Метод идентификации объектов на основе логических описаний деформируемых моделей тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Авраменко, Юрий Владимирович

• Авраменко, Юрий Владимирович
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Авраменко, Юрий Владимирович

Оглавление

Введение

Глава 1. Обзор моделей, методов и алгоритмов, применяемых для идентификации объектов на растровых изображениях

1.1. Содержательная постановка задачи идентификации объектов

1.2. Логические методы идентификации объектов

1.3. Применение деформируемых моделей в задаче идентификации объектов

1.4. Выделение и оценка признаков на растровых изображениях

1.4.1. Теория нечетких множеств

1.4.2. Метод описания текстуры на основе локальных бинарных шаблонов

1.4.3. Метод опорных векторов

1.5. Методы и алгоритмы, применяемые в работе для уменьшения вычислительной сложности алгоритма идентификации объектов

1.5.1. Метод ветвей и границ

1.5.2 Алгоритм поиска А*

1.5.3. Метод обнаружения точечных особенностей

Выводы по главе 1

Глава 2. Метод идентификации объектов на основе логических описаний деформируемых моделей

2.1. Логические описания деформируемых моделей

2.2. Алгоритм идентификации объектов

2.3. Язык пространственных запросов БОРЬ

2.4. Алгоритмы уменьшения вычислительной сложности

2.4.1. Отсечение слабовыраженных признаков

2.4.2. Отсечение неперспективных ветвей логического вывода

2.4.3. Анализ пространственных ограничений

2.4.4. Выделение областей идентификации объектов

2.4.5. Сужение множества точек старта алгоритма идентификации

Выводы по главе 2

Глава 3. Реализация метода идентификации на основе логических описаний деформируемых моделей

3.1. Структура программной системы нечеткого поиска объектов на растровых изображениях

3.1.1. Модуль интерпретации

3.1.2. Модуль встроенных предикатов

3.1.3. Модуль трансляции текста программы во внутренний формат

3.1.4. Модуль ввода-вывода

3.1.5. Подключаемые библиотеки

3.2. Реализация методов уменьшения вычислительной сложности

3.2.1. Метод отсечения неперспективных ветвей логического вывода

3.2.2. Формирование множества точек старта идентификации объекта

3.2.3. Выделение областей идентификации по текстуре

3.2.4. Реализация оператора ЬБР

3.3. База знаний для идентификации объектов

3.4. Интерфейс пользователя

3.5. Инструмент создания логического описания деформируемой модели

3.6. Методика применения метода идентификации объектов на основе

логических описаний деформируемых моделей

3.7 Реализация метода в виде WPS сервиса обработки данных дистанционного зондирования Земли

Выводы по главе 3

Глава 4. Апробация метода идентификации на основе логических описаний деформируемых моделей

4.1 Применение метода на тестовых примерах

4.2. Идентификация точечных источников антропогенного загрязнения воздуха в г. Улан-Баторе

4.3. Актуализация цифрового топографического плана города Иркутска

Заключение

Список сокращений и условных обозначений

Список литературы

Приложение 1. Свидетельства о государственной регистрации программы для эвм

Приложение 2. Акты о внедрении

Введение диссертации (часть автореферата) на тему «Метод идентификации объектов на основе логических описаний деформируемых моделей»

ВВЕДЕНИЕ

Актуальность темы исследования. В области распознавания образов активно разрабатываются методы идентификации объектов на растровых изображениях. В общем случае идентификация объектов является нетривиальной задачей. Так растровые изображения, используемые при решении ряда практических задач (векторизация карт, дешифрирование данных дистанционного зондирования Земли (ДЗЗ), анализ медицинских снимков, распознавание текста, лиц и другие), содержат большое количество объектов с различными спектральными, текстурными характеристиками, формой, взаимным расположением и т.д. Границы объектов на растровых изображениях представлены нечетко из-за их размытия, шума, изменения освещенности.

В настоящее время разработано много различных методов [1-4] и программных систем (ПС) [5-7], предназначенных для идентификации объектов на растровых изображениях, например для зданий, лиц, текста, автомобильных номеров, знаков дорожной разметки и т.п.

Большой вклад в разработку методов и теоретических основ данной области внесли: Ю.И. Журавлёв, который разработал и исследовал ставшую классической модель алгоритмов вычисления оценок; Д.И. Поспелов создал теорию нечетких квантификаторов и нечеткой частотной логики, которые позволили построить модели человеческих рассуждений; В.А. Сойфер предложил использовать поле направлений, которое широко применяется в компьютерных системах цифровой обработки изображений и распознавания образов для идентификации дактилограмм, расшифровки интерферограмм, восстановления трехмерной структуры древовидных объектов по малому числу проекций; О.И. Потатуркин разработал методы и программно-алгоритмические средства обнаружения слаборазличимых антропогенных изменений на поверхности Земли по мультиспектральным данным дЗЗ.

Среди зарубежных исследователей можно отметить: и. Огепапёег, который предложил теорию шаблонов; М. КаББ, Э. ТегеороШоБ, предложивших

использовать деформируемые модели для учета пространственных расположений фрагментов границы объектов. Идея применения деформируемых моделей получила развитие в работах: D.J. Williams, и M. Shah, разработавших упрощенную и дискретную версию применения деформируемых моделей, в которой применяются методы локальной оптимизации, чтобы достичь оптимального решения; A.A. Amini, T.E. Weymouth, R.C. Jain, использовавших методы динамического программирования, что позволило применить более общий класс ограничений формы объектов.

