Моделирование автоматизированной системы сегментации изображений по сложным условиям семантической однородности тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Середа, Сергей Геннадиевич

• Середа, Сергей Геннадиевич
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Середа, Сергей Геннадиевич

Введение

Глава 1. Проблема обучения автоматизированной системы сегментации изображений

1.1. Анализ задачи сегментации изображений

1.1.1. Изображение как способ представления информации

1.1.2. Классы и преобразования изображений

1.1.3. Формальная постановка задачи сегментации

1.1.4. Обзор простейших методов сегментации

1.1.5. Текстура как пример сложного условия семантической однородности областей изображения

1.1.6. Выделение сегмента по локальным данным как пример задачи распознавания образов

1.2. Возможности обучения сегментации

1.2.1. Обучение сегментации по локальным данным как задание функции на изображении

1.2.2. Понятия «атрибут», «предикат», «признак»

1.2.3. Методы обучения при распознавании образов

1.2.4. Проблемы при обучении сегментации

1.2.5. Базовые признаки и алгоритмические блоки

1.2.6. Модели интерфейсов для задания диапазона признака

1.2.7. Производные признаки

1.2.8. Проблема формирования понятийного аппарата для заданной области приложений

1.3. Неформализованная структурная модель автоматизированной системы сегментации изображений

1.3.1. Изображения и их элементы

1.3.2. Признаки и алгоритмические блоки р 1.3.3. Решающее правило

1.3.4. Декларативное и процедурное описание требуемого результата

1.3.5. Роли пользователя и разработчика в процессе эксплуатации системы

1.3.6. Структурная схема комплекса 56 Выводы по главе

Глава 2. Модель процесса сегментации

2.1. Основные сущности модели 59 2.1.1. Сегменты

4 2.1.2. Признаки

2.1.3. Диапазоны признака

2.1.4. Определение диапазона признака по заданному сегменту

2.1.5. Учет взаимозависимости признаков

2.1.6. Алгоритмические блоки

2.2. Модель процесса сегментации

2.2.1. Оператор выделения сегмента и его свойства

2.2.2. Учет форматов представления сегмента

2.2.3. Представление решающего правила в форме графа

2.2.4. Проверка корректности построения решающего правила

Выводы по главе

Глава 3. Разработка модели декларативного описания выделяемого сегмента

3.1. Анализ предметной области описания изображений

3.1.1. Категории, используемые для описания сегмента на изображении

3.1.2. Таксономии наиболее важных признаков

3.1.3. Примеры терминов, используемых для описания 98 '» 3.2. Построение модели декларативного описания

3.2.1. Анализ требований к модели

3.2.2. Выбор выразительных средств

3.2.3. Основные сущности модели

3.2.4. Возможные варианты представления декларативного описания

3.2.5. Формальное представление модели

3.2.6. Элементарные операции над ГСО

3.2.7. Условия синтаксической правильности ГСО и алгоритм ее проверки

3.2.8. Условия семантической правильности ГСО и алгоритм ее проверки

3.2.9. Модельная непротиворечивость

3.3. Свойства декларативного описания

3.3.1. Изоморфизм между ГСО и решающим правилом

3.3.2. Алгоритм построения решающего правила по ГСО

3.3.3. Семантически эквивалентные преобразования ГСО

3.4. Расширение возможностей модели

3.4.1. Анализ выразительных средств модели

3.4.2. Понятийная свертка и подстановка

3.4.3. Стандартная подстановка «расположены рядом» 127 * 3.4.4. Стандартная подстановка «является границей»

Выводы по главе

Глава 4. Разработка методов оптимизации решающего правила

4.1. Критерий эффективности решающего правила

4.2. Обоснованность применения оптимизации

4.2.1. Понятие потоковой обработки

4.2.2. Критерий отказа от оптимизации

4.3. Оптимизация последовательности вызова алгоритмических блоков

4.3.1. Сравнение вычислительной сложности последовательного и ^ квазипараллельного вариантов вьщеления сегмента

4.3.2. Оптимизация последовательности вызова для нескольких одноуровневых условий

