Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Метод и алгоритмы анализа контурных изображений в визуальных информационных системах на основе неоднородной нечеткой семантической сети

Диссертация: Метод и алгоритмы анализа контурных изображений в визуальных информационных системах на основе неоднородной нечеткой семантической сети
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Апробация работы. Все основные результаты теоретического и практического характера, полученные автором или при его непосредственном участии, докладывались на IВНТК «Компьютерные технологии в науке, проектировании и производстве», 1999 г. — Нижний НовгородII ВНТК «Компьютерные технологии в науке, проектировании и производстве», 2000 г. -Нижний НовгородXXVI конференции молодых ученых и студентов… Читать ещё >

Содержание

  • 1. Обзор и анализ методов распознавания и понимания изображений
    • 1. 1. Анализ методов распознавания изображений
      • 1. 1. 1. Классификация методов распознавания
      • 1. 1. 2. Анализ систем оптического распознавания символов
      • 1. 1. 3. Анализ информационно-поисковых систем
    • 1. 2. Анализ систем представления знаний
    • 1. 3. Анализ методов понимания изображений
      • 1. 3. 1. Парадигмы процесса восприятия визуальной информации
      • 1. 3. 2. Анализ подходов к моделированию памяти человека
      • 1. 3. 3. Анализ возможностей моделирования мнемонических процессов
  • Выводы
  • 2. Разработка и исследование метода семантического анализа изображений
    • 2. 1. Разработка метода семантического анализа изображений
      • 2. 1. 1. Выбор непроизводных структурных элементов
      • 2. 1. 2. Методика построения геометрического описания
      • 2. 1. 3. Методика построения семантического описания
      • 2. 1. 4. Метод семантического анализа изображений
    • 2. 2. Разработка неоднородной нечеткой семантической сети
      • 2. 2. 1. Неоднородная нечеткая семантическая сеть
      • 2. 2. 2. Вывод на неоднородной нечеткой семантической сети путем сопоставления ее фрагментов
      • 2. 2. 3. Пополнение неоднородной нечеткой семантической сети
    • 2. 3. Разработка геометрической модели объекта и структуры базы знаний
      • 2. 3. 1. Геометрическая модель объекта
      • 2. 3. 2. Модель библиотеки специальных понятий
      • 2. 3. 3. Модель библиотеки примитивов
      • 2. 3. 4. Модель лингвистических шкал
      • 2. 3. 5. Модель структуры аннотаций
  • Выводы
  • 3. Разработка и исследование алгоритмов семантического анализа изображений
    • 3. 1. Разработка алгоритма построения геометрической модели объекта
      • 3. 1. 1. Поиск особых точек
      • 3. 1. 2. Описание взаимного положения особых точек
      • 3. 1. 3. Поиск геометрических элементов
      • 3. 1. 4. Описание размеров геометрических элементов
      • 3. 1. 5. Поиск обособленных частей контура
      • 3. 1. 6. Описание взаимного положения обособленных частей контура
      • 3. 1. 7. Алгоритм построения геометрической модели объекта
    • 3. 2. Разработка алгоритма восстановления визуального образа по геометрической модели объекта
    • 3. 3. Разработка алгоритма сопоставления геометрических моделей
  • Выводы
  • 4. Анализ эффективности и экспериментальная оценка алгоритмов семантического анализа изображений
    • 4. 1. Исследование алгоритма построения геометрической модели объекта
    • 4. 2. Исследование алгоритма восстановления визуального образа по геометрической модели объекта
    • 4. 3. Исследование алгоритма сопоставления геометрических моделей
    • 4. 4. Программная система для семантического анализа контурных изображений
  • Выводы

Метод и алгоритмы анализа контурных изображений в визуальных информационных системах на основе неоднородной нечеткой семантической сети (реферат, курсовая, диплом, контрольная)

Актуальность темы

Благодаря всеобщей компьютеризации и распространению электронного документооборота в различных областях человеческой деятельности накоплены огромные архивы текстовой и визуальной информации. Непрерывно расширяющимся электронным архивом является глобальная сеть Internet. Проведенное в диссертационной работе исследование современных информационных систем позволило сделать вывод об ограниченных возможностях семантического анализа и поиска изображений. Под семантическим анализом изображений понимается автоматическое получение их семантических описаний (аннотаций) и поиск в пространстве этих описаний (поиск по содержанию). Из реализованных информационными системами видов поиска поиск изображений по ключевым словам наиболее близок к содержательному поиску, но обладает одним существенным недостатком — ключевые слова к изображениям формирует эксперт. Развитие информационных систем при отсутствии механизмов содержательного поиска изображений обуславливает актуальность темы исследования.

