Разработка и исследование методов сегментации изображений на основе многомерных цепей Маркова тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат технических наук Курбатова, Екатерина Евгеньевна

  • Курбатова, Екатерина Евгеньевна
  • кандидат технических науккандидат технических наук
  • 2013, КировКиров
  • Специальность ВАК РФ05.12.04
  • Количество страниц 140
Курбатова, Екатерина Евгеньевна. Разработка и исследование методов сегментации изображений на основе многомерных цепей Маркова: дис. кандидат технических наук: 05.12.04 - Радиотехника, в том числе системы и устройства телевидения. Киров. 2013. 140 с.

Оглавление диссертации кандидат технических наук Курбатова, Екатерина Евгеньевна

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1. ОБЗОР И АНАЛИЗ МЕТОДОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ

1.1. Систематизация методов сегментации изображений

1.2. Методы сегментации на основе выделения контуров

1.3. Методы сегментации на основе выделения областей

1.4. Обзор методов заполнения сегментов

1.5. Выбор математической модели изображения

1.6. Выводы по главе 1

2. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ВЫДЕЛЕНИЯ КОНТУРОВ

2.1. Постановка задачи

2.2. Разработка метода выделения контуров в полутоновых изображениях

2.3. Разработка метода удаления ложных контуров

2.4. Критерии качества метода выделения контуров

2.5. Анализ эффективности методов выделения контуров и удаления точечных помех

2.6. Заполнение сегментов на изображении

2.7. Разработка и исследование метода сегментации цветных изображений

2.8. Выводы по главе 2

3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА ВЫДЕЛЕНИЯ КОНТУРОВ НА ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЯХ

3.1. Постановка задачи

3.2. Комбинированный метод выделения контуров на зашумленных изображениях

3.3. Анализ эффективности комбинированного метода выделения контуров

3.4. Выводы по главе 3

4. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА ТЕКСТУРНОЙ СЕГМЕНТАЦИИ НА ОСНОВЕ ДВУМЕРНЫХ ЦЕПЕЙ МАРКОВА

4.1. Постановка задачи

4.2. Разработка метода текстурной сегментации полутоновых изображений

4.3. Анализ эффективности метода текстурной сегментации

4.4. Исследование влияния размера окна и значения порога на качество сегментации

4.5. Оценка качества метода текстурной сегментации

4.6. Сегментация цветных текстурных изображений

4.7. Выводы по главе 4

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

СПИСОК АВТОРСКИХ ТРУДОВ ПО ТЕМЕ ДИССЕРТАЦИИ

Рекомендованный список диссертаций по специальности «Радиотехника, в том числе системы и устройства телевидения», 05.12.04 шифр ВАК

Введение диссертации (часть автореферата) на тему «Разработка и исследование методов сегментации изображений на основе многомерных цепей Маркова»

Введение

В настоящее время стремительно возрастает объем информации, передаваемой в виде отдельных или последовательных во времени изображений. В современных системах мониторинга, видеонаблюдения, охранного телевидения, технического зрения, медико-биологических системах изображения хранятся, обрабатываются и передаются в цифровом виде с помощью широкого комплекса технических средств и новейших методов цифровой обработки изображений. При этом постоянно увеличивается степень автоматизации систем обработки изображений, роль оператора в которых сводится к уточнению данных автоматической обработки.

Изображения естественных сцен содержат множество разнообразных объектов. Для конкретных систем важными являются не все объекты, а определенный класс объектов в зависимости от назначения системы. Например, в системах мониторинга земной поверхности объектами исследования могут быть очаги пожаров, области, затопленные в результате наводнения, территории вырубки леса и т.д. Эффективным способом такой интерпретации изображений является сегментация.

Сегментация изображений является предварительным этапом любой системы анализа и обработки изображений. Она позволяет оперативно выделить интересующие объекты на изображении от фона и других объектов, определить размер, форму, положение объекта, преобразовать изображение к виду удобному для дальнейшей обработки автоматическими системами и эффективного решения задач более высокого уровня, таких как распознавание образов и анализ сцен. Качество сегментации изображений оказывает значительное влияние на качество финальной стадии обработки изображения. Неточная, недостаточная или избыточная сегментация может привести к возникновению ошибок на следующих этапах обработки изображения.

Большой вклад в развитие методов предварительной обработки изображений внесли российские и зарубежные ученые: Журавлев Ю.И., Бакут П.А.,

Потапов A.A., Сойфер В.А., Алпатов Б.А., Canny J.F., Pratt W.K., Prewitt J.P., Sobel I.E., Kirche R.A., Roberts L.G. и др. [1-12].

В последние годы в связи со значительным ростом интереса к сегментации появились новые подходы и методы, позволяющие выделить объекты интереса с различными критериями качества. Некоторые алгоритмы имеют большую вычислительную сложность и не в полной мере учитывают специфику рассматриваемых задач. Поэтому анализ известных методов сегментации, позволяющий оценить их эффективность, и разработка новых методов является важной и актуальной задачей.

Все известные методы сегментации изображений можно условно разделить на методы контурной сегментации [13-35,А1] и методы, основанные на выделении однородных (текстурных) областей [9,13,36-55,А1].

Наиболее распространенные методы контурной сегментации в силу многообразия сцен и неоднородности фона на цифровом полутоновом изображении (ЦПИ) могут приводить к выделению разрывных контуров или пропуску границ объектов. Повышение точности выделения контуров в этих методах требует дополнительных преобразований, операций прослеживания контуров или увеличения размерности и количества масок, что в итоге приводит к большим вычислительным ресурсам.

Методы на основе поиска однородных областей могут приводить к избыточной сегментации и границы полученных областей не всегда соответствуют объектам на изображении. Большинство этих алгоритмов являются итерационными и для повышения точности выделения границ требуют увеличения количества итераций, что в итоге приводит к снижению скорости работы алгоритма.

