Автоматизация анализа растровых изображений твердой фазы биологической жидкости медико-биологических препаратов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Петров, Владимир Олегович

• Петров, Владимир Олегович
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Петров, Владимир Олегович

ВВЕДЕНИЕ.

1. ОБЗОР АЛГОРИТМОВ И МЕТОДОВ АВТОМАТИЗИРОВАННОЙ МИКРОСКОПИИ.

1.1 Задачи автоматизированной микроскопии.

1.1.1 Формирование больших полей наблюдения.

1.1.2 Увеличение глубины резкости рельефного объекта при микроскопии.

1.1.3 Трехмерная реконструкция.

1.1.4 Количественный анализ.

1.1.5 Способы измерения физических размеров объектов на растровом изображении.

1.1.6 Статистический анализ.

1.1.7 Исследование динамики изменения медико-биологического препарата

1.2 Исследование твердой фазы биологической жидкости.

1.3 Выделение (сегментация) объектов интереса на растровом изображении.

1.3.1 Сегментация текстурных изображений на основе оценки локальных статистических признаков.

1.3.2 Текстурная сегментация изображений на основе Марковских .случайных полей.

1.3.3 Алгоритм текстурной сегментации JSEG.

1.3.4 Алгоритм интерактивной сегментации Magic Wand.

1.3.5 Алгоритм интерактивной сегментации Intelligent Scissors.

1.3.6 Алгоритм интерактивной сегментации Intelligent Paint.

1.3.7 Алгоритм интерактивной сегментации GraphCut.

1.3.8 Алгоритм интерактивной сегментации GrabCut.

1.3.9 Алгоритм интерактивной сегментации Random Walker.

1.3.10 Алгоритм интерактивной сегментации GrowCut.

1.3.11 Сравнение алгоритмов сегментации.

1.4 Выводы.

2. РАЗРАБОТКА АЛГОРИТМОВ И МЕТОДОВ СЕГМЕНТАЦИИ РАСТРОВЫХ ИЗОБРАЖЕНИЙ.

2.1 Метод текстурной сегментации растровых изображений.

2.2 Модификация алгоритма активных контуров для решения задач интерактивной сегментации растровых объектов.

2.3 Метод автоматической фокусировки микроскопа.

2.4 Метод увеличения глубины резкости растрового изображения по множеству однотипных изображений, полученных с разными фокусными расстояниями регистрирующего устройства.

2.5 Выводы.

3. АВТОМАТИЗАЦИЯ АНАЛИЗА ТЕКСТУРНЫХ ОСОБЕННОСТЕЙ ФАЦИИ ПРИ МИКРОСКОПИИ.

3.1 Особенности объекта исследования.

3.2 Проблемы автоматизированного анализа растрового изображения фации.

3.3 Подход к анализу изображения фации перитонеальной жидкости.

3.4 Алгоритм нахождения границ препарата.

3.5 Разбиение растрового изображения на элементарные блоки.

3.6 Сегментация растрового изображения фации.

3.7 Вычислительный эксперимент для исследования подхода к анализу изображения фации и текстурной сегментации растрового изображения.

3.7.1 Методика проведения эксперимента.

3.7.2 Выполнение эксперимента.

3.7.3 Выводы.

3.8 Формализованное описание модели фации (твердой фазы биологической жидкости).

3.8.1 Показатель равномерности распределения текстуры внутри зоны.

3.8.2 Косвенный показатель, определяющий доминирующие частотные характеристики.

3.9 Эксперимент, ориентированный на классификацию растровых изображений паттернов твердой фазы перитонеальной жидкости, с участием группы экспертов.

3.10 Эксперимент, ориентированный на исследование качества сегментации и измерение основных морфологических характеристик фаций.

3.11 Автоматизированный анализ динамики текстурных изменений по растровым изображениям фаций.

3.12 Выводы.

4. ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ АНАЛИЗА МЕДИКО-БИОЛОГИЧЕСКИХ ПРЕПАРАТОВ ПРИ МИКРОСКОПИИ.

4.1 Описание программного комплекса.

4.1.1 Программный модуль для отделения объекта интереса от фона на растровом изображении.