Задача анализа и распознавания изображений сложных объектов (например, фотопортретов людей, рукописных символов) на сегодня не имеет достаточно эффективных решений: точность распознавания варьируется от 60 до 70%. Чем более сложный визуальный образ подвергается анализу, тем большую важность приобретает понимание того, что анализируется. Только располагая знаниями об изображаемой предметной области, система сможет сформировать семантические описания изображений. В диссертационной работе решается задача разработки метода и алгоритмов анализа изображений сложных объектов на основе базы знаний.

Цель работы и задачи исследования. Целью диссертационной работы является разработка метода и алгоритмов семантического анализа контурных изображений сложных объектов на основе структурного подхода и формализованных знаний предметной области. Объектом семантического анализа является полутоновое изображение объекта, контур которого может быть вербально (словесно) описан.

Для достижения цели диссертационной работы поставлены и решены следующие задачи:

— исследование методов распознавания изображений;

— сравнительный анализ систем представления знаний в ЭВМ, обоснование выбора семантической сети;

— анализ результатов исследований человеческой памяти, особенностей использования знаний в процессе восприятия визуальной информации;

— разработка метода семантического анализа изображений;

— разработка структуры базы знаний, используемой в процессе семантического анализа;

— разработка и исследование алгоритмов, реализующих метод семантического анализа изображений.

Задача разработки метода и алгоритмов семантического анализа ограничивается двумя условиями: анализу подлежат изображения одиночных объектов, на изображении присутствуют только смысловые контуры.

Ограничение на тип изображаемых объектов и предметных областей не накладывается. Возможность анализа изображений объектов из разных предметных областей обеспечивается соответствующим наполнением базы знаний.

Методы исследования. В исследованиях использовался аппарат теории множеств, математической и нечеткой логики, теории распознавания образов, искусственного интеллекта, теории вероятности, математической статистики, теории алгоритмов, аналитической геометрии и системного анализа.

Научная новизна. Предложен метод и алгоритмы анализа контурных изображений одиночных объектов, отличающиеся от известных тем, что позволяют автоматически формировать семантические описания изображений. Семантическое описание изображения осуществляется через интерпретацию его геометрического описания понятиями предметной области на основе базы знаний.

Для представления знаний предложена неоднородная нечеткая семантическая сеть, позволяющая моделировать лингвистическую неопределенность и интенсивность информационных единиц естественной памяти.

Предложена геометрическая модель объекта — геометрическое описание изображения, формализованное на неоднородной нечеткой семантической сети.

Предложена структура базы знаний для семантического анализа изображений, представленная на неоднородной нечеткой семантической сети в виде модели библиотеки примитивов, модели библиотеки специальных понятий, модели лингвистических шкал и модели структуры аннотаций.

Практическая ценность диссертационной работы заключается в возможности решения следующих практических задач:

— автоматическая аннотация базы изображений (заменяющая описательную работу эксперта) и поиск по содержанию в визуальных информационных системах разных предметных областей;

— сопоставление изображений сложных объектов, при описании которых существенное значение имеет форма их контуров, например, контроль соответствия подписей на документах по имеющимся образцам;

— автоматическое выделение семантически значимых точек на контурных изображениях объектов, например, антропометрических точек на изображениях частей тела человека;

— автоматическое выделение геометрических кривых, фигур и их конфигураций на контурных изображениях, например, для распознавания таблиц, чертежей, схем.

Реализация результатов работы. Основные результаты диссертационной работы внедрены на этапе эскизного проекта программного комплекса «Следотека» для аннотации базы изображений следов обуви и поиска информации по визуальному запросу, рекомендованы к использованию при анализе и поиске информации по фотопортретным признакам в УВД г. Рыбинскаиспользованы при разработке подсистемы контроля подписей в автоматизированной системе «Бюджет» для финансовых органов субъектов Российской Федерации и муниципальных образований в ООО «Автоматизированные информационные процессы» (г. Москва) — внедрены в учебном процессе Рыбинской государственной авиационной технологической академии им. П. А. Соловьева при обучении студентов.

