Методы решения задачи попиксельной S-аппроксимации мультитоновых изображений и их оптимизация тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Скляренко, Анна Анатольевна

• Скляренко, Анна Анатольевна
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Скляренко, Анна Анатольевна

ВВЕДЕНИЕ.

1 АППРОКСИМИРУЮЩЕЕ ПРЕОБРАЗОВАНИЕ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ КАК МЕТОД PIX ПОДГОТОВКИ К ЗАДАЧАМ РАСПОЗНАВАНИЯ.

1.1 Прикладные задачи распознавания изображений.

1.1.1 Компьютерное зрение.

1.1.2 Использование распознавания изображений в машиностроение.

1.1.3 Задача распознавания изображений в геодезии и геологии.

1.1.4 Использование распознавания изображений в медицине.

1.1.5 Проблемы решения задачи распознавания изображений.

1.1.6 Описание задачи обработки распознаваемых изображений.

1.2 Задача предобработки распознаваемых изображений.

1.2.1 Предобработка изображения.

1.2.2 Структура кодирования цветного изображения.

1.2.3 Матричная модель пиксельного изображения.

1.2.4 Упрощение полутоновых изображений в PhotoShop.

1.3 Сегментация полутоновых изображений.

1.3.1 Постановка задачи сегментации изображений.

1.3.2 Методы сегментации.

1.3.3 Постановка задачи оптимальной аппроксимации изображений.

1.4 Анализ возможностей методов поисковой оптимизации применительно к задаче построения оптимального упрощенного изображения.

1.4.1 Классификация методов оптимизации.

1.4.2 Сравнительный анализ методов оптимизации.

1.5 Эвристические методы как универсальный инструмент поисковой оптимизации.

1.5.1 Понятие эвристических методов.

1.5.2 Генетические алгоритмы.

1.5.3 Метод "колонии муравьев".

1.5.4 Метод роящихся частиц.

1.6 Исследование возможностей и особенностей КМРЧ для решения задач поисковой оптимизации.

1.6.1 Обзор канонического метода роящихся частиц.

1.6.2 Анализ возможностей канонического метода роящихся частиц при исследовании функции Химмельблау на экстремумы.

1.7 Выводы по первой главе.

2 АЛГОРИТМЫ 8-АППРОКСИМАЦИИ МУЛЬТИТОНОВЫХ ИЗОБРАЖЕНИЙ.

2.1 Структурирование изображений на основе метода 8-аппроксимации

2.1.1 Сущность аппроксимации изображений.

2.1.2 Критериальная оценка результатов 8-аппроксимации.

2.1.3 Критерий эффективности 8-аппроксимации на основе опорной СКО-оценки.

2.2 Приближенная Б-аппроксимация изображения на основе его частотной диаграммы яркостей.

2.2.1 Общая характеристика задачи формирования изображения в б-тоновой палитре.

2.2.2 Алгоритм «прямого деления частотной диаграммы яркости».

2.2.3 Алгоритм «взвешенного деления частотной диаграммы яркости»

2.2.4 Алгоритм «доминирования опорной яркости на основе ЧДЯ».

2.2.5 Анализ альтернативных возможностей повышения эффективности аппроксимации.

2.3 Приближенная Б-аппроксимация изображения на основе интегральной диаграммы яркостей.

2.3.1 Интегральная диаграмма яркости.

2.3.2. Алгоритм «прямого деления интегральной диаграммы яркости»

2.3.3 Алгоритм «доминирования опорной яркости на основе ИДЯ».

2.3.4 Алгоритм «зеркального отображения опорных яркостей».

2.3.5 Гибридные алгоритмы 8-аппроксимации.

2.4 Сравнительный анализ эвристических алгоритмов S-аппроксимации на статистически значимой выборке мультитоновых изображений.

2.4.1 Описание библиотеки изображений.

2.4.2 Влияние величины S на выбор алгоритма аппроксимации заданного изображения.

2.4.3 Влияние величины S на выбор алгоритма аппроксимации множества изображений.

2.4.4 Расчет степени лидерства алгоритма S-аппроксимации над другими алгоритмами.

2.5. Оптимизация S-аппроксимации изображений методом свободных границ.

2.5.1 Аксиома s-аппроксимации.

2.5.2 Алгоритм «равноудаленности границ».

2.5.3 Модифицированный алгоритм равноудаленности границ.

2.6 Выводы по второй главе.

3 ПАРАМЕТРИЧЕСКАЯ ОПТИМИЗАЦИЯ ОБОБЩЕННОГО АЛГОРИТМА S-АППРОКСИМАЦИИ МУЛЬТИТОНОВЫХ ИЗОБРАЖЕНИЙ.

