Измерение границ объектов по оптическим изображениям в условиях дифракционного размытия тема диссертации и автореферата по ВАК РФ 05.11.16, кандидат наук Иночкин Федор Михайлович

• Иночкин Федор Михайлович
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Иночкин Федор Михайлович

1.3.2. Аберрации оптических систем

1.3.3. Пространственная дискретизация изображений

1.3.4. Неравномерность яркости объекта или фона

1.4. Выводы по главе

ГЛАВА 2. Двумерный аппроксимационный метод оценивания границ объектов

2.1. Концепция двумерного аппроксимационного метода

2.1.1. Обоснование двумерного аппроксимационного метода

2.1.2. Стратегия оценивания границ двумерной аппроксимацией

2.2. Непрерывная модель изображения

2.2.1. Моделирование размытия изображения оптической системой

2.2.2. Моделирование границ объекта

2.2.3. Моделирование распределений яркости объекта и фона

2.3. Дискретная модель изображения (прямая задача)

2.3.1. Математическое описание дискретной модели изображения

2.3.2. Моделирование методом субпиксельной дискретизации

2.3.3. Концепция моделирования изображения в фурье-области

2.3.4. Алгоритм моделирования изображения в фурье-области

2.4. Оценка параметров модели по дискретному изображению (обратная задача)

2.4.1. Постановка задачи

2.4.2. Расчет вектора градиента функционала

2.4.3. Оптимизационная стратегия решения обратной задачи

2.4.4. Регуляризация решения на основе гипотезы плавности контура объекта

2.5. Выводы по главе

ГЛАВА 3. Исследование эффективности алгоритмов оценивания границ в условиях дифракционного размытия

3.1. Количественный критерий точности оценки границы

3.2. Влияние размытия изображения оптической системой

3.2.1. Дифракционное размытие

3.2.2. Аберрации оптической системы

3.3. Влияние неравномерности яркости

3.3.1. Влияние неравномерности яркости на смещение оценки положения границы

3.3.2. Влияние текстуры объекта на точность оценки контура

3.4. Влияние пространственной дискретизации изображения

3.5. Влияние шума

3.6. Исследование на натурных изображениях

3.6.1. Постановка эксперимента

3.6.2. Сравнение методов оценки границ

3.6.3. Влияние параметров метода двумерной аппроксимации на точность оценки границы

3.6.4. Сравнение с методами восстановления изображений

3.7. Выводы по главе

ГЛАВА 4. Применение методов оценивания границ в условиях дифракционного размытия на примере задачи измерения температурного коэффициента линейного расширения

4.1. Проблема оптического измерения температурного коэффициента линейного расширения объектов

4.1.1. Методы измерения температурного коэффициента линейного расширения

4.1.2. Проблематика автоматизированной обработки изображений в системах измерения температурного расширения

4.2. Система измерения температурного расширения ДОВ-1

4.2.1. Общее описание системы

4.2.2. Подсистема ввода изображений

4.2.3. Прикладное программное обеспечение системы

4.3. Измерение расширения образцов в системе ДОВ-1

4.3.1. Методика расчета величины расширения

4.3.2. Алгоритм оценки смещения края образца

4.3.3. Сравнение погрешностей методов оценки смещения края образца

4.4. Особенности практической реализации двумерного аппроксимационного метода в измерительной системе ДОВ-1

4.4.1. Измерение импульсного отклика системы

4.4.2. Оценка параметров модели импульсного отклика в условиях малой глубины резкости системы

4.5. Выводы по главе

Введение диссертации (часть автореферата) на тему «Измерение границ объектов по оптическим изображениям в условиях дифракционного размытия»

ВВЕДЕНИЕ

Актуальность темы диссертации. В связи с прогрессом в технологии твердотельных матричных фотоприемников изображений и аппаратных средств цифровой обработки изображений, оптические методы измерения геометрических параметров объектов находят все более широкое применение в широком спектре задач фундаментального и прикладного характера: исследование деформаций конструкций и материалов в различных условиях их эксплуатации, промышленный контроль и управление производством, автономная пространственная навигация, медицинская диагностика, дистанционное зондирование Земли, микробиологические исследования. К преимуществам оптических методов измерения относят бесконтактность, монолитность конструкции измерительной системы, отсутствие подвижных частей системы, возможность дистанционных измерений.

Одной из проблем, возникающих при применении оптических методов для измерения геометрии объектов, является ограниченная разрешающая способность оптических систем, проявляющаяся в виде дифракционного размытия изображений. Дифракционное размытие является неотъемлемым свойством традиционных оптических систем и характеризуется снижением амплитудно-частотной характеристики изображений в области высоких частот, достигая полного затухания пространственно-частотного спектра изображения свыше некоторой предельной (для данной системы) частоты. Следствием дифракционного размытия является необратимая потеря высокочастотной информации о наблюдаемом объекте, что проявляется в виде сглаживания наблюдаемых малоразмерных деталей границ объектов, вплоть до неразрешимости таких деталей границ на изображении.

На сегодняшний день данная проблема наиболее актуальная для тех приложений измерительных систем, где требуется большое увеличение изображения: микробиологические исследования, измерение микродеформаций материалов и конструкций, производство микроэлектронных изделий, идентификация и измерение параметров космических объектов. При этом в связи с

тенденцией к миниатюризации фотоприемных матриц (снижении размеров растровых элементов при увеличении их числа), с течением времени, вероятно, следует ожидать увеличения роли проблемы дифракционного размытия во все более широком круге задач - в том числе и в тех приложениях, где в настоящее время ограничивающим фактором разрешающей способности системы является частота пространственной дискретизации изображений.

Алгоритмические и математические основы методов обнаружения и измерения (оценки) положения элементов границ объектов по цифровым изображениям были заложены еще на рубеже 1960х-1970х гг. в работах А. Розенфельда, Л. Робертса, Дж. Прюитта, И. Собеля. Эти классические работы положили начало широкому спектру исследований и разработок, направленных на повышение надежности и точности алгоритмов обнаружения и оценки границ. Так, за прошедшие годы были разработаны отличающиеся высокой устойчивостью к шуму при обеспечении высокой субпиксельной точности методы на основе интегральных моментов изображения (E. P. Lyvers, A. J. Tabatabai, O. Mitchell, Ghosal S., Mehrotra R., Bin T. J., Trujillo-pino А., Krissian К.), специализированные методы для высокоточных измерений положения границ по размытым изображениям на основе аппроксимации регистрируемого сигнала гладкими функциями (Rocket P., Fabijanska A., Bailey D. G., Heidingsfelder P., Chen P., Sun Q., Nalwa V., Binford T.O., Hagara M.), а также отличающиеся высокой устойчивостью к неравномерности яркости методы активных контуров (Kass M., Witkin A., Terzopoulos D., Chan T., Vese L., Михайличенко А.А., Демяненко Я.М., Петров В.О., Привалов О.О., Чернухин Н.А., Мурашов Д.М., Семашко А.С., Крылов А.С., Родин А.С.).

