Двухэтапные алгоритмы фильтрации и сегментации цветных изображений тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Курилин, Илья Васильевич

• Курилин, Илья Васильевич
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Курилин, Илья Васильевич

ВВЕДЕНИЕ.

1. ЦИФРОВАЯ ОБРАБОТКА ЦВЕТНЫХ ИЗОБРАЖЕНИЙ, СОВРЕМЕНННОЕ СОСТОЯНИЕ.

1.1. Способы представления цветных изображений.

1.2. Обработка цветных изображений.

1.2.1. Сегментация изображений на основе пороговой обработки и кластеризациии.

1.2.2. Сегментация изображений на основе выделения замкнутых однородных областей.

1.2.3. Сегментация изображений на основе выделения контурных линий.

1.2.4. Сегментация изображений с использованием нечеткой логики.

1.3. Двухэтапные алгоритмы обработки случайных полей.

1.4. Цели и задачи исследования.

2. МОДЕЛИ ДВУХУРОВНЕВЫХ И МНОГОУРОВНЕВЫХ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ.

2.1. Математическая модель двухуровневых изображений.

2.2. Математическая модель многоуровневых кусочно-постоянных изображений.

2.3. Выбор системы представления цветного изображения.

2.4. Выводы по разделу 2.

3. ДВУХЭТАПНЫЕ АЛГОРИТМЫ СЕГМЕНТАЦИИ ДВУХУРОВНЕВЫХ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ.

3.1. Алгоритм сегментации бинарных цветных изображений при известных средних значениях однородных областей.

3.2. Алгоритм адаптивной рекуррентной фильтрации двухуровневых сигналов.

3.3. Алгоритм двухэтапной адаптивной фильтрации двухуровневых полутоновых изображений.

3.4. Двухэтапный адаптивный алгоритм сегментации двухуровневых цветных изображений.

3.5. Выводы по разделу 3.

4. ДВУХЭТАПНЫЙ АЛГОРИТМ ВЫДЕЛЕНИЯ КОНТУРНЫХ ЛИНИЙ

НА МНОГОУРОВНЕВЫХ КУСОЧНО-ПОСТОЯННЫХ ЦВЕТНЫХ ИЗОБРАЖЕНИЯХ.

4.1. Одномерный алгоритм фильтрации скалярных многоуровневых кусочно-постоянных сигналов.

4.2. Двухэтапный нелинейный алгоритм выделения контурных линий на кусочно-постоянных полутоновых изображениях.

4.3. Векторный двухэтапный алгоритм выделения контурных линий на цветных изображениях.

4.4. Выводы по разделу 4.

Ь 5. ОПИСАНИЕ ПРОГРАММЫ ВЫДЕЛЕНИЯ КОНТУРОВ И

СЕГМЕНТАЦИИ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ.

5.1. Состав и назначение программы.

5.2. Интерфейс программы.

5.3. Работа с программой.

Введение диссертации (часть автореферата) на тему «Двухэтапные алгоритмы фильтрации и сегментации цветных изображений»

Цифровая обработка изображений занимает значительное место в ^ современных научных исследованиях и разработках. Она объединяет в себе различные научные направления и подходы. В настоящее время многие отрасли техники, имеющие отношение к получению, обработке, хранению и передаче информации, в значительной степени ориентируются на развитие систем, в которых информация имеет характер изображений. Особое внимание уделяется использованию цветных изображений при решении задач обработки изображений. Все более возрастающий исследовательский интерес к методам анализа, классификации и обработки цветных изображений подтверждается ростом в последние годы числа публикаций, посвященных этой тематике ф [4,70,73,75,83,86,89,107,109,116,122, 126,130,131, т.д.].

Информационные системы регистрации изображений характеризуются огромными объемами получаемых данных, а также высокими требованиями к скорости их анализа. В ряде случаев данные регистрируются в условиях сложной помеховой обстановки. Поэтому возможность успешного решения такими системами весьма сложных и разнообразных задач во многом определяется предварительной (первичной) обработкой данных, позволяющей с максимальной эффективностью извлекать полезную информацию, заключенную в изображениях. Значительный вклад в решение проблем обработки изображений внесли как отечественные, так и зарубежные ученые П.А.Бакут, Г.С.Колмогоров, Л.П.Ярославский, Д.С.Лебедев, Г.И.Василенко, Я.А.Фурман, У.Прэтт, Г.Старк, А.К.Джайн, Д. Даджион и Р.Мерсеро и др.