4.4. Учет взаимозависимости признаков при оптимизации

4.4.1. Взаимное уменьшение диапазонов для зависимых признаков

4.4.2. Выделение и поглощение ослабленного условия

4.4.3. Выдвижение гипотез о подмножестве значимых признаков

4.5. Оптимизация поиска и выделения сцен

4.5.1. Операторы расширения и сжатия сегмента щ 4.5.2. Учет условий пространственной близости при оптимизации решающего правила

4.6. Оптимизация поиска и выделения областей

4.6.1. Стратегия разреженного поиска

4.6.2. Оператор наращивания областей

4.6.3. Зависимость коэффициента вычислительной сложности от стратегии перебора

4.6.4. Поиск неоднородных областей

4.7. Модель блока оптимизации 161 « 4.7.1. Продукционная модель

4.7.2. Интегральный алгоритм оптимизации

Выводы по главе

Глава 5. Экспериментальная проверка разработанной модели

5.1. Описание программного комплекса

5.1.1. Структура программного комплекса

5.1.2. Статистика программного комплекса

5.1.3. Главная форма программы 167 ь 5.1.4. Блок отображения и редактирования сегментов

5.1.5. Блок отображения и редактирования решающего правила

5.1.6. Алгоритмические блоки для задания диапазона признака, оценки значения признака и сопоставления с диапазоном

5.1.7. Блок выполнения решающего правила

5.1.8. Блок построения декларативного описания

5.1.9. Блок формирования решающего правила по декларативному описанию

5.2. Испытания программного комплекса

5.2.1. Ручная сегментация

5.2.2. Нахождение диапазона признака по выделенному сегменту

5.2.3. Автоматическое формирование решающего правила по декларативному описанию

5.2.4. Построение сложного условия выделения сегмента

5.3. Исследование эффективности разработанных методов оптимизации

5.3.1. Оптимизация последовательности вызовов алгоритмических блоков

5.3.2. Оптимизация поиска и выделения областей

5.3.3. Оптимизация выделения неоднородных областей 183 Выводы по главе 185 Заключение 186 Литература

Введение диссертации (часть автореферата) на тему «Моделирование автоматизированной системы сегментации изображений по сложным условиям семантической однородности»

В настоящее время идет активный процесс создания электронных справочников, атласов, энциклопедий и экспертных систем. Важную роль в представлении подобного рода знаний играют изображения. Однако специфика этой информации такова, что для создания «разумной» системы не достаточно просто отсканировать изображение. Как правило, необходимо наделить его семантическими ссылками, когда каждому типу участков изображения ставится в соответствие определенная подсказка или другая автоматическая реакция системы. Для реализации подобных систем, помимо самого изображения, используют одну или несколько «вспомогательных карт» (рис.1). Каждая такая карта имеет размер, соответствующий размеру изображения и призвана ответить лишь на один вопрос - принадлежит ли выбранная точка к заданному типу объектов.

Если для каждого типа объектов вводится своя карта, то ее элементы могут быть бинарными, а если в одной карте совмещается информация о нескольких непересекающихся областях разных типов, то элементы карты должны быть целыми величинами, где для каждого типа выделен свой номер. Например, аэрофотоснимку земной поверхности могут быть поставлены в соответствие сразу несколько вспомогательных карт: «страны», «рельеф»

Рис. 1. горы, низменности, плоскогорья и т.п.), а для микрофотографии клеток крови - несколько вспомогательных карт иного содержания: «типы клеток», «элементы клеток» (ядро, ядрышко, цитоплазма и т.д.) и т.п. Подготовка подобных вспомогательных карт является одним из классических примеров задачи сегментации изображений.

При подготовке к изданию в Новгородском Государственном университете электронной версии цитологического атласа [76], проблема автоматизации такого вида работ проявилась во всей своей полноте. Действительно, выделение вручную областей на нескольких сотнях изображений оказалось очень утомительной работой. Однако автоматизировать ее стандартными методами сегментации не удалось, так как выделяемые области не однотонны, а содержат достаточно сложную текстуру.