Независимо от указанных методов и алгоритмов, в прошедшие годы также осуществлялось бурное развитие методов компенсации размытия (деконволюции) изображений. Для решения этой проблемы на сегодняшний день активно применяются классический метод фильтрации Винера, итерационный нелинейный метод Люси-Ричардсона, методы на основе эффективных оптимизационных стратегий восстановления изображения. Следует отметить, что с учетом

необратимости дифракционного размытия, данная задача наиболее эффективно решается с привлечением методов регуляризации, рассматриваемых как отечественными (Васин В.В., Сережникова Т.И., Сизиков В.С., Малыхин В. М., Малыхина Г.Ф., Меpкушева А. В.), так и зарубежными учеными. Существенный глобальный вклад в данном направлении внесли ставшие классическими работы по решению некорректных задач Тихонова А.Н., Арсенина В.Я.

Для непосредственного извлечения информации об объекте, утерянной вследствие дифракционного ограничения разрешающей способности оптических систем, в последние 20 лет было разработано и реализовано несколько эффективных методов оптического сверхразрешения: структурированное освещение (Gustaffson M. G.), фурье-птихография (G. Zheng, R. Horstmeyer, C. Yang), семейство методов на основе нелинейных эффектов флуоресценции (S. W. Hell, J. Wichmann, M. J. Rust, M. Bates, X. Zhuang). Указанные методы на практике достигают многократного (более 4-х крат) повышения разрешающей способности оптических систем.

Однако, на сегодняшний день проблема обработки дифракционно-размытых изображений в прикладном аспекте измерения границ объектов представляется проработанной в недостаточной степени. Так, большинство исследований в области высокоточных методов и алгоритмов измерения границ ориентировано скорее на проблему пониженной частоты пространственной дискретизации, а не на проблему недостаточного оптического разрешения. При этом известные специализированные методы оценки координат граничных точек для размытых изображений, как правило, ограничены одномерными моделями обрабатываемых сигналов и, таким образом, не позволяют скомпенсировать сглаживающее влияния размытия на двумерный контур границы объекта. Методы восстановления размытых изображений, являясь признанным и эффективным инструментом для повышения их визуальной четкости, не учитывают в полной мере специфику измерительных задач и ту априорную информацию об объекте измерения, которая может быть введена в достаточно широком классе прикладных измерительных систем. Что касается методов оптического сверхразрешения, то они требуют

создания весьма специфичных условий освещения наблюдаемого объекта, не позволяя работать в «пассивном» режиме, а также значительно усложняя аппаратную часть измерительной системы и снижая при этом её быстродействие.

Таким образом, тема диссертационного исследования - измерение границ объектов по оптическим изображениям в условиях дифракционного размытия -является актуальной.

Основная идея диссертационного исследования заключается в том, чтобы решать задачи оценки границ и компенсации размытия совместно, путем аппроксимации регистрируемого камерой изображения изображением, моделируемым численно. Таким образом, компенсация размытия изображения будет осуществляться с учетом априорной информации о наличии четкой границы объекта в анализируемой области изображения - что следует из самой постановки задачи. В то же время, оценка границы объекта будет выполняться с учетом влияния размытия изображения на оцениваемый контур границы. Следовательно, основная гипотеза работы заключается в том, что совместное решение задач компенсации размытия изображения и оценки границ объектов позволяет получить более точное решение по сравнению с последовательным независимым решением указанных задач.

Цель работы - повышение точности оценивания границ объектов по оптическим изображениям в условиях дифракционного размытия путем аппроксимации регистрируемого камерой изображения изображением, моделируемым численно.

Актуальная научная задача - преодоление предела разрешающей способности оптических приборов и систем формирования изображений.

Для достижения цели требуется решить следующие задачи:

1. На основе анализа литературы по методам и алгоритмам оценки границ объектов определить факторы снижения точности оценивания.

2. Разработать математическую модель непрерывного изображения объекта с четкой границей, адекватную реальным оптическим изображениям.

3. Разработать алгоритм моделирования дискретного изображения объекта с четкой границей при заданных параметрах границы объекта (прямая задача).

4. Разработать алгоритм оценивания параметров границы объекта по заданному дискретному сигналу изображения (обратная задача).

5. Реализовать разработанные алгоритмы и провести исследование точности измерения границы для разрабатываемого и известных методов с учетом влияния выявленных в п.1 факторов снижения точности.

6. Провести исследование характеристик разработанного метода в приложении к реальной измерительной системе.

Объект исследования - методы и алгоритмы оценки контуров объектов по оптическим изображениям.

Предмет исследования - точность оценки контуров объектов в условиях дифракционного размытия изображений.

Методы исследования. Основные методы, использованные при проведении исследования - численная оптимизация, методы решения математически некорректных задач, методы цифровой обработки изображений. При сравнительном анализе разработанного и известных подходов использованы методы субпиксельной оценки контуров, деконволюции изображений, цифровой корреляции изображений. Исследование характеристик методов оценки контуров объектов осуществлялась путем проведения вычислительных экспериментов над численно смоделированными и натурными изображениями.

Достоверность и обоснованность полученных научных результатов определяется непротиворечивостью математических выкладок, результатами вычислительных экспериментов над натурными и смоделированными данными, экспериментальной проверкой программной реализации разработанных алгоритмов и моделей в прикладной задаче измерения параметров температурного расширения объектов оптическим методом.

Научная новизна результатов работы заключается в том, что предложен метод измерения границ объектов для размытых изображений на основе итерационного уточнения измеряемых координат граничных точек путем

минимизации функционала невязки регистрируемого камерой изображения и изображения, моделируемого численно. При этом:

1. Предложен вычислительно-эффективный алгоритм субпиксельного численного моделирования изображения с финитным спектром для объектов с четкой замкнутой границей, основанный на аналитическом расчете фурье-образа ограничивающего объект многоугольника.

2. Предложен алгоритм решения обратной задачи (измерения координат граничных точек) на основе двухуровневой минимизации функционала невязки и обоснована эффективность предложенного алгоритма.