Основные положения, выносимые на защиту:

— неоднородная нечеткая семантическая сеть, позволяющая моделировать лингвистическую неопределенность и интенсивность информационных единиц естественной памяти;

— метод анализа контурных изображений одиночных объектов, обеспечивающий семантическое описание объекта через интерпретацию его геометрической модели за счет выделения понятийных уровней;

— структура базы знаний, используемой в процессе семантического анализа изображений, и геометрическая модель объекта на неоднородной нечеткой семантической сети;

— алгоритм восстановления визуального образа по геометрической модели на основе лингвистических шкал, обеспечивающий минимизацию рассогласованности восстановленной информации;

— алгоритм целенаправленного сопоставления геометрических моделей через генерацию гипотез о соответствии их частей на основе варианта сопоставления особых точек экстремума, позволяющий сократить время поиска.

Апробация работы. Все основные результаты теоретического и практического характера, полученные автором или при его непосредственном участии, докладывались на IВНТК «Компьютерные технологии в науке, проектировании и производстве», 1999 г. — Нижний НовгородII ВНТК «Компьютерные технологии в науке, проектировании и производстве», 2000 г. -Нижний НовгородXXVI конференции молодых ученых и студентов РГАТА, 2000 г. — РыбинскМеждународной научно-технической конференции «Контроль, измерения, информатизация», 2000 г. — БарнаулIV ВНТК «Информационные технологии в науке, проектировании и производстве», 2002 г. — Нижний Новгородв Институте программных систем РАН (Переславль-Залесский, 2003 г.) — на кафедре Вычислительные системы Рыбинской государственной авиационной технологической академии им. П. А. Соловьева.

Публикации. По теме диссертации опубликовано 8 печатных работах, из них 1 статья, 1 депонированная рукопись и 6 тезисов докладов.

Краткое содержание работы. Диссертационная работа состоит из введения, 4-х глав и заключения, а также списка использованных источников и приложений.

Выводы.

1 Экспериментально определен диапазон значений параметра векторизации контурного препарата е[5.10]), обеспечивающий оптимальное сочетание простоты геометрической модели и величины отклонения векторизованного контура от исходного.

2 Для построения геометрической модели объекта любого типа необходимо и достаточно набора из трех геометрических примитивов: точки, прямой, четверти окружности. Некоторое упрощение геометрической модели достигается благодаря использованию специальных примитивов, учитывающих особенности анализируемого класса изображений.

3 Экспериментально определено оптимальное содержание шкал нечетких понятий, что позволило восстанавливать координаты особых точек в соответствии с такими вербальными характеристиками как «выше», «ниже», «правее», «левее», «больше», «меньше», «равно».

4 Возможность восстановления визуального образа по геометрической модели объекта подтверждает эффективность и полноту предложенной геометрической модели объекта и структуры базы знаний.

5 Экспериментально получены оптимальные значения параметров алгоритма сопоставления (а = 1, р — 5, = 0.9, Ь = 0.5), обеспечивающие сопоставление обособленных частей со средней точностью — 83%, и полнотой — 77%- а сопоставление особых точек верно сопоставленных обособленных частей со средней точностью и полнотой — 85%. Данный результат лучше результатов, опубликованных в литературе при той же методике оценки: средняя точность — 6070%, средняя полнота — 80−90% [49−51,69].

6 Выявлены пути повышения качества результатов предложенных алгоритмов.

7 Получены оценки времени работы алгоритмов: построение геометрической модели — не более 1 секунды, восстановление визуального образа — не более 1 минуты, поиск лучшего варианта сопоставления двух геометрических моделей — не более 20 секунд при тактовой частоте процессора — 1 ГГц. Сравним данные временные оценки со временем работы эксперта, выполняющего семантическое описание изображения. Время визуальной оценки изображения экспертом учитывать не будем, считая, что оно тратится на оценку результатов автоматического анализа. Пусть на ввод в систему 10-ти ключевых слов, характеризующих одно изображение, эксперт тратит 2 минуты (1 слово — 12 секунд). Для построения геометрической модели объекта и ее сравнения с моделью класса требуется около 20 секунд. Точность и полнота сопоставления моделей оценены как 83% и 77% соответственно, следовательно, из 10 выданных системой ключевых слов 2 окажутся неверными и 3 верных не будут найденыэксперту необходимо будет заменить 2 слова и дополнить 1 слово. На ввод 3-х слов эксперт затратит 36 секунд, следовательно затраты времени уменьшатся примерно в 2 раза (56 секунд вместо 2 минут). Учитывая, что проверить адекватность и полноту характеристики проще, чем составить ее, выигрыш получится и во времени, затрачиваемом экспертом на визуальную оценку.

8 Эффективность алгоритма сопоставления геометрических моделей свидетельствует об эффективности предложенной автором геометрической модели объекта, прежде всего таких ее особенностей, как многослойности, возможности разбиения на фрагменты, полноте описания фрагментов и их отношений.

