Математическое моделирование, методы и программные средства текстурного анализа изображений кристаллических структур тема диссертации и автореферата по ВАК РФ 05.13.18, доктор технических наук Куприянов, Александр Викторович

• Куприянов, Александр Викторович
• доктор технических наук
• 2013

Оглавление диссертации доктор технических наук Куприянов, Александр Викторович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ФОРМИРОВАНИЕ ЭФФЕКТИВНЫХ ПРИЗНАКОВ ИЗОБРАЖЕНИЙ КРИСТАЛЛИЧЕСКИХ СТРУКТУР

1.1 Этапы текстурного анализа изображений кристаллических структур

1.2 Методы классификации текстурных изображений

1.3 Метод формирования статистических текстурных признаков

1.3.1 Этапы статистического текстурного анализа

1.3.2 Матрицы смежности

1.3.3 Статистические текстурные признаки второго порядка

1.3.4 Статистические текстурные признаки третьего порядка

1.3.5 Метод расчёта статистических текстурных признаков

1.4 Метод формирования признаков пространственного спектра

1.4.1 Формирование изображения пространственного спектра

1.4.2 Факторы формы спектра

1.5. Методы формирования признаков для сегментации изображений

1.5.1 Алгоритм текстурного анализа на основе сегментации

1.5.2 Локальные энергетические характеристики текстуры

1.6 Алгоритм формирования пространства эффективных признаков

1.6.1 Критерии разделимости классов

1.6.2 Формирование признаков, максимизирующих критерий разделимости

1.6.3 Экспериментальное исследование алгоритма формирования эффективных признаков на тестовых изображениях

1.7 Выводы

ГЛАВА 2. ТЕКСТУРНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ

КРИСТАЛЛИЧЕСКИХ МИКРОСТРУКТУР

2.1 Задачи анализа изображений диагностических кристаллограмм

2.2 Методы предварительной обработки изображений

2.2.1 Гомоморфная фильтрация

2.2.2 Выравнивание яркости

2.2.3 Полосовая фильтрация

2.2.4 Адаптивная пороговая обработка

2.2.5 Адаптивная медианная фильтрация

2.2.6 Скелетизация изображения

2.2.7 Морфологическая обработка

2.3 Анализ кристаллограмм с использованием текстурных признаков

2.3.1 Результаты дискриминантного анализа

2.3.2 Результаты классификации с использованием статистических текстурных признаков

2.3.3 Результаты классификации с использованием статистических текстурных признаков поля направлений

2.3.4 Результаты текстурного анализа с использованием факторов формы пространственного спектра

2.4 Текстурный анализ кристаллограмм на основе выделения структурных элементов

2.4.1 Геометрический текстурный анализ дендритных кристаллограмм

2.4.2 Текстурная сегментация изображений кристаллограмм

2.5 Выводы:

ГЛАВА 3. ТЕКСТУРНЫЙ АНАЛИЗ И МАТЕМАТИЧЕСКАЯ МОДЕЛЬ

НАБЛЮДЕНИЯ КРИСТАЛЛИЧЕСКИХ НАНОСТРУКТУР

3.1 Формирование изображений кристаллических наноструктур

3.2 Кристаллические решётки

3.2.1 Параметры кристаллической решётки

3.2.2 Методы исследования кристаллических решёток

3.2.3 Методы сравнения кристаллических решёток

3.3 Текстурный анализ кристаллических наноструктур

3.4 Математическая модель наблюдения кристаллических решёток

3.5 Наблюдаемость кристаллических решёток

3.5.1 Условия наблюдаемости узлов кристаллической решётки

3.5.2 Алгоритм определения условий наблюдаемости

3.6 Выводы

ГЛАВА 4. КЛАССИФИКАЦИЯ И ИДЕНТИФИКАЦИЯ ПАРАМЕТРОВ КРИСТАЛЛИЧЕСКИХ РЕШЁТОК

4.1 Методы идентификации кристаллических решёток

4.1.1 Идентификация на основе оценивания параметров ячейки Браве

4.1.2 Идентификация на основе оценивания параметров ячейки Вигнера-Зейтца

4.1.3 Исследование методов идентификации решёток

4.2 Классификация изображений кристаллических решёток

4.2.1 Формирование признаков для классификации

4.2.2 Информационная технология проведения вычислительных экспериментов

4.3 Экспериментальные исследования методов классификации

4.3.1 Исследование параметров классификаторов и пространства признаков

4.3.2 Исследование классификации модельных решёток

4.3.3 Вычислительный эксперимент определения наблюдаемости кристаллических решёток