3. Разработана методика количественного исследования и получены новые результаты исследования точности оценки границ объектов различными алгоритмами в условиях дифракционного размытия.

4. Разработана методика применения предложенного метода оценки границ в прикладной задаче оптического измерения температурного коэффициента линейного расширения образцов твердых материалов.

На защиту выносятся следующие основные научные положения и результаты:

1. Метод оценки границ объектов, основанный на аппроксимации регистрируемого камерой изображения изображением, моделируемым численно.

2. Алгоритм моделирования изображения с финитным спектром для объекта с четкой границей на основе частично аналитического расчета дискретного фурье-образа ограничивающего объект многоугольника (прямая задача).

3. Алгоритм оценки координат граничных точек, основанный на двухуровневой численной минимизации функционала невязки регистрируемого и моделируемого изображений (обратная задача).

4. Результаты исследования точности оценивания границ в условиях влияния дифракционного размытия изображений.

5. Методика повышения точности измерений с помощью разработанного метода в прикладной задаче бесконтактного измерения температурного коэффициента линейного расширения образцов твердых материалов.

Практическая ценность работы. Практически значимыми результатами работы являются:

1. Программная реализация предложенного вычислительно-эффективного алгоритма моделирования изображений на основе частично аналитического расчета дискретного фурье-образа ограничивающего объект многоугольника в виде последовательной программы, а также с использованием технологии параллельных вычислений OpenCL.

2. Программная реализация предложенного алгоритма оценки координат граничных точек.

3. Программное обеспечение оценки контуров объектов по оптическим изображениям, позволяющее применять предложенный метод и разработанные алгоритмы в интерактивном и пакетном режимах обработки.

4. Прикладное программное обеспечение обработки данных высокотемпературного дилатометра ДОВ-1 (ВНИИМ им. Д. И. Менделеева), позволяющее измерять величину температурного удлинения образцов твердых материалов по оптическим изображениям краев исследуемых образцов.

Апробация работы. Основные положения и результаты диссертационной работы докладывались на следующих конференциях: 10-й, 12-й, 13-й 15-й Международной конференции «Телевидение: передача и обработка изображений» (г. Санкт-Петербург, 2013, 2015, 2016 и 2018), 5-й Всероссийской и стран КООМЕТ конференции по проблемам термометрии «Температура-2015» (г. Санкт-Петербург, 2015), международной конференции «IEEE Russia Section Young Researchers in Electrical and Electronic Engineering Conference ElConRus» (г. Санкт-Петербург, 2016 и 2017), 20-й и 21-й Международной конференции по мягким вычислениям и измерениям (г. Санкт-Петербург, 2017 и 2018), международном симпозиуме «SPIE Optical Metrology» (г. Мюнхен, 2017), 25-й Международной

конференции «IEEE International Conference on Image Processing (ICIP)» (г. Афины, 2018).

Реализация и внедрение результатов. Разработанные алгоритмы для выделении границ объектов на изображениях при обработке последовательности видеокадров, в частности, алгоритм с регуляризацией оптимизационной задачи на основе гипотезы плавного контура объекта, а также компьютерные программы для регистрации и обработки видеопоследовательностей использованы при проведении в 2018 г. научно-исследовательской работы «Разработка передовых технологий бесконтактного контроля объектов на основе регистрации и обработки последовательности видеокадров» (тема 17613 по государственному заданию № 8.2501.2017/ПЧ от 31.05.2017 г.), выполняемой федеральным государственным автономным образовательным учреждением высшего образования «Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики» (Университет ИТМО).

Разработанное программное обеспечение применяется во всероссийском научно-исследовательском институте метрологии им. Д. И. Менделеева (ВНИИМ) в лаборатории эталонов и научных исследований в области измерений теплового расширения. Программное обеспечение решает задачу измерения величины температурного расширения образцов твердых материалов по оптическим изображениям, получаемым на высокотемпературном дилатометре ДОВ-1 в диапазоне температур 1000..3000К. Дилатометр ДОВ-1 включен в состав государственного первичного эталона единицы температурного коэффициента линейного расширения в 2014 г., разработанное программное обеспечение внедрено в процессе модернизации дилатометра в 2015-2017 гг.

Личный вклад автора. Все научные положения и результаты диссертации, выдвигаемые автором для защиты, получены автором лично. Оптико-механическая часть экспериментальной базы для исследований подготовлена совместно с Бронштейном И. Г. Постановка задачи измерения параметров температурного расширения выполнена совместно с д.т.н. Компан Т. А. Исходные экспериментальные данные высокотемпературного дилатометра ДОВ-1, а также

стенд для калибровки импульсного отклика оптической системы дилатометра подготовлены совместно с сотрудниками ВНИИМ Кондратьевым С. В., Пуховым Н. Ф., Кореневым А. С.

Публикации. По теме диссертации опубликовано 17 работ, из которых 4 статьи в ведущих рецензируемых журналах, включенных в перечень ВАК (из которых 2 статьи в переводном журнале с индексацией в Scopus), 1 статья в научном журнале Scopus/WoS, 1 патент на изобретение, тезисы и статьи в сборниках 11 докладов международных и всероссийских конференций (из которых 1 статья на двух языках).

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения и списка литературы. Диссертация содержит 205 страниц печатного текста, 58 рисунков, 5 таблиц, список используемой литературы из 125 источников.

ГЛАВА 1. Современное состояния проблемы измерения границ объектов

по их оптическим изображениям

Материал данной главы базируется на аналитическом обзоре литературы по современному состоянию проблемы измерения границ объектов по оптическим изображениям. При обзоре и анализе наибольшее внимание уделяется вопросам формирования, считывания и обработки изображений в условиях дифракционного размытия. Глава содержит три основных раздела: аппаратные средства систем формирования изображений, методы и алгоритмы оценки границ объектов по оптическим изображениям, факторы ограничения точности измерений известными методами и алгоритмами. В тексте главы приведены также ссылки и краткие описания работ, выполненных при участии автора и позволяющих охарактеризовать современное состояние проблем формирования и считывания изображений в условиях дифракционного размытия.

1.1. Аппаратное обеспечение оптико-электронных измерительных систем

1.1.1. Способы формирования изображений границ объектов

В зависимости от типа объекта измерения, условий проведения измерения и эксплуатации системы, применяются следующие конфигурации оптических измерительных систем, различающихся способом формирования изображения (рисунок 1.1):

1. Изображение формируется собственным излучением измеряемого объекта;

2. Изображение формируется рассеянным или отраженным излучением источника освещения;

3. Изображение формируется фоновым источником освещения, часть излучения блокируется объектом измерения.

