Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Разработка и исследование модели и алгоритмов поиска растровых изображений

Диссертация: Разработка и исследование модели и алгоритмов поиска растровых изображений
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В настоящее время большой интерес представляет оцифровка и хранение больших объемов визуальных материалов, обеспечение эффективного содержательного доступа к этой информации в электронных коллекциях изображений. Широкое и повсеместное применение Интернет в повседневной жизни человека привело к усложнению запросов пользователей. Существующие поисковые системы, осуществляющие поиск информации… Читать ещё >

Содержание

  • 1. Современные проблемы поиска изображений в базе данных
    • 1. 1. Актуальность проблемы поиска изображений
    • 1. 2. Обзор современных методов поиска изображений
    • 1. 3. Формализация постановки задачи поиска изображений
  • Выводы к разделу
  • 2. Построение обобщенной модели и разработка методик поиска изображений в базе данных с помощью фрактального кодирования и комбинирования вейвлетного и фрактального методов
    • 2. 1. Формализованная модель поиска изображений
    • 2. 2. Разработка методики на основе фрактального кодирования для реализации модели поиска изображений
    • 2. 3. Разработка методики на основе комбинирования вейвлетного и фрактального методов для реализации модели поиска изображений
  • Выводы к разделу
  • 3. Разработка алгоритмов поиска растровых изображений на основе полученной формализованной модели
    • 3. 1. Разработка алгоритма для поиска изображений с помощью методики, предложенной для реализации модели на основе фрактального кодирования
    • 3. 2. Разработка алгоритма для поиска изображений с помощью методики, предложенной для реализации модели на основе комбини-рования вейвлетного и фрактального методов
  • Выводы к разделу
  • 4. Реализация алгоритмов и анализ формализованной модели с помощью 81 компьютерного эксперимента
    • 4. 1. Концептуальная модель системы поиска растровых изображений
    • 4. 2. Разработка интерфейса системы поиска растровых изображений
    • 4. 3. Выбор программного обеспечения
    • 4. 4. Программная реализация системы поиска растровых изображений
    • 4. 5. Выбор параметров фрактального кодирования и функции вейвлета для реализации предложенных алгоритмов
    • 4. 6. Анализ результатов поиска растровых изображений
  • Выводы к разделу

Разработка и исследование модели и алгоритмов поиска растровых изображений (реферат, курсовая, диплом, контрольная)

Актуальность темы

В настоящее время большой интерес представляет оцифровка и хранение больших объемов визуальных материалов, обеспечение эффективного содержательного доступа к этой информации в электронных коллекциях изображений. Широкое и повсеместное применение Интернет в повседневной жизни человека привело к усложнению запросов пользователей. Существующие поисковые системы, осуществляющие поиск информации не могут удовлетворить эти потребности. В настоящее время, когда в сети расположены не только текстовые, но и всевозможные мультимедийные ресурсы, необходимы новые эффективные средства поиска и навигации по ним. Для привлечения посетителей, музеи все активнее используют современные компьютерные технологии, помещают свои коллекции в Интернете, предоставляют различные услуги по их просмотру. Одной из самых востребованных является возможность быстрого поиска конкретных изображений.

До последнего времени традиционным являлся поиск визуальной информации, опирающийся на индексирование текстовых описаний, ассоциированных с изображением. Неоднозначность соответствия между визуальным содержанием и текстовым описанием снижает показатели точности и полноты поиска. В связи с этим возникает проблема организации доступа к современным электронным коллекциям изображений с использованием комплекса средств, таких, как текстовые описания, характеристики визуального содержания, типа цветовой гаммы, более сложных систем, связанных с распознаванием образов. Текстовое описание и визуальная поисковая информация, как правило, дополняют друг друга, обеспечивая возможность разностороннего поиска. Поиск может выполняться итеративно: сначала на основе ключевых слов, как более быстрый способ, затем среди отобранного множества материалов более трудоемкий поиск с использованием визуальных характеристик.

Разработка системы поиска изображений по изображению-запросу является актуальной и трудоемкой, поскольку, во-первых, отсутствует метод однозначного описания свойств графических объектовво-вторых, разнообразен ма-' тематический аппарат для построения и использования этого описания.

Проведенные исследования показали, что задачи поиска изображений отличаются большим разнообразием и выбором средств их решения: преобразование Фурье, метод гистограмм, искусственные нейронные сети, стохастическая геометрия, что является следствием разнообразия областей практического применения: искусство, криминалистика, картография, защита авторских прав.

