Разработка и исследование методов сегментации изображений с применением бионических моделей тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Эль-Хатиб Самер Аднан Ибрагим

• Эль-Хатиб Самер Аднан Ибрагим
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Эль-Хатиб Самер Аднан Ибрагим

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1. МЕТОДЫ И АЛГОРИТМЫ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ

1.1. Обзор методов и алгоритмов сегментации изображений

1.2. Бионические модели и методы сегментации изображений

1.3. Задачи диссертационной работы

1.4. Выводы

2. РАЗРАБОТКА И ОЦЕНКА ГИБРИДНОГО МУРАВЬИНОГО МЕТОДА СЕГМЕНТАЦИИ СЛОЖНОСТРУКТУРИРОВАННЫХ ИЗОБРАЖЕНИЙ

2.1. Разработка гибридного муравьиного метода сегментации изображений

2.2. Определение оптимальных параметров настройки гибридного муравьиного метода

2.3. Оценка вычислительной сложности гибридного муравьиного метода

2.4. Оценка времени работы гибридного муравьиного метода с помощью теоремы дрейфа

2.5. Выводы

3. РАЗРАБОТКА И ОЦЕНКА ГИПЕРЭВРИСТИЧЕСКОГО РОЕВОГО МЕТОДА СЕГМЕНТАЦИИ СЛОЖНОСТРУКТУРИРОВАННЫХ ИЗОБРАЖЕНИЙ

3.1. Гиперэвристический роевой метод сегментации изображений

3.2. Определение оптимальных параметров настройки гиперэвристического роевого метода

3.3. Оценка вычислительной сложности гиперэвристического роевого метода

3.4. Выводы

4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ, АПРОБАЦИЯ И ТЕСТИРОВАНИЕ РАЗРАБОТАННЫХ МЕТОДОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ

4.1. Описание характеристик и основных функциональных возможностей программного приложения для системы сегментации изображений

4.2. Тестирование разработанных методов сегментации и экспериментальные данные

4.3. Сравнительная оценка времени работы методов сегментации изображений

4.4. Оценка вычислительной сложности гибридного муравьиного метода и гиперэвристического роевого метода с использованием анализа дрейфа

4.5. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ 1. Свидетельство о государственной регистрации программы для ЭВМ

ПРИЛОЖЕНИЕ 2. Акты об использовании результатов исследований, полученных в диссертационной работе

Введение диссертации (часть автореферата) на тему «Разработка и исследование методов сегментации изображений с применением бионических моделей»

ВВЕДЕНИЕ

Актуальность темы исследования. Разработка методов распознавания изображений является одной из актуальных и трудных задач теоретической информатики. При создании систем распознавания, к которым предъявляются повышенные требования по точности и производительности, возникает необходимость применения новых методов автоматизации процедуры распознавания изображений. Несмотря на то, что задача разработки методов распознавания изображений, хорошо исследована в теоретическом плане, однако универсального метода ее решения не существует, а практическое решение представляется очень трудным. Существует определенная зависимость эффективности работы методов распознавания от априорных данных и условий работы системы, которые не всегда позволяют решать задачу распознавания с достаточно высокой эффективностью.

При компьютерной обработке и распознавании изображений решается широкий круг задач. Одним из основных этапов распознавания является процесс разделения изображения на неперекрывающиеся области (сегменты), покрывающие все изображение и однородные по некоторым признакам. Сегментация упрощает анализ однородных областей изображения, а также яркостных и геометрических характеристик. Реализация сегментации осуществляется с помощью специальных методов. Их целью является отделение анализируемого объекта, структуры или области интереса от окружающего фона. Это сложная задача, качество выполнения которой существенно влияет на точность, а порой и на возможность последующего компьютерного анализа изображений, поскольку на практике возникает много дополнительных трудностей, связанных с шумами, размытием изображений и т.д. Излишне детализированная сегментация делает процесс выделения объекта интереса затруднительным, а неверная или слабо детализированная сегментация может приводить к ошибкам на последующих этапах обработки изображений.

Существующие методы сегментации не всегда дают удовлетворительный (качественный) результат, поэтому необходимы новые решения, их комбинации с использованием базовых подходов к сегментации.

Отметим, что переход на собственные инновационные технологии электронной регистрации, хранения, обработки и распознавания изображений является одним из приоритетных направлений развития науки, технологий и техники в России.

Сегментация изображений является актуальной научно-практической задачей, решение которой оказывает существенное влияние на результаты анализа и распознавания изображений. Сегментация - результат понимания изображения, инструмент для его распознавания. Создание эффективных методов сегментации позволит повысить качество и скорость обработки изображений по сравнению с известными методами.

Степень разработанности темы. Для решения задачи сегментации изображений было разработано много методов, базирующихся на яркостной, градиентной и текстурной информации изображения. Результаты исследований методов сегментации и распознавания изображений изложены в работах отечественных и зарубежных ученых: В.П. Вежневеца, Р. Вудса, Р. Гонсалеса, И.П. Гурова, Р. Дуда, Ю.И. Журавлева, В.С. Киричука, А.Г. Коробейникова, Д. Кэнни, Б.М. Миллера, У. Прэтта, Д. Прюитта, К. Рао, Л. Робертса, С.З. Савина, В.В. Сергеева, И. Собеля, В.А. Сойфера, Л.Т. Сушковой, П. Фелзензвалба, К. Фу, Я.А. Фурмана, Р. Харалика, Д. Хаттенлохера, Х. Щарра, С.В. Яблонского, Л.П. Ярославского.

Однако существующие методы не обеспечивают надежного различения объекта интереса от окружающего фона в разнообразных ситуациях, что не позволяет в полной мере заменить визуальное наблюдение автоматизированным. Поскольку в общем случае задача сегментации изображений не решена, возникает необходимость в разработке и реализации усовершенствованных методов и алгоритмов сегментации изображений. Направлениями совершенствования

являются максимальное соответствие сегментированной области реальному объекту, работа в режиме реального времени, низкая вероятность ошибок.

Востребованными областями распознавания цифровых изображений являются медицина, картография, промышленность, искусство и др. Одной из главных проблем теоретической информатики является анализ и распознавание сложноструктурированных изображений. Сложноструктурированные

изображения являются семантически насыщенными изображениями и состоят из большого количества объектов различных видов, каждый из которых обладает собственными значимыми характеристиками. Примерами

сложноструктурированных изображений могут быть топографические карты, снимки поверхности Земли из космоса, медицинские снимки и т.д. Эти изображения имеют свои особенности. Они компактны и малоконтрастны по сравнению с окружающим фоном и являются сложными, размерными и вариабельными. Это накладывает повышенные требования к точности детектирования образований и объектов на изображениях, является основным фактором, который ограничивает применение известных подходов для сегментации изображений.

Необходимо выделить на изображениях области с определёнными свойствами. Результатом сегментации является бинарное или иерархическое изображение, в котором каждому уровню изображения соответствует определенный класс выделенных объектов. Это является сложным моментом при распознавании, в особенности сложноструктурированных изображений биологической ткани, так как необходимо производить выделение областей, соответствующих различным объектам или структурам на гистологических препаратах: клеткам, органоидам, артефактам и т.д.