Рассмотрим эти конфигурации более подробно.

Источники освещения —

I

ТВ камера

Ч/

Объект измерения

в)

Рисунок 1.1 Типовые схемы формирования изображения объектов: по собственному излучению (а), в отраженном свете (б), с фоновым освещением (в) Собственное излучение позволяет строить изображение объекта путем измерения испускаемого с его поверхности потока фотонов. Собственное излучение существует у любого материального объекта с ненулевой абсолютной температурой - т.н. тепловое излучение. Спектральный состав и интенсивность излучения определяются значительной степени температурой объекта, а также (в меньшей степени) - свойствами атомарной и молекулярной структуры вещества [14]. Интенсивное излучение в оптическом диапазоне длин волн свойственно объектам с температурой 700^ и выше, что позволяет регистрировать изображения таких объектов серийно выпускаемыми кремниевыми фотоприемниками, чувствительными к оптическому диапазону длин волн. При этом в литературе встречается экспериментальное подтверждение возможности регистрации кремниевыми фотоприемниками изображений нагретых объектов вплоть до температур 250^-260^ [5]. При меньших температурах изображения могут быть сформированы при использовании специализированных фотоприемников (ФП), чувствительных к инфракрасной области спектра с длиной волны свыше 1.2 мкм.

Собственное излучение объектов может быть получено также с помощью эффекта люминесценции. Некоторые вещества способны в определенном диапазоне длин волн излучать энергию, большую чем соответствующая этому диапазону длин волн энергия теплового излучения. В этом случае говорят о люминесценции вещества. Люминесценция возникает вследствие испускания

фотонов атомами или молекулами вещества после поглощения ими энергии возбуждения [6, 7]. Соответствующие возбужденные состояния могут быть получены поглощением фотонов видимого или ультрафиолетового диапазонов (фотолюминесценция), действием ионизирующего излучения

(радиолюминесценция), вследствие химических реакций (хемилюминесценция), пропусканием электрического тока (электролюминесценция), облучением электронами (катодолюминесценция). Из перечисленных, в мировой исследовательской практике наиболее распространено применение эффекта фотолюминесценции путем окрашивания фотолюминесцентными красителями нелюминесцентных объектов, например, клеток живых организмов. При этом применение специальных технологий освещения совместно с флуоресцентным методом формирования изображения позволяет преодолеть предел разрешающей способности оптической системы [8]. Данные технологии более подробно рассмотрены в разделе 1.3.1.

При формировании изображения в отраженном свете требуется наличие внешнего по отношению к измеряемому объекту источника освещения. Распределение яркости на изображении определяется свойствами отражающей поверхности объекта и источника освещения. Различают зеркальное и диффузное отражение. Для проведения геометрических измерений существенным является стабильность распределения яркости поверхности в зависимости от взаимного расположения объекта и источника излучения. Данное свойство обеспечивается при условно-идеальном диффузном отражении поверхностей, описываемым законом Ламберта [9]. В реальности поверхности объектов, особенно металлов, проявляют свойства зеркального отражения, что, с учетом влияния шероховатости поверхности приводит к существенной зависимости изображения от положения источника и ограничивает возможности применения рассматриваемого типа конфигураций оптических систем для измерительных задач при предъявлении требования высокой точности геометрических измерений (рисунок 1.2).

Рисунок 1.2 Микрофотография металлического листа с отверстием в отраженном свете при различных положениях источника (а, б), изображение того же объекта с

фоновым освещением (в)

Преимуществом конфигурации данного типа является возможность применения технологий пространственно-модулированного освещения для извлечения информации об объекте, потерянной вследствие дифракционного размытия - т.н. технологии оптического сверхразрешения (более подробно данные технологии рассмотрены в разделе 1.3.1). Кроме того, пространственно-модулированное освещение может быть использовано для восстановления трехмерной структуры объекта по серии изображений с модулированным освещением [10-12].

Фоновое освещение объекта измерения. Проблемой перечисленных выше конфигураций является зависимость изображения от оптических свойств поверхности объекта, что затрудняет проведение точных измерений границ объекта по изображениям. Данного недостатка лишена конфигурация, при которой источник освещения располагается за измеряемым объектом, а изображение формируется блокированием части излучения самим объектом. При такой конфигурации параметры изображения (контраст, спектральные характеристики, распределение яркости изображения в окрестности границ объекта) определяются преимущественно источником освещения, а не поверхностью объекта. На практике, некоторая часть лучей, испускаемых источником освещения, может отражаться от закруглений границ, создавая более сложную яркостную картину в окрестности границы. Для компенсации этих эффектов применяются оптические системы освещения с телецентрическим ходом лучей [13] (рисунок 1.3). Оптические системы с телецентрическим ходом лучей также применяются для

формирования изображений с постоянным по глубине масштабом, т.е. не зависящим от расстояния до объекта.

Рисунок 1.3 Примеры изображений с фоновым освещением: рассеянного типа (а),

телецентрического типа (б) (источник: [14])

1.1.2. Средства считывания изображений

Формирование сигналов изображений осуществляется помощью электронных датчиков, преобразующих энергию света в электрический сигнал. Первые электронные датчики изображения были основаны на электронно-вакуумной технологии - иконоскопы, впоследствии замещенные более современными аналогами - видиконами [15, 16]. В настоящее время применяются твердотельные электронные датчики. Одна из первых работ по твердотельной технологии для считывания изображений опубликована в 1970 г. [17], однако еще в 1922 г. отечественными учеными исследовалась возможность применения полупроводниковой технологии для решения задач усиления слабых сигналов [18]. С появлением твердотельных датчиков, сопровождаемым стремительным развитием вычислительной техники, появился и интерес к алгоритмическим подходам измерения геометрии объектов с помощью оптико-электронных систем. Помимо значительно прогресса в эксплуатационных характеристиках, преимуществом твердотельной технологии для измерительных применений является стабильный, жесткий растр.

Твердотельные фотоприемники (ФП) выпускаются с матричной или линейной структурой светочувствительного поля. Двумерные изображения

считываются при помощи матричных ФП, однако и линейные структуры позволяют считывать изображения путем механического сканирования.

Формирование сигнала изображения в твердотельных ФП осуществляется в два этапа: сначала под действием излучения, проецируемого на светочувствительные области ФП, происходит накопление зарядовых пакетов в области накопления элементов растра, затем осуществляется считывание накопленных зарядовых пакетов. Существует два подхода к считыванию светочувствительного поля твердотельных ФП: принцип зарядовой связи (ПЗС) и принцип координатной адресации (ПКА), реализуемого на комплементарной структуре металл-оксид-полупроводник [19, 20]. Считывание сигнала в ПЗС осуществляется последовательным сдвигом зарядовых пакетов, в то время как в ПКА доступ к зарядовым пакетам осуществляется произвольно, что определяет существенные различия в характеристиках этих типов фотоприемников.