Среди работ, посвященных данной проблеме можно отметить труды зарубежных и отечественных исследователей: J. P. Eakins, A. Vailaya, М. Figueiredo, Т. Kato, Т. Kurita, G. Yang, Т. S. Huang, Е. J. Stolnitz, Т. Derose, Т. Salesin, Н. Г. Федотова, М. А. Щербакова, И. М. Гостева, А. В. Мирошкина, С. К. Абрамова, В. В. Лукина, A. JI. Жизнякова, Н. В. Вакунова, В. П. Дьяконова, диссертационные работы А. В. Роя, Н. Е. Козина, И. В. Корябкиной, А. В. Нефёдова, И. П. Тищенко и многих других.

Представляемые исследования направлены на разработку и исследование модели и алгоритмов поиска изображений на основе визуальных атрибутов, связанных с использованием методов фрактального кодирования и комбинирования вейвлетного и фрактального подходов.

Целью диссертационной работы является разработка и исследование модели и алгоритмов для поиска растровых изображений, представленных в электронных коллекциях, по изображению-образцу.

В диссертационной работе поставлены и решены следующие задачи.

1. Анализ современных методов и проблем поиска изображений в базе j данных.

2. Разработка формализованной модели на основе фрактального кодирования и комбинирования вейвлетного и фрактального методов.

3- Разработка методик поиска растровых изображений на основе выбранпых методов.

4. Разработка алгоритмов поиска растровых изображений на основе полученных методик.

5. Разработка системы поиска изображений на основе полученных алгоритмов и анализ результатов поиска.

Объект исследования — множество методов поиска растровых изображений.

Предметом исследования являются модель и алгоритмы поиска растровых изображений по изображению-образцу.

Методы исследования. При решении поставленных задач использовались методы фрактального кодирования, вейвлет-преобразований, аппарат математической статистики, теории баз данных, принципы модульного и объектно-ориентированного программирования.

Научная новизна работы. Научная новизна результатов диссертационного исследования представлена совокупностью следующих положений.

1. Разработана формализованная модель поиска изображений, которая отличается от существующих тем, что учитывает взаимоотношения между фрагментами изображения, а также описание изображения в терминах грубого усредненного приближения, что позволяет получить более точный поиск в случаях модификаций изображений, связанных с инвертированием цветов, монохромным представлением и различными способами размытия изображения.

2. Разработаны методики поиска изображений впервые использующие методы фрактального кодирования и комбинирование вейвлетного и фрактального подходов применительно к решению задачи поиска изображений в базе данных по искомому изображению.

3. Предложен критерий эффективности поиска изображений на основе разработанных алгоритмов и системы, который позволяет провести детальную оценку результатов поиска, полученных с помощью компьютерного эксперимента, проведенного на основе предложенных изображений и их модификаций.

Практическая значимость результатов заключается в решении задачи поиска по электронным коллекциям изображений на основе визуальной информации и создании программных средств, обладающих высокой точностью и скоростью поиска. Разработанные алгоритмы могут использоваться для поиска изображений в Интернете, частных коллекциях, для защиты торговых марок и авторских прав, а также для хранения информации об изображениях в хранилищах данных с контентной адресацией (CAS) [5].

В настоящее время, система поиска изображений, построенная на основе предложенных алгоритмов, внедрена в Мордовском республиканском музее изобразительных искусств им. С. Д. Эрьзи.

Основные положения, выносимые на защиту:

1. Формализованная модель поиска изображений, позволяющая использовать методы фрактального кодирования и комбинирование вейвлетного и фрактального подходов.

2. Методики поиска изображений в базе данных по искомому изображению на основе предложенной формализованной модели.

3. Алгоритмы поиска изображения на основе методик, использующих фрактальное кодирование, а также сочетание вейвлет-преобразования и фрактального подхода.

4. Система поиска изображений с учетом диаграммы последовательности работы системы, концептуальной модели и богатых возможностей фрактальных и вейвлетных методов.

5. Методика оценки эффективности поиска изображений, позволяющая провести детальный анализ результатов поиска, и критерий эффективности для получения обоснованной оценки результатов поиска.

Реализация и внедрение результатов работы. Созданная система поиска растровых изображений на основе фрактального кодирования и совмещения вейвлетного и фрактального подходов опробована и эксплуатируется в Мордовском республиканском музее изобразительных искусств им. С. Д. Эрьзи, что подтверждено актом внедрения.