Заключение

.

В диссертационной работе исследовалась задача построения семантических описаний изображений на основе знаний об изображаемых объектах и содержательного поиска в пространстве семантических описаний.

В рамках исследования выполнен сравнительный анализ методов распознавания изображений, сделан вывод о преимуществах структурного подхода для анализа изображений сложных объектов. Исследованы механизмы поиска визуальной информации в информационно-поисковых системах сети Internet, сделан вывод о необходимости создания методов и средств семантического анализа изображений на основе базы знаний.

Выполнен сравнительный анализ систем представления знаний, обоснован выбор семантической сети для представления знаний, используемых в процессе семантического анализа изображений. В результате анализа последних исследований системы человеческой памяти, особенностей хранения и использования человеком знаний в процессе восприятия визуальной информации, определены требования, которым должна отвечать искусственная система понимания изображений, семантическая сеть исследована на соответствие предъявленным требованиям.

В результате исследования получены новые теоретические результаты:

— предложена неоднородная нечеткая семантическая сеть, позволяющая моделировать лингвистическую неопределенность и интенсивность информационных единиц естественной памяти, рассмотрены методы вывода на ней, получены формулы оперирования мерами интенсивности при выводе;

— предложен метод анализа контурных изображений одиночных объектов, обеспечивающий семантическое описание объекта через интерпретацию его геометрической модели за счет выделения понятийных уровней;

— предложена геометрическая модель объекта — геометрическое описание контура объекта, формализованное на ННСС;

— предложена структура базы знаний для семантического анализа изображений, представленная на ННСС моделью библиотеки примитивов, моделью библиотеки специальных понятий, моделью лингвистических шкал и моделью структуры аннотаций;

— разработаны алгоритмы, реализующие метод семантического анализа изображений.

Экспериментально оценены качество результата и время работы алгоритмов семантического анализа, определены оптимальные значения их параметров, рассмотрены пути повышения эффективности алгоритмов, в том числе возможности влияния на условия предварительной обработки изображений.

Алгоритмы реализованы в программной системе для семантического анализа контурных изображениймодули системы внедрены в ряде предприятий и учреждений, могут быть интегрированы в информационные системы разных предметных областей.

Эффективность метода и алгоритмов семантического анализа в целом характеризуется точностью и полнотой сопоставления: сопоставление обособленных частей контура осуществляется со средней точностью 83%, и полнотой — 77%, сопоставление особых точек верно сопоставленных обособленных частей — со средней точностью и полнотой 85%- данный результат лучше результатов, опубликованных в литературе при той же методике оценки: средняя точность — 60−70%, средняя полнота — 70−80% [49−51,69].

Полученные результаты позволяют сделать вывод о том, что предложенные метод и алгоритмы семантического анализа изображений обеспечивают достижение конечной цели диссертационной работы — осуществление семантического анализа контурных изображений на основе знаний об изображаемой предметной области.