Список литературы диссертационного исследования кандидат наук Иночкин Федор Михайлович, 2019 год

СПИСОК ЛИТЕРАТУРЫ

1. Планк М. Теория теплового излучения, пер. с нем. 2 изд. - М., 2006. - 208 с.

2. Ельяшевич М. А. Атомная и молекулярная спектроскопия, 2 изд. - М., 2001. -896 с.

3. Соболев В. В. Курс теоретической астрофизики, 3 изд. - М., 1985. - 503 с.

4. Ллойд Дж. Системы тепловидения: Перевод с английского под редакцией А.И. Горячева. - М.: Мир, 1978. - 414 с.

5. П. С. Баранов, Д. А. Белоус, Н. Н. Какушкин, А. А. Манцветов. Наблюдение нагретых тел кремниевыми фотоприемниками // Материалы 14-ой международной конференции «Телевидение: передача и обработка изображений». 2017. С. 65-69.

6. Левшин В. Л. Фотолюминесценция жидких и твёрдых веществ. - Л., 1951. -456 с.

7. Лакович Дж. Основы флуоресцентной спектроскопии. — М.: Мир, 1986. — 496 с.

8. Schermelleh L, Heintzmann R, Leonhardt H. A guide to super-resolution fluorescence microscopy. J Cell Biol. 2010;190(2):165-75. doi:10.1083/jcb.201002018.

9. Гуревич М. М., Фотометрия, 2 изд., Л., 1983. - 272 с.

10. Mountney, P., Stoyanov, D., Yang, G.Z., 2010. "Three-dimensional tissue deformation recovery and tracking", IEEE Signal Proc. Mag. 27, pp. 14-24.

11. Вишняков Г.Н., Левин Г.Г., Наумов А.А. Измерение поверхности трехмерных объектов методом проекции интерференционных полос // Оптика и спектроскопия, 1998. - Т. 85. №6. - С. 1015-1019.

12. Gurov I., Vozniuk J. Rough surface shape retrieval in a fringe projection technique by the image enhancement and fringe tracing method / In: Proc. QCAV'2001, Int. Conf. on Quality Control by Artificial Vision (Le Creusot, France, May, 21-23, 2001), Toulouse, CEPADUES-EDITIONS, 2001. V.l. P. 79-84.

13. Заказнов Н.П., Кирюшин С.И., Кузичев В.И. Теория оптических систем, 3-е изд. — М.: Машиностроение, 1992. — 447 c.

14. Telecentric Illumination: Why You Need It in Machine Vision Applications. [Электронный ресурс] URL: https://www.edmundoptics.com/resources/application-notes/imaging/telecentric-illumination-why-you-need-it-in-machine-vision-applications/ (дата обращения 28.10.2018).

15. Шерстнев Л. Г. Электронная оптика и электроннолучевые приборы. - М.: Энергия 1971. - 368 с.

16. Janesick J. R. Scientific charge-coupled devices. - SPIE Press, 2001. - 907 с.

17. Boyl W. S., Smith G. E. Semiconductor charge-coupled devices // BSTJ, 1970. - № 49. - С. 587-593.

18. Новиков М. А. Олег Михайлович Лосев - пионер полупроводниковой электроники // Физика твердого тела. - 2004. - Т. 46 - № 1. - С. 5-9.

19. Березин В. В., Умбиталиев А. А., Фахми Ш. С., Цыцулин А. К., Шипилов Н. Н. Твердотельная революция в телевидении: Телевизионные системы на основе приборов с зарядовой связью, систем на кристалле и видеосистем на кристалле. - М.: Радио и связь, 2006. - 312 с.

20. D. Litwiller. CCD vs. CMOS: facts and fiction // Photonics spectra 35(1) - 2001. pp. 154-158.

21. Кривощекова Ю.В., Белойван П.А., Бронштейн И.Г., Бурбаев А.М. Малогабаритная вандалозащищенная видеокамера на основе многоматричной приемной системы для охраны помещений // Информационно-управляющие системы. 2017. №2. С. 101-104.

22. В. С. Дюмин, Н. С. Чепилко, Ю. С. Матюшова. Исследование пороговой освещенности и отношения сигнал-шум ФПЗС с электронным умножением // Материалы 15-й международной конференции «Телевидение: передача и обработка изображений», 2018. С. 50-51.

23. П. С. Баранов, Д. А. Белоус, А. А. Манцветов, Е. Ю. Пучка. Пороговая чувствительность твердотельных фотоприемников // Материалы 15-й международной конференции «Телевидение: передача и обработка изображений», 2018. С. 67-69.

24. Белоус Д. А., Пучка Е. Ю. Баранов П. С., Манцветов А. А. Чувствительность матричных ПЗС и КМОП сенсоров при различных источниках света // Вопросы радиоэлектроники. Сер. Техника телевидения. 2017. Вып. 4. С. 9-15.

25. Sparse Color Filter Pattern Overview. Application note AND9180/D. [Электронный ресурс] URL: http://www.onsemi.com/pub/Collateral/AND9180-D.PDF (дата обращения 28.10.2018).

26. Janesick J. R. Photon transfer. - SPIE Press, 2007. - 276 с.

27. Умбиталиев А.А., Цыцулин А.К., Манцветов А.А., Козлов В.В., Рычажников А.Е., Баранов П.С., Иванова А.В. Управление режимом накопления в твердотельных фотоприемниках // Оптический журнал. Вып.11. Том 79. 2012. С. 84-92.

28. Молодяков С.А. Оптоэлектронные процессоры с ПЗС-фотоприемниками. Конвейерная обработка сигналов // Информационно-управляющие системы. 2008. № 6. С. 2-8.

29. Пат. 2065140 Российская Федерация, МПК G01J3/433, G01R23/17 Оптоэлектронный модуляционный спектрометр / Есепкина Н.А., Круглов С.К., Молодяков С.А.; заявл. 12.07.1994; опубл. 10.08.1996.

30. Молодяков С.А. Методика использования в цифровых камерах пульсарных процессоров кадровых ПЗС-фотоприемников в режиме временной задержки и накопления // Наука и образование. 2013. №5 С. 163-182.