4.3.4 Исследование устойчивости алгоритмов классификации кристаллических решёток к искажениям

4.3.5 Результаты классификации решёток на натурных изображениях

4.4 Выводы

ГЛАВА 5 ПРОГРАММНЫЕ КОМПЛЕКСЫ ТЕКСТУРНОГО АНАЛИЗА

ИЗОБРАЖЕНИЙ КРИСТАЛЛИЧЕСКИХ СТРУКТУР

5.1 Функциональные требования

5.2 Программный комплекс для текстурного анализа диагностических кристалл ограмм

5.3 Программный комплекс для определения типа кристаллической решётки

5.4 Программный комплекс для сравнения моделей кристаллических решёток в трёхмерном пространстве

5.5 Анализ доступности операций, востребованных для текстурного анализа изображений кристаллических структур

5.6 Выводы

ЗАКЛЮЧЕНИЕ

ЛИТЕРАТУРА

ПРИЛОЖЕНИЕ А. Текстурные изображения

ПРИЛОЖЕНИЕ Б. Изображения кристаллических микроструктур

ПРИЛОЖЕНИЕ В. Модельные изображения кристаллических решёток

ПРИЛОЖЕНИЕ Г. Акты о внедрении результатов

ПРИЛОЖЕНИЕ Д. Свидетельства о регистрации программ для ЭВМ

Введение диссертации (часть автореферата) на тему «Математическое моделирование, методы и программные средства текстурного анализа изображений кристаллических структур»

ВВЕДЕНИЕ.

Актуальность темы

Текстурный анализ занимает важное место в обработке и классификации изображений различной природы. Наиболее широкое применение методы текстурного анализа нашли в медицине, материаловедении и дистанционном зондировании Земли. Разработке и исследованию математического аппарата, обеспечивающего теоретическую основу для автоматизации обработки, анализа, распознавания и понимания текстурных изображений посвящены работы Р. М. Харалика [116; 117], К. И. Лавса [134], X. Тамуры [179], X. Нимана [147], Ж. П. Серры [167 - 168], Д. Л. Четверикова [95 - 99] и др.

Текстура является важной характеристикой изображения. Текстуры часто присутствуют на рисунках природных сцен, содержащие как природные, так и изготовленные человеком объекты. Песок, камни, трава, листва, кирпичи и многие другие объекты могут формировать текстурное содержание изображения. Как на снимках, получаемых при дистанционном зондировании земной поверхности, так и на изображениях, получаемых в электронных микроскопах высокого разрешения, могут возникать различные текстуры.

Понятие «текстура» обычно относят к объединению признаков, характеризующих расположение составных частей материала в пространстве и относительно друг друга. Харалик отмечал [117], что, несмотря на повсеместное присутствие в изображениях текстуры, формального подхода к её описанию и определению не существует. Методы различения текстур, как правило, разрабатываются отдельно для каждого конкретного случая.

В работе П. П. Кольцова, 2011 [36; 128] проведено комплексное исследование алгоритмов выделения и классификации текстур. Результаты сравнительной оценки хорошо известных методов текстурного анализа, в том числе основанных на матрицах смежности и авторегрессионной модели, показали, что для достижения достаточной степени эффективности применения текстурного

анализа, требуется учёт специфики обрабатываемых изображений. Задача распознавания полутоновых текстур с позиции стохастической геометрии и функционального анализ рассматривалась в работах Н. Г. Федотова [47; 67- 69; 110] и диссертации Д. А. Мокшаниной, 2010 [48]. Применение спектра обобщённых фрактальных признаков для сравнения текстур исследовалось в работах

A. А. Рогова, 2008 [58] и диссертации К. Н. Спиридонова, 2008 [62].

В работе А. А. Потапова, 2004 [55] предложена технология радиолокационного обнаружения малоконтрастных целей на основе вероятностных текстурных признаков. Применение методов текстурного анализа для обработки данных дистанционного зондирования земли исследовали в своих работах

B. Су, 2012 [176]; П. Ракватин, 2012 [159]; Ю.Хан, 2012 [115]; И. А. Ризви, 2011 [162]; П. Р. Чоудхури, 2011 [100] и др. Впервые применение текстурного анализа к обработке биомедицинских изображений было показано в работах Р. Лерски, 1993 [135] и М. Стрелецкого, 1997 [63]. Обработке данных лучевой и ультразвуковой диагностики с использованием методов текстурного анализа посвящены работы С. Агнер, 2011 [86]; Р. Бхаттачария, 2011 [88]; В. Стокера, 2011 [175]; С. И. Ниваса, 2011 [148] и др.

