CC BY
81
Розглянуто методику пошуку зобра-жень у базах даних за структурними коефщентами, що отриман агломера-тивним ieрархiчним триступеневим алгоритмом кластеризацИ образу. Розроблено архтектуру пакету прикладних програм для опрацювання вiзуальних образiв
Ключовi слова: вiзуальнi образи, кластеризация, пошук зображень на основi
гх вм^ту, структурш властивостi
□-□
Рассмотрена методика поиска изображений в базах данных по структурным коэффициентами, полученные агломера-тивним иерархическим трехступенчатый алгоритмом кластеризации образа. Разработана архитектура пакета прикладных программ для обработки визуальных образов
Ключевые слова: визуальные образы, кластеризация, поиск изображений на основе их содержимого, структурные свойства □-□
An approach to search images from a databases by structural features got from the three stages clustering algorithm is considered. Software packages architecture for visual pattern processing is developed
Key words: visual pattern, clustering, content-based image retrieval, structural properties
УДК 004.93'14
СИСТЕМА ПОШУКУ ЗОБРАЖЕНЬ НА ОСНОВ1 IX ВМ1СТУ З ВИКОРИСТАННЯМ 4-D СТРУКТУРНИХ ВЛАСТИВОСТЕй
Р.Б. Тушницький
Асистент
Кафедра "Програмне забезпечення" Нацюнальний уыверситет '^bBiBCb^ пол^ехшка" вул. С.Бандери, 12, M^bBiB, УкраТна, 79013 Контактний тел.: (032) 258-25-78 E-mail: ruslan4yk@lp.edu.uа
1. Вступ
Задачi шдексування та пошуку зображень на 0CH0Bi 1х вмшту (Content-based image retrieval CBIR) у великих сховищах даних i3 мшьйонами o6pa3iB е актуаль-ними в сучасних шформацшних системах. Ефективна класифжащя зображень зменшуе час опрацювання зображень ф^ьтруванням зайвих класiв образiв пiд час пошуку подiбних до них. На сьогодш такi задачi стають все бiльш актуальними у сферах розтзнавання образiв. Тому шнуе потреба у аналiзi принципово но-вих методiв декомпозицii та шдексування, що дозволить за видшеними характеристиками образу ефек-тивно здшснювати пошук у сучасних сховищах даних та iх розпiзнавати.
Внаслiдок невщповщност iснyючого математич-ного забезпечення сучасним потребам пошуку та об-робки образiв ввдсутш ефективнi програмнi засоби iндексyвання вiзyальних образiв, якi дають змогу розв'язати задачу пошуку образiв у реальному чась У зв'язку з цим виникла актуальна потреба у розробщ ефективних математичних моделей, вщповщних методiв обчислення й алгоритмiв, прикладного мате-
матичного та програмного забезпечення як складових системи автоматизованого шдексування та пошуку вiзуальних образiв.
2. Зв'язок висвгглено! проблеми iз науковими завданнями
Метою стати е розробка системи пошуку зображень на основi 4^ структурних властивостей у сховищах графiчних даних.
Наукова новизна стати полягае в розробщ: а) нового алгоритму триступенево! кластеризацп вiзуальних образiв, який дае змогу сформувати 4^ структурнi iнтегральнi та розподшеш властивостi зображення; б) архггектури СВ1Я-системи, яка враховуе розробленi методи та тдходи, а також специфжу пошуку у сучас-них сховищах даних.
Практична цшшсть статтi визначаеться можливiстю застосування розроблених математичного i програмного забезпечення iерархiчноi декомпозицii, iндексування, класифiкацii та аналiзу вiзуальних образiв для пошуку у сучасних сховищах графiчних
даних в реальному масштабi часу, що дало змогу ефек-тивно розв'язувати задачi опрацювання зображень.
3. Aналiз iснуючих систем пошуку зображень на 0CH0Bi IX BMiCTy
Роботи [1 - 9] мштять огляд сучасних CBIR-систем. Зокрема, в роботi [5] для кожно! системи розглянуто види властивостей зображень, що використовують для пошуку, процес формування запиту, етап порiвняння, шдексування та представлення результаив.
