Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Распознавание полутоновых текстур на основе стохастической геометрии и функционального анализа

Диссертация: Распознавание полутоновых текстур на основе стохастической геометрии и функционального анализа
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Актуальность проблемы. Одной из центральных проблем современной информатики является анализ и распознавание сложноструктурированных семантически насыщенных изображений. Сложноструктурированные изображения содержат множество объектов, относящихся к различным видам, каждый из которых обладает своими собственными значимыми характеристиками. Во многих отраслях знаний существенная часть информации… Читать ещё >

Содержание

  • ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ. ОБЗОР ПОДХОДОВ К ПРОБЛЕМЕ РАСПОЗНАВАНИЯ ТЕКСТУР
    • 1. 1. Методы анализа текстур
    • 1. 2. Общая схема системы распознавания образов
    • 1. 3. Зависимость свойств чугуна от формы кристаллизации в нем графита
  • ВЫВОДЫ И РЕЗУЛЬТАТЫ
  • ГЛАВА 2. РАСПОЗНАВАНИЕ ТЕКСТУР С ПОЗИЦИИ СТОХАСТИЧЕСКОЙ ГЕОМЕТРИИ И ФУНКЦИОНАЛЬНОГО АНАЛИЗА
    • 2. { Формирование признаков текстур
      • 2. 1. 1. Математический аппарат стохастической геометрии в решении проблемы формирования новых признаков текстур
      • 2. 1. 2. Триплетные признаки текстур, основанные на аппарате стохастической геометрии и функционального анализа
      • 2. 1. 3. Сегментация изображения и определение числа его объектов
      • 2. 21. Минимизация размерности признакового пространства
      • 2. 3. Решающая процедура
  • ВЫВОДЫ И РЕЗУЛЬТАТЫ
    • ГЛАВА 3. РЕШЕНИЕ ЗАДАЧИ РАСПОЗНАВАНИЯ ПОЛУТОНОВЫХ ТЕКСТУР НА ПРИМЕРЕ ПОЛУТОНОВЫХ ТЕКСТУР МИКРОШЛИФОВ ЧУГУНА С ВКЛЮЧЕНИЯМИ ГРАФИТА
  • 3. 1. Схема распознающего алгоритма, основанного на аппарате стохастической геометрии и функционального анализа
  • 3. 2. '. Реализация распознающего алгоритма, основанного на аппарате стохастической геометрии и функционального анализа
  • 331. Схема распознающего алгоритма, основанного на матрицах смежности
    • 3. 4. Реализация распознающего алгоритма, основанного на матрицах смежности
    • 3. 5. L Сравнение результатов распознавания методом, основанным на аппарате стохастической геометрии и функционального анализа, и с позиции подхода, основанного на матрицах смежности
  • ВЫВОДЫ И РЕЗУЛЬТАТЫ

    • Распознавание полутоновых текстур на основе стохастической геометрии и функционального анализа (реферат, курсовая, диплом, контрольная)

    Актуальность проблемы. Одной из центральных проблем современной информатики является анализ и распознавание сложноструктурированных семантически насыщенных изображений. Сложноструктурированные изображения содержат множество объектов, относящихся к различным видам, каждый из которых обладает своими собственными значимыми характеристиками. Во многих отраслях знаний существенная часть информации заключается в сложноструктурированных изображениях, многие из которых содержат текстуры. Наряду с общетеоретическим значением задача распознавания подобных изображений исключительно актуальна и с прикладной точки зрения. От ее успешного решения зависит эффективность обработки информации в области аэрокосмических исследований, анализа Земли из космоса, медицинской и технической диагностики. Особо возросла актуальность этой проблемы в связи с развитием нанотехнологий, где свойства материала определяются не их химическим составом, а формой и расположением включений наночастиц. Аналогичная проблема существует и в области металлографических исследований по микрошлифам, где свойства сплавов определяются по изображениям микрошлифов, которые зачастую имеют сложную структуру. При проведении подобных исследований актуальной является задача анализа и распознавания полутоновых текстур, примерами которых являются микрошлифы чугуна.

    Цель диссертационной работы: разработка метода распознавания полутоновых текстур, его алгоритмическая и программная реализация на примере металлографических текстур.

    Поставленная цель достигается решением следующих задач: — обоснование выбора математического аппарата стохастической геометрии и функционального анализа для распознавания текстур;

    — поиск функционалов, обеспечивающих инвариантность триплетных признаков распознавания по отношению к масштабным преобразованиям полутоновых текстур;

    — генерация триплетных признаков полутоновых текстур;

    — минимизация размерности признакового пространства и определение решающего правила;

    — разработка алгоритма распознавания полутоновых текстур с 1 позиции стохастической геометрии и его программная реализацияI.

    — экспериментальное сравнение эффективности предлагаемого метода и получившего широкое распространение метода распознавания текстур, основанного на матрицах смежности, на примере задачи распознавания полутоновых текстур микрошлифов чугуна с включениями графита.

    Объектом исследования являются методы распознавания сложноструктурированных семантически насыщенных текстур.

    Предметом исследования является распознавание полутоновых текстур на основе метода, использующего аппарат стохастической геометрии 1 и функционального анализа, на примере металлографических текстур.