Авторская гипотеза состоит в том, что подходящим способом для эффективного решения задачи сегментации сложноструктурированных изображений является использование математических преобразований, описывающих коллективное поведение децентрализованной

самоорганизующейся системы, состоящей из множества агентов, локально взаимодействующих между собой и с окружающей средой для достижения предопределенной цели. В природе примерами подобного рода систем являются роевые системы. Каждый агент в системе функционирует автономно, используя простые правила. В то же время, алгоритм поведения всей системы получается на удивление разумным. Роевой интеллект рассматривается в теоретической информатике как эффективная процедура оптимизации, которой присуща масштабируемость; возможность решать задачи независимо от их размерности; гибкость; отсутствие жесткой структуры; простота правил поведения агентов.

При переходе к математическим моделям роевого интеллекта вводятся так называемые эвристические коэффициенты, которые являются управляющими параметрами роевых методов и алгоритмов. От значения этих параметров зависит, насколько эффективно будет решена оптимизационная задача. Параметры могут принимать бесконечное число значений из некоторого диапазона. Поэтому встает вопрос об их подборе и необходимости проведения экспериментальных исследований на всемирно распространенных тестовых задачах из библиотек бенчмарок, чтобы выяснить оптимальные значения коэффициентов и оценить вычислительную сложность роевых методов. Иными словами, необходимо выяснить насколько точно роевые методы могут сегментировать изображения по сравнению с известными методами; какова оценка вычислительной сложности роевых методов; а также, каковы оптимальные значения используемых в методах эвристических коэффициентов и как они влияют на конечный результат сегментации.

Ответы на эти и некоторые другие вопросы могли бы в значительной мере конкретизировать и прояснить перспективы применения методов роевого интеллекта для сегментации изображений. Получение теоретической оценки роевых методов сегментации, позволило бы расширить сферу применения бионических моделей в теории распознавания изображений, получить новые научные данные о путях развития объекта исследований, повысить их

продуктивность в области сегментации изображений и показать их практический потенциал.

Цель и задачи диссертации. Цель заключается в повышении точности и скорости решения задачи сегментации изображений, имеющей существенное значение для разработки методов анализа и распознавания изображений, на основе использования бионических моделей роевого интеллекта.

В диссертации содержится решение следующей научной проблемы: при заданных исходных изображениях в виде набора пикселей с такими визуальными свойствами, как яркость, цвет, текстура, а также определенного размера, уровня шума, контрастирования и качества, необходимо в пределах имеющихся ресурсов найти такую разметку цифровых изображений на определенное количество регионов, которая обеспечивает высокую точность и качество распознавания изображений.

Для решения научной проблемы и достижения поставленной цели необходимо решить следующие задачи:

- анализ существующих методов и алгоритмов сегментации изображений и выделения границ объектов, выявление и обоснование подходов наиболее пригодных для достижения поставленной цели;

- разработка, исследование и применение моделей и методов роевого интеллекта для решения задачи сегментации изображений с учетом критериев точности и скорости распознавания;

- теоретическая и экспериментальная оценка потенциала роевых методов сегментации с целью расширения сферы применения бионических моделей в теории распознавания изображений, получения новых научных данных о путях развития исследований в области сегментации изображений, повышении их продуктивности;

- реализация и тестирование разработанных методов путем разработки специализированного программного обеспечения для сравнения разработанных

методов с конкурирующими методами на всемирно распространенных тестовых задачах из библиотек бенчмарок.

Научная новизна. В работе получены следующие новые научные результаты, которые выносятся на защиту:

• биоинспирированный муравьиный метод сегментации изображений, отличающийся использованием быстрого кластерного анализа (к-твап^) для перевычисления центра каждого сегмента и применением суперпозиции нескольких критериев оптимальности решений с учетом, как цветовых, так и геометрических характеристик изображения, что позволяет повысить качество обработки изображений в среднем на величину 8,7% по сравнению с известными методами, а также применять метод для сегментации зашумленных и контрастных изображений;

• гиперэвристический роевой метод сегментации изображений, отличающийся от известных выбором, комбинированием и адаптацией в процессе поиска решения нескольких подчиненных эвристик в зависимости от качества исходных изображений (без артефактов и искажений, зашумленные, размытые, контрастные), а также применением динамического весового коэффициента инерции, что позволяет повысить качество и снизить время обработки изображений (в среднем на 9%) по сравнению с известными методами. Метод способен работать, как в автоматическом, так и в интерактивном режимах;

• оптимальные параметры настройки муравьиного и роевых методов сегментации, реализующие механизмы управления процессом поиска в пространстве решений, что обеспечивает высокую скорость и точность работы методов, препятствует их преждевременной сходимости в локальных оптимумах;

• полиномиальные теоретические и экспериментальные оценки трудоемкости муравьиного и роевых методов сегментации изображений, полученные на основе теорем дрейф-анализа и подтвержденные экспериментально на наборах реальных изображений и бенчмарок из известных международных библиотек.

Теоретическая значимость работы состоит в повышении точности и скорости сегментации изображений за счет использования разработанных бионических методов с доказанными полиномиальными оценками трудоемкости. Теоретически обоснованы и экспериментально установлены оптимальные параметры настройки методов для сегментации изображений.

Практическая значимость работы состоит в возможности использования разработанного программного обеспечения разработчиками систем распознавания изображений, в частности, медицинских снимков, для повышения оперативности и качества процедур диагностирования областей интереса.

Результаты диссертации были получены при выполнении научно-исследовательских работ:

• на кафедре «Автоматизированные системы управления» Донецкого национального технического университета по теме "Разработка и исследование методов построения компьютерных систем технической и медицинской диагностики" (2012-2015 гг.);

• в Институте компьютерных технологий и информационной безопасности ЮФУ по теме проектной части государственного задания в сфере научной деятельности «Разработка теории и основных принципов эволюционных вычислений для поддержки принятия оптимальных решений при проектировании многоцелевых интеллектуальных систем» (2016 г.);

• по гранту РФФИ «Развитие теории и применение метаэвристических моделей, методов и алгоритмов для трансвычислительных задач принятия оптимальных решений» (2016-2017 гг.).

Разработанные методы и программное обеспечение были использованы:

• в Институте неотложной и восстановительной хирургии им. В.К. Гусака (г. Донецк) в рамках научно-исследовательских работ в отделе неотложной кардиологии и кардиохирургии, что подтверждается соответствующими актами;

• в учебном процессе Донецкого национального технического университета на кафедре «Автоматизированные системы управления» и на

кафедре математического обеспечения и применения ЭВМ Института компьютерных технологий и информационной безопасности Южного федерального университета.

Методология и методы исследования. Диссертационное исследование опирается на важнейший методологический принцип теоретической информатики - изучение исследуемого объекта с точки зрения процессов сбора, обработки и выдачи информации о нем, а также определенного сходства этих процессов при их реализации в искусственных и естественных (в том числе биологических) системах.

Объектом исследования являются методы разделения цифрового изображения на сегменты с целью упрощения анализа и обработки изображений, а также наборы тестовых изображений и бенчмарок известных международных библиотек.

Предметом исследования является разработка, исследование и применение моделей и методов роевого интеллекта для решения задачи сегментации изображений с учетом критериев точности и скорости распознавания.

При решении сформулированных в работе задач использовались методы роевого интеллекта, методы кластеризации данных, методы эволюционных вычислений, теория дрейф-анализа, теория множеств, математической статистики, математического моделирования, методы объектно-ориентированного проектирования и программирования.