Для разработки методов обработки изображений, являющихся многомерными случайными процессами необходимы математические модели (ММ), наиболее точно отражающие реальные процессы и обладающие наибольшей вычислительной эффективностью. Перспективным в этом смысле решением можно считать использование многомерной ММ, базирующейся

на многомерных цепях Маркова с несколькими состояниями и энтропийном подходе к ее реализации [56-59]. Однако, если речь идет об обработке ЦПИ, представленных £-разрядными двоичными числами с числом дискретных

значений (уровней яркости) , возникает проблема хранения в памяти и оперирования с матрицами вероятностей переходов (МВП) от /' -го состояния к у -му (соседнему) размерностью 2ё х2ё. Такая обработка ЦПИ в реальном масштабе времени труднореализуема. Оригинальное решение данной проблемы найдено представлением ЦПИ в виде набора из g разрядных двоичных изображений (РДИ) [60-63], каждое из которых представляет собой двумерную цепь Маркова с двумя равновероятными состояниями МВП размером 2 х 2 по каждому измерению. Синтезированная в [63] многомерная ММ требует для своей реализации только операций сравнения и послужила основой для разработки методов контурной и текстурной сегментации изображений.

Учитывая, что основные детальные области изображения в наибольшей степени выражены на старших разрядах ЦПИ, для выделения объектов интереса в работе предложено использовать элементы РДИ старших разрядов ЦПИ.

Для выделения контуров объектов интереса с использованием двумерной ММ [64,65,А2-А8], вычисляется величина количество информации в каждом элементе РДИ и сравнивается с порогом. Разработанный метод требует значительно меньших вычислительных затрат, чем известные методы (метод Собела, метод Канни, метод Лапласиана гауссиана).

Улучшение контурных изображений достигается удалением точечных помех, которые обусловлены видом исходного ЦПИ и применяемым методом и проявляются в виде точечных искажений около трехгранных вершин и Т-образных пересечений. В известных работах [1-4,8,10,13] для улучшения контурного изображения применяют усредняющие линейные фильтры с маской 3x3 элемента [3,13,33,34]. В данной работе удаление точечных помех основано на использовании многомерной двоичной цепи Маркова, вычисле-

нии количества информации в элементе РДИ относительно четырех соседних элементов и последующим сравнением этой величины с порогом [A3].

Для закрашивания областей интереса (сегментации) предложено использовать построчный алгоритм заполнения с затравкой [66,67], который дает существенный выигрыш в объеме памяти и времени обработки за счет хранения только одного затравочного элемента для каждого заполняемого участка.

В цветовом пространстве RGB каждая из компонент представляет собой g -разрядное ЦПИ. Использование цвета при сегментации изображений обусловлено тем, что цвет облегчает выделение и распознавание объектов на изображении. Применяя к каждой из цветовых компонент разработанный метод сегментации ЦПИ и нормирование интенсивности цветовых компонент [14], разработан метод сегментации цветного изображения.

Задача выделения контуров объектов интереса усложняется еще в большей степени, если необходимо оперативно обработать видеосигнал после передачи его по зашумленному радиоканалу. Для оптимизации работы алгоритмов выделения контуров на зашумленных ЦПИ, непосредственно перед их использованием, выполняют сглаживание изображения (методы Лапласиан гаус-сиана, Канни) [4,8,10,13]. Однако, в случае сильно зашумленных ЦПИ ( р]х < 1) данные методы будут неприемлемы. Для восстановления изображений, разрушенных шумом, на приемной стороне должны быть применены алгоритмы, наиболее полно реализующие большую статистическую избыточность ЦПИ. Это позволит существенно повысить помехоустойчивость приема изображений. Одним из таких подходов является метод, основанный на теории фильтрации условных марковских процессов и двумерной ММ ЦПИ, продуктивность которого показана в работах [68-71].

В данной работе для выделения контуров на зашумленных БГШ ЦПИ предлагается применить комбинированный метод, состоящий из алгоритма двумерной нелинейной фильтрации и алгоритма выделения контуров, позволяющий выделять контуры объектов интереса на зашумленных ЦПИ с точ-

ностью превышающей известные методы (Лапласиан гауссиана, Канни) [А9-А14].

Часто естественные сцены, такие как леса, поля, лишены существенных деталей на больших пространствах и не имеют четко выраженных границ. В этом случае необходимо использовать идентификацию областей изображения на основе анализа их текстуры. Эффективность выделения текстурного признака в значительной мере определяет качество сегментации. Несмотря на широкий выбор методов выделения текстурных областей, многие из них требуют больших вычислительных ресурсов, не точно разделяют признаковое пространство и т.д. В связи с этим разработка методов текстурной сегментации является весьма актуальной. Представление изображений двумерной цепью Маркова, позволило разработать метод текстурной сегментации, базирующийся на вычислении оценки средней вероятности перехода в элементах изображения с использованием скользящего окна. Проведенные в работе исследования показали высокую эффективность выделения текстурных областей [А15-А19].

Целью диссертационной работы является разработка на основе теории условных марковских процессов методов контурной и текстурной сегментации оригинальных и зашумленных изображений, позволяющих повысить эффективность видеоинформационных систем обработки.

Объектом исследования являются методы контурной и текстурной сегментации цифровых полутоновых и цветных изображений.

Предметом исследования является разработка методов контурной и текстурной сегментации изображений на основе двумерных цепей Маркова.

Для достижения поставленной цели в работе решаются следующие задачи:

1. Анализ характеристик известных методов сегментации изображений, позволяющий оценить эффективность выделения интересующих объектов.

2. Разработка метода сегментации цифровых полутоновых и цветных изображений на основе двумерной цепи Маркова и выделения контуров объектов интереса по вычисленной величине количества информации, реализация которого достигается меньшими вычислительными ресурсами, чем известными алгоритмами.

3. Разработка метода удаления точечных помех, основанного на вычислении количества информации по четырем соседним элементам, позволяющего снизить процент ложных контуров.

4. Разработка комбинированного метода сегментации изображений, за-шумленных БГШ, сочетающего нелинейную фильтрацию ЦПИ на первом этапе и выделение контуров объектов интереса - на втором.

5. Исследование и анализ эффективности разработанного метода выделения контуров на оригинальных и зашумленных ЦПИ.