Показать весь текст

Список литературы

  1. Искусственный интеллект: В 3-х кн. Кн. 1. Системы общения и экспертные системы: Справочник /Под ред. Э. В. Попова. М.: Радио и связь, 1990. -464 с.
  2. Д. Зрение: Информационный подход к изучению представления и обработки зрительных образов. М.: Радио и связь, 1987. — 400 с.
  3. В. А. и др. Программное управление оборудованием. — Л.: Машиностроение, Ленингр. отд-ние, 1984. — 427 с.
  4. Робототехника и гибкие автоматизированные производства: В 9-ти кн. Кн. 6. Техническая имитация интеллекта: Учеб. пособие для втузов /В. М. Назаретов, Д. П. Ким- Под ред. И. М. Макарова. М.: Высшая школа, 1986. -144 с.
  5. Т. Алгоритмы машинной графики и обработки изображений. — М.: Радио и связь, 1986. 398 с.
  6. В. С. Распознавание образов и машинное понимание естественного языка. М.: Наука, 1987. — 240 с.
  7. А. С. Компьютерное распознавание человеческих лиц //Открытые системы. 2000. — № 3. — http://www.osp.ru/os/2000/03/043.html.
  8. А., Чаудхари Т. Распознавание лиц для интеллектуальных сред //Открытые системы. 2000. — http://www.osp.ru/os/2000/03/028.html.
  9. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник /Под ред. Д. А. Поспелова. М.: Радио и связь, 1990. — 304 с.
  10. Н. Принципы искусственного интеллекта: Пер. с англ. -М.: Радио и связь, 1985. 373 с.
  11. А. Н., Гаазе-Рапопорт М. Г., Поспелов Д. А. Толковый словарь по искусственному интеллекту. М.: Радио и связь, 1992. — 256 с.
  12. В. И. Распознающие системы: Справочник. М.: Радио и связь, 1983.-422 с.
  13. Горелик А. JL, Гуревич И. Б., Скрипкин В. А. Современное состояние проблемы распознавания: Некоторые аспекты. Сер. Кибернетика. М.: Радио и связь, 1985.- 160 с.
  14. А. Д., Скрипкин В. А. Методы распознавания: Учеб. пособие. 3-е изд. М.: Высшая школа, 1989. — 350 с.
  15. Н. Г. Методы распознавания и их применение. М.: Советское радио, 1972. — 208 с.
  16. В. И. Применение ЭВМ для решения задач распознавания образов: Учеб. пособие. JL: ЛГУ, 1983. — 215 с.
  17. Ту Д. Т., Гонсалес Р. К. Принципы распознавания образов: Пер. с англ. -М.: Мир, 1978.-411 с.
  18. Ю. Д., Исаев Ю. В. Адаптивные промышленные роботы и их применение в микроэлектронике. Сер. Массовая б-ка инженера «Электроника», Вып. 48. -М.: Радио и связь, 1985. 104 с.
  19. Системы очувствления и адаптивные промышленные роботы /В. Б. Брагин, Ю. Г. Войлов, Ю. Д. Жаботинский и др. /Под общ. ред. Е. П. Попова, В. В. Клюева. Сер. Автоматические манипуляторы и робототехнические системы. — М.: Машиностроение, 1985. 256 с.
  20. Е. А., Островский В. И., Фадеев И. JI. Обработка изображений на ЭВМ. М.: Радио и связь, 1987. — 238 с.
  21. П. А., Колмогоров Г. С., Вороновицкий И. Э. Сегментация изображений: методы пороговой обработки //Зарубежная радиоэлектроника. 1987. -№ 10.-С. 6−24.
  22. П. А., Колмогоров Г. С., Вороновицкий И. Э. Сегментация изображений: методы выделения границ //Зарубежная радиоэлектроника. 1987. -№ 10.-С. 25−47.
  23. Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ. -М.: Мир, 1976.-512 с.
  24. JI. П. Введение в цифровую обработку изображений. — М.: Сов. радио, 1979. 220 с.
  25. У. К. Цифровая обработка изображений. Т.2. М.: Мир, 1982.792 с.
  26. . В., Курганов В. Д., Злобин В. К. Распознавание и цифровая обработка изображений. М.: Высшая школа, 1983. — 295 с.
  27. . К. П. Зрение роботов: Пер. с англ. М.: Мир, 1989. — 488 с.
  28. Lam L., Lee S. W., Suen C. Y. Thinning Methodologies: A Comprehensive Survey //IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1992. -Vol. 14.-P. 869−885.
  29. Smith S. J., Bourgoin M. O., Sims K., Voorhees H. L. Handwritten character classification using nearest neighbor in large databases //IEEE Transactions on Pattern Analysis and Machine Intelligence. 1994. — Vol. 22, No. 9. — P. 915−919.
  30. Wakahara T. Shape machine using LAT and its application to hand-written character recognition //IEEE Transactions on Pattern Analysis and Machine Intelligence. — 1994.-Vol. 16, No. 6.- P. 618−629.