3.1 Предметная ориентация метода роящихся частиц под задачу оптимизации S-аппроксимации.

3.1.1 Анализ особенностей исходного канонического метода роящихся частиц.

3.1.2 Концептуальная усовершенствованная структура модели роя.

3.1.3 Структура роя и ее построение под задачу оптимизации S-аппроксимации.

3.1.4 Постановка задачи поведенческой модифицикации метода роящихся частиц.

3.2 Структурно-параметрическая модификация метода роящихся частиц

3.2.1 Описание путей модификации исходного метода роящихся частиц

3.2.2 Математическая модель метода деления роев.

3.2.3 Алгоритмическая модель метода деления роев.

3.3 Исследование метода деления роев при решении математических задач

3.3.1 Общая постановка задачи.

3.3.2 Описание схемы полнофакторного эксперимента.

3.3.3 Анализ эффективности применения МДР для поиска экстремумов одномерной функции.

3.3.4 Анализ эффективности применения МДР для поиска экстремумов двумерной функции.

3.4 Исследование метода деления роев при решении задачи оптимизации s-аппроксимации мультитоновых изображений.

3.4.1 Постановка задачи.

3.4.2 Исследование эффективности применения метода деления роев для оптимизации S-аппроксимации.

3.5 Применение метода делящихся роев для решения задачи распознавания образов.

3.5.1 Предметная ориентация МДР под задачу распознавания зерен.

3.5.2 Результаты применения предметно ориентированного МДР для распознавания зерен.

3.6 Выводы по третьей главе.

4ПРОГРАММНЫЙ КОМПЛЕКС «IMAGING» ПОПИКСЕЛЬНОЙ S-АППРОКСИМАЦИИ МУЛЬТИТОНОВЫХ ИЗОБРАЖЕНИЙ.

4.1 Общая характеристика программного комплекса «Imaging».

4.1.1 Функциональное назначение программного комплекса «Imaging»

4.1.2 Концептуальная схема функционирования программного комплекса «Imaging».

4.1.3 Структура программного комплекса «Imaging».

4.1.4 Объектно-ориентированная модель модуля «PRApproximation».

4.1.5 Объектно-ориентированная модель модуля «Roy».

4.2 Описание интерфейса взаимодействия с пользователем.

4.2.1 Интерфейс, реализованный в модуле «PRApproximation».

4.2.2 Интерфейс, реализованный в модуле «Roy».

4.3 Выводы по четвертой главе.

Введение диссертации (часть автореферата) на тему «Методы решения задачи попиксельной S-аппроксимации мультитоновых изображений и их оптимизация»

Актуальность темы. Основным источником получения информации человеком является зрение, поэтому одним из важных направлений развития информационных технологий является распознавание образов по принципу зрения человека, т.е. развивается техническое или компьютерное зрение.

Области применения компьютерного зрения разнообразны. Широко оно применяется в металлографии при обработке микрошлифов металлов. Морфологический анализ изображений на основе компьютерного зрения также применяется в геодезии и геологии. Большое значение оно имеет при автоматизации контроля качества на производстве. Задачи распознавания образов также возникают в медицинской диагностике. Например, при исследовании морфологической картины биожидкостей для обнаружения патологических состояний, также при томографических исследованиях. Особое место компьютерное зрение занимает в робототехнике. Ключевым этапом компьютерного зрения является распознавание изображений.

При распознавании изображений очень сложно оценивать цветное графическое изображение, так как оно представляет собой сочетание тысяч и миллионов форм, яркостей, цветностей, границ и тонов. Однако оказывается, что в большинстве случаев это и не нужно, так как не все многочисленные черты исследуемого образа являются информативными. Для эффективности анализа некоторые признаки полезно подчеркнуть, усилить, а другие, наоборот, сделать незаметными или устранить. В связи с этим одним из основных этапов распознавания образов является предобработка изображения, результатом которой является его упрощение для дальнейшей визуализации и преобразования. Одним из вариантов упрощения является уменьшение количества тонов исходного изображения до количества, при котором сохраняются информативные признаки и удаляются лишние яркости затрудняющие применение методов распознавания. Такое упрощение в данной работе названо 8-аппроксимацией.

Таким образом, диссертационная работа посвящена решению актуальной научно-технической проблемы, связанной с разработкой и оптимизацией общего метода и ряда частных алгоритмов попиксельной аппроксимации мультитонового изображения с использованием 51 тонов.

Цели и задачи исследования. Основной целью диссертации является разработка алгоритма параметрически оптимальной попиксельной аппроксимации исходного мультитонового изображения ^-тоновым.