6. Разработка метода текстурной сегментации цифровых полутоновых и цветных изображений, использующего в качестве текстурного признака оценку средней вероятности перехода в двумерной цепи Маркова и анализ качества его работы.

При решении поставленных задач использовались методы теории условных марковских процессов, теории информации, математического моделирования, теории вероятностей и математической статистики. Экспериментальная часть исследования основывалась на обработке цифровых изображений с помощью ЭВМ. Для программной реализации разработанного алгоритма использовались методы создания программных систем и программирование на языках высокого уровня, моделирование с помощью специализированных пакетов обработки изображений.

На защиту выносятся следующие основные научные положения:

1. Систематизация и анализ известных методов сегментации изображений позволяет оценить их эффективность.

2. Метод сегментации цифровых полутоновых и цветных изображений на основе двумерных цепей Маркова позволяет точно выделить контуры

объектов интереса меньшими вычислительными ресурсами, чем известными методами.

3. Метод удаления точечных помех позволяет удалить 1-2 элемента другой яркости на РДИ и снизить процент ложных контуров.

4. Комбинированный метод сегментации позволяет восстановить за-шумленное изображение нелинейным фильтром и выделить контуры объектов с точностью, превышающей известные методы.

5. Результаты количественного и качественного анализа методов выделения контуров на оригинальных и зашумленных изображениях позволяют оценить эффективность их работы.

6. Метод текстурной сегментации, основанный на вычислении оценки средней вероятности перехода в элементах изображения с использованием скользящего окна позволяет выделить области разных текстур небольшими вычислительными ресурсами.

Научная новизна полученных результатов состоит в следующем:

1. Разработан новый метод сегментации ЦПИ на основе двумерной цепи Маркова, позволяющий выделить контуры объектов интереса с высокой точностью и меньшими вычислительными ресурсами, чем известные методы (Канни, Лапласиан гауссиана, Робертса, Превитта, Собела).

2. Разработан метод удаления точечных помех на основе многомерной цепи Маркова, позволяющий повысить качество сегментации ЦПИ за счет снижения процента ложных контуров.

3. Разработан метод сегментации цветных изображений в системе RGB, позволяющий эффективно выделить объекты заданного цвета и не уступающий по эффективности методу К-средних.

4. Разработан комбинированный метод сегментации ЦПИ, позволяющий выделить контуры объектов интереса на зашумленных ЦПИ при отношениях сигнал/шум на входе приемного устройства до - 9 дБ.

5. Разработан новый метод текстурной сегментации, позволяющий выделить области с разными статистическими характеристиками на полутоновых

и цветных изображениях с высокой точностью и небольшими вычислительными ресурсами.

Практическая ценность полученных результатов заключается в том, что разработанные методы позволяют эффективно выделить объекты интереса в системах мониторинга и видеонаблюдения, охранного телевидения, медицинских системах за счет точного выделения контуров объектов интереса и текстурных областей, в том числе и в условиях действия БГШ большой интенсивности. Разработанные методы требуют для реализации небольших вычислительных ресурсов, что позволяет обрабатывать изображения в реальном масштабе времени.

Часть результатов, выносимых на защиту, была получена автором в рамках реализации федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» на 2009 - 2013 годы (соглашение №14.В37.21.0628), а также в ходе выполнения НИР по программе стратегического развития ПСР 2.4.1-12 "Разработка программного приложения алгоритмов фильтрации и сегментации изображений в видеоинформационных системах" в ВятГУ.

Для подтверждения достоверности теоретических положений проведено цифровое моделирование, проверена устойчивость полученных алгоритмов к точности априорных данных. Получено свидетельство на программный продукт, зарегистрированное в Реестре программ для ЭВМ [А20].

Результаты работы внедрены: в перспективные разработки программно-аппаратных средств автоматизированных систем обработки видеоинформации (ФГУП «НИИ СВТ»); в состав комплекта прототипа системы обработки и распознавания цифровых изображений (ЗАО НПП «Знак»); в учебный процесс на кафедре радиоэлектронных средств Вятского государственного университета.

Диссертационная работа состоит из четырех глав.

В первой главе проведен анализ существующих методов сегментации изображений, который позволяет сделать обоснованный выбор метода сегментации изображений для конкретного приложения.

Все методы сегментации можно условно разделить на две группы: на основе выделения контуров, и на основе выделения областей. Выявлены особенности каждого из этих подходов, проанализированы достоинства и недостатки, а также вычислительная сложность известных методов сегментации изображений.

Во второй главе разработан метод сегментации ЦПИ на основе представления их набором из g РДИ, каждое из которых представляет собой двумерную цепь Маркова. Для выделения контуров вычисляется количество информации в элементе РДИ по двум окрестным элементам. С целью улучшения контурного изображения предложен метод удаления точечных помех, основанный на вычислении количества информации в двоичном элементе изображения относительно четырех окрестных элементов. Проведена сравнительная оценка качества разработанного метода по общепринятым критериям с известными методами сегментации. Определен выигрыш во времени разработанного метода выделения контуров и известных методов контурной сегментации. На основе разработанного метода выделения контуров, предложен метод сегментации цветных изображений в цветовом пространстве RGB, базирующийся на применении разработанного метода к каждой из цветовых компонент. Анализируется качество сегментации цветных изображений на основе качественного сравнения полученных результатов с результатами метода К-средних. Приведены результаты моделирования алгоритмов сегментации, удаления точечных помех, заполнения сегментов, сегментации цветных изображений.

В третьей главе предложен комбинированный метод выделения контуров на зашумленных изображениях. Метод состоит из алгоритма двоичной нелинейной фильтрации, позволяющего восстановить ЦПИ, разрушенное аддитивным БГШ, и алгоритма выделения контуров, позволяющего выделить

контуры объектов интереса. Разработанный метод позволяет выполнить сегментацию зашумленных ЦПИ с высокой точностью. Проведено исследование эффективности данного метода в условиях действия БГШ различной интенсивности. Проведена сравнительная оценка качества работы разработанного метода с известными методами при разных отношениях сигнал/шум.

