Методы построения специализированных векторизаторов для конструкторской документации электронных средств тема диссертации и автореферата по ВАК РФ 05.13.12, кандидат технических наук Темнов, Кирилл Анатольевич

  • Темнов, Кирилл Анатольевич
  • кандидат технических науккандидат технических наук
  • 2010, Москва
  • Специальность ВАК РФ05.13.12
  • Количество страниц 163
Темнов, Кирилл Анатольевич. Методы построения специализированных векторизаторов для конструкторской документации электронных средств: дис. кандидат технических наук: 05.13.12 - Системы автоматизации проектирования (по отраслям). Москва. 2010. 163 с.

Оглавление диссертации кандидат технических наук Темнов, Кирилл Анатольевич

Обозначения и сокращения

Введение

Глава 1. Анализ современного состояния автоматизации документирования

1.1. Анализ особенностей конструкторской документации.

1.1.1. Виды конструкторской документации.

1.1.2. Анализ особенностей текстовой документации.

1.1.3. Анализ особенностей графической документации.

1.1.4. Выводы.

1.2. Оценка эффективности векторизаторов.

1.2.1. Анализ особенностей современных векторизаторов.

1.2.2. Разработка тестовой выборки.

1.2.3. Описание тестовой выборки.

1.2.4. Оценка работы векторизаторов на тестовой выборке.

1.2.5. Выводы.

1.3. Анализ подходов к векторизации.

1.3.1. Предварительная обработка.

1.3.2. Распознавание текста.

1.3.3. Скелетизация изображения и выделение контуров.

1.3.4. Объединение текстовых и графических данных.

1.3.5. Выводы.

1.4. Постановка задачи разработки специализированного векторизатора для КД ЭС

1.5. Выводы.

Глава 2. Разработка модели специализированного векторизатора

2.1. Методы классификации.

2.1.1. Классификация на основе дерева решений.

2.1.2. Классификация на основе искусственных нейронных сетей.

2.2. Распознавание текстовых областей изображения.

2.2.1. Классификация с использованием перцептрона Румельхарта.

2.3. Повышение качества распознаваемого текста за счет использования дополнительного классификатора.

2.4. Скелетизация и оптимизация скелета.

2.4.1. Методы скелетизации.

2.4.2. Оптимизация скелета.

2.5. Выделение сложных графических объектов.

2.5.1. Аппроксимация ребер сплайнами.

2.5.2. Нахождение окружностей и дуг на изображении.

2.5.3. Эвристические алгоритмы для выявления сложных графических объектов.

2.6. Разработка алгоритмической модели специализированного векторизатора

2.7. Выводы.

Глава 3. Разработка алгоритмов специального векторизатора

3.1. Маркировка бинарного изображения.

3.1.1. Представление бинарного изображения в виде квадрантного дерева.

3.1.2. Построение и обход квадрантного дерева.

3.1.3. Алгоритм нахождения смежных узлов квадрантного дерева.

3.1.4. Алгоритм полурекурсивной маркировки.

3.1.5. Выделение текстовых компонент в квадрантном дереве.

3.1.6. Эвристический анализ на основе расстояния Левенштейна.

3.2. Построение и оптимизация скелета.

3.2.1. Алгоритм построения скелета изображения.

3.2.2. Алгоритм построения сплайнов на ребрах скелета.

3.3. Выявление сложных графических объектов.

3.3.1. Алгоритм поиска штриховок на изображении.

3.3.2. Алгоритм поиска стрелок.

3.3.3. Алгоритм поиска окружностей.

3.4. Разработка структур данных.

3.4.1. Экспорт в формат сМ.

3.4.2. Экспорт в формат svg.

3.5. Выводы.

Глава 4. Реализация и апробация специализированного векторизатора ИЗ

4.1. Архитектура программной платформы.ИЗ

4.1.1. Требования к реализации специализированного векторизатора.

4.1.2. Выбор языка реализации.

4.1.3. Архитектура программной платформы.

4.2. Тестирование специализированного векторизатора.

4.2.1. Результаты работы с тестовой выборкой.

