Адаптивно-динамическая сегментация и семантическая селекция видеоданных тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Зайцева, Александра Алексеевна

• Зайцева, Александра Алексеевна
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Зайцева, Александра Алексеевна

Основные обозначения и сокращения.

Введение.

Положения, выносимые на защиту.

Глава 1. Аналитический обзор методов обработки видеоданных.

1.1. Интегральные методы анализа изображений.

1.1.1. Преобразование Фурье. Алгоритм JPEG.

1.1.2. Вейвлет-анализ.

1.1.3. Кратноразрешающий анализ. JPEG 2000.

1.2. Метод и алгоритмы цифровой обработки видеоданных.

1.2.1. Алгоритмы и форматы цифрового представления изображений .:.

1.2.2. Форматы сжатия и хранения видеоданных.

Выводы по главе 1.

Глава 2. Метод и алгоритмы адаптивно-динамической сегментации изображений.

2.1. Дискретные методы обработки изображений.

2.1.1. Динамическая модель дискретного пространства.

2.1.2. Метод коллажа. Итерационно-функциональный подход.

2.1.3. Адаптивно-динамическая сегментация (АДС) изображений.

2.2. Концептуальная схема АДС.

2.3. Критерий оценки качества изображения.

2.4. Алгоритмы адаптивно-динамической сегментации.

2.4.1. Дизъюнктивная сегментация.

2.4.2. Конъюнктивная сегментация.

Выводы по главе 2.

Глава 3. Разработка программной среды интерфейсной поддержки селекции семантических фрагментов.

3.1. Описание метода интерфейсной поддержки.

3.2. Автоматический режим.

3.3. Операторный режим.

Выводы по главе 3.

Глава 4. Экспериментальная апробация.

4.1. Селекция семантических фрагментов.

4.2. Оценка качества передачи видеоданных.

4.3. Оценка качества восприятия изображений.

Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Адаптивно-динамическая сегментация и семантическая селекция видеоданных»

Актуальность темы диссертации. Актуальность темы диссертационной работы в первую очередь определяется её ориентацией на важную практическую проблему эффективного анализа семантических составляющих на видеоданных и изображениях. Традиционные подходы к решению задач сегментации видеоданных с целью селекции и распознавания образов не покрывают такие проблемы как видеонаблюдение, например face-control, а также передача в реальном времени больших объемов видеоданных с одновременной локализацией и семантическим описанием объекта. До сих пор обработка изображений в большей степени использовала математические модели, основанные на спектральном — интегральном анализе, которые сводятся к числовой обработке и выявлению специфических признаков. Однако развитие компьютерных технологий привело к расширению класса прикладных задач анализа видеоданных, появлению таких задач как: визуализация пространственных объектов в реальном времени, создание растрового покрытия территорий в неогеографии, управление беспилотными летательными аппаратами, требующее постоянного развития алгоритмов поиска цели, для которых необходимо решение задач селекции, идентификации объектов по семантическому содержанию, в том числе и современных проблем кодировки и сокрытия данных, а также выявления различных уровней семантического содержания.

Различные аспекты обработки и анализа изображений и видеоданных рассмотрены в работах Ю.И Журавлева, В.В. Александрова, Н.Д. Горского, В.В. Поповича, Д.Сэломона, Д. Ватолина, А. Ратушняка, М. Смирнова, В. Юкина, и многих других.

Возможности программируемой технологии и семантического анализа позволяют эффективно решать задачи, поставленные динамично развивающимися современными Hi-tech (высокими) технологиями. В данной работе предлагаются решения в области сегментации видеоданных для комплексного решения проблемы семантического анализа.

Цель работы и задачи исследования. Исследование и разработка иерархической структуры представления видеоданных, методов сегментации с целью выявления семантических фрагментов и интерфейса поиска ассоциативных семантических связей.

Для достижения поставленной цели в диссертационной работе решаются следующие задачи:

1. Исследование и разработка метода адаптивно-динамической сегментации.

2. Разработка алгоритма и программы многоуровневой древовидной сегментации изображения для выявления семантического порога е-идентифицируемости.

3. Разработка программы адаптивного поиска и локализации семантических фрагментов.

4. Экспериментальная апробация программно-инструментальной среды выявления понятийных семантических составляющих.

