Методы и инструментальные средства решения задач сжатия, распознавания и поиска изображений по содержанию на основе дискретных отображений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Гора, Сергей Юрьевич

• Гора, Сергей Юрьевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Гора, Сергей Юрьевич

СОДЕРЖАНИЕ

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1 АНАЛИТИЧЕСКИЙ ОБЗОР

1.1 Аналитический обзор методов распознавания

1.1.1 Основы распознавания образов

1.1.2 Сравнение с эталоном

1.1.3 Статистический метод

1.1.4 Синтаксический метод

1.1.5 Нейронные сети

1.2 Алгоритмы сжатия изображений

1.2.1 Кодирование длин серий (RLE)

1.2.2 LZ Compressors

1.2.3 Метод Хаффмана

1.2.4 Deflate

1.2.5 CCITT Group 3 and Group 4

1.2.6 Lempel-Ziv-Welch (LZW)

1.2.7 JPEG

1.2.8 JPEG 2000

1.2.9 PNG compression

1.2.10 Фрактальное сжатие

1.3 Введение в понятие поиска изображения по содержанию (Content-based image retrieval (CBIR))

1.3.1 Свойства изображений и методы сравнения

1.3.1.1 Общие признаки

1.3.1.1.1 Цветовые признаки

1.3.1.1.2 Цветовые признаки и пространственная взаимосвязь

1.3.1.1.3 Текстурные особенности

1.3.1.1.4 Фигурные особенности

1.3.1.1.5 Многомерные особенности

1.3.2 Локальные особенности

1А Сущность предлагаемого подхода

1.5 Основные результаты

2 МЕТОД И АЛГОРИТМИЧЕСКИЕ СРЕДСТВА РЕАЛИЗАЦИИ ПРОЦЕССА ПОИСКА ПО СОДЕРЖАНИЮ

2.1 Алгоритмы поиска изображений по содержанию

2.1.1 Алгоритм SIFT

2.1.1.1 Введение

2.1.1.2 Построение пространства масштабов

2.1.1.3 Построение локальных экстремумов

2.1.1.4 Нахождение ориентации

2.1.1.5 Построение дескриптора

2.1.2 Алгоритм SURF

2.1.2.1 Интегральное представление изображений

2.1.2.2 Вычисление матрицы Гессе

2.1.2.3 Представление пространства масштабов

2.1.2.4 Подавление немаксимумов для локализации ключевой точки

2.1.2.5 Построение описание ключевой точки и сопоставление

2.1.2.6 Определение ориентации ключевой точки

2.1.2.7 Построение дескриптора

2.1.2.8 Индексирование ключевых точек для сопоставления

2.2 Концепция фрактальной размерности и исследование ее влияния на параметры сжатия изображений

2.3 Теория хаоса

2.4 Метод сжатия изображений

2.5 Метод распознавания изображений

2.6 Метод поиска изображений по содержанию

2.7 Основные результаты

3 РАЗРАБОТКА АЛГОРИТМИЧЕСКИХ СРЕДСТВ РЕШЕНИЯ ЗАДАЧ С ИСПОЛЬЗОВАНИЕМ МЕХАНИЗМОВ ТЕОРИИ ХАОТИЧЕСКИХ СИСТЕМ

3.1 Общие понятия теории алгоритмов

3.2 Общее описание алгоритмической модели

3.3 Алгоритмическая модель хаотического преобразования изображений

3.3.1 Генерация числового хаотического ряда

3.3.2 Представление изображение в виде одномерного массива

3.3.3 Хаотическое рассеивание изображения

3.3.4 Восстановление двумерного представления изображения

3.3.5 Восстановление изображения из ХПИ

3.4 Алгоритмическая модель предлагаемого метода распознавания

3.5 Алгоритмическая модель метода сжатия и восстановления изображений86

3.5.1 Сжатие изображений

3.5.2 Восстановление изображений

3.6 Алгоритмическая модель поиска изображений по содержанию

3.6.1 Алгоритмическая модель выделения образов

3.6.2 Алгоритмическая модель контурного поиска

3.7 Основные результаты

4 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТАННЫХ СРЕДСТВ РЕШЕНИЯ ЗАДАЧ СЖАТИЯ, РАСПОЗНАВАНИЯ И ПОИСКА ПО СОДЕРЖАНИЮ

4.1 Подготовка к эксперименту

4.2 Исследование устойчивости модуля распознавания

4.3 Исследование модуля сжатия изображений

4.3.1 Определение порога коррекции

4.3.2 Исследование алгоритма сжатия

4.4 Исследование модуля поиска изображений на основе содержания

4.5 Выводы

4.6 Основные результаты

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЯ

?

Введение диссертации (часть автореферата) на тему «Методы и инструментальные средства решения задач сжатия, распознавания и поиска изображений по содержанию на основе дискретных отображений»

ВВЕДЕНИЕ

Актуальность работы. Стремительное развитие вычислительной техники, развитие сети Интернет и появление относительно недорогих устройств создания графических данных, применяемых в технических системах: картография, системы дистанционного зондирования, медицинская графика, дизайн, компьютерное зрение и т.д. - привели к появлению баз данных, содержащих в себе большой объем информации, представленной в графических форматах. Следствием этого обстоятельства явилось увеличение нагрузки на каналы связи. В связи с чем актуализировалась задача разработки методов и средств обработки графической информации таких, как распознавание, автоматизированный поиск и сжатие графических данных.

Распознавание образов (pattern recognition) в основном применяется для решения широкого спектра прикладных задач в технических системах автоматизации рутинных операций умственного труда: идентификация личности по отпечаткам пальцев, изображению радужной оболочки глаза, ушной раковины и т.д.; машинное распознавание рукописных символов; в системах автоматизированного анализа качества выпускаемой продукции; анализ ДНК; идентификация летательных аппаратов по их изображению и т.д.

Поиск изображений по содержимому (CBIR - Content-based image retrieval) применяется, прежде всего, для нахождения изображений в больших каталогах графических файлов таких, как: опНпе-каталоги магазинов; личные коллекции фотографий; картография; полиграфия; медицинские изображения, например, каталоги рентгеновских снимков, УЗИ и т.д.

Помимо распознавания и поиска, все данные, представленные в цифровом формате, необходимо хранить и передавать по каналам связи. По статистике, представленной компанией Google, при просмотре сайтов, примерно 60-70% трафика составляют изображения, поэтому сжатие данных (data compression) является так же важной практической и коммерческой задачей.

За последние 20 лет были разработаны многочисленные и разнообразные алгоритмы как для распознавания, так и сжатия данных или поиска изображений по содержимому с использованием разных концепций и математических методов, что создает сложную проблему выбора эффективных алгоритмов для решения той или иной практически значимой задачи. В этих условиях обработка информации в интересах сокращения затрат времени и памяти является актуальной задачей по созданию унифицированных методов и инструментальных средств, позволяющих решать не отдельные задачи, а классы разных задач обработки изображений в рамках единого подхода и инструментальных средств, например, задач распознавания образов, сжатия данных и поиска графических файлов по содержимому.