4.3. Эффективность разработанного векторизатора.

4.4. Основные результаты.

Список иллюстраций

Список таблиц.

Рекомендованный список диссертаций по специальности «Системы автоматизации проектирования (по отраслям)», 05.13.12 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы построения специализированных векторизаторов для конструкторской документации электронных средств»

Ведущей тенденцией развития современных средств автоматизированного проектирования является непрерывная информационная поддержка поставок и жизненного цикла изделия (CALS). Для эффективной работы CALS-технологий на предприятиях необходимо внедрение PDM-систем, обеспечивающих поддержку электронного документооборота. Вместе с тем, значительная часть КД ЭС на предприятиях отечественной промышленности по-прежнему хранится в бумажном виде. Небольшая часть бумажных документов была со временем переведена в электронный вид посредством полного воссоздания в САПР, большая часть документов до сих пор остается в бумажном виде или в виде сканированных изображений, непригодных для полноценного использования в САПР.

Для электронного документирования КД ЭС могут быть использованы специализированные векторизаторы, однако оценка эффективности работы современных векторизаторов R2V Toolkit, VPHybridCAD, RasterVect, MagicTracer и Scan2CAD показала, что они не позволяют добиться существенного повышения производительности при переводе больших объемов КД ЭС. Это объясняется недостаточной эффективностью рассмотренных векторизаторов на графических объектах КД ЭС и требованиями, предъявляемыми к выходным векторным документам, например, необходимостью последующего редактирования полученных документов.

Разработка специализированных промышленных векторизаторов была фактически остановлена в 2007 году, когда страны-производители векторизаторов перевели основную часть бумажных документов в электронный формат. В нашей стране по-прежнему достаточное количество непереведенной КД, перевод которой средствами существующих векторизаторов сравним по трудоемкости с полным воссозданием КД в САПР, поэтому работа, посвященная исследованию повышения эффективности векторизации КД ЭС, является актуальной.

Изучением задач векторизации, фильтрации, сегментации частей изображения и оптического распознавания символов (Optical Character Recognition, OCR) занимались известные ученые, в том числе А.А. Марков, X. Самет (Н. Samet), JI.R Рабинер (L.R. Rabiner), С. Форчун (S. Fortune), Ч. Ли (C.Y. Lee), Р. Гонсалес (R.C. Gonzalez), Р. Вудс (R.E. Woods), Л.М. Ме-стецкий, Т. Кохонен (Т. Kohonen), Д. Роджерс (D. Rodgers) и др. Однако их исследования посвящены общим принципам реализации векторизаторов, фильтров и систем OCR и не в полной мере учитывают специфику и методы построения специализированных векторизаторов. Целью работы является повышение эффективности векторизации КД ЭС путем разработки специализированного векторизатора.

Существует несколько методов перевода бумажных документов в электронный вид:

Создание электронного документа в необходимом формате по соответствующему бумажному документу.

Преобразование бумажного документа в электронный формат посредством сканирования и присвоения документу необходимых атрибутов.

Преобразование бумажного документа в электронный формат посредством сканирования и дальнейшее распознавание с помощью систем распознавания текстовой информации (преимущественно для текстовых документов).

Преобразование бумажного документа в электронный формат посредством сканирования и дальнейшее распознавание с помощью систем распознавания графической информации - векторизаторов (преимущественно для чертежей).

Метод создания электронного документа в необходимом формате по бу-мажноу образу дает наилучшие результаты для любого документа, но является очень трудоемким и не подлежит автоматизации. Трудозатраты такого метода практически равны средствам, затраченным на создание бумажного документа.

Метод преобразования документа из бумажного вида в электронный посредством сканирования значительно менее трудоемок, но не учитывает специфику документа и не позволяет редактировать такой документ посредством применения САПР. Кроме того, для корректной индексации документа оператору приходится задавать дополнительные аттрибуты, которые уже есть в бумажном документе.

Метод преобразования текстовых бумажных документов в электронный формат - оптическое распознавание символов (OCR) давно существует, поэтому применение такого метода преобразования документов является предпочтительным и почти полностью автоматизированным для текстовой информации, процент распознавания документа колеблется в пределах от 70 до 98 %.