Методы исследования. Для решения поставленных задач в работе используются цифровые технологии, математические модели итерационно-функциональных систем (рекурсивно-фрактальный подход) и инфологические методы. Компьютерная реализация разработанных алгоритмов производилась с использованием объектно-ориентированного программирования.

Научная новизна работы состоит в следующем:

1. Предложен метод «коллажа» для представления изображений и их фрагментов в виде индексной древовидной структуры данных, сохраняющей локально-пространственную и семантическую идентификацию, в отличие от известных интегральных методов (Фурье- и вейвлет-анализ и др.)

2. Разработаны алгоритм и программы многоуровневой древовидной индексации видеоданных, использующие адаптивно-динамическую сегментацию, обеспечивающую семантическую селекцию и индексную идентификацию фрагментов.

3. Разработана программа интерфейсной поддержки выявления семантических фрагментов изображения, позволяющая представить исходное изображение как совокупность семантических фрагментов (метод коллажа).

4. Предложено использовать понятие е-идентифицируемости (эквивалентности) для оценки качества семантического восприятия в отличие от энергетических характеристик оценки качества изображения, таких как среднеквадратическое отклонение (СКО), пиковое отношение сигнала к шуму (PSNR) и др.

Обоснованность и достоверность научных положений, основных выводов и результатов диссертации обеспечивается опорой на математические модели интегральной геометрии, анализом исследований в данной области, корректность предложенных алгоритмов подтверждается экспериментальной апробацией разработанных методов, а также апробацией основных теоретических положений диссертации в печатных трудах и докладах на научных конференциях.

Практическая ценность работы. Разработанные модели и алгоритмы позволяют расширить круг решаемых проблем обработки видеоданных:

1. выявления различных семантических уровней, что позволяет решать задачу компрессии с точки зрения семантико-смыслового восприятия;

2. локализации и семантического описания объектов при видеонаблюдении, передаче видеоданных в реальном времени.

Для решения перечисленных проблем разработана инструментальная среда адаптивно-динамической сегментации для семантического анализа видеоданных. Программа адаптивной интерфейсной поддержки позволяет реализовать функции визуализации семантических фрагментов.

Реализация результатов работы. Полученные результаты реализованы в виде прикладных программных продуктов. Ряд программных продуктов был внедрен в виде составных фрагментов НИР в 2004—2008 при выполнении контрактов с ГОС НИШ 111. Исследования, отраженные в диссертации были поддержаны грантами ОИТВС РАН (№4.8, 2003-2006), часть результатов была использована в проектах СПбНЦ РАН, 2003-2005.

Апробация результатов работы. Основные положения и результаты диссертационной работы представлялись на конференциях «Региональная информатика» (2000, 2004, 2008 гг.), «Информационные технологии и системы (ИТиС'08)», «Distributed Intelligent Systems and Technologies Workshop» (2009).

Публикации. Основные результаты по материалам диссертационной работы опубликованы в печатных работах [1-11], среди них 3 работы в журналах из перечня ВАК.

Структура и объем работы. Диссертация объемом 125 машинописных страниц, содержит введение, четыре главы и заключение, список литературы (97 наименований), 2 таблицы, 47 рисунков. '

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Зайцева, Александра Алексеевна

Выводы по главе 4

Результаты экспериментальных исследований успешно подтвердили выдвинутые ранее теоретические положения. Тестирование программной реализации разработанных методов и алгоритмов показало высокую точность и корректность полученных значений.

Проведенная экспериментальная апробация эффективность оценки качества восприятия изображения с точки зрения идентификации неразличимости.

В результате использования АДС проблема распознавания сводится к проблеме узнавания, в отличие от существующих подходов компрессаторов, работающих на сопоставлении всех точек со всеми точками.

Получены следующие результаты:

Правильно выбранный критерий е-идентифицируемости позволяет выделять семантические слои на изображениях;

Для оценки близости межуровневого представления изображения используется критерий е-идентифицируемости для иерархического представления, в отличие от общепринятой оценки по минимуму СКО (среднеквадратического отклонения);

Структура данных позволяет реализовывать принцип узнавания.

Вместе с тем стоит отметить сложность оценки полученных результатов, и значительное влияние субъективной составляющей, присутствующей при оценке.