Если необходимо регулярно проводить сегментацию большого числа однотипных изображений, для этих целей оказывается рентабельным спроектировать специализированный программно-аппаратный комплекс. Примерами подобного подхода могут служить системы распознавания рентгеновских изображений грудной клетки [69]. В этом случае обучение системы, настройка ее параметров под выбранную задачу проводится в процессе разработки и не вызывает проблем у пользователя.

Однако сейчас все чаще встречаются задачи, для которых характерен «промежуточный» объем обрабатываемого материала. Т.е., с одной стороны данную задачу крайне дорого решать вручную, но ее объем еще недостаточен для того, чтобы было рентабельно разрабатывать специализированную систему. При этом в пределах отдельной задачи, обрабатываемые изображения являются в известном смысле однородными. В качестве примера подобных типовых задач можно упомянуть:

Задачи на обработку последовательности кадров фильма или мультфильма, когда какого-то героя или сцену нужно выделить из имеющегося изображения и смонтировать на другом фоне.

Задачи на выделение заданных участков в сериях изображений биомедицинских препаратов, полученных с микроскопа.

Задачи автоматического выделения областей при обработке аэрофотоснимков.

Задачи выделения семантически однородных областей на изображениях из атласов и учебников при создании их электронных интерактивных версий.

С другой стороны, условия семантической однородности выделяемых областей часто оказываются достаточно сложными, так как выделяемые участки могут содержать сложную текстуру. В этой ситуации стандартные методы автоматической сегментации оказываются недостаточными. Поэтому требуется создание системы, которую пользователь мог бы самостоятельно обучить решению конкретной задачи.

В данной работе предлагается подход, позволяющий пользователю быстро получать эффективные алгоритмы обработки и анализа изображений под задачи такого типа без привлечения элементов программирования.

На сегодняшний день существует множество алгоритмов, предложенных для решения задачи сегментации и анализа изображений. Однако большинство из них хорошо работают лишь при определенных явно или неявно подразумеваемых условиях. Многие алгоритмы требует от пользователя дополнительной настройки параметров. Естественна тенденция к перекладыванию специфических сложностей подбора и настройки алгоритмов на автоматизированную экспертную систему, дружественная оболочка которой позволяет ему вместо процедурного решения, т.е. определения последовательности и параметров вызова алгоритмов, задавать декларативное описание требуемого результата, на основе которого система самостоятельно строит и реализует процедурное решение.

Таким образом, целью данной работы является разработка и экспериментальная проверка принципов построения открытой автоматизированной системы, проводящей сегментацию изображений по заданному пользователем декларативному описанию выделяемого сегмента. Для достижения данной цели необходимо было решить несколько задач: о Провести анализ предметной области сегментации изображений и построить модель процесса сегментации, о Провести анализ предметной области описания изображений, используемого при этом понятийного аппарата, и построить модель декларативного описания выделяемого сегмента, о Разработать алгоритм построения и оптимизации решающего правила по заданному декларативному описанию, о Создать экспериментальный программный комплекс сегментации изображений и проверить справедливость предложенных решений. В первой главе проводится анализ задачи сегментации изображений и анализируются проблемы обучения автоматизированной системы сегментации изображений.

Во второй главе строится и исследуется модель процесса сегментации изображений по локальным данным. Предлагается принцип построения открытой автоматизированной системы. Вводится понятие алгоритмического блока и решающего правила. Строится модель автоматизированной системы сегментации изображений.

Третья глава посвящена наиболее сложной проблеме - построению модели декларативного описания требуемого результата. Такая модель должна одновременно удовлетворять нескольким достаточно противоречивым требованиям: и простота и наглядность описания; точность и однозначность описания; достаточность выразительных средств; достижимость описанного результата.

Проводится анализ предметной области описания изображений. На основании проведенного анализа выбирается наиболее удобная форма для декларативного описания, строится и исследуется его формальная модель. Описывается алгоритм автоматического формирования решающего правила по заданному декларативному описанию.

В четвертой главе исследуются возможности для оптимизации решающего правила. Вводится критерий оптимизации. Предлагается ряд оптимизирующих правил. Строится модель оптимизации решающего правила и предлагается алгоритм такой оптимизации.