Преобразование графических бумажных документов в электронный формат является до сих нор не разрешенной до конца задачей. Современные алгоритмы векторизации не позволяют назначить для входных данных (отсканированному изображению бумажного документа) взаимно однозначное соответствие с выходными данными (электронному документу в векторном формате) и работают эффективно только для узкой предметной области и при жестких ограничениях. Например, одной из широко используемых областей применения векторизаторов является картография. Для векторизации картографических документов достаточно уровня обработки, обеспечиваемого современными векторизаторами.

Сильной стороной любого векторизатора является высокая степень автоматизации и минимальное вмешательство человека, что позволяет существенно уменьшить время векторизации и удешевить ее.

Наименее трудоемкими методами (с точки зрения трудозатрат человека) являются преобразование посредством сканирования бумажного документа, последующая векторизация и распознавание полученного изображения с дальнейшим объединением результатов векторизации и распознавания.

При обработке и векторизации цифровых изображений используются методы и алгоритмы из следующих областей: обработка изображений, анализ изображений, распознавание образов, машинное зрение.

Обработка и анализ изображений представляют собой логическое продолжение обработки сигналов с некоторыми поправками.

Машинное зрение применяется для широкого круга задач, в которых машине необходимо принять решение, основываясь на обработке данных с изображения или из видеопотока. Применительно к специфике задачи распознавания бумажных документов, можно сказать, что алгоритмы машинного зрения решают задачи организации информации на представленном изображении.

Распознавание образов является обширной областью исследования, включающей задачи OCR, распознавание штрих-кодов, изображений предметов, лиц и речи. Для решения описанных задач применяются искусственные нейронные сети и другие виды классификаторов. Если размерность задачи известна и не превышает некоторого порогового значения, для распознавания хорошо подходят нейронные сети (задача OCR), в случае большой или переменной размерности задачи могут использоваться аналитические методы решения или комбинация из аналитических методов и нейронных сетей.

Еще одной интересной задачей, встречающейся в распознавании образов, является распознавание текстуры изображения, которая может описывать некоторые дополнительные свойства предмета, например, такие, как материал, из которого изготовлен предмет. В случае с электронными документами в качестве текстуры выступает штриховка, обозначающая материал.

Объектом исследования являются методы построения специализированных векторизаторов для КД ЭС.

Задачи исследования:

1. Разработка алгоритмической модели векторизатора.

2. Разработка методики классификации символов на изображениях КД ЭС.

3. Разработка методов корректировки ошибок, возникающих при OCR КД ЭС.

4. Разработка алгоритмов векторизации, отличающихся от существующих меньшей сложностной оценкой.

5. Разработка алгоритмов поиска окружностей на изображениях КД ЭС, имеющих меньшую сложность, чем алгоритм Хафа для окружностей.

6. Разработка специализированного векторизатора, реализующего предлагаемые алгоритмы и методы.

Методы исследования основаны на использовании теории вероятности и математической статистики, теории планирования эксперимента, анализа сложности алгоритмов.

Признаками научной новизны обладают полученная автором алгоритмическая модель векторизатора, методика классификации символов и метод корректировки ошибок по двум словарям с учетом расстояния Левенштейна.

Практическую ценность представляет разработанная программная платформа, эффективно решающая задачи векторизации КД ЭС.

Реализация результатов работы.

Основные результаты работы были использованы в НПО «Лианозовский электромеханический завод» г. Москва.

Апробация работы.

Основные положения и результаты работы обсуждались на следующих конференциях: Всероссийская Научная Конференция, посвященная 75-летию Казанского государственного технического университета им. А.Н. Туполева (КАИ), г. Казань 2007,

Конференция молодых ученых ФРЕЛА, Московский Авиационный Институт (МАИ), г. Москва 2007,

Конференция молодых ученых ФРЕЛА, Московский Авиационный Институт (МАИ), г. Москва 2009.

Публикации по работе.