Несмотря на значимые результаты по разработке теоретических основ информатики и созданию научных основ современных информационных технологий на базе использования средств вычислительной техники в области распознавания образов, изложенных в работах [8-19], до сих пор остается актуальной проблема идентификации объектов с определенной пользователем совокупностью характеристик объекта: формой, спектральными, текстурными и другими признаками. Часто идентификация определенного пользователем объекта требует программной доработки существующих систем или модификации методов. Для решения проблемы необходимо проведение дополнительных исследований моделей и алгоритмов анализа данных, обнаружения закономерностей в данных, разработки и исследования методов и алгоритмов распознавания образов, обнаружения и идентификации объектов.

В связи с этим данная диссертационная работа, посвященная решению значимой научной проблемы - разработке и реализации метода идентификации объектов на растровых изображениях на основе знаний пользователя о структурных, текстурных, топологических и других признаках объектов, является своевременной и актуальной.

Цель диссертационной работы - создание и реализация метода идентификации объектов искусственного происхождения на космических снимках высокого и сверхвысокого пространственного разрешения по запросу

пользователя. Для достижения поставленной цели необходимо решить следующие задачи:

1) на основе анализа мирового и российского опыта разработки методов, программно-алгоритмического обеспечения и информационных систем (ИС) идентификации объектов на растровых изображениях определить требования к создаваемому методу идентификации объектов;

2) разработать язык пространственных запросов Spatial Object Query Language (SOQL) для идентификации объектов на космических снимках высокого и сверхвысокого пространственного разрешения;

3) разработать метод идентификации объектов на космических снимках высокого и сверхвысокого пространственного разрешения по запросу пользователя;

4) создать программную систему (ПС), позволяющую проводить идентификацию объектов на растровых изображениях в соответствии с запросами на языке SOQL;

5) провести реализацию и апробацию разработанного метода.

Объект исследования - объекты, их признаки и отношения на растровых изображениях.

Предмет исследования - методы, алгоритмы и ПС идентификации объектов на растровых изображениях.

Методы исследования. В работе использовались методы: информационного, алгоритмического и математического моделирования, вычислительной математики, математической логики, распознавания образов, теории нечетких множеств, статистического анализа, проектирования информационных систем.

Научная новизна диссертационной работы. 1. Логические описания деформируемых моделей для идентификации объектов на растровых изображениях. Логические описания позволяют использовать выразительность языков логики первого порядка, а деформируемые модели эффективно обрабатывать нечетко выраженные признаки.

2. Оригинальный язык пространственных запросов SOQL, позволяющий пользователю задавать описания признаков объекта в виде набора правил, в отличие от других подобных языков включает синтаксические конструкции для учета пространственных ограничений. При помощи языка SOQL можно описать форму, положение, текстурные и спектральные признаки идентифицируемых объектов. Язык SOQL строит описание в виде иерархий объектов, наличие дизъюнкций помогает компактно представлять знания.

3. Метод идентификации объектов на основе логических описаний деформируемых моделей. Особенностью метода является реализация эффективного поиска объектов на растровых изображениях в рамках логического описания деформируемых моделей. Эффективность поиска объектов обеспечивается применением эвристических алгоритмов и анализа пространственных ограничений. Метод сегментирует изображения с использованием высокоуровневой информации, обрабатывает нечеткость и размытость изображения. достоинством метода является то, что он позволяет проводить идентификацию объектов с заданной пользователем формой, текстурными и спектральными характеристиками.

Практическая значимость полученных результатов. Результаты исследований диссертационной работы были использованы в рамках:

1) грантов РФФИ (№ 13-07-12080 офи_м, 14-47-04125 р_сибирь_а, 14-0700166 а, 16-07-00411 а, 16-07-00554 а, 16-37-00110 мол_а);

2) программы Президиума РАН «Фундаментальные проблемы математического моделирования»;

3) программы № 43 Президиума РАН;

4) междисциплинарного интеграционного проекта № 74 СО РАН;

5) проекта № 1.4 программы ИНЦ СО РАН;

6) проекта «Моделирование загрязнения атмосферы г. Улан-Батора в зависимости от выбросов промышленных предприятий и автотранспорта, создание программного комплекса на основе ГИС-технологий».

При выполнении диссертационной работы, получены свидетельства (ФИПС) о государственной регистрации программы для ЭВМ: «Программная система нечеткого поиска объектов на растровых изображениях» № 2014616587 от 27.06.2014 [20], «Интерпретатор языка пространственных запросов БОРЬ» № 2016663524 от 12.12.2016 [21].

«Программная система нечеткого поиска объектов на растровых изображениях» используется при проведения научных исследований в лаборатории картографии, геоинформатики и дистанционных методов Федерального государственного бюджетного учреждения науки института географии им. В.Б.Сочавы Сибирского отделения Российской академии наук.

