Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (11.2014) : ОБЪЕКТНО-НЕЗАВИСИМЫЙ СТРУКТУРНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ: ИСТОРИЯ И СОВРЕМЕННЫЕ ПОДХОДЫ

ОБЪЕКТНО-НЕЗАВИСИМЫЙ СТРУКТУРНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ: ИСТОРИЯ И СОВРЕМЕННЫЕ ПОДХОДЫ

ОБЪЕКТНО-НЕЗАВИСИМЫЙ СТРУКТУРНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ: ИСТОРИЯ И СОВРЕМЕННЫЕ ПОДХОДЫ

© 2014 г. В. Р. Луцив*,**, доктор техн. наук; Р. О. Малашин*,**, аспирант

*    Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, Санкт-Петербург;

**  Государственный оптический институт им. С.И. Вавилова, Санкт-Петербург

Е-mail: vluciv@mail.ru

Рассмотрена история возникновения и развития структурного анализа изображений. Для каждого из исторических этапов проанализированы характерные недостатки и преимущества применяемых структурных методов и предпосылки для их совершенствования. Материал завершается описанием особенностей организации и возможностей наиболее совершенных современных алгоритмов структурного анализа и рассмотрением направлений их дальнейшего улучшения.

Ключевые слова: сопоставление изображений, классификация изображений, структурное описание, структурный элемент, структурный анализ.

Коды OCIS: 100.2960, 100.3005, 100.3008, 100.5010, 110.2960, 150.1135

УДК 004.93'1:004.932.2

Поступила в редакцию 23.06.2014.

 

ЛИТЕРАТУРА

1. Тайдзо И., Фудзицу к.к. Устройство для распознавания изображений // Патент Японии № 56-33747. 1973.

2. Hajime industries, Ltd. Pattern discrimination method // Заявка Великобритании № 2035645. Abstracts. 1980. № 4766.

3. Луцив В. Автоматический анализ изображений. Объектно-независимый структурный подход. Саарбрюккен, Германия: Ламберт Академик Паблишинг, 2011. 300 с.

4. Casasent D., Furman A. Sources of correlation degradation // Applied Optics. 1977. V. 16. № 6. P. 1652–1661.

5. Кейсесент Д. Оптическое когерентное распознавание образов // ТИИЭР. 1979. Т. 67. № 5. С. 131–148.

6. Casasent D., Psaltis D. Deformation-invariant, space-variant optical pattern recognition // Progress in Optics. 1978. V. XVI. P. 291–356.

7. Chen Q., Defrise M., Deconinck F. Symmetric phase-only matched filtering of Fourier-Mellin transforms for image registration and recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1994. V. 16. № 12. Р. 1156–1167.

8. Ту Дж., Гонсалес Р. Принципы распознавания образов. Пер. с англ. / Под ред. Журавлева Ю.И. М.: Мир, 1978. 411 с.

9. Чавчанидзе В.В. Способ классификации объектов по N признакам // Патент СССР № 596979. 1978.

10. Агаджаян Ж.М. Устройство для считывания и распознавания изображений микрообъектов // Патент СССР № 898466. 1982.

11. Коге гидзюцу инте. Схема идентификации контурной информации // Заявка Японии № 56-27913. Токке Кохо. 1981. № 6-698.

12. Ниппон дэнки к.к. Устройство для распознавания изображений // Заявка Японии № 57-21750. Токке Кохо. 1982. № 6-544.

13. Коге гидзюцу инте. Способ выделения характерных признаков линий изображения // Заявка Японии № 56-15544. Токке Кохо. 1981. № 6-389.

14. Maitra S. Moment invariants // Proc. IEEE. 1979. V. 67. № 4. P. 697–699.

15. Hu M.-K. Visual pattern recognition by moment invariants // IRE Trans. on Information Theory. 1962. V. IT-8. P. 179–187.

16. Жеребко А.К., Луцив В.Р. Согласованная фильтрация в естественных и искусственных нейронных сетях // Оптический журнал. 1999. Т. 66. № 9. С. 69–72.

17. Синдзи Я., Хитати сейсакусе к.к. Устройство распознавания изображений посредством их пофрагментного сравнения с эталонами // Заявка Японии № 53-17021. Токке Кохо. 1978. № 47-47204.

18. Kashioka S., Eijri M., Mese M., Miyatake T., Hitachi Ltd. Pattern position detecting system // Патент США № 4091394. 1978.

19. Calspan corporation. Fingerprint identification method and apparatus // Заявка Великобритании № 1577797. Abridgments. 1980. № 4779.