    Методы исследования основаны на аппарате стохастической геометрии, функционального анализа, теории вероятностей, математической статистики, цифровой обработки изображений.

    Научная новизна работы:

    1. Впервые применительно к анализу текстур предложен подход с I позиции стохастической геометрии и функционального анализа, который позволяет благодаря генерации большого количества признаков, инвариантных к группе движений и к масштабным преобразованиям, I повысить качество распознавания текстур.

    2. Разработана модификация метода распознавания образов, основанного на аппарате стохастической геометрии и функционального анализа, заключающаяся в формировании, отборе и применении триплетных признаков двух типов (усовершенствованных геометрических и признаков нового типа — яркостных), позволяющая анализировать и распознавать полутоновые изображения с позиции стохастической геометрии и функционального анализа.

    3. Построена совокупность признаков, описывающая как геометрические, так и яркостные особенности полутоновых текстур, I позволяющая максимально полно охарактеризовать подобные изображения, что является решающей предпосылкой достижения высокой точности их распознавания.

    4. Созданы распознающий алгоритм и его программная реализация, позволяющая автоматически классифицировать полутоновые текстуры и получать важнейшие метрические характеристики их элементов.

    Практическая ценность. Предложенная в настоящей работе модификация метода, основанного на аппарате стохастической геометрии и функционального анализа, позволяет расширить класс решаемых с его помощью задач распознавания образов, включив в него практически важную задачу распознавания полутоновых текстур. Разработанный алгоритм, опирающийся на большое количество инвариантных признаков, дает возможность автоматически с высокой точностью и гибкостью анализировать и распознавать полутоновые текстуры. Программная реализация разработанного алгоритма проверена на примере полутоновых текстур микрошлифов чугуна с включениями графита.

    Реализация и внедрение результатов. Результаты диссертационной работы внедрены в ОАО «Пензтяжпромарматура». Работа выполнялась по 1 заданию Рособразования на проведение научных исследований. Тема НИР — «Разработка теории анализа и распознавания изображений на основе стохастической геометрии и функционального анализа».

    Основные положения, выносимые на защиту:

    1. Обоснование целесообразности применения математического аппарата стохастической геометрии и функционального анализа для распознавания текстур.

    2. Модифицированный метод и алгоритм формирования триплетных признаков полутоновых текстур, позволяющие учесть не только геометрические, но и яркостные особенности исследуемых изображений, что является решающей предпосылкой достижения высокой точности их распознавания.

    3. Алгоритм определения минимального набора информативных триплетных признаков полутоновых текстур, позволяющий сократить на два порядка размерность признакового пространства.

    4. Алгоритм распознавания полутоновых текстур, основанный на аппарате стохастической геометрии и функционального анализа, реализованный на примере полутоновых текстур микрошлифов чугуна с включениями графита.

    5. Методика реализации экспериментального исследования эффективности применения модифицированного метода к проблеме анализа i и распознавания полутоновых текстур, проведенного на примере полутоновых текстур микрошлифов чугуна с включениями графита.

    Апробация работы. Основные положения диссертации докладывались на Международной конференции «Интеллектуализация обработки информации» (ИОИ-8) (Кипр, г. Пафос, 2010), Всероссийской конференции «Математические методы распознавания образов» (ММРО-14) (г. Суздаль, 2009),'Международной конференции по мягким вычислениям и измерениям (SCM-2007) (г. Санкт-Петербург, 2007), Международном симпозиуме «Надежность и качество» (г. Пенза, 2010), VII и VIII всероссийских научно-технических конференциях «Современные методы и средства обработки пространственно-временных сигналов» (г. Пенза, 2009, 2010), IX и X международных научно-технических конференциях «Проблемы информатики в образовании, управлении, экономике и технике» (г. Пенза, 2009, 2010).

    Публикации. По* теме диссертационной работы опубликовано 17 статей, из них три — в журналах, входящих в перечень .ВАК.

    Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка литературы из 125 наименований и приложения, содержащего акты о внедрении. Общий объем диссертации — 164 е., в том.

    ВЫВОДЫ И РЕЗУЛЬТАТЫ.

    Построен распознающий алгоритм, основанный на аппарате стохастической геометрии и функционального анализа, позволяющий классифицировать полутоновые текстуры микрошлифов чугуна с включениями графита и дополнительно получать их метрические характеристики, такие как площадь графита Бф, В — средний диаметр графитных включений, и 8тахплощадь наибольшего включения. Для вычисления последних двух была реализована процедура сегментации текстуры на основе трейс-трансформанты.

    Рассмотрены зависимости точности вычисления признаков и их инвариантности от параметров сканирования Ав, Ар и от шага А1 по сканирующей прямой.

    Теория распознавания образов, основанная на аппарате стохастической геометрии и< функционального анализа ранее применялась лишь к бинарным изображениям, причем формируемые признаки являлись их геометрической характеристикой. В' настоящей работе данная теория получила свое распространение на полутоновые текстуры. Причем, в этом случае, совокупность признаков исследуемых изображений характеризует как геометрические, так и яркостные их особенности.

