Керування вектором розбиття та кількістю кластерів 1-го каскаду.

Проілюструємо результати роботи алгоритмів на зображеннях розмірами 116 × 77 пікселів. Вхідна вибірка – це координати x, y та color – середнє арифметичне кольорів пікселів. Всього дані містять 8932 3-вимірних точок.

В першому експерименті з підгрупи (гіперкуба) прийнято вихід кластерів, рівний 10% від їх кількості у цій підгрупі (кількість кластерів 1-го каскаду) та вибрано наступні вектори розбиття l: (2, 2, 1), (2, 2, 2), (4, 4, 1), (4, 4, 2) та (4, 4, 4). В другому експерименті вибрано вектор розбиття l = (2, 2, 2), та кількість кластерів 1-го каскаду 2%, 5%, 10%, 15% та 20% від їх кількості у цій підгрупі.

На рис. 2.14 представлено результати декомпозиції простору та каскадного згортання першого і другого експериментів.

Кількість кластерів 1-го каскаду = 10% Вектор розбиття l = (2, 2, 2)

а б в г

Рис. 2.14. Результати декомпозиції простору та каскадного згортання

1– l = (2, 2, 1); 2 – l = (2, 2, 2); 3 – l = (4, 4, 1); 4 – l = (4, 4, 2); 5 – l = (4, 4, 4);

6 – 2%; 7 – 5%; 8 – 10%; 9 – 15%; 10 – 20%;

а, в – кластери, розфарбовані випадковим кольором;

б, г − кластери, розфарбовані їх зваженою яскравістю

Зокрема, на рис. 2.14, а− б наведено результуючі кластери, розфарбовані випадковим кольором та їх зваженою яскравістю для різних векторів розбиття. На рис. 2.14, в− г представлено результуючі кластери, розфарбовані випадковим кольором та їх зваженою яскравістю для різної кількості кластерів 1-го каскаду.

а б в г

Рис. 2.15. Кластери на різних рівнях дерева згортання

1 – рівень 1449, кластерів 2; 2 – рівень 1448, кластерів 3;
3 – рівень 1446, кластерів 5; 4 – рівень 1443, кластерів 8;
5 – рівень 1441, кластерів 10; 6 – рівень 1439, кластерів 12;

7 – рівень 1435, кластерів 16; 8 – рівень 1400, кластерів 51;
9 – рівень 1380, кластерів 71; 10 – рівень 1300, кластерів 151;

а, в − кластери, розфарбовані випадковим кольором;

б, г − кластери, розфарбовані їх зваженою яскравістю

а б

На рис. 2.16 представлено результати декомпозиції 3- та 5-вимірних точок із різним вектором розбиття та кількістю кластерів 1-го каскаду 20%. Числові характеристики декомпозиції зведено у таблицю 3.

3-вимірні точки 5-вимірні точки

а б в г

Рис. 2.16. Результати декомпозиції простору та каскадного згортання

1– l = (2, 2, 2); 2 – l = (3, 3, 3); 3 – l = (4, 4, 4);

4 – l = (2, 2, 2, 2, 2); 5 – l = (2, 2, 4, 4, 4); 6 – l = (1, 1, 9, 9, 9);
а, в – кластери, розфарбовані випадковим кольором;

б, г − кластери, розфарбовані їх зваженою яскравістю

Література

1. Remco C. Veltkamp, Mirela Tanase. Content-Based Image Retrieval Systems: A Survey. October 28, 2002 https:// give-lab.cs.uu.nl/cbirsurvey/cbir-survey.pdf

2. Gaurav Aggarwal, Pradeep Dubey, Sugata Ghosal, Ashutosh Kulshreshtha, and Abhinanda Sarkar. ipure: Perceptual and user-friendly retrieval of images. In Proceedings of IEEE Conference on Multimedia and Exposition (ICME 2000), July 2000.

3. J. Bach, C. Fuller, A. Gupta, A. Hampapur, B. Gorowitz, R. Humphrey, R. Jain, and C. Shu. Virage image search engine: an open framework for image management. In Proceedings of the SPIE, Storage and Retrieval for Image and Video Databases IV, San Jose, CA, pages 76–87, February 1996.

4. A. B. Benitez, M. Beigi, and S.-F. Chang. Using relevance feedback in content-based image metasearch. IEEE Internet Computing, 2(4): 59–69, July/August 1998.