Бiльшiсть CBIR-систем е результатами дослщжень,
i пiдкреслюють один з аспекпв пошуку на основi вмiсту. Iнодi це можливiсть представлення результатiв у виглядi ескiзiв у користувацькому штерфей«, iнодi це використання ново! структури даних для шдексування. Деяю системи шнують у дослiдницьких, комерцiйних вериях та версiях для виробництва. Комерцшш версii, як правило, володiють б^ьш стан-дартними пошуковими можливостями. Деяю системи надають користувачевi штерфейс, який дае змогу бiльш гнучко формулювати запити.
Властивостi зображень, яю використовують сучаснi CBIR-системи класифiкують на властивоси низького рiвня (колiр, текстура, форма) та властивосп висо-кого рiвня (розташування та знаходження обличчя). Крiм цього, CBIR-системи можуть використовувати ключовi слова в якостi властивостей.
До сучасних комерцшних систем пошуку зображень за ключовими словами, графiчнi бази даних яких мктять сотнi тисяч образiв належать: Alipr [http:// www.alipr.com], AltaVista [http:// www.altavista.com/ sites/search/sima^], DeviantArt [http:// www.deviantart. com], Every Stock Photo [http:// www.everystockphoto. com], Flickr [http://www.flickr.com], Google images [http:// images.google.com], Inmagine [http://www.inmagine.com], Morgue File [http://www.morguefile.com], Photo laboratory [mhttp://www.photl.com], Photos.com [http://www.photos. com], Stock.xchng [http://www.sxc.hu], Stockvault [http:// www.stockvault.net], Yahoo!'s Image Surfer [http://isurf. yahoo.com] та ш.
Прикладами сучасних комерцiйних CBIR-систем, яю дозволяють знайти подiбнi зображення до кори-стувацького е наступнi: BYO Image Search Lab [http:// labs.ideeinc.com/uploadd], Gazopa Similar Image Search [http://gazopa.com], TinEye [http://www.tineye.com], SIMPLIcity [http://www.airliners.net], RetrievR [http:// labs.systemone.at/retrievr] та ш.
Наступш комерцшш CBIR-системи дозволяють знайти подiбнi зображення до вибрано- P = iPi го користувачем: Bing [http://www.bing.com], Flickr, Fragrantica [http://www.fragrantica.com], Google Similar Images [http://similar-images.googlelabs.com], Google Image Swirl [http://image-swirl.googlelabs.com], Incogna [http://www.incogna.com], Like.com [http://www. like.com], Live Image search (Live.com) [http://www.live. com/?scope=images], Terra Galleria Photography [http:// www.terragalleria.com], Tiltomo [http://www.tiltomo.com], Xcavator [http://www.xcavator.net] та ш.
Прикладами комерцшних CBI R-систем, як в якосп ознак використовують вмкт образу (обличчя, пейзаж, фото) або колiр, е наступш: Etsy [http://www.etsy.com/ color.php], Exalead [http://www.exalead.com], Face Search
[http://www.facesaerch.com], PicItUp [http://home.picitup. com/Joomla], PicSearch [http://www.picsearch.com], Snap. com [http://www.snap.com] та ш.
Чим простше властивiсть може бути отримана iз зображення, тим легше ii впровадити в систему, i тим легше використовувати цю властивкть. Наприклад, властивостi кольору для пошуку образiв здебiльшого ефективнi, оскiльки не важко отримати i впровадити в систему. Однак, властивосп форми, яю е бiльш стшю до шуму, беруть бiльш активну участь у CBIR-системах. Як результат, використовують дуже проси функцп, яю часто е малоефективними.
Бшьшшть систем використовують ознаки кольору i текстури, меншiсть - ознаки форми та розташування. Результатом пошуку за кольором зазвичай е зобра-ження зi схожими кольорами. Результатом пошуку за текстурою не завжди е зображення iз подiбною текстурою, якщо база даних мктить багато зображень iз домiнуючими текстурами. Результати пошуку за формою часто е несподiваними. Тому вони не е найб^ьш ефективними властивостями.
Для оцшки результатiв пошуку для CBIR-систем кнують поняття точностi (стввщношення мiж вiдповiдними зображеннями до загально! кiлькостi отри-маних зображень) i ефективностi (вiдсоток вiдповiдних зображень до уах можливих вiдповiдних зображень).