Анализ опубликованных работ показывает: основной проблемой является высокая чувствительность алгоритмов к искажениям, что делает актуальной задачу построения помехоустойчивых алгоритмов. Процедура текстурного анализа существенно зависит от природы анализируемого объекта, при этом изображения кристаллических структур являются наименее исследованными, что делает актуальной тему диссертации.

Текстурный анализ кристаллограмм биологических жидкостей, относящихся к классу кристаллических микроструктур, проводят в медицине и биологии для суждения о состоянии здоровья человека, путём исследования морфологических и геометрических изменений структуры изображения (С. В. Харченко, 1988 [72]; А. К. Мартусевич, 2002 [45]; Ю. Ю. Тарасевич, 2007

[64] и др.). Проведённый в работе А. Б. Денисова, 2011 [21; 22] обзор исследований посвящённых изучению кристаллограмм биологических жидкостей, свидетельствует о недостаточно развитом аппарате математических методов обработки изображений в данной области и необходимости проведения соответствующих исследований.

Электронные микроскопы высокого разрешения, как например JEM-2100 и JEM-ARM-200F фирмы JEOL [85] или HF-3300 фирмы Hitachi [84], при увеличениях в миллионы раз дают возможность наблюдать кристаллические наноструктуры, например, атомарную структуру кристаллической решётки. Практическое использование методов анализа наноструктуры вещества требует значительных затрат, а итоговые данные являются результатом сложных и непрямых измерений и вычислений (Ю. К. Егоров-Тисменко, 2005 [24]; Э. Р. Кларк, 2007 [35]). Перспективным направлением исследований является применение методов текстурного анализа для решения задач оценивания параметров кристаллических решеток по электронным изображениям (Р. Ф. Эгертон, 2010 [83]; А. А. Орлов, 2011 [49] и др.). Однако на современном уровне развития методов кристаллографии при определении параметров кристаллических наноструктур возникает неоднозначность, связанная с проблемой отождествления наблюдаемого образа с реально существующим объектом, что требует развития новых моделей наблюдения и методов, позволяющих определять необходимые условия возможности правильной классификации - условий наблюдаемости.

Цель диссертационной работы:

Разработка вычислительных методов текстурного анализа изображений кристаллических микро- и наноструктур, математическое моделирование и анализ наблюдаемости трёхмерных кристаллических структур по изображениям их проекций, создание инструментальных и проблемно-ориентированных программных комплексов текстурного анализа изображений.

Основные задачи диссертации

1. Разработка вычислительных методов и реализация алгоритмов текстурного анализа диагностических изображений кристаллических структур.

2. Сравнительный анализ алгоритмов классификации и идентификации кристаллических структур, выбор эффективного алгоритма текстурного анализа данного класса изображений.

3. Разработка математической модели наблюдения кристаллических наноструктур в пространстве состояний и определение условий наблюдаемости трёхмерных кристаллических структур по изображениям проекций.

4. Разработка инструментальных программных комплексов идентификации кристаллических наноструктур и проблемно ориентированных программных комплексов текстурного анализа изображений кристаллических структур.

Научная новизна работы

Разработана информационная технология текстурного анализа изображений кристаллических микроструктур, включающая алгоритм формирования пространства эффективных признаков, основанный на дискриминантном анализе, позволяющий уменьшить ошибку классификации заданного набора изображений диагностических кристаллограмм.

Предложен метод текстурного анализа изображений кристаллических наноструктур, для устранения неоднозначности возникающей при классификации и идентификации предложен алгоритм анализа наблюдаемости трёхмерных кристаллических структур, основанный на математическом моделировании наблюдения проекций кристаллических решеток с использованием теории кинематики вращательного движения системы материальных точек.

Проведено комплексное исследование задачи классификации и определены условия практического применения методов классификации для определе-

ния типа кристаллических решеток, отличающихся использованием пространства признаков, основанного на анализе статистического распределения расстояний между узлами на изображениях проекций.

Разработан алгоритм идентификации параметров кристаллической решётки, отличающийся применением метрик сравнения параметров ячеек Браве и Вигнера-Зейтца, обеспечивающий высокую вероятность точной идентификации типа кристаллической решётки.