Степень разработанности темы

Значительный вклад в развитие соответствующих методов и алгоритмов распознавания, сжатия и поиска изображений внесли работы отечественных и зарубежных ученых:

1. К наиболее значимым работам в области распознавания образов следует отнести труды следующих ученых: Ю.И. Журавлева, Б.А. Алпатова, А.И. Галушкина, Я.А.Фурмана, A.JI. Горелика, B.C. Михалевича, B.C. Пугачева, G.Nagy, L.N. Kanal, К. Fukunaga, R.O. Duda, P.E. Hart, К. Фу, J. Kittler, L. Gyorfi, G.Lugosi, C.M. Bishop, B. Ripley и др.

2. Важный вклад в основы сжатия цифровых изображений внесли: Д.С. Ватолин, И.И. Исмагилов, H.H. Пономаренко, C.B. Умняшкин, D.A. Huffman, N. Ahmed, K.R. Rao, I. Daubechies, R.C. Gonzalez, M.W. Marcellín и др.

3. Изучением проблемы поиска изображений по содержанию занимались следующие ученые: А. Белков, А. Дольник, И. Марков, Т, Kato, F. Long, H. Zhang,V. Broek, D. Feng, R. С. Veitkamp, Y. Rai,, S.-F. Chang, T. Kok и др.

4. Исследованиями в области динамического хаоса посвятили свои труды А.Н. Колмогоров, В. И. Арнольд, JÏ.O. Чжуа, Ю. К. Мозер, H.H. Залогин, Р.В. Беляев, A.C. Дмитриев, А.И. Панас, Э.Н. Лоренц, Ж.А. Пуанкаре и др.

В настоящее время ведутся исследования, направленные на разработку алгоритмов распознавания образов, продолжается поиск методов и алгоритмов решения задач сжатия графических данных. Поиск изображений по содержанию — относительно новая область применения компьютерного зрения, получившая свое развитие в начале 90-х годов прошлого века. До появления методов автоматизированного извлечения изображений из баз данных по содержанию поисковые алгоритмы использовали текстовые аннотации.

Важно отметить, что при анализе зарубежной и отечественной литературы, автором не было выявлено наличие таких методов для решения трех задач (сжатия, поиска и распознавания), которые приемлемы при существующих ограничениях для эффективного решения этого класса разных задач с использованием новых форм представления хаотически рассеянных пикселей изображений и механизмов обработки данных. В рамках предлагаемого нами подхода используются достижения теории хаотических систем в виде известных дискретных отображений.

Сущность предлагаемого подхода и сопряженной с ним основной решаемой задачи данного диссертационного исследования заключается в создании новых форм представления изображений в виде хаотически рассеянных пикселей (хаотическая тасовка пикселей) и незаимствованных методов и инструментальных средств их обработки, восстановления и коррекции для решения задач сжатия, распознавания и поиска по содержанию.

Работа выполнялась в рамках основных научных направлений Курского государственного университета, НИР и в рамках государственного задания ВУЗа по теме: «Методы и гибкая алгоритмическая система решения задач защиты, сжатия и классификации информации с использованием механизмов теории хаотических систем».

Цель диссертации заключается в разработке единого подхода, основанного на применении известных дискретных отображений для формирования хаотически рассеянных исходных изображений путем использовании этих новых форм представления графических данных для разработки методов и алгоритмов

решения задач распознавания, сжатия, поиска по содержанию, а также в осуществлении экспериментальных исследований, разработанных алгоритмов по показателям затрат времени и другим квалиметрическим характеристикам для сопоставления с существующими аналогами.

Для достижения поставленной цели необходимо решить следующие основные задачи:

- сопоставительный анализ существующих методов распознавания, сжатия и поиска изображений по содержанию;

- создание единого подхода на основе дискретных отображений к решению задач распознавания, сжатия и поиска изображений по содержанию, включающего в себя:

• системный анализ особенностей изображений, разработку и исследование метода и алгоритмической модели процесса сжатия изображений;

• разработку и исследование метода и алгоритмической модели процесса распознавания изображений;

• разработку и исследование метода и алгоритмической модели процесса поиска изображений по содержанию (search images by content);

- экспериментальные исследования эффективности разработанных схем алгоритмов.

Научная новизна диссертации заключается в том, что в рамках единого подхода, основанного на хаотически рассеянных формах представления графических данных путем использования известных дискретных отображений, были разработаны и исследованы: метод и алгоритмическая модель процесса сжатия изображений, позволяющие удалить часть изображения с последующим восстановлением и коррекцией; метод и алгоритмическая модель процесса распознавания изображений, основанных на сопоставлении с эталоном, в данном методе, благодаря хаотическому рассеянию пикселей изображений, осуществляется анализ не всего изображения, а его части, что существенно сокращает затраты времени; метод и алгоритмическая модель процесса поиска

изображений по содержанию, позволяющие снизить до трех раз затраты времени на реализацию СВГО.-поиска без ухудшения качественных характеристик по сравнению с уже существующими методами и алгоритмами.

Эффективность разработанных методов и алгоритмов подтверждена экспериментально.

Практическая значимость. Разработанные методы и инструментальные средства составили основу для решения трех задач обработки изображений: сжатия, распознавания и поиска изображений по содержимому могут быть использованы в системах обработки графических данных в различных приложениях. Результаты практического использования разработанных программных средств показали их эффективность и приемлемое качество при применении в компьютерных системах документооборота и рекомендуются к применению при управлении производствами и организациями, в технических системах управления доступом в специальные организации и сооружения и т.д.

Разработанные программные средства могут быть пригодны для непосредственного практического применения в процессах управления и принятия решений в судовых и корабельных системах визуализации и анализа окружающей обстановки, управлении промышленными роботами и других автономных технических системах. Программные продукты для поиска и распознавания образов зарегистрированы в Роспатенте и рекомендуются для применения в различных сферах обработки информации, например, для быстрого выявления несанкционированного доступа в помещения или в системах обработки фотоматериалов или других технических системах обработки биометрических графических данных для идентификации личности. Без существенных изменений программный продукт для сжатия изображений может быть использован для их криптографии в интересах предупреждения несанкционированного доступа к содержимому или перехвата в каналах связи. Полученные результаты имеют признаки новизны и на этом основании рекомендуются для использования в учебном процессе профильных вузов.

Методы исследования. Методы системного анализа, теории хаотических систем вычислительного эксперимента, математического моделирования и средств обработки изображений, распознавания образов и теории алгоритмов. Экспериментальные исследования проводились на общедоступных базах изображений и с использованием свободно распространяемого программного обеспечения.

Достоверность результатов, полученных в диссертационной работе, подтверждается корректным использованием математического аппарата и результатами экспериментальных исследований.

Реализация и внедрение. Основные теоретические результаты использовались в Курском государственном университете в рамках НИР «Методы и гибкая алгоритмическая система решения задач защиты, сжатия и классификации информации с использованием механизмов теории хаотических систем» (Регистрационный номер НИР 8.8045.2013, номер государственной регистрации НИР: 01201354534). Результаты работы внедрены в ЗАО «Автодор», ОГУП «Курскавтодор», используются в учебном процессе Курского государственного университета в составе курса «Экспертные системы. Базы знаний» при обучении студентов дневного отделения по направлению 010500 -"Математическое обеспечение и администрирование информационных систем", что подтверждается актами внедрения.

