Порівняно з методом пошуку зображень за силуетами зображень [16] у запропонованому методі точність знаходження образів підвищено в 1,5-2 рази.

1. J. R. Smith and S.-F. Chang., Tools and techniques for colour image retrieval // Proceedings of Symposium on Electronic Imaging: Science and Technology, Storage & Retrieval for Image and Video Databases IV, vol. 2670, p.1-12, 1996.

2. H. Nezamabadi-pour, E. Kabir, “Image retrieval using histograms of unicolor and bicolor blocs and directional changes in intensity gradient” // Pattern Recognition Letters, vol. 25, n. 14, p. 1547-1557, 2004.

3. T. Gevers, A. Smeulder, Content-based image retrieval by viewpoint invariant color indexing // Image Vision Comput, n.17,)p. 475–488, 1999.

4. F. Mokhtarian, S. Abbasi, “ Shape similarity retrieval under affine transforms” // Pattern Recognition, vol. 35, p. 31-41, 2002.

5. A.K. Jain, A. Vailaya, “Image retrieval using colour and shape” // Pattern Recognition, vol. 29, n. 8, p. 1233-1244, 1996.

6. V. Mezaris, I. Kompatsiaris, M.G. Strintzis, An ontology approach to object-based image retrieval // Proceedings of the ICIP, vol. II, p. 511–514, 2003.

7. B.S. Manjunath, W.Y. Ma, “Texture feature for browsing and retrieval of image data” // IEEE PAMI, vol. 8, n. 18, p. 837-842, 1996.

8. J. Liu, X Zhou, W.Y. Ma, Extraction of texture features from arbitrary-shaped regions for image retrieval, International Conference on Multimedia and Expo p. 1891–1894, 2004.

9. P.W. Huang, S.K. Dai, Image retrieval by texture similarity // Pattern Recognition 36 (2003) 665–679.

10. Y. Song, W. Wang, A. Zhang, Automatic annotation and retrieval of images // J. World Wide Web, n. 6 (2), p. 209–231, 2003.

11. A.Mojsilovic, B. Rogowitz, ISee: perceptual features for image library navigation, Proceedings of the SPIE, Human Vision and Electronic Imaging, vol. 4662, p. 266–277, 2002,

12. J.Z. Wang, J. Li, G. Wiederhold, “SIMPLIcity: semantic sensitive integrated matching for picture libraries” // IEEE Trans. on Pattern Analysis and Machine Intelligence, vol. 23, n. 9, p. 947-963, 2001.

13. John R. Smith, Shih-Fu Chang. VisualSEEk: a fully automated content-based image query system // Proceedings of the fourth ACM international conference on Multimedia for Image Technology for New Media,.1996.

14.FEI data base, https://fei.edu.br.

15.База 1000 тестових зображень https://wang.ist.psu.edu/~jwang/test1.tar (Wang) (2009).

16. Мельник Р.А., Каличак Ю.І. Пошук образів за силуетами яскравості зображень // Відбір і обробка інформації //. Вип.32 (108), с. 86-92,.

3.3. АНАЛІЗ ПОВЕРХОНЬ МЕТАЛІВ З ВИКОРИСТАННЯМ N‑ АРИЗАЦІЇ І КОНЦЕНТРАЦІЇ КОЛЬОРІВ

Вступ

Дослідження текстур відіграє важливу роль для обробки зображень [1-7], зокрема, застосовується для структурних особливостей оброблюваних поверхонь матеріалів, що використовують різні статистичні методи: матриці – матрицю кореляції [6], матрицю відстаней [7], матрицю суміжності рівнів сірого [2]; властивості фракталів [3]; розподіли – розподіл ймовірностей реакцій фільтра [5], об’єднаний розподіл значень інтенсивності [4], просторовий розподіл рівнів сірого [1]. Статистичні характеристики пов'язані з параметрами поверхні і можуть використовуватися для їх аналізу та класифікації. Окремі методи розроблені для аналізу та пошуку текстур [6-7, 2], класифікації текстур [3-5], виявлення певних особливостей текстури [1]. Також існують методи, адаптовані конкретно до класифікації поверхонь матеріалів [4, 6].

Особливістю даної роботи є використання простих ознак n-аризованих зображень на основі концентрації кольорів для розпізнавання типу металу.

Метою роботи є дослідити концентрації кольорів з точки зору придатності до аналізу поверхонь металів, та дослідити умови їх застосування. Розрізнення різних типів металевих сплавів є умовою подальшої оцінки якості зразка, пошуку і класифікації дефектів матеріалу.