Созданы инструментальные программные комплексы, позволяющие эффективно решать задачи анализа изображений кристаллических наноструктур. Созданы проблемно-ориентированные программные комплексы текстурного анализа изображений кристаллических микроструктур, позволяющие эффективно решать задачи анализа диагностических изображений кристаллограмм.

Практическая значимость работы

Разработанные системы определения типа и оценивания параметров кристаллической решётки апробированы в процессе решения конкретных задач и дали положительные результаты в ИСОИ РАН и ООО «Инновационные технологии». Программные комплексы текстурного анализа изображений кристаллических микроструктур используются в составе компьютерной системы, предназначенной для проведения диагностики заболеваний по изображениям кристаллограмм в ФБУ Центр реабилитации Фонда социального страхования Российской Федерации «Волгоград». Научно-методические результаты успешно применяются в учебном процессе на кафедре технической кибернетики СГАУ при подготовке бакалавров, магистров и специалистов по специальностям «Прикладная математика и информатика» и «Прикладные математика и физика». Результаты внедрения работы подтверждены соответствующими актами.

Реализация результатов работы

Диссертационная работа выполнялась в СГАУ и ИСОИ РАН в соответствие с планами государственных и отраслевых научных программ: российско-американской программы «Фундаментальные исследования и высшее образование» (гранты СКОБ БШХ0-014-8А-06, РСЮ8-014-1, У2-М-14-07) 2003-2010 гг.; ФЦП «Научные и научно-педагогические кадры инновационной России» (госконтракт № 02.740.11.0841) 2009-2012 гг.; гранта Президента РФ поддержки ведущих научных школ (НШ-7414.2010.9) 2010 г.; грантов РФФИ (№06-07-08006-офи, 07-08-96611-р_поволжье_а, 08-07-90712-моб_ст, 10-01-90708-моб_ст, 10-07-00341-а, 12-01-00237-а) 2006-2013 гг.; программы № 5 фундаментальных исследований Президиума РАН «Фундаментальные науки - медицине» 2005-2011 гг.; программы № 6 фундаментальных исследований ОНИТ РАН «Биоинформатика, современные информационные технологии и математические методы в медицине» 2012 г.; государственного задания № 8.3195.2011 Минобрнауки РФ 2012-2013 гг.

Методы исследования:

В диссертационной работе используются методы распознавания образов, обработки изображений и математического моделирования, основы теории вероятностей и математической статистики, теории кинематики вращательного движения, теории управления. Результаты исследований подтверждены реализацией основных алгоритмов в виде комплексов программ и проведением вычислительных экспериментов на тестовых и натурных изображениях.

На защиту выносятся:

Информационная технология текстурного анализа изображений кристаллических микроструктур, включающая алгоритм формирования пространства эффективных признаков для классификации заданного набора изображений.

Метод текстурного анализа изображений кристаллических наноструктур, включающий алгоритм анализа наблюдаемости трёхмерных кристаллических решёток по изображениям проекций и методы формирования пространства признаков с использованием оценки статистического распределения расстояний между узлами решёток на изображении их проекций.

Математическая модель наблюдения кристаллических решёток в пространстве состояний и полученные условия наблюдаемости кристаллических решеток. Алгоритм идентификации кристаллических решеток на основе оценивания параметров ячеек Браве и Вигнера-Зейтца.

Инструментальные программные комплексы для классификации и идентификации параметров кристаллических решёток. Проблемно-ориентированные программные комплексы текстурного анализа изображений кристаллических микроструктур.

Достоверность результатов

Достоверность полученных в работе экспериментальных результатов обеспечена на уровне 95% проведением вычислительных экспериментов и компьютерных расчётов с достаточными объёмами выборки. Достоверность полученных в работе выводов и рекомендаций подтверждена корректностью постановки задачи, стабильной воспроизводимостью результатов, систематическим характером экспериментальных исследований.