    Исследована зависимость качества распознавания полутоновых текстур микрошлифов чугуна с включениями графита от порога Q. Согласно полученным результатам, оптимальное значение параметра О = 0,4. При этом точность распознавания полутоновых текстур микрошлифов чугуна с включениями графита для алгоритма, основанного на аппарате стохастической" геометрии, составило 99,5%.

    Опора именно на триплетные признаки и выбранную процедуру минимизации «размерности признакового пространства позволяет использовать достаточно простую решающую процедуру, что значительно сокращает время работы распознающего алгоритма. Разработан алгоритм, реализующий распознавание полутоновых текстур микрошлифов чугуна с включениями графита5на основе матриц смежности. Оптимальные значения параметров матриц смежности' а (углового направления, определяемого парой-соседних клеток) и с? (расстояния между ними) выявлены экспериментальным путем.

    Для метода, основанного на матрицах смежности также исследована зависимость качества распознавания полутоновых текстур микрошлифов чугуна с включениями графита от, параметра О. Согласно полученным результатам, оптимальное значение параметра () = 0,5. При этом точность распознавания полутоновых текстур микрошлифов чугуна с включениями графита для алгоритма, основанного на матрицах смежности, составило 96%.

    Метод, основанный на матрицах смежности, позволяет реализовать классификацию полутоновых текстур микрошлифов чугуна с включениями графита с меньшими временными затратами. Но разница в качестве распознавания и возможность получения важнейших геометрических характеристик графитных включений микрошлифа чугуна убеждают в том, что для.

    142 распознавания полутоновых текстур микрошлифов чугуна с включениями графита целесообразно использовать метод, основанный на аппарате стохастической геометрии и функционального анализа.

    ЗАКЛЮЧЕНИЕ

    .

    1. Предложен новый подход к распознаванию текстур, основанный на аппарате стохастической геометрии и функционального анализа, позволяющий автоматически без непосредственного участия эксперта-аналитика формировать большое число (тысячи) триплетных признаков текстур, что позволяетрешать рассматриваемую проблему с большей точностью.

    2. В работе метод триплетных признаков, применявшийся ранее лишь для бинарных изображений, впервые получил свое развитие на полутоновые текстуры, что позволило расширить класс решаемых задач распознавания образов с позиции стохастической геометрии и функционального анализа.

    3. Разработан алгоритм формирования инвариантных к группе движений и масштабным преобразованиям триплетных признаков полутоновых текстур. Сформирована совокупность признаков, характеризующая геометрические и яркостные особенности полутоновых текстур.

    4. Предложен алгоритм определения геометрических параметров непроизводных элементов полутоновых текстур. Приведена его реализация на примере полутоновых текстур микрошлифов чугуна с включениями графита, где в качестве указанных геометрических параметров выступают площадь графита, средний диаметр графитных включений и площадь наибольшего включения.

    5. Разработаны триплетные признаки и процедура минимизации размерности признакового пространства, позволяющие применять достаточно простую решающую процедуру, что ведет к сокращению времени работы распознающего алгоритма.

    6. Триплетные признаки, в отличие от признаков, полученных по матрицам смежности, инвариантны к масштабным преобразованиям текстуры, что является основной причиной большей надежности предлагаемого метода по сравнению с методом, основанным на матрицах смежности.

    7. Эффективность метода, основанного на аппарате стохастической геометрии и функционального анализа, применительно к проблеме распознавания полутоновых текстур, подтверждена проведенными исследованиями на примере полутоновых текстур микрошлифов чугуна с включениями графита. В результате экспериментальных исследований на 360 I образцах (160 — обучающая и 200 — тестовая выборка) точность отнесения объектов тестовой совокупности к одному из четырех классов составила 99,5%.

    ПУБЛИКАЦИИ АВТОРА ПО ТЕМЕ ДИССЕРТАЦИИ Мокшанина, Д. А. Трейс-преобразование [Текст] / Д. А. Мокшанина // Современные методы и средства обработки пространственно-временных сигналов: сборник статей VII Всероссийской научно-технической конференции. — Пенза: Приволжский Дом знаний, 2009. — С. 66−69.

    Мокшанина, Д. А. Новые признаки полутоновых текстур [Текст], / Д. А. Мокшанина // Современные методы и средства обработки пространственно-временных сигналов: сборник статей VII.

    Всероссийской научно-технической. конференции. — Пенза: i.

    Приволжский Дом знаний, 2009. — С. 64—66.

    Мокшанина, Д. А. Процедура формирования триплетных признаков текстур, основанная на аппарате стохастической геометрии [Текст] / Д. А. Мокшанина // Современные методы и средства обработки пространственно-временных сигналов: сборник статей VIII Всероссийской научно-технической конференции. — Пенза: Приволжский Дом знаний, 2010. — С. 51— 53.

    Мокшанина, Д. А. Процедура сокращения размерности признакового пространства [Текст] / Д. А. Мокшанина // Современные '" методы, и средства обработки пространственно-временных сигналов: сборник статей VIII Всероссийской научно-технической конференции. — Пенза: Приволжский Дом знаний, 2010.-С. 54−56.

    Мокшанина, Д. А. Применение аппарата стохастической геометрии и функционального анализа к решению проблемы анализа и распознавания полутоновых текстур из области металлографии.