4.1.2 Программный модуль для измерения растровых объектов по множеству количественных характеристик.

4.1.3 Программный модуль для анализа информативных признаков растровых объектов.

4.1.4 Программный модуль для анализа медико-биологического образца, полученного в результате дегидратации биологической жидкости.

4.1.5 Программный модуль для классификации растровых объектов.

4.2 Архитектура программного комплекса.

4.3 Функциональная схема программного комплекса.

4.4 Выводы.

Введение диссертации (часть автореферата) на тему «Автоматизация анализа растровых изображений твердой фазы биологической жидкости медико-биологических препаратов»

Актуальность темы. Широкое разнообразие методик исследования различных заболеваний с использованием микроскопии в медицине и улучшение технического обеспечения лабораторий, больниц и институтов открывают дополнительные возможности для качественной диагностики заболеваний и исследования новейших методик их лечения.

В последнее время одним из перспективных направлений анализа биологических жидкостей в гистологии, цитологии, ботанике и в других областях науки является исследование твердой фазы биологической жидкости, основанное на явлении дегидратации. Термин дегидратация означает обезвоживание жидких и аморфных материалов. В медицине на основе дегидратации строится множество методик научных исследований и лабораторной диагностики. К примеру, клиновидная дегидратация, метод микрокристаллических реакций, кристаллооптический метод. Все они обладают рядом весомых преимуществ: дешевизна, простота в исполнении, а также высокая чувствительность и информативность.

В качестве биологических жидкостей могут выступать: сыворотка крови, перитонеальная жидкость, спинномозговая жидкость, слизь, слюна и другие. В результате дегидратации биологической жидкости появляется пленка, которая получила название фация. Наблюдаемое при микроскопии изображение фации является отображением структурного состава биологической жидкости. Таким образом, наблюдая фацию, можно делать приближенные выводы о составе исследуемого препарата.

Тем не менее, существуют проблемы исследования твердой фазы биологической жидкости. Значительная доля исследований ведется по качественным особенностям на феноменологическом уровне вследствие трудности определения количественных характеристик получаемых паттернов.

Высокая степень субъективизма в оценке результатов также является негативным фактором.

Исследование фаций белковых жидкостей ведется по трудно подходящим для классификации текстурным характеристикам, а оценка результатов осуществляется врачом или лаборантом субъективно. Такой подход эффективен в случае ярко выраженных отличий. В то же время промежуточные виды фаций, полученные на этапе динамики развития патологического процесса, не могут быть верифицированы с использованием интуитивного подхода. Для оперативного принятия решения важно измерение и оценка динамики изменения картины фации.

Современные технические и программные средства, ориентированные на автоматизированный анализ существующих и апробированных методик диагностики, в большей степени подходят для препаратов, полученных методом окрашивания. За счет окрашивания достигается получение цвето-яркостных различий между объектами без учета пространственных характеристик геометрических (визуальных) особенностей. Это облегчает их распознавание, как в автоматическом режиме, так и самим лаборантом.

Наблюдаемая при микроскопии картина фации существенно отличается от традиционных окрашенных препаратов не только отсутствием цвета, но и наличием хаотичных текстур и являющихся, по сути, ее морфологическими особенностями. В связи с этим, для автоматизированного анализа фации требуется разработка новых методов и алгоритмов количественной оценки текстур. Под текстурой в рамках данной работы понимается растровое изображение, состоящее из более или менее близких по восприятию элементов.

В сотрудничестве с Волгоградским государственным медицинским университетом были сформулированы проблемы при лабораторных исследованиях медико-биологического препарата с использованием методик, основанных на дегидратационном анализе. Для решения этих проблем необходимо: создать методику количественной оценки растровых фрагментов текстур; разработать метод сегментации растрового текстурного изображения с учетом прикладных особенностей; разработать методы обработки данных, способствующие автоматизированной поддержке медицинских методик, основанных на дегидратации.

Существующие алгоритмы сегментации эффективно работают на контрастных растровых изображениях, на которых текстуры обладают свойствами однородности и повторяемости. Более того, критерий сегментации не отражает характера текстурного сегмента или позволяет определить степень сходства с объектом-эталоном. В нашем случае, помимо сегментации растрового изображения с заранее не известными текстурными особенностями, необходимо определить признаки, характеризующие текстурные сегменты.