Предметом исследования данной работы являются существующие методы векторизации растровых представлений КД ЭС и методы повышения эффективности таких алгоритмов. Для повышения эффективности могут использоваться комбинации из уже применяемых алгоритмов, а так же дополнительные аналитические и математические методы, способные улучшить качество векторизации документов.

Структура диссертации.

В первой главе рассмотрены современное состояние автоматизации электронного документирования и проблемы, возникающие при использовании векторизаторов и программного обеспечения для OCR. Проведен статистический анализ векторизаторов на предмет распознавания ими графических объектов и текстовых областей на растровых изображениях документов. Рассмотрены методы, способные улучшить качество векторизации документов.

Во второй главе рассмотрены математические методы, позволяющие улучшить качество обработки изображения и количество правильно распознаваемых графических примитивов. Предложены способы комбинации указанных методов для повышения общей эффективности алгоритмов векторизации. Разработан математический аппарат, позволяющий проводить векторизацию документов.

В третьей главе рассмотрены алгоритмы, предлагаемые для решения задач векторизации, проведен анализ эффективности предложенных алгоритмов по сравнению с известными. Предложены алгоритмы, повышающие качество векторизации за счет комбинирования известных алгоритмов. В главе производится выбор форматов для получения результирующих данных и форм внутреннего представления данных для повышения скорости обработки векторизируемых изображений.

В четвертой главе описан процесс создания программного обеспечения: выбор языка для реализации, применение сторонних библиотек, описание вспомогательных модулей. Произведена оценка скорости обработки изображений из тестовой выборки и анализ эффективности реализации алгоритмов. Результаты разработанного векторизатора сравниваются с результатами других векторизаторов, полученными в главе 1. Производится оценка использованных методов и алгоритмов с целью определения направления работ по дальнейшему усовершенствованию векторизации.

Похожие диссертационные работы по специальности «Системы автоматизации проектирования (по отраслям)», 05.13.12 шифр ВАК

Заключение диссертации по теме «Системы автоматизации проектирования (по отраслям)», Темнов, Кирилл Анатольевич

В.1 Результаты работы векторизаторов на тестовой выборке . 146

0.1 Отображение графических объектов в объекты svg.153

Е.1 Параметры тестовых изображений и время работы алгоритмов 158

Список литературы диссертационного исследования кандидат технических наук Темнов, Кирилл Анатольевич, 2010 год

1. Арагпа К.H. , Chakravarthy V.S. A complete ocr system developement of tamil magazine documents // Tamil 1.ternet. — 2003. — Pp. 45-51.

2. Yuan Q. , Tan C.L. Page segmentation and text extraction from gray scale image in microfilm format // Document Recognition and Retrieval VIII Proc. SPIE. 2001. - Pp. 323-332.

3. Behera A. , Lalanne D. , Ingold R. Visual signature based identification of low-resolution document images // The 2004 ACM symposium on Document engineering. — 2004. — Pp. 178-187.

4. Anigbogu J.C. , Belaïd A. Hidden markov models in text recognition // International Journal of Pattern Recognition and Artificial Intelligence. — 1995,-Vol. 9, no. 95-153.

5. Xu Y. , Nagy G. Prototype extraction and adaptive ocr // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1999.— Vol. 21, no. 1280-1296.

6. Chen Q. — Evaluation of OCR Algorithms for Images with Different Spatial Resolutions and Noises. — Master's thesis, Ottawa, 2003.

7. Taghva K. , Borsack J. , Condit A. An expert system for automatically correcting ocr output // In Proceedings of the IS&T/SPIE 1994 International Symposium on Electronic Imaging Science and Technology. — 1994. — Pp. 270-278.

8. Park J. , Govindaraju V. , Srihari S. Ocr in a hierarchical feature space // IEEE Trans, on Pattern Analysis and Machine Intelligence. — 1998. — Vol. 22. Pp. 400-407.

9. Арлазаров В. JI. , Троянкер В.В. , Котович Н.В. Адаптивное распознавание символов. — http: //www. cuneiform.ru/tech/adaptive .html.

10. Кат Но Т. , Baird H. Evaluation of ocr accuracy using synthetic data // The 4th Annual Symposium on Document Analysis and Information Retrieval. — 1995. — Pp. 412-422.