Системные исследования этой проблемы выявили, что для достижения поставленной цели необходимо решить следующие научные и экспериментально-практические задачи:

1. Исследовать процесс решения задачи распознавания графического образа и выявить основные этапы предварительной попиксельной обработки изображения.

2. Разработать и исследовать математическую модель критериальной оценки эффективности применения попиксельной б'-аппроксимации.

3. Провести сравнительное исследование известных алгоритмов попиксельной аппроксимации мультитоновых изображений с использованием разработанной критериальной оценки.

4. Разработать более эффективные алгоритмы попиксельной аппроксимации мультитоновых изображений и провести их сравнительное критериальное исследование.

5. Провести подробный системный анализ результатов, выбрать наиболее перспективную информационную технологию упрощения изображений, а также построить обобщенный алгоритм попиксельной 5"-аппроксимации.

6. Разработать, исследовать и довести до формального алгоритма метод поисковой параметрической оптимизации попиксельной -аппроксимации мультитоновых изображений.

7. Разработать комплекс программ, реализующих разработанные алгоритмы, с учетом возможности их практического, научноисследовательского и учебного использования, а также возможности проведения сравнительных численных экспериментов.

Существенные научные результаты, полученные в диссертации:

1. метод и обобщенный алгоритм параметрически оптимальной попиксельной iS-аппроксимации мультитоновых изображений;

2. комплекс субоптимальных алгоритмов ^-аппроксимации мультитоновых изображений;

3. постановка задачи параметрической оптимизации алгоритмов S-аппроксимации;

4. модифицированный метод и алгоритм поисковой оптимизации, основанный на идее имитации поведения роя;

5. метод и алгоритм деления роя, основывающийся на градиентном исследовании пространства оптимизируемых параметров.

Научная новизна существенных результатов диссертации определяется следующими отличительными признаками:

1. разработанный метод и обобщенный алгоритм параметрически оптимальной попиксельной S-аппроксимации мультитоновых изображений отличается от известных методов преобразования изображений тем, что он позволяет получать S-тоновое изображение, минимально отличающееся по яркостным характеристикам от исходного по разработанному квадратичному критерию (в среднем на 11 % по сравнению со стандартными алгоритмами, применяемыми в фотошопах);

2. сформированный комплекс субоптимальных алгоритмов S-аппроксимации мультитоновых изображений отличается от разработанного оптимального метода простотой реализации и меньшими ресурсными, в частности, временными затратами (в 50-80 раз), а от известных - более обоснованными критериями пиксельных замен, что приводит к более высокой точности аппроксимации (в среднем на 8 %);

3. модифицированный метод и алгоритм поисковой оптимизации, основанный на идее имитации поведения роя отличается от известных вариантов повышенной эффективностью обнаружения экстремумов и возможностью их параллельного поиска.

4. метод и алгоритм деления роя, основывающийся на градиентном исследовании пространства оптимизируемых параметров обоснован множеством статистически представительных экспериментов, как при исследовании сложных экстремальных аналитических зависимостей, так и при решении конкретных практических задач.

Методы исследования. В диссертации применялись методы имитационного моделирования, статистической обработки результатов, теории распознавания изображений, математической статистики, теории планирования экспериментов.

Достоверность результатов исследования достигается за счет корректного применения методов системного имитационного моделирования и исчерпывающей статистической обработки результатов. Проведены представительные по числу опытов вычислительные эксперименты, результаты которых использованы для получения статистически достоверных данных. Общий объем экспериментальных исследований по оценке свойств алгоритмов составил более 135000 опытов. Статистическая достоверность опытных данных обеспечивалась несколькими параллельными опытами.

Практическая значимость. Практически значимыми результатами диссертационной работы являются:

1. возможность использования созданных алгоритмов попиксельной аппроксимации изображений для упрощения изображения путем уменьшения количества тонов на этапе предобработки при решении задачи распознавания образов во многих сферах деятельности: физике, металлографии, управлении оценкой качества, геологии и геодезии, робототехнике, медицине и т.д.;

2. добавление в практику обработки изображений процедуры сокращения количества тонов в исходной тоновой палитре до значения, обеспечивающего сохранение информативных признаков, как обязательного этапа распознавания, повышает его эффективность и упрощает информационную обработку изображения;

3. модифицированный алгоритм оптимизации на основе МРЧ позволил разработать для исследований «Программное средство б'-аппроксимации мультитоновых изображений», построенное на основе концепции объектно-ориентированного программирования и зарегистрированное в Роспатенте (№ 2009616802, заявл. 30.11.2009; зарег. 27.01.2010). Оно также может быть использовано для осуществления предобработки графических изображений с целью повышения эффективности их дальнейшего распознавания, в различных прикладных задачах.