В пятой главе описывается практическая реализация программного комплекса и методика проведения экспериментов для проверки теоретических положений, полученных в рамках данной работы. Приводятся и анализируются результаты проведенных экспериментов.

В заключении перечисляются основные научные и практические результаты диссертационной работы, рассматриваются направления дальнейших научных исследований.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Середа, Сергей Геннадиевич

Основные результаты апробировались в докладах на 2-ой Всероссийской с участием стран СНГ конференции «Распознавание образов и анализ изображений» (г. Ульяновск 1995 год), на международной конференции «Pattern Recognition and Image Analysis» (г. Валдай 1997 год), 3-ей всероссийской конференции «Распознавание образов и анализ изображений: новые информационные технологии» (г. Нижний Новгород 1997 год), 4-ой всероссийской с международным участием конференции «Распознавание образов и анализ изображений: новые информационные технологии» (г. Новосибирск 1998 год), 6-ой международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (г. Великий Новгород 2002 г.), VII-ой Всероссийской с участием стран СНГ конференции «Методы и средства обработки сложной графической информации» (г. Нижний Новгород 2003 г.).

Остановимся теперь на возможных направлениях дальнейших исследований, представляющихся наиболее перспективными в научном и практическом плане.

Во-первых, это практическая задача доведения созданного экспериментального комплекса до уровня программного продукта. Для этого необходимо существенно расширить библиотеку подключаемых алгоритмических блоков. Особенно стоит упомянуть признаки, описывающие статистики текстур и форму областей. Если реализация для таких блоков алгоритмов оценки признака будет являться лишь повторением уже существующих в мире наработок под другую программную платформу, то разработка концепции визуального задания диапазонов и программная реализация соответствующих интерфейсов, потребует много изобретательности и тщательной проверки эргономичности предложенных решений.

Во-вторых, с теоретической точки зрения, следовало бы расширить модель для введения в нее возможности задания нечеткой < функции принадлежности значения диапазону признака [34]. На текущем этапе исследований это не было сделано не столько из-за трудностей теоретического плана, сколько из-за сложностей создания визуального интерфейса для задания таких «нечетких» диапазонов.

Что касается более отдаленных перспектив, то было бы интересно применить разработанный здесь подход, связанный с автоматическим построением оптимальной технологической цепочки для достижения описанного пользователем результата, на другие сферы применения. Например, для формирования оптимального по соотношению цена — сроки — качество, варианта размещения заказов на производство изделия и его компонентов на одном или нескольких предприятиях, информация о технологических возможностях которых имеется в поисково-планирующей системе. Еще один вариант применения такого подхода - формирование индивидуального образовательного маршрута для учащегося [63] при условии, что имеется модель для описания требуемого результата, средства для тестирования текущего состояния ученика и набор обучающих модулей и тренажеров, параметры которых также занесены в поисково-планирующую систему.

Заключение

Подводя итоги, перечислим основные положения, характеризующие научную и практическую значимость работы.

Ее научная новизна состоит в перечисленных ниже результатах:

1. Построена и исследована модель решающего правила для сегментации изображений, отличающаяся тем, что в ней введена возможность декомпозиции критерия семантической однородности.

2. Построена и исследована модель декларативного описания выделяемого сегмента, позволяющая по заданному описанию автоматически строить решающее правило для выделения описанного сегмента.

3. Разработаны методы оптимизации решающего правила. Практическая ценность работы заключается в следующем:

1. Разработан алгоритм построения по заданному декларативному описанию, решающего правила для выделения описанного сегмента.

2. Создан и испытан программный комплекс сегментации изображений по сложным условиям семантической однородности.

По теме диссертации опубликовано 12 печатных работ [29, 62, 64, 65, 66, 67,79,82, 83, 84,85, 86].

Список литературы диссертационного исследования кандидат технических наук Середа, Сергей Геннадиевич, 2004 год

1. Абду И.Э., Прэтт У .К. Количественный расчет детекторов контуров, основанных на подчеркивании перепадов яркости с последующим пороговым ограничением. // ТИИЭР 1979. - том 67. - С.59-70.