  31. Lam L., Suen C. Y. An Evaluation of Parallel Thinning Algorithms for Character Recognition //IEEE Transactions on Pattern Analysis and Machine Intelligence. 1995. — Vol. 17, No. 9. — P. 914−919.
  32. Plamondon R., Srinari S. On-Line and Off-Line Handwriting Recognition: A Comprehensive Survey //IEEE Transactions on Pattern Analysis and Machine Intelligence. 2000. — Vol. 22, No. 1. — P. 914−919.
  33. Korn A. F. Toward a Symbolic Representation of Intensity Changes in Images //IEEE Transactions on pattern analysis and machine intelligence. 1988. — Vol. 10, No. 5.-P. 914−919.
  34. Г. Применение волнового алгоритма для нахождения растрового изображения. http://ocrai.narod.ru/vectory.html.
  35. СБИС для распознавания образов и обработки изображений: Пер. с англ. /Под. ред. К. Фу. М.: Мир, 1988. — 248 с.
  36. Фу К. С. Структурные методы в распознавании образов: Пер. с англ. — М.: Мир, 1977.-320 с.
  37. Н. В., Мучник И. Б. Модели зрительного восприятия и алгоритмы анализа изображений. — М.: Наука, 1974. 344 с.
  38. . П. Структурно-лингвистические методы распознавания изображений в реальном времени. Киев: Наукова думка, 1986. — 127 с.
  39. Г. Процессы принятия решения при распознавании образов. Киев, 1965.-151 с.
  40. Е. В., Непомнящий Г. М. К топологическому подходу в анализе изображений. Геометрия, топология и приложения: Межвуз. сб. научн. труд. — М.: Мин. высшего и средн. спец. образ. РСФСР, Московский институт приборостроения, 1990.-С. 13−25.
  41. Я. И., Савин А. В. Оптимизация распознающих систем. М.: Машиностроение, 1993. — 288 с.
  42. Э. М., Мучник И. Б. Структурные методы обработки эмпирических данных. М.: Наука, ГРФМЛ, 1983. — 368 с.
  43. Н. В., Славин О. А. Распознавание скелетных образов. -http://ocrai.narod.ru/skeletrecognize.html.
  44. М., Танака Ю. Архитектура ЭВМ и искусственный интеллект. -М.: Мир, 1993.-400 с.
  45. Е. Н., Вейткявичус Г. Г. Нейроинтеллект. От нейрона к нейрокомпьютеру. М.: Наука, 1989. — 240 с.
  46. Starovoitov V. V., Samal D. I., Briliuk D. V. Free approaches for face recognition //The 6-th International conference on pattern recognition and image analysis. Russia, Velikiy Novgorod, 2002. — P. 707−711 — http://neuroface.narod.ru/.
  47. Starovoitov V. V., Samal D. I., Briliuk D. V. Image enhancement for face recognition //International conference on iconics. Russia, St. Petersburg, 2003. -http://neuroface.narod.ru/.
  48. А. В. Использование искусственных нейронных сетей для распознавания рукопечатных символов. — http://ocrai.narod.ru/hp.html.
  49. Система распознавания текстов «FineReader» http://www.abbvv.ru/.
  50. Нивников Д. FineReader 4.0 еще один шаг вперед //PC Magazine. — 1998. -№ 7. — http://www.zdnet.ru/pcmag/9807/79 810.asp.
  51. Ян Д. Е., Анисимович К. В. Доклад на бюро Отделения Информатики, Вычислительной Техники и Автоматизации РАН, 1995, Москва.
  52. Ян Д. Е., Анисимович К. В., Шамис A. JI. Новая технология распознавания символов. Теория, практическая реализация, перспективы. — М.: Препринт, 1995. 36 с.
  53. В., Рыбкин В., Шамис А., Ян Д. Принципы распознавания рукописных символов в системе FineReader //Материалы конференции РОАИ-Ш. — Нижний Новгород, 1997. http://www.abbvv.ru/articles/ principles of recognition rus.html.
  54. Anisimovich К., Rybkin V., Shamis A. and Tereschenko V. Using combination of Structural, Feature and Raster Classifiers for Recognition of Handprinted Characters //Fourth Int. Conf. on Document Analysis and Recognition, 1997, Ulm, Germany.
  55. Система распознавания текстов «CuneiForm». http://www.asp.ru/.
  56. В. JI., Троянкер В. JI., Котович H. В. Адаптивное распознавание символов. http://ocrai.narod.ru/adaptive.html.
  57. Пакеты распознавания текста. — http://www.neuhaus.ru/scanners/ocrds.html.
  58. Распознавание образов: состояние и перспективы /Под ред. К. Верхагена, Р. Дейна и др. М.: Радио и связь, 1985. — 104 с.