Апробация работы. Основные положения диссертации докладывались и обсуждались на следующих конференциях: 15-й Международной научно-технической конференции «Физические и компьютерные технологии» (Харьков -2009); Всероссийской конференции с элементами научной школы для молодежи «Проведение научных исследований в области обработки, хранения, передачи и защиты информации» (Ульяновск - 2009); Международной научно-практической конференции студентов и аспирантов «Математика и ее приложения в современной науке и практике» (Курск - 2011); 3-й Международной научно-технической конференции «Информационно-измерительные диагностические и управляющие системы. Диагностика 2013» (Курск - 2013); 10-й Международной

научно-практической конференции «Теория и практика современной науки» (Москва - 2013). Также фрагменты диссертации рассматривались на семинарах кафедры программного обеспечения и администрирования информационных систем факультета физики, математики и информатики Курского государственного университета в 2012-2013 гг.

Публикации. По теме диссертации опубликовано 12 работ, в том числе 3 в журналах рекомендованных ВАК. В федеральном государственном бюджетном учреждении «Федеральный институт промышленной собственности» получено три свидетельства (№ 2009612528 от 24.09.2009, №2013661589 от 11.12.2013, №2013661588 от 11.12.2013) о государственной регистрации программ для электронных вычислительных машин и баз данных. Личный вклад.

Механизм использования известных дискретных отображений для хаотического рассеяния пикселей изображения; метод и алгоритм сжатия изображений; метод и алгоритм распознавания образов; метод и алгоритм поиска изображений по содержанию; а также программные средства, используемые при экспериментальных исследованиях, разработаны лично диссертантом. Основные положения, выносимые на защиту.

Методы и алгоритмические модели (АМ) на основе хаотического рассеивания пикселей изображений с использованием дискретных отображений:

• Метод и АМ сжатия изображений, обеспечивающие дополнительное сжатие после использования известных алгоритмов компрессии;

• Метод и АМ распознавания изображений, отличающиеся использованием хаотически рассеянных форм представления изображений, обеспечивающих существенное сокращение затрат времени при массовой обработке и распознавании изображений;

• Метод и АМ поиска изображений по содержанию путем восстановления объектов поиска в изображениях, обеспечивающее сокращение затрат времени и памяти

Результаты экспериментальных исследований эффективности алгоритмов и программных средств.

Представленная диссертация соответствует паспорту специальности 05.13.01 преимущественно по пунктам 5, 10 и 12.

Структура и объем диссертации: Диссертация состоит из введения, четырех глав, заключения, списка литературы (167 источников) и приложений, изложенных на 195 страницах, содержит 71 рисунок и 3 таблицы. В приложениях приведены копии актов о внедрении, дипломов и исходные тексты программ, реализованных по разработанным алгоритмам.

Первая глава диссертации является обзорной. В ней приведен анализ существующих подходов, методов и алгоритмов к решению задач распознавания, сжатия и поиска изображений по содержанию. Рассмотрены преимущества и недостатки данных методов.

Прежде всего, необходимо отметить, что под термином «инструментальные средства», в данной работе понимаются алгоритмические схемы и программные средства решения поставленных задач.

Результаты анализа существующих методов и инструментальных средств дают основания для поиска новых подходов, методов и алгоритмов для решения задач распознавания изображений, их сжатия и поиска по содержимому с единых позиций.

Во второй главе дано математическое описание предлагаемого подхода, существующих методов поиска изображений по содержанию (SIFT и SURF), используемых для сопоставления разработанного алгоритма CBIR-поиска. Так же дано описания фрактальной размерности (ФР) и зависимости степени сжатия бинарных изображений от значений ФР. Приведено краткое описание теории хаотических систем и особенностей детерминировано-хаотических процессов

В третьей главе содержится алгоритмическое описание новых методов и алгоритмов решения задач сжатия, распознавания и поиска изображений по содержанию.

В четвертой главе приведены результаты экспериментальных исследований. Описаны среды программирования, используемые для создания программного обеспечения, реализующего разработанные методы, аппаратных средств, экспериментальных баз данных и методик проведения эксперимента.

В заключении сформулированы основные результаты диссертации.

1 АНАЛИТИЧЕСКИЙ ОБЗОР

1.1 Аналитический обзор методов распознавания 1.1.1 Основы распознавания образов

Существует множество определений понятия «распознавание образов» [13], в общем случае данный термин можно охарактеризовать как задачу классификации (категоризации), т.е. соотнесение некоторого объекта к определенному классу, на основе сведений об этом объекте.

Автоматизированная классификация (распознавание) является важной задачей для широкого спектра дисциплин, таких как: медицина, биология, машинное зрение, искусственный интеллект, дистанционный сбор данных и т.д. На сегодняшний день существует два основных подхода к классификации:

• Обучение £ учителем;

• Обучение без учителя.

Методы первой группы используют информацию о принадлежности образцов к определенной группе (классу или категории), чтобы соотнести новые, неизвестные образы к одному из имеющихся классов [4, 5]. Метод обучения с учителем, можно условно разделить на несколько этапов [4, 6]:

1. Создание наборов данных для обучения, калибровки и тестирования.

2. Выбор переменных. Т.е. параметров, содержащих информацию об объекте, на основе которой можно отнести анализируемый объект к тому или иному классу.

3. Создание модели с использованием обучающего множества. Математическая модель отражает зависимость между значениями выбранных переменных и принадлежностью объектов к определенным классам.

4. Проверка полученной модели с помощью независимого набора образцов, для оценки достоверности классификации.

Методы второй группы используют скрытые закономерности в классифицируемых объектах, позволяющие разделить исходные данные, имеющие значительное1 сходство, на кластеры (группы данных). Преопределенная информация о классах (кластерах) отсутствует.

На данный момент можно выделить четыре подхода к распознаванию образов [7, 8]:

• Сравнение с эталоном;

• Статистический подход;

• Синтаксическое и структурное распознавание;

• Нейронные сети.

Авторы, внесшие наиболее значимый вклад в развитие теории распознавания образов, отмечены во введении, но отдельно хотелось бы остановиться на работах доктора физико-математических наук, академика РАН Журавлева Юрия Ивановича [2, 9, 10]. Журавлев И.Ю. является создателем новых направлений в науке: теории локальных алгоритмов оптимизации [9], алгоритмов вычисления оценок [11], алгебраической теории алгоритмов [2, 11-14]. А так же работах Бориса Алексеевича Алпатова - доктора технических наук, профессора, внесшего значительный вклад в разработку методов и алгоритмов оценки параметров динамических изображений [15-18]. Научная школа под руководством Б.А. Алпатова неоднократно признавалась ведущей научной школой РФ. А самому Борису Алексеевич, за успехи в подготовке инженерных кадров и научно-исследовательскую работу, были присвоены почетные звания «Заслуженный работник высшей школы РФ» и «Почетный работник науки и техники РФ»

В связи с ростом вычислительной мощности и появлением недорогих ПЭВМ область распознавания образов стала столь обширной, что в данной работе мы вынуждены опустить детальное описание различных методов и алгоритмов, остановившись лишь на кратком описании четырех основных подходов.

1 Следует отметить что результаты, полученные с помощью методов обучения без учителя, являются субъективными и требуют интерпретации.