2. Александров В.В., Горский Н.Д. Зрительное восприятие человека и машинное зрение // Искусственный интеллект. Т.2. Модели и методы. — М.: Радио и связь, 1990. С. 191-196.

3. Анисимов О.С. Основы методологии управления. М. 1989. - 62 с.

4. Анисимов О.С., Деркач А.А. Основы общей и управленческой акмеологии. М.-Новгород 1995. - 272 с.

5. Архангельский А .Я. Библиотека С++ Builder 5: 60 управляющих компонентов М.: ЗАО «Издательство Бином», 2000. - 256 с.

6. Архангельский А.Я. Разработка прикладных программ для Windows в С++ Builder 5 М.: ЗАО «Издательство Бином», 2000. - 256 с.

7. Архангельский А.Я. Функции .С++, С++ Builder 5, API Windows (справочное пособие) — М.: ЗАО «Издательство Бином», 2000. 240 с.

8. Блинов А.Б. Алгоритмы сегментации составных текстурных изображений на основе марковских моделей строк: Автореф. . канд. техн. наук: 05.13.16. -Тула, 1996. -23 с.

9. Боггс У., Боггс М. UML и Ration Rose. Пер. С англ. М.:Лори, 2001, -582 с.

10. Болье Ж-М., Голдберг М. Итерационная оптимизация метода иерархической сегментации изображения / ВЦП-КЛ-84663.-Киев., 14.10.85. 17 с. - Пер.ст.: Beaulieu J.M., Goldberg М. Step-Wise Optimisation for Hierarchical Picture Segmentation // Conf. on Computer

11. Vision and Pattern Recognition, Washington, 1983, - pp.59-64.

12. И. Брайс K.P., Феннема К.Л. Анализ сцены при помощи выделения областей. В кн.: Интегральные роботы, вып.2. М.:Мир, 1975, с.136-159.

13. Буч Г. Объектно-ориентированное проектирование с примерами применения: Пер. с англ. — М.:Конкорд, 1992. — 519 с.

14. Веккер Л. М. Психика и реальность: Единая теория психических процессов. -М.: Смысл, 1998. 685 с.

15. Веккер Л.М. Восприятие и основы его моделирования. — Издательство ленинградского университета, 1964. — 114 с.

16. Веккер Л.М. Психические процессы. Т.1. Ощущение и восприятие. -Издательство ленинградского университета, 1974 — 334 с.

17. Веккер Л.М. Психические процессы. Т.2 Мышление и интеллект. — Издательство ленинградского университета, 1976. — 218 с.

18. Горский Н.Д. Восприятие двумерных изображений // Искусственный интеллект. Т.2. Модели и методы. М.: Радио и связь, 1990. - С. 196-201.

19. Гранрат Д.Дж. Роль моделей зрения в обработке изображений. The Role of Human Models in Image Processing // ТИИЭР 1981. том 69 - C.65-77.

20. Гузеев С.А. Вопросы обучения интерактивных систем обработки изображений // Математические методы распознавания образов. Тезисы докладов третьей всесоюзной конференции.- Львов, 1987. С. 189.

21. Гузеев С.А. Полуавтоматический режим обработки ионограмм // Ионосферные исследования. № 40. - 1986. - С. 18-21.

22. Гузеев С.А., Емельянов Г.М. Управление диалогом в интерактивной системе обработки изображений // Автоматизированные системы обработки изображений. Тезисы докладов всесоюзного семинара. -М.: Наука, 1986. С.329-330.

23. Гузеев С.А., Емельянов Г.М. Управление функционированием и диалогом в системе цифровой обработки изображений // Управляющие системы и машины. 1988. - № 2 - С.40-43.

24. Гуревич И.Б. Методы распознавания образов и анализ изображений // Автоматизированные системы обработки изображений: тез.докл. II Всесоюз.конф. М:Наука, 1986. - С.124-126.

25. Денисов B.M., Матвеев Ю.Н., Очин Е.Ф. Принципы организации систем обработки изображений на базе клеточной логики // Зарубежная радиоэлектроника. 1984. №1 - С.3-25.