К основным видам первичной обработки относятся фильтрация и восстановление изображений (улучшение визуального качества изображений за счет подавления помех и компенсации пространственных искажений), а также обнаружение контуров и сегментация (разбиение изображений на однородные области и обнаружение их границ). Большинство известных методов первичной обработки прямо или косвенно используют методы математической статистики. Это объясняется рядом причин. Случайные поля (случайные функции многих переменных) в достаточной мере пригодны для описания широкого класса реальных сигналов, особенно пространственно временных многомерных сигналов [36,42,62] и изображений [3,38,52,54,63,134], наблюдаемых в присутствии помех. Кроме того, дальнейшая автоматизация сбора и анализа данных в информационных системах ведет к необходимости развития существующих и создания новых теоретических методов описания и обработки многомерных сигналов на основе строгих критериев оптимальности. Использование статистических критериев позволяет синтезировать оптимальные (в смысле выбранного критерия) и квазиоптимальные алгоритмы, а также проводить оценку их эффективности аналитически или путем статистического моделирования.

Несмотря на многочисленные исследования, посвященные применению статистических методов в области обработки многомерных сигналов, по-прежнему сохраняет актуальность проблема выработки единых подходов к решению разнообразных задач первичной обработки, опирающихся на количественные критерии качества.

Стремление обобщить статистические методы обработки одномерных сигналов на многомерные сигналы [7,55,57] сталкивается с весьма значительными трудностями при реализации алгоритмов. Широкое распространение получили статистические методы, основанные главным образом на теории стационарных гауссовских случайных полей. Обработка нестационарных и (или) негауссовских полей в литературе освещена лишь для некоторых частных случаев. Поэтому развитие статистических методов фильтрации негауссовских многомерных сигналов является актуальной проблемой.

Практическое значение большинства теоретических исследований в области обработки многомерных сигналов определяется, в конечном счете, вычислительной эффективностью полученных методов. Применение оптимальных методов для обработки многомерных сигналов, построенных на основе классической статистической теории, приводит, как правило, к неосуществимым алгоритмам. Поэтому представляет актуальность проблема разработки доступных для практического использования алгоритмов обработки данных, сохраняющих высокое качество обработки многомерных сигналов.

В свете вышесказанного представляют особый практический интерес развитые в работах [11,12,13,17,18,34,35] теоретические методы статистического синтеза алгоритмов первичной обработки многомерных сигналов, в том числе нестационарных и негауссовских, которые ориентированы на получение параллельных или параллельно-реккурентных алгоритмов. Предложенная методика основана на двухэтапных методах оценивания многомерных сигналов, которые оптимальным образом используют данные вертикальных и горизонтальных лучей, выходящих из текущей точки фильтрации. Это позволяет сводить задачи обработки многомерных сигналов к совокупности одномерных процедур, причем ограниченные данные сохраняют свой многомерный характер. Возможность независимой обработки данных строк и столбцов, а также использование результатов хорошо развитой теории рекуррентной обработки нестационарных гауссовских и негауссовских одномерных сигналов создают предпосылки построения параллельно-рекуррентных алгоритмов для обработки данных в темпе их поступления.

Основное направление применения двухэтапных алгоритмов касалось обработки полутоновых и бинарных изображений (скалярных полей). С другой стороны, обобщение двухэтапных методов для анализа цветных изображений, т.е. переход к обработке векторных случайных полей с коррелированными компонентами, позволит значительно расширить область применения двухэтапных алгоритмов.

Всё вышесказанное позволило сформулировать основную задачу, решению которой посвящена данная диссертационная работа: разработка двухэтапных алгоритмов выделения контурных линий и сегментации цветных изображений.

Научная новизна работы заключается в следующем. В диссертации впервые поставлена и решена задача применения двухэтапного подхода для нелинейной обработки цветных изображений, наблюдаемых при наличии помех.

За счет использования концепции скрытых марковских моделей разработаны оригинальные негауссовские математические модели двухуровневых и кусочно-постоянных многоуровневых сигналов, особенностью которых является присутствие «управляющей» компоненты, описывающей скачкообразное изменение наблюдаемого процесса. Такое математическое описание позволяет свести процедуры сегментации изображений и выделения контурных линий к оцениванию информационного «управляющего» сигнала.

На основе предложенных моделей синтезированы новые нелинейные квазиоптимальные рекуррентные алгоритмы фильтрации двухуровневых и кусочно-постоянных сигналов, наблюдаемых на фоне аддитивного шума. Разработанные одномерные алгоритмы используют гауссовскую аппроксимацию составляющих апостериорного распределения вероятностей, которое в целом остается негауссовским.