Результаты работы использованы в НИОКР «Разработка системы поиска растровых изображений из базы данных по изображению-запросу» (программа «Участник молодежного научно-инновационного конкурса 2007» Фонда содействия развитию малых предприятий в научно-технической сфере, государственные контракты 5474/7987 от 03.12.07 и 6653/9110 от 21.01.09).

Апробация работы. Основные результаты докладывались и обсуждались на следующих конференциях:

1. IV, V Международные конференции «Методы и средства управления технологическими процессами», Саранск, 2007,2009 гг.

2. XXXIV, XXXVII Огаревские чтения, Саранск, 2006,2009 гг.

3. XI научная конференция молодых ученых, аспирантов и студентов Мордовского государственного университета имени Н. П. Огарева, Саранск, 2006 г.

4. Международная научная конференция «Проблемы управления, передачи и обработки информации» (АТМ-ТКИ-50), Саратов, 2009 г.

5. 6-ая Всероссийская научно-практическая конференция «Современные проблемы создания и эксплуатации радиотехнических систем» (с участием стран СНГ), Ульяновск, 2009 г.

По результатам 4-ой Международной конференции «Методы и средства управления технологическими процессами» работа «Разработка системы поиска растровых изображений из базы данных по изображению-запросу» признана победителем программы «Участник молодежного научно-инновационного конкурса 2007» («УМНИК»).

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 112 наименований и 12 приложений. Работа содержит 131 страницу основного текста, 62 страницы приложений, 27 рисунков, 3 таблицы.

Выводы к разделу 4.

1. Проведен анализ параметров фрактального кодирования, использующегося при поиске изображений, который показал, что оптимальным является использование максимальной глубины квадродерева, равной 6. Экспериментально подтвержден выбор вейвлет-функции Хаара, использующейся при комбинированном подходе.

2. Проведен анализ результатов поиска изображений на основе фрактального кодирования, который показал, что его использование приводит к качественному поиску изображений практически по всем отмеченным модификациям за исключением эффектов текстуры и искусственных помарок. В этом случае очень хорошие результаты поиска изображений дает комбинированный подход, сочетающий в себе вейвлетное и фрактальное кодирование изображенияпричем с уверенностью утверждать, что используя фракталы, картина будет найдена, если система покажет более 37,5% совпадений, а для комбинированного подхода — более 35,2%.

3. Проведено сравнение разработанных подходов к поиску изображений с известным алгоритмом [48], основанном на вейвлет преобразовании, в результате чего можно констатировать, что несмотря на наибольшее время поиска изображений по сравнению с вейвлетным подходом при комбинированном подходе (около 2%) и при фрактальном подходе (около 6%), качество поиска оказывается выше (соответственно, на 16% и 10%).

4. Предложены методика оценки эффективности поиска изображений, позволяющая, провести детальный анализрезультатов поиска и критерий эффективности для оценки результатов поиска на основе моделирования путем сравнения массивов индексов квадродерева, и количества положений максимальных вейвлет-коэффициентов (4.1).

Заключение

.

В настоящее время актуальна разработка эффективных и точных методов, использующих максимальное количество полезной информации, формируемой из исходного изображения, для получения наилучшего результата, связанного с поиском изображения. Для этого необходима разработка новых и усовершенствование известных алгоритмов обработки изображений в значительной мере расширяющих границы области применения подобных алгоритмов, в частности методов вейвлет-анализа и фрактального кодирования. В процессе проведения теоретических и практических исследований получены следующие основные результаты и выводы.

1. Проведен анализ проблемы поиска изображений, который показал, что данная тематика в настоящее время является актуальной, а существующие алгоритмы поиска изображений направлены на решение конкретных задач и зависят от условий, в которых они используются или же не обладают достаточной точностью.

2. Разработана формализованная модель поиска изображений, согласно которой изображения сравниваются по некоторой шкале, основанной на выбранных свойствах изображения. Механизм поиска строится на выборе метрики, вычисляемой между предложенными числовыми описаниями искомого и хранимого в базе данных изображений.