31. Иночкин Ф. М., Круглов С. К., Бронштейн И. Г. Влияние цифрового и аналогового суммирования отсчетов сигнала на отношение сигнал-шум в цифровых ПЗС камерах // Тезисы докладов 10-й м/н конференции "Телевидение: передача и обработка изображений", 2013. С. 18-22.

32. С. А. Иванов, А. Н. Куликов, Д. А. Довжиков, и др. Переменная чёткость в твердотельных телевизионных системах // Техника средств связи, сер. Техника телевидения, 1989, вып. 7, С. 27-33.

33. F. Inochkin, S. Kruglov and I. Bronshtein, "Increasing CCD frame rate and signal-to-noise ratio with high resolution capability using on-chip preprocessing and multisignal image representation," 2016 IEEE NW Russia Young Researchers in Electrical and

Electronic Engineering Conference (EIConRusNW), St. Petersburg, 2016, pp. 209213.

34. Пат. 2529369 Российская Федерация, МПК H04N3/00. Способ формирования сигнала изображения с помощью матричных приборов с зарядовой связью / Бронштейн И. Г., Круглов С. К., Иночкин Ф. М.; заявл. 21.10.2013; опубл. 27.09.2014, Бюл. №27. - 9 с.

35. L. G. Roberts, "Machine perception of three-dimensional solids," in Optical and Electro-Optical Information Processing, J. T. Tippett et al., Eds. Cambridge, MA: MIT Press, 1965.

36. J. M. S. Prewitt, "Object enhancement and extraction," in Picture Processing and Psychopictorics, B. Lipkin and A. Rosenfeld, Eds. New York: Academic, 1970, pp. 75-149.

37. I. Sobel. Neighborhood coding of binary images fast contour following and general array binary processing // Computer Graphics and Image Processing, 1978, 8(1): 127135.

38. B. Jahne, H. Scharr, and S. Korkel. Principles of filter design. In Handbook of Computer Vision and Applications. Academic Press, 1999.

39. J, Canny. A computational approach to edge detection // IEEE Transactions on Pattern analysis and Machine Intelligence, 1986, 8(6): 679-698.

40. Rosenfeld A. A Nonlinear Edge-Detection Technique. Proceedings of the IEEE, 57(MAY), 1970, 814-817.

41. Rosenfeld A., Thurston M. (1971). Edge and Curve Detection for Visual Scene AnaIysis. IEEE Transactions on Computers, C-20(5), 562-569.

42. Гонсалес Р., Вудс Р. Цифровая обработка изображений. -. М.:Техносфера, 2005. - 1072 с.

43. R. Machuca and A. L. Gilbert, "Finding edges in noisy scenes," IEEE Trans. Pattern Anal. Machine Intell., vol. PAMI-3, pp. 103- 111, Jan. 1981.

44. A. J. Tabatabai and 0. R. Mitchell, "Edge location to subpixel values in digital imagery," IEEE Trans. Pattern Anal. Machine Intell., vol. PAMI-6, no. 2, pp. 188-201, Mar. 1984.

45. Lyvers, E. P., Mitchell, O. R., Akey, M. L., & Reeves, A. P. (1989). Subpixel Measurements Using a Moment-Based Edge Operator. IEEE Transactions on Pattern Analysis and Machine Intelligence, 11(12), 1293-1309.

46. Ghosal S., Mehrotra R. Zernike Moment-Based Subpixel Edge Detection. Vision Interface, 1992 pp. 247-252.

47. Bin, T. J., Lei, A., Jiwen, C., Wenjing, K., & Dandan, L. (2008). Subpixel edge location based on orthogonal Fourier-Mellin moments. Image and Vision Computing, 26(4), 563-569.

48. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. - М.: Вильямс, 2004. — 928 с.

49. Kass M., Witkin A., Terzopoulos D. Snakes: Active Contour Models // International Journal of Computer Vision. — 1988. Volume 2. — P. 321-331.

50. А.А. Михайличенко, Я.М. Демяненко. Метод точного выделения контуров медицинских объектов на рентгенограммах // 26-я Международная конференция (GraphiCon2016), Россия, Нижний Новгород, с. 193-197.

51. Петров В.О., Привалов О.О. Модификация алгоритма активных контуров для решения задачи интерактивной сегментации растровых изображений дефектов металлических отливок // Современные проблемы науки и образования. 2008. №6, С. 14-19.

52. Чернухин Н. А. Комбинированный метод детектирования границ на рентгенографических медицинских изображениях, использующий методику активных контуров // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2013. № 88. С. 530-544.

53. Семашко А.С., Крылов А.С., Родин А.С. поиск границы диска зрительного нерва на изображениях глазного дна с использованием метода активных контуров // DSPA: Вопросы применения цифровой обработки сигналов. 2011. Т. 1. № 4. С. 180-183.

54. Петров В.О., Привалов О.О., Степанченко И.В., Сургутанов В.В., Поройский С.В. Применение метода активных контуров для интерактивного выделения

объектов на растровых изображениях медико-биологических препаратов // Волгоградский научно-медицинский журнал. 2008. № 3 (19). С. 54.

55. A. Englander, "Expanding machine vision gauging with sub-pixel techniques," Sensors-J. Machine Perception, vol. 4, no. 6, pp. 9-18, June 1987.

56. Venkatachalam, V. (2003). Comprehensive investigation of subpixel edge detection schemes in metrology. Proceedings of SPIE, 5011(2003), 200-211.

57. Баскаков С.И. Радиотехнические цепи и сигналы. 3-е издание. - М.: Высшая школа, 2000. - 462 с.

58. Ken Turkowski and Steve Gabriel (1990). "Filters for Common Resampling Tasks". In Andrew S. Glassner. Graphics Gems I. Academic Press. pp. 147-165.

59. М. Борн, Э. Вольф. Основы оптики. - М.: Наука, 1973. - 720 с.

60. Kaur, A & Singh, C. (2011). Sub-pixel edge detection using pseudo Zernike moment. Image Processing and Pattern Recognition. 4. pp. 107-118.

61. Kisworo, M., Venkatesh, S., West, G. Modeling edges at subpixel accuracy using the local energy approach. IEEE Transactions on Pattern Analysis Machine Intelligence, 1994, vol. 16, no. 4, p. 405-410.

62. Hagara, M., & Kulla, P. (2011). Edge Detection with sub-pixel accuracy based on approximation of Edge with Erf function. Radioengineering, 20(2), 516-524.

63. Sjoerd Stallinga and Bernd Rieger, "Accuracy of the Gaussian Point Spread Function model in 2D localization microscopy," Opt. Express 18, 24461-24476 (2010).