Синтезированы новые двухэтапные алгоритмы сегментации и выделения контурных линий полутоновых и цветных изображений на основе предложенных одномерных процедур обработки.

Основные положения, выносимые на защиту.

1. Одномерные марковские негауссовские математические модели двухуровневого и кусочно-постоянного многоуровневого сигналов, позволяющие синтезировать двухэтапные алгоритмы выделения контуров и сегментации цветных изображений.

2. Рекуррентные одномерные нелинейные квазиоптимальные алгоритмы обработки двухуровневых и кусочно-постоянных сигналов по скалярному и векторному наблюдениям при действии аддитивного шума:

- адаптивный алгоритм фильтрации двухуровневых сигналов в условиях априорной неопределенности относительно значений их уровней; алгоритм оценивания управляющего сигнала, определяющего местоположение резких перепадов яркости, и фильтрации кусочно-постоянных многоуровневых сигналов.

3. Двухэтапные векторные алгоритмы сегментации полутоновых и цветных изображений:

- алгоритм сегментации двухуровневых изображений;

- алгоритм фильтрации кусочно-постоянных изображений и выделения контурных линий.

Основные положения диссертационной работы были представлены и обсуждались на четвертом Сибирском конгрессе по прикладной и индустриальной математике (ИНПРИМ-2000), на четвертом Русско-Корейском международном симпозиуме по науке и технологии (KORUS'2000), на региональных научно-технических школах-семинарах студентов, аспирантов и молодых ученых «Современные проблемы радиотехники» (СПР-2001, СПР-2005), на третьей конференции Российского отделения IEEE «Microwave Electronics, Measurements, Identification, Application» (MEMIA'2001), на шестой и седьмой международных конференциях «Актуальные проблемы электронного приборостроения» (АПЭП-2002, АПЭП-2004), на международных научно-технических конференциях «Информатика и проблемы телекоммуникаций» 2002 и 2003 г.

Всего опубликовано 18 печатных работ, в том числе по теме диссертации 16: из них 5 - научных статей, 8 - докладов на конференциях, 3 - тезиса докладов.

Диссертация изложена на 149 страницах, включая 45 рисунков, и состоит из введения, пяти разделов основного содержания, заключения, списка использованной литературы и приложения.

Заключение диссертации по теме «Теоретические основы информатики», Курилин, Илья Васильевич

Основные результаты исследований заключаются в следующем:

1. Для решения задачи сегментации изображений и выделения контурных линий предложены две негауссовские математические модели, описывающие одномерные сечения полутоновых и цветных изображений. Структура разработанных моделей позволила на их основе синтезировать двухэтапные алгоритмы обработки. Первая, двухуровневая модель предполагает наличие в изображении двух основных областей -объекта и фона. Эта модель предназначена, прежде всего, для решения задачи сегментации полутоновых и цветных двухуровневых изображений. Вторая модель многоуровневого кусочно-постоянного сигнала служит для синтеза алгоритмов фильтрации многоуровневых изображений и выделения контурных линий.

2. На основе предложенных моделей разработаны нелинейные квазиоптимальные рекуррентные процедуры, позволяющие производить реккурентную оценку информативных параметров. Проведен сравнительный анализ эффективности синтезированных квазиоптимальных алгоритмов с потенциально достижимой границей.

На основе методики построения двухэтапных процедур выполнен синтез двухэтапных алгоритмов сегментации полутоновых изображений. На основе предложенных алгоритмов обработки скалярных полей разработаны векторные процедуры выделения контурных линий и сегментации цветных изображений. Приведены экспериментальные результаты обработки реальных изображений в сравнении с известными линейными алгоритмами.

Разработанные в диссертации алгоритмы выделения контурных линий и сегментации изображений реализованы в виде прикладной программы, работающей в среде Windows.

ЗАКЛЮЧЕНИЕ

В диссертационной работе на основании выполненных исследований развита методика построения двухэтапных алгоритмов для обработки цветных изображений, представляющих собой векторные случайные поля с межкомпонентной корреляцией. Двухэтапный подход позволяет выполнять двумерную обработку случайных полей за счет использования одномерных сечений этих полей - строки и столбца, пересекающихся в точке оценивания. Предложены две нелинейные негауссовские модели одномерных сечений полутоновых и цветных изображений, позволяющие описывать однородные области на изображениях. Разработанные на их основе алгоритмы позволяют выполнять эффективно решать задачу сегментации изображений в ситуации, осложненной действием аддитивной помехи.