3. Предложены методики с учетом числовых описаний изображений, которые позволяют осуществить поиск, используя не только преимущества фрактального метода, но и вейвлетного, сочетая их определенным образом. Полученные числовые описания на основе метода фрактального кодирования позволяют учитывать взаимоотношения между фрагментами изображения, что обеспечивает получение точных результатов при сравнении. Комбинирование фрактального кодирования и вейвлет-преобразования дает возможность выделить информацию об изображении, зависящую от масштаба, что позволяет уменьшить время поиска.

4. Разработаны алгоритмы поиска изображения на основе методик, использующих фрактальное кодирование, а также сочетание вейвлет-преобразования и фрактального подхода. На основе разработанных алгоритмов создана система поиска изображений с учетом диаграммы последовательности, концептуальной модели и богатых возможностей фрактальных и вейвлетных методов. Система реализована с помощью среды программирования Turbo Delphi, пакета Matlab и СУБД MS Access и дает возможность находить изображения, содержащиеся в базе данных в виде коэффициентов, по изображению-образцу.

5. Предложена методика оценки эффективности поиска изображений с помощью которой проведен выбор параметров фрактального кодирования и вейвлет-функций. Выявлено, что оптимальным является использование максимальной глубины квадродерева равной 6. Экспериментально подтвержден выбор вейвлет-функции Хаара, использующейся при комбинированном подходе. Проведен анализ результатов поиска изображений, полученных с помощью разработанной системы с учетом модификаций изображений, который показал, что используя фракталы, изображение будет найдено, если система покажет более 37,5% совпадений, а для комбинированного подхода — более 35,2%.

6. Предложен критерий эффективности для оценки методов поиска на основе анализа массива индексов с учетом количества совпавших разбиений, общего количества веток и времени, затраченного на поиск, который показал, что несмотря на наибольшее время поиска изображений по сравнению с вейвлет-ным подходом при комбинированном подходе (около 2%) и при фрактальном подходе (около 6%), качество поиска оказывается выше, соответственно, на 16% и 10%.

7. Разработанная система поиска изображения по изображению-образцу используется в Мордовском республиканском музее изобразительных искусств им. С. Д. Эрьзи. Она содержит базу данных изображений, которая постоянно модифицируется и пополняется новыми данными сотрудниками музея с помощью удобного интерфейса пользователя.

Результаты, полученные в ходе проведенного исследования, используют математические основы и открывают новые возможности для их применения в различных современных приложениях.

Использование представленных в диссертации возможностей поиска изображений методами, основанными на фрактальном кодировании и комбинированном подходе, а также поиска по ключевым словам дают возможность применять эти исследования для поиска картин из коллекции изображений Мордовского республиканского музея изобразительных искусств им. С. Д. Эрьзи и оперативно получать подробную информацию о найденной картине, о чем свидетельствует акт о внедрении результатов кандидатской диссертационной работы (приложение Н).