    Текст] / Д. А. Мокшанина // Проблемы информатики в образовании, управлении, экономике и технике: сборник статей X Международной научно-технической конференции. — Пенза: Приволжский Дом знаний, 2010. — С. 29−31.

    Мокшанина, Д. А. Триплетные признаки полутоновых текстур, являющиеся их метрическими характеристиками [Текст] / Д. А. Мокшанина // Проблемы информатики в образовании, управлении, экономике и технике: сборник статей X Международной научно-технической конференции. — Пенза: Приволжский Дом знаний, 2010. — С. 26−28.

    Мокшанина, Д.- А. Анализ ошибок дискретизации формирования триплетных признаков в задачах распознавания методами стохастической геометрии [Текст] / А. В. Моисеев, Н. Г. Федотов, Д. А. Мокшанина // Международной конференции по мягким вычислениям и измерениям (SCM 2007): сборник докладов. — СпБ: Гидрометиздат, 2007. — С. 203−205.

    Мокшанина, Д. А. Минимизация размерности признакового пространства при распознавании полутоновых изображений со сложной текстурой [Текст] / Н. Г. Федотов, Д. А. Мокшанина // Известия высших учебных заведений. Поволжский регион. Технические науки. — 2010. — № 1 (13). — С. 54−63. Мокшанина, Д. А. Распознавание изображений со сложной полутоновой текстурой [Текст] / Н. Г. Федотов, Д. А. Мокшанина // Измерительная техника. — 2010. — № 11. -С. 27−31.

    Mokshanina, D. A. Recognition of Halfton Textures from the.

    Stochastic Geometry and Functional Analysis [Text] /.

    N. G. Fedotov, D. A. Mokshanina // Pattern Recognition and Image.

    Analysis. — 2010. — V. 20. — № 4. — P. 551−556.

    11. Мокшанина, Д. А. Анализ текстур гистологических изображений [Текст] / Н. Г. Федотов, Д. А. Мокшанина, С. В. Романов //.

    1 Математические методы распознавания образов (ММР014): труды I.

    1 Всероссийской конференции. — М.: МАКС Пресс, 2009. — С. 611—.

    613.

    12. Мокшанина, Д. А. Сегментациягистологических изображений. I Выделение фолликулов и1 ядер [Текст] / Н. Г. Федотов, С. В. Романов, Д. А. Мокшанина // Математические методы распознавания образов (ММР014): труды Всероссийской конференции. т М: МАКС Пресс, 2009. — С. 608−610. i.

    13.i Мокшанина, Д. А. Формирование признаков изображений чугуна с включениями графита на основе стохастической геометрии и функционального анализа, [Текст] / Н. Г. Федотов, Д. А. Мокшанина // Проблемы информатики в образовании, I управлении, экономике итехнике: сборник статей IX Международной научно-технической конференции. — Пенза: Приволжский Дом знаний, 2009. — С. 12−14.

    14. Мокшанина, Д. А. Анализ текстур изображений чугуна с I включениями графита* [Текст] / Н. Г. Федотов, Д. А. Мокшанина // t Проблемы информатики в образовании, управлении, экономике и технике: сборник статей IX Международной научно-технической конференции. — Пенза: Приволжский Дом знаний, 2009. — С. 121— • 123. I 4.

    15. Мокшанина, Д. А. Новый метод формирования признаков распознавания полутоновых текстур с позиции стохастической геометрии и функционального анализа [Текст] / Н. Г. Федотов, Д. А. Мокшанина, А. И. Шабакаев, Е. А. Крючкова // Надёжность и качество: труды международного симпозиума. — Пенза: Изд-во Пенз. ГУ, 2010: в 2-х томах — 2 том — С. 267−270.

    16. Мокшанина, Д. А. Автоматическая генерация триплетных признаков распознавания изображений ультразвуковых исследований [Текст] / Н. Г. Федотов, С. В. Романов, Е. А. Крючкова, Д. А. Мокшанина // Надёжность и качество: труды международного симпозиума. — Пенза: Изд-во Пенз. ГУ, 2010. В 2-х томах — 2 том — С. 263−265.

    17. Мокшанина, Д. А. Триплетные признаки изображений со сложной полутоновой текстурой [Текст] / Н. Г. Федотов, Д. А. Мокшанина // Интеллектуализация обработки информации (ИОИ-2010): труды 8-й Международной конференция. — Кипр, 2010. — С. 395−398.