Таким образом, актуальными являются задачи, связанные с количественным описанием текстурных особенностей, позволяющих выполнить сегментацию и классификацию в задачах автоматизированного анализа твердой фазы биологической жидкости.

Актуальность данной работы состоит в разработке метода количественного анализа текстуры растрового изображения биологического препарата. В частности:

- разработка метода текстурной сегментации растрового изображения без предварительного обучения алгоритмов на контрольной выборке однотипных изображений;

- разработка метода автоматической сегментации растровых изображений по текстурным признакам изображений медико-биологического препарата, ориентированных на особенности наблюдаемой при дегидратации картины;

- разработка методики расчета количественных характеристик текстурных особенностей растровых изображений для классификации и сравнительного анализа.

Актуальность темы для решения прикладных задач подтверждается потребностью в разработке методик, которые могут стать основой для проектирования программно-технических систем автоматизированного анализа растровых изображений, полученных в результате микроскопического анализа твердой фазы биологической жидкости. Ключевой особенностью метода автоматизированного анализа растрового изображения следует выделить возможность количественной оценки их текстурных особенностей.

Целью диссертационной работы является разработка новых методов анализа растрового изображения твердой фазы биологической жидкости, обеспечивающих решение задач «машинного» зрения в данной предметной области.

Для достижения цели необходимо решить следующие задачи:

- исследовать цели, задачи и методы, а также особенности предметной области микроскопии при анализе твердой фазы биологической жидкости;

- выполнить обзор существующих методов сегментации растровых изображений и средств автоматизированной поддержки медицинских методик анализа и диагностики;

- разработать подход к анализу изображений фаций, позволяющий проводить исследования твердой фазы биологической жидкости автоматическом режиме;

- разработать алгоритмы для осуществления морфологического разбора фации на структурные зоны;

- разработать алгоритмы для получения количественных характеристик текстурных особенностей изображений для сравнительного анализа, исследования динамики текстурных изменений и классификации объектов;

- проверить работоспособность разработанных методик и алгоритмов на растровых изображениях фаций и других изображениях с текстурой;

- разработать программный комплекс для автоматизированного анализа растрового изображения фации (твердой фазы биологической жидкости).

Методы исследований. Решение поставленных задач потребовало привлечения подходов и методов в следующих направлениях научной деятельности: медико-биологическая морфометрия, алгоритмы обработки цифровых изображений, обработка одномерных сигналов, статистическая обработка данных, системный анализ, распознавание образов.

Достоверность и обоснованность результатов. Достоверность и адекватность результатов работы разработанного метода текстурной сегментации проверялась как на изображениях фаций перитонеальной жидкости, так и на искусственно созданных растровых изображениях со сложной текстурой. Оценка достоверности результатов обработки изображений фаций осуществлялась группой экспертов лаборатории моделирования патологии ГУ «Волгоградский научный центр Российской академии медицинских наук и Администрации Волгоградской области» в рамках проделанных экспериментов.

Научная новизна. Предложены новые алгоритмы и методы автоматизированного анализа текстур растровых изображений, а также разработаны методы обработки данных, способствующих автоматизированной поддержке медицинских методик исследования твердой фазы биологической жидкости.

1. Предложен новый метод текстурной сегментации растровых изображений без предварительного обучения на контрольной выборке изображений.

2. Предложена новая методика количественной оценки текстуры растрового изображения для решения задач классификации и сравнительного анализа при исследовании динамики текстурных изменений.

3. Предложено формализованное описание фации биологической жидкости, в котором снижена степень субъективной составляющей за счет введения количественных оценок текстурных особенностей выделенных зон.

10

Практическая значимость работы

Полученные результаты позволят снизить субъективную составляющую при анализе твердой фазы биологической жидкости и ускорить процесс измерения морфологических характеристик исследуемых объектов в результате дегидратации биологической жидкости.

1. Автоматизированный анализ твердой фазы биологической жидкости позволяет оперативно накапливать статистику анализа изображений для комплексного исследования клинических методик и выдвижения новых гипотез.

