Модель и алгоритмы поиска изображений в графических базах данных на основе теории активного восприятия тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Десятников, Игорь Евгеньевич

  • Десятников, Игорь Евгеньевич
  • кандидат технических науккандидат технических наук
  • 2013, Нижний Новгород
  • Специальность ВАК РФ05.13.17
  • Количество страниц 127
Десятников, Игорь Евгеньевич. Модель и алгоритмы поиска изображений в графических базах данных на основе теории активного восприятия: дис. кандидат технических наук: 05.13.17 - Теоретические основы информатики. Нижний Новгород. 2013. 127 с.

Оглавление диссертации кандидат технических наук Десятников, Игорь Евгеньевич

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ И СИСТЕМ ПОИСКА ИЗОБРАЖЕНИЙ

1.1. Обзор методов поиска изображений

1.1.1. Методы на базе цветовой классификации

1.1.2. Методы на базе анализа текстур

1.1.3. Методы на базе анализа формы объектов

1.1.4. Методы на базе комбинации признаков

1.2. Обзор существующих систем

1.2.1. Архитектура СВГО.-систем

1.2.2. Сравнительный анализ СВЖ-систем

1.3. Цель и задачи исследования

ГЛАВА 2. ТЕОРЕТИЧЕСКИЙ ПОДХОД К ПОСТРОЕНИЮ СИСТЕМЫ ПОИСКА ИЗОБРАЖЕНИЙ НА ОСНОВЕ ТЕОРИИ АКТИВНОГО ВОСПРИЯТИЯ

2.1. Основные подходы при построении систем поиска изображений

2.2. Формирование признакового описания изображения

2.3. Формирование пространства классов изображений

2.4. Разработка информационной модели системы поиска

2.5. Выводы

ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ

3.1. Программная реализация комплекса поиска изображения

3.2. Алгоритм «Грубый» поиск изображений

3.3. Алгоритм помехоустойчивого поиска изображений

3.4. Алгоритм «Многоуровневый» поиск изображений

3.5. Алгоритм поиска похожих изображений

3.6. Сравнение разработанной поисковой системы с существующими аналогами

Выводы

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЯ

Приложение А. Акты о внедрении результатов кандидатской диссертационной работы

Рекомендованный список диссертаций по специальности «Теоретические основы информатики», 05.13.17 шифр ВАК

Введение диссертации (часть автореферата) на тему «Модель и алгоритмы поиска изображений в графических базах данных на основе теории активного восприятия»

ВВЕДЕНИЕ

Актуальность работы. С каждым годом растёт объём обрабатываемой информации, что требует формализации и последующей алгоритмизации процессов, ранее выполнявшихся вручную. Одним из ключевых понятий в автоматической обработке информации является распознавание объектов определённого класса, в частности поиск изображений в больших базах данных. Когда алгоритмы выполняют распознавание на уровне эксперта-человека, автоматизация ведёт к ускорению работы систем обработки данных и повышению их эффективности.

За последние годы объем мультимедиа-данных вырос в несколько раз. Все большее количество людей используют поиск изображений в больших базах данных и сети Интернет для оформления презентаций, публикаций и просто для общения. При этом классифицированной является лишь незначительная часть этих изображений (в основном, это касается коммерческих и узкоспециализированных баз данных).

Существует разновидность задачи - поиск изображений в базе данных по текстовым аннотациям, размещенным рядом с изображением. Данный подход не рассматривается в работе. Он может являться дополнительной опцией к системе автоматического поиска изображений.

По некоторым подсчетам, количество изображений в сети Интернет на

13

сегодняшний день составляет более 10 и с каждым годом увеличивается в геометрической прогрессии. Однако, вся эта информация бесполезна без точного, удобного и быстрого поиска по ней.

Можно уверенно прогнозировать, что по мере расширения доступа к электронным архивам изображений и видео будет возрастать значимость поиска изображения по его содержанию. Для обоснования этого прогноза достаточно привести два веских аргумента: во-первых, значительная часть информации, поступающей из окружающего мира, воспринимается нами именно в зрительной форме, что стимулирует технический прогресс в этой области, во-вторых, исследования в области машинного зрения щедро

финансируются почти всеми ведущими компаниями и продолжаются во многих исследовательских центрах мира.

Возможность поиска изображений по их содержанию может стать еще одним связующим звеном в создании той самой информационной структуры, которую Б. Гейтс назвал «электронной нервной системой» [1]. Благодаря этой системе можно будет быстро реагировать на любые изменения в окружающем мире и своевременно принимать правильные решения.