    Показать весь текст

    Список литературы

    1. , М. А. Метод потенциальных функций в теории обучения машин Текст. / М. А. Айзерман, Э. М. Браверман, Л. И. Розоноэр. -1. М.: Наука, 1970.
    2. , Б. В. Распознавание и цифровая обработкаIизображений Текст. / Б. В. Анисимов, В. Д. Курганов, В. К. Злобин. М.: Высшая школа, 1983. — 295с.
    3. З.1 Антощук, С. Г. Система распознавания текстурных изображений при экологическом мониторинге Текст. / С. Г. Антощук, Н. А. Сербина // Искусственный интеллект. — 2002. — № 4.
    4. , А. Г. Обучение машины распознаванию образов Текст. / А. Г. Аркадьев, Э. М. Браверманн. -М.: Наука, 1964.
    5. , А. Г. Обучение машины распознаванию образов Текст. / А. Г. Аркадьев, Э. М. Браверманн. М.: Наука, 1964 — 112 с.
    6. , Ю. Л. Коллективные статистические решения при распознавании Текст. /Ю. Л. Барабаш. -М.: Радио и связь, 1983.
    7. , Дж. Анализ временных рядов. Прогноз и управление Текст. I
    8. Дж. Бокс, Г. Дженкинс. Вып. 1 и 2. — М.: Мир, 1974.1
    9. , В. Н. Восстановление зависимостей по эмпирическим данным Текст. / В. Н. Вапник. М.: Наука, 1979.
    10. , В. Н. Задача обучения распознаванию образов Текст. / В. Н. Вапник. -М.: Знание, 1970. I
    11. , В. И. Проблема обучения распознаванию образов Текст. / В. И. Васильев. — Киев: Высшая школа, 1989. — 64 с.
    12. , В. И. Распознающие системы Текст.: справочник / В. И. Васильев. Киев: Наукова думка, 1983. — 422 с.
    13. , К. Распознавание образов: состояние и перспективы Текст. / К Верхаген, Р. Дейн. — М.: Радио и связь, 1985.
    14. , И. М. Интегральная геометрия и связанные с нейiвопросы теории представлений Текст. / И. М. Гельфанд, М. И. Граев, Н. Я. Виленкин. М.: Физматгиз, 1962. — 656 с.
    15. , Б. В. Курс теории вероятностей Текст. / Б. В. Гнеденко. Изд. 9-е, перераб. — М.: Эдитория УРСС, 2004. — 448 с.
    16. Горелик, A. JL Методы распознавания Текст. / А. Л. Горелик, В. А. Скрипкин. -М.: Высшая школа, 1989. 232 с.
    17. , А. Л. Некоторые вопросы построения систем распознавания Текст. / А. Л. Горелик, В. А. Скрипкин. М.: Советское радио,' 1974.
    18. , Ю. И. Об алгебраическом подходе к решению задач распознавания или классификации Текст. / Ю. И. Журавлев // Проблемы кибернетики. 1978. — Т. 33. — С. 5−68.
    19. , Ю. И. Распознавание. Математические методы. Программная система. Практические применения Текст. / Ю. И. Журавлев, В. В. Рязанов, О. В. Сенько. -М.: Фазис, 2006. 176 с.
    20. , Ю. И. Избранные научные труды Текст. / Ю. И. Журавлев. М.: Магистр, 1998.
    21. , Н. Г. Прикладные методы анализа данных и знаний Текст. / Загоруйко Н. Г. Новосибирск: Издательство Института математики, 1999. — 270 с.
    22. , А. А. Новые признаки изображений инвариантные относительно группы движений и аффинных преобразований Текст. / А. А. Кадыров, Н. Г. Федотов // Автометрия. 1997. — № 4. — С. 65−79.
    23. , М. Геометрические вероятности Текст. / Кендал М., П Моран. М.: Наука, 1972. — 192 с.
    24. ГОСТ 3443–87. Отливки из чугуна с различной формой графита. Методы определения структуры. Введ. 1988−01−07. — М.: Стандартинформ, 2005.
    25. , У. Цифровая обработка изображений Текст.: в 2 т. / У. Прз>тт. М.: Мир, 1982.- 790 с.
    26. , Л. А. Метод коллективного распознавания Текст. / Л. А. Растригин, Р. X. Эренштейн. М.: Энергоиздат, 1981.
    27. , А. Распознавание и обработка изображения с помощью вычислительных машин Текст. / А. Розенфельд. М.: Мир, 1972. -231с.
    28. , А. Распознавание изображений Текст. / А. Розенфельд // ТИИЭР. 1981. — № 5. с. 120−134.
    29. , JI. А. Интегральная геометрия и геометрические вероятности Текст.: [пер. с англ.] / JI. А. Сантало — под ред. Р. В. Хмбарцумяна. М.: Наука, 1983. — 360 с.
    30. , Г. С. Процессы принятия решений при распознавании образов Текст.: [пер. с англ.] / Г. С. Себестиан. Киев: Техника, 1965.
    31. , В. С. Теория автоматического опознавания и гносеология Текст. / В. С. Тюхтин. М.: Наука, 1976.
    32. , B.C. Опознавание изображений Текст. / B.C. Файн. — М.: Наука,' 1970. 296 с.
    33. , Н. Г. Методы стохастической геометрии в распознавании образов Текст. / Н. Г. Федотов. М.: Радио и связь, 1990. -144 с.:
    34. , Н. Г. Новая теория признаков распознаванияизображений Текст. / Н. Г. Федотов // Международная конференция помягким вычислениям и измерениям (SCM'99): сборник докладов. СпБ :
    35. Гидрометиздат, 1999.-С. 157−161. i
