Методы и средства формообразования объектов изображения тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Синенков, Дмитрий Вячеславович

• Синенков, Дмитрий Вячеславович
• кандидат технических наук
• 2003

Оглавление диссертации кандидат технических наук Синенков, Дмитрий Вячеславович

ВВЕДЕНИЕ.

ГЛАВА 1. Аналитический обзор современных методов обработки изображений, применительно к задаче определения формы объектов.

1.1. Исходные положения.

1.2. Классификация систем обработки изображений.

1.3. Современные методы анализа и определения форм.

1.4. Некоторые проблемы задач обработки изображений.

Цели и задачи.

ГЛАВА 2. Информационная модель формообразования объектов изображения.

2.1. Принципы обработки изображения системами машинного зрения

2.2. Обработка зрительной информации человеком.

2.3. Теория активного восприятия.

2.4. Информационная модель формообразования объектов изображения.

Выводы.

ГЛАВА 3. Информационная модель процесса сегментации.

3.1. Сегментирующий фильтр.

3.2. Иерархия сегментирующих фильтров.

3.3. Разметка областей (окончательная сегментация).

3.4. Алгоритмы сегментации бинарных изображений.

3.5. Алгоритмы сегментации полутоновых изображений.

3.6. Сегментация изображений при наличии шумов.

3.6.1. Сегментация по массе.

3.6.2. «Попиксельный тремор» поля зрения.

3.7. Сопоставительный анализ по скоростным и аппаратным затратам на заданном уровне разрешения с классическими методами.

Выводы.

ГЛАВА 4. Информационная модель принятия решения о форме объекта по двумерным признакам.

4.1. Формирование класса эталонов.

4.1.1. Формирование эталона объекта.

4.1.2. Формирование обобщенного эталона.

4.1.3. Построение {/-пирамиды эталона объекта.

4.1.4. Учет ракурсов.

4.2. Формирование признаков объекта.

4.3. Принятие решения.

Выводы.

ГЛАВА

§. Информационная модель формообразования поверхностей

5.1. Общие принципы анализа поверхностей с позиций теории активного восприятия.

5.1.1. Анализ поверхности с точки зрения функционального анализа

5.1.2. Анализ поверхности с точки зрения теории поверхностей '.

5.2. Ограничения на класс рассматриваемых поверхностей.

5.3. Взаимосвязь между поверхностью и ее наблюдаемым изображением.

5.4. Анализ видимых форм поверхностей различных типов.

5.4.1. Цилиндрические поверхности.

5.4.2. Эллипсоидные поверхности.

5.4.3. Конические поверхности.

5.4.4. Плоскость.

5.5. ^/-пирамида анализа поверхностей.

5.5.1. Построение {/-пирамиды.

5.5.2. Принципы принятия решения на {/-пирамиде.

Выводы.

ГЛАВА 6. Дополнительные факты, дающие информацию о ф наблюдаемой форме поверхности и объекте в целом.

6.1. Анализ бликового пятна.

6.2. Информационная модель учета тени объекта при анализе его формы.

Выводы.

ГЛАВА 7. Практическое применение разработанных методик.

7.1. Алгоритмическое обеспечение поиска двумерного объекта.

7.2. Информационная модель определения координат подвижного объекта по двумерному изображению.

7.3. Информационная модель процедуры подавления шума на изображениях, в условиях априорной неопределенности.

Выводы.

Введение диссертации (часть автореферата) на тему «Методы и средства формообразования объектов изображения»

Актуальность темы

Наметившиеся в последнее время тенденции указывают на то, что современные промышленные системы быстро расширяют горизонты применения систем машинной обработки изображений, а системы машинного зрения становятся неотъемлемой частью общего плана автоматизации промышленных предприятий.