Результаты диссертационной работы использовались при проведении инвентаризации источников загрязнения по спутниковому снимку г. Улан-Батор в рамках совместного проекта с учреждениями академии наук Монголии «Моделирование загрязнения атмосферы г. Улан-Батора в зависимости от выбросов промышленных предприятий и автотранспорта, создание программного комплекса на основе ГИС-технологий» и междисциплинарного интеграционного проекта № 74 СО РАН. Полученные результаты использовались для выработки рекомендаций администрации г. Улан-Батор по уменьшению антропогенного загрязнения воздуха. Программная система применялась в задаче актуализации цифрового топографического плана (ЦТП) города Иркутска на основе космоснимка. Применение разработанного метода позволило сократить время работы пользователей и поставить на учет градостроительные объекты города.

Результаты диссертационной работы также используются в учебном процессе на кафедре «Информационных технологий» Института математики/ экономики и информатики Иркутского государственного университета (ИМЭИ ИГУ) в преподавании специальных курсов студентам 3-4 курсов дневного отделения.

Положения, выносимые на защиту.

1. Логические описания деформируемых моделей идентификации объектов на растровых изображениях.

2. Язык пространственных запросов БОРЬ для формирования логических описаний деформируемых моделей.

3. Метод идентификации объектов на растровых изображениях на основе логических описаний деформируемых моделей.

4. Программная система нечеткого поиска объектов на растровых изображениях.

Соответствие специальности. Диссертационная работа соответствует пунктам 3-5, 7 паспорта специальности 05.13.17 «Теоретические основы информатики»:

- п. 3. Исследование методов и разработка средств кодирования информации в виде данных. Принципы создания языков описания данных, языков манипулирования данными, языков запросов. Разработка и исследование моделей данных и новых принципов их проектирования;

- п. 4. Исследование и разработка средств представления знаний. Принципы создания языков представления знаний, в том числе для плохо структурированных предметных областей и слабоструктурированных задач; разработка интегрированных средств представления знаний, средств представления знаний, отражающих динамику процессов, концептуальных и семиотических моделей предметных областей;

- п. 5. Разработка и исследование моделей и алгоритмов анализа данных, обнаружение закономерностей в данных и их извлечение, разработка и исследование методов и алгоритмов анализа текста, устной речи и изображений;

- п. 7. Разработка методов распознавания образов, фильтрации, распознавания и синтеза изображений, решающих правил. Моделирование формирования эмпирического знания.

Достоверность полученных результатов. Теоретические аспекты развивают известные методы и алгоритмы. Достоверность результатов проведенных исследований подтверждается публикацией полученных результатов и решением практических задач.

Апробация результатов работы. Основные результаты диссертации докладывались и обсуждались на четырех международных, трех всероссийских и пяти региональных конференциях: III, IV Всероссийская конференция «Математическое моделирование и вычислительно-информационные технологии в междисциплинарных научных исследованиях» (г. Иркутск, 20132015 гг.); Ляпуновские чтения (г. Иркутск, 2013-2016 гг.); XXXVIII Дальневосточная Математическая Школа-Семинар имени академика Е.В. Золотова (г. Владивосток, 2014 г.); Шестая международная конференция «Системный анализ и информационные технологии» (г. Калининград, 2015 г.); III Российско-монгольская конференция молодых ученых по математическому моделированию, вычислительным технологиям и управлению (п. Ханх, Монголия, 2015 г.), конференция Современные информационные технологии для научных исследований в области наук о Земле (г. Южно-Сахалинск, 2016); 26-я международная конференция GraphiCon2016 (г. Нижний Новгород, 2016), XVII Всероссийская конференция молодых ученых по математическому моделированию и информационным технологиям (г. Новосибирск, 2016).

Личный вклад соискателя. Все выносимые на защиту результаты получены соискателем лично. В наиболее значимых работах [20-23], опубликованных в соавторстве, лично соискателем разработаны:

1) язык пространственных запросов БОРЬ;

2) метод идентификации объектов на растровых изображениях на основе логических описаний деформируемых моделей;

3) программная система нечеткого поиска объектов на растровых изображениях.

Публикации. Научные результаты, в полном объеме отражающие содержание диссертации, опубликованы в 9 работах [20-28], включающих: 1

коллективную монографию; 2 статьи в изданиях из перечня ВАК; 2 свидетельства (ФИПС) о государственной регистрации программ для ЭВМ; 4 статьи, опубликованных в других изданиях.

Благодарности. Автор выражает глубокую благодарность научному руководителю академику И.В. Бычкову за руководство диссертационной работой и помощь в подготовке рукописи, к.т.н. Р.К. Фёдорову, д.т.н. Г.М. Ружникову за обсуждение, консультации и полезные замечания при выполнении и оформлении диссертационной работы.

Структура и объем диссертации. Диссертация состоит из: введения, 4 глав, приложения, заключения, списка сокращений и терминов, списка литературы из 76 наименований. Иллюстративный материал состоит из 53 рисунков и 2 таблиц. Общий объем диссертации составляет 133 страницы.