Целью работы является исследование и разработка информационной модели и алгоритмов системы поиска изображений на основе теории активного восприятия для графических баз данных размером не менее 106 объектов. Поисковая система должна обладать высокой производительностью (малое время отклика системы на запрос) и достоверностью поиска (корректность результата).

Для достижения поставленной цели необходимо решить следующие задачи:

1. обзор и анализ современного состояния проблемы поиска изображений по визуальному подобию и обзор информационных признаков изображений;

2. обзор и анализ существующих систем поиска изображений и их архитектур;

3. разработка информационной модели системы поиска для графических баз данных;

4. разработка алгоритмов поиска оригинальных, а также зашумлённых и похожих по визуальному подобию изображений;

5. разработка алгоритмов поиска поврежденных изображений;

6. разработка экспериментальной поисковой системы для оценки полученных в ходе исследования результатов.

Объект исследования - методы поиска растровых изображений в графических базах данных по визуальному подобию.

Предметом исследования являются модель базы данных и алгоритмы поиска растровых изображений по визуальному подобию.

Методы исследования. Для решения поставленных задач в работе использованы методы распознавания образов, теории активного восприятия, методов цифровой обработки изображений, теории баз данных. Научная новизна работы состоит в следующем:

1. Разработана информационная модель системы поиска изображений, позволяющая строить графические базы данных с общим количеством изображений более 106 объектов и отличающаяся высокой производительностью и достоверностью выполняемого поиска.

2. Разработан алгоритм поиска изображений в больших базах данных и сети Интернет, обеспечивающий высокую производительность (малое время отклика системы на поисковый запрос) и позволяющий работать с зашумленными изображениями.

3. Разработан алгоритм поиска изображения, часть которого потеряна, загорожена другим объектом или стерта, отличающийся высокой производительностью.

Практическая ценность работы заключается в повышении эффективности средств автоматизированной обработки и поиска изображений в графических базах данных. Предложенные методы поиска можно применять в системах технического зрения, системах контроля качества продукции приборостроения, системах распознавания образов, системах управления и поиска изображений в базах данных. Разработанные в диссертационной работе алгоритмы могут быть использованы для поиска изображений в сети Интернет, а также поиска сопутствующих материалов, размещенных с искомым изображением: поиск автора и названия изображения, поиск изображения с более высоким качеством, поиск похожих изображений, контроль авторских прав.

Апробация работы. Основные материалы и результаты диссертационной работы докладывались на следующих научных конференциях:

• XV международная научно-техническая конференция «Информационные системы и технологии», г. Н.Новгород, 2009;

• XVI международная научно-техническая конференция «Информационные системы и технологии», г. Н.Новгород, 2010;

• XVII международная научно-техническая конференция «Информационные системы и технологии», г. Н.Новгород, 2011;

• Вторая Всероссийская конференция «Нелинейная динамика в когнитивных исследованиях», г. Н. Новгород, 2011;

• 16-я Нижегородская сессия молодых ученых (технические науки), г. Семенов, 2011;

• X Всероссийская научная конференция молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление», г. Таганрог, 2012.

• XIX международная научно-техническая конференция «Информационные системы и технологии», г. Н.Новгород, 2013. Публикации. По теме диссертации опубликовано 9 работ, в том числе 2

статьи в рецензируемых изданиях, свидетельство о государственной регистрации программы для ЭВМ.

На защиту выносятся следующие результаты работы:

1. Информационная модель системы поиска изображений, на основе которой можно проектировать графические базы данных с общим количеством изображений более 106 объектов. При этом обеспечивается высокая производительность и достоверность выполняемого поиска.

2. Алгоритм поиска изображений в базе данных, обеспечивающий высокую производительность (малое время отклика системы) и позволяющий работать с зашумленными изображениями.

3. Алгоритм поиска изображений, часть которых потеряна, загорожена другим объектом или стерта.

4. Алгоритм поиска похожих по визуальному подобию изображений, который по производительности и достоверности не уступает

существующим алгоритмам поиска изображений в больших базах данных и сети Интернет.

Структура и объем работы. Диссертационная работа состоит из введения, трех глав, заключения, библиографического списка. Общий объем работы 127 страниц текста, содержащего 62 рисунка и 3 таблицы. Список литературы содержит 105 наименований.

Похожие диссертационные работы по специальности «Теоретические основы информатики», 05.13.17 шифр ВАК

Заключение диссертации по теме «Теоретические основы информатики», Десятников, Игорь Евгеньевич

Выводы

В данной главе разработана поисковая система изображений по визуальному подобию и представлены результаты экспериментов.