Бшьшшть з наведених систем пошуку зображень характеризвуються низькою точшстю та ефектившстю пошуку, i головним недолiком в«х практичних реалiзацiй е замiна пошуку сортуванням вае! БД за зменшенням схожост зображень з образом-запитом, i, як наслiдок, низька швидкодiя i неможливiсть отри-мання вiдповiдi на запит в реальному масштабi часу.
4. Формулювання задачi пошуку вiзуальних образiв
У загальному виглядi задача пошуку вiзуальних образiв за 1х вмiстом полягае у формуваннi набору зображень, релевантних до образу-запиту користувача, розташованих в порядку зменшення релевантности при цьому необхiдно вибрати оптимум мiж мiнiмiзацiею часу пошуку та максимiзацiею релевантнiстю образiв.
Опишемо математичну модель задачi пошуку зображень та введемо деяк основш поняття. Для повно-го опису задачi пошуку використовують:
1. Множина Р всiх зображень у сховишд даних, що складаеться з п класiв зображень:
Пiд класом зображень розумiемо вiзуальнi образи,
■Р2,...,Рп} = {{Р11,Р12,...,Р1к},{Р21,Р22,...,Р21),...,{Рп1,Рп2,...,Рпт}}(1)
згрупованi за деякими ознаками.
2. Множина I вщповщних iндексiв зображень: Кожен шдекс являе собою набiр iз g ключiв образу,
1 = {11,12,...,1п} = {{i11,i12,...,i1k},{i21,i22,...,i2l},...,{in1,in2,...,inm}}(2)
де кожен ключ - набiр iз г характеристик зображення:
i ={\...д* } = {{к1,к12,...,кГ1},...,{к?,к|,...,к?8^ (3)
Пошук зображень здiйснюеться за одним iз ключiв.
Прикладные информационные технологии и системы управления
3. Вхщний образ-запит користувача pu, що нале-жить деякому класу Pw:
Pu £Pw (4)
ключ1в та 1х кластер1в на певних р1внях 1ерарх1чного дерева згортання кластер1в [12, 13]. К1льк1сть р1вшв та потужност1 множин для учасниюв рекурсивного згортання виступають параметрами управлшня процесом декомпозицп ключ1в.
3. Отримання 4-D структурних коефщгентгв. В1зуальний образ розбиваемо 1 розглядаемо як г , сукупшсть об'ект1в, як1 мають свою влас-
Р^и) = {Р1С11),-.-,Р,С1т)> ={{РцС1 11 УБ V УБ ну комплексну структуру представлену
триступеневим 1ерарх1чним алгорит-
Оптимiзацiйна задача полягае у знаходженнi за образом-запитом користувача pu множини образiв Pres:
що задов^ьняе наступним умовам:
d((u(p„>,i(p>))min , f(Pres,Pw)-
v ^ min , q,s ^ max , t ^ min ,
>max, peP , ieI ,(6)
(7)
де: d - функщя вщсташ м1ж характеристиками ключ1в образу-запиту ри та зображенням р у сховишд даних; f - функщя под1бност1 (релевантности клас1в Р1, ..., РУ результуючого набору Ргез щодо класу образу-запиту Р^,; у - к1льк1сть результуючих клас1в зобра-жень; q, б - к1лькост1 зображень в кожному результую-чому класг, t - час отримання результуючого набору; р^) (або Р(1)) - в загальному випадку означае отримання образу р (чи групи образ1в Р) з1 сховища даних за шдексом i (групи шдекс1в I); ^р) (або 1(Р)) - в за-гальному випадку означае отримання (або форму-вання нового у випадку його в1дсутност1 у сховишд шдекс1в) шдексу 1 (групи шдекс1в I) для образу р (групи образ1в Р).
В якост прикладу, наведемо функщю вщсташ для пор1вняння двох в1зуальних образ1в ри та рУ 1з векторами властивостей ^ та iУ, що м1стять г характеристик (чисел одного порядку):
d (iu(pu),iv(pv)) = Z wk(iuk - ivk)2
(8)
де wk - зважеш коефщ1енти.
Вщповщно, якщо ключ м1стить два набори властивостей (чисел р1зного порядку), то визначаемо дв1 вщсташ d1 та d2.