ГЛАВА 1. ОБЗОР МОДЕЛЕЙ, МЕТОДОВ И АЛГОРИТМОВ, ПРИМЕНЯЕМЫХ ДЛЯ ИДЕНТИФИКАЦИИ ОБЪЕКТОВ НА РАСТРОВЫХ ИЗОБРАЖЕНИЯХ

1.1. Содержательная постановка задачи идентификации объектов

Рассмотрим постановку задачи идентификации объектов в контексте теории распознавания образов. Для этого приведем ряд определений. Так понятие «образ» заимствовано от английского слова «pattern», которое имеет несколько вариантов перевода таких как: модель, образец, шаблон, характеристика и другие. В данной работе будем использовать понятие модель, подразумевая некоторое структурированное приближенное (частичное) описание реального объекта. Распознавание образов - это отнесение исходных данных к определенному классу с помощью выделения существенных признаков, характеризующих эти данные, из общей массы несущественных данных. В теории распознавания образов выделяют методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т.п. Ю.И. Журавлев определяет идентификацию как функцию отнесения некоторого объекта к одному из известных классов [29]. Приведем еще одно определение идентификации согласно ГОСТ 7.0-99 [30]: идентификация -установление тождества объектов на основе совпадения их признаков. На практике задача идентификации может иметь, например, следующие постановки:

- идентифицировать человека по отпечаткам пальцев;

- идентифицировать человека в базе данных фотографий или среди множества других присутствующих на фотографии;

- идентифицировать грузовые автомобили из общего потока;

- идентифицировать на космоснимке техногенные сооружения заданной формы.

В некоторых случаях задача идентификации предполагает указать местоположение объекта и признаки, по которым был идентифицирован

объект. Задачу идентификации в контексте данной работы можно сформулировать следующим образом: установить положение объектов, представленных на растровом изображении, тождественных образу (модели).

Основными проблемами, возникающими при решении задач идентификации объектов на растровых изображениях, являются:

1) формирование признаков, качество идентификации сильно зависит от того, насколько хорошо подобраны признаки для описания изображения [12];

2) необходимость в выполнении перебора большого количества вариантов, что требует больших вычислительных расчетов. Перебор позволяет обеспечить устойчивость к инвариантности изображения искомого объекта, шуму, сдвигу, повороту и масштабированию.

Рассмотрим существующие методы с точки зрения их применения для идентификации объектов по спецификации пользователя. Разработано большое количество методов идентификации объектов, основанных на обучении [2, 55, 75]. С одной стороны подобные системы довольно легко использовать для идентификации некоторых классов объектов. Для этого необходимо сформировать набор прецедентов и выполнить обучение. С другой стороны при идентификации объектов с определенной формой сложно сформировать полный набор прецедентов, представляющих все возможные изменения формы и положения объектов, с учетом изменения освещенности шума и т.п. Поэтому для идентификации объектов с определенной формой лучше предоставить пользователю возможность описать модель объект.

Для идентификации объектов широко используются методы, основанные на применении деформируемых моделей [31-33]. В этих методах пользователь может указать модель объекта с помощью множество точек, сплайнов, и т.д. Применение деформируемых моделей позволяет выбирать положение границ объектов не только на основе локальных характеристик, но и с учетом относительного пространственного расположения фрагментов. Соответствие положения объекта и деформируемой модели оценивается функцией энергии

[34]. Общим недостатком существующих методов в рамках деформируемых моделей является сложность задания модели идентифицируемого объекта.

Для описания идентифицируемых объектов пользователю необходим некоторый язык. Язык описания объекта должен позволять определять сложные комбинации признаков и покрывать широкий класс идентифицируемых объектов. Наиболее мощными и используемыми являются языки, основанные на логике первого порядка. При использовании таких языков необходим эффективный механизм интерпретации, другими словами поиска удовлетворяющей комбинации признаков [35]. Идентификация объектов, соответствующих логическому описанию, может быть неоднозначна из-за неоднозначности признаков на изображении, например расположение границ, подобие текстур, размытость объектов. Следовательно, требуется делать выбор между различными альтернативами положения объектов.

Далее рассмотрим работы российских и зарубежных авторов, которые разрабатывали логические методы идентификации объектов по заданному описанию на языке Пролог.

1.2. Логические методы идентификации объектов

Постановка задачи идентификации объектов на изображении при помощи логических методов по [36]. Пусть О - множество w = {м?1,..., wt}

идентифицируемых объектов, где w1,...,wt - признаки. Подмножество тс w -подмножество признаков объекта. Набор предикатов р1,...,рп - характеристики признаков объекта w и отношений между ними. Множество О разбивается на М классов (возможно пересекающихся): О = \^=1 Ок.

Логическим описанием объекта w является формула А(w), построенная на основе атомарных формул вида р1 (т), где w1,...,wt являются не связанными переменными. Задача идентификации формулируется следующим образом: найти такой объект w, который приводит формулу А( w) к истине.