Кроме того, нужно отметить, что уменьшение количества тонов позволит выбирать более простые, быстрые и эффективные методы сегментации и распознавания изображений, что позволит снизить программную сложность реализации таких методов и повысить точность.

Практическая значимость проведенных исследований и разработок подкрепляется актами внедрения и применения результатов диссертационного исследования, как в производственном процессе частных организаций, так и в учебном процессе при изучении методов распознавания и сегментации в рамках различных дисциплин.

Апробация диссертационной работы. Основные результаты диссертационной работы докладывались и обсуждались на:

• международных научно-технических конференциях «Математические методы в технике и технологиях»: ММТТ-18 - Казань, 2005 г.; ММТТ-20 - Ярославль, 2007 г.; ММТТ-21 - Саратов, 2008 г.; ММТТ-22 - Псков, 2009 г.; ММТТ-23 - Саратов, 2010 г.;

• международных научно-методических симпозиумах «Современные проблемы многоуровневого образования» (г. Ростов-на-Дону - с. Дивноморское): 2007-2009 гг.;

• IV региональной научно - практической конференции, АТИ ДГТУ. -Азов, 2007 г.;

• 1Х-ой Международной научно-технической конференции «Интеллектуальные системы '09»: Конгресс по интеллектуальным системам и информационным технологиям «А18-1Т'09». - Москва, 2009 г.;

• международных научно-технических форумах ИнЭРТ (г. Ростов-на-Дону): 2009 г., 2012 г.

• международных научных семинарах «Системный анализ, управление и обработка информации» (г. Ростов-на-Дону - с. Дивноморское): 2007 г., 2011 г., 2012 г.

Большинство промежуточных результатов диссертационных исследований докладывались на ежегодных научно-технических конференциях Донского государственного технического университета в 2007-2012 гг.

Публикации. Основные результаты диссертации опубликованы в 30 работах, из которых 20 - самостоятельные публикации. В 10 работах, опубликованных в соавторстве, доля материалов, принадлежащих автору диссертации, составляет не менее 50%. При этом 3 статьи, одна из которых -самостоятельная публикация, опубликованы в ведущих научных журналах, входящих в список ВАК РФ.

Диссертационная работа состоит из введения, четырех глав, заключения и приложений.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Скляренко, Анна Анатольевна

4.3 Выводы по четвертой главе

4.3.1. Высокая практическая значимость программного комплекса «Imaging». Разработанный программный комплекс «Imaging» является эффективным и удобным инструментом для решения задачи S-аппроксимации мультитоновых изображений. Она позволяет быстро и эффективно выполнить аппроксимацию изображения до любого количества тонов на основе выбранного метода. Также предусмотрена возможность составления индивидуальной последовательности шагов, составляющих алгоритм упрощения изображения. В программе предусмотрена возможность применения опорной СКО-оценки для любых графических аппроксимаций. В данной работе она применялась для оценки алгоритмов PhotoShop. Возможности, реализованные в программном комплексе «Imaging» позволяют существенно упростить преобразование изображения к форме, более удобной для дальнейшего выделения информативных признаков. О востребованности программного комплекса «Imaging» говорят акты об использовании результатов диссертационной работы, приведенные в приложении Ж.

4.3.2. Объектно-ориентированная модель программного комплекса «Imaging». Программный комплекс «Imaging» разработан на основе объектно-ориентированной парадигмы программирования в рамках платформы ASP.NET с использованием языка С#. Данный программный комплекс состоит из двух основных модулей «PRApproximation» и «Roy», что позволило создать две независимые программы. Первая из которых направлена на решение задачи S-аппроксимации изображений, а вторая на исследование КМРЧ и МДР с возможностью сохранения статистики для проведения экспериментов.

4.3.3. Интуитивно-понятный интерфейс программного комплекса «Imaging». Для работы с программным комплексом «Imaging» достаточно владение навыками работы с операционной системой Windows. Выполнение алгоритма S-аппроксимации сопровождается выводом промежуточной информации в виде диаграмм яркостей с указанными на них координатами границ интервалов и опорных яркостей.

ЗАКЛЮЧЕНИЕ

В рамках диссертационной работы разработан алгоритм параметрически оптимальной попиксельной аппроксимации исходного мультитонового изображения ^-тоновым.

Для его разработки решены следующие научные и экспериментально-практические задачи:

1. Исследован процесс решения задачи распознавания графического образа и выявлены основные этапы предварительной попиксельной обработки изображения.

2. Разработана и исследована математическая модель критериальной оценки эффективности применения попиксельной Б-аппроксимации.