Разработан алгоритм поиска изображений в базе данных, обеспечивающий по сравнению с существующими методами высокую производительность (малое время отклика системы) и позволяющий работать с зашумленными изображениями.

Разработан алгоритм поиска изображений, которые значительно отличаются от оригинального изображения, например, часть изображения потеряна, загорожена другим объектом или стерта. Благодаря этому алгоритму пользователю, желающему найти изображение в базе данных, не нужно знать, какие изменения были выполнены на искомом изображении.

Разработан алгоритм поиска похожих по визуальному подобию изображений.

Разработанные методы поиска изображений показывают отличные результаты по производительности и достоверности, даже несмотря на то, что эксперименты проводились на относительно устаревшем (по меркам сегодняшнего дня) персональном компьютере. Анализ результатов позволяет сделать вывод, что разработанная поисковая система успешно справляется с поставленной задачей поиска не только исходных, но зашумленных и отредактированных изображений.

ЗАКЛЮЧЕНИЕ

В процессе проведения теоретических и практических исследований получены следующие основные результаты и выводы:

1. Проведен анализ современного состояния проблемы поиска изображений по визуальному подобию и доступных поисковых систем, позволивший обобщить результаты исследований низкоуровневых признаков изображений.

2. Разработана информационная модель системы поиска изображений для графических баз данных на основе теории активного восприятия. Разработанная на основе данной модели система поиска позволяет эффективно выполнять поиск при количестве объектов больше 106.

3. Разработаны алгоритмы поиска оригинальных, а также зашумленных изображений.

4. Разработан алгоритм поиска изображения, часть которого потеряна, загорожена другим объектом или стерта.

5. Разработан алгоритм поиска похожих по визуальному подобию изображений.

6. На основе предложенных модели базы данных и алгоритмов поиска изображений разработан прототип поисковой системы, в которой реализованы разработанные алгоритмы поиска изображений. Разработанная экспериментальная система необходима в первую очередь для оценки полученных в ходе исследования результатов и демонстрации работы поиска.

7. Проведено сравнение эффективности поиска изображений с уже существующими системами поиска. Как показали эксперименты, разработанные алгоритмы поиска показывают отличные результаты и могут конкурировать с существующими алгоритмами поиска по производительности и достоверности.

Также стоит отметить, что у работы заложен большой потенциал для дальнейших исследований. В будущем следует выполнить тестирование разработанной поисковой системы для базы данных размером более 109 изображений. Для этого потребуется специальное оборудование и, возможно, небольшая модификация используемых алгоритмов. Однако отметим, что в данной работе сделан основной задел на будущее - построена информационная модель поисковой системы и разработаны поисковые алгоритмы.

Список литературы диссертационного исследования кандидат технических наук Десятников, Игорь Евгеньевич, 2013 год

БИБЛИОГРАФИЯ

[1] Гейтс, Б. Бизнес со скоростью мысли / Б. Гейтс. - 2-е изд., исправленное. -М.: ЭКСМО-Пресс, 2001. - 480 с.

[2] Google Scholar [Электронный ресурс]. - Режим доступа: http://scholar.google.ru/ (дата обращения: 19.07.12).

[3] Демидов, В.Е. Как мы видим то, что видим / В.Е. Демидов. - 2-е изд. - М.: Знание, 1987.-242 с.

[4] Grosky, W. An image data model / W. Grosky, P. Stanchev // In Proceedings of Advances in Visual Information Systems: 4th International Conference. - 2000. -Pp. 227-243.

[5] Safar, M. Image retrieval by shape: a comparative study / M. Safar, C. Shahabi, X. Sun // IEEE International Conference on Multimedia and Expo. - 2000. - Vol. 1. -Pp. 141-144.

[6] Rubner, Y. A Metric for Distributions with Applications to Image Databases / Y. Rubner, C. Tomasi, L. Guibas // In Proceedings of the Sixth International Conference on Computer Vision, IEEE Computer Society. - 1998. - P. 59.

[7] Гонсалес, P. Цифровая обработка изображений / P. Гонсалес, P. Вудс. - M.: Техносфера, 2005. - 1072 с.

[8] Color space // Wikipedia, the free encyclopedia [Электронный ресурс]. - Режим доступа: http://en.wikipedia.org/wiki/Color space (дата обращения: 14.07.12).

[9] Marshall, S. Advances in nonlinear signal and image processing / S. Marshall, G.L. Sicuranza. - New York, USA: Hindawi Publishing Corporation, 2006. - 361 pp.

[10] Color-based image retrieval using compact binary signatures: technical report TR 01-08 / Chitkara V. - University of Alberta Edmonton, 2001.