В работе [36] исследуется возможность применения языка Пролог для решения задачи идентификации объекта. Авторы используют интерпретатор языка Пролог без каких-либо модификаций и работают с изображениями без предварительной обработки. Для того чтобы интерпретатор Пролога смог работать с изображением необходимо сформировать базу фактов. База фактов формируется из значений яркости пикселей изображения. Каждый факт задается предикатом вида p (x , y ), где -

^ V ^ ^ гe - 4 e _3ei - +ie,. +2ei+3ei + 4\ ^ ei-4ei-3ei-2ei-1eiei+1ei+2ei+3ei +4

описание цвета пикселя et, ( x, , y,) - координаты пикселя et. Такие имена

используются для уменьшения количества фактов с одинаковыми именами, это позволяет ускорить процедуру унификации предикатов. Идентифицируемый

объект описывается функцией вида f et,(X)],[e},(X,Yj) ,... , где et

является массивом значений яркости центрального и соседних пикселей в восьмисвязной окрестности с центром заданного координатами (X, ,Yi). Алгоритм идентификации объекта на изображении состоит в том, чтобы для каждого элемента [' e,,(X, ,Y,)] функции f выполнить унификацию предиката p (x , y ). Решением будет список result, содержащий пары

гei - 4 ei - 3ei - 2ei-ieiei+iei + 2ei+3ei + 4\ 1'SiJ J^ , f

(x, X,),(y,Y), которые определяют положение идентифицируемого объекта на

изображении. Пары добавляются в список во время унификации предикатов, если выполняются условия проверки на возможность включения пары в список. Суть проверки заключается в том, чтобы список пар не содержал повторений. На рисунке 1 представлен результат идентификации объекта методом [36].

Недостатком метода является вычислительная сложность. Для ее уменьшения предлагается два метода:

1) использовать исходное изображение с меньшим разрешением для уменьшения пространства перебора;

2) добавить шум к исходному изображению с целью сокращения числа пикселей с одинаковым описанием (однородные области).

Рис. 1. Результат идентификации объекта: слева - объект; справа - исходное изображение с выделенным положением объекта

В статьях [37, 38] рассмотрен логический подход, в котором заранее формирование базы фактов не происходит. Значения переменных вычисляются с помощью встроенных предикатов в процессе логического вывода. Для этого с каждым встроенным предикатом связана функция обработки изображения (обнаружения ребер, детектирования углов, выделения контура). Алгоритм идентификации состоит из трех этапов:

1) выделения низкоуровневой информации (бинаризация изображения, выделение прямолинейных сегментов, обнаружение ребер);

2) выделения высокоуровневой информации (обнаружение контуров, отдельных частей объекта);

3) идентификации объекта.

На рисунке 2 представлен результат идентификации различных частей автомобиля. Так же авторы предлагают учитывать информацию, полученную на первых этапах идентификации на следующих. Например, часть объекта не может располагаться вне контура объекта.

В работах [39-41] авторы предлагают логическую модель объекта, которая содержит описание частей объекта и их отношений. Части объекта представлены тремя графическими примитивами: точка, сегмент, поверхность. Описания объектов строятся, исходя из взаимного расположения графических примитивов. Например, две точки образуют сегмент, три и более смежных

замкнутых сегмента формируют поверхность. Предложенный подход позволяет создавать описания объектов, инвариантных к расположению объекта на изображении. Помимо этого авторы предлагают использовать ограничения на взаимное расположение графических примитивов: параллельность двух сегментов, расстояние между двумя сегментами, угол между двумя сегментами.

Рис. 2. Результат идентификации различных частей автомобиля В статье авторы не акцентируют внимание на извлечении признаков из изображения. Авторы подчеркивают важность использования ограничений на взаимное расположение графических примитивов. Ограничения позволяют сократить пространства перебора возможных положений идентифицируемого объекта. Однако для этого необходимо решить задачу удовлетворения ограничений (УО) [42], которая требует к себе особого внимания, так как затраты на ее решение компенсируются за счет уменьшения времени, необходимого на решение задачи идентификации. Авторы предлагают способ уменьшения времени требуемого для решения задачи УО, на основе сортировки ограничений. После сортировки ограничения упорядочиваются по возрастанию размерности доменов входящих в них переменных. Решение задачи УО начинается с ограничений, имеющих наименьшую размерность доменов значений переменных. Также авторы предлагают решать задачу УО в процессе логического вывода. Начиная с унификации первого предиката в теле правила, предлагается на основе ограничений определять возможные значения доменов переменных для последующих предикатов и применять низкоуровневые операторы обработки изображения такие, как детектор ребер,

краев, углов, для извлечения признаков, тем самым сокращая область перебора с учетом этой информации. Дополнительно авторы предлагают запускать алгоритм идентификации с определенных мест на изображении. В качестве таких мест используются области с однородной текстурой. Использование априорной информации и решение задачи УО позволяет сократить время работы алгоритма идентификации.

В работе [43] идентифицируемый объект представлен описанием образующих его частей и их взаимным расположением. Обнаружение частей происходит независимо друг от друга. Задача идентификации сводится к тому, чтобы найти часть признаков, необходимых для заключения факта о наличии объекта. Для организации более эффективного поиска авторы [43] применили теорию решеток. В соответствии с теорией решеток они реализовали алгоритм идентификации в виде голосования двух агентов. Первый агент должен доказать наличие объекта, а другой - опровергнуть. Каждый из них приводит факты (обнаруженные части объекта или их отсутствие) в свою пользу, при этом факты имеют вес. На основании взвешенных фактов подсчитываются оценки, подтверждающие тот или иной вывод. Далее происходит сравнение двух оценок (P, N), где P е [0;1] - нормированная сумма аргументов в пользу

наличия объекта, N е [0;1] - нормированная сумма аргументов против наличия

Список литературы диссертационного исследования кандидат наук Авраменко, Юрий Владимирович, 2017 год

СПИСОК ЛИТЕРАТУРЫ

1. Yari D. Automatic reconstruction of regular buildings using a shape-based balloon snake model / D. Yari, M. Mokhtarzade, H. Ebadi, S. Ahmadi // Photogrammetric Record - 2014. - Vol. 29 - № 146 - P.187-205.