5. Andrew Berman and Linda Shapiro. A flexible image database system for content-based retrieval. Computer Vision and Image Understanding, 75(1/2): 175–195, 1999.

6. A. Del Bimbo, M. Mugnaini, P. Pala, and F. Turco. Picasso: Visual querying by color perceptive regions. In Proceedings of the 2nd International Conference on Visual Information Systems, San Diego, December ’97, pages 125–131, 1997.

7. Alberto Del Bimbo. Visual Information Retrieval. Morgan Kaufman, 1999.

8. R. Brunelli and O. Mich. Image retrieval by examples. IEEE Transactions on Multimedia, 2(3): 164–171, September 2000.

9. Jean Marie Buijs andMichael Lew. Visual learning of simple semantics in imagescape. In Huijsmans and Smeulders [24], pages 131–138.

10. Chad Carson and Virginia E. Ogle. Storage and retrieval of feature data for a very large online image collection. IEEE Computer Society Bulletin of the Technical Committee on Data Engineering, 19(4): 19–27, December 1996.

11. Chad Carson, Megan Thomas, Serge Belongie, Joseph M. Hellerstein, and JitendraMalik. Blobworld: A system for region-based image indexing and retrieval. In Huijsmans and Smeulders [24].

12. M. La Cascia and E. Ardizzone. Jacob: Just a content-based query system for video databases. In Proc. IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP96), May 7-10, ’96, Atlanta, Georgia, 1996.

13. J.Y. Chen, C. A. Bouman, and J. P Allebach. Multiscale branch and bound image database search. In Proceedings SPIE/IS& T Conference on Storage adn Retrieval for Image and Video Databases V, volume 3022, pages 133–144, 1997.

14. G. Ciocca, I. Gagliardi, and R. Schettini. Quicklook2: An integrated multimedia system. International Journal of Visual Languages and Computing, Special Issue on Multimedia Databases and Image Communication, in print.

15. Ingemar J. Cox, Matthew L. Miller, Thomas P. Minka, Thomas Papathomas, and Peter N. Yianilos. The Bayesian image retrieval system, PicHunter: Theory, implementation and psychophysical experiments. IEEE Transactions on Image Processing (to appear), 2000.

16. M. Das, E. M. Riseman, and B. Draper. Focus: Searching for multi-colored objects in a diverse image database. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition ’97, pages 756–761, June 1997.

17. John P. Eakins and 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. https://www.unn.ac.uk/iidr/report.html.

18. J. Fournier, M. Cord, and S. Philipp-Foliguet. Retin: A content-based image indexing and retrieval system. Pattern Analysis and Applications, 4(2/3): 153–173, 2001.

19. Theo Gevers and Arnold Smeulders. Pictoseek: Combining color and shape invariant features for image retrieval. IEEE Transactions on Image Processing, 9(1): 102–119, January 2000.

20. W. I. Grosky. Multimedia information systems. IEEE Multimedia, 1(1): 12–24, 1994.

21. William I. Grosky, Ramesh Jain, and Rajiv Mehrotra, editors. The Handbook of Multimedia Information Management. Prentice Hall, 1997.

22. V. N. Gudivada and V. V. Raghavan. Content-based image retrieval systems. IEEE Computer, 28(9): 18–31, September 1995.

23. Kyoji Hirata, Sougata Mukherjea, Yusaku Okamura, Wen-Syan Li, and Yoshinori Hara. Objectbased navigation: An intuitive navigation style for content-oriented integration environment. In Proceedings of the eighth ACM conference on Hypertext, ’97, Southampton, UK, pages 75–86, 1997. https://journals.ecs.soton.ac.uk/˜ lac/ht97/.

24. Imagefinder. https://attrasoft.com/abm3_4.html.

25. R. Jain. Infoscopes: Multimedia information system. In B. Furht, editor, Multimedia Systems and Techniques, pages 217–253. Kluwer, 1996.

26. Fumikazu Kanehara, Shin’ichi Satoh, and Takashi Hamada. A flexible image retrieval using explicit visual instruction. In Proceedings of the Third International Conference on Document Analysis Recognition, Montreal, Canada, August ’95, pages 175–178, 1995.