Заключение

Совокупность сформулированных и обоснованных в диссертационной работе положений, а также ее практические результаты представляют собой решение актуальной задачи разработки методов адаптивно-динамической сегментации и семантической селекции изображений и видеоданных. Получены следующие научные и практические результаты:

1. Проведены исследования современного состояния проблемы семантического анализа видеоданных.

2. Предложен метод «коллажа» как индексная древовидная структура данных, сохраняющая локально-пространственную и семантическую идентификацию, в отличие от известных интегральных (Фурье- и вейвлет-анализ) методов представления изображений и их фрагментов.

3. Разработаны алгоритм и программы многоуровневой древовидной индексации описания изображения, использующие адаптивно-динамическую сегментацию.

4. Показано, что адаптивно-динамическая сегментация приводит к семантической селекции и индексной идентификации фрагментов.

5. Разработана программа интерфейсной поддержки выявления семантических фрагментов изображения, что приводит к представлению исходного изображения как совокупности семантических фрагментов (метод «коллажа»).

6. Разработан критерий «е-идентифицируемости» как критерий качества семантического восприятия, в отличие от традиционных подходов, использующих при оценке качества представления изображения среднеквадратическое отклонение, пиковое отношение сигнала к шуму (PSNR) и др.

Программное обеспечение, разработанное в рамках диссертационной работы, нашло свое применение в проводимых в лаборатории автоматизации научных исследований СПИИРАН НИР в 2004-2008 годах, в качестве модулей семантического анализа видеопотоков в различных системах.

В качестве направлений дальнейших исследований можно выделить:

• разработка и реализация интегрированного Internet-сервиса для индексации, обработки и поиска изображений в базах данных;

• разработка алгоритма и формата семантической компрессии видеопотоков.

• разработка метрологической системы оценки качества компрессированных изображений и видеопотоков.

Список литературы диссертационного исследования кандидат технических наук Зайцева, Александра Алексеевна, 2009 год

1. Зайцева А. А. Метод и алгоритмы реализации адаптивно-динамической сегментации изображений. — «Информационно-измерительные и управляющие системы», №4, 2009 — С. 16-19.

2. Кулешов С. В., Зайцева А. А., Аксенов А. Ю. Ассоциативно-пирамидальное представление данных. — «Информационно-измерительные и управляющие системы», №4, т. 6, 2008 — С. 14—18.

3. Кулешов С. В., Зайцева А. А. Селекция и локализация семантических фрагментов. — «Информационно-измерительные и управляющие системы», №10, т. 6, 2008 — С. 88-90

4. Кулешов С. В., Зайцева А. А. Локализация семантических блоков на растровых изображениях без предварительного обучения. // Информационные технологии и системы (ИТиС'08): сборник трудов конференции. М.: ИППИ РАН, 2008. - С. 468-470.

5. Кулешов С. В., Аксенов А. Ю., Зайцева А. А., Идентификация, факта компрессии с потерями в процессе обработки изображений // Труды СПИИРАН. Вып. 5. — СПб.: Наука, 2007 — С. 60-65.

6. Кулешов С. В., Зайцева А. А., Алъ-рашайда Хасан. Выявление несанкционированных вставок в видеопотоке методом ранговых распределений // Труды СПИИРАН. Вып. 3, т. 2. — СПб.: Наука, 2006.

7. Зайцева А. А. Методы — свойства и ограничения при построении стандартов передачи и хранения видеоданных // Труды СПИИРАН. Вып. 2 , том 2 СПб: "Наука", 2005 — с. 191-200

8. Зайцева А. А. Ассоциативная идентификация. — Труды СПИИРАН, вып. 1, т. 3, СПб, 2003 — С. 118-125.

9. Александров В. В., Кулешов С. В., Цветков О. В., Зайцева А. А. Концепция и теория нанотехнологии физической среды инфотелекоммуникации (прототип SDR) // Труды СПИИРАН. Вып. 6. — СПб.: Наука, 2008.

10. Александров В. В. Биоинформационный процесс познания и моделирования// Журн. «Информационные технологии в проектировании и производстве». 2003. № 3. — С. 70-74.

11. Александров В. В. Развивающиеся процессы и системы. Степенные законы// Журн. «Информационные системы и технологии». 2007. -№1(1). —С. 58-83.

12. Александров В. В. Глаз и визуальное восприятие// Оптич. журн. 1999. Т. 66, №9. —С. 54-63.