Для розв'язання поставлено1 задач1 вир1шено наступш тдзадачк
1. Декомпозищя образу. Одним з можливих способ1в декомпозицп та формал1зацп в1зуальних образ1в е роз-биття 1х на правильш геометричш ф1гури та об'еднання цих ф1гур у фрагменти образу. Завдяки такш зам1ш образ можна легко скоректувати (певш тксел1 доповнити чи вилучити). Для декомпозицп образ1в ви-користано метод кластерного анал1зу. Зо-крема, розвинуто класичний 1ерарх1чний агломеративний алгоритм згортання 1 за-пропоновано використати триступеневу декомпозищю образу [10, 11].
2. Оптимгзащя алгоритмгв для змен-шення гх складност1. Задач1 розтзнавання образ1в вимагають значних часових затрат через свою розм1ршсть та складшсть опис1в образ1в. Ключ1 образ1в мають менше ознак, але через 1х велике число задач1 1х об'еднання
та пошуку залишаються складними з точки зору часу. Для зменшення алгоритм1чно'1 складност розро-блено шдхщ багатокаскадно1 декомпозицп множин
мом. Об'екти iз рiзних ступенiв характеризуються розмiрами, яскравiстю, топологiею тощо. Iерархiчна структура об'екпв представлена описом образу як зв'язш областi замкнутими регiонами, замкнут регiони кластерами-прямокутниками, i прямокут-ники мжрокластерами. На рис. 1 зображено тристу-пеневу декомпозицiю образу. Розроблено методику отримання коеф^енив ступеня трансформацп та розмитостi, iнтегральних та розпод^ених структурних властивостей образiв на основi алгоритму ix триступенево! кластеризацп [14]. В якостi струк-турних властивостей зображення розглядаемо штегральш та розподiленi кiлькiснi та яюсш характеристики сегментiв рiзного рiвня iерарxiчноi пiдпорядковуваностi, якi отримуемо в результат декомпозицii образу методом триступенево! кластеризацп.
4. Класифжащя образгв. Запропоновано та дослщжено три способи автоматизовано! класифжацп образiв:
1) Сортування суми мшць образiв, отриманих класифiкацiею тшьки за одним iз параметрiв;
2) Под^ на класи за градiентами функцii, яка виражае структурний коефвдент;
3) Згортання ключiв образiв i подiл на класи, вiдсiканням тддерев на передостаннix рiвняx дерева згортання.
5. Формування ключа образу. Отримаш структурш властивостi запропоновано використати в якосп ключа образу. Дослiдження ефективностi розроблено! систе-ми пошуку зображень дощльно здiйснювати порiвняно з вiдомими CBIR-системами. Для здiйснення такого порiвняння ключ образу збертеться у форматi XML, що дае змогу використання сформованих ключiв образiв в iншиx CBIR-системах.
Рис. 1. Триступенева декомпозицiя образу
6. 1ндексування образгв. Кожному образу зi сховища графiчниx зображень ставиться у вщповщшсть файл шдексу, який зберiгаеться iз врахуванням
k=1
класу образу у вщповщному каталозi в XML файль 1ндекс мiстить в co6i iнформацiю про шлях до образу та його ключь KpiM цього, з метою при-швидшення процесу пошуку зображень запропо-новано здшснювати кластеризацiю ключiв образiв. Дослужено використання вiдносного та абсолютного критерпв згортання. Для представлення графiчних результатiв згортання ключiв образiв ви-користано дендрограми, кожен вузол яких з'еднаний iз базою даних класиф^ованих зображень. Кори-стувач мае можлившть вибрати вузол i отримати повну шформащю про зображення, розмiщенi на вщповщному рiвнi дерева згортання.
7. Пошук образгв за ключами. На основi створеного математичного забезпечення розроблено шформацшне та програмне забезпечення з штерфейсом користува-ча, призначене для декомпозицп вiзуальних образiв, формування 1х ключiв, iндексування, пошуку та опра-цювання вiзуальних образiв.