2. На основе предложенных алгоритмов и методов автоматизированного анализа изображений становится возможным исследование динамики текстурных изменений на промежуточных этапах течения патологического процесса.

3. Реализованный программный комплекс автоматизированного анализа фации может быть использован для анализа твердой фазы биологической жидкости.

4. Разработанный метод текстурной сегментации растровых изображений может быть применен в задачах сегментации растровых изображений в разных предметных областях (картография, материаловедение).

Основные положения и результаты, выносимые на защиту:

1. Метод текстурной сегментации растрового изображения.

2. Формализованное описание фации, полученной в результате дегидратации биологической жидкости.

3. Методы количественного измерения текстурных особенностей объектов на изображении для решения задач классификации и сравнительного анализа.

4. Подход к исследованию твердой фазы биологической жидкости по цифровому изображению.

Внедрение.

1. Разработка «Программа для исследования медико-биологического препарата, полученного методом клиновидной дегидратации при микроскопии» внедрена на кафедре патологической анатомии Волгоградского государственного медицинского университета.

2. Разработка «Программный комплекс для решения прикладных задач анализа медико-биологических препаратов при микроскопии» внедрена на кафедре оперативной хирургии и топографической анатомии Волгоградского государственного медицинского университета.

3. Разработка «Программа для исследования медико-биологического препарата, полученного методом клиновидной дегидратации при микроскопии» внедрена в лаборатории моделирования патологии ГУ «Волгоградский научный центр Российской академии медицинских наук и Администрации Волгоградской области».

4. Работа ведется при поддержке Фонда содействия малых форм предприятий в научно-технической сфере по программе «СТАРТ-08».

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры САПР и ПК ВолгГТУ и кафедры АСОИУ КТИ, а также на международных, всероссийских научных и научно-практических конференциях: V Всероссийской научно-практической конференции, г. Камышин (2008), «Инновационные технологии в управлении, образовании, промышленности "АСТИНТЕХ-2008", Каспийский инновационный форум «Инно-Каспий» (2009).

Публикации. По теме диссертации опубликовано 21 печатная работа, в том числе 3 из них в журналах, рекомендованных ВАК; оформлено 5 авторских свидетельств о государственной регистрации программы для ЭВМ.

Объем и структура работы.

Работа состоит из введения, четырёх глав с выводами, заключения, трех приложений, списка литературы. Общий объем работы: страниц - 146, иллюстраций -57, таблиц - 9. В списке литературы 115 наименований.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Петров, Владимир Олегович

Основные результаты работы состоят в следующем:

1. Разработанный метод текстурной сегментации позволяет осуществить морфологический разбор изображения фации на структурные зоны по текстурным признакам.

2. Разработанные алгоритмы для количественного измерения текстурных особенностей фрагментов растрового изображения позволят существенно снизить степень субъективной оценки эксперта при исследовании твердой фазы биологической жидкости.

3. Разработанный подход к исследованию твердой фазы биологической жидкости по растровому изображению фации учитывает особенности предметной области. Поэтому становится возможным процесс автоматизации этапа предварительной обработки изображения фации, и измерение морфологических характеристик.

4. Предложенное формальное описание фации позволяет произвести анализ по текстурным особенностям в условиях уникальности узора и не значительной степени вариации цвето-яркостных характеристик цифрового изображения.

5. Разработанный программный комплекс был использован для автоматизации типовых и инновационных микроскопических исследований при дегидратационном анализе на кафедре патологической анатомии ВолГМУ и в лаборатории моделирования патологии ГУ «Волгоградский научный центр Российской академии медицинских наук и Администрации Волгоградской области», о чём свидетельствуют соответствующие акты внедрения.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Петров, Владимир Олегович, 2009 год

1. Адаптивные методы обработки изображений: Сб. науч. тр. / Под ред. В.И. Сифорова, Л.П. Ярославского. М. : Наука, 1988. - 244с.

2. Александров, В.В. Алгоритмы и программы структурного метода обработки данных / В.В. Александров, Н.Д. Горский. Л. : Наука, 1983. - 208 с.