  59. ЭВМ пятого поколения: Концепции, проблемы, перспективы: Пер. с англ. М.: Финансы и статистика, 1984. — 110 с.
  60. А. М., Кузин Е. С., Шамис A. JI. Целостное целенаправленное распознавание изображений в ЭВМ //Вопросы кибернетики. М.: АН СССР, 1987. -С. 27−31.
  61. А. Принципы распознавания. http://www.abbvv.ru/articles/ principleocr.html.
  62. Т. Поиск видеоданных в сети //Компьютерра. 1998. — № 12(240). — http://www.computerra.ni/offline/l 998/240/1194/.
  63. Rui Y., Huang T. S. Image Retrieval: Current Techniques, Promising Direction and Open Issues //Journal of Visual Communication and Image Representation. 1999. -Vol. 10.-P. 12−29.
  64. Jewel N. J., Campbel N. W., Thomas В. T. Hierarchically Searching the Web for Images //Multimedia Communications. 1998. — P. 24−30.
  65. Sclaroff S. Wold Wide Web Image Search Engines //NSF Workshop on Visual Information Management. 1995. — P. 110−115.
  66. Smith J. R., Chang S. F. Searching for Images and Videos on the World Wide Web //Multimedia Communications. 1996. — P. 44—47.
  67. Gevers Т., Aldersho F., Vreman P., Smeulders A.W.M. Retrieving and Localizing Objects in Images on the WWW //Vision Interface'99.
  68. Chang S.F., Smith J.R., Meng H. J., Wang H., Zhong D. Finding Images/Video in Large Archives //Multimedia Communications, 1996. P. 53−56.
  69. Tomasi C., Guibas L. J. Image Descriptions for Browsing and Retrieval //Image Undestanding. 1994. — P. 150−155.
  70. CompTek, 2000a. Сравнительный анализ машин поиска по материалам журналов «Мир ПК», «PC Magazine/RE», «Планета Интернет». — http://www.comptek.ru/arcadia/review/review.html.
  71. CompTek, 2000b. Сравнительный анализ русскоязычных машин поиска по материалам журнала «Планета Интернет». — http://www.comptek.ru/arcadia/review/ reviewrus.html.
  72. Система поиска видеоданных «Zoomax». http://target.wins.uva.nl:5345/ zomax/HTML/intr.html.
  73. Проект QBIC. http://www.qbic.almaden.ibm.com/.
  74. Система анализа и сравнения цифровых изображений VIR Image Engine. -http://www.virage.com/.
  75. Web-сайт PhotoDisc коллекций изображений на компакт-дисках. — http://www.photodisc.com/.
  76. Проект Java Sketch Engine http://www.wi.leidenuniv.nl/home/lim/ iavasketch.html.
  77. Э. В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. Сер. Проблемы искусственного интеллекта. — М.: Наука, 1987. — 288 с.
  78. Д. А. Логико-лингвистические модели в системах управления. — М.: Энергоиздат, 1981. —231 с.
  79. Д. А. Искусственный интеллект: Фантазия или наука? — М.: Наука, 1982.-224 с.
  80. Д. А. Ситуационное управление: теория и практика. — М.: Наука, 1986.-284 с.
  81. Г. С. Искусственный интеллект основа новой информационной технологии. Сер. Академические чтения. — М.: Наука, 1988. — 280 с.
  82. Д. А. Моделирование рассуждений. Опыт анализа мыслительных актов. М.: Радио и связь, 1989. — 184 с.
  83. Представление и использование знании: Пер. с япон. /Под. ред. X. Уэно, М. Исидзука. М.: Мир, 1989. — 220 с.
  84. Экспертные системы: состояние и перспективы /Под ред. Д. А. Поспелова. -М.: Наука, 1989. 152 с.
  85. Дж., Кумбс М. Экспертные системы: концепции и примеры: Пер. с англ. М.: Финансы и статистика, 1987. — 191 с.
  86. Е. Ю., Литвинцева JI. В., Поспелов Д. А. Представление знаний о времени и пространстве в интеллектуальных системах /Под ред. Д. А. Поспелова. М.: Наука, 1989. — 328 с.
  87. О. В., Перфильев К. Г. Гибридные средства представления знаний в системе СПЭИС //Всесоюзная конференция по искусственному интеллекту: тез. докл. Т.2. Переславль-Залесский, 1988. С. 490−494.
  88. Г. С. Приобретение знаний интеллектуальными системами: Основы теории и технологии. Сер. Проблемы искусственного интеллекта. — М.: Наука. Физматлит, 1997. 112 с.
  89. . Г. Семантические сети как модели памяти //Новое в зарубежной лингвистике. Вып. 12. М.: Радуга, 1983. С. 228−271.
  90. С. Обработка знаний: Пер. с япон. — М.: Мир, 1989. 293 с.