3. Проведено сравнительное исследование известных алгоритмов попиксельной аппроксимации мультитоновых изображений с использованием разработанной критериальной оценки.

4. Разработаны более эффективные алгоритмы попиксельной аппроксимации мультитоновых изображений и проведено их сравнительное критериальное исследование.

5. Проведен подробный системный анализ результатов, выбрана наиболее перспективная информационная технология упрощения изображений, а также построен обобщенный алгоритм попиксельной аппроксимации.

6. Разработан, исследован и доведен до формального алгоритма метод поисковой параметрической оптимизации попиксельной 8 -аппроксимации мультитоновых изображений.

7. Разработан комплекс программ, реализующий построенные алгоритмы, с учетом возможности их практического, научно-исследовательского и учебного использования, а также возможности проведения сравнительных численных экспериментов.

Список литературы диссертационного исследования кандидат технических наук Скляренко, Анна Анатольевна, 2012 год

1. Абламейко C.B., Лагуновский Д.М. Обработка изображений: технология, методы, применение. Мн.: Ин-т техн. кибернетики HAH Беларуси, 1999. -300 с.

2. Адлер Ю.П. Планирование эксперимента при поиске оптимальных условий / Адлер Ю.П., Маркова Е.В., Гранковский Ю.В. М.:Наука, 1976. -278 с.

3. Аоки М. Ведение в методы оптимизации. М.: Наука. 1977. 344с.

4. Аттетков A.B. Методы оптимизации/ A.B. Аттетков, C.B. Галкин, B.C. Зарубин. М.: МГТУ им. Н.Э. Баумана, 2003.

5. Васильев Ф.П. Методы оптимизации / Ф.П. Васильев. Факториал Пресс, 2002. - 824 с.

6. Ватолин Д.С. Алгоритмы сжатия изображений. / Методическое пособие // Издательский отдел факультета Вычислительной Математики и Кибернетики МГУ им. М.В.Ломоносова, 1999. 76 с.

7. Галах Н. Сегментация Электронный ресурс.: статья. Режим доступа: http://www.masters.donntu.edu.ua/2010/fknt/galakh/library/l 0rus.htm.

8. Гиббоне Д. XML / Гиббоне Д., Кэгл К., Хантер Э. М.: Лори, 2006.- 408 с.

9. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. Пер. с англ. — М.: Мир, 1985.

10. П.Гладков Л.А. Генетические алгоритмы / Л.А. Гладков, В.В. Курейчик, В.М. Курейчик М.:ФИЗМАТЛИТ, 2006.-320с.

11. Голицына О.Л. Основы алгоритмизации и программирования / Голицына О.Л., Попов И.И. 2-е изд. - М.: Форум: Инфра-М, 2006. - 432 с.

12. Гонсалес Р. С., Вудс Р. Э. Цифровая обработка изображений. М.: Техносфера, 2006. - 1072 с.

13. Грудин Б.Н. Оптико-электронная обработка изображений Электронный ресурс.: учебное пособие / Грудин Б.Н., Александрова Л.И., 53с. Режим доступа: http://www.besplatnie-uchebniki.org/read/854.

14. Грузман И.С., Киричук B.C. Цифровая обработка изображений винформационных системах. / Новосибирск: НГТУ, 2002. 351 с. *

15. Деревянкина A.A. Решение многоэкстремальных задач методом делящихся роев / A.A. Деревянкина, P.A. Нейдорф // Вестник Донского гос. техн. ун-та. 2010. - Т. 10, № 4 (47). - С. 492-499.

16. До июля 2011 года соискатель Скляренко A.A. носила фамилию Деревянкина

17. Деревянкина A.A. Сегментация изображения морфологической картины биологических жидкостей / A.A. Деревянкина // Наука и образование на рубеже тысячелетий, сб. науч. исследоват. работ /КГТИ. - М., 2006. - С.53-55.

18. Деревянкина A.A. Влияние точки кристаллизации на сегментацию изображения фации биологической жидкости / A.A. Деревянкина // Системный анализ, управление и обработка информации: 1-й межвуз. сб. науч. ст./ ДГТУ; ТТИ ЮФУ. Ростов н/Д, 2007. - С. 409-411.

19. Деревянкина A.A. Методы сегментации рисунка фации биологической жидкости / A.A. Деревянкина // Математические методы в технике и технологиях ММТТ - 20.:сб. тр. XX Междунар. науч. конф,:в 10 т.Ярославль, 2007. - Т.7. - С. 103-106.