Список литературы диссертационного исследования кандидат технических наук Курилин, Илья Васильевич, 2006 год

1. Бакут П.А., Колмогоров Г.С. Сегментация изображений: Методы выделения границ областей // Зарубежная радиоэлектроника. - 1987. - №10. - С. 25 - 47.

2. Бакут П.А., Колмогоров Г.С., Ворновицкий И.Э. Сегментация изображений: Методы пороговой обработки // Зарубежная радиоэлектроника. 1987. -№10.-С. 6-24.

3. Бейтс Р., Мак-Донелл М. Восстановление и реконструкция изображений. -М.: Мир, 1989.

4. Бочко В.А. Методы обработки и классификации цветных изображений // Зарубежная радиоэлектроника. 1992. - №6. - С. 10 - 17.

5. Бъемон Ж., Лагендейк Л., Мерсеро P.M. Итерационные методы улучшения изображений // ТИИЭР. 1990. - №5.

6. Быстрые алгоритмы в цифровой обработке изображений / Под ред. Т.С. Хуанга. М.: Радио и связь, 1984.

7. Ван Трис Г. Теория обнаружения, оценок и модуляции. Т.1 / Пер. с англ.; Под ред. В.И. Тихонова. М.: Сов. радио, 1977.

8. Василенко Г.И., Тараторин A.M. Восстановление изображений. М.: Радио и связь, 1986.

9. Введение в контурный анализ; приложения к обработке изображений и сигналов./ Я.А. Фурман, А.В. Кревецкий, А.К. Передреев, А.А. Роженцов, Р.Г. Хафизов, И.Л. Егошина, А.Н. Леухин; Под. ред. Я.А. Фурман. 2-е изд., испр.: ФИЗМАТЛИТ, 2003. - 592 с.

10. Ю.Виттих В.А., Сергеев В.В., Сойфер В.А. Обработка изображений в автоматизированных системах научных исследований. М.: Наука, 1982.

11. П.Грузман И.С. Двухэтапная фильтрация бинарных изображений // Автометрия. — 1999. №3.

12. Грузман И.С. Двухэтапная фильтрация случайных полей при действии комбинированной помехи // Радиотехника. 1997.- № 10. - С. 33 - 35.

13. Грузман И.С. Двухэтапное восстановление дефокусированных изображений // Автометрия. 1997.- № 2 - С. 93 - 97.

14. М.Грузман И.С. Двухэтапный алгоритм фильтрации бинарных изображений // Тез. докл. Росс, научно-техн. конф., посвященной дню Радио. -Новосибирск: Новосиб. электротехн. ин-т, 1993.

15. Грузман И.С. Двухэтапный алгоритм фильтрации изображений с произвольными одномерными спектрально-корреляционными свойствами // Методы обработки сигналов и полей.- Ульяновск: УльГТУ, 1995.

16. Грузман И.С. Двухэтапный метод выделения папиллярных линий на изображениях // Научные основы высоких технологий: : Труды межд. конф. Новосибирск: Новосиб. гос. техн. ун-т, 1997.

17. Грузман И.С. Компенсация краевых эффектов при коррекции линейных искажений изображений // Автометрия. 1995. - № 2.

18. Грузман И.С. Применение узкополосных случайных полей в задаче выделения папиллярных линий на изображениях // Автометрия 1997. - № 4.-С. 102- 106.

19. Грузман И.С. Рекуррентная двухэтапная фильтрация изображений // Оборонная техника. 1996. - № 3.

20. Грузман И.С. Фильтрация бинарных полей при действии коррелированной помехи // Актуальные проблемы электронного приборостроения-94: Труды межд. конф. Новосибирск: Новосиб. гос. техн. ун -т, 1994.

21. Грузман И.С. Фильтрация марковского бинарного процесса из мультипликативного шума // Электронная техника.- Сер. 7, ТОПО. 1993. -Вып. 2(177)-3(178).

22. Грузман И.С., Ерилов В.А. Двухэтапная фильтрация изображений при пространственно-неоднородном "смазе" // Информатика и проблемы телекоммуникаций: Тез. докл. Российской науч.-техн. конф. Новосибирск: Новосиб. гос. техн. ун-т, 1996.

23. Грузман И.С., Киричук B.C., Косых В.П., Перетяган Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах: Учебное пособие.- Новосибирск: Изд-во НГТУ, 2000. 168 с.