11. Кат Но Т. , Nagy G. Осг with no shape training // 15th International Conference on Pattern Recognition. — Vol. 4. — 2000. — Pp. 27-30.

12. Lee C.Y. An algorithm for path connections and its applications // IRE Transactions on Electronic Computers. — 1961.— Vol. EC-10, no. 2.— Pp. 364-365.

13. Заугольнова E.B. , Юрин Д.В. Алгоритм уточнения предварительной сегментации изображений с нечеткими, слабоконтрастными границами двумерных объектов // International Conference Graphicon. — 2006.

14. Лагно Д. , Соболев А. Модифицированные алгоритмы Форчуна и Ли скелетизации многоугольной фигуры // International Conference Graphicon. — 2001.

15. Местецкий JI.M. Непрерывный скелет бинарного растрового изображения. // International Conference Graphicon. — 1998.

16. Местецкий JI.M. Векторизация растровых бинарных изображений на основе апроксимации // 10-я Всероссийская конференция Математические Методы Распознавания Образов. — 2001. — С. 249 252.

17. Местецкий JI.M. , Рейер И.А. Построение скелета области с кусочно-гладкой границей на основе полигональной апроксимации // 10-я Всероссийская конференция Математические Методы Распознавания Образов. 2001. - С. 252-256.

18. Местецкий JI.M. , Нефедов А.Г. Восстановление следа пера при анализе сканированных рукописных документов // 11-я Всероссийская конференция Математические Методы Распознавания Образов. — 2003. — С. 364-367.

19. Местецкий JI.M. Скелет многосвязной многоугольной фигуры // International Conference Graphicon.— 2005.

20. Масалович А.А. Кластеризация изображения графем на основе непрерывного гранично-скелетного представления // 12-я Всероссийская конференция Математические Методы Распознавания Образов. — 2005. — С. 374 -378.

21. Peng J. An efficient algorithm of thinning scanned pencil drawings // Journal of Image and Graphics. — 2000. — Vol. 5. — Pp. 434-439.

22. Темное К.A. , Репнев Д.Н. , Полицарнов Т.К. Анализ возможности использования существующих векторизаторов для распознавания электрических принципиальных схем. // Информационно-измерительные и управляющие системы. — 2007. — Т. 5, № 11. — С. 49-54.

23. Темное К.А. , Кириллов А.В. , Галкин С. В. Алгоритм скеле-тизации растрового монохромного изображения // Информационно-измерительные и управляющие системы. — 2009. — Ш 8. — С. 45 49.

24. Zhou R. W. , Quek С. , Ng G.S. A novel single-pass thinning algorithm and an effective set of performance criteria // Pattern Recognition Letter. — 1995. March. - Pp. 1267-1275.

25. Fortune S. Computing in Euclidean Geometry. — 1 edition. — World Scientific, 1992. Pp. 193-233.

26. Ogniewicz R. , Ilg M. Voronoi skeletons: Theory and applications // Conference on Computer Vision and Pattern Recognition. — 1992. — Pp. 63-69.

27. Местецкий Л.М. Скелетизация многоугольной фигуры на основе обобщенной триангуляции Делоне // Программирование. — 1999. — Т. 3. — С. 16-31.

28. Marr D. , Hildreth Е. Theory of edge detection // The Royal Society. — 1980.

29. A new skeletonization method based on connected component approach / Kumar V.V., Srikrishna A., ShaikS.A., Trinath S.// International Journalof Computer Science and Network Security. — 2008.— February. — Vol. 8, no. 2. Pp. 133-137.

30. Blum H. A transformation for extracting new descriptors of shape // Models for the Perception of Speech and Visual Form. — 1967. — Pp. 362-380.

31. ЕСКД. Виды и комплектность конструкторских документов. — ГОСТ 2.102-68.

32. ЕСКД. Схемы. Виды и типы. Общие требования к выполнению. — ГОСТ 2.701-84.

33. Text classification from labeled and unlabeled documents using em / Nigam K., Mccallum A.K., Thrun S., Mitchell T. // Machine Learning. — 1999. Vol. 39. - Pp. 103 - 134.