Соответствие специальности. Тематика работы соответствует следующим пунктам паспорта специальности 05.13.17 - Теоретические основы информатики:

• п. 7 «Разработка методов распознавания изображений»;

• п. 13 «Применение бионических принципов, методов и моделей в информационных технологиях».

Степень достоверности и апробация результатов. Достоверность и обоснованность использованных методов исследования и полученных научных результатов подтверждается непротиворечивостью известным данным, высокой

степенью сходимости теоретически полученных результатов с известными экспериментальными данными, практическими экспериментами для реальных изображений и бенчмарок известных международных библиотек.

Основные положения диссертационной работы докладывались и обсуждались на следующих научных конференциях: региональной межвузовской конференции «Young scientists' researches and achievements in science» (Донецк, 2013), VIII всеукраинской конференции «Современные тенденции развития информационных технологий в науке, образовании и экономике» (Луганск, 2014), XVIII международной конференции «Нейроинформатика-2016» (Москва, НИЯУ МИФИ, 2016), XIX международной конференции «Мягкие вычисления и измерения» (Санкт-Петербург, СПбГЭТУ, 2016), Конгрессе по интеллектуальным системам и технологиям IS&IT (Дивноморск, 2016), III международной конференции «Информационные технологии в науке, управлении, социальной сфере и медицине ITSMSSM» (Томск, 2016).

Публикации. По теме диссертационной работы опубликованы 14 печатных работ, отражающих основные положения исследования, в том числе 3 статьи в журналах, рекомендованных ВАК РФ; 1 статья - в изданиях, индексируемых в библиографических базах Scopus и Web of Science, 12 статей - в изданиях, индексируемых в библиографической базе РИНЦ. В рамках диссертационной работы получено свидетельство о регистрации программ для ЭВМ «Программа сегментации МРТ-снимков с использованием модифицированных алгоритмов колоний и роя частиц» (№ 2016616997 от 23.06.2016).

Личный вклад соискателя. Все основные положения и результаты диссертационной работы, выносимые на защиту, получены автором самостоятельно. В работах, которые выполнены в соавторстве автору принадлежат: [58, 59, 60] - биоинспирированный муравьиный метод сегментации изображений; [104, 110] - гиперэвристический роевой метод сегментации изображений; [63, 108] - оптимальные параметры настройки муравьиного и роевых методов сегментации, реализующие механизмы управления процессом

поиска в пространстве решений, [61, 109] - описание разработанных методов сегментации.

Структура и объем работы. Диссертация состоит из введения, 4 разделов, заключения, списка использованной литературы из 120 наименований. Общий объем работы 178 стр., иллюстраций - 77, таблиц - 18.

Во введении обоснована актуальность проблемы, сформулирована цель и основные задачи исследования, представлены новые научные результаты, сведения о практическом использовании, апробации работы, о публикациях по теме диссертации и личном вкладе соискателя.

Первый раздел диссертации посвящен обзору и сравнительному анализу существующих методов и алгоритмов сегментации изображений. Сформулирована гипотеза исследования, которая состоит в том, что подходящим способом для эффективного решения задачи сегментации изображений является использование математических преобразований, описывающих

биоинспирированные модели коллективного поведения децентрализованной самоорганизующейся системы, возможно, в комбинации с известными автоматическими и интерактивными подходами к сегментации. Сформулирована общая постановка научной проблемы исследования, а также вытекающие из нее конкретные задачи и направления диссертационного исследования.

Во втором разделе диссертации рассматривается гибридный муравьиный метод сегментации изображений. Экспериментально на всемирно распространенных тестовых задачах и реальных снимках с помощью разработанных инструментальных средств определены оптимальные параметры настройки гибридного муравьиного метода сегментации, обеспечивающие высокое качество, подтверждаемое соответствующими значениями индекса Жаккара, оценками чувствительности, специфичности и точности. Получены теоретические оценки временной и пространственной сложности разработанного гибридного муравьиного метода. На основе анализа дрейфа решений предложена

методика для оценки вычислительной сложности разработанного гибридного муравьиного метода.

В третьем разделе рассматривается гиперэвристический роевой метод сегментации изображений. Экспериментально с помощью разработанных инструментальных средств определены оптимальные параметры настройки гиперэвристического роевого метода сегментации, реализующие механизмы управления процессом поиска в пространстве решений, что обеспечивает высокую скорость и точность работы метода, препятствует его преждевременной сходимости в локальных оптимумах. Получены теоретические оценки временной и пространственной сложности разработанного гиперэвристического роевого метода.

В четвертом разделе получены сравнительные оценки качества, времени работы и сходимости гибридного муравьиного и гиперэвристического роевого методов сегментации на изображениях различной природы. Получены полиномиальные оценки вычислительной сложности гибридного муравьиного метода и гиперэвристического роевого метода с использованием анализа дрейфа.

В заключении сформулированы основные выводы и результаты диссертационной работы.

В приложениях приведены копии свидетельства о государственной регистрации программы для ЭВМ, справки об использовании результатов диссертационной работы.

1. МЕТОДЫ И АЛГОРИТМЫ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ

1.1. Обзор методов и алгоритмов сегментации изображений

Под сегментом подразумевается некоторая изолированная область, состоящая из отдельных элементов (пикселей), такая, что расстояние между ее элементами минимально, а расстояние между двумя соседними областями -максимально. Сегментация подразумевает разбиение множества элементов, на сегменты таким образом, чтобы расстояние между элементами внутри группы являлось бы минимальным, а в то же время, расстояние между группами -максимальным. Сегментация является одним из основных этапов обработки и анализа изображений. От ее решения напрямую зависят все последующие этапы обработки, такие как классификация, извлечение образов и идентификация. Сегментация - это сложная слабо формализованная задача, достоверность решения которой оценивается эмпирически по адекватности зрительного восприятия или по результатам автоматического обнаружения заранее заданных объектов.

Любое изображение состоит из наборов пикселей, которые имеют такие визуальные свойства, как яркость, цвет, текстура. В рамках одного объекта либо же конкретной части объекта данные свойства практически не изменяются. Однако на границах объектов указанные свойства претерпевают изменения. Задача сегментации заключается в упрощении исходного изображения с целью последующего анализа для распознавания объектов интереса и их границ.

Результатом сегментации изображения является множество областей (регионов), которые полностью охватывают изображение, либо же набор контуров (границ), которые полностью охватывают изображение. В пределах одного региона пиксели имеют схожие характеристики либо вычисляемые свойства, такие, как цвет, интенсивность либо текстура. Соседние регионы, как правило, имеют сильные отличия по одним и тем же признакам. Главная сложность в процессе сегментации заключается в наличии дополнительных

факторов, присущих изображениям: вариабельность фона, наличие шума на изображениях, разница между частями изображения.

Подходы к сегментации можно разделить на два класса: автоматические [1], не требующие участия пользователя, и интерактивные [2], использующие пользовательский ввод для уточнения непосредственно в процессе работы.

Методы и алгоритмы автоматической сегментации изображений не требуют взаимодействия с пользователем, подразумевают выделение регионов с известными свойствами или же сегментацию изображения на однородные регионы. Это разные задачи, поскольку в одном случае ведется поиск областей с известной априорной информацией, а в другом случае свойства регионов не известны, зато на разбиение изображения накладываются условия однородности.