[11] Strieker, M. Color indexing with weak spatial constraint / M. Strieker, A. Dimai // SPIE Conference on Visual Communications. - 1996. - Vol. 2670. -Pp. 29-40.

[12] Strieker, M. Spectral со variance and fuzzy regions for image indexing / M. Strieker, A. Dimai // Machine Vision and Applications. - 1997. - Vol. 10, no. 2. -Pp. 66-73.

[13] Swain, M J. Color indexing / M.J. Swain, D.H. Ballard // International Journal of Computer Vision. - 1991. - Vol. 7, no. 1. - Pp. 11 -32.

[14] Smith, J.R. Single color extraction and image query / J.R. Smith, S.-F. Chang // International Conference on Image Processing (ICIP-95). - 1995. - Vol. 3. - Pp. 528531.

[15] Long, F. Fundamentals of content-based image retrieval / F. Long, H. Zhang, D. Feng // Multimedia Information Retrieval and Management. - 2003. - Pp. 1-26.

[16] Pass, G. Histogram refinement for content-based image retrieval / G. Pass, R. Zabih // IEEE Workshop on Applications of Computer Vision, 1996. - Pp. 96-102.

[17] Hancock, P.J. The principal components of natural images / P.J. Hancock, R.J. Baddeley, L.S. Smith // Network. - 1992. - Vol. 3. - Pp. 61-70.

[18] Strieker, M. Similarity of color images / M. Strieker, M. Orengo // Storage and Retrieval for Image and Video Databases (SPIE). - 1995. - Pp. 381-392.

[19] Стандарт MPEG-7: Дескриптор доминантного цвета [Электронный ресурс]. - Режим доступа: http://book.itep.ru/2/25/mpeg 7.htm, (дата обращения: 14.07.12).

[20] Histogram // Wikipedia, the free encyclopedia [Электронный ресурс]. -Режим доступа: http://en.wikipedia.Org/wiki/Histog:ram#Cumulative_histogram (дата обращения: 14.07.12).

[21] Haralick, R. Textural features for image classification / R. Haralick, K. Shanmugam, I. Dienstein // IEEE Transactions on Systems, Man and Cybernetics - 1973. - Vol. 3, no. 6. - Pp. 610-621.

[22] Askoy, S. Content-based image database retrieval using variances of gray level spatial dependencies / S. Askoy, R. Haralick // IAPR International Workshop on Multimedia Information Analysis and Retrieval. - 1998. - Vol. 1464. - Pp. 3-19.

[23] Howarth, P. Evaluation of texture features for content-based image retrieval / P. Howarth, S. Ruger // Proceedings of CIVR'04. - 2004. - Pp. 326-334.

[24] Tamura, H. Textural features corresponding to visual perception / H. Tamura, S. Mori, T. Yamawaki // IEEE Transactions on Systems, Man and Cybernetics. -1978. - Vol. 8. - Pp. 460-473.

[25] Howarth, P. Robust texture features for still image retrieval / P. Howarth, S. Ruger // IEEE Proceedings of Vision, Image and Signal Processing. - 2005. -Vol. 152.-Pp. 868-874.

[26] Mallat, S.G. A theory for multiresolution signal decomposition: the wavelet representation / S.G. Mallat // Transactions on Pattern Analysis and Machine Intelligence. - 1989. - Vol. 11, no. 7. - Pp. 674-693.

[27] Burt, P.J. The laplasian pyramid as a compact image code / P.J. Burt, E.H. Adelson // IEEE Transactions on Communications. - 1983. - Vol. COM-31, no. 4.-Pp. 532-540.

[28] Thyagarajan, K.S. A maximum likelihood approach to texture classification using wavelet transform / K.S. Thyagarajan, T. Nguyen, C.E. Persons // IEEE International Conference on Image Processing (ICIP-94). - 1994. - Vol. 2. - Pp. 640644.

[29] Balmelli, L. Wavelet domain features for texture description, classification and replicability analysis / L. Balmelli, A. Mojsilovic // IEEE International Conference on Image Processing (ICIP-99). - 1999. - Vol. 4. - Pp. 440-444.

[30] Manjunath, B.S. Texture features for browsing and retrieval of image data / B.S. Manjunath, W.Y. Ma // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1996. - Vol. 18, no. 8. - Pp. 837-842.

[31] Manjunath, B.S. A texture descriptor for browsing and similarity retrieval / B.S. Manjunath, P. Wu, S. Newsam // Signal Processing Image Communication. -2000. - Vol. 16, no. 1-2. - Pp. 33-43.

[32] Ma, W.Y. Texture features and learning similarity / W.Y. Ma, B.S. Manjunath // IEEE International Conference on Computer Vision and Pattern Recognition (CVPR-1996). - 1996. - Pp. 425-430.