2. Erener A. Classification method, spectral diversity, band combination and accuracy assessment evaluation for urban feature detection / A. Erener // International Journal of Applied Earth Observation and Geoinformation - 2012. - Vol. 21 - № 1 -P.397-408.

3. Zhao L. Building detection from urban SAR image using building characteristics and contextual information / L. Zhao, X. Zhou, G. Kuang // EURASIP Journal on Advances in Signal Processing - 2013. - Vol. 1 - № 1 - P.1-16.

4. Ferryman J. Robust abandoned object detection integrating wide area visual surveillance and social context / J. Ferryman, D. Hogg, J. Sochman [et al.] // Pattern Recognition Letters - 2013. - Vol. 34 - № 7 - P.789-798.

5. OpenCV [Электронный ресурс]. URL: http://opencv.org (дата обращения 01.06.2017).

6. SimpleCV [Электронный ресурс]. URL: http://simplecv.org (дата обращения 01.06.2017).

7. Camellia Image Processing & Computer Vision library [Электронный ресурс]. URL: http://camellia.sourceforge.net (дата обращения 01.06.2017).

8. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс -М: Техносфера, 2005.- 1072c.

9. Горелик А.Л. Методы распознавания / А.Л. Горелик, В.А. Скрипкин -М: Высшая школа, 1984.- 208c.

10. Сойфер В.А. Компьютерная обработка изображений Часть 1. Математические модели / В.А. Сойфер // Соросовский образовательный журнал - 1996. - Т. 2 - С.118-124.

11. Сойфер В.А. Компьютерная обработка изображений Часть 2. Методы и алгоритмы / В.А. Сойфер // Соросовский образовательный журнал - 1996. -

Т. 3 - № 2 - С.110-121.

12. Сойфер В.А. Методы компьютерной обработки изображений / В.А. Сойфер, М.В. Гашников, Н.И. Глумов [и др.] - М: Физматлит, 2001.-784с.

13. Журавлёв Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации / Ю.И. Журавлёв // Проблемы кибернетики -1978. - № 33 - С.5-68.

14. Попов Э.В. Справочник искусственный интеллект книга 1. Системы общения и экспертные системы / Э.В. Попов - М: Радио и связь, 1990.- 464с.

15. Поспелов Д.А. Справочник искусственный интеллект книга 2. Модели и методы / Д.А. Поспелов - М: Радио и связь, 1990.- 304с.

16. Захаров В.Н.Справочник искусственный интеллект книга 3. Программные и аппаратные средства / В.Н. Захаров, В.Ф. Хорошевский - М: Радио и связь, 1990.- 364с.

17. Гренандер У. Лекции по теории образов. Синтез образов / У. Гренандер -М: Мир, 1978.- 382с.

18. Гренандер У. Лекции по теории образов: Анализ образов / У. Гренандер -М: Мир, 1981.- 448с.

19. Гренандер У. Лекции по теории образов: Регулярные структуры / У. Гренандер - М: Мир, 1983.- 432с.

20. Авраменко Ю.В. Программная система нечёткого поиска объектов на растровых изображениях / Ю.В. Авраменко, Р.К. Фёдоров, И.В. Бычков, Г.М. Ружников // Свидетельство о государственной регистрации программ для ЭВМ №2014616587 М.: Федеральная служба по интеллектуальной собственности, патентам и товарным знакам - 2014.

21. Авраменко Ю.В. Интерпретатор языка пространственных запросов SOQL / Ю.В. Авраменко, Р.К. Фёдоров, И.В. Бычков, Г.М. Ружников // Свидетельство о государственной регистрации программ для ЭВМ №2016663524 М.: Федеральная служба по интеллектуальной собственности, патентам и товарным знакам - 2016.

22. Авраменко Ю.В. Интерпретатор языка SOQL для обработки растровых изображений / Ю.В. Авраменко, И.В. Бычков, Р.К. Фёдоров, Г.М. Ружников // Вычислительные технологии - 2016. - Т. 21 - № 1 - С.49-59.

23. Авраменко Ю.В. WPS-сервисы обработки данных дистанционного зондирования Земли / Ю.В. Авраменко, Р.К. Фёдоров // Вестник Бурятского государственного университета - 2014. - Т. 9 - № 1 - С. 12-15.

24. Бычков И.В. Инфраструктура информационных ресурсов и технологии создания информационо-аналитических систем территориального управления / И.В. Бычков, Г.М. Ружников, Р.К. Фёдоров, Ю.В. Авраменко [и др.]-Новосибирск: Издательство СО РАН, 2016.- 242с.

25. Авраменко Ю.В. Алгоритмы повышения эффективности логического метода идентификации объектов / Ю.В. Авраменко, Р.К. Фёдоров // Graphicon2016 Труды международной научной конференции (г. Нижний Новгород, 19-23 сентября 2016 г.). - 2016. - С.105-109.