Если априорная информация о свойствах регионов на изображении не используется, то соответствующие методы и алгоритмы сегментации применимы к любым изображениям и являются универсальными. Наиболее значимыми из этой группы методов и алгоритмов являются алгоритм ^-средних, гистограммные методы [6], а также методы вейвлет-анализа на основе оценки фрактальной размерности изображений, методы выделения краёв, разрастания областей, разреза графа.

Алгоритм К-средних (к-твап^) предполагает быстрый кластерный анализ путем выделения К сегментов (кластеров), которые располагаются на максимальном расстоянии друг от друга [3]. Число кластеров К выбирается опираясь на результаты экспериментов либо интуитивно [4]. Идея алгоритма состоит в том, что центры кластеров соответствуют локальным максимумам плотности распределения данных. Базовый алгоритм К-средних предполагает случайный или эвристический выбор К центров кластеров, размещение каждого пикселя изображения в кластер с ближайшим центром к этому пикселю, после чего заново пересчитываются центры кластеров до сходимости процесса. Алгоритм гарантированно сходится, но не обязательно приводит к оптимальному решению, поскольку зависит от начального множества кластеров и значения К.

Сложность алгоритма О^Т^), где d - размерность изображения, N - число пикселей, Т - число итераций алгоритма, причем dT << N. К недостаткам алгоритма относится его чувствительность к шумам, снижение скорости работы на больших объемах данных, необходимость предварительно указать число кластеров К [5].

Важным моментом при решении задачи автоматической сегментации является вычисление признаков для оценки меры однородности областей сегментации изображения, если признаков яркости, цвета, градиента изображения недостаточно для хорошей сегментации изображения [7]. Известны попытки применения вейвлет-анализа на основе оценки фрактальной размерности изображений. Данный подход более подходит для обнаружения искусственных изменений ландшафта по фотографиям из космоса [8], или обнаружения искусственных объектов на изображениях, полученных с телекамер. Эксперименты показали, что подобного рода сегментация с использованием оценки фрактальной размерности в качестве одного из признаков дает хорошие результаты. Однако для рассматриваемого вида признаков не существует параметров, оптимальных для всех типов изображений и объектов [9]. К тому же не наблюдается явной зависимости результатов сегментации от характера применяемых вейвлет-функций, а признаки на основе фрактальной размерности из-за допущений в процедурах их оценки привносят определенные искажения в бинарное изображение (увеличение линейных размеров объектов, искажение их геометрической формы).

Список литературы диссертационного исследования кандидат наук Эль-Хатиб Самер Аднан Ибрагим, 2017 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Вежневец А. Методы сегментации изображений: автоматическая сегментация [Электронный ресурс] / А. Вежневец, О. Баринова // Компьютерная графика и мультимедиа : сетевой журнал. - 2006. - №4. - Режим доступа: http://cgm.computergraphics.ru/content/view/147. - (дата обращения 05.12.2015).

2. Конушин В. Методы сегментации изображений: интерактивная сегментация [Электронный ресурс] / В. Конушин, В. Вежневец // Компьютерная графика и мультимедиа : сетевой журнал. - 2007. - №1. - Режим доступа: http://cgm.computergraphics.ru/content/view/172. - (дата обращения 05.12.2015).

3. Hartigan J. A., Wond M.A. Algorithm AS 136: A K-Means Clustering Algorithm // Journal of the Royal Statistical Society. - Series C28(1). - 1979 - P. 100-108.

4. Catherine A., James G.M. Finding the number of clusters in a data set: An information theoretic approach // Journal of the American Statistical Association. -Vol.98. - 2003. - P. 750-763.

5. Hatamloua A., Abdullahb S., Nezamabadi H. A combined approach for clustering based on K-means and gravitational search algorithms // Swarm and Evolutionary Computations. - Volume 6. - 2012. - P. 47-52.

6. Гонсалес Р. Цифровая обработка изображений / Р.Гонсалес, Р. Вудс. - М.: Техносфера, 2006. - 1072 с.

7. Методы компьютерной обработки изображений. - М.: Физматлит, 2003. -780 с.

8. Сергеев В.В. Спектрально-энергетический метод идентификации линейной модели наблюдения при дистанционном зондировании Земли // Избранные труды межд. конференции «Перспективные информационные технологии для авиации и космоса» (ПИТ-2010) - Самара: Изд-во Самарский государственный аэрокосмический университет.- 2010.- С. 447-451.

9. Привалов М.В., Скобцов Ю.А., Кудряшов А.Г. Сегментация компьютерных томограмм на основе вейвлет-преобразования, // Вестник Херсонского национального технического университета, вып. 1(34). - 2009. - С. 31-36.

10.Prewitt J.M., Lipkin B., Rosenfeld A. Object Enhancement and Extraction // Picture processing and Psychopictorics. - 1970. - P. 75-149.

11.Davis L. S. A survey of edge detection techniques // Computer Graphics and Image Processing. - Volume 4. - Number 3. - 1975 - P. 248-260.

12.Kirsch R. Computer determination of the constituent structure of biological images // Computers and Biomedical Research. - Volume 4. - 1971. - P. 315-328.

13.Canny J. A computational approach to edge detection. // IEEE Transactions on pattern analysis and machine intelligence. - Vol. 8. - Issue 6. - 1986. - P. 679-698.

14.Tremeau A., Borel N. A Region growing and Merging Algorithm to color segmentation // Jour. of Pattern Recognition. - Vol. 30. - Issue 7. - 1997. - P. 11911203.

15.Kanai Y. Image Segmentation Using Intensity and Color Information. // Visual Communications and Image Processing. - Volume 3309. - 1998. - P.709-720.

16.Haralick R. M., Shapiro L.G. Image Segmentation Techniques // Computer Vision, Graphics and Image Processing. - Volume 29. - Number 1. - 1985. - P.100-132.

17.Агломеративная сегментация и поиск однородных объектов на растровых изображениях : Автореф. дис... канд. техн. наук: 05.13.17/ Н.Н.Митропольский; Московский государственный университет печати. - Москва, 2010, 20 с.

18.Shi J., Malik J. Normalized Cuts and Image Segmentation // Journal IEEE Transactions on Pattern Analysis and Machine Intelligence. - Volume 22. - Issue 8. - 2000. - P. 888-905.

19.Fowlkes С, Belongie S. Efficient Spatiotemporal Grouping Using the Nystrom Method // Computer Vision and Pattern Recognition. - Proceedings of the IEEE Computer Society Conference. - Volume 1. - 2001. - P. 231-238.

20.Keuchel J, Schnorr C. Efficient Graph Cuts for Unsupervised Image Segmentation using Probabilistic Sampling and SVD-based Approximation // Third International Workshop on statistical and computational theories of Vision. - 2003. - P. 120-128.

21.Veksler O. Image Segmentation by Nested Cuts // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. - 2000. - P. 339-344.

22.Sharon E, Brandt A., Basriy R. Fast Multiscale Image Segmentation // Proc. of IEEE conf. on Computer vision and pattern recognition. - Volume 1. - 2000. - P.70-77.

23.Galun M., Sharon E, Brandt A., Basriy R. Texture Segmentation by Multiscale Aggregation of Filter Responses and Shape Elements // Proceedings of IEEE conference on Computer vision. Volume 1. - 2003. - P. 716-723.