26. Душков Б.А. и др. Основы инженерной психологии. 2-е изд. - М.: Высш. шк., 1986. - 448с.

27. Емельянов Г.М., Широчков А.В., Шумилов И.А. Вопросы построения проблемно-ориентированных комплексов обработки информации. // Ионосферные исследования. № 40. - 1986. - С.6-11.

28. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации. // Проблемы кибернетики. М.: Наука, 1978. — вып.ЗЗ. С.5-68.

29. Журавлев Ю.И. Экстремальные задачи, возникающие при обосновании эвристических процедур. // Проблемы прикладной математики и механики. М.: Наука, 1971, С.67-75.

30. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и анализ изображений // Искусственный интеллект. Т.2. Модели и методы М.: Радио и связь, -1990. С.149-191.

31. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 226с.

32. Заде Л. Размытые множества и их применение в распознавании образов и кластер анализе// Классификация и кластер-М.: Мир,1980.-С.208-247.

33. Зыков А.А. Основы теории графов. М.: Наука, 1987.

34. Канович М.И., Минц Г.Е. Планирование при синтезе программ // Искусственный интеллект. Т.2. Модели и методы. М.: Радио и связь, — 1990. — С.243-251.

35. Клетте Р. О теоретических основах процессов сегментации изображений./ ВЦП-Р-36887.-М., 28.03.89 10 с. - Пер.ст.: Klette R., Zur theoretichen grundlegung von bildsegmentierungsprozessen. Из журн.

36. STUDIENTEXTEDIGITALE BIDVERARBEITUNG №77 Dresden DDR 1984- C.26-35.

37. Коулмэн Г.Б. и др. Сегментация изображений при помощи автоматической классификации. // ТИИЭР 1979, том 67 С.82-97.

38. Лагуновский Д.М. Алгоритмы сегментации полутоновых изображений на основе анализа локальных свойств: Автореф. . канд. техн. наук: 05.13.16. -Минск, 1999. -19 с

39. Линекер P., Арчер Т. Программирование для Windows 98. Библия разработчика.: Пер. с англ. — М.:Диалектика, 1999. — 864 с.

40. Лозовский B.C. Сетевые модели // Искусственный интеллект. Т.2. Модели и методы. М.: Радио и связь, 1990. - С.28-48.

41. Мартиросян А.А., Погосян Э.М. Обучение // Искусственный интеллект. Т.2. Модели и методы. — М.: Радио и связь, 1990. С.206-231.

42. Методология функционального моделирования. / Рекомендации по стандартизации. Р50.1.028-2001. М.: Госстандарт России, 2001.— 48 с.

43. Недзьведь A.M. Сегментация слабоконтрастных изображений гистологических объектов: Автореф. . канд. техн. наук: 05.13.16. — Минск, 2000. -20 с

44. Овчарчик Я. Интерактивная система обработки изображений / ВЦП-Л-45648.-М., 22.10.85. 16 с. - Пер.ст. (польск.): Owczarczyk J. Interakcyjny system przetwarzania obrazow. Из журн. Informatyka. - 1984. -Vol. 19,2. -pp.2-6.

45. Ope О. Теория графов. M.: Наука, 1980.

46. Павлидис Т. Алгоритмы машинной графики и обработки изображений.- М.:Радио и связь, 1986. 398 с.

47. Павлидис Т. Иерархические методы в структурном распознавании образов. // ТИИЭР 1979. том 67, - С.39-49.

48. Папков С.Б. Разработка полуавтоматических методов сегментации протяженных структур на цифровых аэрокосмических изображениях: Автореф. канд. техн. наук: 05.13.16. -Долгопрудный, 1998. —22 с.

49. Поспелов ДА. Логико-лингвистические модели в системах управления.- М.: Энергоиздат, 1981.-232 с.

50. Поспелов Д.А. Представление знаний // Искусственный интеллект. Т.2. Модели и методы. М.: Радио и связь, 1990. - С.7-13.