24. Грузман И.С., Курилин И.В, Двухэтапный алгоритм сегментации цветных бинарных изображений. // Научный вестник НГТУ. № 1 (10). — 2001. — С. 13-20.

25. Грузман И.С., Курилин И.В. Адаптивная фильтрация бинарных сигналов. // Доклады СО АН ВШ. 2002. - № 1. - С. 55 - 64.

26. Грузман И.С., Курилин И.В. Адаптивный алгоритм фильтрации цветных бинарных изображений. // Информатика и проблемы телекоммуникаций: Тезисы докладов международной научно-технической конференции. -Новосибирск: СибГУТИ, 2002. С. 118 - 119.

27. Грузман И.С., Курилин И.В. Двухэтапная адаптивная сегментация цветных бинарных изображений. // Информатика и проблемы телекоммуникаций: Тезисы докладов международной научно-технической конференции. -Новосибирск: СибГУТИ, 2003. С. 134 - 135.

28. Грузман И.С., Курилин И.В. Двухэтапная адаптивная фильтрация бинарных изображений. // Доклады СО АН ВШ. 2003. - № 1. - С. 51 - 57.

29. Грузман И.С., Курилин И.В. Нелинейный алгоритм фильтрации кусочно-постоянных многоуровневых сигналов и изображений. // Автометрия. -2002.-№2.-С. 15-23.

30. Грузман И.С., Курилин И.В., Комбинированный алгоритм фильтрации цветных изображений, наблюдаемых на фоне аддитивного белого шума. // АПЭП 2002. — 2002. Т. 4. - С. 15-17.

31. Грузман И.С., Микерин В.И., Спектор А.А. Двумерная фильтрация изображений на основе использования ограниченных данных // Радиотехника и электроника. 1995. -№ 5. - С. 817 - 822.

32. Грузман И.С., Спектор А.А. Применение свойства условной независимости для симметричного сглаживания марковских процессов // Радиотехника и электроника. — 1997. № 6.

33. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов. М.: Мир, 1988.

34. Денисов Д.А., Низовкин В.А. Сегментация изображений на ЭВМ // Зарубежная радиоэлектроника. 1985. - № 10. - С. 5-30.

35. Дуда Р., Харт П. Распознавание образов и анализ сцен -М.: Мир, 1977.39.3алогова JI. А. Цвет в компьютерной графике. // Информатика иобразование. 1999. - Т. 7, № 7.

36. Казаков В.А. Введение в теорию марковских процессов и некоторые радиотехнические задачи. М. Сов.радио, 1973.

37. Кириллов Е.А. Цветоведение: Учеб. пособие для вузов. М.: Легпромбытиздат, 1987.

38. Кловский Д.Д., Сойфер В.А. Обработка пространственно-временных сигналов. М.: Связь, 1976.

39. Курилин И.В. Векторная линейная фильтрация цветных изображений, наблюдаемых на фоне шума. // Сборник научных трудов НГТУ. 2000. - № 4(21). С. 13- 18.

40. Левин Б.Р. Теоретические основы статистической радиотехники. Кн. 1. -М.: Сов. радио, 1974.

41. Левин Б.Р. Теоретические основы статистической радиотехники. Кн. 2. -М.: Сов. радио, 1975.

42. Левин Б.Р. Теоретические основы статистической радиотехники. Кн. 3. -М.: Сов. радио, 1976.

43. Новаковский С.В. Цвет в цветном телевидении. -М.: Радио и Связь, 1988г.

44. Обработка изображений и цифровая фильтрация / Под ред. Т.Хуанга; Пер сангл. -М.: Мир, 1979.

45. Прэтт У. К. Цифровая обработка изображений: Пер. с англ. / Под ред. Д. С. Лебедева,- Кн. 1, 2.- М.: Мир, 1982.

46. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. -М.: Мир, 1978.

47. Реконструкция изображений: Пер. с англ. / Под ред. Г.Старка. М.: Мир, 1992.

48. Сейдж Э., Меле Дж. Теория оценивания и ее применение в связи и управлении / Пер. с англ.; Под. ред. Б.Р.Левина. М.: Связь, 1976.

49. Тихонов В.И., Кульман Н.К. Нелинейная фильтрация и квазикогерентный прием сигналов. М.: Сов. радио, 1975.

50. Тихонов В.И., Миронов М.А. Марковские процессы. М.: Сов. радио, 1977.