Показать весь текст

Список литературы

  1. , С. К. Мера содержания фона на основе энтропии для поиска и сортировки изображений в базах данных / С. К. Абрамов, В. В. Лукин, Н. Н. Пономаренко // Радиоэлектронные и компьютерные системы, 2007. — № 2 (21). — С. 24−28.
  2. К. А. Обработка сигналов и изображенийУWavelet Toolbox, 2003. Электронный ресурс.: (с изм. и доп.). — Режим доступа: http://vmw.nsu.ru/matlabMatLabJRU/wavelet/index.asp.htm.
  3. , А. Я. Программирование в Delphi 7 / А. Я. Архангельский. М.: ООО «Бином-Пресс», 2003. — 1152 с.
  4. , А.Е. Методы цифровой обработки изображений : учеб. пособие / А. Е. Архипов, С В. Дегтярев, С. Садыков. Курск: Курск ГКТУ, 2002. -118 с.
  5. , Г. Хранилища с контентной адресацией // PC Week/RE, 2006. № 541. Электронный ресурс.: (с изм. и доп.). — Режим доступа: http://www.pcweek.ru/themes/detail.php?II≥73 040
  6. , В. Обнаружение и локализация лица на изображении. Электронный ресурс.: (с изм. и доп.). Режим доступа: http://www.ict.edu.ru/ft/2 403/num2face.pdf.
  7. Графические поисковики, 2009 г. Электронный ресурс.: (с изм. и доп.). — Режим доступа: http://similar-images.googlelabs.com/.
  8. , Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. -М.: Техносфера, 2006. -1072 с.
  9. ГОСТ 6.10.1 -88.Унифицированные системы документации: Основные положения Текст.: Изд.офиц. Введен 01.07.89. — М.: Изд-во стандартов, 1991. — 13 с.- 21 см.
  10. , И. М. Математическая модель одного класса поисковых систем / И. М. Гостев, А. В. Мирошкин // Вестник РУДН, серия «Прикладная икомпьютерная математика», 2004. Т. З, № 1. — С. 93−98.
  11. , И. М. О методах распознавания графических образов / И. М. Гостев//Изв. РАН ТиСУ.-№ 1.-2004-С. 138−144.
  12. , В. Э. Работа с базами данных в Delphi / В. Э. Гофман, А. Д. Хоманенко. СПб.: БХВ-Петербург, 2001. — 656 е., ил.
  13. , В.Т. Введение в нелинейную динамику. Хаос и фракталы / В. Т. Гринченко, В. Т. Мацыпура, А. А. Снарский. 2-е изд.- :ЛКИ, 2007с. -264 с.
  14. , К. Д. Введение в системы баз данных / К. Д. Дейт. — М: Вильяме, 2006. -1328 с.
  15. , Д. Распространение понятий и технологий юзабилити // Юзабилити Бюллетень, 2007. Выпуск № 24. Электронный ресурс.: (с изм. и доп.). — Режим доступа: http://www.usabilityprofessionals.ru /UsabilityBulletin-24.aspx?EntryID=769
  16. , И. Десять лекций по вейвлетам / И. Добеши. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. — 464 с.
  17. Елманова, Н. Delphi 6 и технология СОМ / Н. Елманова, С. Трепалин, А. Тенцер. Питер, 2002. — 617 с.
  18. , Н. Е. Показатели сопряженности и мультиколлинеарности в задачах анализа и распознавания изображений : Дис.. канд. техн. наук. Самара, 2009.-113 с.
  19. , И. В. Эффективные способы и средства описания изображений в задачах распознавания : Дисканд. техн. наук. Москва, 2006. -138 с.
  20. Линейный Дискриминантный Анализ. Цифровая библиотека лаборатории компьютерной графики и мультимедиа при факультете ВМиК МГУ, 2003−03−19. Электронный ресурс.: (с изм. и доп.). Режим доступа: http://libraiy.graphicon.ru/catalog/l 84/.
  21. , Б. Фрактальная геометрия природы / Б. Мандельборт. -М.: Институт компьютерных исследований, 2002. — 656 с.
  22. Метод опорных векторов. Цифровая библиотека лаборатории компьютерной графики и мультимедиа при факультете ВМиК МГУ, 2003−03−19. Электронный ресурс.: (с изм. и доп.). Режим доступа: http://library.graphicon.ru/catalog/26/.
  23. , А.Д. Введение в теорию фракталов / А. Д. Морозов. Москва-Ижевск: Институт компьютерных исследований, 2002. — 160 с.
  24. , А. В. Эффективные алгоритмы, основанные на вычислении оценок, с прямоугольными опорными множествами, для задач распознавания изображений : Дис. канд. физ.-мат. наук. Москва, 2005. -132 с.
  25. , С. Технологии разработки программного обеспечения: учеб. пособие / С. Орлов. СПб.: Питер, 2003. — 480 с.
  26. Поисковая система компании Recogmission LLC, 2009, Электронный ресурс.: (с изм. и доп.). Режим доступа: http://www.picollator.ru/.