27. P. M. Kelly, T. M. Cannon, and D. R. Hush. Query by image example: the CANDID approach. In SPIE Vol. 2420, Storage and Retrieval for Image and Video Databases III, pages 238–248, 1995.

28. ByoungChul Ko, Jing Peng, and Hyeran Byun. Region-based image retrieval using probabilistic feature relevance learning. Pattern Analysis and Applications, 4(2/3): 174–184, 2001.

29. J. Kreyss, M. R.oper, P. Alshuth, Th. Hermes, and O. Herzog. Video retrieval by still image analysis with ImageMiner. In Proceedings of IS& T/SPIE’s Symposium on Electronic Imaging: Science & Technologie, 8-14 Feb. ’97, San Jose, CA, 1997.

30. Jorma Laaksonen, Markus Koskela, Sami Laakso, and Erkki Oja. Picsom – content-based image retrieval with self-organizing maps. Pattern Recognition Letters, 21: 1199–1207, 2000.

31. T.-S. Lai. CHROMA: a Photographic Image Retrieval System. PhD thesis, School of Computing, Engineering and Technology, University of Sunderland, UK, January 2000. https://osiris.sund.ac.uk/˜ cs0sla/thesis/.

32. Michael Lew, Kim Lempinen, and Nies Huijmans. Webcrawling using sketches. In Proceedings of the 2nd International Conference on Visual Information Systems, San Diego, December ’97, pages 77–84, 1997.

33. Michael S. Lew, D. P. Huijsmans, and Dee Denteneer. Content based image retrieval: KLT, projections, or templates. In Smeulders and Jain [110], pages 27–34.

34. Z. N. Li, O. R. Za.ı ane, and B. Yan. C-bird: Content-based image retrieval from image repositories using chromaticity and recognition kernel. Technical Report CMPT98-03, School of Computing Science, Simon Fraser University, Canada, February 1998. ftp: //ftp.fas.sfu.ca/pub/cs/TR/1998/CMPT1998-03.ps.gz.

35. Z.N. Li, O. R. Za.ı ane, and Z. Tauber. Illumination invariance and object model in content-based image and video retrieval. Journal of Visual Communication and Image Representation, 10(3): 219–244, September 1999. https://www.cs.sfu.ca/cs/undergrad/CM/CMPT365/CBS/CBIRD.pdf.

36. E. Loupias and s. Bres. Key point-based indexing for pre-attentive similarities: The kiwi system. Pattern Analysis and Applications, 4(2/3): 200–214, 2001.

37. Etienne Loupias and Nicu Sebe. Wavelet-based salient points: Applications to image retrieval using color and texture features. In Advances in Visual Information Systems, Proceedings of the 4th International Conference, VISUAL 2000, Lecture Notes in Computer Science 1929, pages 223–232. Springer, 2000.

38. W. Y. Ma. NETRA: A Toolbox for Navigating Large Image Databases. PhD thesis, Dept. of Electrical and Computer Engineering, University of California at Santa Barbara, June 1997.

39. Wei-Ying Ma and B. S. Manjunath. Netra: A toolbox for navigating large image databases. Multimedia Systems, 7(3): 184–198, 1999.

40. B. S. Manjunath. Image browsing in the alexandria digital library project. D-Lib Magazine, page https://www.dlib.org/dlib/august95/alexandria/08manjunath.html, August 1995.

41. R. Manmatha and S. Ravela. A syntactic characterization of appearance and its application to image retrieval. In Proceedings of the SPIE conference on Human Vision and Electronic Imaging II, Vol, 3016, San Jose, CA, Feb. ’97, 1997.

42. S. Michel, B. Karoubi, J. Bigun, and S. Corsini. Orientation radiograms for indexing and identification in image databases. In Proceedings Eusipco-96, European conference on signal processing, pages 1693–1696, 1996.

43. Timothy J. Mills, David Pye, David Sinclair, and Kenneth R. Wood. Shoebox: A digital photo management system. Technical Report Technical Report 2000.10, AT& T Research, https://ftp.uk.research.att.com: /pub/docs/att/tr.2000.10.pdf, 2000.

44. F. Mokhtarian, S. Abbasi, and J. Kittler. Efficient and robust retrieval by shape content through curvature scale space. In Smeulders and Jain [110], pages 35–42.