5. Архкектура пакету прикладних програм « Кластеризащя»
Розроблено пакет прикладних програм (ППП) «Кластеризащя» з штерфейсом користувача призначе-ний для декомпозицп вiзуальних образiв, формування ix ключiв, шдексування, пошуку та опрацювання вiзуальниx образiв. Пакет контролюе Bei етапи роботи: введення окремого образу, налаштування параметрiв керування, вивiд вiдновленого зображення, повний звгг про xiд алгоритму, числовi параметри результатiв тощо. Пакет реалiзуе чотири етапи алгоритму кластеризацп: формування мiкрокластерiв, покриття образу прямо-кутниками, формування регюшв iз прямокутникiв та формування з останшх зв'язних областей. Пакет мае засоби для керування як для покриття прямокутника-ми, так i для формування зв'язних областей. Зокрема, розмiр сики покриття, яскравiсть мжрокластера, го-ловна та дiагональна ввдсташ, алгоритми сканування. Протокол роботи програми заноситься у вихвдний iнтерфейс.
Пакет мктить такi пiдсистеми та компоненти, яю взаемодiють мiж собою:
- ядро ^блютека класiв) мiстить в собi кла-си, реалiзованi алгоритми, функцп та процедури для декомпозицп зображень, формування ключiв, читання та запису ключiв iз XML файлiв, побу-дови дендрограми та дерева згортання, згортання ключiв образiв, пошуку зображень за ключами, вивщ звiтiв та результаив пройдених етапiв, процедури для каскадноi декомпозицii тощо. Оскiльки ядро скомтльоване у динамiчну бiблiотеку DLL, воно може бути тдключене до шших CBIR. Функцii динамiчноi бiблiотеки можуть бути викликанi програмним чином, що дае змогу дослiднику використовувати розроблену бiблiотеку для власних дослщжень та порiвняння результатiв;
- тдсистема кластеризацп образiв (вiконний проект) призначена для iнтерактивноi взаемодii з ко-ристувачем, вводу та верифжацп вxiдниx даних, заданнi необxiдниx параметрiв, виводу результатiв кластеризацп вiзуальниx образiв, опрацювання та по-шуку зображень;
-тдсистема кластеризащiключiв o6pa3iB (вiконний проект) призначена для iHTepaKraBHoi взаeмодii з користувачем, вводу та верифжацп вхiдних даних, заданш необхiдних параметрiв, виводу результатiв кластеризацп ключiв образiв, виводу дендрограми та дерева згортання;
- збiрка AForge.NET ^блютека класiв) е проектом з вщкритим кодом (open source) написаним на мовi C#, розробленим для розробниюв та дослiдникiв в обласп комп'ютерного зору та штучного штелекту: опрацювання зображень, застосування нейронних мереж, генетичних алгоритмiв, машинного навчання тощо [15]. З низки бiблiотек компоненти використано AForge.Imaging, що мштить функцiональнiсть для об-робки зображень та ф^ьтри. Збiрка була перезiбрана iз додаванням новоi необхiдноi функщональноси, зокрема додано фiльтри для перетворення зображення у ^i тони;
- збiрка ZedGraph (бiблiотека клаав) е проектом з вiдкритим кодом (open source) написаним на мовi C#, що мiстить в собi функцiональнiсть для побудови двовимiрних графшв [16]. Компонента використана для представлення результапв кластеризацii образiв та ix ключiв. Збiрка була перезiбрана iз додаванням новоi необxiдноi функцiональностi, зокрема додано можлившть виведення детальноi шформацп про кла-стери на графжах питомих функцiй.
Пiдсистеми кластеризацii образiв та ключiв образiв е незалежними, що дае змогу проводити дослщження окремо згортання ключiв образiв, та окремо декомпозищю вiзуальниx образiв. Однак у процес пошуку вiзуальниx образiв головною виступае пiдсистема кластеризацii образiв, яка в свою чергу звертаеться до процедур та функцш шших тдсистем та компонент.
Схема взаемодii мiж собою рiзниx пiдсистем в ППП «Кластеризащя» у процеа пошуку зображень за ключами зображена на рис. 2. Проаналiзуемо цю взаемодiю:
0. Задання користувачем файлiв вiзуальниx образiв для пошуку здiйснюеться у пiдсистемi кластеризацii образiв.
1. Задання параметрiв декомпозицii образiв у пiдсистемi кластеризацп образiв.
2. Здiйснення фiльтрування засобами компоненти AForge.NET.
Повернення обробленого зображення.
3. Декомпозищя вiзуальниx образiв засобами ядра. Повернення промiжниx та основних результатiв.
4. Побудова графiчного представлення результатiв засобами компоненти ZedGraph. Повернення графшв статистичних результапв та представлення сегментiв зображення.