Одной из важнейших проблем, привлекающей в настоящее время пристальное внимание ученых и инженеров, является проблема автоматического анализа формы и состояния пространственных объектов, информация о которых представлена в виде изображений — фотографий, видеосигналов и т.д. Например, при дистанционных исследованиях природных ресурсов земли с помощью космических или авиационных средств необходимо анализировать форму, размеры и состояние лесных массивов, водных поверхностей, подсчитывать площади сельскохозяйственных угодий, занятых под посевы, и т.п. В медико-биологических исследованиях изображения молекул, клеток, их ядер, формируемые микроскопом, рентгеновских снимков, являются основой анализа биологических процессов и диагностики заболеваний. В ядерной физике по изображениям треков — следов, оставляемых частицами вдоль своих траекторий в пузырьковых или искровых камерах, в ядерных фотоэмульсиях, камерах Вильсона и т.д., определяют массу, заряд и другие характеристики частиц. Все новые элементарные частицы были открыты путем анализа изображений треков. В визуальном контроле на промышленных предприятиях, для обеспечения качества деталей путем проверки формы. При использовании в качестве органов зрения роботов и др.

Хорошо известно, что в настоящее время полностью автоматизировать процесс анализа и интерпретации изображений в перечисленных областях невозможно.

Дело не только в том, что для переработки больших объемов информации, содержащейся в изображении, требуются исключительно большие мощности вычислительных средств. К сожалению, полные математические модели объектов и явлений, а также процессов регистрации их на изображении, как правило, очень сложны, а в ряде случаев до сих пор в деталях и не известны. Это обстоятельство является главным препятствием на пути создания эффективных алгоритмов автоматического анализа и интерпретации сложных изображений.

Между тем многие из упомянутых выше задач на качественном уровне достаточно быстро и легко решает человек. Речь идет, например, о диагностике заболеваний по изображениям цитопрепаратов, расшифровке запутанных ситуаций на изображениях треков элементарных частиц, диагностике состояния некоторых сельскохозяйственных культур по результатам аэрофотосъемки.

Сам факт, что при этом человек достаточно хорошо представляет себе объект исследования, говорит о том, что в основе решения всех таких задач лежат достаточно представительные модели, среди которых зрительный анализатор производит выбор, основываясь на информации, представленной в изображении. Понятно, что такие модели суть не что иное, как отражение научного опыта и практической деятельности человека, но в данный момент мы имеем слишком мало указаний на то, каким образом эта сторона человеческого интеллекта может быть формализована для реализации на ЭВМ.

Вместе с тем имеется довольно обширный класс важных задач анализа изображений, с которыми ЭВМ справляется существенно лучше, чем человек. В их основе лежат простые модели процесса формирования изображений, позволяющие в той или иной степени анализировать информацию о форме объектов, содержащуюся в изображении. Однако большинство таких систем узко специализированы и для своей работы требуют априорного знания объекта исследования, что в большинстве случаев невозможно.

Вопросы распознавания изображений и анализа форм объектов получили фундаментальное развитие в работах научных коллективов Вычислительного центра РАН, Института систем обработки изображений РАН, Института проблем передачи информации РАН, Института прикладной математики и кибернетики при Нижегородском университете, кафедры вычислительной техники при Нижегородском техническом университете и др. Значительный вклад в решение проблем распознавания изображений внесли: Р.Байчи, П.Берт, А.Л.Горелик, Р.Дуда, Н.Г.Загоруйко, В.Кантони, В.В.Кондратьев, С.Левиальди, Д.Марр, М.Минский, Ф.Розенблатт, В.А.Утробин, Ю.Г.Васин, Р.Фишер, П.Харт и многие другие российские и зарубежные ученые.

Цель работы

Разработка методов и средств формообразования объектов наблюдаемой сцены в условиях априорной неопределенности.

На защиту выносятся:

1. Информационная модель формообразования объектов наблюдаемой сцены в условиях априорной неопределенности.

2. Информационная модель процесса сегментации.

3. Процедуры сегментации изображений.

4. Процедура формирования обобщенных эталонов форм.

5. Информационная модель принятия решения о форме объекта по двумерным признакам.

6. Методы анализа поверхностей с позиций теории активного восприятия.

7. Информационная модель формообразования поверхностей.

8. Методы получения дополнительной информации о форме.

Методы исследования

Работа базируется на методах системного анализа, теории активного восприятия, математической теории управления (теории групп, графов, устойчивости), теории вычислительных систем, теории поверхностей, теории распознавания образов и цифровой обработки изображений.

Научная новизна

В диссертационной работе получены следующие основные результаты, характеризующиеся научной новизной:

Разработана информационная модель формообразования объектов изображения в условиях априорной неопределенности, в рамках которой:

1. Разработана иерархия фильтров, решающая задачу сегментации изображения с различной степенью точности в условиях априорной неопределенности.