1.1.2 Сравнение с эталоном

Самый ранний и простой подход к распознаванию образов, основан на сравнении с шаблоном. Сопоставление является основной операцией в распознавании образов, используемой для выявления сходств у двух объектов одного типа. В данном методе образец или прототип распознаваемой конфигурации задан заранее. Опознаваемый образец сопоставляется с имеющимся шаблоном, принимаются во внимание допустимые искажения (изменение масштаба, поворот, сдвиг). В качестве степени сходства, чаще всего выбирается корреляция, которая может быть оптимизирована исходя из имеющегося обучающего набора. Строгое сравнение с эталоном имеет широкое применение в различных областях науки и техники. К основным недостаткам данного метода можно отнести его не инвариантность относительно искажений: изменение точки обзора, внесение помех видео и фотоаппаратурой и др. Все же стоит отметить, что деформацию [19] или растяжение [20] можно легко смоделировать, для увеличения схожести с сопоставляемыми объектами.

1.1.3 Статистический метод

В данном подходе каждый образец представляется в виде многозначных функций и может быть рассмотрен как точка в многомерном пространстве. Основная задача состоит в выборе особенностей, которые позволили бы образцам векторов располагаться компактно, занимая не пересекающиеся области в многомерном пространстве. В процессе обучения основной целью является создание решающего правила, которое могло бы однозначно разделять образцы, принадлежащие к различным классам.

При использовании статистического метода распознавания существуют два подхода к определению границ: теоретический и дискриминантный. В первом подходе границы определяются как распределение вероятностей к определенному классу образцов. Второй этап можно разделить на несколько шагов: на первом шаге осуществляется определение параметрической формы границы решения,

чаще всего линейной или квадратичной. На втором шаге принимается «лучшая» граница решения указанной формы, найденная на основе классификации обучающего множества. Прямые подходы к определению границ отражены в работах Вапника (Уартк) [7, 21] : «Если вы обладаете количеством информации, необходимой для решения какой-то проблемы, постарайтесь решить ее прямым путем и никогда не решайте более общие проблемы, как промежуточные на пути к решению основной. Возможно, доступной информации достаточно для решения прямой проблемы, но может быть недостаточно для решения более общей промежуточной».

1.1.4 Синтаксический метод

Исходя из определений, данных в работах [22, 23], синтаксическое (структурное) распознавание, это применение методов математической лингвистики к распознаванию образов. Т.е. структурное распознавание образов является формой распознавания, в которой каждый объект может быть представлен древовидным множеством структур, которые, в свою очередь, состоят из еще более простых подструктур - примитивов [22, 23]. Структуры представляются в виде предложений принадлежащих какому-то определенному языку, а примитивы являются алфавитом данного языка.

Данный подход позволяет описать структуру изображения, с учетом более сложных взаимосвязей между атрибутами, чем это возможно в случае описания с использованием числовых векторов фиксированной размерностью, которые используются в статистической классификации.

«Структурное распознавание образов привлекательно на интуитивном уровне уже потому, что в дополнение к классификации этот подход также обеспечивает описание того, каким образом данная структура построена из примитивов. Эта парадигма используется в ситуациях, когда у образов имеется определенная структура, которая может быть зафиксирована с точки зрения ряда правил, таких как волновые формы ЭКГ, текстурированные изображения, и анализ формы контуров» [7, 24]. Стоит так же отметить, что применение

синтаксического подхода, связано со многими трудностями, прежде всего, с сегментацией образцов с помехами (при обнаружении примитивов) и выводов грамматик из обучающих данных. В работе [22] автором вводятся специализированные грамматики, объединяющие синтаксические и статистические методы распознавание образов. Так же к недостаткам синтаксического подхода относится возможность появления, так называемого

л

комбинаторного взрыва вариантов, в случае использования больших обучающих множеств [23].

1.1.5 Нейронные сети

Самое первое определение искусственной нейронной сети (ИНС), было дано изобретателем первого нейрокомпьютера Робертом Хечт-Нильсоном (Robert Hecht-Nielsen) [24]: «вычислительная система, состоящая из ряда простых, тесно взаимосвязанных элементов обработки, которые обрабатывают информацию их динамическим состоянием в ответ на вводимые данные»

ИНС являются моделями обработки информации (реализуемые программно или аппаратно), подобными нейронным структурам головного мозга, но в гораздо меньших масштабах. В ИНС может быть сотни или тысячи процессорных блоков, в то время как мозг состоит из миллиардов нейронов. Нейронные сети, как правило, имеют многослойную структуру. Слои состоят из ряда взаимосвязанных узлов. Данные поступают в сеть через входной слой, который связывается с одним или несколькими скрытыми слоями, где осуществляется фактическая обработка, через систему взвешенных связей. Скрытые слои соединены с выходным слоем, в котором осуществляется формирование результата.

Основными отличиями нейронных сетей от других методов распознавания является их способность адаптироваться к данным, отражать сложные нелинейные отношения ввода-вывода и использовать последовательные методы обучения.

2 Комбинаторный взрыв - экспоненциальный рост числа вариантов или требуемых для решения задачи ресурсов при линейном увеличении размерности задачи.

Наиболее популярными ИНС для решения задач распознавания образов являются: самоорганизующаяся карта Кохонена [25] и нейронная сеть с прямой связью, включающая в себя многослойный персептрон и сеть радиальных базисных функций [26].

ИНС используют новые наборы нелинейных алгоритмов для выделения признаков (используя скрытые слои) и классификации (многоуровневые персептроны). Для эффективной реализации, выделение признаков и классификация могут быть реализованы на уровне аппаратного обеспечения3. Так же стоит отметить, что, несмотря на кажущиеся различия основополагающих принципов, модели известных на сегодняшний день нейронных сетей имеют сходство с классическими методами статистического распознавания [27, 28]. Схематично связь между статистическими и нейросетевыми методами, представлена на рисунке 1.1.

Список литературы диссертационного исследования кандидат наук Гора, Сергей Юрьевич, 2014 год

СПИСОК ИСПОЛЬЗОВАННЫХ источников

1. Горелик А.Л., Скрипкин В.А. Методы распознавания. - М. : Высш. шк, 2004.-261 с.

2. Журавлев Ю. И. Об алгебраическом подходе к решению задач распознавания или классификации //Проблемы кибернетики. - 1978. - Т. 33. -С. 5-68.

3. Watanabe S. Pattern recognition: human and mechanical. - John Wiley & Sons, Inc. - 1985. - 570 c.

4. Massart D.L., Vandeginste B.G.M., Buydens L.M.C., Jong S. De, Lewi P.J., Smeyers-Verbeke J., Handbook of Chemometrics and Qualimetrics, Part A, Elsevier, Amsterdam, 1997. - C. 697-698.

5. Lavine B.K., Encyclopedia of Analytical Chemistry, Wiley, Chichester, 2000, p. 9689.

6. Brereton R. G. Chemometrics: data analysis for the laboratory and chemical plant. - John Wiley & Sons, 2003. - 119 c.

7. Гора С.Ю., Довгаль B.M. Дискретные хаотические процессы и обработка информации. Сжатие и распознавание изображений // Saarbrucken, Germany: LAP LAMBERT Academic Publishing, 2012. - 84 c.

8. Jain A. K., Duin R. P. W., Mao J. Statistical pattern recognition: A review // Pattern Analysis and Machine Intelligence, IEEE Transactions on. 2000. - T. 22. -№. l.-C. 4-37.

9. Журавлев Ю. И. Избранные научные труды. - M. : Магистр, 1998. - 420 с. Ю.Журавлев Ю. И., Рязанов В. В., Сенько О. В. «Распознавание».