    36. , Н. Г. Теория признаков распознавания образов, основанная на стохастической геометрии Текст. / Н. Г. Федотов // Искусственный интеллект. 2000. — № 2. — С. 207−211.
    37. , Н. Г. Новые методы формирования признаков распознавания образов с позиций стохастической геометрии Текст. / Н. Г. Федотов, А. А. Кадыров // Автометрия. 1996. — № 1 — С. 88−92.
    38. , Н. Г. Новые признаки изображений, инвариантные относительно группы движений и аффинных преобразований Текст. / Н. Г. Федотов, А. А. Кадыров // Автометрия. 1997. — № 4. — С. 65−79.
    39. , Н. Г. Проектирование систем распознавания изображений с использованием триплексных признаков Текст. / Н. Г. Федотов, М. М. Мельников, Л. А. Шульга // Распознавание: сборник материалов 4-ой Международной конференции. — 1999. — С. 26—28.
    40. , Н. Г. Дефектоскопия сварных соединений на основе методов стохастической геометрии Текст. / Н. Г. Федотов, Т. В. Никифорова // Машиностроение. Контроль. Диагностика. 2002. — № 12. — С. 65−68.
    41. , Н. Г. Техническая дефектоскопия на основе новой теории признаков распознавания образов Текст. / Н. Г. Федотов, Т. В. Никифорова // Измерительная техника. — 2002. С. 27—31.
    42. , Н. Г. Интеллектуальная система поиска информации, представленной в виде изображений Текст. / Н. Г. Федотов, Л. А. Шульга, А. В. Рой // Искусственный интеллект. 2004. — № 2. — С. 188−192.
    43. , Н. Г. Теория признаков распознавания образов на основе стохастической геометрии и функционального анализа Текст. / Н. Г. Федотов. М.: ФИЗМАТЛИТ, 2009. — 304 с.
    44. Фор, А. Восприятие и распознавание образов Текст. / А. Фор. -М.: Машиностроение, 1989.
    45. , Д. А. Компьютерное зрение. Современный подход. Текст.: [Пер. с англ.] / Д. А. Форсайт, Ж. Понс. М.: Издательский дом «Вильяме», 2004. — 928 с.
    46. Фу, К. Последовательные методы в распознавании образов и обучении машин Текст.: [Пер. с англ.] / К. Фу. М.: Мир, 1971.
    47. , Р. М. Статистический и структурный подходы к описанию текстур Текст. / Р. М. Харалик // ТИИЭР. 1979. — 67 том. — № 5. -С. 98−121.
    48. , С. Б. Методы анализа текстур на изображении Текст. :дис. .1 канд. техн. наук: 05.13.17. Нижний Новгород, 2002. — 154 с. i i
    49. , А. В. Методы анализа и синтеза текстур Текст. /I
    50. А. В. Яковлев*- ин-т Владимир гос. ун-та. Муром, 1999. — 24с. — Деп. в ВИНИТИ № 3589.
    51. Arcelli, С. On the sequential approach to medial line transformation Text.-/ C. Arcelli, G. Sanniti Di Baja // IEEE Trans. Syst, Man, Cybern. vol. SMC-8' - 1978. — P. 139−144.
    52. Carlton, S. G. Image segmentation using texture and grey level Text. / S. G. Carlton, O. Mitchell // Pattern Recognition and Image Processing Conf. -1977.-P. 387−391.
    53. Carlucci, L. A formal system for texture languages Text. /
    54. Carlucci // Pattern"Recognition. 1972. — Vol. 4. — P. 53−72.i
    55. Coggins, J. M. Framework for Texture Analysis Based on Spatial Filtering Ph. D. Text. / J. M- Coggins — Computer Science Department. — Michigan: Michigan State University, 1982.
    56. Ehrich Roger and Foith J: P. Representation of random waveforms by relational trees // IEEE Trans. Comput./ Vol. C-25. — 1976. — P. 725−736.
    57. Ehrich Roger and Foith J. P. Topology and semantics of intensity arrays '// Computer Vision, Hanson and Riseman (Eds). New York: Academic Press, 1978.
    58. Fedotov N.G. Alcune stime delPalgoritmo dell’automa finito d’apprendimento per il riconscimento delle immagini // Nota IEI. 1980. — № 12. -P. 1−6.
    59. Fedotov N.G. The Theory of Image-Recognition Features Based on Stochastic Geometry // Pattern Recognition and Image Analysis. Advances in
    60. Mathematical Theory and Applications. 1998. — V. 8, № 2. — P. 264−266ii
    61. Fedotov N. G., Mokshanina D. A. Gray-scale texture recognition using stochastic geometry and" functional analysis // Pattern Recognition and Image Analysis. № 4, 2010, pp 382 383
    62. Fedotov N.G., Shulga L.A. Feature Generation and Stochastic Geometry // Proc. of the 4th International Workshop on Pattern Recognition in Information Systems, PRIS'2004, Porto, Portugal, April 2004. P. 169−175.
    63. Fedotov N.G., Shulga L.A. New Theory of Pattern Recognition Feature on the Basis of Stochastic Geometry // WSCG'2000 Conference Proceedings, ISBH 80−7082−612−6. University of West Bohemia, 2000. — V. 1(2).-P. 373−380.
    64. Fedotov N.G., Shulga L.A., Moiseev A.V., Kolchugin A.S. Patternft.