5. Задання параметрiв для згортання ключiв образiв у пiдсистемi кластеризацii ключiв образiв.
6. Згортання ключiв образiв засобами ядра. На цьо-му етат е можливiсть кластеризувати ключi образiв або завантажити збережене дерево згортання. Повер-нення промiжниx та основних результапв. Повернен-ня дендрограми та дерева згортання
7. Побудова графiчного представлення результаив засобами компоненти ZedGraph. Повернення графшв питомих функцiй та пстограм.
8. Повернення отриманих результатiв у тдсистему кластеризацii образiв.
9. Здшснення пошуку образiв за ключами засобами ядра.
10. Повернення результат пошуку користувачу.
Користувач: файли в1зуалъних образ1в
Рис. 2. Схема взаемодп пщсистем в ППП «Кластеризащя» у процеа пошуку зображень за ключами
Оскшьки пакет мiстить ядро, де локалiзовано Bci програмш реалiзащl алгоритмiв, функцш та процедур, а шдсистеми кластеризацп o6pa3iB та ключiв o6pa3iB призначенi лише для штерактивно! взаемодп з користувачем, це дае можливкть реалiзувати веб-iнтерфейс для опрацювання даних через глобальну мережу штернет.
Користувацький iнтерфейс пiдсистем ППП «Кластеризацп» для декомпозицп образiв та кластеризацп ключiв образiв зображено на рис. 3.
б
J|j Кластеризация ключш образЕв - res-copy-patterns-keys
Згортання Генератор Обеднения Характеристики Заажеи В Виюристовуватм пошл простору П Пзралельна каскадна
Уенти I Нормалзашя Групування Обмехекня В 36epirain окремо piBHi згортання
Киыють елемента в rpyni 5 320 IZ1T
Результати з групи 0 Посортувата I здйснити подл множин
® КшькклъуИ © Юлькклъ кластер1в 10 Ш Кльгасть водите клкмв: 1600 Поточна гальюстъ клкмв: 1600
О Точне згортання а ме Ш Зойснювати каскадне групування
Алгоритм сортування ■§ Quicksort
О Quicksort паралельний © Shell
а б
Рис. 3. Вигляд головного вiкна пщсистем кластеризацп образiв (а) та клю^в образiв (б)
Для формування запиту пошуку зображень користувач вибирае зображення i вектор властивостей серед доступних (рис. 4, а). Крiм цього, користувач мае змогу створити власний вектор властивостей, додавши в нього 4^ структурш характеристики. Для управлшня пошуком користувач мае змогу керувати функщею вiдстанi, змшюючи 11 значення у користу-вацькому штерфейсь
З результуючого набору першi 20 зображень представленi у виглядi ескiзiв iз сортуванням за значенням функцп вiдстанi. Вибравши меню «По-казати всi результати» користувач мае змогу пере-глянути решту зображень результуючого набору (рис. 4, б).
Рис. 4. Вигляд закладки задання параметрiв для пошуку образiв (а) та вкна звЬу пошуку образiв за ключами (б): вхщний образ, отриманi
--образи (релевантш та
нерелевантш образи), числов1 характеристики пошуку Для результату по-шуку вiдображаються характеристики точнос^ та ефективностi пошуку, вхiдний вектор властивостей, значення функцп вщсташ. Крiм цього, для вхiдного образу е можлившть переглянути його клкш та структурнi властивостi, вибранi для пошуку.
Для пришвидшення по-шуку використовуеться iерархiчне дерево кластеризованих клкшв образiв, яке будуеться на еташ iндексування.
Висновки
Вперше розроблено шдхщ до розв'язання задачi пошуку вiзуальних образiв з допомогою 4-D струк-турних коефiцiентiв, отриманими в результат кластерного аналiзу, що дало змогу у порiвняннi з шшими пiдходами пiдвищити якiсть пошуку образiв.
Розроблено та опрацьовано новий алгоритм триступенево'1 кластеризацп, що базуеться на кла-сичному iерархiчному агломеративному алгоритм^
а
який на вщмшу ввд вiдомих методiв, е адаптивним до характерних особливостей зображень при пошуку у сховищах даних.