[33] Sebe, N. Wavelet based texture classification / N. Sebe, M. Lew // International Conference on Pattern Recognition. - 2000. - Vol. 3. - Pp. 959-962.

[34] Borgne, H. Representation of images for classification with independent features / H. Borgne, A. Guerin-Dugue, A. Antoniadis // Pattern Recognition Letters. - 2004. - Vol. 25. - Pp. 141-154.

[35] Snitkowska, E. Independent component analysis of textures in angiography images / E. Snitkowska, W. Kasprzak // Computational Imaging and Vision. - 2006. -Vol. 32.-Pp. 367-372.

[36] Bell, A.J. The "independent components" of natural scenes are edge filters / A.J. Bell, T.J. Sejnowsky // Vision Research. - 1997. - No. 37. - Pp. 3327-3338.

[37] Hateren, J.H. Independent component filters of natural images compared with simple cells in visual cortex / J.H. Hateren, A.V. Schaaf // Transactions of Royal Society of London. - 1998. - Vol. 265. - Pp. 359-366.

[38] Шапиро, JI. Компьютерное зрение / JI. Шапиро, Дж. Стокман. - М.: Бином, 2006. - 752 с.

[39] Гонсалес, Р. Цифровая обработка изображений в среде MATLAB / Р. Гонсалес, Р. Вудс, С. Эддинс. - М.: Техносфера, 2006. - 616 с.

[40] Ming, Ch.Y. Shape-based image retrieval in iconic image databases: A dissertation submitted in partial fulfillment of the requirements for the degree of master of philosophy, Division of computer science and engineering / Ch.Y. Ming. -The Chinese University of Hong Hong, 1999.

[41] Freeman, H. In computer processing of line-drawing images / H. Freeman // ACM Computing Surveys (CSUR). - 1974. - Vol. 6. - Pp. 57-97.

[42] Livarinen, J. Shape recognition of irregular objects / J. Livarinen, A. Visa // SPIE 2904 on Intelligent Robots and Computer Vision XV: Algorithms, Techniques, Active Vision, and Materials Handling. - 1996. - Pp. 25-32.

[43] Sajjanhar, A. A grid based shape indexing and retrieval method / A. Sajjanhar, G.A. Lu // Australian Computer Journal. - 1997. - Vol. 29. - Pp. 131-140.

[44] Ни, M.-K. Visual pattern recognition by moment invariants / M.-K. Hu // IEEE Transactions on Information Theory. - 1962. - Vol. 8. - Pp. 179-187.

[45] Zakaria, M. Fast algorithm for the computation of moment invariants / M. Zakaria, L. Vroomen, P. Zsombor-Murray // Pattern Recognition. - 1987. -Vol. 20, no. 6.-Pp. 639-643.

[46] Khotanzad, A. Invariant image recognition by Zernike moments / A. Khotanzad, Y.H. Hong // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1990. - Vol. 12. - Pp. 489-497.

[47] Lin, T.-W. A comparative study of zernike moments / T.-W. Lin, Y.-F. Chou // IEEE International Conference on Web Intelligence (WF03). - 2003. - Pp. 516-519.

[48] Teague, M. Image analysis via the general theory of moments / M. Teague // Journal of the Optical Society of America. - 1980. - Vol. 70, no. 8. - Pp. 920-930.

[49] Lowe, D.G. Distinctive image features from scale-invariant keypoints / D.G. Lowe // International Journal of Computer Vision. - 2004. - Vol. 60, no. 2. -Pp. 91-110.

[50] Scale-invariant feature transform // Wikipedia, the free encyclopedia [Электронный ресурс]. - Режим доступа: http://en.wikipedia.org/wiki/Scale-invariant feature transform (дата обращения: 14.07.12).

[51] Bay, Н. SURF: Speeded Up Robust Features / H. Bay, A. Ess, T. Tuytelaars // Computer Vision and Image Understanding (CVIU). - 2008. - Vol. 110, no. 3. -Pp. 346-359.

[52] Гессиан функции // Wikipedia, the free encyclopedia [Электронный ресурс]. - Режим доступа: http://ru.wikipedia.org/wiki/TeccHaH функции (дата обращения: 14.07.12).

[53] Mehtre, В.М. Shape measures for content based image retrieval: A comparison / B.M. Mehtre, M.S. Kankanhalli, W.F. Lee // Information Processing and Management. - 1997. - Vol. 33. - Pp. 319-337.