24.Mortensen E., Barrett W. Intelligent Scissors for Image Composition // Proceedings of the 22nd annual conference on Computer graphics and interactive techniques SigGraph. - 1995. - P. 191-198.

25.Reese L. Intelligent Paint: Region-Based Interactive Image Segmentation: master's thesis. - Department of Computer Science, Brigham Young University. - Provo, UT.

- 1999.

26.Boykov Y., Jolly M.P. Interactive organ segmentation using graph cuts // Medical Image Computing and Computer-Assisted Intervention. - 2000. - P. 276-286.

27.Boykov Y., Kolmogorov V. An experimental comparison of min-cut/max-flow algorithms for energy minimization in vision // IEEE Transactions on Pattern Analysis and Machine Intelligence. - Volume 26. - 2004. - P. 1124-1137.

28.Rother C., Kolmogorov V., Blake A. Grabcut - interactive foreground extraction using iterated graph cuts. // Proc. of the 30th annual conf. on Computer graphics and interactive techniques SigGraph. - Vol. 23. - Issue 3. - 2004. - P. 309 - 314.

29.Boykov Y, Jolly M.P. Interactive graph cuts for optimal boundary and region segmentation of objects in n-d images. // In Proceedings of the International Conference on Computer Vision. - Volume 1. - 2001. - P.105-112.

30.Li Y, Sun Y., Tang J., Shum H.Y. Lazy Snapping // Proceedings of the 30th annual conference on Computer graphics and interactive techniques SigGraph - Volume 23.

- Issue 3. - 2004. - P. 303 - 308.

31.Grady L, Schiwietz T., Aharon S., Westermann R. Random walks for interactive organ segmentation in two and three dimensions: Implementation and validation. // In Proceedings of Medical Image Computing and Computer-Assisted Intervention. Volume 3750. - 2005. - P.773-780.

32.Margulis D. Professional Photoshop: The Classic Guide to Color Correction Adobe Photoshop. - Peachpit Press. - 2006. - 528p.

33.Leeds C. Microsoft Expression Blend Step by Step. - Microsoft Press. - 2011.-400p.

34.Osirix the world famous medical imaging viewer // OSIRIX Project сайт.

[Электронный ресурс]. - Режим доступа: http://osirix-viewer.com. - Загл. с экрана.

35.Medtronic Нейрохирургия // Сайт компании Medtronic [Электронный ресурс]. -Режим доступа: http://www.medtronicnavigation.ru. - Загл. с экрана.

36.Гришенцев А.Ю., Коробейников А.Г. Методы и модели цифровой обработки изображений.-Санкт-Петербург: Политехнический университет, 2014.-190 с.

37.Sun G., Zhang A. A Hybrid Genetic Algorithm and Gravitational Search Algorithm for Image Segmentation Using Multilevel Thresholding. // Pattern Recognition and Image Analysis Lecture Notes in Computer Science. - 2013. - P. 707-714. -doi:10.1007/978-3-642-38628-2_84.

38.Ghamisi P., Couceiro M.S., Ferreira M. F., Kumar L.. An Efficient Method for Segmentation of Remote Sensing Images Based on Darwinian Particle Swarm Optimization // Proc. of the IEEE Int. Geoscience and Remote Sensing Symposium -Remote Sensing for a Dynamic Earth (IGARSS'2012). - 2012. - P. 20-28.

39.Ghamisi P., Couceiro M.S., Martins M. L., Benediktsson J. A. Multilevel Image Segmentation Based on Fractional-Order Darwinian Particle Swarm Optimization // IEEE Transactions on Geoscience and Remote Sensing. - 2013. - P. 1-13.

40.Berkeley Segmentation Dataset: Images [Electronic resource]. - Режим доступа: http://www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds - Загл. с экрана.

41.Сушкова Л.Т., Абдулракеб А.Р.А., Лозовская Н.А. Обзор методов сегментации опухолей на МРТ-изображениях головного мозга // Прикаспийский журнал: управление и высокие технологии. - 2015. - No. 1. - С. 122-138.

42.Казанович Я.Б., Шматченко В.В. Осцилляторные нейросетевые модели сегментации изображений и зрительного внимания. Нейроинформатика-2004 // Лекции по нейроинформатике, т. 1 - М.: МИФИ. - C. 72-125.

43.Автоматизированная система обработки ультразвуковых изображений сонных артерий на основе эволюционных алгоритмов: Автореф. дис... канд. техн. наук: 05.13.06/ Т.А. Махно; Донец. нац. ун-т. — Винница, 2016. — 20 с. — у^.

44.Инструментальные средства обработки изображений гистологических срезов на основе эволюционных моделей: автореф. дис... канд. техн. наук: 05.13.06 / Т.В. Мартыненко ; Донец. нац. ун-т. — Донецк, 2007. — 19 с. — у^.

45. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning. - Addison Wesley. - 1989. - 405p.

46.Yuan X., Zouridakis G., Situ N. Automatic Segmentation of Skin Lesion Images Using Evolution Strategies // Biomedical Signal Processing and Control. - Vol. 3. -Issue 3. - 2008. - P. 220-228.

47.Poli R., Langdon W.B, and McPhee N.F. A Field Guide to Genetic Programming. -Lulu Enterprises, UK. - 2008. - 252 p.

48.Ramos J.C., Muge. F. Image Colour Segmentation by Genetic Algorithms. // Proc. of the 11th Portuguese Conf. on Pattern Recognition. - Vol. 1. - 2000. - P. 101-107.

49.Noor E., Norharyati M, Saadiah Y, Noorhayati M. A Review of Bio-inspired Algorithms as Image Processing Techniques. // Sec. Int. Conf. Software Engineering and Computer Systems. - Part 1. - 2011. - DOI: 10.1007/978-3-642-22170-5_57

50.Марусина М.Я., Казначеева А.О. Современные виды томографии. Учеб. пособие. - СПб.: СПбГУ ИТМО. 2006. 152 с.

51.Dorigo M. Optimization, Learning and Natural Algorithms : Phd Thesis. Politecnico de Milano, Italy. - 1992.

52.Dorigo M., Maniezzo V., Colorni A. Ant System: Optimization by a Colony of Cooperating Agents//IEEE Transactions on Systems, Man, and Cybernetics - Part B, 26 (1), 1996. - P. 29-41.

53.Скобцов Ю.А., Федоров Е.Е. Метаэвристики. - Донецк, ДонНТУ: Изд-во «Нолидж». - 2013. - 426 с.

54.Курейчик В.В., Курейчик В.М., Родзин С.И. Теория эволюционных вычислений. - М. ФИЗМАТЛИТ, 2012. - 260 с.

55.Saatchi S. and Hung C. Swarm Intelligence and Image Segmentation // Swarm Intelligence, Focus on Ant and Particle Swarm Optimization. - Volume 1. - 2007. -P. 163-178. - DOI: 10.5772/5103

56.Feng Y, Wang Z. Ant Colony Optimization for Image Segmentation // Ant Colony Optimization - Methods and Applications. - 2011. - P. 263-286.