В четвертой главе разработан метод текстурной сегментации изображений, основанный на вычислении статистических характеристик областей. Представление изображения с помощью двумерных цепей Маркова позволяет использовать в качестве текстурного признака оценку средней вероятности перехода, которая вычисляется для каждого элемента изображения и сравнивается с порогом. Проведен анализ эффективности разработанного метода при сегментации искусственных и естественных текстур. Проведено исследование зависимости качества сегментации от размера окна и величины порогового значения при разных вероятностях переходов соседних текстур. Анализируется возможность выбора значения порога по гистограмме изображения текстурного признака. Исследуется возможность текстурной сегментации с помощью разработанного метода цветных изображений.

Основные результаты диссертации опубликованы в 20 работах, в том числе в 7 статьях в журналах из списка ВАК, 12 статьях и тезисах в сборниках трудов научно-технических конференций различных уровней, 1 свидетельстве о государственной регистрации программы для ЭВМ.

Похожие диссертационные работы по специальности «Радиотехника, в том числе системы и устройства телевидения», 05.12.04 шифр ВАК

Заключение диссертации по теме «Радиотехника, в том числе системы и устройства телевидения», Курбатова, Екатерина Евгеньевна

Основные результаты диссертации опубликованы в 20 работах, в том числе в 7 статьях в журналах из списка ВАК, 12 статьях и тезисах в сборниках трудов научно-технических конференций различных уровней, 1 свидетельстве о государственной регистрации программы для ЭВМ.

ЗАКЛЮЧЕНИЕ

В результате выполнения диссертационной работы разработаны методы сегментации полутоновых и цветных изображений для использования с автоматических системах обработки изображений с целью точного выделения объектов интереса и текстурных областей, в том числе в реальном масштабе времени и в условиях действия БГШ большой интенсивности. Основным итогом диссертации является решение научно-технической задачи разработки и исследования новых методов сегментации изображений, которые обеспечивают высокое качество сегментации и требуют для реализации меньших вычислительных ресурсов, чем известные методы.

Основные научные результаты

1. Проведена обобщенная систематизация и анализ существующих классических методов сегментации изображений, позволяющий оценить их эффективность.

2. Разработан и исследован метод выделения контуров объектов интереса на ЦПИ на основе многомерной ММ, позволяющий выделить контуры интересующих объектов с высокой точностью при небольших вычислительных затратах.

3. Показано, что для реализации разработанного метода выделения контуров требуется только две операции сравнения с элементами окрестности для принятия решения о принадлежности контуру одного элемента изображения, что обеспечивает выигрыш в скорости обработки по сравнению с известными методами в 5,7-19,7 раз. По качеству сегментации разработанный метод превышает известные методы по критерию FOM на 6-38%, по критерию RMS на 1-3% уступает методам Превитта и Собела. Полученные в результате сегментации контуры всегда являются замкнутыми, в то время как для других методов критерий относительной несвязности составляет 6-33%.

4. Для улучшения контурного изображения предложен метод удаления точечных помех на основе многомерной двоичной цепи Маркова, позволяющей снизить процент ложных контуров по критерию FOM на 11%, а по критерию RMS на 16% при сохранении замкнутости контуров.

5. Разработан метод сегментации полутоновых и цветных изображений, состоящий из алгоритма выделения контуров и построчного алгоритма заполнения с затравкой, требующий небольших вычислительных ресурсов и позволяющий выделить объекты интереса на неоднородном фоне.

6. Разработан и исследован комбинированный метод выделения контуров на зашумленных ЦПИ. Показано, что по помехоустойчивости комбинированный метод сравним с методами Лапласиана гауссиана и Канни, точность выделения контуров на зашумленных ЦПИ разработанным методом превышает известные методы на 33.49% по критерию FOM и на 18.29% по критерию RMS, контуры получаются всегда замкнутыми.

7. Разработан и исследован метод текстурной сегментации, основанный на вычислении оценки средней вероятности перехода в двумерной цепи Маркова для каждого элемента изображения и сравнения вычисленной величины с порогом. Показано, что оптимальным с точки зрения соотношения качество сегментации / время обработки является окно размером 21x21 элемент. Сравнение разработанного метода с методами, основанными на вычислении градиента, показало, что разработанный метод обеспечивает уменьшение ошибки сегментации более чем в 10 раз.

Практические результаты работы

1. Разработанные методы сегментации полутоновых и цветных изображений позволяют эффективно выделить объекты интереса в системах мониторинга и видеонаблюдения, охранного телевидения, медицинских системах за счет точного выделения контуров интересующих объектов и снижения количества вычислительных операций для реализации разработанного метода, что позволяет обрабатывать изображения в реальном масштабе времени.

2. Комбинированный метод сегментации позволяет выделить объекты интереса на зашумленных изображениях при отношениях С/Ш на входе приемного устройства до -9 дБ за счет применения алгоритма двумерной нелинейной фильтрации.

3. Разработанная структура устройства комбинированного метода выделения контуров на зашумленных ЦПИ, обладает высокой однородностью и требует для своей реализации малых технических и временных ресурсов.

4. Метод текстурной сегментации позволяет эффективно выделять области различной текстуры в спутниковых системах мониторинга поверхности Земли.

5. Разработано прикладное программное обеспечение для исследования методов сегментации полутоновых и цветных изображений с последующей количественной оценкой качества полученных результатов на основе выбранных критериев.

Разработанные методы внедрены в перспективные разработки программно-аппаратных средств автоматизированных систем обработки видеоинформации (ФГУП «НИИ СВТ»); в состав комплекта прототипа системы обработки и распознавания цифровых изображений (ЗАО НЛП «Знак»); в учебный процесс на кафедре радиоэлектронных средств Вятского государственного университета.

Список литературы диссертационного исследования кандидат технических наук Курбатова, Екатерина Евгеньевна, 2013 год

Библиографический список

1. Прэтт У. Цифровая обработка изображений: В 2 кн.: Пер. с англ. / Под ред. Д.С. Лебедева. - М. : Мир, 1982. - Кн. 1 - 312 е., Кн.2 - 480 с.

2. Виттих В.А. Обработка изображений в автоматизированных системах научных исследований // В.А. Виттих, В.В. Сергеев, В.А. Сойфер. - М.: изд-во «Наука», 1982. - 214 с.