51. Френке J1. Теория сигналов / Пер с англ.; Под ред. Д.Е.Вакмана. М.: Сов. радио, 1974.

52. Фурман Я.А. Обнаружение зашумленных контуров изображения // Радиотехника. 1994. - №10. - С. 13-17.

53. Фурман Я.А., Юрьев А.Н., Яншин В.В., Цифровые методы обработки и распознавания бинарных изображений. Красноярск: Изд-во Красноярск, унта, 1992.

54. Цой В.В. Введение в теорию цвета. Учебное пособие. Томск, изд. ТПИ им. С.М. Кирова. 1985г.

55. Ярлыков М.С., Миронов М.А. Марковская теория оценивания случайных процессов. М: Радио и связь, 1993, 464 с.

56. Ярославский Л.П. Введение в цифровую обработку изображений. М.: Сов. радио, 1979.

57. Andreadis I., Browne М.А., Swift J.A. Image pixel classification by chromaticity analysis. // Pattern Recognition Lett. 1990. - № 11. - P. 51 - 58.

58. Bezdek J.C., Castelaz P.F. Prototype classification and feature selection with fuzzy sets. // Pattern Recognition Lett. 1993. - № 14. - P. 483 - 488.

59. Bloch I. Fuzzy connectivity and mathematical morphology. // Pattern Recognition Lett. 1993.-№ 14. - P. 483 - 488.

60. Brill M.H. Image segmentation by object color: a unifying framework and connection to color constancy. // Opt. Soc. Am. 1970. - Vol. 7, № 10 - P. 2041 - 2047.

61. Bykov R.E., Ignateva N.V. Titov J.M.-In: The First KDI International Conference on Automated Image Processing, Berlin, DDR. 1985. - Oct. 17-18.

62. Canny J. A computational approach to edge detection. // IEEE Trans. Pattern Anal. Mach. Intell. 1986. - Vol. 8, № 6. - P. 679-698.

63. Carron Т., Lambert P. Color edge detector using jointly hue, saturation and intensity. // IEEE International Conference on Image Processing, Austin, USA. -1994.-P. 977- 1081.

64. Carron Т., Lambert P. Fuzzy color edge extraction by inference rules quantitative study and evaluation of performances. // International Conference on Image Processing. 1995.-P. 181-184.

65. Carron Т., Lambert P. Symbolicfusion of hue-chromaintensity features for region segmentation. // International Conference on Image Processing. 1996. P. 971 -974.

66. Celenk M. A color clustering technique for image segmentation. // Graphical Models Image Process. 1990.-Vol. 52, №3.- P. 145-170.

67. Chapron M. A new chromatic edge detector used for color image segmentation. // IEEE International Conference on Pattern Recognition. 1992. - P. 311-314.

68. Cheng H.D., Jiang X.H., Sun Y., Wang Jingli. Color image segmentation: advances and prospects. // Pattern Recognition. 2001. -№ 34. - P. 2259 - 2281.

69. Cheng H.D., Jiang X.H., Wang J. Color image segmentation based on homogram thresholding and region merging // Pattern Recognition. 2002. - Vol. 35, № 2. -P. 373-393.

70. Cheng H.D., Li J. Fuzzy homogeneity and scale space approach to color image segmentation. // Pattern Recognition. 2003. - Vol. 36, № 7. - P. 1545 - 1562.

71. Chun D.N., Yang H.S. Robust image segmentation using geneticalgorithm with a fuzzy measure.//Pattern Recognition. 1996.-Vol. 29, №7.-P. 1195 - 1211.

72. Comaniciu D., Meer P. Robust analysis of feature spaces: color image segmentation. // IEEE Conference on Computer Vision and Pattern Recognition. -1997.-P. 750-755.

73. Ferri F., Vidal E. Color image segmentation and labeling through multi-edit condensing. // Pattern Recognition Lett. 1992. - № 13 - P. 561 - 568.

74. Fu K.S., Mui J.K. A survey on image segmentation. // Pattern Recognition. -1981.-№ 13.-P.3-16.

75. Golland P., Bruckstein A.M. Why R.G.B.? Or How to design color displays for martians. // Graphical Models Image Process. 1996. - Vol. 58, № 5. - P. 405 -412.

76. Golland Palina. Use of color for optical flow estimation // Israel Institute of Technology. 1995.

77. Guo G.D., Yu S., Ma S.D. Unsupervised segmentation of color images. // IEEE International Conference on Image Processing. 1998. - P. 299 - 302.