57.Zhou J, Hu D. Applications of Improved Ant Colony Optimization Clustering Algorithm in Image Segmentation // TELKOMNIKA. - Volume 13. - Number 3. -2015. - P. 955-962. - DOI: 10.12928/TELKOMNIKA.v13i3.1803

58.Скобцов Ю.А., Эль-Хатиб С. А., Эль-Хатиб А. И. Сегментация изображений методом муравьиных колоний // Вестник Херсонского Национального Технического Университета. - Херсон, 2013. - №1(46). - C.204 - 211.

59.Эль-Хатиб С.А., Скобцов Ю.А. Компьютерная система сегментации медицинских изображений методом муравьиных колоний. // Радиоэлектроника, Информатика, Управление. - №3(2015) - 2015. - с.49-57. - DOI: 10.15588/1607-3274-2015-3-6.

60.Эль-Хатиб С.А., Скобцов Ю.А. Система сегментации медицинских снимков методом муравьиных колоний // Научно-технические ведомости Санкт-Петербургского Политехнического университета. «Информатика. Телекоммуникации. Управление». - Санкт-Петербург, № 2(217) - 3(222). -2015. - С. 9-19. DOI: 10.5862/JCSTCS/1.

61.Эль-Хатиб С.А., Скобцов Ю.А. Компьютерная система сегментации медицинских изображений методом муравьиных колоний // Вестник

Восточноукраинского Национального Университета им. В. Даля. - №5 (212). -2014 - С. 137-148.

62.El-Khatib S. Image segmentation using Ant Colony Optimization // Материалы региональной межвузовской научно-технической конференции для молодых ученых «Young scientists and achievements in science». - Донецк. - ДонНТУ. -2013. - С.32-39.

63.El-Khatib S., Rodzin S., Skobtcov Y. Investigation of Optimal Heuristical Parameters for Mixed ACO-k-means Segmentation Algorithm for MRI Images // Proc. of the 2016 conf. on Information Technologies in Science, Management, Social Sphere and Medicine. - ISBN (on-line): 978-94-6252-196-4. Part of the series ACSR. - Vol. 51. - 2016. - P. 216-221. DOI:10.2991/itsmssm-16.2016.72.

64.Rezaee V, Tavakoli M. B. Cancerous Masses Segmentation by Using Heuristic Ant Colony Algorithms in Medical Images. // Journal of Image and Graphics. - Volume 2. - Number 2. - 2014. - P. 128-135. - DOI: 10.12720/joig.2.2.128-134.

65.Liu X., Wang X., Shi N, Li C. Image Segmentation Algorithm Based on Improved Ant Colony Algorithm. // International Journal of Signal Processing, Image Processing and Pattern Recognition. - Vol.7. - No. 3(2014). - P. 433-442. - DOI: http://dx.doi.org/10.14257/ijsip.2014.7.3.35

66.Yu J., Lee S., Jeon M. An Adaptive ACO-based fuzzy clustering algorithm for noisy image segmentation // International Journal of Innovative Computing, Information and Control. - Volume 8. - Number 6. - 2012. - P. 3907-3918.

67.Zhou J, Hu D. Applications of Improved Ant Colony Optimization Clustering Algorithm in Image Segmentation // TELKOMNIKA. - Volume 13. - No.3. - 2015. - P. 955-962. - DOI: 10.12928/TELKOMNIKA.v13i3.1803

68.Mendhule V.D., Soni D., Sharma A. Interactive Image Segmentation Using Combined MRF and Ant Colony Optimization // Int. Journal of Engineering And Computer Science. - Vol. 4. - Issue 6. - 2015. - P. 12281-12288.

69.Patil D., Patil S. N. Brain Image Segmentation by Ant Colony Optimization in Brain Tumor Diagnosis // Int. Journal of Advanced Research in Computer Science and Software Engineering. - Vol. 5. - Issue 6. - 2015. - P. 273-276.

70.Biniaz A., Abbasi A. Segmentation and Edge Detection Based on Modified ant Colony Optimization for Iris Image Processing // Journal of Artificial Intelligence and Soft Computing Research. Vol. 3. - Issue 2. - 2014. - P. 133-141. - DOI: 10.2478/j aiscr-2014-0010.

71.Laptik R., Navakauskas D. Application of Ant Colony Optimization for Image Segmentation // Elektronika ir Elektrotechnika. - Volume 80 (8). - 2007. - P. 13-18.

72.Kanung G.K., Singh N., Dash J., Mishra A. Mammogram Image Segmentation Using Hybridization of Fuzzy Clustering and Optimization Algorithms // Intelligent Computing, Communication and Devices. - Advances in Intelligent Systems and Computing. - Springer India. - Volume 309. - 2015. - P. 403-413. - DOI: 10.1007/978-81-322-2009-1_46

73.Sheikh A, Krishna R.K., Dutt S. Energy Efficient Approach for Segmentation of Brain tumor Using Ant Colony Optimization // Int. Journal of Computer Technology and Electronics Engineering (IJCTEE). - Vol. 1. - Issue 3. - 2014. - P. 560-570.

74.Taherdangkoo M., Bagheri M.H., Yazdi M. An Effective Method for Segmentation of MR Brain Images Using the Ant Colony Optimization Algorithm // Journal of Digital Imaging. - Vol. 26. - Issue 6. - P. 1116-1123. - DOI: 10.1007/s10278-013-9596-5.

75.Chalana V. A., Kim Y. Methodology For Evaluation of Boundary Detection Algorithms on Medical Images // IEEE Transactions on Medical Imaging. - Volume 16. - 1997. - P. 642-652.

76.Fenster A., Chiu B. Evaluation of Segmentation algorithms for Medical Imaging // Engineering in Medicine and Biology . - Volume 7. - 2005. - P. 7186 - 7189.

77.Jaccard P. Distribution de la flore alpine dans le Bassin des Dranses et dans quelques regions voisines // Bulletin de la Societe Vaudoise des Sciences Naturelles, Volume. 37(140). - 1901. - P. 241—272.

78.Dice L. Measures of the Amount of Ecologic Association Between Species // Ecology. - Volume 26 . - 1945. - P. 297-302.

79.Huang Q., Dom B. Quantitative Methods of Evaluating Image Segmentation // IEEE International Conference on Image Processing. - Vol. 1. - 1995. - P. 455-468.

80.Narkhede P. R. and Gokhale A. V. Color image segmentation using edge detection and seeded region growing approach for CIELab and HSV color spaces // 2015 Int. Conf. on Industrial Instrumentation and Control (ICIC). - 2015. - P. 1214-1218. -DOI: 10.1109/IIC.2015.7150932.

81.Zhao Yue, Xin Xu, Chao Chen and Dan Yang. Color Image Segmentation Algorithm of Rapid Level Sets Based on HSV Color Space // Lecture Notes in Electrical Engineering Proceedings of the International Conference on Information Engineering and Applications (IEA). - 2012 (2013). - P. 483-89.

82.Knuth D. The Art of Computer Programming, Volume 1: Fundamental Algorithms // Third Edition. Addison-Wesley. - 1997. - 800 p.

83.He J., Yao X. Drift analysis and average time complexity of evolutionary algorithms // Artificial intelligence. - vol. 127. - No. 1. - 2001. - P. 57-85.

84.Giel O. and Wegener I. Evolutionary algorithms and the maximum matching problem. // Proc. 20th Symp. on Theoretical Aspects of Computer Science (STACS '03). - Vol. 2607 of Lecture Notes in Computer Science. - 2003. - P. 415-426.