20. Schroeder E.N., Lexington K. Adaptive alignment for pattern recognition system // Патент США № 4204193. 1980.

21. Fukushima K. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position // Biological Cybernetics. 1980. V. 36. № 4. P. 93–202.

22. Розенблатт Ф. Принципы нейродинамики (перцептрон и теория механизмов мозга). М.: Мир, 1965. 480 с.

23. Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representations by error propagation // Parallel Distributed Processing. 1986. V. 1. P. 318–362.

24. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. 1986. V. 323. P. 533.

25. Casasent D.P., Barnard E. Adaptive clustering optical neural net // Applied Optics. 1990. V. 29. № 17. P. 2603–2615.

26. Farr K.B., Hartman R.L. Optical-digital neural network system for aided target recognition // Proc. SPIE. 1995. V. 2485. P. 141–154.

27. McAulay A., Kadar I. Image compression and automatic target recognition // Proc. SPIE. 1989. V. 1099. P. 74–82.

28. Yamada K., Kami H., Tsukumo J., Temma T. Handwritten numeral recognition by multilayered neural network with improved learning algorithm // IJCNN Intern. Joint Conf. on Neural Networks. USA. D.C., 1989. P. II-259–II-266.

29. Yamada K. Improved learning algorithm for multilayer neural networks and handwritten numeral recognition // NEC Research and Development. 1990. July. № 98. P. 81–88.

30. Fukushima K. Neural network model for selective attention in visual pattern recognition and associative recall // Applied optics. 1987. V. 26. № 23. P. 4985–4992.

31. Фу К. Структурные методы распознавания образов. Пер. с англ. / Под ред. Айзермана М.А. М.: Мир, 1977. 319 с.

32. Интегральные роботы // Сборник статей. Вып. 1. Пер. с англ. / Под ред. Поздняка. Г.Е. М.: Мир, 1973. 421 с.

33. Интегральные роботы // Сборник статей. Вып. 2. Пер. с англ. / Под ред. Поздняка. Г.Е. М.: Мир, 1975. 449 с.

34. Гренандер У. Синтез образов // Лекции по теории образов. Т. 1. Пер. с англ. / Под ред. Журавлева Ю.И. М.: Мир, 1979. 384 с.

35. Гренандер У. Анализ образов // Лекции по теории образов. Т. 2. Пер. с англ. / Под ред. Журавлева Ю.И. М.: Мир, 1981. 448 с.

36. Corby N.R., Mundy J.L., Vrobel P.A. An environment for intelligence analysis // Proceedings: 18th Image Understanding Workshop. 1988. 6–8 April. Cambridge, Massachusetts, USA. P. 342–350.

37. Fisher M.A., Bolles R.C. Image understanding research at SRI international // Proceedings: 18th Image Understanding Workshop. 1988. 6–8 April. Cambridge, Massachusetts, USA. P. 53–61.

38. Lawton D.T., Levitt T.S., Gelband P. Knowledge based vision for terrestrial robots // Proceedings: 18th Image Understanding Workshop. 1988. 6–8 April. Cambridge, Massachusetts, USA. P. 103–110.

39. Степанов А.А. Развитие искусственного интеллекта в Западной Европе и США // Новости зарубежной науки и техники. Системы авиационного вооружения. 1990. № 15. С. 26–30.

40. Matsuyama T. Expert systems for image processing: Knowledge based composition of image analysis processes // Computer vision, graphics and image processing. 1989. V. 48. Is. 1. P. 22–49.

41. Dijk J., van Eekeren A.W.M., Rojas O.R., Burghouts G.J., Shutte K. Image processing in aerial surveillance and reconnaissance: from pixels to understanding // Proc. SPIE. 2013. V. 8897. P. 88970A-1–88970A-17.

42. Bourma H., Dekker R.J., Shoemaker R.M., Mohamoud A.A. Segmentation and wake removal of seafaring vessels in optical satellite images // Proc. SPIE. 2013. V. 8897. P. 88970B-1–88970B-11.

43. Beech E. Sight Unseen // Flight International. 2 February. 1989. V. 135. № 4151. P. 34–35.

44. Бочкарев А.М., Почуев С.И. Экспертные системы – электронные консультанты летчика (современное состояние проблемы, перспективы) // Зарубежная радиоэлектроника. 1989. № 10. С. 42–51.

45. Ergul M., Alatan A.A. An automatic geo-spatial object recognition algorithm for high resolution satellite images // Proc. SPIE. 2013. V. 8897. P. 88970J-1–88970J-9.

46. McKeown D.M., Wilson Jr., Harvey A., Ewixon L. Automating knowledge acquisition for aerial image interpretation // Computer vision, graphics and image processing. 1989. V. 46. № 1. P. 37–81.