34. ЕСКД. Шрифты чертежные. ГОСТ 2.304-81.

35. Феличи Дж. Типографика: шрифт, верстка, дизайн. — M:BHV, 2004.

36. ЕСКД. Общие правила оформления чертежей. Нанесение размеров. — ГОСТ 2.307-68.

37. ЕСКД. Линии. — ГОСТ 2.303-68.

38. ЕСКД. Обозначения графических материалов и правила их нанесения на чертежах. ГОСТ 2.306-68.

39. Comparison of raster to vector conversion software Электронный ресурс. — http://en.wikipedia.org/wiki/Comparisonofrasterto vectorconversionsoftware.

40. Adobe Corp. Tiff specification Электронный ресурс.— http:// partners.adobe.com/public/developer/en/tiff/TIFF6.pdf. — 1993. — 6.

41. Oracle Corp. Jpeg metadata format specification and usage notes Электронный ресурс.— http://download.oracle.eom/javase/6/ docs/api/javax/imageio/metadata/doc-files/jpegmetadata.html.

42. Otsu N. A treshold selection method from gray-level histograms // IEEE Trans. Systems, Man, and Cybernetics. — 1979. — Vol. 9, no. 1. — Pp. 62-66.

43. Шапиро JI. , Стокман Дж. Компьютерное зрение. — М:БИНОМ, 2006.

44. Liu Q.H. , Tan C.L. Automatic indexing of newspaper microfilm images // The 5th International Workshop on Document Analysis Systems V. 2002. - Pp. 365-375.

45. Hse H. , Newton A.R. Sketched symbol recognition using zernike moments // ICPR 2004. Proceedings of the 17th International Conference. — Vol. 1. 2004. - Pp. 367 - 370.

46. Hew P. Recognition of printed digits using zernike moments and gaussian models.

47. Singh H. , Sharma R.K. Moment in online handwritten character recognition // Proceedings of National Conference on Challenges & Opportunities in Information Technology. — 2007.

48. Accurate and efficient computation of high order zernike moments / Amayeh G.R., Erol A., Bebis G., Nicolescu M. // First International Symposium, ISVC 2005, Lake Tahoe, NV, USA. 2005. - Pp. 462-469.

49. Nixon M.S. , Aguado A.S. Feature Extraction and Image Processing. — 2 edition. — Academic Press, 2008.

50. Rabiner L.R. , Juang B.H. An introduction to hidden markov models // IEEE ASSP Magazine. — 1986. Pp. 4 - 16.

51. Rabiner L.R. A tutorial on hidden markov models and selected applications in speech recognition // Proceedings of the IEEE. — 1989. — Pp. 257-286.

52. Kannan R.J. Accuracy augmentation of tamil ocr using algorithm fusion // International Journal of Computer Science and Network Security. — Vol. 8. — 2008. Pp. 51-56.

53. Colin A. Building decision trees with the id3 algorithm // Dr. Dobbs Journal. — 1996.

54. Quinlan J.R. C4.5 Programs for Machine Learning. — Morgan Kaufmann, 1993.

55. Classification and Regression Trees / Breiman L., Friedman J., Stone C.J., Olshen R.A. — Chapman and Hall, 1984.

56. Кохонен Т. Самоорганизующиеся карты. — Бином. Лаборатория знаний, 2008.

57. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilitie // Proceedings of National Academy of Sciences. — 1982.-April.-Vol. 79, no. 8.—Pp. 2554-2558.

58. Розенблатт Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга. — М:Мир, 1965.

59. Rumelhart D.E. , McClelland J.L. Parallel distributed processing: Explorations in the microstructures of cognition // Cambridge, MA: MIT Press. — 1986.

60. Verma B. , Blumenstein M. Pattern Recognition Technologies and Applications: Recent Advances. — Information Science Reference, 2008.

61. Короткий С. Нейронные сети: алгоритм обратного распространения. — М:Мир, 1997.

62. Галушкин А. И. Синтез многослойных систем распознавания образов.— М:Энергия, 1974.