85.Oliveto P. S. and Witt C. Simplified drift analysis for proving lower bounds in evolutionary computation. // Algorithmica. - Vol. - 59. - 2011. - P. 369-386.

86.Rodzin S.I. Schemes of evolution strategies // Proc. of 2002 IEEE int. conf. on AI-systems (ICAIS'2002). - P. 375-380.

87.Wolpert D.H., Macready W.G. The no free lunch theorems for optimization // IEEE Trans. evol. comp. 1997. no. 1. pp.67-82.

88.Burke E.K., Kendall G. Search methodologies: introductory tutorials in optimization and decision support techniques // Ross P. Chapter 20. Hyper-heuristics. - Springer science+business media, NY, 2014. - P.611-623.

89.Kennedy J, Eberhart R.C. Particle swarm intelligence // In Proceedings of the IEEE International Joint Conference on Neural Networks. - 1995. - P. 1942-1948.

90.Bajwa G., Gill H.S. Medical Image Segmentation based on PSO-PFC // International Journal of Computer Applications. - Vol. 126. - No. 10. - 2015. - P. 33-37.

91.Sahoo A., Chandra S. Meta-heuristic Approaches for Active Contour Model based Medical Image Segmentation // Int. J. Advance. Soft Comput. Appl. - vol. 6. - No. 2. - 2014. - P. 1-22.

92.Kaur D., Kaur Y. Intelligent Medical Image Segmentation Using FCM, GA and PSO // International Journal of Computer Science and Information Technologies (IJCSIT). - Vol. 5 (5). - 2014. - P. 6089-6093.

93.Ali H., Elmogy M., El-Daydamony E., Atwan A., Soliman H. Magnetic Resonance Brain Imaging Segmentation Based on Cascaded Fractional-Order Darwinian Particle Swarm Optimization and Mean Shift Clustering // Medical Imaging in Clinical Applications Studies in Computational Intelligence. - P. 55-80. -DOI:10.1007/978-3-319-33793-7_3.

94.Hamdaoui F., Sakly, A., Mtibaa, A. An Efficient Multi Level Thresholding Method for Image Segmentation Based on the Hybridization of Modified PSO and Otsu's Method // Studies in Computational Intelligence Computational Intelligence Applications in Modeling and Control. - 2014. - P. 343-367. DOI:10.1007/978-3-319-11017-2_14.

95.Эль-Хатиб С.А. Сегментация МРТ-изображений с помощью алгоритма к-средних: достоинства, недостатки // Сб. научных трудов III межд. конференции «Информационные технологии в науке, управлении, социальной сфере и медицине» . - ч.1. - С. 676-678. -Томск. - 2016.

96.Shi Y, Eberhart R. A modified particle swarm optimizer // IEEE International Conference on Evolutionary Computation Proceedings. -1998. - P. 69-73.

97.Van der Merwe D.W., Engelbrecht A.P. Data Clustering Using Particle Swarm Optimization // 2003 Congress on Evolutionary Computation. - pt. 1. - Vol.1. -2003. - P. 215-220.

98.Harikumar R., Kumar B.V. Performance Analysis of Medical Image Segmentation and Edge Detection using MEM and PSO Algorithms // Appl. Math. Inf. Sci. - vol. 9. - No. 6. - 2015. - P. 3235-3243.

99.Christ M.C.J., Sivagowri S., Babu P.G. Segmentation of Brain Tumors using Meta Heuristic Algorithms // Open Journal of Communications and Software. - vol. 1. -No. 1. - 2014. - P. 1-10.

100. Zhu, H., Zhuang, Z., Zhou, J., Zhang, F., Wang, X., & Wu, Y. Segmentation of liver cyst in ultrasound image based on adaptive threshold algorithm and particle swarm optimization. // Multimed Tools Appl. Multimedia Tools and Applications. -2015. P. 1-18. - DOI:10.1007/s11042-016-3486-z.

101. Maksoud, E. A., Elmogy, M., & Al-Awadi, R. M. MRI Brain Tumor Segmentation System Based on Hybrid Clustering Techniques. // Communications in Computer and Information Science Advanced Machine Learning Technologies and Applications. - 2014. - P. 401-412. - DOI:10.1007/978-3-319-13461-1_38.

102. Galinska, M., Badura, P. Swarm Intelligence Approach to 3D Medical Image Segmentation. // Advances in Intelligent Systems and Computing Information Technologies in Medicine. - 2016. - P. 15-24. - DOI:10.1007/978-3-319-39796-2_2

103. Al-Faris, A. Q., Ngah, U. K., Isa, N. A., & Shuaib, I. L. Breast MRI Tumour Segmentation Using Modified Automatic Seeded Region Growing Based on Particle Swarm Optimization Image Clustering. // Advances in Intelligent Systems and Computing Soft Computing in Industrial Applications. - 2013. - P. 49-60. -DOI:10.1007/978-3-319-00930-8_5

104. Скобцов Ю.А., Эль-Хатиб С.А. Компьютерная система сегментации медицинских изображений методом роя частиц. // Вестник НТУ ХПИ. Информатика и моделирование. - Харьков: НТУ ХПИ. 2015. №36 - С. 147-154.

105. Эль-Хатиб С.А. Сегментация изображений с помощью смешанного и экспоненциального алгоритмов роя частиц // Научные труды Донецкого национального технического университета. Серия «Информатика, кибернетика и вычислительная техника». - вып. 1. - 2015. - С. 126-133. - Донецк: ДонНТУ.

106. Эль-Хатиб С.А. Модифицированный экспоненциальный алгоритм роя частиц для сегментации медицинских изображений // Сборник докладов XIX межд. конференции по мягким вычислениям и измерениям (SCM'2016). - СПб: СПбГЭТУ "ЛЭТИ". - Т. 1. - 2016. - С. 513 - 516.

107. Эль-Хатиб С.А. Об эффективности и точности гибридного экспоненциального алгоритма роя частиц для сегментации МРТ-снимков // Труды Конгресса по интеллектуальным системам и информационным технологиям "IS&IT'16". Научное издание в 3-х томах. - Таганрог: Изд-во ЮФУ, 2016. - Т.1. - С. 18-27.

108. Родзин С.И., Эль-Хатиб С.А. Совершенствование алгоритмов сегментации магнитно-резонансных изображений на основе роевого интеллекта // Вестник Чувашского университета. - 2016. - № 3. - С. 217-226.

109. Скобцов Ю.А., Эль-Хатиб С.А. Сегментация медицинских изображений с помощью смешанного и элитарного экспоненциального алгоритмов роя частиц // XVIII международная конференция "Нейроинформатика-2016". - Сборник научных трудов. Часть 3. - М.:НИЯФУ МИФИ. - 2016. - С.131 -141.

110. Родзин С.И., Эль-Хатиб С.А. Оптимизация параметров биоинспирированной гиперэвристики в задаче сегментации изображений // Кибернетика и программирование. — 2016. - № 5. - С.89-102. DOI: 10.7256/23064196.2016.5.18507. URL: http://e-notabene.ru/kp/article 18507.html

111. Das S., Ajith A., Amit K. Spatial Information Based Image Segmentation Using a Modified Particle Swarm Optimization Algorithm. // Pattern Recognition Letters. -Vol. 29. - No. 5. - 2008. - P. 688-699.