47. Fisher M.A., Strax T.M. Recognizing objects in a natural environment: a contextual vision system (CVS) // DARPA image understanding workshop. May 23–26. 1989. Palo Alto, California, USA. P. 774.

48. De Catrel J.M., Surdu J.R. Practical recognition of armored vehicles in FLIR // Proc. SPIE. 1995. V. 2485. P. 200–208.

49. Ponteau B. Vector-to-raster change detection for property assessment // Earth observation magazine. 2005. V. 14. Is. 1. P. 10–13.

50. Shackelford A.K., Davis C.H. Automated processing of high resolution satellite imagery for feature extraction and mapping of urban areas // Earth observation magazine. 2005. V. 14. Is. 1. P. 17–19.

51. Murillo A.S., Guerrero J.J., Sagüés C. SURF features for efficient robot localization with omnidirectional images // IEEE international conference on robotics and automation. 2007. April. Rome, Italy. P. 3901–3907.

52. Jeong W.Y., Lee K.M. Visual SLAM with line and corner features // Intelligent Robots and Systems. IEEE/RSJ International Conference. 9–15 October. 2006. Beijing, China. P. 2570–2575.

53. Huertas A., Cole W. and Nevatia R. Detecting runways in aerial images // Proceedings of Sixth International Conference on Artificial Intelligence AAAI-87. 1987. July 13–17. Seattle, Washington, USA. P. 712–717.

54. Nevatia R., Lin C., Huertas A. A system for building detection from aerial images // Automatic extraction of man-made objects from aerial and space images. Basel: Birkhaser Verlag, 1997. P. 77–86.

55. Lutsiv V.R., Dolinov D.S., Zherebko A.K., Novikova T.A. Using artificial neural networks in image processing problems // J. optical technology. 1997. V. 64. № 2. P. 112–118.

56. Lutsiv V.R., Malyshev I.A., Pepelka V.A. Automatic fusion of the multiple sensor and multiple season images // Proc. SPIE. 2001. V. 4380. P. 174–183.

57. Lutsiv. V.R., Malyshev I.A., Pepelka V.A., Potapov A.S. The target independent algorithms for description and structural matching of aerospace photographs // Proc. SPIE. 2002. V. 4741. P. 351–362.

58. Lutsiv. V.R., Malyshev I.A., Potapov A.S. Hierarchical structural matching algorithms for registration of aerospace images // Proc. SPIE. 2003. V. 5238. P. 164–175.

59. Луцив В.Р., Лапина Н.Н., Малышев И.А., Потапов А.С. Особенности сопоставления изображений в задачах определения местоположения мобильного робота // Оптический журнал. 2010. Т. 77. № 11. C. 25–34.

60. Lutsiv V., Potapov A., Novikova T., Lapina N. Hierarchical 3D structural matching in the aerospace photographs and indoor scenes // Proc. SPIE. 2005. V. 5807. P. 455–466.

61. Lutsiv V.R., Andreev V.S., Gubkin A.F., Iljashenko A.S., Kadykov A.B., Lapina N.N., Malyshev I.A., Novikova T.A., Potapov A.S. Algorithms for automatically processing and analyzing aerospace pictures // J. optical technology. 2007. V. 74. № 5. P. 307–322.

62. Луцив В.Р. Объектно-независимый подход к структурному анализу изображений // Оптический журнал. 2008. Т. 75. № 11. С. 26–34.

63. Lutsiv V., Malyshev I. Image structural analysis in the tasks of automatic navigation of unmanned vehicles and inspection of Earth surface // Proc. SPIE. 2013. V. 8897. P. 88970F-1–88970F-15.

64. Potapov A.S., Gamayunova O.S. Information criterion for constructing the hierarchical structural representations of images // Proc. SPIE. 2005. V. 5807. P. 443–454.

65. Potapov A.S. Comparative analysis of structural representations of images based on the principle of representational minimum description length // J. Opt. Techn. 2008. V. 75. № 11. P. 715–720.

66. Lowe D.G. Distinctive image features from scale-invariant keypoints // Int. J. Computer Vision. 2004. V. 60. № 2. P. 91–110.

67. Bay H., Tuytelaars T., Van Gool L. SURF: Speeded Up Robust Features // Proc. 9th European Conf. on Computer Vision. 2006. May 7–13. Graz, Austria. P. 404–417.

68. Rudinac M., Lenseigne B., Jonker P. Keypoint extraction and selection for object recognition // Proceedings of MVA2009IAPR Conference on Machine Vision Applications. 2009. May 20–22. Yokohama, Japan. P. 191–194.