64. Sun, Q., Hou, Y., & Tan, Q. (2016). A subpixel edge detection method based on an arctangent edge model. Optik, 127(14), 5702-5710.

65. V. S. Nalwa and T. O. Binford, "On Detecting Edges," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-8, no. 6, pp. 699-714, Nov. 1986.

66. Chen, P., Chen, F., Han, Y., & Zhang, Z. (2014). Optik Sub-pixel dimensional measurement with Logistic edge model. Optik - International Journal for Light and Electron Optics, 125(9), 2076-2080.

67. Heidingsfelder, P., Gao, J., Wang, K., & Ott, P. (2014). Subpixel edge localization with reduced uncertainty by violating the Nyquist criterion. Optical Engineering, 53, 122410.

68. Bailey, D.G. (2005). Sub-pixel profiling, Proceedings of the 5th International Conference on Information Communications and Signal Processing, Bangkok, Thailand, pp. 1311- 1315.

69. Rocket, P. (1999). The accuracy of sub-pixel localization in the Canny edge detector, Proceedings of the British Machine Vision Conference, Nottingham, UK, pp. 392-401.

70. Fabijanska, A. and Sankowski, D. (2010). Edge detection with sub-pixel accuracy in images of molten metals, IEEE International Conference on Imaging Systems and Techniques, Thessaloniki, Greece, pp. 186-191.

71. Fabijanska, А. (2012). A survey of subpixel edge detection methods for images of heat-emitting metal specimens. International Journal of Applied Mathematics and Computer Science, 22(3), 695-710.

72. MacVicar-Whelan, P.J. and Binford, T.O. (1991). Line finding with subpixel precision, Proceedings of the DARPA Image Understanding Workshop, Washington, DC, USA, pp. 26-31.

73. Jin, J.S. (1990). An adaptive algorithm for edge detection with subpixel accuracy in noisy images, Proceedings of the IAPR Workshop on Machine Vision Applications, Tokyo, Japan, pp. 249-252.

74. Stanke, G., Zedler, L., Zorn, A., Weckend, F. and Weide, H. G. (1998). Sub-pixel accuracy by optical measurement of large automobile components, Proceedings of the 24th Annual Conference of the IEEE Industrial Electronics Society, Aachen, Germany, pp. 2431-2433.

75. Sun, Q., Hou, Y., Tan, Q., Li, C., & Liu, M. (2014). A robust edge detection method with sub-pixel accuracy. Optik, 125(14), 3449-3453.

76. Trujillo-pino, A., Krissian, K., Alemán-flores, M., & Santana-cedrés, D. (2013). Accurate subpixel edge location based on partial area effect. IMAVIS, 31(1), 72-90.

77. Дж. Гудмен. Введение в Фурье-оптику. - М.: Мир. - 1970. - 363 с.

78. W. Lukosz, "Optical Systems with Resolving Powers Exceeding the Classical Limit II," Journal of the Optical Society of America, vol. 57, no. 7, p. 932, Jul. 1967.

79. M. G. L. Gustafsson, "Surpassing the lateral resolution limit by a factor of two using structured illumination microscopy," Journal of Microscopy, vol. 198, no. 2, pp. 8287, May 2000.

80. Inochkin F. M., Pozzi, P., Bezzubik, V.V., Belashenkov, N.R. Increasing the spacetime product of super-resolution structured illumination microscopy by means of two-pattern illumination // Optical Measurement Systems for Industrial Inspection X: Proc. SPIE. Munich, 2017. Vol. 10330.

81. E. H. Rego, L. Shao, J. J. Macklin, L. Winoto, G. A. Johansson, N. Kamps-Hughes, M. W. Davidson, and M. G. L. Gustafsson, "Nonlinear structured-illumination microscopy with a photoswitchable protein reveals cellular structures at 50-nm resolution," Proceedings of the National Academy of Sciences, vol. 109, no. 3, pp. E135-E143, Dec. 2011.

82. S. W. Hell and J. Wichmann, "Breaking the diffraction resolution limit by stimulated emission: stimulated-emission-depletion fluorescence microscopy," Optics Letters, vol. 19, no. 11, p. 780, Jun. 1994.

83. M. J. Rust, M. Bates, and X. Zhuang, "Sub-diffraction-limit imaging by stochastic optical reconstruction microscopy (STORM)," Nature Methods, vol. 3, no. 10, pp. 793-796, Aug. 2006.

84. E. Betzig, G. H. Patterson, R. Sougrat, O. W. Lindwasser, S. Olenych, J. S. Bonifacino, M. W. Davidson, J. Lippincott-Schwartz, and H. F. Hess, "Imaging Intracellular Fluorescent Proteins at Nanometer Resolution," Science, vol. 313, no. 5793, pp. 1642-1645, Sep. 2006.

85. S. T. Hess, T. P. K. Girirajan, and M. D. Mason, "Ultra-High Resolution Imaging by Fluorescence Photoactivation Localization Microscopy," Biophysical Journal, vol. 91, no. 11, pp. 4258-4272, Dec. 2006.

86. G. Zheng, R. Horstmeyer, and C. Yang, "Wide-field, high-resolution Fourier ptychographic microscopy," Nature Photonics, vol. 7, no. 9, pp. 739-745, Jul. 2013.

87. X. H. Dong, A. M. H. Wong, M. Kim, and G. V. Eleftheriades, "Superresolution far-field imaging of complex objects using reduced superoscillating ripples," Optica, vol. 4, no. 9, p. 1126, Sep. 2017.

88. Болтс Г.П. Обратные задачи в оптике. - М.: Машиностроение, 1984. - 200 с.

89. Гуров И.П. Компьютерная обработка видеоинформации. Методы обработки неподвижных изображений. Учебное пособие. - СПб.: БХВ, 1998.

90. Гуров И.П. Формирование и анализ сигналов в системах компьютерной фотоники. Учебно-методическое пособие. - СПб: Университет ИТМО, 2018. -108 с.

91. Реконструкция изображений: Пер. с англ./Под ред. Г. Старка. — М.: Мир, 1992.— 636 с, ил.

92. Королев А.Н., Гарцуев А.И., Полищук Г.С., Трегуб В.П. Метрологические исследования и выбор формы оптической марки в цифровых измерительных системах // Оптический журнал. 2010. T. 77. № 6. C. 25-27.

93. Королев А.Н., Лукин А.Я., Полищук Г.С. Новая концепция измерения угла. Модельные и экспериментальные исследования // Оптический журнал. 2012. Т. 79. № 6. С. 52-58.