13. Александров В. В. Интеллект и компьютер. — СПб.: Изд-во «Анатолия», 2004. — 282 с.

14. Александров В.В. Развивающиеся системы в Науке, Технике, Обществе и Культуре. — СПб: Изд-во СПбГТУ, 2000. — 244 с.

15. Александров В. В., Арсентьева А. В. Информация и развивающиеся структуры. — Л.: ЛНИВЦ АН СССР, 1984. — 186 с.

16. Александров В. В., Блажис А. К, Скурихин А. В. О новой парадигме информационной связи// Информационные технологии и интеллектуальные методы, 1999. Вып.З. — С. 289-299.

17. Александров В. В., Горский Н. Д. Представление изображений. Рекурсивный подход. — Л.: Наука, 1985. — 190 с.

18. Александров В. В., Горский Н.Д. ЭВМ видит мир. — Л.: Машиностроение, 1990.

19. Александров В.В., Кулешов С.В. Нарротивные представления информационных процессов. // Электронный науч. журн. «Информационные процессы».2004. Т. 4, №2. - С. 160-169. — http://www.jip.ru

20. Александров В.В., Кулешов С.В. Этерификация и терминальные программы "Информационно-измерительные и управляющие системы", №10, т.6, 2008. - С. 50-53.

21. Александров В. В., Кулешов С. В., Цветков О. В. Цифровая технология инфокоммуникации. Передача, хранение и семантический анализ текста, звука, видео. — СПб.: Наука, 2008. — 244 с.

22. Александров В. В., Кулешов С. В., Цветков О. В. Концепция программируемой технологии цифровой теории связи: от герц к бит/с // Информационно-измерительные и управляющие системы. 2007. № 6. — С. 62-72.

23. Александров В. В., Лачинов В. М, Поляков А. О. О рекурсивной алгоритмизации кривой, заполняющей многомерный интервал // Изв. АН СССР Техническая кибернетика. 1978. — № 1.

24. Александров В.В., Полонников Р.И. Об одном способе решения задачи опознавания объектов // Изв. Академии наук СССР. Техническая кибернетика. 1967. № 1 —С. 92-102.

25. Александров В. В., Харинов М. В. Представление изображений ранговыми распределениями. Препринт ЛНИВЦ АН СССР № 61, 1988.47 с.

26. Барон Д. Рекурсивные методы в программировании. — М.: Мир, 1974.

27. Ватолин Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. — М.: ДИАЛОГ-МИФИ, 2002. —384 с.

28. Воробьев В. И., Грибунин В. Г. Теория и практика вейвлет-преобразования. — СПб.: Изд-во ВУС, 1999. — 208 с.

29. Горский Н., Анисимов В., Горская Л. Распознавание рукописного текста. От теории к практике СПб.: Политехника, 1997. — 126 с.

30. Грибунин В. Г. Глоссарий по цифровой обработке сигналов. — http ://www. autex.spb.ru

31. Дорофеева А. В., Чернова М. Л. Карл Вейерштрасс (К 170-летию со дня рождения)// Сер.: Математика и кибернетика. — Изд. «Знание», 1985.48 с.

32. Емелъченков Е.П., Емелъченков В.Е. Вычислимость. Введение в теорию алгоритмов. — 2000.

33. Жаблон К, Симон Ж.-К. Применение ЭВМ для численного моделирования в физике. 1978 / Пер. с франц. А.В. Арсентьевой; под ред. В.В. Александрова и Ю. С. Вишнякова. — М.: «Наука», Главная редакция физ.-мат. литературы, 1983.

34. Искандеров П.М., Слиозберг Н.С., Харинов М.В. Итеративно-рекурсивный метод предварительной обработки полутоновых изображений в задаче выделения конкреций // Информационные проблемы распознавания. — Л.:ЛИИАН, 1988. — С. 107-117.

35. Колмогоров А. Н. Теория информации и теория алгоритмов. — М.: Наука, 1987. —304 с.

36. Колмогоров А. Н. Три подхода к определению понятия «количество информации»// Проблемы передачи информации. 1965. Т. 1, № 1. — С. 3-11.

37. Колмогоров А. Н., Успенский В.А. К определению алгоритма// Успехи математических наук. 1958. Т. 13, вып. 4. - С. 3-28.