3. Александров, В.В. Представление и обработка изображений. Рекурсивный подход / В.В. Александров. Л : Наука, 1985. - 192 с.

4. Анисимов, Б.В. Распознавание и цифровая обработка изображений / Б.В. Анисимов, В.Д. Курганов, В.К. Злобин. М. : Высшая школа, 1983. - 295 с.

5. Баринова, О. Методы сегментации изображений: автоматическая сегментация / О. Баринова, А. Вежневец // Графика и мультимедия. 2006. Электронный ресурс. Режим доступа: http://cgm.graphicon.ru/content/view/147/62/.

6. Бендат, Дж. Измерение и анализ случайных процессов / Дж. Бендат, А. Персон. М. : Мир, 1974. - 250 с.

7. Видеотест, Универсальный анализатор изображений для медицины и биологии ВидеоТесТ-Морфология / Видеотест // Системы анализа изображений Электронный ресурс. Режим доступа: http://www.videotest.ru/

8. Волошин, Д. Реализация процедурных текстур методом Шума Перлина / Д. Волошин // GameDev. 2004. Электронный ресурс. Режим доступа: http://www.gamedev.ru/articles/?id=30126

9. Вудс, Р. Цифровая обработка изображений / Р. Вудс, Р. Гонсалес. М. : Техносфера, 2006 г. - 1072 с.

10. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, B.C. Киричук, и др. Новосибирск, 2000.

11. Даджион, Д. Цифровая обработка многомерных сигналов / Д. Даджион, Р. Мерсеро.; Под ред. Л.П. Ярославского. М. : Мир, 1988. - 488 с.

12. Дженкинс, Г. Спектральный анализ и его приложения / Г. Дженкинс, Д. Ватте,-М.: Мир, 1971.-317 с.

13. Диаморф, Программное обеспечение для автоматической морфометрии и подсчета объектов на цифровых изображениях / ДиаМорф Объектив // Электронный ресурс. Режим доступа: http ://www. di amorph, ru/aboutprog .html

14. Дюк, В.А. Информационные технологии в медико-биологических исследованиях / В.А. Дюк. СПб. : Питер, 2003. - 528 с.

15. Дюран, Б. Кластерный анализ / Б. Дюран, П. Одел. М. : Статистика, 1977. - 128 с.

16. Егорова, О.В. Комплектация современных лабораторий медико-биологической направленности / О.В. Егорова // Клинико-лабораторный Консилиум. 2004. - №2. - С. 43-44.

17. Каликинская, Е. Вселенная внутри капли / Е. Каликинская // Наука и жизнь. 1999. - № 7. - С. 30-33.

18. Ким, О. Факторный, дискриминантный и кластерный анализ / О.Ким, Ч.У. Мьюллер, У.Р. Клекка и др.; Под ред. И.С. Енюкова. - М. : Финансы и статистика, 1989. -215 с.

19. Ковтун, И.В. Текстурная сегментация изображений на основании Марковских случайных полей // УСиМ. 2003. - № 4. - С. 46-55.

20. Козловская, JI.B. Учебное пособие по клиническим лабораторным методам исследованиям. 2-е изд. / JT.B. Козловская, А.Ю. Николаев.- М. : Медицина, 1984.- 288 с.

21. Красильников, H.H. Цифровая обработка изображений / H.H. Красильников. -Изд-во: Вузовская книга, 2001. 320 с.

22. Куприянов, A.B. Сегментация текстурных изображений на основе оценивания локальных статистических признаков / A.B. Куприянов // Вестник СГАУ, 2008. Т.2. - № 15. - С. 245-251

23. Лоусон, Ч. Численное решение задач метода наименьших квадратов / Ч Лоусон, Р. Хенсон // Пер. с англ. М.: Наука., 1986. - 232 с.

24. Максимов, С.А. Морфология твердой фазы биологических жидкостей как метод диагностики в медицине / С.А. Максимов // Бюллетень сибирской медицины, 2007. № 4. - С. 80-85.

25. Максимов, С.А. Некоторые характеристики отдельности фации сыворотки крови / С.А. Максимов, Д.С. Куреляк // Бюллетень международной ассоциации хирургов. 2006. - Ч. 1. - № 3. - С. 63-64.