  27. , Л.Р. Скрытые марковские модели и их применение в избранных приложениях при распознавании речи: Обзор / Л. Р. Рабинер // Труды ИИ-ЭР, 1989. т. 77, Номер 2. — С. 86−120.
  28. Рой, А. В. Биометрический поиск информации в базе данных изображений, основанный на стохастической геометрии: Дис.. канд. техн. наук. Пенза, 2008. 188 с.
  29. , А. В. Разработка системы хранения растрового изображения / А. В. Савкина, Э. Э. Александров // XXXIV Огаревские чтения: материалы научн. конф.: в 2 ч. — Ч. 2: Естественные и технические науки. Саранск: Изд-воМордов. ун-та, 2006. -С. 237−238.
  30. , А. В. Система поиска изображений по изображению-образцу, методом вейвлет-преобразований, фрактального кодирования и смешанного подхода / A.B. Савкина // Свидетельство об официальной регистрации программы для ЭВМ 2 009 616 350 от 11 января 2010 г.
  31. , А. В., Система поиска изображений по изображению-образцу методом фрактального кодирования / А. В. Савкина, Э. Э Александров., П. В. Чадин. — Свидетельство об официальной регистрации программы для ЭВМ 2 006 614 087 от 29 ноября 2006 г.
  32. , А. В.Система хранения и поиска изображений по изображению-запросу методом вейвлет-преобразований / А. В. Савкина, Э. Э. Александров. -Свидетельство об официальной регистрации программы для ЭВМ 2 006 614 088 от 29 ноября 2006 г.
  33. , С. С. Некоторые подходы к скелетизации полутоновых изображений / С. С. Садыков, A. JI. Жизняков, С. П. Серков // Компьютерные технологии обработки и анализа данных. — Ташкент: НПО «Кибернетика» АН РУз, 2000.
  34. Э. Вейвлеты в компьютерной графике / Э. Столниц, Т. ДеРо-уз, Д. Салезин. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2002. — 272 с.
  35. , И. П. Алгоритмическое и программное обеспечение мультипроцессорных систем для распознавания графических образов на основе ней-росетевого подхода : Дис.. канд. техн. наук. Переславль-Залесский, 2009. — 114 с.
  36. , С. Фракталы и вейвлеты для сжатия изображений в действии: учебн. пособие / С. Уэлстид. М.: Триумф, 2003. — 320 с.
  37. , Н. Г. Методы стохастической геометрии в распознавании образов / Н. Г. Федотов. М.: Радио и связь, 1990. — 144 с.
  38. Факторный анализ. Цифровая библиотека лаборатории компьютернойграфики и мультимедиа при факультете ВМиК МГУ, 2003−03−19. Электронный ресурс.: (с изм. и доп.). Режим доступа: http://library.graphicon.ru/catalog/217/.
  39. , В. С. Опознавание изображений (основы непрерывно-групповой теории и ее приложение) / В. С. Файн. М.: Наука, 1970. — 299 с.
  40. Aiello, M. Fast convergence for spectral clustering / M. Aiello, F. An-dreozzi, E. Catanzariti, F. Isgro, M. Santoro // 14th International Conference on Image Analysis and Processing (ICIAP 2007), 2007. pp. 641−646.
  41. Andronache, A. Non-rigid registration of multi-modal images using both mutual information and crosscorrelation / A. Andronache, M. von Siebenthal, G. Szekely, P. Cattin // Medical Image Analysis, 2008. vol. 12(1). — pp. 3−15.
  42. Asgari, S. Wavelet-Based Fractal Transforms for Image Coding with No Search / S. Asgari, T. Q. Nguyen, W. A. Sethares // IEEE International Conference on Image Processing, (ICIP97), 1997. pp. 302−305.
  43. Baeza-Yates, R. Modern Information Retrieval / R. Baeza-Yates, B. Ribe-rio-Neto. New York: Addison-Wesley, 1999. — 513 p.
  44. Baluja, S. Finding Images and Line Drawings in Document-Scanning Systems / Shumeet Baluja, Michele Covell // Proc. International Conference on Document Analysis and Retrieval, 2009.
  45. Barnard, K. Learning the Semantics of Words and Pictures / K. Barnard, D. Forsyth // International Conference on Computer Vision, 2001. pp. 408−415.
  46. Barnard, K. Matching words and pictures / Kobus Barnard, Pinar Duygulu, David Forsyth, Nando de Freitas, David M. Blei, Michael I. Jordan // The Journal of Machine Learning Research, 2003. vol 3. — pp. 1107−1135.
  47. Barnsley, M. Fractals Everywhere / M. Barnsley. Boston: Academic Press, 1988. — 396 p.