63. Werbos P.J. Beyond regression: New tools for prediction and analysis in the behavioral sciences: Ph.D. thesis / Harvard University, Cambridge, MA. — 1974.

64. Pal S.K. , Mitra S. Multilayer perception, fuzzy sets, and classification // IEEE Transactions on Neural Networks. — 1992. — Vol. 3, no. 5. — Pp. 683696.

65. Мисюрев А.В. Использование искусственных нейронных сетей для распознавания рукопечатных символов Электронный ресурс.— http:// www.cuneiform.ru/tech/handprinted.html.

66. Левенштейн В. И. Двоичные коды с исправлением выпадений, вставок и замещений символов. // Доклады Академий Наук СССР. — Т. 163. — 1966. С. 845-848.

67. Kukich К. Techniques for automatically correcting words in text // ACM ComputingSurveys. — 1992. — December. — Vol. 24, no. 4. — Pp. 377-439.

68. Introduction to Algorithms / Cormen Т.Н., Leiserson C.E., Rivest R.L., Stein C. — 2 edition. MIT, 2001.

69. Дегтярева A. , Вежневец В. Преобразование Хафа (hough transform) // CGM. 2003.

70. Мариничев К. , Вежневец В. Алгоритмы выделения параметрических кривых на основе преобразование Хафа // Компьютерная графика и мультимедиа. — 2006. — Т. 4, № 1.

71. Лебедев С. А. , О сосков Г. А. Быстрые алгоритмы распознавания колец и идентификация электронов в детекторе rich эксперимента СВМ // Письма в ЭЧАЯ. 2009. — Т. 6, № 2. - С. 260-284.

72. Lu Z. , Bazzi I. , Kornai A. et al. A robust, language-independent ocr system.

73. Sun H.M. Enhanced constrained run-length algorithm for complex layout document processing // International Journal of Applied Science and Engineering. — 2006. — Pp. 297-309.

74. AutoCad 2000 dxf reference Электронный ресурс.— http://www. autodesk.com/techpubs/autocad/acad2000/dxf/.

75. Scalable vector graphics (svg) 1.1 (second edition) Электронный ресурс. — http://www.w3.org/TR/SVG/.

76. Finkel R.A. , Bentley J.L. Quad trees a data structure for retrieval on composite keys // Acta Informatica. — 1974.— Vol. 4.— Pp. 1-9.— 10.1007/BF00288933. http: //dx. doi. org/10.1007/BF00288933.

77. Темное К.А. Повышение эффективности векторизации конструкторской документации электронных средств. // Вестник МАИ. — 2010. — Т. 17, № 13,- С. 213 221.

78. Yoder R. , Bloniarz P. A practical algorithm for computing neighbors in quadtrees, octrees, and hyperoctrees Электронный ресурс. — http: //wwl. ucmss.com/books/LFS/CSREA2006/MSV4517.pdf.

79. Tanimoto S.L. The elements of artificial intelligence using common LISP. — 2 edition. — W.H. Freeman & Company, 1995. — April.

80. Pal U. , Sinha S. , Chaudhuri B.B. Multi-script line identification from indian documents // Seventh International Conference on Document Analysis and Recognition. — 2003. — Pp. 880-884.

81. Skew detection, page segmentation, and script classification of printed document images / Waked В., Bergler S., Suen C.Y., Khoury S. // In IEEE International Conference on Systems, Man, and Cybernetics. — IEEE Computer Society, 1998. Pp. 4470-4475.

82. Abbass Y.M. , Fakher W. , Rashwan M. Arabic / english identification in a hybrid complex documents images // GVIP 05 Conference. — 2005.— Pp. 189-194.

83. Темное К.А. Библиотека для генерации файлов в формате dxf Электронный ресурс. — http: //github. com/selead/sb-dxf. — 2010.85. gnuplot Программа для создания двухмерных и трехмерных графиков Электронный ресурс. — http: //www. gnuplot. info/.

84. Imagemagick(R) Библиотека для обработки изображений Электронный ресурс. — http: //www. imagemagick. org/script/index.php.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.