  91. В. Н. Дедукция и обобщение в системах принятия решения. — М.: Наука, 1988.-384 с.
  92. И. Н., Вершинина В. В. Программная среда для исследования методов вывода на семантических сетях //Тезисы докладов I ВНТК «Компьютерные технологии в науке, проектировании и производстве». В 19 частях. Ч. 11. — Н. Новгород: НГТУ, 1999. С. 11.
  93. Распознавание образов. Исследование живых и автоматических распознающих систем /П. А. Колере, М. Иден, 1970. 240 с.
  94. И. Активная память: Экспериментальные исследования и теория человеческой памяти: Пер. с нем. /Общ. ред. и предисл. Б. М. Величковского и Н. К. Корсаковой. М.: Прогресс, 1986. — 312 с.
  95. Хрестоматия по общей психологии. Психология памяти /Под ред. Ю. Б. Гиппенрейтер, В. Я. Романова. М.: Издательство Моск. ун-та, 1979. — 272 с.
  96. А. Р. Маленькая книжка о большой памяти (Ум мнемониста). -М.: Наука, 1968.-240 с.
  97. А. Р. Основы нейропсихологии. М.: Наука, 1973. — 374 с.
  98. Р. Человеческая память и процесс обучения: Пер. с англ. — М.: Прогресс, 1980.-240 с.
  99. Р., Хантер Л. Познать механизмы мышления //Реальность и прогнозы искусственного интеллекта. — М.: Мир, 1987.
  100. И. Н., Вершинина В. В. Метод семантического анализа визуальных образов // Тезисы докладов II ВНТК «Компьютерные технологии в науке, проектировании и производстве». В 11-ти частях. Ч. 4 Н. Новгород: НГТУ, 2000.-С. 31.
  101. В. В. О нечетком структурном описании визуального образа //Сборник трудов молодых ученых. Рыбинск: РГАТА, 2000. — С. 172−174.
  102. И. Н., Вершинина В. В., Паламарь И. Г. Модель вербализации визуального образа //Вестник РГАТА. 2001. — № 1. — С. 62−69.
  103. В. В., Паламарь И. Н. Метод и алгоритмы анализа визуальных образов на основе модели нечеткой многослойной семантической сети. РГАТА, Рыбинск, 2003.-37 с.-Деп. в ВИНИТИ 01.08.2003, № 1493-В2003.
  104. А. Н., Батыршин И. 3., Блишун А. Ф., Силов В. Б. Тарасов В. Б. Нечеткие множества в моделях управления и искусственного интеллекта /Под ред. ДА. Поспелова. -М.: Наука, 1986.
  105. А. Н., Батыршин И. 3. Мягкие вычисления //Новости искусственного интеллекта. 1996. — № 3. — С. 161−164.
  106. JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. -М.: Мир, 1976. 165 с.
  107. А. Введение в теорию нечетких множеств: Пер. с франц. — М.: Радио и связь, 1982. 432 с.
  108. Нечеткие множества в моделях управления и искусственного интеллекта /А. Н. Аверкин, И. 3. Батыршин, А. Ф. Блишун, В. Б. Силов, В. Б. Тарасов /Под ред. Д. А. Поспелова. М.: Наука. Гл.ред.физ.-мат.лит., 1986. — 312 с.
  109. Нечеткие множества и теория возможностей. Последние достижения /Под ред. Р. Р. Ягера. М.: Радио и связь, 1986. — 408 с.
  110. Обработка нечеткой информации в системах принятия решений /А. Н. Борисов, А. В. Алексеев, Г. В. Меркурьева и др. М.: Радио и связь, 1989. -304 с.
  111. С. А. Проблемы принятия решения при нечеткой исходной информации. М.: Наука, 1981. — 206 с.
  112. Ф. И., Тарасенко Ф. П. Введение в системный анализ. — М.: Высш. шк., 1989. 367 с.
  113. Криминалистика: Учебник /Под ред. И. Ф. Пантелеева, H.A. Селиванова. — М.: Юрид. лит., 1993. 592 с.
  114. В. С. Алгоритмическое моделирование формообразования. — М.: Наука, 1975.- 141 с.
  115. Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука, 1984. — 720 с.
  116. Е.В., Боресков A.B. Компьютерная графика. Динамика, реалистические изображения. -М.: Диалог-МИФИ, 1966. — 288 с.
  117. Библиотеки стандартных функций обработки изображений Intel® Image Processing Library v2.5 http://developer.intel.com/software/products/perflib/ipl/.
  118. Extensible Markup Language (XML) /W3C Recommendation. — http://www.w3 .org/TR/1998/REC-xml-19 980 210.
  119. В. В., Паламарь И. Н. Организация базы знаний семантической сети на основе XML-формата //Тезисы докладов IV ВНТК «Информационные технологии в науке, проектировании и производстве». В 3-х частях. Ч. 2. Н. Новгород: МВВО АТН РФ, 2002. — С. 23
Заполнить форму текущей работой

На отлично!