45. Sougata Mukherjea, Kyoji Hirata, and Yoshinori Hara. Towards a multimedia world wide web information retrieval engine. In Sixth International WWW Conference, 7-11 April ’97, Santa Clara, CA, USA, 1997. https://decweb.ethz.ch/WWW6/Technical/Paper003/Paper3.html.

46. Sougata Mukherjea, Kyoji Hirata, and Yoshinori Hara. Amore: A world wide web image retrieval engine. The WWW Journal, 2(3): 115–132, 1999. https://www.baltzer.nl/www/contents/1999/2-3.html.

47. Chahab Nastar, Matthias Mitschke, Christophe Meilhac, and Nozha Boujemaa. Surfimage: A flexible content-based image retrieval system. In Proceedings of the ACM International Multimedia Conference, 12-16 September ’98, Bristol, England, pages 339–344, 1998. https://www-rocq.inria.fr/_nastar/MM98/.

48. W. Niblack, R. Barber, W. Equitz, M. Flickner, E. Glasman, D. Petkovic, P. Yanker, C. Faloutsos, and G. Taubin. The qbic project: Quering images by content using color, texture, and shape. In Poceedings of the SPIE Conference on Storage and Retrieval for Image and Video Databases, 2-3 February ’93, San Jose, CA, pages 173–187, 1993.

49. Virginia E. Ogle and Michael Stonebraker. Chabot: Retrieval from a relational database of images. IEEE Computer, 28(9): 40–48, September 1995.

50. Michael Ortega, Yong Rui, Kaushik Chakrabarti, Sharad Mehrotra, and Thomas S. Huang. Supporting similarity queries in MARS. In Proceedings of the 5th ACM International Multimedia Conference, Seattle, Washington, 8-14 Nov. ’97, pages 403–413, 1997.

51. P. Pala and S. Santini. Image retrieval by shape and texture. Pattern Recognition, 32(3): 517–527, 1999.

52. Alex Pentland, RosalindW. Picard, and Stanley Sclaroff. Photobook: Content-based manipulation of image databases. International Journal of Computer Vision, 18(3): 233–254, June 1996.

53. Zoran Peˇ cenovi.c. Image retrieval using latent semantic indexing. Master’s thesis, Department of Electrical Engineering,. Ecole Polytechnique F.ed.eral de Lausanne, 1997.

54. Zoran Peˇ cenovi.c. Finding rainbows on the internet. Technical report, Section of Communication Systems,. Ecole Polytechnique F.ed.eral de Lausanne, 1998.

55. Yong Rui, Thomas S. Huang, and Shih-Fu Chang. Image retrieval: Current techniques, promising directions and open issues. Journal of Visual Communication and Image Representation, 10(1): 1–23, March 1999.

56. E. Di Sciascio, G. Mingolla, and M. Mongiello. Content-based image retrieval over the web using query by sketch and relevance feedback. In Huijsmans and Smeulders [109], pages 123–130.

57. S. Sclaroff, L. Taycher, and M. La Cascia. Imagerover: A content-based image browser for the world wide web. In Proceedings IEEE Workshop on Content-based Access of Image and Video Libraries, June ’97, 1997.

58. C.-R. Shyu, C. E. Brodley, A. C. Kak, A. Kosaka, A. Aisen, and L. Broderick. Assert: A physicianin-the-loop content-based retrieval system for HRCT image databases. Computer Vision and Image Understanding, 75(1/2): 111–132, July/August 1999.

59. Sven Siggelkow and Hans Burkhardt. Fast invariant feature extraction for image retrieval. In Remco C. Veltkamp, Hans Burkhardt, and Hans-Peter Kriegel, editors, State-of-the-Art in Content-Based Image and Video Retrieval. Kluwer, 2001.

60. J. R. Smith. Integrated Spatial and Feature Image Systems: Retrieval, Compression and Analysis. PhD thesis, Graduate School of Arts and Sciences, Columbia University, February 1997.

61. J. R. Smith and S.-F. Chang. Automated image retrieval using color and texture. Technical Report CU/CTR 408-95-14, CTR, Columbia University, July 1995.

62. J. R. Smith and S.-F. Chang. Querying by color regions using the VisualSEEk content-based visual query system. In M. T. Maybury, editor, Intelligent Multimedia Information Retrieval. AAAI Press, 1997.

63. David McG. Squire, Wolfgang M.uller, Henning M.uller, and Thierry Pun. Content-based query of image databases: inspirations from text retrieval. Pattern Recognition Letters, 21: 1193–1198, 2000.