Математические методы. Программная система. Практические применения. М.: Фазис, 2006.- 176 с. И.Журавлев Ю.И., Никифоров В.В. Алгоритмы распознавания, основанные на

вычислении оценок//Кибернетика. -1971.-С. 1-11. 12.Журавлев Ю.И. Корректные алгебры над множествами некорректных (эвристических) алгоритмов // Кибернетика. - 1977. -№ 4. - С.14-21.

13.Журавлев Ю.И. Корректные алгебры над множествами некорректных (эвристических) алгоритмов // Кибернетика - 1977. — № 6. — С. 21-27.

14.Журавлев Ю.И. Корректнные алгебры над множеством некорректных (эвристических) алгоритмов // Кибернетика. - 1978. - № 2. - С. 35-43.

15.Алпатов Б. А. Алгоритм обнаружения и выделения движущегося фрагмента изображения //Техника средств связи. Серия техника телевидения. - 1991. — №. 2. - С. 72-76.

16.Алпатов Б. А., Блохин А. Н. Модели и алгоритмы обнаружения и выделения движущихся фрагментов изображений //Автометрия. - 1995. - №. 4. - С. 100-104.

17.Алпатов Б. А., Бабаян П. В., Смирнов С. А. Автоматическое слежение за объектами при отсутствии априорных сведений о фоноцелевой обстановке //Цифровая обработка сигналов. - 2009. - №. 3. - С. 52-56.

18.Алпатов Б. А., Бабаян П. В. Методы обработки и анализа изображений в бортовых системах обнаружения и сопровождения объектов //Цифровая" обработка сигналов. - 2006. - №. 2. - С. 45-51.

19.Grenander U., General Pattern Theory // Oxford University Pres, 1993.

20.Bajcsy R., Kovacic S. Multiresolution elastic matching // Computer vision, graphics, and image processing. 1989. - T. 46. - №. 1. - C. 1-21.

21.Vapnik V. N. An overview of statistical learning theory //Neural Networks, IEEE Transactions on. - 1999. - T. 10. - №. 5. - C. 988-999.

22.Fu K.S., Syntactic Pattern Recognition and Applications // Prentice-Hall, Englewood Cliffs, 1982.

23.Perlovsky L. I. Conundrum of combinatorial complexity //Pattern Analysis and Machine Intelligence, IEEE Transactions on. 1998. - T. 20. - №. 6. - C. 666-670.

24.Caudill M. Neural networks primer, part III //AI Expert. - 1988. - T. 3. - №. 6. -C. 53-59.

25.Kohonen T. Self-Organizing Maps // Springer Series in Information Sciences, vol. 30, Berlin, 1995.

26.Jain А. К., Mao J., Mohiuddin К. M. Artificial neural networks: A tutorial // Computer. 1996. - T. 29.-Ж 3. - С. 31-44.

27. Anderson J. A. Logistic regression // Handbook of Statistics. North-Holland, New York. 1982.-C. 169-191.

28.Ripley B. D. Statistical aspects of neural networks // Networks and Chaos— Statistical and Probabilistic Aspects. 1993. - T. 50. - C. 40-123.

29.Brown A. Digital preservation guidance note 5: image compression //the national archives. - 2003. [Электронный ресурс] - Режим доступа: http://www.nationalarchives.gov.uk/documents/information-management/image-compression.pdf

30.Илюшин С. В. Разработка алгоритмов быстрого фрактального сжатия цифровых изображений: дис. ... канд. техн. наук.: 05.12.04 / Илюшин Сергей Валерьевич. - М., 2012. - 183 с

31 .Земляченко А. Н., Лукин В. В. Сжатие изображений без визуально заметных искажений // Радиоэлектронные и компьютерные системы. — 2011. — №. 3. — С. 73-79.

32.Ziv J., Lempel A. A universal algorithm for sequential data compression // Information Theory, IEEE Transactions on. 1977. - T. 23. - №. 3. - C. 337-343.

33.Huffman D. A. A method for the construction of minimum-redundancy codes // Proceedings of the IRE. 1952. - T. 40. - №. 9. - C. 1098-1101.

34.Мастрюков Д. Алгоритмы сжатия информации //Часть. - 1994. - Т. 7. - С. 12-20.

35.Deutsch L. P. DEFLATE compressed data format specification version 1.3. -1996. [Электронный ресурс] - Режим доступа: http://tools.ietf.org/html/rfc 1951

36.High Performance DEFLATE Compression on Intel® Architecture Processors. [Электронный ресурс] - Режим доступа: http://www.intel.com/conteniydanVwww/public/us/en/documents/white-papers/ia-deflate-compression-paper.pdf

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

38.Нгуен Д. М. Разработка методики оценки качества сжатых изображений: дис. ... канд. техн. наук.: 25.00.35 / Нгуен Динь Минь. -М., 2006. - 163 с.

39.Welch Т. A. A technique for high-performance data compression // Computer. 1984.-T. 17.-№. 6.-C. 8-19.

40.Series T. Terminals for Telematic Services /ЛТЦ-Т Telecommunication Standardization Sector of ITU. - 2000. [Электронный ресурс] - Режим доступа: http://www.itu.int/rec/T-REC-T.87-199806-I/en

41.Гладырева А. Ю., Будник Н. И., Коваленко А. С. Влияние степени сжатия и цветности на качество медицинских ультразвуковых изображений // Клиническая информатика и телемедицина. - 2010. - №7. - С. 43-49.

42.Семенюк В.В. Обзор стандарта JPEG2000 - СПб.: Изд-во Питер. 2002. - 101 с.

43.Edwards Е., Foessel S. Jpeg 2000 for digital cinema applications // Apr. - 2001. -T. 25.-C. 1-25.

44.Portable Network Graphics [Электронный ресурс] - Режим доступа: http://www.libpng.org/pub/png/

45.Fisher Y. Fractal image compression // Fractals. 1994. - T. 2. - №. 03. - C. 347361.

46.Шарабайко M. П., Осокин A. H. Быстродействующий алгоритм фрактального сжатия изображений // Известия Томского политехнического университета. - 2011. - Т. 318. - №. 5. - С. 52-57.

47.Ансон Л., Барнсли М. Фрактальное сжатие изображений //Мир ПК. - 1992. — №. 4.-С. 120.

48.Илюшин С. В., Свет С. Д. Фрактальное сжатие телемедицинских изображений //Электросвязь. - 2009. - №. 4. - С. 36-40.

49.Ватолин Д. С. Гибридная схема фрактальной компрессии и квантования векторов для малых блоков //Материалы Graphicon-98. - 1998.

50.Гладырева А. Ю. Сравнительная оценка методов сжатия медицинских изображений //Электроника и связь-2008-С. - С. 22-26.

51.Шлык В. А. Фракталы в абстрактном искусстве и дизайне //Изв. Челябинского науч. центра. - 2004. - №. 1. — С. 22.