26. Авраменко Ю.В. Реализация предиката для учета текстурных и спектральных признаков при распознавании объектов / Ю.В. Авраменко, Р.К. Фёдоров // Вестник Бурятского государственного университета - 2015. -Т. 3 - С. 16-21.

27. Авраменко Ю.В. Применение текстурных и спектральных признаков в логико-структурном методе распознавания объектов / Ю.В. Авраменко, Р.К. Фёдоров // САИТ-2015 Труды конференции (г. Светлогорск, 15-20 июня 2015 г.). - 2015. - С.249-253.

28. Авраменко Ю.В. Распознавание объектов на растровых изображениях на основе Mif шаблона / Ю.В. Авраменко, Р.К. Фёдоров // XXXVIII Дальневосточная Математическая школа-семинар имени академика Е.В. Золотова Сборник материалов (г. Владивосток, 1-5 сентября 2014 г.). -Владивосток. - 2014. - С.365-368.

29. Журавлёв Ю.И. Распознавание образов и распознавание изображений / Ю.И. Журавлёв, И.Б. Гуревич // Распознавание, классификация, прогноз -1989. - Т. 2 - С.5-73.

30. ГОСТ 7.0-99 Информационно-библиотечная деятельность, библиография Термины и определения (Система стандартов по информации, библиотечному и издательскому делу) - 1999. - 23с.

31. Kass M. Snakes: Active contour models / M. Kass, A. Witkin, D. Terzopoulos // International Journal of Computer Vision - 1988. - Vol. 1 - № 4 - P.321-331.

32. Terzopoulost D. Elastically Deformable Models / D. Terzopoulost, J. Platt, K. Fleischert // Computer Graphics - 1987. - Vol. 21 - № 4 - P.205-214.

33. Amini A.A. Using Dynamic Programming for Solving Variational Problems in Vision / A.A. Amini, T.E. Weymouth, R.C. Jain // IEEE Trans. Pattern Anal. Mach. Intell. - 1990. - Vol. 12 - № 9 - P.855-867.

34. Sperling G. Binocular vision: a physical and a neural theory / G. Sperling // American Psychological Association - 1970. - Vol. 83 - № 1 - P.461-534.

35. Nazif A.M. Low Level Image Segmentation: An Expert System / A.M. Nazif, M.D. Levine // IEEE Transactions on Pattern Analysis and Machine Intelligence -1984. - Vol. 6 - № 5 - P.555-577.

36. Косовская Т.М. Использование языков семейства Prolog для распознавания изоб- ражений / Т.М. Косовская, М.А. Власова // Тр. СПИИРАН - 2013. -№ 25 - С.277-293.

37. Bell B. Contour tracking and corner detection in a logic programming environment / B. Bell, L.F. Pau // Pattern Analysis and Machine Intelligence - 1990. - Vol. 12 - № 9 - P.913-917.

38. Bell B. Context knowledge and search control issues in object-oriented Prolog-based image understanding / B. Bell, L.F. Pau // Pattern Recognition Letters -1992. - Vol. 13 - № April - P.279-290.

39. Kolbe T.H. Using Constraints for the Identification of Buildings in Aerial Images / T.H. Kolbe, L. Plumer, A.B. Cremers // Procedings of the 2nd International Conference on the Practical Application of Constraint Technology - 1996. - P.1-12.

40. Gavanelli G. Extending CLP(FD) with Interactive Data Acquisition for 3D Visual Object Recognition / G. Gavanelli, E. Lamma, P. Mello [et al.] // Proceedings of the PACLP99 - 1999. - P. 137-155.

41. Poole D.L. Artificial Intelligence - Foundations of Computational Agents / D.L. Poole, A.K. Mackworth - NY: Cambridge University Press, 2010.- 661p.

42. Щербина О.А. Удовлетворение ограничений и программирование в ограничениях / О.А. Щербина // Интеллектуальные системы - 2013. - Т. 15 -№ 1-4 - P.53-170.

43. Shet V. Predicate logic based image grammars for complex pattern recognition / V. Shet, M. Singh, C. Bahlmann [et al.] // International Journal of Computer Vision -2011. - Vol. 93 - № 2 - P.141-161.

44. Munoz-Velasco E. A logic framework for reasoning with movement based on fuzzy qualitative representation / E. Munoz-Velasco, A. Burrieza, M. Ojeda-Aciego // Fuzzy Sets and Systems - 2014. - Vol. 242 - P. 114-131.

45. Хоггер К. Введение в логическое программирование / К. Хоггер - М: Мир, 1988.- 348c.

46. Братко И. Программирование на языке Пролог для искуственного интеллекта / И. Братко - М: Мир, 1990.- 559c.

47. Colmerauer A. An Introduction to Prolog III / A. Colmerauer - NY: ACM, 2001.- 52p.

48. Дегтярева А.А. Деформируемые модели в задаче локализации объекта на изображении, 2007. - 11-16с.

49. Williams D.J. A Fast algorithm for active contours and curvature estimation / D.J. Williams, M. Shah // CVGIP: Image Understanding - 1992. - Vol. 55 - № 1 -P.14-26.