112. Zhou H., Schaefer G., Shi C. Fuzzy C-Means Techniques for Medical Image Segmentation. // Fuzzy Systems in Bioinformatics and Computational Biology. -Volume 242. - 2009. - p. 257-271.

113. Confusion matrix [Electronic resource]. - Access mode : https://en.wikipedia.org/wiki/Confusion matrix

114. Cheng Y. Mean Shift, Mode Seeking, and Clustering // IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE). - 2014. - P. 790-799. - DOI: 10.1109/34.400568

115. Lankton S., Nain D., Yezzi A., Tannenbaum A. Hybrid Geodesic Region-based Curve Evolutions for Image Segmentation. // Proceedings of SPIE Medical Imaging 2007. - 2007. - P.100-105.

116. Tang M., Gorelick L., Veksler O., Boykov Y. GrabCut in One Cut // Proceedings of International Conference on Computer Vision (ICCV). - 2013. - P. 1769 - 1776. - DOI: 10.1109/ICCV.2013.222.

117. Felzenszwalb F., Daniel P. Huttenlocher. Efficient Graph-Based Image Segmentation // Int. Jour. of Computer Vision. Vol. 59. Issue 2. 2004.-P. 167-181.

118. Bezdek J.C., Ehrlich R., Full W. FCM: The fuzzy c-means clustering algorithm. // Computers & Geosciences. - Volume 10. - Issues 2-3. - 1984. - P. 191-203. -doi:10.1016/0098-3004(84)90020-7.

119. Vezhnevets, V., Konouchine, V. GrowCut - interactive multi-label N-D image segmentation by cellular automata // Proc. Graphicon. - 2005. - P.53-60.

120. Deng, Y., Manjunath, B.S., Shin, H. Color image segmentation. // Conference on Computer Vision and Pattern Recognition, IEEE Computer Society. Volume 2. -1999. - P. 446-451.

ПРИЛОЖЕНИЕ 1. Свидетельство о государственной регистрации

программы для ЭВМ

щ.

щ

СВИДЕТЕЛЬСТВО

о государственной регистрации щтграчиы дли Я КIV!

П рш ра м м а ссч:м е е вта ц ни

>1 ОД ЕI фи Ц И|>01ИаН И Ы \ £1^11 гор И1МОВ муравьиных КОЛО НИН II

- ■ ...

е(ЩШ )ьное государственное аатопол:мое

оораювателъше учреждение высшего ойртовцния «Южный

$

$

В

Ш

Ш &

Ш Ш

т ш

т &

&

федеральный университет» (Южный федерштьп ыи гя иесрситет)

идя !

■ ^ШшшшШШшШга ■ шз шшжнюм кшзя

ш ш ш ж & ж ш Ж Ж щ ш ш ш $ ш ай' а ш ш $ а щ ш ®"т т<

я* ж ■и

щ

Ш щ

Ш ш

Ъ Ш

т ш ж

ПРИЛОЖЕНИЕ 2. Акты об использовании результатов исследований, полученных в диссертационной работе

об использовании результатов исследований, полученных и диссертации Эль-Хагиб С.А, представленной на соискание ученой степени кандидата технических наук.

Полученные Эль-Хатиб С.А. результаты диссертационного исследования были использованы в Институте неотложной и восстановительной хирургии им. В.К.Гусака в рамках научно-исследовательских работ в отделе неотложной кардиологии и кардиохирургии.

Были использована следующие результаты кандидатской диссертации Эль-Хатиб

11 Модифицированной смешанный алгоритм сегментации к-средних-мурввьиных колоний, который позволил повысить последующую точность распознавания снимков:

2/ Модифицированный экспоненциальный алгоритм ран частиц для сегментации, который показал эффективность и позволил ускорить время обработки снимков по сравнению с известными модификациями.

Применение указанных практических результатов диссертационной работы Эль-Хатиб С.А. позволило повысить точность распознавания снимков, ускорить время обработки изображений в сравнении с известными ранее модификациями, что повысило эффективность и качество диагностического процесса.

' 'Ж ■■тЕрггвсздрдаохРЯя^НИййИР"

КнСТтТ НЕОТЛОЖНОЙ й восстановительной хирургии имв.шсаи

Идентлфпнационный код 51002660 а30Л5. г. По-еи*. пр. Ленинский, 47

АКТ

С.А.:

А

Зав, отделом неотложной кардиолойй и кардиохирургии Института неотложной и

Ватутин ПЛ*.

восстановительной хирургии им, В.К.Гусака.

Д.МЛ1.. проф.

«Утверждаю»

Проректор по научной работе Донецкого

национального те доктор техниче

ПрО!

рситета

АКТ

об использовании в госбюджетной научно-исследовательской работе результатов диссертационной работы аспиранта кафедры «Автоматизированные системы управления» ДонН'ГУ Эль-Хатиб С.А. на тему «Сегментация медицинских изображений на основе методов роевого

интеллекта»

Мы, представители Донецкого национального техничекого университета: начальник научно-исследовательской части, к.т.н., доц. Сотников А, Л.; руководитель госбюджетной НИР Н-18-12, научный руководитель работ, д.т.н., профессор кафедры АСУ ДонНТУ Скобцов Ю.А.; исполнитель, аспирант кафедры АСУ ДонНТУ Эль-Хатиб С.А. составили этот акт о том, что в госбюджетной научно-исследовательской работе Н-18-12 «Разработка и исследование методов создания компьютерных систем медицинской и технической диагностики в научной и учебной работе», использованы следующие научные результаты, полученные в диссертационной работе Эль-Хатиб С.А. на тему «Сегментация медицинских изображений на основе методов роевого интеллекта»:

1. Алгоритм сегментации изображений с использованием алгоритма к-средних и роя частиц;

2. экспоненциальный роевый алгоритм сегментации изображений;

3. элитарный экспоненциальный роевый алгоритм сегментации изображений;

«Утверждаю»

Проректор по научной работе Донецкого национального техничекого университета

АКТ

Об использовании в учебном процессе кафедрой «Автоматизированные системы управления» результатов диссертационной работы аспиранта кафедры АСУ

Элъ-Хатиб С.А. на тему «Сегментация медицинских изображений на основе методов роевого интеллекта»

Научные и практические результаты диссертационной работы аспиранта кафедры АСУ Эль-Хатиб С.А. на тему «Сегментация медицинских изображений на основе методов роевого интеллекта» используются в учебном процессе кафедрой «Автоматизированные системы управления» по следующим направлениям:

1. В лекциях и лабораторных работах, которые проводятся у студентов специальности 7.05010102 «Специализированные компьютерные системы» по дисциплинам «Техническая диагностика цифровых систем», «Автоматизация проектирования компьютерных систем», «Эволюционные вычисления в специализированных компьютерных системах»: алгоритмы сегментации изображений с использованием алгоритма к-средних и роя частиц, экспоненциального роевого алгоритма, элитарного экспоненциального роевого алгоритма; алгоритмы сегментации изображений с использованием алгоритма к-средних и муравьных колоний.

2. В курсовом и дипломном проектировании, НИРС, магистерских работах студентов специальности 7.05010102 «Специализированные компьютерные системы» по тематике, связанной с обработкой и сегментацией изображений.

Зав. кафедрой АСУ

д.т.н. проф.

Скобцов Ю.А.