26. Манд ель, И. Д. Кластерный анализ / И. Д. Мандаль. М. : Финансы и статистика, 1988. - 176 с.

27. Марпл, С.Л. Цифровой спектральный анализ и его приложения / Пер. с англ. Под ред. С.И. Рыжака- М.: Мир, 1990. 584 с.

28. Медовый, B.C. Автоматизированная микроскопия биоматериалов / , B.C. Медовый, A.A. Парпара, A.M. Пятницкий и др. // Здравоохранение и медицинская техника. -2005. №4(18). - С. 42-43.

29. Медовый, B.C. Информационные автоматизированные системы микроскопии для анализа биоматериалов / B.C. Медовый // Врач и информационные технологии. 2004. - № 6. С. 32-37.

30. Медовый, B.C. Обзор методик автоматизированной микроскопии биоматериалов / B.C. Медовый, A.A. Парпара, A.M. Пятницкий и др. // Клиническая лабораторная диагностика. 2006. - № 7. - С. 15-20.

31. Мекос, Типы анализов и методик / Мекос // Медицинские компьютерные системы Электронный ресурс. Режим доступа: http : // www. me с о s. ru/me с о s web/te chni quesru s. htm

32. Оппенгейм Э. Применение цифровой обработки сигналов / Э Оппенгейм. -М.: Мир, 1980. 550 с.

33. Павлидис, Т. Алгоритмы машинной графики и обработки изображений / Т. Павлидис. М. : Радио и связь, 1986. - 399 с.

34. Пантелеев, В.Г. Компьютерная микроскопия / В. Г. Пантелеев, О. В. Егорова, Е. И. Клыкова. М.: Техносфера, 2005. - 303 с.

35. Перегудов, Ф.И. Основы системного анализа / Ф.И. Перегудов, Ф.П. Тарасенко. Томск : Изд-во HTJI, 1997. - 396 с.

36. Петров, В.О. Автоматизация этапа анализа характеристик белковых фракций при электрофорезе биологических жидкостей / В.О. Петров, О.О. Привалов, C.B. Поройский, и др. // Бюллетень Волгоградского научного центра РАМН, 2008. № 3. С. 53-54.

37. Петров, В.О. Программа, отделяющая объекты интереса от фона на растровом изображении / В. О. Петров, О. О. Привалов. // Свидетельство об официальной регистрации программы для ЭВМ № 2009611263. Зарегистрировано в реестре программ для ЭВМ 27.02.2009.

38. Поваркова, A.B. Компьютерный анализ изображений в медицине / A.B. Поваркова // Морфология. 1997. - №5. С. 103-106.

39. Попов, Д. И. Анализ систем цифровой обработки с рекурсивными фильтрами / Д. И. Попов // Известия вузов. Радиоэлектроника. -2000. -Т. 43, № 6. -С. 12-19.

40. Привалов, О.О. Автоматическая сегментация цифровых изображений медико-биологических препаратов методом кластерного анализа / О.О. Привалов, Л.Н. Бутенко // Современные наукоёмкие технологии: науч. — теоретич. журнал / М. - 2007. - №10. - С. 79-80.

41. Привалов, О.О. Многофункциональный программный комплекс для поддержки уникальных и состоявшихся методик медико-биологического анализа / О.О. Привалов, В.О. Петров, И.В. Степанченко и др. //

42. Инновационные технологии в управлении, образовании, промышленности «АСТИНТЕХ-2008»: Материалы международной научной конференции, 15-17 апреля 2008. АГУ. Астрахань, 2008. - С. 22-24.

43. Сойфер, В.А. Методы компьютерной обработки изображений / В.А. Сойфер. Физматлит, 2003. - 784 с.

44. Спорыхин В.Я., Меркулова Е.В., Коков А.И. Автоматизированная подсистема распознавания и оконтуривания клеток // Вестн. Херсон, гос. ун-та.-2003.-№2.-С.162-166.

45. Тарасевич Ю.Ю. t-модель для медицинской экспресс диагностики: новый подход или ошибочный алгоритм? // Математическое моделирование, 13(8), 2001, стр. 117-120.