3. Потапов А.А. Новейшие методы обработки изображений /А.А. Потапов, Ю.В. Гуляев, С.А. Никитов [и др.]. - М.: ФИЗМАТЛИТ, 2008. - 496 с.

4. Журавлев Ю.И. Распознавание образов и распознавание изображений / Ю.И. Журавлев, И.Б. Гуревич // Распознавание. Классификация. Прогноз. Выпуск 2. - М.: Наука, 1989. - № 2. - С.5-72.

5. Sobel I.E. Camera Models and Machine Perception, PHD dissertation // Stanford University. - 1970.

6. Prewitt J.M.S Object Enhancement And Extraction, Picture Processing and Psychopictorics // ( B. Lipkin and A. Rosenfeld, Ed.). - NY, Academic Près, 1970. -p. 75-149.

7. Roberts L.G. Machine Perception of Three-Dimensional Solids // Optical and Electro-Optical Information Processing. - MIT Près, 1965. - p. 159-197.

8. Canny J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1986. - №8. - p. 679-700.

9. Бакут П.А. Сегментация изображений: Методы пороговой обработки / П.А. Бакут, Г.С. Колмогоров, И.Е. Ворновицкий // Зарубежная радиоэлектроника. - 1987. - №10. - с. 6-24.

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

11. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / Б.А. Алпатов, П.В. Бабаян, О.Е. Балашов, А.И. Степашкин. -М.: Радиотехника, 2008. - 176 с.

12. Kirsch R. Computer Determination of the Constituent Structure of Biological Images // Comput. Biomed. Res. - 1971. - Vol. 4. - p. 315-328.

13. Гонсалес P. Цифровая обработка изображений / P. Гонсалес, P. Вудс. -M.: Техносфера, 2005. - 1072 с.

14. Шапиро Л. Компьютерное зрение / Л. Шапиро, Дж. Стокман; Пер. с англ. - М.: БИНОМ. Лаборатория знаний, 2006. - 752 с.

15. Дуда Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт / Под ред. В. Л. Стефанюка. - М.: Изд-во «Мир», 1976. - 511 с.

16. Введение в контурный анализ и его приложения к обработке изображений и сигналов / Я.А. Фурман, A.B. Кревицкий, А.К. Передреев [и др.] / под.ред. Я.А. Фурмана. -М.: ФИЗМАТЛИТ, 2002. - 592 с.

17. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / Б.А. Алпатов, П.В. Бабаян,

0.E. Балашов, А.И. Степашкин. -М.: Радиотехника, 2008. - 176 с.

18. Обухова H.A. Сегментация объектов интереса на основе признака движения в видеокомпьютерных системах // Инфокоммуникацинные технологии. - 2007. - №1. -С. 77-85.

19. Robinson G.S. Edge detection by Compass Gradient Masks // Computer Graphics and Image Processing. - 1977. - Vol.6, № 5. - p. 492-502.

20. Мурашов Д.М. Метод автоматической сегментации изображений цитологических препаратов на основе модели активного контура // Труды МФТИ. - 2009. - том 1, № 1. - с. 80-89.

21. Семашко A.C. Обработка и анализ границ объектов на основе метода активных контуров / A.C. Семашко, A.C. Крылов // Труды 12-й международной конференции и выставки «Цифровая обработка сигналов и ее применение» (DSPA, 2010). - М., 2010. - т.2. - с. 90-93.

22. Seise М. Double Contour Active Shape Models / M. Seise, S.J. McKenna,

1.W. Ricketts, C.A. Wigderowitz // BMVC. - 2005. - Vol.2, -p.159-168.

23. Seise M. Learning Active Shape Models for Bifurcating Contours / M. Seise, S.J. McKenna, I.W. Ricketts, C.A. Wigderowitz // IEEE Transactions on Medical Imaging. - 2007. - Vol.26, № 5. - p.666-677.

24. Kass M. Snakes: Active contour models / M. Kass, A. Witkin, D. Terzopoulos // International Journal of Computer Vision. - 1988. - Vol. 1, № 4. - p. 321-331.

25. Tony F. Active Contours Without Edges / F. Tony, T.F. Chan, L.A. Vese // IEEE Transactions on image processing. - 2001. - Vol. 10, № 2. - p. 266-277.

26. Smith S. SUSAN - a new approach to low level image processing / S. Smith, J. Brady // International Journal of Computer Vision. - 1995. - Vol. 23, № 1. -p. 45-78.

27. Rothwell C.A. Driving Vision by Topology / C.A. Rothwell, J.L. Mundy, W. Hoffman, V.-D. Nguyen // Proceedings International Symposium on Computer Vision. - Washington DC, 1995. - p. 395-400.

28. Meer P. Edge Detection with Embedded Confidence / P. Meer, B. Georgescu // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2001. -Vol. 23, № 12.-p. 1351-1365.

29. Мартышевский Ю.В. Применение фракталов для обработки изображений в телевизионных автоматических системах // Доклады ТУСУРа. - 2006. - № 6. - с. 57-62.

30. Мартышевский Ю.В. Сегментация изображений на основе фрактальной размерности и логического связывания // PIERS 98. - France, Nantes, 1998. -1185 p.

31. Кормановский С.И. Структурно-связностая модель изобрпжения: выделение контура и формирование признаков / С.И. Кормановский, Я.Г. Скорюкова, О.П. Меленик // Научные труды ВНТУ. - 2001. - №1. - с. 17.

32. Денисюк B.C. Алгоритмы выделение особенностей на изображениях с целью классификации заболеваний растений // Конструктруирование и оптимизация параллельных программ. - Новосибирск, 2008. - №16. - с.171-182.

33. Богословский А.В. Предварительная обработка изображений / А.В. Богословский, Д.С. Юдаков, Е.А. Богословский, И.В. Жигулина // Радиотехника. - 2009. - №2. - с. 74-83.