38. Кроновер P.M. Фракталы и хаос в динамических системах. Основы теории. — М.: Постмаркет, 2000. — 322 с.

39. Кулешов С. В. Фрактальное шифрование // Труды СПИИРАН. — Вып. 2, т. 1. — СПб.: Наука, 2004. — С. 231-235.

40. Лайков Е.В. Компрессия изображений с частичной потерей данных // Сб. науч. трудов аспирантов СПИИРАН «Информационные технологии и интеллектуальные методы» — СПб. 1996. — С. 71-78.

41. Левкович-Маслюк Л. И. Нахождение порождающих матриц для фрактальных интерполяционных функций с помощью вейвлет-анализа. // Регулярная и хаотическая динамика. — 1998. Т. 2.

42. Лейбниц Г. Новые опыты о человеческом разумении автора системы • предустановленной гармонии. Сочинения в 4-х томах, т.2, М.: Мысль, 1983, 686 с.

43. Манделъброт Б. Фрактальная геометрия природы. — М.: Ин-т компьютерных исследований, 2002. — 656 с.

44. Манин Ю.И. Вычислимое и невычислимое. — М.: Сов. радио, 1980.

45. Марков А. А. Теория алгорифмов. — Тр. МИАН СССР, 1951, т. 38, с. 176-189

46. Марков А. А. Теория алгорифмов. — Тр. МИАН СССР, 1954, т. 42, с. 3375

47. Мейер Б., Бодуэн К. Методы программирования. — М.: Мир, 1982.

48. Полонников Р.И. Основные концепции общей теории информации. — СПб.: Наука, 2006. — 204 с.

49. Пирс Дж. Символы, сигналы, шумы: закономерности и процессы передачи информации. М.:Изд.: «Мир», 1967. — 234 с.

50. Спиридонов- В.П. Самоподобие, всплески и квазикристаллы. // Компьютерра. 1998. № 8 от 02 марта:

51. Степанов В: Д. Теорема Литтлвуда-Пэли для интегралов. Фурье / ВЦ ДВНЦ АН СССР. — Владивосток, 1985. — 35 с. (Препринт).56: Таръян Р. Э. Сложность комбинаторных алгоритмов// Кибернет. сб. — М.: Мир, 1980. Вып. 17. — С. 60-109.

52. Тимофеев А. В., Дерин О. А. Анализ сложных мультиизображений в режиме реального времени: — Приборостроение, — Санкт-Петербург, Россия, № 10,-20081

53. Тойнби А. Дж. Постижение истории: — Пер. с англ./Сост. Огурцов А.П.; Вступ. ст. Уколовой В. И.; Закл. ст. Рашковского Е. Б. — М.: Прогресс. 1996 — 608 с.

54. Храмов А. В. Проблемы теории телевидения. // РЭТТ. 2006.

55. Цифровая модернизация штурмовиков А-10. — http://rnd.cnews.rU/naturscience/news/top/indexscience.shtml/2007/07/09/2 578741

56. Цветков О. В. Цифровые технологии обработки аудиовидеосигналов: компрессия и семантический анализ // Труды СПИИРАН. Вып. 2 , т. 1.

57. СПб.: Наука, 2004. — С.145-158.

58. Шилов В.В. Слово алгоритм: происхождение и развитие. — http://ru.wikibooks.org

59. Шредер М. Фракталы, хаос, степенные законы. Миниатюры из бесконечного рая. — Ижевск: НИЦ « Регулярная и хаотичная динамика», 2001. — 528 с.

60. Электронная Интернет-энциклопедия. — http://ru.wikipedia.org

61. Adelson Е. Н., Anderson С. Н., Bergen J. R., Burt P. J., and Ogden J. M. Pyramid methods in image processing// RCA Engineer. 1984. Vol. 29(6).1. P. 33-41.

62. Alexandrov V.V., Frenkel B.E., Kharinov M.V. Object-fitting Approach to Image Representation, Computer Applications in Industry /Proc. Fourth IASTED Intern. Conf. Cairo, Egypt (ARE). 1995.

63. Alexandrov V.V., Gorsky N.D. From Humans to Computers: Cognition through Visual Perception. — Singapore; New Jersey;London;Hong Kong. 1991. —203 p.

64. R. Alterson, M. Spetsakis. Object recognition with adaptive Gabor features. Proceedings from the 15th International Conference on Vision Interface. -Oct. 2004.

