIP-94 Proceedings.vol. 2.p. 66-70.
78. Schatz B.R. Information retrieval in digital libraries: Bringing search to the net//Science.1997.vol. 275.p. 327-334.
79. Sharvit D., Chan J., Huseyin Tek, Kimia B.B. Symmetry- based indexing of image databases// IEEE Workshop on Content- Based Access of Image and Video Libraries.1998. p.56-62.
80. Shiuh—Shang Yu, Jinn-Rong Liou, Wen-Chin Chen. Computational similarity based on chromatic barycenter algorithm//IEEE Transactions on Consumer Electronicsvol.42, № 2.May, 1996.p. 216- 220.
81. Smith J.R. Integrated Spatial and Feature Image Systems: Retrieval, Analysis and Compression: Submitted in partial fulfillment of the requirements for the degree of Doctor of Philosophy in the Graduate School of Arts and Sciences.Columbia University,1997. http://disney.ctr.columbia.edu/jrsthesis/node1.html
82. Smith J.R., Chang S.F. Single color Extraction and Image Query// Proceedings of International Conference on Image Processing.1995.vol. 3, p. 528-531.
83. Smith J.R., Chang S.F. Tools and Techniques for Color Image Retrieval// In Symposium on Electronic Imaging: Science and Technology//Storage & Retrieval for Image and Video Databases.1996.№ 4, vol. 2670.p. 426 437.
84. Smith J.R., Chang S.F. VisualSEEk: a Content-Based Image/Video Retrieval System: System Report and User's Manual, version 1.0 beta.December, 1995.
85. Smith J.R., Chang S.F.. Safe: A general framework for integrated spatial and feature image search// IEEE. Submitted Workshop on Multimedia Signal Processing. Princeton, NJ, June, 1997.
86. Smith J.R., Chang S.-F. Searching for Images and Videos on the World-Wide Web //IEEE Multimedia Magazine.Summer, 1997. (also Columbia University CU/CTR Technical Report #459-96-25). Demo: http://www.ctr.columbia.edu/webseek
87. Smith J.R., Chang S.-F. VisualSEEk: A Fully Automated Content-BasedImageQuerySystem//ACMMultimediaConferenceBoston, MA. November,1996.Demo:http://www.ctr.columbia.edu/VisualSEEk
88. Stricker M., Dimai A. Color indexing with weak spatial constraints. In Symposium on Electronic Imaging: Science and Technology//Storage & Retrieval for Image and Video Databases.1996.№ 4, vol. 2670.p. 29 41.
89. Stricker M., Orengo M. Similarity of color images// SPIE.1995.vol. 2420, №.1.p. 381-392.
90. Stricker M., Swain M. The capacity of color histogram indexing// Computer Vision and Pattern Recognition. Proceedings CVPR’94. IEEE Computer Society Conference.1994.p. 704-708.
91. Swain M. Interactive indexing into image databases//SPIE Proceedings.1993.vol. 1908.p.95103.
92. Swain M. J., Ballard D. H. Color indexing//International Journal of Computer Vision.1991.vol.7, №(1). p. 1132.
93. Van den Berg C. A., van den Boomgaard R., Worring M., Koelma D., Smeulders A. Horus: Integration of image processing and database paradigms//Proceedings of the First Int. Workshop of Image Databases and Multi-Media Search.1996.p. 226234.
94. Viisage Products Portfolio. http://www.viisage.com/ww /en/pub/ viisage___products_new.htm.
95. Vinod V.V., Hiroshi Murase, Object Location Using Complementary Color Features: Histоgram and DCT//13th International Conference on Pattern Recognition (ICPR'96). 1996. vol.1/p. 554
96. Wang K, Lin J., Gajnak J., Murphy F. Image contentbased retrieval and automated interpretation of fluorescence microscope images via the protein subcellular location image database//IEEE.2002.pp. 325-328.
97. Whit Andrews. TrueFace Made to Secure Net Access. Miros Inc. introduced TrueFace Web, biometric tool for securing Web access. http://www.internetnews.com/infra/article.php/47911
98. Wong S.K.M., Wang S.J., Prusinkewicz P. Variance- based color image quantization for frame buffer display//Color Research and Application.1990.№15(1).p. 52-58.
99. Wu C.W. On the Design of Content- Based Multimedia Authentication Systems//IEEE Transactions on Multimedia.2002.Vol. 4, №.3.p. 385- 393