69. Qui J., Huang T., Huang Y., Ikenaga T. A hardware accelerator with variable pixel representation & skip mode prediction for feature point detection. Part of SIFT algorithm // Proceedings of MVA2009IAPR Conference on Machine Vision Applications. 2009. May 20–22. Yokohama, Japan. P. 239–242.

70. Choi S.W., Yoon J.S., Redkov V., Son H.S., Na S.I., Kim Y.G., Lee S.S., Baek S.M., Potapov A., Choi Y.J., Yi D.H., Lee J.H., Kim Y.B., Lutsiv V. Apparatus and method for detecting rotation-invariant features for localization of a mobile robot // Patent of Korea №KR20110009547. 2011.

71. Луцив В.Р., Малышев И.А. Автоматический анализ и сопоставление изображений в задачах навигации беспилотных аппаратов и мониторинга земной поверхности // Труды Юбилейной Всероссийской Научно-Технической Конференции “Моделирование Авиационных Систем”. 2011. 12–14 апреля. Москва. С. 197–206.

72. Ascani A., Frontoni E., Mancini A., Zingaretti P. Feature group matching for appearance-based localization // IEEE/RSJ International Conference on Intelligent Robots and Systems. 2008. Sept. 22–26. Nice, France. P. 3933–3938.

73. Casetti A., Frontoni E., Mancini A., Ascani A., Zingaretti P., Longhi S. A visual global positioning system for unmanned aerial vehicles used in photogrammetric applications // J. Intelligent Robot Systems. 2011. V. 61. P. 157–168.

74. Harris C., Stephens M. A combined corner and edge detector // Proceedings of the 4-th Alvey Vision Conference. 1988. Manchester, UK. P. 147–151.

75. Mikolajczyk K., Schmid C. Scale & affine invariant interest point detectors // Intern. J. Computer Vision. 2004. V. 60. Is. 1. P. 63–86.

76. Van de S. Koen E.A., Gevers T., Snoek C.G.M. Evaluating color descriptors for object and scene recognition // IEEE transactions on pattern analysis and machine intelligence. 2010. V. 32. № 9. P. 1582–1596.

77. Lindeberg T., Garding J. Shape-adapted smoothing in estimation of 3D shape cues from affine deformations of local 2D brightness structure // Image and Vision Computing. 1997. V. 15. № 6. P. 415–434.

78. Kadir T., Zisserman A., Brady M. An affine invariant salient region detector // Proceedings of the 8-th European Conference on Computer Vision. 2004. Prague, Czech Republic. P. 404–416.

79. Tuytelaars T., Van Gool L. Matching widely separated views based on affine invariant regions // Intern. J. Computer Vision. 2004. V. 59. Is. 1. P. 61–85.

80. Matas J., Chum O., Urban M., Pajdla T. Robust wide baseline stereo from maximally stable extremal regions // BMVC. 2002. P. 384–393.

81. Potapov A.S., Malyshev I.A., Puysha A.E., Averkin A.N. New paradigm of learnable computer vision algorithms based on representational MDL principle // Proc. SPIE. 2010. V. 7696. P. 769606-1–769606-11.

82. Morel J.M., Yu G. ASIFT: A new framework for fully affine invariant image comparison // SIAM J. Imaging Sciences. 2009. V. 2. Is. 2. P. 438–469.

83. Yu G., Morel J.M. A fully affine invariant image comparison method // Proc. IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP). 2009. Taipei, Taiwan. P. 1597–1600.

84. Peterson M.V. Clustering of a set of identified points on images of dynamic scenes, based on the principle of minimum description length // J. optical technology. 2010. V. 77. № 11. P. 701–706.

85. Viola P., Jones M.J. Rapid object detection using a boosted cascade of simple features // Proceedings of IEEE Computer Vision and Pattern Recognition Conference. 2001. 8–14 December. Kauai, HI, USA. P. I-501–I-518.

86. Dalal N., Triggs B. Histograms of oriented gradients for human detection // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2005. San Diego, CA, USA. P. 886–893.

87. Zhu Q., Avidan S., Yeh M., Cheng K. Fast human detection using a cascade of histograms of oriented gradients // Proceedings IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2006. N.Y., USA. V. 2. P. 1491–1498.

88. Felzenszwalb P.F., Girshick R.B., McAllester D., Ramanan D. Object detection with discriminatively trained part based models // IEEE Trans. Pattern Analysis and Machine Intelligence. 2010. V. 32. № 9. P. 1627–1645.

89. http://www.image-net.org (5 мая 2014 г.).

90. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // NIPS. 2012. P. 1106–1114.

 

 

Полный текст