[54] Fox, E.A. Combination of multiple searches / E.A. Fox, J.A. Shaw // 2nd Text Retrieval Conference (TREC-2). - National Institute of Standards and Technology Special Publication 500-215, 1994. - Pp. 243-252.

[55] Васильева, H.C. Построение и комбинирование признаков в задаче поиска изображений по содержанию: диссертация кандидата технических наук: 05.13.11 / Васильева Наталья Сергеевна. - СПб, 2010. - 164с.

[56] Ortega, M. Supporting similarity queries in MARS / M. Ortega, Y. Rui, K. Chakrabarti // MULTIMEDIA '97: Proceedings of the fifth ACM international conference on Multimedia. - New York, USA: ACM, 1997. - Pp. 403-413.

[57] Пономаренко, H.H. Устойчивый поиск изображений по полному и тематическому подобию с использованием многопараметровой классификации / H.H. Пономаренко, В.В. Лукин, С.К. Абрамов // Интернет-Математика 2007: Сборник работ участников конкурса научных проектов по информационному поиску. - Издательство Уральского университета, 2007. - С. 171-180.

[58] Guerin-Dugue, A. Image retrieval: a first step for a human centered approach / A. Guerin-Dugue, S. Ayache, C. Berrut // Joint Conference of ICI, CSP and PRCM. -2003.-Pp. 21-25.

[59] Santini, S. Exploratory Image Databases / S. Santini. - Academic Press, 2001. - 512 pp.

[60] Content-based image retrieval // Wikipedia, the free encyclopedia [Электронный ресурс]. - Режим доступа: http://en.wikipedia.org/wiki/Content-based image retrieval (дата обращения: 14.07.12).

[61] Long, F. Fundamentals of content-based image retrieval / F. Long, H. Zhang, D. Feng // Multimedia Information Retrieval and Management. - 2003. - Pp. 1-26.

[62] Veitkamp, R.C. Content-Based Image Retrieval Systems: A Survey [Электронный ресурс] /R.C. Veitkamp, H. Burkhardt, H.-P Krieger // State-of-Art in Content-Based Image and Video Retrieval. - 2000. - 62 pp. - Режим доступа: http://www.aa-lab.cs.uu.nl/cbirsurvey (дата обращения: 14.07.12).

[63] Rui, Y. Image Retrieval: Current techniques, promising directions and open issues / Y. Rui, Th.S. Huang, S.-F. Chang // Journal of Visual Communication and Image Representation. - 1999. - V. 10. - Pp. 39-62.

[64] Zhuang, Y. Apply Semantic Template to Support Content-Based Image Retrieval / Y. Zhuang, X. Liu, Y. Pan // Procceeding of IS&T and SPIE Storage and Retrieval for Media Databases. - 2000. - Pp. 23-28.

[65] Naqa, I. Image Retrieval Based on Similarity Learning / I. Naqa, M. Wernick, Y. Yang // Proceedings of International Conference on Image Processing. - 2000. -V. 3.-Pp. 722-725.

[66] Niblack, W. The QBIC project: Querying images by content, using color, texture, and shape / W. Niblack, R. Barber, W. Equitz // Proceedings of Storage and Retrieval for Image and Video Databases (SPIE). - 1993. - Pp. 173-187.

[67] Flickner, M. Query by image and video content: the QBIC system / M. Flickner, H. Sawhney, W. Niblack // Intelligent multimedia information retrieval. - 1997.-Pp. 7-22.

[68] Smith, J. VisualSEEk: a fully automated content-based image query system / J. Smith, S. Chang // Proceedings of the fourth ACM international conference on Multimedia. - ACM Press New York, USA, 1997. - Pp. 87-98.

[69] Smith, J.R. An image and video search engine for the World-Wide Web / J.R. Smith, S.-F. Chang // Proc. SPIE. - 1997. - Vol. 3022. - Pp. 84-95.

[70] Ma, W.Y. NeTra: A toolbox for navigating large image databases / W.Y. Ma, B. Manjunath // Proc. IEEE Int. Conf. Image Processing. - 1997. - Pp. 568-571.

[71] Manjunath, B.S. Image processing in the alexandria digital library project / B.S. Manjunath // IEEE International Forum on Research and Technology Advances in Digital Libraries. - 1998. - Pp. 180-187.

[72] Huang, T.S. Multimedia analysis and retrieval system (MARS) project / T.S. Huang, S. Mehrotra, K. Ramchandran // Proceedings of 33rd Annual Clinic on Library Application of Data Processing. - 1996.

[73] Ortega, M. Supporting similarity queries in MARS / M. Ortega, Y. Rui, K. Chakrabarti // MULTIMEDIA '97: Proceedings of the fifth ACM international conference on Multimedia. - New York, USA: ACM, 1997. - Pp. 403-413.