64. Rohini Srihari. Automatic indexing and content-based retrieval of captioned images. IEEE Computer, 28(9): 49–56, September 1995.

65. Rohini Srihari, Zhongfei Zhang, and Aibing Rao. Intelligent indexing and semantic retrieval of multimodal documents. Information Retrieval, 2(2): 245–275, 2000. https://www.cse.buffalo.edu/˜ arao/Papers/ir.ps.gz.

66. Michael J. Swain, Charles Frankel, and Vassilis Athitsos. WebSeer: An image search engine for the world wide web. Technical Report TR-96-14, Deptartment of Computer Science, University of Chicago, July 1996.

67. Hideyuki Tamura and Naokazu Yokoya. Image database systems: A survey. Pattern Recognition, 17(1): 29–43, 1984.

68. Leonid Taycher, Marco La Cascia, and Stan Sclaroff. Image digestion and relevance feedback in the ImageRover WWW search engine. In Proceedings of the 2nd International Conference on Visual Information Systems, San Diego, December ’97, pages 85–94, 1997.

69. J. Vendrig, M. Worring, and A. W. M. Smeulders. Filter image browsing: Exploiting interaction in image retrieval. In Huijsmans and Smeulders [109], pages 147–154.

70. Jules Vleugels and Remco C. Veltkamp. Efficient image retrieval through vantage objects. Pattern Recognition, 35(1): 69–80, 2002.

71. S. Volmer. Tracing images in large databases by comparison of wavelet fingerprints. In Proceedings of the 2nd International Conference on Visual Information Systems, San Diego, December ’97, pages 163–172, 1997.

72. James Ze Wang, Gio Wiederhold, Oscar Firschein, and Sha Xin Wei. Wavelet-based image indexing techniques with partial sketch retrieval capability. In Proceedings of the Fourth Forum on Research and Technology Advances in Digital Libraries, Washington D.C., May ’97, pages 13–24, 1997. https://www-db.stanford.edu/˜ wangz/project/imsearch/ADL97/.

73. Z. Wang, L. Hill, and T. Smith. Alexandria digital library metadata creator with extensible markup language. In Proceedings of the Third International Conference on Conceptions of Library and Information Science (CoLIS 3). Digital Libraries: Interdisciplinary Concepts, Challenges and Opportunities. Dubrovnik, Croatia, 1999.

74. C. T. Yu Y. A. Aslandogan. Multiple evidence combination in image retrieval: Diogenes searches for people on the web. In Proceddings of 23rd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2000), pages 88–95, 2000.

75. AltaVista Photofinder https://www.altavista.com/sites/search/simage.

76. Yahoo! 's Image Surfer https://isurf.yahoo.com

77. Мультимедійна пошукова система Lycos https://multimedia.lycos.com

78. Alipr https://www.alipr.com

79. Stock.xchng https://www.sxc.hu

80. Photo laboratory https://www.photl.com

81. Photos.com https://www.photos.com

82. Stockvault https://www.stockvault.net

83. Inmagine https://www.inmagine.com

84. DeviantArt https://www.deviantart.com

85. Morgue File https://www.morguefile.com

86. Every Stock Photo https://www.everystockphoto.com

87. Google images https://images.google.com

88. Google Similar Images https://similar-images.googlelabs.com

89. Flickr https://www.flickr.com

90. Gazopa Similar Image Search https://gazopa.com

91. TinEye https://www.tineye.com

92. RetrievR https://labs.systemone.at/retrievr

93. Tiltomo https://www.tiltomo.com

94. Bing https://www.bing.com

95. Live Image search https://www.live.com/? scope=images

96. The Puzzle library https://libpuzzle.pureftpd.org/project/libpuzzle

97. BYO Image Search Lab https://labs.ideeinc.com/upload

98. Xcavator https://www.xcavator.net

99. Incogna https://www.incogna.com

100. Terra Galleria Photography https://www.terragalleria.com

101. Fragrantica https://www.fragrantica.com

102. Like.com https://www.like.com

103. Exalead https://www.exalead.com

104. PicItUp https://home.picitup.com/Joomla

105. Face Search https://www.facesaerch.com

106. PicSearch https://www.picsearch.com

107. Snap.com https://www.snap.com

108. Etsy https://www.etsy.com/color.php

109. D. P. Huijsmans and A. W. M. Smeulders, editors. Visual Information and Information Systems, Proceedings of the Third International Conference VISUAL ’99, Amsterdam, The Netherlands, June 1999, Lecture Notes in Computer Science 1614. Springer, 1999.