Апробация работы

Основные результаты и положения диссертации были представлены на 10 конференциях, в т.ч.: 5-й Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии (РОАИ-5-2000) Самара, 16-22 октября 2000 г. [32*]; Fourth Indian Conference on Computer Vision, Graphics & Image Processing, ICVGIP 2004, Kolkata, India, December 1618, 2004 [123*]; 13th European Signal Processing Conference EUSIPCO 2005,

Antalya, Turkey, September 4-8 2005 [131*]; XVI Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии -2008», п. Абрау-Дюрсо, Новороссийск, 8-12 сентября 2008 [2*]; VI-й Международной научной конференции «Кинетика и механизм кристаллизации. Самоорганизация при фазообразовании». Иваново, Россия, 21-24 сентября 2010 г. [76*]; 8th Open German-Russian Workshop «PATTERN RECOGNITION and IMAGE UNDERSTANDING», OGRW-8-2011, Nizhny Novgorod, Russian Federation, November 21-26, 2011 [151*].

Публикации

Автором лично и в соавторстве опубликовано 96 научных работ. Основное содержание диссертационной работы отражено в 36 публикациях: 20 статей в изданиях, рекомендованных ВАК; 2 монографии; 4 свидетельства об официальной регистрации программ для ЭВМ; 10 тезисов докладов на международных и всероссийских конференциях.

Личный вклад автора

Результаты, изложенные в диссертации, получены лично автором, вклад автора в работах, написанных в соавторстве, заключается в разработке математических методов текстурного анализа, разработке и реализации алгоритмов классификации и проведении вычислительных экспериментов. Постановка задач и обсуждение результатов проводились совместно с научным консультантом.

Структура работы

Диссертация состоит из введения, пяти глав и заключения, изложена на 208 страницах, содержит 67 рисунков, 16 таблиц, 5 приложений. Список литературы составляет 186 наименований.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Куприянов, Александр Викторович

Основные результаты работы:

1. Проведено сравнительное исследование алгоритмов текстурного анализа, выявлены наиболее эффективные для каждого класса изображений кристаллических микроструктур. Установлено, что для лучистых кристаллограмм эффективными являются алгоритмы, основанные на статистических текстурных признаках, для дендритных кристаллограмм - алгоритмы, основанные на анализе пространственного спектра. Предложен численный метод вычисления статистических текстурных признаков, позволивший повысить скорость обработки изображений на 25%.

2. Разработана информационная технология текстурного анализа изображений кристаллических микроструктур, включающая алгоритм формирования пространства эффективных признаков на основе дискриминантного анализа для классификации заданного набора изображений. Применение пространства новых комбинированных признаков меньшей размерности позволяет уменьшить ошибку классификации диагностических кристаллограмм до 5 %, а применение статистических признаков поля направлений позволяет уменьшить ошибку ложного пропуска до 4%.

3. Предложена математическая модель наблюдения кристаллических решёток с использованием теории кинематики вращательного движения системы материальных точек, описанная в пространстве состояний, переменными которого являются координаты узлов кристаллической решётки на проекции, и полученные условия наблюдаемости кристаллических решеток. Показано, что для устранения неоднозначности, возникающей при классификации и идентификации трёхмерных кристаллических структур, необходимо проводить анализ наблюдаемости их проекций.

4. Разработан метод текстурного анализа изображений кристаллических наноструктур, включающий алгоритм анализа наблюдаемости трёхмерных кристаллических решёток по изображениям проекций. Комплексное исследование задачи классификации для определения типа кристаллических решеток с использованием пространства признаков, основанного на оценке статистического распределения расстояний между узлами на изображении их проекций, показало, что для определения типа решётки на натурных изображениях наиболее подходят методы классификации с использованием нейронных сетей и опорных векторов, при малом объёме обучающей выборки - более надёжные результаты даёт метод опорных векторов.

5. Разработан алгоритм идентификации параметров кристаллической решётки на основе оценивания параметров ячеек Браве и Вигнера-Зейтца. Показано, что для точного определения типа решётки необходимо одновременное применение трёх метрик схожести, при этом вероятность точной идентификации решётки с использованием введённых метрик составляет не менее 95%, вплоть до соотношения сигнал/шум равного 3.

6. Созданы инструментальные программные комплексы для классификации и идентификации параметров кристаллических решёток, позволяющие эффективно решать задачи анализа изображений кристаллических наноструктур. Созданы проблемно-ориентированные программные комплексы текстурного анализа изображений кристаллических микроструктур, позволяющие эффективно решать задачи анализа диагностических изображений кристалло-грамм.

ЗАКЛЮЧЕНИЕ

В диссертации разработаны вычислительные методы текстурного анализа изображений кристаллических микро- и наноструктур, методы математического моделирования и анализа наблюдаемости трёхмерных кристаллических структур по изображениям их проекций, созданы инструментальные и проблемно-ориентированные программные комплексы текстурного анализа.