78. Haralick R.M., Shapiro L.G. Image segmentation techniques. // Comput. Vision Graphics Image Process. 1985. - № 29. - P. 100 - 132.

79. Healey G. Segmenting images using normalized color. // IEEE Trans. System Man Cybernet. 1992. - Vol. 22, № 1. - P. 64 - 73.

80. Healey G. Using color for geometry-insensitive segmentation. // Opt. Soc. Am. -1989. Vol. 22, № 1. - P. 920 - 937.

81. Hoy D.E.P. On the use of color imaging in experimental applications. // Exp. Tech. 1997. - Vol. 21, № 4. p. 17 - 19.

82. Huang L.K., Wang M.J. Image thresholding by minimizing the measures of fuzziness. // Pattern Recognition. 1995. - Vol. 28, № 1. - P. 41-51.

83. Hueckel M. A local visual operator which recognizes edges and lines. // J. Assoc.

84. Comput. Mach. 1973. - Vol. 20, № 4. - P. 634 - 647.

85. Hueckel M. An operator which locates edges in digitized pictures. // J. Assoc. Comput. Mach.-1971.-Vol. 18,№ l.-P. 113-125.

86. Huntsberger T.L., Jacobs C.L., Cannon R.L. Iterative fuzzy image segmentation. //Pattern Recognition- 1985. -Vol. 18, №2-P. 131 138.

87. Ito N. et al. The combination of edge detection and region extraction in non-parametric color image segmentation. // Inform. Sci. 1996. - № 92 - P. 277294.

88. Jahne B. Digital Image Processing: Concepts, Algorithms, and Scientific Applications. Berlin: Springer-Verlag, 1993.

89. Keller J.M., Carpenter C.L. Image segmentation in the presence of uncertainty. // Int. J. Intell. Systems. 1990. - Vol. SMC-15. - P. 193 - 208.

90. Keller J.M., Gray M.R., Givens J.A. A fuzzy K-nearest neighbor algorithm. // IEEE Trans. Systems Sci. Cybernet. 1985. - Vol. SMC-15. - P. 580 - 585.

91. Render J. Saturation, hue, and normalized color: calculation, digitization effects, and use. // Computer Science Technical Report, Carnegie Mellon University. -1976.

92. Kim K.M., Lee C.S., Ha Y.H. Color image quantization using weighted distortion measure of HVS color activity. // IEEE International Conference on Pattern Recognition. 1996.-P. 1035 - 1039.

93. Kim W.S., Park R.H. Color image palette construction based on the HSI color system for minimizing, the reconstruction error. // IEEE International Conference on Image Processing. 1996. - P. 1041 - 1044.

94. Klinker G.J., Shafer S.A., Kanade T. A physical approach to color image understanding. // Int. J. Comput. Vision. 1990. - № 4. - P. 7 - 38.

95. Lim Y.W., Lee S.U. On the color image segmentation algorithm based on the thresholding and the fuzzy c-means techniques. // Pattern Recognition. 1990. -Vol. 23, №9.-P. 935 -952.

96. Macaire L., Ultre V., Postaire J.-G. Determination of compatibility coefficientsfor color edge detection by relaxation. // International Conference on Image Processing. 1996.-P. 1045 - 1048.

97. Maxwell B.A., Shafer S.A. Physics-based segmentation: moving beyond color. // IEEE International Conference on Computer Vision and Pattern Recognition. -1996.-P. 742-749.

98. Moghaddamzadeh A., Bourbakis N. A fuzzy region growing approach for segmentation of color images. // Pattern Recognition. 1997. - Vol. 30, № 6. - P. 867-881.

99. Nevatia. A color edge detector and its use in scene segmentation. // IEEE Trans. System Man Cybernet. 1977. - Vol. SMC-7, № 11. - P. 820 - 826.

100. Ohlander R., Price K., Reddy D.R. Picture segmentation using a recursive region splitting method. // Comput. Graphics Image Process. 1978. - № 8. - P. 313-333.

101. Ohta Y., Kanade Т., Sakai T. Color information for region segmentation. \\ Comput. Graphics Image Process. 1980. - № 13 - P. 222 - 241.

102. Orchard M.T., Bouman C.A. Color quantization of images. // IEEE Trans. Signal Process.-1991.-Vol. 39, № 12-P. 2677 2690.

103. Pal S.K. et al. A review on image segmentation techniques. // Pattern Recognition. 1993. -№ 29. - P. 1277-1294.

104. Pedrycz W. Fuzzy sets in pattern recognition: methodology and methods. // Pattern Recognition. 1990. - Vol. 23, № 1/2. - P. 121 - 146.