110. A. W. M. Smeulders and R. Jain, editors. Image Databases and Multi-Media Search, proceedings of the First InternationalWorkshop IDB-MMS’96, Amsterdam, The Netherlands. Amsterdam University Press, August 1996.

111. Andy M Yip, Chris Ding, Tony F.Chan. Dynamic Cluster Formation Using Level Set Methods. – IEEE Trans. on Pattern Analysis and Machine Intelligence, vol.28, n. 6, pp.877-889, June, 2006.

112. L. Grady, E. Schwartz. Isoperimetric Graph partitioning for Image segmentation, IEEE Trans. on Pattern Analysis and Machine Intelligence 28 (3) (2006). p. 469− 475.

113. M Pavan, M Pelillo. Dominant sets and Pairwise Clustering // IEEE Trans. on Pattern Analysis and Machine Intelligence, vol.29, n. 1, p.167-172, January, 2007.

114. C. Ding, X. He. Cluster Aggregate Inequality and Multilevel Hierarchical Clustering. – Proc. 9th European Conf. Principles of Data Mining and Knowledge Discovery, pp. 71− 83, 2005.

115. Z. Yu, Hau-San Wong. GCA: A real-time grid based clustering algorithms for large data set. Proceedings of the 18th International Conference on Pattern Recognition (ICPR`06), pp. 740-743.

116. Кластеризація ключів образів з метою прискорення доступу до них / Р. Мельник, О. Алексєєв // Фіз.-мат. моделювання та інформ. технології: Наук. зб. — 2005. — Вип. 2. — С. 172-178. — Бібліогр.: 3 назв. — укp.

117. Кластеризація ключів образів на основі декомпозиції їх множини / Р.А. Мельник, О.А. Алексєєв // Відбір і оброб. інформації: Міжвід. зб. наук. пр. — 2006. — Вип. 24. — С. 110-114. — Бібліогр.: 3 назв. — укp.

118. Мельник Р.А., Алексеев О.А. Кластеризація мікрообразів для кодування зображень // Праці міжнародної конференції “Укробраз’2004”. – Київ. – 2004. - C. 81-85.

119. Кластеризація образів як інструмент для їх апроксимації та кодування / Р.А. Мельник, І.Б. Дівеєв // Відбір і оброб. інформації: Міжвід. зб. наук. пр. — 2006. — Вип. 25. — С. 99-102. — Бібліогр.: 5 назв. — укp.

120. ZedGraph framework https://sourceforge.net/projects/zedgraph

121. AForge.NET framework https://code.google.com/p/aforge

122. Image Processing Lab project https://code.google.com/p/iplab

123. Weifen Luo. DockManager Control https://sourceforge.net/projects/dockpanelsuite

124. Davide Icardi. SourceGrid https://www.codeplex.com/sourcegrid

125. Rogé rio Paulo. A Simple C# Toolbar Docking Framework https://www.codeproject.com/KB/menus/ToolBarDock.aspx

126. Witten I.H., Moffat A., Bell T.C. “Managing gigabytes: Evaluation retrieval effectiveness”, Morgan Kaufman Publishers, Inc, p. 188-191, 1999.

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

128. Мельник Р.А., Тушницький Р.Б. Застосування пакета кластеризації образів для оцінювання показників стану крові // Вісник Національного університету “Львівська політехніка”: Комп’ютерні системи проектування. Теорія і практика.– 2007. – № 591. – С. 28-33.

129. Мельник Р.А., Тушницький Р.Б. Керування параметрами кластера в алгоритмі декомпозиції зображень // Відбір і обробка інформації. – 2007. – Вип.27 (103). – С. 58-62.

130. Мельник Р.А., Тушницький Р.Б. Керування яскравістю кластера при декомпозиції зображень спектрів // Вісник Національного університету “Львівська політехніка”: Комп’ютерні науки та інформаційні технології. – 2007. – № 598. – С. 3-8.