94. Mark de Berg, Marc van Kreveld, Mark Overmars, and Otfried Schwarzkopf (2000), Computational Geometry (2nd revised ed.), Springer-Verlag, ISBN 3-540-65620-0 Chapter 3: Polygon Triangulation: pp.45-61.

95. Meisters, G. H., "Polygons have ears." American Mathematical Monthly 82 (1975). 648-651.

96. Черноруцкий И. Г. Методы оптимизации. Компьютерные технологии. — СПб.: БХВ-Петербург, 2011. — 384 с.

97. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. - М.: Наука, 1979. - 285 c.

98. Richardson W. H. Bayesian-based iterative method of image restoration // JOSA. -1972. - Т. 62. - №. 1. - С. 55-59.

99. Lucy L. B. An iterative technique for the rectification of observed distributions // The astronomical journal. - 1974. - Т. 79. - С. 745.

100. Lane, R. G. (1996). Methods for maximum-likelihood deconvolution // Journal of the Optical Society of America A, 13(10), 1992.

101. M. Zibulevsky and M. Elad. L1-L2 Optimization in Signal and Image Processing // IEEE Signal Processing Magazine. 2010. vol. 27, no. 3. pp. 76-88.

102. Beck A., Teboulle M. Fast gradient-based algorithms for constrained total variation image denoising and deblurring problems // IEEE Transactions on Image Processing. - 2009. - v. 18. - №. 11. - pp. 2419-2434.

103. Panagiotopoulou, A. (2009). Regularized super-resolution image reconstruction employing robust error norms // Optical Engineering, 48(11), 117004.

104. В. М. Малыхин, Г. Ф. Малыхина, А. В. Меркушева. Метод pегуляpизации для улучшения качества восстановления изобpажения // Информационные технологии, №1, 2012 с. 28-30.

105. U. S. Kamilov, "A Parallel Proximal Algorithm for Anisotropic Total Variation Minimization," in IEEE Transactions on Image Processing, vol. 26, no. 2, p. 539-548, Feb. 2017.

106. Vasin V. V. Regularization and iterative approximation for linear ill-posed problems in the space of functions of bounded variation / V.V.Vasin // Proc. Steclov Inst. Math. Supl. - 2002. - V.1 - P. S225-S229.

107. Сережникова Т.И. Устойчивые методы восстановления зашумленных изображений // Вестник Южно-Уральского государственного университета. Серия: Математическое моделирование и программирование. 2011. № 25 (242). С. 32-42.

108. Сизиков В.С., Кривых А.В. Восстановление непрерывных спектров методом регуляризации с использованием модельных спектров // Оптика и спектроскопия. 2014. Т. 117. № 6. С. 1040.

109. Сизиков В.С. Прямые и обратные задачи восстановления изображений, спектроскопии и томографии с MATLAB. - СПб., Изд-во "Лань", 2017. - 412 с.

110. Компан Т. А., Кондратьев С. В., Коренев А. С., Пухов Н. С., Иночкин Ф. М., Круглов С. К., Бронштейн И. Г. Расширение температурного диапазона государственного первичного эталона единицы температурного коэффициента

линейного расширения твердых тел // Измерительная техника, 2015, №12, с. 34-38.

111. Аматуни А.Н. Методы и приборы для определения температурных коэффициентов линейного расширения материалов. - М., Изд-во стандартов, 1972. - 140 с.

112. Droting W.R. Development of a Laser Interferometric Dilatometer. - Thermal Expansion - 7, Plenum Press., N.J.Lon., 1982, p.55-65.

113. Blankinship E.A., Guenther A.H. An automated optical dilatometer for inhomogeneously expanding material // "Thermal Expansion - 1973", AJP. Conference Proceedings N17 N.J.,1974, p.167-176.

114. Roberts R.B. Absolute dilatometry using a polarization interferometer. - J. of Phys. Е: Scientific Instruments, 1981, v.14, N 12, p.1386-1388.

115. А.Н. Аматуни, Т.А. Компан, А.С. Коренев, Т.И. Малютина, Г.Л. Ильин. Автоматические интерференционные дилатометры для диапазона температур 90 -1500 К // Электронная техника, серия 8, вып. 5(147), 1991. С.16-18.

116. Аматуни А.Н., Компан Т.А., Малютина Т.И., Романов В.Н., Шевченко Е.Б. Создание комплекса эталонных средств измерений ТКЛР на основе применения ОКГ, автоматики и вычислительной техники // Метрология и точные измерения, 1981, № 12, С. 10-13.

117. Компан Т.А., Коренев А.С., Лукин А.С. Автоматизированная система дилатометрических измерений с многопараметрической обработкой интерференционной картины // Измерительная техника, № 6, 2001, С. 31-35.

118. R. E. Taylor, Thermal Expansion of Solids [ed. C. E. Ho.]. - ASM International, 1998.

119. Grant B. M. B. et al. High-temperature strain field measurement using digital image correlation // J. Strain Anal. Eng. Des., 2009, Vol. 44 N. 4, p. 263-271.

120. Bing Pan, Dafang Wu, Zhaoyang Wang, Yong Xia, "High-temperature digital image correlation method for full-field deformation measurement at 1200 °C," Meas. Sci. Technol. 2001. N. 22. P. 1-11.

121. Xiang Guo, Jin Liang, Zhengzong Tang, Binggang Cao, Miao Yu, "High-temperature digital image correlation method for full-field deformation measurement captured with filters at 2600 °C using spraying to form speckle patterns," Optical Engineering 53(6), 063101 (4 June 2014).

122. Zhe Qu, Xufei Fang, Honghong Su, and Xue Feng, "Measurements for displacement and deformation at high temperature by using edge detection of digital image," Applied Optics 54, 8731-8737 (2015).

123. D. Paganelly, P. Scotto, M. Paganelli. "Morphological properties in double-beam optical dilatometry measurement of thermal expansion," ECTP 21 st European Conference on Thermophysical Properties Book of Abstracts, p. 233, 2017.

124. Бронштейн И. Г., Иночкин Ф. М., Круглов С. К., Компан Т. А., Кондратьев С. В., Коренев А. С., Пухов Н. С. Оптико-электронная измерительная система высокотемпературного дилатометра // Измерительная техника, 2015, №12, с. 3842.

125. F. Inochkin, S. Kruglov and I. Bronshtein, "Accurate 3D location estimation of point sources in single-sensor optical systems by means of wavefront phase retrieval and calibration," 2017 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus), St. Petersburg and Moscow, Russia, 2017, pp. 672-677.