20. Деревянкина A.A. Структурно функциональная диагностика морфологической картины биоэмульсий / A.A. Деревянкина // Математические методы в технике и технологиях - ММТТ - 20.:сб. тр. XX Междунар. науч. конф.:в 10 т.- Ярославль, 2007. - Т.7. - С. 106-108.

21. Деревянкина A.A. Алгоритм оптимизации и полутоновой аппроксимации фотоизображений / A.A. Деревянкина // AIS-IT'09: тр. конгр. молодеж. науч. -техн. конф. "Интеллектуальные системы -2009" / ЮФУ. М.: Физматлит, 2009.-Т. III.-С. 73-76.

22. Деревянкина A.A. Исследование поведения канонического метода роя частиц / P.A. Нейдорф, A.A. Деревянкина // AIS-IT'09: тр. конгр. молодеж. науч. техн. конф. "Интеллектуальные системы -2009" / ЮФУ. - М.: Физматлит, 2009. - Т. I. - С. 47-51.

23. Дьяконов В.П. Новые информационные технологии: Учебное пособие. Часть 3. Основы математики и математическое моделирование / В. П. Дьяконов, И. В. Абраменкова, А. А. Пеньков // Смоленск: СГПУ, 2003. 192 с.

24. Журавель И. М. Краткий курс теории обработки изображений Электронный ресурс.: 2004. Режим доступа: http://matlab.exponenta.ru/imageprocess/book2/index.php.

25. Изображения в MatLab и Image Processing Toolbox Электронный ресурс.: Введение Режим доступа: http ://matlab. exponenta.ru/imageprocess/book5 /6 1 .php.

26. Иллюстрированный самоучитель по Adobe Illustrator Электронный ресурс., режим доступа: http://www.realcoding.net/teach/AdobeIllustrator10/index.html.

27. Карпенко А.П. Обзор методов роя частиц для задачи глобальной оптимизации. Электронный ресурс.: А.П. Карпенко, Е.Ю. Селиверстов //

28. Инженерное образование, электронное научно-техническое издание «Наука и образование», 2009. Режим доступа: http://technomag.edu.ru/doc/! 16072.html.

29. Кластеризация палитры изображения и сжатие в формате PNG. Электронный ресурс.: статья. Режим доступа: http://habrahabr.ru/post/l 13393/#habracut.

30. Колесников С. Распознавание изображений Электронный ресурс.: газета «Компьютер-Информ», 2006. — Режим доступа: http://www.masters.donntu.edu.ua/2006/fvti/poltava/library/article5.htm.

31. Компьютерное зрение Электронный ресурс.: Мегаэнциклопедия Кирилла и Мефодия. Режим доступа: http://www.megabook.ru/Article.asp?AID=606839.

32. Кучуганов A.B. Разработка и исследование методов и технологий автоматического анализа полутоновых изображений Электронный ресурс.: Дис. канд. техн. наук: 05.13.18. Ижевск: РГБ, 2007.

33. Курейчик В.М., Лебедев Б.К. Определения и основные понятия генетических алгоритмов Электронный ресурс.: Интернет-лекция в рамках научной школы Третьей конференции молодых ученых. Режим доступа: http://faculty.ifmo.ru/csd.

34. Лужков Ю.В. Разработка и исследование методов сжатия изображений с потерями на основе адаптивной сегментации и квантования. Электронный ресурс.: Дис. канд. техн. наук: 05.13.13-Санкт-Петербург: РГБ, 2009.

35. Маляренко И. Планирование и оптимизация: от Вергилия до . APS системы. Электронный ресурс.: Корпоративные системы PC Week / Re №27, 2006. Режим доступа: http://www.masters.donntu.edu.ua/2009/fem/bazarova/library/tez2.htm.

36. Модуль Save for Web. Особенности сохранения изображений для Internet. Электронный ресурс.: уроки PhotoShop. Режим доступа: http://www.adobeps.ru/download/photoshop-lessons/56-modul-save-for-web.html.

37. Норенков И.П. Эволюционные методы для решения задач проектирования и логистики Электронный ресурс.: И.П. Норенков, 2008. Режим доступа: http://bigor.bmstu.ru.

38. Оптимизация изображений / PhotoShop Elements // Help of Adobe. Режим доступа:http://help.adobe.com/ruRU/photoshopelements/using/WS287f927bd30d4blf-118fö0f612e28b29a0a-7fff.html#WS287f927bd30d4b 1 f-118fö0f612e28b29a0a-7ffe.

39. Орлянская И.В. Современные подходы к построению методов глобальной оптимизации Электронный ресурс.: Электронный журнал «Исследовано в России», 2002. Т.5. - 2097-2108 с. Режим доступа: http://zhurnal.ape.relarn.ru/articles/2002/189.pdf.