131. Мельник Р.А., Тушницький Р.Б. Каскадна декомпозиція множин великої розмірності при кластеризації ключів образів // Вісник Національного університету “Львівська політехніка”: Комп’ютерні науки та інформаційні технології. – 2007. – № 604. – С. 249-254.

132. Мельник Р.А., Тушницький Р.Б. Сегментування зображень алгоритмом ієрархічної кластеризації // Відбір і обробка інформації. – 2008. – Вип.28 (104). – С. 97-102.

133. Мельник Р.А., Тушницький Р.Б. Дослідження впливу розмірів мікрокластерів на ступінь декомпозиції зображень // Вісник Національного університету “Львівська політехніка”: Комп’ютерні науки та інформаційні технології. – 2008. – № 616. – С. 33-40.

134. Мельник Р.А., Тушницький Р.Б. Алгоритм триступеневої кластеризації для класифікації зображень за їх структурними властивостями // Вісник Національного університету “Львівська політехніка”: Комп’ютерні науки та інформаційні технології. – 2008. – № 629. – С. 46-52.

135. Мельник Р.А., Тушницький Р.Б. Керування точністю та складністю алгоритму кластеризації даних великої розмірності допуском на функцію подібності та декомпозицією // Вісник Національного університету “Львівська політехніка”: Комп’ютерні науки та інформаційні технології. – 2009. – № 638. – С. 248-254.

136. Melnyk R., Tushnytskyy R. Image Structure Analysis by 3-stages Clustering // Intern. Journal Computing. − 2009. − Vol. 8, Issue 2.− P.86-94.

137. Melnyk R., Tushnytskyy R. Decomposition of Visual Patterns by Clustering // Proceedings of the IXth International Conference “The Experience of Designing and Application of CAD Systems in Microelectronics” (CADSM’2007). – Lviv-Polyana, 2007. – P. 278-279.

138. Melnyk R., Tushnytskyy R. Threshold and Brightness Control for Grey Patterns Decomposition by Clustering // Proceedings of the International Conference on Computer Science and Information Technologies (CSIT’2007). – Lviv, 2007. – P. 133-136.

139. Melnyk R., Tushnytskyy R., Druchok L. Iterative Clustering for Spectrums Processing // Proceedings of the 2nd International Conference of Young Scientists “Computer Science and Engineering” (CSE-2007). – Lviv, 2007. – P. 168-170.

140. Melnyk R., Tushnytskyy R. Clustering of Visual Pattern Keys by Cascading Decomposition // Proceedings of the International Conference “Modern Problems of Radio Engineering, Telecommunications and Computer Science” (TCSET’2008). – Lviv-Slavsko, 2008. – P. 295-296.

141. Мельник Р.А., Тушницький Р.Б. Обробка зображень об’єктів розвідки засобами ієрархічної кластеризації // Тези доповідей Першої Всеукраїнської науково-практичної конференції “Перспективи розвитку озброєння і військової техніки в збройних силах України” (ВНТК ЛІСВ НУ “ЛП”).– Львів, 2008. – С. 193.

142. Melnyk R., Tushnytskyy R. Patterns Analysis by Clustering // Proceedings of the Fifth International Conference “Neural Networks and Artificial Intelligence ” (ICNNAI-2008). –Minsk, Belarus, 2008. – P. 160-163.

143. Melnyk R., Tushnytskyy R. Circuit Board Image Analysis by Clustering // Proceedings of the IVth International Conference of Young Scientists “Perspective Technologies and Methods in MEMS Design” (MEMSTECH’2008). – Polyana, 2008. – P. 44-45.

144. Melnyk R., Tushnytskyy R. Image Classification by their Structural Properties // Proceedings of the III International Conference on Computer Science and Information Technologies (CSIT’2008). – Lviv, 2008. – P. 37-40.

145. Мельник Р.А., Тушницький Р.Б. Індексування та пошук зображень за структурними коефіцієнтами // Праці 9-ї Всеукраїнської міжнародної конференції “Оброблення сигналів і зображень та розпізнавання образів” (УкрОБРАЗ’2008). – Київ, 2008. – С. 143-146.

146. Melnyk R., Tushnytskyy R. Algorithm Accuracy and Complexity Optimization by Inequality Merging for Data Clustering // Proceedings of the Xth International Conference “The Experience of Designing and Application of CAD Systems in Microelectronics” (CADSM’2009). – Lviv-Polyana, 2009. – P. 453-455.