51. Прэтт У. и др. Применение моделей стохастических текстур для обработки изображений. // ТИИЭР 1981 том 69 С.54-64

52. Прэтт У. Цифровая обработка изображений. М.: Мир, 1982. — 792 с.

53. Розенфельд А. Распознавание изображений. // ТИИЭР 1981 том 691. С.120-133

54. Розенфельд А., Дейвис Л.С. Сегментация и модели изображений. // ТИИЭР 1979 том 67- С.71-81

55. Рыбаков Ф.И. Системы эффективного взаимодействия человека и ЭВМ. М.: Радио и связь, 1985. - 200 с.

56. Середа С.Г. Сказка о педагогическом конвейере XXI века. // Ментор. №3, В.Новгород. 1998 год.-С.63-68.

57. Середа С.Г., Гузеев С.А., Емельянов Г.М. Интерактивное обучение при сегментации текстур // Тезисы докладов 2-ой Всероссийской с участием стран СНГ конференции «Распознавание образов и анализ изображений» РОАИ-2-95, г.Ульяновск, 1995 г. С. 10-11.

58. Трассел Х.Дж. Обработка рентгеновских изображений. // ТИИЭР 1981 том 69. С. 145 — 159.

59. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир 1978. -416 с.

60. Уинстон П.Г. Построение структурных описаний по примерам. — В кн.: Психология машинного зрения. М.:Мир, 1978, -С. 185-248.

61. Федотов Н. Г. Методы стохастической геометрии в распознавании образов. М.: Радио и связь, 1990. - 144 с.

62. Харалик P.M. Статистический и структурный подходы к описанию текстур. // ТИИЭР 1979 том 67 С.98-119.

63. Цибульский Г.М. Исследование и разработка интерактивной программной системы сегментации текстурных изображений: Дисс. . к.т.н. — Красноярск, 1987. 196 с.

64. Цитологический атлас "Blood Formation Scheme" / Новгород: Новгородский государственный университет. 1996.

65. Цыпкин Я.З. Основы теории обучающихся систем. М.: Наука, 1970. -252 с.

66. Blum Н., Nagel R.N. Shape description using weighted symmetric axis features. \\ IEEE Conf. Pattern Recognition and Image Processing, June 1977. -pp.203-215.

67. Guseev S.A., Emeljanov G.M., Sereda S.G. «Modeling hierarchical textures». // The 4 Open Russian-German Workshop «Pattern Recognition and Image Analysis»,March, 1996.-pp. 69-75.

68. Hawkins J.K. Textural properties for pattern recognition \ Picture Processing and Psychopictorics, Bernic Sacs Lipkin and Ariel Rozenfeld (Eds.). New York: Academic Press, 1969. pp. 143-151.

69. Pickett R.M. Visual analyses of texture in the detection and recognition of objects / Picture Processing and Psychopictorics, Lipkin and Rozenfeld, Eds. New York: Academic Press, 1970, pp.289-308.

70. Sereda S.G. and Emeljanov G.M. The Question of Construction of the Features in the Problem of Image Segmentation. // Pattern Recognition and Image Analysis, Vol. 13, №1, 2003, pp. 168-169.

71. Sereda S.G. Methods of the Decision Rule Optimization in the Problem of Segmentation of the Hierarchical Textures. // Pattern Recognition and Image Analysis, Vol. 13, №1,2003, -pp. 165-167.

72. Sereda S.G., Emeljanov G.M., «Formation of notion system for texture description» // «Pattern Recognition and Image Analysis» Vol. 9 № 1 1999 -pp.181-183.

73. Sereda S.G., Guzeev S.A., Emeljanov G.M. «Modeling of Hierarchical Textures and Synthesis of Algorithms for Their Segmentation». // Pattern Recognition and Image Analysis., 1998, vol. 8, №2, pp. 254-255.

74. Sereda S.G., Guzeev S.A., Emeljanov G.M. Interactive Learning in Texture Segmentation. // Pattern Recognition and Image Analysis., 1996, vol. 6, №1, pp. 67-68.

75. Serra J., Image Analysis and Mathematical Morphology, New York: Academic Press, 1982.i