34. Сирота А.А. Алгоритм совместного обнаружения и оценивания границы объектов на изображениях в условиях аддитивных помех /А.А. Сирота, А.И. Соломатин // сб. докл. XVI МНТК «Радиолокация, навигация, связь»: -Воронеж, 2012, т. 1. - с. 172-183.

35. Martin D. Learning to Detect Natural Image Boundaries Using Local Brightness, Color, and Texture Cues / D. Martin, C. Fowlkes, J. Malik //IEEE Transactios on Pattern Analysis and Machine Intelligence. - 2004. - Vol. 26, No 5. -pp. 530-549.

36. Wang H. An Improved Image Segmentation Algorithm Based on Otsu Method / H. Wang, Y. Dong // International Symposium on Photoelectronic Detection and Imaging 2007: Related Technologies and Applications / edited by Liwei Zhou, Proc. of SPIE. - 2008. - Vol. 6625. - p. 66250I-1-66250I-8.

37. Cheriet M. A Recursive Thresholding Technique for Image Segmentation / M. Cheriet, J. N. Said, C. Y. Suen // IEEE Transactions on image processing. -1998. - Vol. 7, № 6. - p. 918-921.

38. Sezgin M. Survey over image thresholding techniques and quantitative performance evaluation / M. Sezgin, B. Sankur // Journal of Electronic Imaging. -2004.-Vol.13, № 1. - p. 146-165.

39. Bradly D Adaptive thresholding using the integral image / O. Bradly, G. Roth // Journal of graphics, gpu, and game tools. - 2007. - Vol. 2. - p. 13-21.

40. Zaart A. E. Segmentation of SAR images / A. E. Zaart, D. Ziou, S. Wang, Q. Jiang // Pattern Recognition. - 2002. - № 35. - p. 713-724.

41. Хорн Б.К.П. Зрение роботов: пер. с англ. - М.: Мир, 1989. - 487 с.

42. Otsu N. A threshold selection method from gray-level histogram // IEEE Transactions on Systems Man Cybernet, SMC-8. - 1978. - p. 62-66.

43. Haralick R. M. Computer and Robot Vision / R.M. Haralick, L.G. Shapiro. -Boston: Addison-Wesley Longman Publishing Co., 1992. - 630 p.

44. Hojjatoleslami S.A. Region Growing: A New Approach / S.A. Hojjatoleslami, J. Kittlcr // IEEE Trans. Image Processing. - 1998. - Vol. 7, № 7. - p. 1079-1084.

45. Gevers T. Image Segmentation by Directed Region Subdivision / T. Gevers, V.K. Kajcovski // Proceedings of the 12-th IAPR International Conference on Pattern Recognition. - Israel, 1994. - Vol. 1. - p. 342-346.

46. Агарков A.B. Сегментация изображения на основе его описания в виде графа // Искусственный интеллект. - 2010. - №3. - с. 274-282.

47. Veksler О. Image segmentation by nested cuts // IEEE Conference on Computer Vision and Pattern Recognition. - 2000. - Vol. 1. - p. 339-344.

48. Shi J. Normalized cuts and image segmentation / J. Shi, J. Malik // IEEE Transaction on Pattern Analysis and Machine Intelligence. - 2000. - Vol. 22, № 8. -p. 888-905.

49. Serra J. Image analysis and mathematical morphology. - NY.: Academic Press, 1988.-610 p.

50. Beucher S. The Morphological Approach of Segmentation: The Watershed Transformation / S. Beucher, F. Meyer // Mathematical morphology in image processing / E. Dougherty (ed.). - 1993. - Cap. 12. - p. 433-481.

51. Baccar M. Segmentation of Range Images Via Data Fusion and Morphological Watersheds / M. Baccar, L.A. Gee, M.A. Abidi, R.C. Gonzalez // Pattern Recognition. - 1996. - Vol. 29, № 10. - p. 1671-1685.

52. Bleau A. Watershed-Based Segmentation and Region Merging / A. Bleau, L.J. Leon // Computer vision and image understanding. - 2000. - Vol. 77, № 3. -p. 317-370.

53. Bieniek A. An Efficient Watershed Algorithm Based on Connected Components / A. Bieniek, A. Moga // Pattern Recognition. - 2000. - Vol. 33, № 6. -p. 907-916.

54. Kettaf F.Z. A comparison study of image segmentation by clustering techniques / F.Z. Kettaf, D. Bi, J.P. Asselin de Beauville // 3rd International Conference on signal processing. - China, Beijing, 1996. - Vol. 2. - p. 1280-1283.

55. Ohlander R. Picture segmentation using a recursive region splitting method / R. Ohlander, К. Price, D. Reddy // Computer graphics and image processing. -1978.-Vol. 8, №3-p. 313-333.

56. Васильев K.K. Статистический анализ многомерных изображений / К.К. Васильев, В.Р.Крашенинников. - Ульяновск: УлГТУ, 2007. - 170 с.

57. Васильев К.К. Статистические методы обработки многомерных изображений / К.К. Васильев, A.A. Спектор // Методы обработки сигналов и полей. Сб. научн. тр. - Ульяновск: УлПИ, 1992. - с. 3-18.

58. Прикладная теория случайных процессов и полей / под ред. К.К. Васильева, В.А.Омельченко. - Ульяновск: УлПИ, 1995. - С. 255.

59. Васильев К.К. Представление и быстрая обработка многомерных изображений / К.К.Васильев, В.Р.Крашенинников, И.Н.Синицын, В.И.Синицын // Наукоемкие технологии. - 2002. - № 3. - С. 4-24.

60. Петров Е.П. Математические модели видеопоследовательностей цифровых полутоновых изображений / Е.П. Петров, И.С. Трубин // Успехи современной радиоэлектроники. - 2007. - №6. - С. 3-31.

61. Трубин И.С. Метод моделирования цифровых полутоновых изображений / И.С. Трубин, Е. В. Медведева, О. П. Булыгина // Инфокоммуникацинные технологии. - 2008. - том 6, №6 -С. 94-99.

62. Медведева Е.В. Метод синтеза математических моделей видеоизображений на основе многомерных цепей Маркова /Е.В. Медведева, Е.П. Петров, А.П. Метелев // Нелинейный мир. - 2011. - №8. - с. 104-109.