Список литературы диссертационного исследования доктор технических наук Куприянов, Александр Викторович, 2013 год

ЛИТЕРАТУРА

1. Авдеенко, Т. В. О планировании модельной структуры в пространстве состояний: анализ структурной идентифицируемости / Т. В. Авдеенко // Сибирский журнал индустриальной математики. - 2001. - Т. 4, N 2. - С. 59-72.

2*. Ананьин, М.А. Методы исследования кристаллограмм биологических жидкостей на основе текстурного анализа / Ананьин, М.А., Куприянов A.B., Ильясова Н.Ю. // Труды XVI международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии - 2008», Новороссийск 2008, с. 50-51.

3*. Ананьин, М.А. Оценивание диагностических признаков на биомедицинских изображениях /Ананьин М.А., Ильясова Н.Ю., Куприянов A.B. // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. РАСПОЗНАВАНИЕ -2008. Сборник материалов VIII Международной конференции 13-15 мая 2008 года, Курск, 2008. - С. 42-44.

4*. Баврина, А. Ю. Исследование фотограмметрических изображений с помощью матриц вероятностного распределения яркости / А. Ю. Баврина, Н. Ю. Ильясова, А. В. Куприянов, А. Г. Храмов // Компьютерная оптика. -2002. -№23. -С. 62-65.

5. База данных изображений Brodatz Texture Database [Электронный ресурс]. - Режим доступа: http://www.ux.uis.no/~tranden/brodatz.html.

6. База данных изображений MeasTex Image Texture Database [Электронный ресурс]. - Режим доступа: http://www.texturesynthesis.com/ meastex/meastex .html

7. Библиотека по обработке изображений [Электронный ресурс]. - Режим доступа: http://www.aforgenet.com.

8. Библиотека по работе с нейронными сетями [Электронный ресурс]. - Режим доступа: http://sourceforge.net/projects/neurondotnet/.

9. Библиотека разработки программного обеспечения [Электронный ресурс]. - Режим доступа: http://www.microsoft.com/en-us/download/ details.aspx?id=6812.

10. Брандон, Д. Микроструктура материалов. Методы исследования и контроля / Д. Брандон, У. Каплан. - М.: Техносфера, 2004. - 384 с.

11. Бранец, В. Н. Применение кватернионов в задачах ориентации твердого тела / В. Н. Бранец, И. П. Шмыглевский. - М.: Наука, 1973. - 320 с.

12. Вапник, В. Н. Восстановление зависимостей по эмпирическим данным / В. Н. Вапник. - М.: Наука. Главная редакция физико-математической литературы, 1979. - 448 с.

13. Вапник, В. Н. Теория распознавания образов (статистические проблемы обучения) / В. Н. Вапник, А. Я. Червоненкис. - М.: Наука. Главная редакция физико-математической литературы, 1974. - 416 с.

14. ВидеоТесТ, аппаратно - программные комплексы [Электронный ресурс]. - Режим доступа: http://www.videotest.ru/ru/products/.

15. Волчецкий, A. JI. Кристаллизация и кристаллография: Медико-биологические аспекты / A. JI. Волчецкий, JL Г. Рувинова, Б. А. Спасенников, В. П. Зеновский. - Архангельск: Изд-во Помор, гос. ун-та, 1999. - 190 с.

16. Воронцов, К. В. Лекции по методу опорных векторов / К. В. Воронцов. - М. , 2007.

17. Горелик, С. С. Рентгенографический и электронно-оптический анализ. Учеб. пособие для вузов. / С. С. Горелик, Ю. А. Скаков, JT. Н. Расторгуев. -3-е изд. доп. и перераб. - М.: МИСИС, 1994. - 328 с.

18. Гроп, Д. Методы идентификации систем / Д. Гроп. - М.: Мир, 1979.

- 304 с.

19. Гуревич, И.Б. Дескриптивные алгебры изображений: определения и примеры / И.Б. Гуревич, Ю.И. Журавлёв, Ю.Г. Сметанин // Автометрия. - 1999.

- № 6. - С. 4-22.

20. Дворянова, Т. П. Компьютерная система анализа диагностических кристаллограмм / Т. П. Дворянова, Н. Ю. Ильясова, А. В. Устинов, А. Г. Храмов // Компьютерная оптика. - 1996. - N 16. - С. 90-96.