2. Разработана информационная модель принятия решения о форме объекта по двумерным признакам в условиях априорной неопределенности и методы формирования образов объектов по двумерным признакам.

3. Разработаны методы анализа поверхностей применительно к теории активного восприятия и методы формирования ^/-пирамиды принятия решения о форме наблюдаемой поверхности с различной степенью точности, в условиях априорной неопределенности.

Практическая ценность

На базе разработанных методик решены следующие прикладные задачи:

1. Разработаны алгоритмы сегментации бинарных и полутоновых изображений, а так же изображений при наличии шумов.

2. Разработана процедура подавления шума, основанная на устойчивости структуры объекта к изменениям функции яркости изображения, не требующая априорного знания природы шума на исходном изображении.

3. Разработана информационная модель определения координат подвижного объекта по одному двумерному изображению.

4. Разработано алгоритмическое обеспечение поиска двумерного объекта на заданном изображении.

Реализация результатов работы

Результаты исследований реализованы:

1. В программных продуктах НИР "Теоретические исследования и машинное моделирование процессов этапа узнавания изображений", "Теоретическое и экспериментальное моделирование процессов этапа понимания изображений" финансируемых по программе РФФИ (проекты № 01-01-00452, № 01-01-00459).

2. В программных продуктах НИР "Исследование методов распознавания и идентификации объектов", "Разработка сверхбыстрых алгоритмов идентификации объектов", финансируемых по программе ФГУП НИИИС (проекты № 3350-33-02, № 3350-25-03).

3. В учебном процессе Нижегородского государственного технического университета.

Апробация работы

Основные результаты диссертационной работы докладывались и обсуждались на следующих научно - технических конференциях и семинарах:

- Всероссийская научно-техническая конференция "Информационные системы и технологии" (Нижний Новгород, 2001);

- Научно-технический форум "Будущее технической науки Нижегородского региона" (Нижний Новгород, 2002);

- 8-я Нижегородская сессия молодых ученых (технические науки) (Дзержинск, 2003);

- 2-я региональная молодежная научно-техническая конференция "Будущее технической науки Нижегородского региона" (Нижний Новгород, 2003).

Кроме того, результаты работы докладывались на семинарах кафедры вычислительной техники Нижегородского государственного технического университета.

Публикации

Основное содержание диссертационной работы отражено в 11 печатных работах.

Структура и объем диссертации

Диссертационная работа состоит из введения, семи глав, заключения, изложенных на 184 с. машинописного текста, содержит 143 рисунка, 5 таблиц и библиографию из 96 наименований.

Заключение диссертации по теме «Теоретические основы информатики», Синенков, Дмитрий Вячеславович

Выводы

1. Разработан алгоритм поиска заданного двумерного объекта на фото или видео изображениях области применения которого могут быть, например, поиск роботом заданной детали или поиск объекта на карте местности.

2. Разработана информационная модель определения координат подвижного объекта по двумерному изображению. Позволяющая, к примеру, реализовать алгоритм слежения за целью без дополнительных аппаратных затрат и увеличения сложности на реализацию механизма стереовосприятия.

3. Разработана процедура подавления шума, основанная на устойчивости структуры объекта к изменениям функции яркости изображения (к изменениям массы точек) и не требующая априорного знания природы шума на исходном изображении. Что позволит улучшать качество исходных изображений в различных системах машинного зрения для их последующей обработки. В частности:

3.1. Исследовано поведение компонент спектра при уменьшении массы всех точек изображения. В результате чего выявлено 3 типа зависимостей графики которых имеют: постоянный спад величины ||ij|; интервалы возрастания и убывания; участки смены знака.

3.2. Показано, что фильтры F„ графики зависимости от вычитаемой массы которых имеют интервалы возрастания и убывания или смены знака, выявляют симметрию на изображении и соответствующие им операторы V\ не принимают участия в формировании сегментирующего фильтра.

3.3. Разработан принцип определения шума или объекта во всем поле зрения, на основе анализа графиков зависимости р.; от массы вычитаемой из массы точек изображения. Это позволило отказаться от нахождения таких типов изображений с помощью пороговой обработки, в процедуре сегментации полутоновых изображений.