  48. Chapelle, O. Support vector for histogram-based image classification / O. Chapelle, P. Haffiier, V. Vapnik // IEEE transactions on Neural Networks, 1999. -vol. 10(5). — pp. 1055−1065.
  49. Davis, G. Implicit Image Models in Fractal Images Compression / G. Davis // Proceedings of SPIE Conference on Wavelet Applications in Signal and Image Processing IV. Denver, 1996. — vol. 2569. — pp. 88−97.
  50. Davis, G. Wavelet-based Analysis Of Fractal Image Compression / G. Davis // IEEE Transactions on Image Processing, 1998. vol. 7, no. 2. — pp. 141−154.
  51. Davis, G. Wavelet-based Image Coding: An Overview / G. Davis, A. No-sratinia // Applied and Computational Control, Signals, and Cercuits, 1998. vol. 1, no. l.-pp. 25−48.
  52. De Bonet, J. S. Texture Recognition Using a Non-parametric Multi-Scale Statistical Model / J. S. De Bonet, P. Viola // Proceedings IEEE Conference on Computer Vision and Pattern Recognition, 1998. pp. 641−647.
  53. Eakins, J. P. Similarity retrieval of trademark images / J. P. Eakins, J. M. Boardman, M. E. Graham // IEEE Multimedia, 1998. vol. 5, no. 2. — pp. 53−63.
  54. Edwards, G. J. Interpreting Face Images using Active Appearance Models / G. J. Edwards, C. J. Taylor, T. F. Cootes // 3rd International Conference on Automatic on Face and Gesture Recognition, 1998. pp. 300−305.
  55. Falconer, K.J. Fractal Geometry: Mathematical Foundations and Applications / K. J. Falconer. New York: J. Wiley&Sons, 1990. -288 p.
  56. Fisher, Y. Fractal Image Compression / Y. Fisher. New York: SpringerVerlag, 1995.-345c.
  57. Forsyth, D. Computer vision-ECCV 2008: 10th European Conference on Computer Vision / David Forsyth, Philip H. S. Torr, Andrew Zisserman. Marseille, France, 2008. — 801 p.
  58. Hacid, H. Content-based retrieval in large image databases / H. Hacid, D. A. Zighed // Proc. of International Conference on Granular Computing, 2006. pp. 498−501.
  59. Hebert, D. Fast Fractal Image Compression with Triangulation Wavelets / D. Hebert, E. Soundararajan // Proceedings of SPIE Conference on Wavelet Applications in Signal and Image Processing VI. San Diego, 1998. — pp. 747−750.
  60. Heisele, B. A Component-based Framework for Face Detection and Identification / Bernd Heisele, Thomas Serre, Tomaso Poggio // International Journal of Computer Vision, 2007. vol. 74(2). — pp. 167−181.
  61. Hjelmas, E. Face detection: A survey / E. Hjelmas, B. K. Low // Journal of Computer Vision and Image Understanding, 2001. vol. 83. — pp. 236−274.
  62. Holt, B. Query by Image Content, the QBIC Project’s Applications at Davis’s Art and Art History Departments / B. Holt, L. Hartwick, S. Vetter // Visual Resources Association Journal, 1995. vol. 22, no. 2. — pp. 61−65.
  63. Huang, J. Image Indexing Using Color Correlograms Computer Vision and Pattern Recognition / J. Huang, S. R. Kumar, M. Mitra, W. Zhu, R- Zabih,// IEEE Computer Society Conference, 1997. p. 762.
  64. Huang, J. An Automatic Hierarchical Image Classification Scheme / J. Huang, S. R. Kumar, R. Zabih // Proceedings of the Sixth ACM International Conference on Multimedia. Bristol, United Kingdom, 1998. — pp. 219−228.
  65. Jacobs, C. Fast multiresolution image querying / C. Jacobs, A. Finkelstein,
  66. D. Salesin I I Proc SIGGRAPH-95,1995. pp. 277−285.
  67. Jolliffe, I. T. Principal Component Analysis, Series: Springer Series in Statistics /1. T. Jolliffe. 2nd ed. — New York: Springer Verlag, 2002. — 487 p.
  68. Juell, P. A hierarchical neural network for human face detection / P. Juell, R. Marsh // Pattern Recognition, 1996. vol. 29, no. 5. — pp. 781−787.
  69. Kato, T. A Cognitive Approach to Visual Interaction / T. Kato, T. Kurita, H. Shimogaki, T. Mizutori, K. Fujimura // Proceedings of the International Conference on Multimedia Information Systems. Singapore: McGraw Hill Book Co, 1991.-pp. 109−120.
  70. Keen, L. Julia sets / L. Keen // Chaos and Fractals: The Mathematics Behind the Computer Graphics. -American Mathematical Society, Providence, 1989. -pp. 57−74.