147. Melnyk R., Tushnytskyy R. Large-Scale DataSet Cascading Clustering by Item Set and Space Decomposition // Proceedings of the Vth International Conference “Perspective Technologies and Methods in MEMS Design” (MEMSTECH’2009). – Lviv-Polyana, 2009. – P. 93-95.

148. Melnyk R., Tushnytskyy R. Pattern Structure Features Extraction and Analysis // Proceedings of the IV International Conference on Computer Science and Information Technologies (CSIT’2009). – Lviv, 2009. – P. 229-232.

149. Melnyk R., Tushnytskyy R. Space Decomposition Control For Large-Scale Dataset Clustering // Proceedings ……. ACSN 2009

150. R. Melnyk, R. Tushnytskyy. Image Processing by Distributed Pattern Structure Features // Матеріали Міжн. конф.-форума “Інформаційні системи і технології” (IST 2009). − Білорусь. − 2009.

151. A. Vailaya, A.K. Jain, H.J. Zhang, “On image classification: city vs. landscape”, Pattern Recognition, vol. 31, p. 1921-1935, 1998.

152. M.J. Swain, D.H. Ballard, “Color indexing”, International journal of Computer Vision, vol. 7, n. 1, p. 11-32, 1991.

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

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

155. A.K. Jain, A. Vailaya. Image retrieval using color and shape // pattern Recognition, vol. 29, n. 8, p. 1233-1244, 1996.

156. 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.

157. J.R. Smith, C.S. Li, “Image classification and quering using composite region templates”, Academic Press, Computer Vision and Understanding, vol. 75, p. 165-174, 1999.

158. 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.

159. H.W. Yoo, S.H. Jung, D.H. Jang, Y.K. Na, “Extraction of major object features using VQ clustering for content-based image retrieval”, Pattern Recognition, vol. 35, p. 1115-1126, 2002.

160. M. Szummer, R.W. Picard, “Indoor-outdoor image classification”, IEEE International Workshop on Content-Based Access of Image and Video Database (ICCV’98), p. 42-51, 1998.

161. T.P. Minka, R.W. Picard, “Interactive learning using a society of models”, Pattern Recognition, vol. 30, n. 3, p. 565, 1997.

162. M.C. Burl, M. Weber, P. Perona, “A probabilistic approach to object recognition using local photometry and global geometry”, Proc. European Conf. Computer Vision, p. 628-641, 1998

163. J.Z. Wang, M.A. Fishler, “Visual similarity, judgmental certainty and stereo correspondence”, Proc. DARPA Image Understanding Workshop, 1998.

164. G. Karypis, E. Han, V. Kumar. Chameleon: A Hierarchical Clustering Algorithm Using Dynamic Modeling, Computer 32 (1999). p. 68− 75.

165. Sagi Katz, Ayellet Tal. Hierarchical mesh decomposition using fuzzy clustering and cuts // ACM Transactions on Graphics. – 2003. – Vol. 22, issue 3.- P. 954 – 961.

166. R. Dosil, X.M. Pardo, X.R. Fdez-Vidal. Decomposition of three-dimensional medical images into visual patterns // IEEE Transactions on biomedical engineering. – 2005. - Vol. 52, n. 12. - P. 2115-2121.

167. L. Hong, Y. Wan, A. Jain - Fingerprint image enhancement: Algorithm and performance evaluation - IEEE Transactions on Pattern Analysis and Machine Intellegence - 1998 (Vol. 20, No.8), pp.777-789.

168. K. Wilamowska, M. Manic. Unsupervised pattern clustering for data mining // Proceedings of the 27th Annual Conference of the IEEE Industrial Electronics Society. IECON’01. – P 1862 – 1867.

169. K. Anil, R. Dubes. Algorithms for Clustering Data, Prentice Hall, 1988. 320 p.

170. M. Laszlo, S. Mukherjee. A Gegridic Algorithm Using Hyper-Quadtrees for Low-Dimensional K-means Clustering, IEEE Transactions on Pattern Analysis and Machine Intelligence 28 (4) (2006). p. 533− 543.

171. Використаня двигуна SIMPLIcity на практиці www.airliners.net

172. Jia Li, James Z. Wang, “Automatic linguistic indexing of pictures by a statistical modeling approach”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 25, no. 9, pp. 1075-1088, 2003.