ЗАКЛЮЧЕНИЕ

Главным результатом диссертационной работы является разработка методов и средств формообразования объектов изображения в условиях априорной неопределенности. Решение этой научной проблемы позволяет построить высокоэффективные, функционирующие в реальном масштабе времени системы технического зрения, в областях требующих автоматического распознавания формы.

Основные научные и практические результаты работы:

1. Разработана информационная модель формообразования объектов изображения, основными достоинствами которой являются: анализ изображения без этапа предварительной обработки; параллельность обработки, как на разных этапах, так и выполнения самих этапов; возможность работы в условиях априорной неопределенности; обработка и принятие решения с различной степенью точности.

2. Разработана информационная модель процесса сегментации изображений в условиях априорной неопределенности и алгоритмы для сегментации бинарных и полутоновых изображений. В частности:

2.1. Введено понятие сегментирующего фильтра, позволяющего выделить области расположения объектов, и разработаны принципы формирования сегментирующего фильтра, на основе V\ и Pni, исходя из анализа вектора {pi}.

2.2. Построена иерархия сегментирующих фильтров, позволяющая решать задачу сегментации изображения с различной степенью точности.

2.3. Разработаны алгоритмы формирования сегментирующих фильтров для бинарных и полутоновых изображений.

2.4. Разработана процедура тремора поля зрения, позволяющая работать в условиях зашумленности изображения.

3. Разработана информационная модель принятия решения о форме объекта по двумерным признакам. В частности:

3.1. Разработаны принципы формирования образа изображения объекта на планигоне.

3.2. Разработаны процедуры построения (У-пирамиды описания образа объекта с различной степенью точности.

3.3. Определены принципы принятия решения о форме по двумерным признакам.

4. Разработана информационная модель формообразования поверхностей. В частности:

4.1. С позиций теории активного восприятия, разработаны методы анализа поверхности с точки зрения функционального анализа и теории поверхностей.

4.2. Разработаны процедуры построения ^/-пирамиды принятия решения о форме наблюдаемой поверхности и принципы принятия решения на ее основе.

5. Разработана информационная модель учета бликов и теней, позволяющая получать дополнительные данные о форме анализируемого объекта.

6. Разработан алгоритм поиска заданного двумерного объекта на фото или видео изображениях

7. Разработана процедура подавления шума не требующая априорного знания природы шума на исходном изображении.

8. Разработана информационная модель определения координат подвижного объекта по одному двумерному изображению.

Список литературы диссертационного исследования кандидат технических наук Синенков, Дмитрий Вячеславович, 2003 год

1. Адамар Ж. Задача Коши для линейных уравнений с частными производными гиперболического типа. -М.: Наука, 1978. -268с.

2. Адаптивные телеизмерительные системы / Под ред. А.В.Фремке. -Л.: Энергоиздат., Ленингр. отд-ние, 1981. -248с.

3. Алоимонос Дж. Зрительное определение формы // ТИИЭР, 1988, т.76, № 8, с. 50-69.

4. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. -М.: Высшая школа, 1983. -295с.

5. Арене X., Лёйтер Ю. Многомерный дисперсионный анализ. -М.: Финансы и статистика, 1985.-230с.

6. Аркадьев А.Г., Браверман Э.М. Обучение машины классификации объектов. -М.: Наука, 1971.-192с.

7. Александров В.В., Горский Н.Д. Представление и обработка изображений: рекурсивный подход. -Л.: Наука. -192с.

8. Александров В.В., Горский Н.Д. ЭВМ видит мир. -Л.: Машиностроение, 1990. -139с.

9. Альберг Дж., Нильсон Э., Уолш Дж. Теория сплайнов и её приложения. -М.: Мир, 1972. -380с.

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

11. Бакут П.А., Колмогоров Г.С. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлектроника, 1987, № 10, с.6-24.

12. Белютин Э.М. Основы изобразительной грамоты. -М.: Госкультпросветиздат, 1956.-86с.

13. Берт П.Дж. Интеллектуальное восприятие в пирамидальной зрительной машине // ТИИЭР, 1988, т.76, № 8, с. 175-186.