  71. Kotropoulos C. Rule-Based Face Detection in Frontal Views / C. Kotro-poulos, I. Pitas // Proc. Int’l Conf. Acoustics, Speech and Signal Processing, 1997. -vol. 4.-pp. 2537−2540.
  72. Lauwerier, H.A. Fractals images of chaos / H.A. Lauwerier. — London: Penguin Books, 1991. — 209 p.
  73. Lin, S.-H. Face recognition/detection by probabilistic decision-based neural network / S.-H. Lin, S.-Y. Kung, L.-J. Lin // IEEE Transactions on Neural Networks 8,1997.-pp. 114−132.
  74. Lipson, P. Configuration based scene classification and image indexing / P. Lipson, E. Grimson, P. Sinha//CVPR'97, Puerto Rico, 1997.-pp. 1007−1013.
  75. Malik, J. Preattentive texture discrimination with early vision mechanisms / Jitendra Malik, Pietro Perona // Journal of the Optical Society of America, 1990.vol. 7, no. 5. pp. 923−932.
  76. Ogle, V. E. Chabot: retrieval from a relational database of images / V. E. Ogle, M. Stonebraker // IEEE Computer, 1995. vol. 28(9). — pp. 40−48.
  77. Pass, G. Comparing Images Using Joint Histograms / G. Pass, R. Zabih // Multimedia Systems, 1999.- vol. 7.-pp. 234−240.
  78. Pentland, A. Photobook: content-based manipulation of image databases / A. Pentland, R. W. Picard, S. Sclaroff // International Journal of Computer Vision, 1996. vol. 18(3)/ - pp. 233- 254.
  79. Popescu, D. A Nonlinear Model for Fractal Image Coding / D. Popescu, A. Dimca, H. Yan // IEEE Transactions on Image Processing, 1997. vol. 6, no. 3. — pp. 373−382.
  80. Reverse Image Search, 6 мая 2008 г. Электронный ресурс.: (с изм. и доп.). — Режим доступа: http://www.tineye.com/.
  81. Rowley, H. A. Neural network-based face detection / H. A. Rowley, S. Baluja, T. Kanade // IEEE Transactions on Pattern Analysis and Machine Intelligence 20,1998.-pp. 23−38.
  82. Rubner, Y. A metric for distributions with applications to image databases / Y. Rubner, C. Tomasi, L. Guibas // Proceedings of the IEEE International Conference on Computer Vision, 1998. pp. 59−66.
  83. Sakai, T. Line Extraction and Pattern Detection in a Photograph / T. Sa-kai, M. Nagao, S. Fujibayashi // Pattern Recognition, 1969. vol. 1. — pp. 233−248.
  84. Smith, J.R. VisualSEEk: A Fully Automated Content-Based Image Query System / J. R. Smith, S. F. Chang // ACM Multimedia Conference. Boston, 1996.-pp. 87−98.
  85. Sung, К. K. Example-Based Learning for View-Based Human Face Detection / Kah Kay Sung, Tomaso Poggio // IEEE Transactions on Pattern Analysis and Machine Intelligence. vol. 20(1), 1998. — pp. 39−51.
  86. Swain, M. Color Indexing / M. Swain, D. Ballard // International Journal of Computer Vision, 1991. vol. 7. — pp. 11−32.
  87. Vailaya, A. Image classification for content-based indexing / A. Vailaya, M. Figueiredo, A. K. Jain, H.-J. Zhang // IEEE Transactions on Image Processing, 2001.-vol. 10.-pp. 117−130.
  88. Warren, J. Binary subdivision schemes for functions over irregular knot se guences / J. Warren // Mathematical Methods in Computer Aided Geometric Design III. San Diego, Academic Press, 1995. — pp. 543−562.
  89. Wei-Ying Ma, B. S. Manjunath: Texture-Based Pattern Retrieval from Image Databases / B. S. Wei-Ying Ma // Multimedia Tools Appl, 1996. vol. 2(1). -pp. 35−51.
  90. Wei-Ying Ma, B. S. NETRA: A Toolbox for Navigating Large Image Databases / B. S. Wei-Ying Ma // Multimedia System, 1997. pp 184−198.
  91. Yang, G. Human Face Detection in Complex Background / G. Yang, T. S. Huang // Pattern Recognition, 1994. vol. 27, no. 1. — pp. 53−63.
  92. Yang, M. H. Detecting faces in images: A survey / M. H. Yang, D. J. Kriegman, N. Ahuja // IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002. vol. 24, no. 1. — pp. 34−58.
  93. Zhou, Z.-H. Queiy-sensitive similarity measure for content-based image retrieval / Z.-H. Zhou, H.-B. Dai // Proceedings of International conference on Data Mining, 2006. -pp. 1211−1215.
Заполнить форму текущей работой

На отлично!