46. Тарасевич Ю.Ю. Компьютерное моделирование процесса роста кристаллов из раствора. // Журнал технической физики, 71(5), 2001, с. 123-125.

47. Тарасевич Ю.Ю. Механизмы и модели дегидратационной самоорганизации биологических жидкостей. // Успехи физических наук, 2004, 174(7), с. 779-790.

48. Тарасевич Ю.Ю., Константинов В.О., Аюпова А.К. Моделирование дендритного роста кристаллов соли в биологических жидкостях. // Известия вузов. Северо-Кавказский регион. Естественные науки. 2001. Спецвыпуск. Математическое моделирование, с. 147-149.

49. Тарасевич, Ю.Ю., Православнова Д.М. Качественный анализ закономерностей высыхания капли многокомпонентного раствора на твердой подложке // Журнал технической физики. 2007. - т. 77, вып. 2. - С. 17-21.

50. Уидроу, Б. Адаптивная обработка сигналов / Б. Уидроу, С. Стирнз: пер. с англ. -М.: Радио и связь, 1989. -440 с.

51. Фершильд, М.Д. Модели цветового восприятия / М.Д. Фершильд -Wiley : 2006 г. 439 с.

52. Фор, А. Восприятие и распознавание образов/ А. Фор, под ред. Г.П. Катыса. М. : Машиностроение, 1989.- 272 с.

53. Форсайт, Д. Компьютерное зрение. Современный подход / Д. Форсайт, Д. Понс. Изд-во Вильяме, 2004. - 928 с.

54. Хуанг, Т.С. Обработка изображения и цифровая фильтрация / Т.С. Хуанг. М. : Мир, 1979. - 274 с.

55. Шабалин, В. Н., Морфологии биологических жидкостей человека / Шабалин, В. Н., Шатохина С. Н. М.: Хризостом, 2001.

56. Штейн, Г.И. Возможности анализатора изображений "ВидеоТесТ" для проведения микрофотометрических исследований в цитологии / Г.И. Штейн, В.Г. Пантелеев, А.В. Поваркова и др. // Цитология. — 1998. Том 40, № 10, С. 913-916.

57. Юшин, В.И. О совмещении спектральных и временных оценок / В.И. Юшин // Программные продукты и системы; сб. науч. статей / Тверь, 2005. -№1. С.40-44.

58. Яншин, В. Обработка изображений на языке СИ для IBM PC. Алгоритмы и программы / В. Яншин, Г. Калинин. М. : Мир, 1994 - 245 с.

59. Auto-montage for perfectly focused 3d images / SYNCROSCOPY Электронный ресурс. Режим доступа: http://www.syncroscopy.com/syncroscopy/automontageshort.asp

60. Beaudet, P. Rationally Invariant Image Operations / P. Beaudet // in International Joint Conference on Pattern Recognition, Kyoto, Japan. 1978. - pp. 579-583.

61. Borgefors, G. Distance Transformations in Digital mages / G. Borgefors // Computer Vision, Graphics, and Image Processing. 1986. - №34. - pp. 344-371.

62. Bow, S.T. Pattern Recognition and Image Preprocessing / S.T. Bow, M. Dekker.-New York, 1992.

63. Canny, J. A computational approach to edge detection / J. Canny // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986. - № 8(6). - pp. : 679-698.

64. Celenk, M. Hierarchical Color Clustering for Segmentation of Textured Images // Proc. of the 29th Southeastern Symposium on system Theory. 1997.

65. Cross, G.R. Markov Random Field Texture Models / G.R. Cross, A.K. Jain // IEEE Trans, on Pattern Analysis and Machine Intelligence. 1983.

66. Davis, E. Machine Vision: Theory, Algorithms, Practicalities / E. Davis. -Academic Press, 1996.

67. Field, D.J. Relations between the Statistics and Natural Images and the Responses Properties of Cortical Cells / D.J. Field // Optical Soc. Am. 1987. -№4. -pp. 2379-2394.

68. Forstner, W. A feature based correspondence algorithm for image matching / W. Forstner // Intl. Arch. Photogramm. Reemote Sensing. 1986. - №26. - pp. 150166.