40. Прикладная математика. Электронный ресурс.: Справочник математических формул Режим доступа: http://www.pm298.ru/menu.php.

41. Прэтт У. Цифровая обработка изображений / Прэтт У. М.: Мир, 1982. Т.1. 312 с.

42. Пупков К.А. Оценка и планирование эксперимента / Пупков К.А., Костюк Г.А. М.: Машиностроение, 1977. - 118с.

43. Путятин Е.П. Нормализация и распознавание изображений Электронный ресурс. / Е.П. Путятин Режим доступа: http://sumschool.sumdu.edu.ua/is-02/rus/lectures/pytyatin/pytyatin.htm.

44. Рубан И.В. Методологические основы идентификации модели для решения задачи сегментации изображений в переменных условиях получения данных. / И.В. Рубан, К.С. Смеляков, Н.И. Науменко // Системы обработки информации, 2009, выпуск 1(75). 117-120 с.

45. Самойлов Н.С. Методы исследования и испытания металлов. Металлографические исследования Электронный ресурс. / Н.С. Самойлов -Режим доступа: www.naukaspb.ru/spravochniki/.

46. Самоучитель по Adobe PhotoShop 6 Электронный ресурс.: техническая библиотека lib.qrz.ru Режим доступа: http://lib.qrz.ru/node/26131.

47. Сегментация изображений Электронный ресурс.: статья, 2011 Режим доступа: http://habrahabr.ru/post/128768.

48. Скляренко A.A. Параметрическая оптимизация обобщенного алгоритма S-аппроксимации мультитоновых изображений / A.A. Скляренко, P.A. Нейдорф

49. Труды III Международного семинара под общ. ред. P.A. Нейдорфа Ростов н/Д, изд. центр Донск. гос. техн. ун-та 2012. - С. 104-114.

50. Сойфер В.А. Компьютерная обработка изображений. Методы и алгоритмы Электронный ресурс.: Сойфер В. А., 1996. — Режим доступа: http://www.masters.donntu.edu.ua/2003/kita/kokov/library/for2.htm.

51. Соболь Б.В. Методы оптимизации: практикум. / Б.В. Соболь, Б.Ч. Месхи, Г.И. Каныгин // Ростов-на-Дону: Феникс, 2009. 377с.

52. Статистические методы локального поиска. Электронный ресурс.: статья. Режим доступа: http://kazbayev.narod.ru/web/21 .htm.

53. Стоянов A.K. Предобработка изображений одномерными точечными отображениями / А.К. Стоянов, В.Б. Немировский // Известия Томского политехнического университета, 2011. Т. 319. № 5. С. 107-111.

54. Струченков В.И. Методы оптимизации / В.И. Струченков // Изд. «Экзамен», 2005.

55. Томас X. Алгоритмы: построение и анализ = INTRODUCTION ТО ALGORITHMS. / Томас X. Кормен и др. // 2-е изд. — М.: «Вильяме», 2006. — 1296 с.

56. Трифонов А.Г. Постановка задачи оптимизации и численные методы ее решения Электронный ресурс.: А.Г. Трифонов. Режим доступа: http://matlab.exponenta.ru/optimiz/book2/index.php.

57. Ульд Ахмед Талеб Махфуд Комбинированные алгоритмы сегментации цветных изображений. Электронный ресурс.: Автореферат дис. канд. техн. наук: 05.13.01-Минск, 2002.

58. Фахад Гилани С# и наука: применение языковых средств С# в проектах для научных вычислений Электронный ресурс.: статья, 2004. Режим доступа: http://msdn.microsoft.com/ru-ru/library/dd335957.aspx.

59. Федоров В.В. Теория оптимального эксперимента (планирование регрессионных экспериментов) / Федоров В.В. М.: Наука, 1971. - 312с.

60. Фисенко В. Т., Фисенко Т. Ю. Компьютерная обработка и распознавание изображений. СПб.: СпбГУ ИТМО, 2008. - 195 с.

61. Форсайт Д. Компьютерное зрение. Современный подход / Д. Форсайт, Ж. Понс. М.: Вильяме, 2004 - 928 с.

62. Хрящев Д.А. Об одном методе анализа цифрового изображения с применением гистограмм. / Вестник АГТУ. Сер.: Управление, вычислительная техника и информатика, 2010. №1 109-113 с.

63. Черноруцкий И.Г. Методы оптимизации в теории управления: учебное пособие / И.Г. Черноруцкий. СПб.: Питер, 2004. - 256с.

64. Чочиа П.А. Пирамидальный алгоритм сегментации изображений / П.А. Чочиа // Информационные процессы, т.10, №1, 2010 23-35 с.