    65. Recognition Feature and Image Processing Theory on the Basis of Stochastic Geometry // Proc. of the 2nd Int. Conf. on Informatics in Control, Automation and Robotics, IdNCO'2005, Barcelona, Spain, September 2005. -V. 3. -P. 187−192.
    66. Fedotov N.G., Shulga L.A., Roy A.V. Visual Mining for Biometrical Systems Based on Stochastic Geometry // Pattern Recognition and Image Analysis. -2005. V. 15, № 2. P. 389−392.
    67. Galloway M. M., Texture Analysis Using Gray Level Run Lengths, Computer Graphics and Image Processing, 4, 2, pp. 172−179 (June 1975)
    68. Galloway M. Texture analysis using gray level run lengths // Comput. Graphics Image Processing, vol. 4, pp. 172−199,1974.
    69. Gramenopoulos N. Terrain type recognition using ERTS-1 MSS images // in Rec. Symp. Significant Results Obtained from the Earth Res. Technol. Satellite- NASA SP-327, pp. 1229−1241, Mar. 1973
    70. Haralick R. M. A texture-context feature extraction algorithm for remotely sensed imagery // in Proc. 1971 IEEE Decision and Control Conf. (Gainesville, FL), pp. 650−657, Dec. 15−17, 1971.
    71. Haralick R. M. and Bosley R. Texture features for image classification // Third ERTS Symp., NASA SP-351, NASA Goddard Space Flight Center, Greenbelt, MD, pp. 1929−1969, Dec. 10−15, 1973.
    72. Haralick R. M. and Shanmugam K. Combined spectral and' spatial processing of ERTS imagery data // J. of Remote Sensing of the Environment, vol. 3. 1974. pp. 3−13.
    73. Haralick R. M. and Shanmugam K. Computer classification of reservoir sandstones // IEEE Trans. Geosci. Electron., vol. GE-11, pp. 171−177, Oct. 1973.
    74. Haralick R. M., Shanmugam K., and Dinstein I. On some quickly computable features for texture // Proc. 1972 Symp. on Comput. Image Processing and Recognition (University of Missouri, Columbia, MO), vol. 2, pp. 12−2-1 to 122−10, Aug. 1972
    75. Harding E.F., Kendall D.G. Stochastic geometry. New York: Wiley, 1974.-P. 400.
    76. Hawkins J.K. Textural properties for pattern recognition. In B. Lipkin and A. Rosenfeld, editors, Picture Processing and Psychopictorics. New York Academic Press, 1970.
    77. Hsu S. A texture-tone analysis for automated landuse mapping with panchromatic images // in Proc. of the Amer. Society for Photogrammetry, pp. 203−215, Mar. 1977.
    78. Julesz B. Visual pattern discrimination // IRE Trans. Inform. Theory, vol. 8, no. 2, pp. 84−92, Feb. 1962.
    79. Kadyrov A.A., Fedotov N.G. Triple Features Pattern Recognition and Image Analysis // Advances in Mathematical Theory and Applications. 1995. V. 5, № 4.-P. 546−556.
    80. Kadyrov A.A., Saveleva M.V., Fedotov N.G. Image Scanning Leads to Alternative Understanding of Image // Third Int. Conf. on Automation, Robotics and Computer Vision (ICARCV'94), Singapore, 1994.
    81. Lantuejoul C. Grain dependence test in a polycristalline ceramic // in Quantitative Analysis of Microstructures in Materials Science, Biology, and Medicine, J. L. Chernant, Ed. Stuttgart, Germany: Riederer-Verlag, GmbH, 1978, pp. 40−50.
    82. Lendaris G. and Stanley G. Diffraction pattern sampling for automatic pattern recognition // SPIE Pattern Recognition Studies Seminar Proc. (June 9−10, 1969, pp. 127−154).
    83. Lendaris G. and Stanley G. Diffraction pattern samplings for automatic pattern recognition // Proc. IEEE, vol. 58, pp. 198−216, Feb. 1970.
    84. Levine M. D. Feature extraction: a survey, Proc. IEEE, 57,1391−1407(August 1969) Русский перевод в журнале Труды ИИЭР, 57, № 8, 1969.
    85. Lu S.Y. and Fu K.S. A syntactic approach to texture analysis // Comput. Graph. Image Processing, vol. 7, pp. 303−330, 1978.
    86. Maleson J., Brown C., and Feldman J. Understanding natural texture // Computer Science Department, University of Rochester, Rochester, NY, Sept. 1977.
    87. Matheron G. Elements Pour Une Theorie des Milieux Poreu // Paris, France: Masson, 1967.
    88. Matheron G. Random Sets and Integral Geometry // New York: Wiley and Sons, Inc., 1975.
    89. McCormick В. H. and Jayaramamurthy S.N. Time series model for texture synthesis // Int J. Comput. Inform. Sci, vol. 3, no. 4, pp. 329−343, Dec.1974. ii
    90. Mitchell O., Myers C., and Boyne W. A max-min measure for image texture' analysis // IEEE Trans. Comput., vol. C-25, pp. 408−414, Apr. 1977.
    91. Moran P.A.P. Measuring the lenght of a curve. Biometrika: V.53, 1966. -pp.359−364.
    92. Miiller W. and Herman W. Texture analyzes systems // Indurt. Res., Nov, 1974.