5 2.Новинский Н. Б. Применение технологии CUD А для фрактального сжатия изображений [Электронный ресурс] - Режим доступа: http://www.grfc.ru/idc/groups/public/documents/statya/010709.pdf

53.Fractal Image Compression [Электронный ресурс] - Режим доступа: http://fic.bos.ru/solutions/

54.DeLong К. Программный продукт Fractal Image Explorer [Электронный ресурс] - Режим доступа: http://www.femtosoft.biz/fractals/fractalexe.zip

55.Sylvestre J., Fisher Y. Программный продукт FracCompress. [Электронный ресурс] - Режим доступа:

http://inls.ucsd.edu/~fisher/Fractals/Other/FracComp.zip

56.Welstead S. Программный продукт IMG System. 2010. [Электронный ресурс] - Режим доступа: http://spie.org/samples/dfractal_book.zip

57.Deb S., Zhang Y. An overview of content-based image retrieval techniques //Advanced Information Networking and Applications, 2004. AINA 2004. 18th International Conference on. - IEEE, 2004. - Т. 1. - C. 59-64.

58.Kherfi M. L., Ziou D., Bernardi A. Image retrieval from the world wide web: Issues, techniques, and systems //ACM Computing Surveys (CSUR). - 2004. - T. 36.-Ж l.-C. 35-67.

59.Smeulders A. W. M. et al. Content-based image retrieval at the end of the early years //Pattern Analysis and Machine Intelligence, IEEE Transactions on. - 2000. -T. 22. - №. 12.-C. 1349-1380.

60.Veltkamp R. C., Tanase M. Content-based image retrieval systems: A survey //Department of Computing Science, Utrecht University. - 2002. - C. 1-62.

61.Yoshitaka A., Ichikawa T. A survey on content-based retrieval for multimedia databases //Knowledge and Data Engineering, IEEE Transactions on. - 1999. - T. 11. - №. l.-C. 81-93.

62.He D. Three new methods for color and texture based image matching in Content-Based Image Retrieval //Dalhousie University Halifax, Nova Scotia-2010.- 150 c.

63.Bach J. R. et al. Virage image search engine: an open framework for image management //Electronic Imaging: Science & Technology. - International Society for Optics and Photonics, 1996. - C. 76-87.

64.Bay H., Tuytelaars T., Van Gool L. Surf: Speeded up robust features //Computer Vision-ECCV 2006. - Springer Berlin Heidelberg, 2006. - C. 404-417

65.Deselaers T., Keysers D., Ney H. Fire-flexible image retrieval engine: Imageclef 2004 evaluation //Multilingual Information Access for Text, Speech and Images. - Springer Berlin Heidelberg, 2005. - C. 688-698.

66.Dowe J. Content-based retrieval in multimedia imaging //IS&T/SPIE's Symposium on Electronic Imaging: Science and Technology. - International Society for Optics and Photonics, 1993. - C. 164-167.

67.Wang J. Z. et al. Content-based image indexing and searching using Daubechies' wavelets //International Journal on Digital Libraries. - 1998. - T. 1. - №. 4. - C. 311-328.

68.Ma W. Y., Manjunath B. S. Netra: A toolbox for navigating large image databases //Multimedia systems. - 1999. - T. 7. - №. 3. - C. 184-198.

69.Niblack C. W. et al. QBIC project: querying images by .content, using color, texture, and shape //IS&T/SPIE's Symposium on Electronic Imaging: Science and Technology. - International Society for Optics and Photonics, 1993. - C. 173187.

70. Ortega M. et al. Supporting similarity queries in MARS //Proceedings of the fifth ACM international conference on Multimedia. - ACM, 1997. - C. 403-413.

71.Pentland A., Picard R. W., Sclaroff S. Photobook: Content-based manipulation of image databases //International Journal of Computer Vision. - 1996. - T. 18. -№. 3. - C. 233-254.

72.Smith J. R., Chang S. Querying by color regions using the VisualSEEk content-based visual query system //Intelligent multimedia information retrieval. - 1997. -T. 7.-№. 3.-C. 23-41.

73.Lew M. S., Lempinen K., Huijsmans N. Webcrawling using sketches //VISUAL. - 1997. -T. 97.-C. 77-84.

74.0rtega-Binderberger M. et al. WebMARS: A multimedia search engine //Electronic Imaging. - International Society for Optics and Photonics, 1999. - C. 314-321.

75.Sclaroff S., Taycher L., La Cascia M. Imagerover: A content-based image browser for the world wide web //Content-Based Access of Image and Video Libraries, 1997. Proceedings. IEEE Workshop on. - IEEE, 1997. - C. 2-9.

76.Swain M. J., Frankel C., Athitsos V. Webseer: An image search engine for the world wide web //Computer Science Department, University of Chicago TR-96--14, available from. - 1996.

77.Wang J. Z. et al. Wavelet-based image indexing techniques with partial sketch retrieval capability //Research and Technology Advances in Digital Libraries, 1997. ADL'97. Proceedings., IEEE International Forum on. - IEEE, 1997. - C 13-24.

78.Duda R. O., Hart P. E., Stork D. G. Pattern classification. - John Wiley & Sons, 2012.

79.Cieplinski L. MPEG-7 color descriptors and their applications //Computer analysis of images and patterns. - Springer Berlin Heidelberg, 2001. - C. 11-20.

80.Huang J. et al. Image indexing using color correlograms //Computer Vision and Pattern Recognition, 1997. Proceedings., 1997 IEEE Computer Society Conference on. - IEEE, 1997. - C. 762-768.

81.0jala T., Pietikainen M., Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns //Pattern Analysis and Machine Intelligence, IEEE Transactions on. - 2002. - T. 24. - №. 7. - C. 971987.

82,Park M., Jin J. S., Wilson L. S. Fast content-based image retrieval using quasigabor filter and reduction of image feature dimension //Image Analysis and Interpretation, 2002. Proceedings. Fifth IEEE Southwest Symposium on. - IEEE, 2002.-C. 178-182.

83.Strieker M. A., Orengo M. Similarity of color images //IS&T/SPIE's Symposium on Electronic Imaging: Science & Technology. - International Society for Optics and Photonics, 1995. - C. 381-392.

84.Swain M. J., Ballard D. H. Color indexing //International journal of computer vision. - 1991. - T. 7. - №. 1. - C. 11-32.

85.Lowe D. G. Distinctive image features from scale-invariant keypoints //International journal of computer vision. - 2004. - T. 60. - №. 2. - C. 91-110.

86.Harris C., Stephens M. A combined corner and edge detector //Alvey vision conference. - 1988. - T. 15. - C. 50.

87.Flickner M. et al. Query by image and video content: The QBIC system //Computer. - 1995. - T. 28. - №. 9. - C. 23-32.

88.Ogle V. E., Stonebraker M. Chabot: Retrieval from a relational database of images //Computer. - 1995. - T. 28. - №. 9. - C. 40-48.

89.Pass G., Zabih R. Histogram refinement for content-based image retrieval //Applications of Computer Vision, 1996. WACV'96., Proceedings 3rd IEEE Workshop on. - IEEE, 1996. - C. 96-102.

90.Rickman R. M., Stonham T. J. Content-based image retrieval using color tuple histograms //Electronic Imaging: Science & Technology. — International Society for Optics and Photonics, 1996. - C. 2-7.

91.Smith J. R., Chang S. F. Tools and techniques for color image retrieval //Electronic Imaging: Science & Technology. - International Society for Optics and Photonics, 1996. - C. 426-437.

92.Stricker M. A., Dimai A. Color indexing with weak spatial constraints //Electronic Imaging: Science & Technology. - International Society for Optics and Photonics, 1996. - C. 29-40.