69. Haralick, R. M. Image Segmentation Techniques / R.M. Haralick, L. G. Shapiro // Computer Vision, Graphics, and Image Processing. 1985. - №29.

70. Hueckel, M.H. An operator which Locates Edges in Digitized Pictures / M.H. Hueckel//JACM. -1971. №1. - pp. 113-125.

71. Illingworth, J. A Survey of the Hough Transform / J. Illingworth, J. Kittler // CVGIP. 1988, - №44. - pp. 87-116.

72. Jacob. M. Design of Steerable Filters for Feature Detection Using Canny-Like Criteria /М. Jacob, M. Unser // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1998. - №8. - pp. 1007-1019.

73. Jain, R. Machine Vision / R. Jain, R. Kasturi, B.G. Schunck, 1995.

74. Kaas M., Witkin A., Terzopoulos D. Snakes: Active Contour Models. // Int. Journal of Computer Vision. 1987, N1, -p.312-331

75. Konishi, S. A Statistical Approach to MultiScale Edge Detection / S. Konishi, A.L. Yuille, J.M. Coughlan // Proc. Workshop Generative-Model-Based Vision: GMBV. 2002. №2.

76. Koschan, A. Colour Image Segmentation a survey / A. Koschan, W. Skarbek // Graphics and media lab. 1994. Электронный ресурс. Режим доступа: http://citeseer.nj.nec.com/78729.html.

77. Kuang, С Practical issues in pixel-based auto focusing for machine vision / N. K. Chern, Nathaniel Poo Aun Neow, H. Marcclo, Jr. Aug // International Conference on Robotics & Automation. Seoul; Korea. - 2001. — p.8

78. Liu, J. Multiresolution Color Image Segmentation / J. Liu, Y-H. Yang // IEEE Trans, on Image Processing. 1994. -№ 16. - pp. 689-700.

79. Lucchese, L. Color Image Segmentation / L, Lucchese, S.K. Mitra // A State-of-the-Art Survey. 2001.

80. Luo, J. Perceptual grouping ofsegmented regions in color images / J. Luo, C. Guo // Graphics and media lab. 2003. Электронный ресурс. Режим доступа: http: http://www.cs.ucla.edu/~cguo/publications.htm.

81. Martin, D. Learning Affinity Functions for Image Segmentations / D. Martin // Pattern Recognition. 2003. - №9. pp. 26.

82. Meer, P. Smoothed differentiation filters for images / P. Meer, I. Weiss // Journal of Visual Communication and Image Representation. 1992. -№3(1). - pp. 58-72.

83. Nayar, K. Parametric feature detection / K. Nayar, S. Baker, H. Murase // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1996.

84. Rad, A.A. Fast Circle Detection Using Gradient Pair Vectors. Proc / A.A. Rad, K. Faez, N. Qaragozlou // VII th Digital Image Computing, Sydney, Australia. -2003. pp. 879-887.

85. Shafarenko, L. Automatic Watershed segmentation of Randomly Textured Color Images/ L. Shafarenk, M. Petrov, J. Kittler // IEEE Trans, on Image Processing. 1997.

86. Torre, V. On edge detection / V. Torre, T.A. Poggio // IEEE Transaction on Pattern Analysis and Machine Intelligence. 1986. - №8(2). - pp. 147-163.

87. Trajkovich, M. Fast corner detection / M. Trajkovich, M. Handley // Image and Vision Computing. 1998. - №16. - pp. 75-87.

88. Tremeau, I. A Region growing and Merging Algorithm to color segmentation / I. Tremeau, N. Borel // Pattern Recognition. 1997.

89. Weiss, I. High-order differential filters that work / I. Weiss // IEEE Transaction on Pattern Analysis an Machine Intelligence. 1994. - №16(7). - pp. 734-739.

90. СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ

91. БЖ — Биологическая жидкость

92. ИСД Интегральный спектр дисперсии

93. СПМ Спектральная плотность мощности1361. СПИСОК ТЕРМИНОВ

94. Фация — пленка, полученная в результате обезвоживания биологической жидкости.

95. Текстура — растровый сегмент, состоящий из более или менее близких по восприятию элементов.

96. Дегидратация — обезвоживание биологической жидкости.