65. Berry G. Bottom-up computation of recursive programs // Rev. Franciase, d'automatique, d'informatique et de recherche operationnelle. 1976. Vol. 10, №3. —p. 47-82.

66. Besicovitch A. S., Ursell H. D. Sets of fractional dimensions (V): On dimensional numbers of some continuous curves//. The London Mathematical Society. 1937.-Vol. 12. —P. 18-25.

67. Brunelli R., Mich. O. Histograms analysis for image retrieval. Pattern Recognition, v 34, n 8, Aug. 2001, pp. 1625-37

68. Byung-Gyu Kim and Dong-Jo Park. Unsupervised video object segmentation and tracking based on new edge features. Pattern Recognition Letters, Volume 25, Issue 15, November 2004, Pages 1731-1742

69. Soong-Der Chen and Abd. Rahman Ramli. Preserving brightness in histogram equalization based contrast enhancement techniques. Digital Signal Processing, Volume 14, Issue 5, September 2004, pp. 413^28

70. Falconer K.J. Fractal Geometry: Mathematical Foundations and Applications. John Wiley & Sons, 2003. — 337 c.

71. Fractal Creations (Paperback) by Tim Wegner, Mark Peterson. Paperback: 335 pages. Publisher: Waite Group Press; 1st ed edition (1991).

72. Fridich J., Goljan M. Practical Steganalysis of Digital Images — State of the Art // Proc. SPIE Photonics West. Vol. 4675. Electronic Imaging 2002, Security and Watermarking of Multimedia Contents. San Jose, California, January, 2002. P. 1-13.

73. Hofstadter D.A. Godel, Esher, Bach: An eternally golden braid. N.Y.: Harvester Press, 1979. — 843 p.

74. Jadegari S. D. Self-similar Synthesis on the Border between Sound and Music. Ph.D. Thesis, MIT, 1992. — 146 p.

75. A.K. Jain and F.Farrokhnia. Unsupervised texture segmentation using Gabor filters. Pattern Recognition 24, 1167-1186, 1991.

76. Kurugollu F., Sankur В., Harmanci A.E. Color image segmentation using histogram multithresholding and fusion. Image and Vision Computing, v. 19, n. 13, 2001, pp. 915-928

77. Mallat S. A Theory for multiresolution signal decomposition: the wavelet representation// Proc. IEEE Trans on Pattern Anal, and Math, intel. 1989. -Vol. 11, N7.

78. Mandelbrot В. B. The Fractal Geometry of Nature. — San Francisco: W.H. Freeman and Company, 1982. 258 p.

79. Mandelbrot Benoit. Some noises with 1/f spectrum, a bridge between direct current and white noise.// IEEE Transaction, Information Theory. 1967. Vol. 13 (2).-P. 289-298.

80. Morales E., Shih F.Y. Wavelet coefficients clustering using morphological operations and pruned quadtrees. — Pattern Recognition 33, 2000, p. 16111620.

81. Prusinkiewicz P. and Hanan J. Lindenmayer systems, fractals, and plants. Springer-Verlag: New York, 1989.

82. Gerhard X. Ritter, Joseph N. Wilson. Handbook of Computer Vision • Algorithms in Image Algebra. Second Edition. 2001.

83. John C. Russ. The Image Processing handbook. Fourth Edition. 2000.

84. Simon J. C. L'education et L'information de la societe: Rapport an President de la Republique. — 1980.

85. Shapiro J. Embedded image coding using zerotrees of wavelet coefficients 11 IEEE Transactions on Signal Processing. 1993. Vol. 41(12). Dec. — P. 3445-3462, Dec. 1993.

86. G.K. Wallace. The JPEG still picture compression standard. // Communication of ACM. Volume 34. Number 4 April 1991.

87. Westfeld A., Pjitzmann A. Attacks on Steganographic Systems //Proc.3rd Info. Hiding Workshop, Dresden, Germany, Sept. 28-Oct. 1, 1999. P. 61-75.

88. Zipf G.K. Human behavior and the principle of least effort. Addison Wesley Publ.Co., Inc., Cambridge, Mass., 1949.96. http://vslovar.ru/comp/97. http://www.bfm.ru/news/2009/06/12/ssha-pereshli-na-cifrovoe-televidenie.html