93.Tamura H., Mori S., Yamawaki T. Textural features corresponding to visual perception //Systems, Man and Cybernetics, IEEE Transactions on. - 1978. - T. 8. -№. 6.-C. 460-473.

94.Squire D. M. G. et al. Content-based query of image databases, inspirations from text retrieval: inverted files, frequency-based weights and relevance feedback //Scandinavian Conference on Image Analysis. - 1999. - C. 143-149.

95.Goldberger J., Gordon S., Greenspan H. An efficient image similarity measure based on approximations of KL-divergence between two Gaussian mixtures //Computer Vision, 2003. Proceedings. Ninth IEEE International Conference on. -IEEE, 2003.-C. 487-493.

96.Loncaric S. A survey of shape analysis techniques //Pattern recognition. - 1998. -T. 31. - №. 8.-C. 983-1001.

97.Wall K. Curve fitting based on polygonal approximation //Proc. 8th Int. Conf. Pattern Recognition, Paris. - 1986. - C. 27-31.

98.Folkers A., Samet H. Content-based image retrieval using Fourier descriptors on a logo database //Pattern Recognition, 2002. Proceedings. 16th International Conference on. - IEEE, 2002. - T. 3. - C. 521-524.

99.Granlund G. H. Fourier preprocessing for hand print character recognition //Computers, IEEE Transactions on. - 1972. - T. 100. - №. 2. - C. 195-201.

100. Sajjanhar A,, Lu G., Wright J. An experimental study of moment invariants and Fourier descriptors for shape based image retrieval //Proceedings of the second Australia document computing symposium, Melbourne, Australia. - 1997. -C. 46-54.

101. Sajjanhar A., Lu G. A grid-based shape indexing and retrieval method //Australian Computer Journal. - 1997. - T. 29. - №. 4. - C. 131-140.

102. Canny J. A computational approach to edge detection //Pattern Analysis and Machine Intelligence, IEEE Transactions on. - 1986. - №. 6. - C. 679-698. 1

103. Harris C., Stephens M. A combined corner and edge detector //Alvey vision conference.-1988.-T. 15.-C. 147-151.

104. Lu G., Sajjanhar A. Region-based shape representation and similarity measure suitable for content-based image retrieval //Multimedia Systems. - 1999. -T. 7. - №. 2. - C. 165-174.

105. Dempster A. P., Laird N. M., Rubin D. B. Maximum likelihood from incomplete data via the EM algorithm //Journal of the Royal Statistical Society. Series В (Methodological). - 1977. - C. 1-38.

106. Jeong S., Won C. S., Gray R. M. Image retrieval using color histograms generated by Gauss mixture vector quantization //Computer Vision and Image Understanding. - 2004. - T. 94. - №. 1. - C. 44-66.

107. Loncaric S. A survey of shape analysis techniques //Pattern recognition. -1998. - T. 31. -№. 8. - C. 983-1001.

108. Ke Y., Sukthankar R. PCA-SIFT: A more distinctive representation for local image descriptors //Computer Vision and Pattern Recognition, 2004. CVPR 2004. Proceedings of the 2004 IEEE Computer Society Conference on. - IEEE,

2004.-Т. 2.-C. 506-513

109. Deselaers Т., Keysers D., Ney H. Discriminative training for object recognition using image patches //Computer Vision and Pattern Recognition,

2005. CVPR 2005. IEEE Computer Society Conference on. - IEEE, 2005. - T. 2. -C. 157-162.

110. Mikolajczyk K. et al. A comparison of affine region detectors //International journal of computer vision. - 2005. - T. 65. - №. 1-2. - C. 43-72.

111. Андреев Ю. В., Дмитриев А. С., Куминов Д. А. Хаотические процессоры //Радиотехника и электроника. - 1997. - Т. 42. - №. 10. - С. 5079.

112. Kim Е. S., Lee Н. J. A novel hardware design for SIFT generation with reduced memory requirement //Journal of Semiconductor Technology and Science.-2013.-Т. 13.-№. 2.-C. 157-169.

113. Bonato V., Marques E., Constantinides G. A. A parallel hardware architecture for scale and rotation invariant feature detection //Circuits and

Systems for Video Technology, IEEE Transactions on. - 2008. - T. 18. - №. 12. -C. 1703-1712.

114. Magnus J. R., Neudecker H. Matrix Differential Calculus with Applications in Statistics and Econometrics (revised edition) Wiley //New York. - 1999.

115. Anqi X., Dudek G. A vision-based boundary following framework for aerial vehicles. Intelligent Robots and Systems (IROS), 2010 IEEE //RSJ International Conference on. - 2010. - C. 81-86.

116. Kruis M. Human pose recognition using neural networks, synthetic models, and modern features : дис. - Oklahoma State University, 2010.

117. Sheta В., Elhabiby M., El-Sheimy N. Assessments of different Speeded Up Robust Features (SURF) algorithm resolution for pose • estimation of UAV //International Journal Of Computer science and Engineering Survey. - 2012.

118. Brown M., Lowe D. G. Invariant Features from Interest Point Groups //BMVC. - 2002. - №. s 1.

119. Schleicher D. Hausdorff dimension, its properties, and its surprises //American Mathematical Monthly. - 2007. - Т. 114. - №. 6. - C. 509-528.

120. Hocking J. G. Topology. - Courier Dover Publications, 1988.

121. Гора С.Ю. Проблемы сжатия изображений на основе механизмов хаотической динамики // Теория и практика современной науки: материалы X Международной научно-практической конференции. - Москва. - 2013. -С. 78-82

122. Ruelle D. Chance and chaos. - Princeton University Press, 1993.

123. Мухин P.P. Развитие концепции динамического хаоса в СССР 19501980 годы: автореф. дис. ... докт, физ.-мат. наук: 07.00.10 / Мухин Равиль Рафкатович. - М., 2010.-368 с.

124. Dmitriev A. S., Panas A. I., Starkov S. О. Storing and recognizing information based on stable cycles of one-dimensional maps //Physics Letters A. - 1991. - T. 155. - №. 8. - C. 494-499.

125. Andreyev Y. V., Dmitriev A. S., Starkov S. О. Information processing in 1-D systems with chaos //Circuits and Systems I: Fundamental Theory and Applications, IEEE Transactions on. - 1997. - T. 44. - №. 1. - C. 21-28.

126. Андреев Ю. В., Вельский Ю. JI., Дмитриев А. С. Запись и восстановление информации с использованием устойчивых циклов двумерных и многомерных отображений //Радиотехника и электроника, М. - 1994.-Т. 39.-С. 114-123.

127. Дмитриев В.А. Запись и восстановление информации в одномерных динамических системах //Радиотехника и электроника. — 1991. Т. 36. - №.1. -С. 101-108.

128. Анищенко В. С. Сложные колебания в простых системах. - М.: Наука, 1990.-312с.

129. Дж. Кратчфилд, Дж. Фармер, Н. Паккард, Р. Шоу. Хаос //В мире науки. - 1987. -№. 2. - С. 16-28.

130. Анищенко В. С. Динамические системы //Соросовский образовательный журнал. - 1997. - №. 11. - С. 77-84.

131. Мун Ф. Хаотические колебания: Вводный курс для научных работников и инженеров: Пер. с англ. - Мир, 1990. - 312 с.

132. Паркер Т. С., Чжуа Л. О. Введение в теорию хаотических систем для инженеров //ТИИЭР.-1987.-75. - 1987. - №. 8. - С. 6-40.