105. Perez F., Koch C. Toward color image segmentation in analog VLSI: algorithm and hardware. // Int. J. Comput. Vision 1994. - Vol. 12, № 1. - P. 17 -42.

106. Petrov A.P., Kontsevich L.L. Properties of color images of surfaces under multiple illuminants. // Opt. Soc. Am. 1994. - Vol. 11, № 10. - P. 2745 - 2749.

107. Pletikainen M. et al. Accurate color discrimination with classification based on feature distributions. // International Conference on Pattern Recognition. 1996. -P. 833 - 838.

108. Robinson G.S. Color edge detection. // Opt. Eng. 1977. - Vol. 16, № 5. - P. 479 - 484.

109. Robinson G.S. Color Edge Detection. // Proc. SPIE Symposium on Advances in Image Transmission Techniques, 87, San Diego, CA, August 1976.

110. Rui Y., She A.C., Huang T.S. Automated region segmentation using attraction-based grouping in spatialcolor-texture space. // International Conference on Image Processing. 1996. - P. 53 - 56.

111. Sarabi A., Aggarwal J.K. Segmentation of chromatic images. // Pattern Recognition. 1981. - Vol. 13, № 6. - P. 417 - 427.

112. Schacter В., Davis L., Rosenfeld A. Scene segmentation by cluster detection in color space. // Department of Computer Science, University of Maryland, College Park, MD. 1975. - November.

113. Shafer S.A. Using color to separate reflection components. // Color Res. Appl.- 1985. -Vol. 10, №4. -P. 210-218.

114. Taylor R.I., Lewis P.H. Color image segmentation using boundary relaxation. // IEEE International Conference on Pattern Recognition. 1992. - P. 721 - 724.

115. Tepichin E., Suarez-Romero J.G., Ramirez G. Hue, brightness, and saturation manipulation of diffractive colors. // Opt. Eng. 1995. - Vol. 34, № 10. - P. 2886- 2890.

116. Terrillon J.C., David M., Akamatsu S. Detection of human faces in complex scene images by use of a skin color model and of invariant Fourier-Mellin moments. // IEEE International Conference on Pattern Recognition. 1998. - P. 1350- 1355.

117. Tominaga S. Color classification of natural color images. // Color Res. Appl. -1992.-Vol. 17, №4.

118. Tominaga S. Color image segmentation using three perceptual attributes. // IEEE Proceedings of the Conference on Computer Vision and Pattern Recognition, Los Alamos. 1986. - P. 628 - 630.

119. Trahanias P.E., Venetsanopoulos A.N. Color edge detection using vector orderstatistics. // IEEE Trans Image Process. 1993. - Vol. 2, № 2. - P. 259 - 265.

120. Trahanias P.E., Venetsanopoulos A.N. Vector order statistics operators as color edge detectors. // IEEE Trans. Systems Man Cybernet.-Part B: Cybernetics. -1996.-Vol. 26, № l.-P. 135- 143.

121. Tremeau A., Borel N. A region growing and merging algorithm to color segmentation. // Pattern Recognition. 1997. - Vol. 30, № 7. - P. 1191 - 1203.

122. Tsang P.W.M., Tsang W.H. Edge detection on object color. // IEEE International Conference on Image Processing. 1996. - P. 1049-1052.

123. Uchiyama Т., Arbib M.A. Color image segmentation using competitive learning. // IEEE Trans. Pattern Anal. Mach. Intell. 1994. - Vol. 16, № 12. - P. 1197- 1206.

124. Udupa J.K., Samarasekera S. Fuzzy connectedness and object definition: theory, algorithms and applications in image segmentation. // Graphical Models Image Process. 1996. - Vol. 58, № 3. - P. 246-261.

125. Underwood S.A., Aggarwal J.K. Interactive computer analysis of aerial color infrared photographs. // Comput. Graphics Image Process. 1977. - № 6 - P. 1 -24.

126. William K. Pratt, Digital Image Processing: PIKS Inside, Third Edition. Los Altos, California: PixelSoft, Inc., 2001.

127. Yang C.K., Tsai W.H. Reduction of color space dimensionality by moment-preserving thresholding and its application for edge detection in color images. // Pattern Recognition Lett. 1996. - № 17. - P. 481-490.

128. Zucchini W., MacDonald I.L. Hidden Markov and Other Models for Discrete-Valued Time Series.: CRC Press, 1997.