14. Бесл Дж. Геометрическое моделирование и машинное зрение // ТИИЭР, 1988, т.76, №8, с. 90-117.

15. Бунимович Д.З. Краткий курс фотографии. -М.: Искусство, 1972. -352с.

16. Бутаков Е.А. Обработка изображений на ЭВМ. М.: Радио и связь, 1987. -240с.

17. Бэрроу Х.Д., Тенебаум Дж.М. Алгоритмическое зрение. // ТИИЭР, 1981, №5. с. 91-120.

18. Верлер К.Х. Обработка графической информации с помощью вычислительной техники: Пер. с нем./Под ред. и с предисл. Д.М. Зозулевича; Пер. А.П. Стукач, Д.Р. Шерлинг. -М.: Машиностроение, 1979. -254с.

19. Выгодский М.Я. Справочник по высшей математике. -М.: Наука, 1966. -872с.

20. Горелик A.JL, Гуревич И.Б., Скрипкин В.А. Современное состояние проблемы распознавания. -М.: Радио и связь, 1985. -160с.

21. Грановская P.M. Элементы практической психологии. —JL: Издательство Ленинградского университета, 1988. —560с.

22. Грановская P.M., Березная И.Я. Интуиция и искусственный интеллект. -JL: Издательство Ленинградского университета, 1991. -272с.

23. Грановская P.M., Березная И.Я., Григорьева А.Н. Восприятие и признаки формы. -М.: Наука, 1981. -208с.

24. Гуревич И.Б. Проблемы распознавания изображений / Распознавание, классификация, прогноз. Математические методы и их применение, вып.1. -М.: Наука, 1989, с.280-328.

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

26. Дуда Р., Харт П. Распознавание образов и анализ сцен. -М.: Мир, 1976. -511с.

27. Дюк В.А. Компьютерная психология. -Санкт-Петербург: Братство, 1994. -364с.

28. Елисеев И.И., Руковишников В.О. Группировка, корреляция, распознаваниеобразов. -М.: Статистика, 1977. -144с.

29. Жаботинский Ю.Д., Исаев Ю.В. Адаптивные промышленные роботы и ихприменение в микроэлектронике. -М.: Радио и связь, 1985. -413с.

30. Журавлев Ю.И. Об алгоритмических методах в задачах распознавания и классификации / Распознавание, классификация, прогноз. Математические методы и их применение, вып.1. -М.: Наука, 1989, с.9 16.

31. Журавлев Ю.И., Гуревич И.В. Распознавание образов и анализ изображений // Искуственный интеллект. В 3-х кн. -М.: Радио и связь, 1990. Кн. 2. Модели и методы : Справочник / Под ред. Д.А. Поспелова. -304с.

32. Завалишин Н.В., Мучник И.Б. Модели зрительного восприятия и алгоритманализа изображений. -М.: Наука, 1974. -344с.

33. Загоруйко Н.Г. Методы распознавания и их применение. -М.: Сов. радио, 1972. -208с.

34. Зеленин Е.В. Курс начертательной геометрии. -М.: Физматгиз, 1959. -386 с.

35. Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического управления. -Киев: Техшка, 1969. -392с.

36. Икэути К., Канадэ Т. Автоматическое формирование программ распознавания образов // ТИИЭР, 1988, т. 76, №8, с. 186-209.

37. Кантони В., Левиальди С. Мультипроцессорные системы для обработки изображений//ТИИЭР, 1988, т.76, №8, с. 118-130.

38. Катыс Г.П. Автоматическое сканирование. М.: Машиностроение, 1969. -520с.

39. Катыс Г.П. Обработка визуальной информации. -М.: Машиностроение, 1990. -320с.

40. Козлов Ю.М. Адаптация и обучение в робототехнике. -М.: Наука, 1990. -248с.

41. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. -М.: Наука, 1974. -832с.

42. Ли Д. Вычислительные аспекты нижнего уровня машинного зрения //

43. ТИИЭР, 1988, т.76, №8, с.40-50. В 43. Литвак И. И., Ломов Б. Ф., Соловейчик И. Е. Основы построенияаппаратуры отображения в автоматизированных системах. Под ред. А. Я. Брейтбарта. М.: «Сов. радио», 1975. -352с.