63. Медведева Е.В. Математические модели видеоизображений на основе многомерных цепей Маркова / Е. В. Медведева, H.JI. Харина, А. П. Метелев // Сб. научн. трудов 13-й Междунар. конф. «Цифровая обработка сигналов и ее применение». - М.: 2011. - Т. 1. - С. 277-281.

64. Медведева Е.В. Метод выделения контуров / Е. В. Медведева, Е. П. Петров, Б. О. Тимофеев // Сб. научн. трудов 11-й Междунар. конф. «Цифровая обработка сигналов и ее применение». - М.: 2009. - С. 439-442.

65. Медведева Е. В. Метод выделения контуров в изображении на основе вычисления количества информации / Е.В. Медведева // Цифровая обработка сигналов. - 2009. - № 3. - С. 12-15.

66. Роджерс Д. Алгоритмические основы машинной графики. - М.: Мир, 1989.-512с.

67. Павлидис Т. Алгоритмы машинной графики и обработки изображений. -М.: Радио и связь, 1986. - 394 с.

68. Медведева Е.В. Алгоритмы нелинейной фильтрации видеопоследовательностей на основе скрытых цепей Маркова / Е. В. Медведева, Е. П. Петров, А. П. Метелев // материалы 8-ой МНТК «Перспективные технологии в средствах передачи информации», Владимир: РОСТ, 2009-С. 90-93.

69. Петров Е. П. Нелинейная фильтрация видеопоследовательностей цифровых полутоновых изображений марковского типа / Е.П. Петров, И.С. Трубин, И.А. Частиков // Успехи современной радиоэлектроники. -2007. -№3.- с. 54-88.

70. Петров Е.П. Адаптивная нелинейная фильтрация сильно зашумленных видеопоследовательностей / Е.П. Петров, И.С. Трубин, Е.В. Медведева, И.А. Частиков // Информатика. - 2009. - №2. - С.49-56.

71. Петров Е.П. Нелинейная цифровая фильтрация полутоновых изображений / Е.П. Петров, И.С. Трубин, И.Е. Тихонов // Радиотехника. -2003. - №5.-с. 7-10.

72. Spirkovska L. A summary of image segmentation techniques. - California, USA: NASA technical memorandum. - 1993. - 14 p.

73. Zhang Y. Advances in Image And Video Segmentation. - USA: IRM Press, 2006.-473 p.

74. Поршнев C.B. Универсальная классификация алгоритмов сегментации изображений // C.B. Поршнев, А.О. Левашкина // Журнал научных публикаций аспирантов и докторантов. - 2008. - №3. - с. 163-172.

75. Dey V. A review on image segmentation techniques with remote sensing perspective / V. Dey, Y. Zhang, M. Zhong, // Wagner W., Szekely, B. (eds.): ISPRS ТС VII Symposium - 100 Years ISPRS. - 2010. - Vol. XXXVIII, Part 7A. -p. 31-42

76. Senthilkumaran N. Edge Detection Techniques for Image Segmentation - A Survey of Soft Computing Approaches / N. Senthilkumaran, R. Rajesh // International Journal of Recent Trends in Engineering. - 2009. - Vol. 1, № 2. - p. 250-254.

77. Pham D.L. A survey of current methods in medical image segmentation / D.L. Pham, C. Xu, J.L. Prince // Annual review of biomedical engineering. - 1998. -Vol. 2.-p. 315-338

78. Титов И.О. Выделение контуров изображения движущегося объекта // И.О. Титов, Г.М. Емельянов // Вестник Новгородского государственного университета, - 2010. - №55. - с.27-31.

79. Wang S. Evaluation edge detection through boundary detection / S. Wang, F. Ge, T. Liu // EURASI Journal on Applied Signal Processing. - NY, 2006. - p. 115.

80. Cufi X. A review of image segmentation techniques integrated region and boundary information / X. Cufi, X. Munoz, J. Freixenet, J. Marti // Advances in Imaging and Electron Physics. - 2002. - Vol.120. - p. 1-39.

81. Медведева E.B. Метод вычисления информационных характеристик цифровых полутоновых изображений / Е. В. Медведева, Е. П. Петров // Инфокоммуникацинные технологии. - 2008. - т.6, №3. - с.104-109.

82. Фано Р. Передача информации. Статистическая теория связи / Р. Фано / Пер. с англ. под ред. P.JI. Добрушина. - М.: Мир, 1965. - 438 с.

83. Левашкина А.О. Сравнительный анализ супервизорных критериев оценки качества сегментации изображений / А.О. Левашкина, С.В. Поршнев // Информационные технологии. - 2009. - № 5. - с. 52-57.

84. Гай В.Е. Формирование тестовых изображений для оценки качества алгоритмов сегментации / В.Е. Гай, С.Н. Борблик // Доклады 8-й

международной конференции «Цифровая обработка сигналов и ее применение». - М.: 2006. - с. 356-359.

85. Berkeley Segmentation Dataset [Электронный ресурс] // BSD - база изображений университета Беркли. - URL: http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/segbench (дата обращения: 17.03.2008).

86. Журавель И.М. Краткий курс теории обработки изображений [Электронный ресурс] // Консультационный центр MATLAB. - URL: http://matlab.exponenta.rU/imageprocess/book2/31 .php (дата обращения: 21.04.2012).

87. NASA Earth Data [Электронный ресурс] // Rapid Response - LANCE. -URL: lance-modis.eosdis.nasa.gov/cgi-bin/imagery/realtime.cgi (дата обращения: 21.04.2012).

88. Андреев Г.А. Анализ и синтез случайных пространственных текстур / Г.А. Андреев, О.В. Базарский, A.C. Глауберман, А.И. Колесников и др. // Зарубежная радиоэлектроника. - 1984. - №2. - с. 3-33.

89. Ковтун И.В. Текстурная сегментация изображений на основе марковских случайных полей // Управляющие системы и машины. 2003. - № 4. -С. 46-55.

90. Колодникова Н.В. Обзор текстурных признаков для задач распознавания образов / Н.В. Колодникова // Доклады ТУСУРа. Автоматизированные системы обработки информации, управления и проектирования. - 2004. - с. 113-124.