50. Ganebnykh S.N. Metric classifier using multilevel network of templates / S.N. Ganebnykh, M.M. Lange, D.Y. Stepanov // Pattern Recognition and Image Analysis - 2012. - Vol. 22 - № 2 - P.265-277.

51. Cootes T.F. Active Shape Models-Their Training and Application / T.F. Cootes, C.J. Taylor, D.H. Cooper, J. Graham // Computer vision and image understanding -1995. - Т. 61 - № 1 - P.38-59.

52. Zadeh L.A. Fuzzy Sets / L.A. Zadeh // Information and Control - 1965. - Vol. 8 -P.338-353.

53. Кофман А. Введение В Теорию Нечетких Множеств / А. Кофман -М: Радио и связь, 1982.- 432c.

54. Zadeh L.A. Knowledge representation in fuzzy logic / L.A. Zadeh // IEEE Transactions on Knowledge and Data Engineering - 1989. - Vol. 1 - № 1 -P.89-100.

55. Schockaert S. Spatial reasoning in a fuzzy region connection calculus / S. Schockaert, M.De Cock, E.E. Kerre // Artificial Intelligence - 2009. - Vol. 173 -№ 2 - P.258-298.

56. Полторак В.П. Система распознавания образов на базе нечеткого нейронного классификатора / В.П. Полторак, Я.Ю. Дорогой // Автоматика. Автоматизация. Электротехнические комплексы и системы - 2007. - № 1(19) -С.66-74.

57. Яне Б. Цифровая обработка изображений / Б. Яне - М: Техносфера, 2007.-583c.

58. Haralick R.M. Image_Texture_Survey_faugeras.pdf / R.M. Haralick // Fundamentals in Computer Vision - 1983. - P. 145-172.

59. Eleyan A. Co-occurrence matrix and its statistical features as a new approach for face recognition / A. Eleyan, H. Demirel // Turk J. Elec. Eng. & Comp. Sci. - 2011. -Vol. 19 - № 1 - P.97-107.

60. Vivek C. A statistical approach of texton based texture classification using LPboosting classifier / C. Vivek, S. Audithan // Research Journal of Applied Sciences, Engineering and Technology - 2014. - Vol. 7 - № 19 - P.4088-4094.

61. Paget R. Texture classification using nonparametric Markov random fields / R. Paget, I.D. Longstaff, B. Lovell // Proceedings of 13th International Conference on Digital Signal Processing - 1997. - Vol. 1 - P.1-116.

62. Ojala T. A comparative study of texture measures with classification based on featured distributions / T. Ojala, M. Pietikainen, D. Harwood // Pattern Recognition -1996. - Vol. 29 - № 1 - P.51-59.

63. Wang L. Texture classification using texture spectrum / L. Wang, D. He // Pattern Recognition - 1990. - Vol. 23 - № 8 - P.905-910.

64. Zhong B. Texture and Motion Pattern Fusion for Background Subtraction / B. Zhong, X. Hong, H. Yao [et al.]. // Proceedings of the 11th Joint Conference on Information Sciences (JCIS) - 2008. - P.1-7.

65. Vapnik V.N. The Nature of Statistical Learning Theory / V.N. Vapnik -NY: Springer, 2000.- 324p.

66. Joachims T. Making Large-Scale SVM Learning Practical / T. Joachims, U. Dortmund, T. Joachimscsuni-dortmundde // Advances in Kernel Methods -Support Vector Learning - 1999. - P.41-56.

67. Борзов С.М. Комплексная обработка гиперспектральных изображений на основе спектральной и пространственной информации / С.М. Борзов, И.А. Пестунов, О.И. Потатуркин [и др.] // Вычислительнные технологии - 2016.

- Т. 21 - № 1 - С.25-39.

68. Doig A.G. An automatic method for solving discrete programming problems / A.G. Doig, H. Bya, A. Land // Econometrica - 1960. - Vol. 28 - № 3 - P.497-520.

69. Hart P.E. Correction to "A formal basis for the heuristic determination of minimum cost paths" / P.E. Hart // Newsletter - 1971. - Vol. 37 - P.28-29.

70. Harris C. A Combined Corner and Edge Detector / C. Harris, M. Stephens // Procedings of the Alvey Vision Conference 1988 - 1988. - P.147-151.

71. Russell S.J. Artificial Intelligence: A Modern Approach / S.J. Russell, P. Norvig

- NJ: Prentice Hall, 1995.- 932p.

72. Joachims T. SVMlight Support Vector Machine [Электронный ресурс]. URL: http://svmlight.joachims.org (дата обращения 01.06.2017).

73. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH / А.В. Леоненков - Санкт-Петербург: БХВ Петербург 2005.- 723c.

74. Mdakane L. Extended Local Binary Patterns Features for Improving Settlement Type Clas- sification of QuickBird Imagery / L. Mdakane - 2012. - P.1-7.

75. Brodatz P. Textures: a photographic album for artists and designers / P. Brodatz -NY: Dover publication, Inc, 1966.- 128p.

76. Маннинг К.Д. Введение в информационный поиск / К.Д. Маннинг, П. Рагхаван, Х. Шютце - Москва: Вильямс, 2011.- 528c.

ПРИЛОЖЕНИЕ 1. СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