[74] Система Img (Anaktisi) [Электронный ресурс]. - Режим доступа: http://orpheus.ee.duth.gr/anaktisi/ (дата обращения: 14.07.12).

[75] Система MFIRS [Электронный ресурс]. - Режим доступа: http://www.pilevar.com/mfirs/index.php (дата обращения: 14.07.12).

[76] Система CIRES [Электронный ресурс]. - Режим доступа: http://amazon.ece.utexas.edu/~qasim/cires.htm (дата обращения: 14.07.12).

[77] Система Tiltomo [Электронный ресурс]. - Режим доступа: http://www.tiltomo.com/ (дата обращения: 14.07.12).

[78] Система INRIA [Электронный ресурс]. - Режим доступа: http://www-rocq.inria.fr/cgi-bin/imedia/circario.cgi/v2std (дата обращения: 14.07.12).

[79] Система Alipr [Электронный ресурс]. - Режим доступа: http://alipr.com/ (дата обращения: 14.07.12).

[80] Система Viper [Электронный ресурс]. - Режим доступа: http://viper.unige.ch/demo/php/demo.php (дата обращения: 14.07.12).

[81] Retrievr [Электронный ресурс]. - Режим доступа: http://labs.systemone.at/retrievr/ (дата обращения: 14.07.12).

[82] Gelasca, Е. CORTINA: Searching а 10 Million + Images Database [Электронный ресурс] / Е. Gelasca, P. Ghosh, E. Moxley // Vision Research Lab. -Режим доступа: http://vision.ece.ucsb.edu/publications/elisa_VLDB 2007.pdf (дата обращения: 14.07.12).

[83] Wang, J.Z. Content-based image indexing and searching using Daubechies wavelets / J.Z. Wang, G. Wiederhold, O. Firschein // International Journal of Digital Libraries. - 1998. - Vol. 1, no. 4. - Pp. 311-328.

[84] Google Images [Электронный ресурс]. - Режим доступа: http://images.google.com/ (дата обращения: 14.07.12).

[85] TinEye Reverse Image Search [Электронный ресурс]. - Режим доступа: http://www.tineye.com/ (дата обращения: 14.07.12).

[86] Утробин, В. А. Информационные модели системы зрительного восприятия для задач компьютерной обработки изображений: учеб. пособие / В.А. Утробин. - Нижний Новгород: НГТУ, 2001. - 234 с.

[87] Anil, К. Statistical pattern Recognition: A Review / К. Anil, P. Duin // IEEE Transactions on pattern analysis and machine intelligence. - 2000. - No. 1. - Vol. 22.

[88] Поспелов, Д.А. Искусственный интеллект / Д.А. Поспелов // Модели и методы: Справочник. - М.: Радио и связь, 1990. - Т. 2. - 304 с.

[891 Котов, А. Кластеризация данных [Электронный ресурс] / А. Котов, И. Красильников // Laboratory of Mathematical Logic, Санкт-Петербургское отд. математич. института им. В. А. Стеклова РАН. - Режим доступа: http://logic.pdmi.ras.ru/~yura/internet/02ia-seminar-note.pdf (дата обращения: 14.07.12).

[90] Котельников, К.В. Адаптивный алгоритм распознавания образов на основе оптимальных тупиковых нечетких тестов и синдромов / И.В. Котельников // Математические методы распознавания образов (ММРО-11): сборник докладов 11-й Всероссийской конференции. - М.: Изд-во "Регион-Холдинг", 2003. - С.108-110.

[91] An Analysis of resent Work on Clustering Algoritms: technical report / Fasulo D. - Department of Computer Science & Engineering university of Washington, 1999. - P. 2-13.

[92] Обобщенные методы кластерного анализа [Электронный ресурс] // SPC-consulting. StatSoft Russia. - Режим доступа: http://www.spc-consulting.ru/DMS/intro cl.htm (дата обращения: 14.07.12).

[93] Журавлев, Ю.И. О некоторых практических алгоритмах распознавания по прецедентам и методах их коррекции (реализации и результаты сравнения) / Ю.И. Журавлев, A.C. Бирюков, В.П. Богомолов // Математические методы распознавания образов (ММРО-9): сборник докладов 9-й Всероссийской конференции. -М.: AJIEB-B, 1999. - С. 190-192.

[94] Лапко, В.А. Нелинейные непараметрические коллективы решающих правил / В.А. Лапко, Р.В. Бадмаев, А.Н. Капустин // Вестник КрасГУ. «Физико-математические науки», 2006. -№4. - С. 102-108.