91. Brodatz Textures // Signal and Image Processing Institute USC - URL: http://sipi.usc.edu/database/database.php?volume=textures. (дата обращения: 24.02.2012).

Список авторских трудов по теме диссертации

А1. Курбатова Е.Е. Анализ алгоритмов сегментации изображений // Всероссийская НТК «Общество, наука, инновации»: сб. матер - Киров: Изд-во ГОУ ВПО «ВятГУ», 2010. - т. 2. - с. 168-171.

А2. Медведева Е. В. Метод сегментации изображений / Е. В. Медведева, Е. Е. Курбатова // Всероссийская НТК «Общество, наука, инновации»: сб. матер - Киров: Изд-во ГОУ ВПО «ВятГУ», 2010. - т. 2. - с. 172-175.

АЗ. Медведева Е. В. Метод сегментации изображений в прикладных телевизионных системах / Е. В. Медведева, Е. Е. Курбатова // Т-Сошш. Телекоммуникации и транспорт. - 2010. - №2. - с.46-49.

А4. Медведева Е.В. Сегментация изображений в мониторинговых системах / Е. В. Медведева, Е. Е. Курбатова // сб. докл. XVI МНТК «Радиолокация, навигация, связь». - Воронеж, 2010. - т. 1.- с.231-238.

А5. Медведева Е.В. Сегментация изображений в прикладных телевизионных системах / Е. В. Медведева, Е. Е. Курбатова // Т-Сошш. Телекоммуникации и транспорт. - 2010. - №9. - с.40-42.

А6. Медведева Е. В. Сегментация цифровых медицинских

изображений / Е. В. Медведева, Е. Е. Курбатова // Доклады 9-ой МНТК. Книга 1. «Физика и радиоэлектроника в медицине и экологии». - Владимир, 2010.-е. 320-324.

А7. Медведева Е.В. Оценка качества метода сегментации изображений на основе двумерных цепей Маркова / Е. В. Медведева, Е. Е. Курбатова // Сб. научн. трудов 13-й Междунар. конф. «Цифровая обработка сигналов и ее применение». -М.: 2011.-Т.2. - с. 151-155.

А8. Курбатова Е.Е. Оценка качества метода выделения контуров на изображениях [Электронный ресурс] // Общество, наука, инновации (НТК-2011): ежегод. открыт, всерос. науч.-технич. конф., 2011.: сб. материалов / Вят. гос. ун-т; отв. ред. С.Г. Литвинец. - Киров, 2011. - 1 электрон. Опт. Диск

(CD-ROM). (Факультет прикладной математики и телекоммуникаций. Секция «Методы и средства передачи и обработки сигналов». Статья № 8). А9. Medvedeva E.V. Two-stage image preprocessing algorithm /

iL

E. V. Medvedeva, E. E. Kurbatova // 10 International Conference on Pattern Recognition and Image Analisis: New Information Technologies (PRIA -10-2010). St. Petersburg. Conference Proceedings. Vo.l, SPb.: Politechnika, 2010. - pp. 293296.

A10. Medvedeva E.V. A Two-stage image preprocessing algorithm / E. V. Medvedeva, E. E. Kurbatova // Pattern Recognition and Image Analysis. - 2011. -Vol. 21, No. 2. - pp.297-301.

All. Петров Е.П. Комбинированный метод выделения контуров на зашумленных изображениях / Е.П. Петров, Е. В. Медведева, Е. Е. Курбатова // Нелинейный мир. - 2011. - № 6. - С. 335-341.

А12. Медведева, Е.В. Сегментация зашумленных изображений в мониторинговых системах / Е.В. Медведева, Е.Е. Курбатова // Пятый Белорусский космический конгресс: материалы конгресса. - Минск: ОИПИ НАНБеларуси, 2011.-Т.2.-с. 7-11.

А13. Медведева Е.В. Метод выделения объектов на зашумленных изображениях в видеоинформационных системах / Е.В. Медведева, К.А. Карлушин, Е.Е. Курбатова // Общество, наука, инновации (НТК-2011): ежегод. открыт, всерос. науч.-технич. конф.: сб. материалов - Киров, 2012. -1 электрон. Опт. Диск (CD-ROM).

А14. Курбатова Е.Е. Комбинированный алгоритм выделения контуров объектов интереса в мониторинговых системах / Е.Е. Курбатова, Е.В. Медведева, И.Я. Орлов // Вестник ННГУ. - 2013. - № 2(1). - с. 62-67.

А15. Медведева Е.В. Метод текстурной сегментации изображений на основе марковских случайных полей / Е.В. Медведева, Е.Е. Курбатова // Цифровая обработка сигналов. - 2012. - №3. - с. 76-80.

А16. Петров Е.П. Текстурная сегментация изображений на основе марковских случайных полей / Е.П. Петров, Е.В. Медведева, Е.Е. Курбатова

// X Международная научно-техническая конференция «Физика и технические приложения волновых процессов»: материалы.: - Самара: ООО «Книга», 2011.-с. 249-251.

Al7. Медведева Е.В. Метод текстурной сегментации изображений на основе двумерных цепей Маркова / Е.В. Медведева, Е.Е. Курбатова // 14-я Международная конференция «Цифровая обработка сигналов и ее применение - DSPA-2011»: сб. докладов. - Москва: 2012. -Т.2. - с. 331-334.

Al 8. Курбатова Е.Е. Метод текстурной сегментации изображений // 67-я всероссийская конференция с международным участием «Научная сессия, посвященная Дню радио» RDC-2012: сб. докладов. - Москва: 2012. - с. 224227.

А19. Курбатова Е.Е. Метод текстурной сегментации аэрокосмических изображений / Е.Е. Курбатова, К. А. Карлушин, Е.В. Медведева // Инфокоммуникационные технологии. - 2012. - №4. - с.41-45.

А20. Свидетельство о государственной регистрации программы для ЭВМ №2011614909 - Сегментация цифровых полутоновых изображений / Медведева Е.В., Курбатова Е.Е. - 22.06.11.

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.