133. Ershov А. P. Basic concepts of algorithms and programming to be taught in a school course in informatics // BIT Numerical Mathematics. - 1988. - T. 28. -№.3.-C. 397-405.

134. Hénon M. A two-dimensional mapping with a strange attractor //Communications in Mathematical Physics. - 1976. - T. 50. - №. 1. - C. 69-77.

135. Владимирский Э. И., Исмайлов Б. И. Синергетические методы управления хаотическими системами // Баку, ELM. - 2011. - 240с.

136. Gallas J. А. С. Structure of the parameter space of the Hénon map // Physical review letters. - 1993. - T. 70. - №. 18. - C. 2714.

137. Гора С.Ю., Довгаль В.М. Метод и инструментальные средства решения задачи сжатия изображений с использованием механизмов хаотической динамики. // Ученые записки. Электронный научный журнал Курского государственного университета. - 2012. — №. 4-2. - С. 25-28.

138. Гора С.Ю., Довгаль В.М. Об одном подходе к поиску изображений по содержимому // В мире научных открытий. Красноярск: научно-инновационный центр. - 2013. - №6.1(42). - С. 23-38

139. Тамбиев К.Ш. Распознавание характеристик пользователя по почерку // Молодежный научно-технический вестник. — 2013. - №9. — Режим доступа: http://sntbul.bmstu.ru/file/out/616695

140. Рожков М.М. Система неадаптивного распознавания образов в условиях ограниченного количества информации: дис. ... канд. техн. наук: 05.13.01 / Рожков Максим Михайлович. - Владимир, 2011. - 173 с.

141. The Color FERET Database [Электронный ресурс]: Public face database — Ver. 2. — Last modifîed Jan. 31, 2008. - Режим доступа: http://face.nist.gov/colorferet/

s.

142. Wang Z., Bovik A. C., Sheikh H. R., Simoncelli E. P. Image quality assessment: From error visibility to structural similarity //Image Processing, IEEE Transactions on. - 2004. - T. 13. - №. 4. - C. 600-612..

143. Земляченко A.H., Колганова E.O., Лукин B.B. Ускорение сжатия изображений с требуемым визуальным качеством. // Радюелектрон. i комп'ют. системи . - 2011. - № 4. - С. 52-59.

144. Еремеев О.И., Пономаренко Н.Н., Февралев Д.В., Лукин В.В. Визуальное качество изображений при различных типах помех. // Радиоэлектронные и компьютерные системы. - Харьков: ХАИ, 2012. - №2. -С. 49-57.

145. Calculate MS-SSIM AND MS-SSIM* Indexes. [Электронный ресурс] -Режим доступа: http://rsb.info.nih.gov/ij/plugins/mssim-index.html

146. Image Processing and Analysis in Java. [Электронный ресурс] — Режим доступа: http://rsb.info.nih.gov/ij/index.html

147. N. Khan, Indoor Environmental Images (Computer Science Department), Otago University (NZ), 2010. [Электронный ресурс] - Режим доступа: http://www.cs.otago.ac.nz/pgdweb/nabeel/Downloads/Dataset.zip.

148. Финогеев А.Г., Четвергова М.В. Методика распознавания изображений на основе рандомных деревьев в системах автоматического проектирования расширенной реальности. // Современные проблемы науки и образования. - 2012. - №5. - 112 с.

149. Lukashevich P.V., Zalessky В.A. Scale invariant algorithm for matching image regions (in Russian). // informatics. - Minsk. - 2011. - C. 24-30.

150. Зейналов P., Конушин А. Реконструкция траектории движения и формы объекта с использованием инфракрасных маркеров и стереопары. // The 22nd International Conference on Computer Graphics and Vision . - C. 292295

»

151. The OpenSURF Computer Vision Library. [Электронный ресурс] -Режим доступа: http://www.chrisevansdev.com/computer-vision-opensurf.html.

152. Fast SIFT Image Features Library. [Электронный ресурс] - Режим доступа: http://libsift.sourceforge.net/

153. Intel® 64 and IA-32 Architectures Optimization Reference Manual: [Электронный ресурс] - Режим доступа: http ://www. intel .com/content/dam/doc/manual/64-ia-3 2-architectures-optimization-manual.pdf

154. Азгальдов Г.Г., Райхман Э.П. О квалиметрии. - М: Изд-во стандартов, 1973.-156с.

155. Juan L., Gwun О. A comparison of sift, pea-sift and surf //International Journal of Image Processing (IJIP). - 2009. - T. 3. - №. 4. - C. 143-152.

156. Khan N. Y., McCane В., Wyvill G. Sift and surf performance evaluation against various image deformations on benchmark dataset //Digital Image Computing Techniques and Applications (DICTA), 2011 International Conference on. - IEEE, 2011. - C. 501-506.

157. Kirk D. В., Wen-mei W. H. Programming massively parallel processors: a hands-on approach. - Morgan Kaufmann, 2010. - 231 c.

158. Popular GPU-Accelerated Applications. [Электронный ресурс] - Режим доступа: http://www.nvidia.ru/docs/IO/123576/nv-applications-catalog-lowres.pdf

159. . Lindquist А. М. et al. The use of the Personal Digital Assistant (PDA) among personnel and students in health care: a review //Journal of medical Internet research. - 2008. - T. 10. - №. 4.

160. Prgomet M., Georgiou A., Westbrook J. I. The impact of mobile handheld technology on hospital physicians' work practices and patient care: a systematic review //Journal of the American Medical Informatics Association. - 2009. - T. 16.-№. 6.-C. 792-801.

161. Armstrong D. G. et al. FaceTime for Physicians: Using Real Time Mobile Phone-Based Videoconferencing to Augment Diagnosis and Care in Telemedicine //Eplasty. - 2011. - T. 11.

162. Aziz S. R., Ziccardi V. B. Telemedicine using smartphones for oral and maxillofacial surgery consultation, communication, and treatment planning //Journal of Oral and Maxillofacial Surgery. - 2009. - T. 67. - №. 11. - C. 25052509.

163. Modi J, Sharma P, Earl A, Simpson M, Mitchell JR, Goyal M. iPhone-based teleradiology for the diagnosis of acute cervico-dorsal spine trauma //The Canadian Journal of Neurological Sciences. - 2010. - T. 37. - №. 6. - C. 849854.

164. Choudhri A. F., Radvany M. G. Initial experience with a handheld device digital imaging and communications in medicine viewer: OsiriX mobile on the iPhone //Journal of Digital Imaging. - 2011. - T. 24. - №. 2. - C. 184-189.

165. Takao H, Murayama Y, Ishibashi T, Karagiozov K, Abe T. A new support system using a mobile device (smartphone) for diagnostic image display and treatment of stroke //Stroke. - 2012. - T. 43. - №. 1. - C. 236-239..

166. Choi В, Mukherjee M, Dala P, Young H, Tracy C, Katz R. Interpretation of remotely downloaded pocket-size cardiac ultrasound images on a web-enabled smartphone: validation against workstation evaluation //Journal of the American Society of Echocardiography. -2011. -T. 24. -№. 12. - C. 1325-1330.

167. Portable eye clinic in a smartphone. [Электронный ресурс] Medical News Today [сайт] - Режим доступа: http://www.medicalnewstoday.com/articles/ 264905.php