[95] Воронцов, К.В. Лекции по статистическим (байесовским) алгоритмам классификации [Электронный ресурс] / К.В. Воронцов // ВЦ РАН, Москва. -Режим доступа: http://www.ccas.ru/voron/download/Bayes.pdf (дата обращения: 14.07.12).

[96] Романов, П.В. Интеллектуальные, информационные системы в экономике / П.В. Романов // Учеб.пособие: под ред. д.э.н. проф. Н.П. Тихомирова. - М.: «Экзамен», 2003. - 496 с.

[97] Гончаров, М. Модифицированный древовидный алгоритм Байеса для решения задач классификации [Электронный ресурс] / М. Гончаров // Speilabs company, 2007. - Режим доступа: http://www.spellabs.ru/download/AugmentedNaiveBayes.pdf (дата обращения: 14.07.12).

[98] Дюк, В. Data Mining - состояние проблемы, новые решения [Электронный ресурс] / В. Дюк // С.-Петербург, инстит. информат. и автоматиз. РАН. - Режим доступа: http://freelance4.narod.ru/DM.htm (дата обращения: 14.07.12).

[99] Воронцов, К.В. Лекции по методу опорных векторов [Электронный ресурс] / К.В. Воронцов // ВЦ РАН, Москва. - Режим доступа: http://www.ccas.ru/voron/download/SVM.pdf (дата обращения: 14.07.12).

[100] Утробин, В.А. Физические интерпретации элементов алгебры изображений / В.А. Утробин // Успехи физических наук (УФН). - 2004. -Т. 174, № 10.-С. 1089-1104.

[101] Утробин, В.А. Компьютерная обработка изображений. Принятие решений в пространстве эталонов: учеб. пособие / В.А. Утробин. - Нижний Новгород: НГТУ, 2004.-221 с.

[102] Переберин, A.B. Многомасштабные методы синтеза и анализа изображений: автореферат диссертации кандидата физико-математических наук: 05.13.17 / Переберин Антон Валерьевич. - Москва, 2002. - 23 с.

[103] Web crawler [Электронный ресурс] // Wikipedia, the free encyclopedia. -Режим доступа: http://en.wikipedia.org/wiki/Web_crawler (дата обращения: 23.01.2013).

[104] PostgreSQL [Электронный ресурс]. - Режим доступа: http://www.postgresql.org/ (дата обращения: 23.01.2013).

[105] WeSEE Search [Электронный ресурс]. - Режим доступа: http://wesee.com/

(дата обращения: 23.01.2013).

иложение А. Акты о внедрении результатов кандидатской диссертационной работы

I^is^n

УТВЕРЖДАЮ Технический директор ООО «МФИ Софт»

Янсон ЕС-

Дата iJjL. " 2012 г.

АКТ

о внедрении результатов диссертационной работы Десятникова Игоря Евгеньевича «Модель и алгоритмы поиска изображений в графических базах данных на основе теории

активного восприятия»

Комиссия в составе: председатель комиссии:

технический директор Янсон Е.С., члены комиссии:

директор по разработке - Сухов Д.А., менеджер проекта - Исаев C.B. составили настоящий акт о том, что результаты диссертационной работы Десятникова И.Е. «Модель и алгоритмы поиска изображений в графических базах данных на основе теории активного восприятия» использованы при разработке системы обеспечения информационной безопасности и защиты от утечек конфиденциальных данных «Гарда Предприятие», а именно при разработке:

- метода формирования базы данных контролируемых изображений;

- метода сравнения изображений в сетевом трафике с контролируемыми изображениями. Использование указанных результатов диссертационной работы позволяет существенно повысить эффективность системы безопасности и выполнять контроль утечек графических схем, изображений, эскизов, рисунков за пределы предприятия.

/

Члены комиссии: ^ " Сухов Д.А.

-- Исаев C.B.

УТВЕРЖДАЮ

8,

АКТ

о внедрении результатов диссертационной работы Десятникова Игоря Евгеньевича

«Модель и алгоритмы поиска изображений в графических базах данных на основе теории

Настоящий акт подтверждает о том, что результаты диссертационной работы Десятникова И.Е. «Модель и алгоритмы поиска изображений в графических базах данных на основе теории активного восприятия» используются в учебном процессе Нижегородского государственного технического университета им. P.E. Алексеева при подготовке магистров направления «Информатика и вычислительная техника» по программам «Теоретическая информатика» и «Диагностические и информационно-поисковые системы».

Зав. кафедрой вычислительных систем и технологий,

активного восприятия»

' д.т.н., профессор

В.В. Кондратьев

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.