65. Чураков M. Муравьиные алгоритмы Электронный ресурс.: М. Чураков,

66. A. Якушев. 15с. Режим доступа: http://rain.ifmo.ru/cat/data/theory/unsorted/ant-algo-2006/article.pdf.

67. Шабалин В.Н., Шатохина С.Н. Морфология биологических жидкостей человека. / Шабалин В.Н., Шатохина С.Н. М.:Хризотом, 2001. - 303с.

68. Шапиро J1. Компьютерное зрение: пер. с анг. / JT. Шапиро, Дж. Стокман. -М.: БИНОМ, 2006.-752 с.

69. Шепперд Д. Освой самостоятельно XML за 21 день. СПб.: Вильяме, 2002. - 432с.

70. Шибаева Ирина Васильевна. Дискретные представления графических изображений для интеллектуальных телекоммуникационных систем : Дис. канд. техн. наук : 05.12.13 : Ижевск, 2004 142 с.

71. Шпаргалка по ZedGraph Электронный ресурс.: сборник примеров построения диаграмм и графиков на основе ZedGraph. Режим доступа: http://ienyay.net/Programming/ZedGraph.

72. Эвристические методы Электронный ресурс. Режим доступа: http://www.inventech.ru/lib/glossary/evrmethod/.

73. Энциклопедический словарь справочник. Алгоритмы поиска локального экстремума. Электронный ресурс.: под ред. А.И. Половинкина,1. B.В. Попова.

74. Яковлев А. В. Использование методов цифровой обработки изображений в количественной металлографии Текст. / С. С. Садыков, А. В. Яковлев // Надежность и качество 2000: труды международного симпозиума. Пенза: Пенз. гос. ун-т, 2000. С. 55 - 56.

75. Яковлев A.B., Орлов А.А. Методы автоматического анализа удельной поверхности границ зерен или фаз в сплаве. /Алгоритмы, методы и системы обработки данных // Муромский институт, 2000, №5. 69-73 с.

76. Яне Б. Цифровая обработка изображений/ Б. Яне. М.: Техносфера, 2007. - 584 с.

77. Beyer H.G., Schwefel Н.Р., Wegener I. How to analyse Evolutionary Algorithms. Technical Report No.CI-139/02. University of Dortmund, Germany, 2002.

78. Brits R., Engelbrecht A.P., F. van den Bergh. A niching particle swarm optimizer / Brits R., Engelbrecht A.P., F. van den Bergh // in Proc. of the 4th Asia-Pacific Conference on Simulated Evolution and Learning 2002 (SEAL 2002), 2002, pp.692- 696.

79. Brits R., Engelbrecht A.P., F. van den Bergh, Solving Systems of Unconstrained Equations using Particle Swarm Optimization // Submitted to IEEE Conference on Systems, Man, and Cybernetics, Tunisia, 2002.

80. F van den Bergh, An Analysis of Particle Swarm Optimizers / PhD Thesis, Department of Computer Science // University of Pretoria, Pretoria, South Africa, 2002.

81. Fogel David B. (editor) Evolutionary Computation: The Fossil Record.— New York: IEEE Press, 1998.

82. Gonzalez R. Digital Image Processing. Second Edition / R. Gonzalez, R. Woods. Prentice Hall, 2002. - 793p.

83. Haralick R. M., Shapiro L. G. Image Segmentation Techniques. / Computer Vision, Graphics, and Image Processing, vol 29, No 1.- 1985.

84. Linda G. Shapiro and George C. Stockman / Linda G. // Computer Vision. -2001. -pp 279—325.

85. Parsopoulos K.E., Vrahitis M.N. Modification of the Particle Swarm Optimizer for Locating all the Global Minima / In V. Kurkova, N.C. Steele, R.

86. Neruda and M. Karny // editors Artificial Neural Networks and Genetic Algorithms. Springer, 2001. pp 324-327.

87. Rinnoy Kan A.H.G., Timmer G.T. Stochastic Global Optimization Methods // Mathematical programming, 39, 27-78, 1987.

88. Robert M. Haralick and Linda G. Shapiro, Computer and Robot Vision, Volume II, Addison-Wesley, 1992, pp. 316-317.

89. Ron Ohlander Picture Segmentation Using a Recursive Region Splitting Method / Ron Ohlander, Keith Price, and D. Raj // Computer Graphics and Image Processing, volume 8, 1978. - pp 313—333.

90. Sonka M. Image processing, analysis and machine vision / M. Sonka, V. Hlavak, R. Boyle. California (USA): Cole Publishing Company, 1999. - 770p.