    93. Miiller W. The Leitz texture analyzes systems // Leia Sd. Tech Inform., Supplement 1, 4, pp. 101−116, Apr. 1974 (Wetzlar. Germany).
    94. O’Neill Е. Spatial filtering in optics. // IRE Trans. Inform. Theory, vol. 2, no. 6.pp. 56−65, June 1956.
    95. M. О. M. and Saukar T. S. The measurement of surface texture by means of random function excursion techniques // in Advances in Test Measurement, vol. 12-Proc. 21st Int. Instrument. Symp. Pittsburgh, PA: Instrument Society of America, 1975.
    96. Pickett R. M. Visual analyses of texture in the detection and recognition of objects // in Picture Processing and Psychopictorics, Lipkin and Rosenfeld, Eds. New York: Academic Press, 1970, pp. 289−308.
    97. Pickett R. M., Visual Analysis of Texture in the Detection and Recognition of Objects, in: Picture Processing and Psychopictorics, Lipkin В. C, Rosen- feld A., Eds., Academic Press, New York, 1970, pp. 289—308.
    98. Rosenfeld A. and Lipkin B. S. Texture synthesis // in Picture Processing and Psychopictorics, Lipkin and Rosenfeld (Eds). New York: Academic Press, 1970, pp. 309−345.
    99. Rosenfeld A. and Thurston M. Edge and curve detection for visual scene analysis // IEEE Trans. Comput., vol. C-20, pp. 562−569, May 1971.
    100. Serra J. and Verchery G. Mathematical morphology applied to fibre composite materials // Film Sci. Tech, vol. 6, pp. 141−158, 1973.
    101. Serra J. One, two, three, ., infinity // Quantitative Analysis of Microstnrctures in Materials Science, Biology, and Medicine, J. L. Chernant (Ed.). Stuttgart, Germany: Riederer-Verlag GmbH, 1978, pp. 9−24.
    102. Serra J. Theoretical bases of the Leitz texture analyses system // Leitz Sci. Tech. Inform., Supplement 1, 4, pp. 125−136, Apr. 1974 (Wetzlar, Germany).
    103. Steinhaus H. Length, shape and area. Colloq. Math., V.3, 1954. -pp.1−13.
    104. Sutton R. and Hall E. Texture measures for automatic classification of pulmonary disease // IEEE Trans. Comput, vol. C-21, no. 1, pp. 667−616, 1972.
    105. Tamura H., Mori S., Yamawaki Y. Textural’Features Corresponding to Visual Perseption // IEEE Transactions on Systems, Man and Cybernetics. -1978.8.-P/460−473
    106. Tomita F., Yachida M., and Tsuji S. Detection of homogeneous regions by structural analysis // at Proc. Third Int. Joint Conf. Artificial Intelligence, pp. 564−571, 1973.
    107. Tou J. T. and Chang Y. S. An approach to texture pattern analysis and recognition // in Proc. 1976 IEEE Conf. on Decision and Control, 1976.
    108. Tou J. T., Kao D. B., and Chang Y. S. Pictorial texture analysis and synthesis // presented at Third Inf. Joint Conf. on Pattern Recognition (Coronado, CA), Aug. 1976.
    109. Tsuji S. and Tomita F. A structural analyzer for a class of textures // Comput. Graph. Image Processing, vol. 2, pp. 216- 231, 1973.
    110. Turan J., Siskovicova D., Peter F. Trace Transform Based Invariant Object Recognition System // Tehnika Electrotehnika. — 2005. V. 54, № 3. -P. 1−8.
    111. Weszka J., Dyer C., and Rosenfeld A. A comparative study of texture measures for terrain classification // IEEE Trans. Syst., Man, and Cybern., vol. SMC-6, no. 4, pp. 269−285, Apr. 1976.
    112. Woods J. W. Two-dimensional discrete Markovian fields // IEEE Trans. Inform. Theory, vol. IT-18, pp. 232−240, Mar. 1972.
    113. Yaglom A. M. Theory of Stationary Random Functions // Englewood Cliffs, NJ: Prentice-Hall, 1962.
    114. Zucker S. Toward a model of texture // Comput. Graph. Image Processing, vol. 5, no. 2, pp. 190−202, 1976.
    115. Zucker S. W., Rosenfeld A., and Davis L. Picture segmentation by texture discrimination // IEEE Trans. Comput., vol. C-24, no. 12, pp. 1228−1233, Dec. 1975.
    116. ЕРЖДАЮ альный директор шпсталь"1. А.Ю. Челноков1. АКТо реализации научных положений и выводов диссертационной работы соискателя Мокшаниной Дарьи Алексеевны «Распознавание полутоновых текстур на основе стохастической геометрии и функционального анализа»
    117. Главный инженер ООО «Машсталь"1. Л ¿-^У1. В.М. Синцев
    118. Начальник центральной заводской лаборатории ООО «Машсталь"1. К.Н. Аристов
    119. Заведующий кафедрой экономической кибернетики Пензенского государственного университетад.т.н., профессор, академик РАЕН1. Н.Г. Федотов
    120. Аспирант Пензенского государственного университета-¿-21. Д.А. Мокшанина
    Заполнить форму текущей работой

    На отлично!