Розроблено iнформацiйне та програмне забезпе-чення на основi створеного математичного забезпе-чення для iерархiчноi декомпозицii, iндексування, класифiкацii та аналiзу вiзуальних образiв.
Розроблено архiтектуру та принципи взаемодп пакетiв програм i модулiв у пiдсистемi кластеризацii зображень на основi розроблених методiв, моделей та алгоритмiв. Тхтестування пiдтвердилоперспективнiсть розроблених пiдходiв, показало, що кiлькiснi результата, отримаш в роботi за допомогою розроблених методiв, перевищують вiдомi в середньому на 10-20 вщсотюв.
Одними iз подальших напрямкiв роботи е розробка веб-штерфейсу для опрацювання зображень через гло-бальну мережу штернет; дослiдження вибору ключа образу, який мштитиме мiнiмальний набiр вагомих характеристик образу; розгляд шших властивостей низького рiвня для покращення результапв пошуку.
^ÎTepaTypa
1. Alberto Del Bimbo. Visual Information Retrieval. Morgan
Kaufman. - 1999. - 270 p.
2. Hideyuki Tamura, Naokazu Yokoya. Image database systems:
A survey // Pattern Recognition. - 1984. - Vol. 17(1). - P. 29-43.
3. John P. Eakins, Margaret E. Graham. Content-based image
retrieval, a report to the JISC technology application programme // Technical report, Institute for Image Data Research, University of Northumbria at Newcastle, UK. -January 1999. http://www.unn.ac.uk/iidr/report.html.
4. R. Jain. Infoscopes: Multimedia information system. In B.
Furht, editor, Multimedia Systems and Techniques, Kluwer. - 1996. - P. 217-253.
5. Remco C. Veltkamp, Mirela Tanase. Content-Based Image
Retrieval Systems: A Survey. - 2002. - http://give-lab. cs.uu.nl/cbirsurvey/cbir-survey.pdf.
6. V. N. Gudivada and V. V. Raghavan. Content-based image
retrieval systems. IEEE Computer. - September 1995. -Vol. 28(9). - P. 18-31.
7. W. I. Grosky. Multimedia information systems // IEEE
Multimedia. - 1994. - Vol. 1(1). - P. 12-24.
8. William I. Grosky, Ramesh Jain, Rajiv Mehrotra. The Handbook of Multimedia Information Management. Prentice Hall. - 1997. - 499 p.
9. Yong Rui, Thomas S. Huang, Shih-Fu Chang. Image retrieval:
Current techniques, promising directions and open issues // Journal of Visual Communication and Image Representation. - 1999. - Vol. 10(1). - P. 1-23.
10. Мельник Р.А., Тушницький Р.Б. Сегментування зображень алгоритмом ieрархiчноï кластеризаци // Bw6ip i обробка шформаци'. - 2008. - Вип.28 (104). - С. 97-102.
11. Мельник Р.А., Тушницький Р.Б. Алгоритм триступенево'1 кластеризаци для класифшаци зображень за ïx струк-турними властивостями // Вюник Нацюнального ушверситету "Львiвська пол^ехшка": Комп'ютерш науки та шформацшш технологи'. - 2008. - № 629. - С. 46-52.
12. Мельник Р.А., Тушницький Р.Б. Каскадна декомпозищя множин велико!' розмiрностi при кластеризаци ключiв обра^в // Вюник Нацюнального ушверситету "Львiвська тоштехшка": Комп'ютерш науки та шформацшш технологи'. - 2007. - № 604. - С. 249-254.
13. Мельник Р.А., Тушницький Р.Б. Керування точнютю та складнютю алгоритму кластеризаци даних велико'1 розмiрностi допуском на функщю подiбностi та декомпозищею // Вюник Нацюнального ушверситету "Львiвська пол^ехшка": Комп'ютерш науки та шформацшш технологи'. - 2009. - № 638. - С. 248-254.
14. Мельник Р.А., Тушницький Р.Б. 4-вимiрнi штегральш та розподшеш структурш властивост для класифжаци' та пошуку зображень / / Вюник Нацюнального ушверситету "Львiвська пол^ехшка": Комп'ютерш науки та шформацшш технологи'. - 2009. - № 650. - С. 61-67.
15. AForge.NET framework http://code.google.com/p/aforge.
16. ZedGraph framework http://sourceforge.net/projects/ zedgraph.