44. Логвиненко А.Д. Зрительное восприятие пространства. -М.: МГУ, 1981. -224с.

45. Лотон Д.Т., Макконел К.С. Системы понимания изображений // ТИИЭР, 1988, т.76, №8, с.209-227.

46. Марр Д. Зрение: Информационный подход к представлению и обработке ^ зрительных образов у человека. -М.: Радио и связь, 1987. -402с.

47. Медынский С.Е. Мастерство кинооператора хроникально-документальных фильмов. -М.: Искусство, 1984. -223 с.

48. Минг Куай Ху. Математическая модель зрительного восприятия / Проблемы бионики: Биологические прототипы и синтетические системы. -М.: Мир, 1965, с.308-318.

49. Михели-Цанаку Э. Нейрофизиологические механизмы зрения и успехи в области нейромоделирования и машинного зрения // ТИИЭР, 1988, т.76,Г9, с.80-94.

50. Мучник И.Б. Формирование языка описания зрительных образов // Автоматический анализ сложных изображений / Сб. пер. под ред. Э. М. Бравермана. -М.: Мир, 1969, с.299-308.

51. Мушик Э., Мюллер П. Методы принятия технических решений. -М.: Мир, 1990, -208с.

52. Нарасимхан Р. Лингвистический подход к распознаванию образов // Автоматический анализ сложных изображений / Сб. пер. под ред. Э. М. Бравермана. -М.: Мир, 1969, с.22-49.

53. Нотон Д., Старк Л. Движение глаз и зрительное восприятие / Восприятие: механизмы и модели. -М.: Мир, 1974, с.226-240.

54. Павлидис Т. Алгоритмы машинной графики и обработки изображений. -М.:

55. Радио и связь, 1986. -400с.

56. Панфилов Н.Д. Школа кинолюбителя. —М.: Искусство, 1979. -223с.

57. Патрик Э. Основы теории распознавания образов. -М.: Сов. радио, 1980. -408с.

58. Пересада В.П. Автоматическое распознавание образов. -Л.: Энергия, 1970. -97с.

59. Прэтт У. Цифровая обработка изображений: В 2т. -М.: Мир, 1982. Т.2. -480с.

60. Психология машинного зрения / Под ред. П. Уинстон. -М.: Мир, 1978. -344с.

61. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. М.: Машиностроение, 1990. - 320с.

62. Рашевский П.К. Риманова геометрия и тензорный анализ. -М.: Наука, 1967. -664с.

63. Рашфорт К. Восстановление сигналов, функциональный анализ и интегральные уравнения Фредгольма первого рода // Реконструкция изображений / Под ред. Г. Старка. -М.: Мир, 1992. с. 15-46.

64. Розенфельд А. Машинное зрение: Основные принципы //ТИИЭР, 1988, т.76, №8, с. 10-16.

65. Розенфельд А. Распознавание и обработка изображений. -М.: Мир, 1972. -232с.

66. Садыков С.С., Самандаров И.Р. Скелетизация бинарных изображений // Зарубежная радиоэлектроника, 1985, №10, с.30-37.

67. Секачева А.В., Чуйкина A.M., Пименова Л.Г. Рисунок и живопись. -М.:

68. Легкая и пищевая промышленность, 1983. -216с.

69. Синенков Д.В. Модель процесса сегментации зашумленных изображений при неизвестных параметрах шума // Тез. докл. Всероссийской научно-техн. конф. "Информационные системы и технологии". -Н. Новгород, 2001, с.146-147.

70. Синенков Д.В. Информационная модель процесса сегментации в условиях априорной неопределенности // Межвуз. сб. науч. тр. "Системы обработки информации и управления", вып. 8, —Н. Новгород, 2001, с. 37-40.

71. Синенков Д.В. Алгоритмическое обеспечение процесса сегментации бинарных и полутоновых изображений в условиях априорной неопределенности // Межвуз. сб. науч. тр. "Системы обработки информации и управления", вып. 8, -Н. Новгород, 2001, с. 41-49.

72. Синенков Д.В. Информационная модель процесса подавления шума на изображениях, в условиях априорной неопределенности // Межвуз. сб. науч. тр. "Системы обработки информации и управления", вып. 7, -Н. Новгород, 2001, с. 77-79.

73. Синенков Д.В. Процедура учета тени объекта при анализе его формы // Тез. докл. научно-техн. форума "Будущее технической науки Нижегородского региона". -Н.Новгород, 2002, с. 134.

74. Синенков Д.В. Методы улучшения работы алгоритмов сегментации при помощи S-пирамиды. // сб. "Труды НГТУ: Системы обработки информации и управления", том 37, -Н. Новгород, 2002, с. 27-30.

75. Синенков Д.В. Алгоритмическое обеспечение поиска и узнавания объекта. // сб. "Труды НГТУ: Системы обработки информации и управления", том 35, -Н. Новгород, 2002, с. 42-47.

76. Синенков Д.В., Утробин В.А. Информационная модель восстановления трехмерного изображения по двумерной фронтальной проекции // Межвуз. сб. науч. тр. "Системы обработки информации и управления", вып. 7, -Н. Новгород, 2001, с. 73-76.

77. Сиран Иосиаки. Анализ массивов интенсивности с использованием знаний о сцене // Психология машинного зрения / Под ред. П. Уинстон. -М.: Мир, 1978, с.112-136.

78. Советский энциклопедический словарь/Гл. ред. A.M. Прохоров. -М.: Сов. энциклопедия, 1989.-1632с.

79. Трухаев Р.И. Модели принятия решений в условиях неопределенности. -М.: Наука, 1981. -257с.

80. Турбович И.Т., Гитис В.Г., Маслов В.К. Опознание образов: детерминированно-статистический подход. -М.: Наука, 1971. -246с.

81. Утробин В.А. Методы обработки изображений в условиях априорной неопределённости // Дисс. . д.т.н. Н. Новгород., 1997. - 409с.

82. Утробин В.А. Информационные модели системы зрительного восприятия для задач компьютерной обработки изображения: Учебное пособие. -Н.Новгород: НГТУ, 2001г. -231с.

83. Утробин В.А. Информационные модели этапа принятия решений в условиях априорной неопределенности: Часть 1 //Межвуз. сб. научн. тр. "Системы обработки информации и управления", вып. 3, Н. Новгород, 1998г. с.5-14.

84. Утробин В.А. Информационные модели этапа принятия решений в условиях априорной неопределенности: Часть 2 //Межвуз. сб. научн. тр. "Системы обработки информации и управления", вып. 4, Н. Новгород. 1998г, с.29-42.

85. Утробин В. А. Информационные модели этапа принятия решений в условиях априорной неопределенности: Часть 3 //Межвуз. сб. научн. тр.

86. Системы обработки информации и управления", вып. 6, Н. Новгород, 2000г, с.20-32.

87. Утробин В.А., Кондратьев В.В. Теория активного восприятия. -Н.Новгород: НГТУ, 1999. -316с.

88. Фишер Р. От поверхностей к объектам. Машинное зрение и анализ трехмерных сцен. -М.: Радио и связь, 1993. -288с.

89. Фу К. Структурные методы в распознавании образов. -М.: Мир, 1977. -319с.

90. Хорн Б. Определение формы по данным о полутонах // Психология машинного зрения / Под ред. П. Уинстон. -М.: Мир, 1978, с. 137-184.

91. Цзуанг Ц., Эстевалд Э., Харалик Р. Принцип максимальной энтропии в восстановлении изображений // Реконструкция изображений / Под ред. Г. Старка. -М.: Мир, 1992. С. 196 239.

92. Чекмарев А.А. Инженерная графика. -М.: Высшая школа, 1988.

93. Чэн Ш.-К. Принципы проектирования систем визуальной информации. -М.: Мир, 1994. -408с.

94. Шавров А.В., Солдатов В.В. Многокритериальное управление в условиях статистической неопределенности. -М.: Машиностроение, 1990. -160с.

95. Шильяк Д. Децентрализованное управление сложными системами. -М.: Мир, 1994. -576с.

96. Яншин В.В. Анализ и обработка изображений: Принципы и алгоритмы. -М.: Машиностроение, 1980. -112с.

97. Kanatani К. Detection of surface orientation and motion from texture by a stereological technique. // Artif. intell., vol.23, 1984, pp.213-237.