21. Денисов, А. Б. Кристаллические структуры ротовой жидкости. Сообщение 1. Метод оценки кристаллических фигур, полученных при высушивании смешанной слюны / Денисов А. Б. / Dental forum. - 2011. - Т. 37. - № 1. - С. 50-54.

22. Денисов, А. Б. Кристаллические структуры ротовой жидкости. Сообщение 2. Морфологический анализ в случае отсутствия кристаллических структур / Денисов А. Б. / Dental forum. - 2011. - № 4. -С. 44-46.

23. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт. -М.: Мир, 1976. - 507 с.

24. Егоров-Тисменко, Ю. К. Кристаллография и кристаллохимия / Ю. К. Егоров-Тисменко. - М.: КДУ, 2005. - 592 с.

25*. Жулькова, Е. С. Технология выделения лейкоцитов на изображениях препаратов крови / Е. С. Жулькова, Н. Ю. Ильясова, А. В. Куприянов // Компьютерная оптика . - 2007. - Т. 31-2. - С. 77-81.

26. Ильясова, Н. Ю. , Численные методы и алгоритмы построения полей направлений квазипериодических структур / Н. Ю. Ильясова, А. В. Устинов, А. Г. Храмов // Компьютерная оптика. - 1998. - N 18. - С. 150 - 165.

27*. Ильясова, И. Ю. Информационные технологии анализа изображений в задачах медицинской диагностики / Н. Ю. Ильясова, А. В. Куприянов, А. Г. Храмов // М.: Радио и связь, 2012. - 424 с. Главы. 2. 3, 2. 4, 2. 5, 2. 9, 2. 10, 5. 6, 5. 7, 6. 4. - ISBN 5-89776-014-4 /

28*. Ильясова, Н. Ю. Классификация кристаллограмм с использованием методов статистического анализа текстурных изображений / Н. Ю. Ильясова, А. В. Куприянов, А. Г. Храмов // Компьютерная оптика. - 2000. - № 20. - С. 122-127.

29*. Ильясова, Н. Ю. Компьютерная технология восстановления пространственной структуры коронарных сосудов по ангиографическим проекциям / Н. Ю. Ильясова, Н. Л. Казанский, А. О. Корепанов, А. В. Куприянов, А. В. Устинов, А. Г. Храмов // Компьютерная оптика. - 2009. -Т. 33-3. - С. 281317.

30*. Ильясова, Н. Ю. Применение искусственных нейронных сетей для оценивания диагностических параметров на биомедицинских изображениях / Н. Ю. Ильясова, Д. Е. Липка, А. В. Куприянов // Компьютерная оптика . -2003.-№25-С. 151-154.

31. Ильясова, Н.Ю. Методы и алгоритмы оценивания геометрических параметров диагностических изображений / дис. ... канд. техн. наук: 05.13.16 / Ильясова Наталья Юрьевна. - Самара, 1997. - 160 с.

32*. Ильясова, Н.Ю. Статистические признаки изображений текстур для классификации кристаллограмм / Ильясова Н. Ю., Куприянов А. В., Храмов А. Г. // Труды 5-ой международной конференции по распознаванию образов и анализу изображений. - Самара, 2000. - С.283-287.

33. Казанцев, В. С. Задачи классификации и их программное обеспечение / В. С. Казанцев. - М.: Наука, 1990. - 136 с.

34*. Кирш, Д.В. Определение типа кристаллической решетки по координатам её узлов в трехмерном пространстве / Кирш Д.В., Куприянов А.В.// Сборник трудов. Том 3. Всероссийская молодежная научно-техническая конференция «Космос - 2012»: Самара. Издательство Самарского государственного аэрокосмического университета, 2012. - С. 146-148.

35. Кларк, Э. Р. Микроскопические методы исследования материалов / Э. Р. Кларк, К. Н. Эберхардт. - М.: Техносфера, 2007. - 367 с.

36. Кольцов, П. П. Сравнительное изучение алгоритмов выделения и классификации текстур / П. П. Кольцов // НИИСИ РАН журнал вычислительной математики и математической физики. - 2011. - Т. 51, N 8. - С. 1561-1568.

37. Конвей, Д. Упаковки шаров, решётки и группы. В 2-х томах / Дж. Конвей, Н. Слоэн. - М: Мир, 1990. - 376 с.

38. Конспект лекций по дисциплине "Кристаллография, минералогия" / Кафедра геологии, минералогии и петрографии Сибирского федерального университета // Красноярск, 2007. - 355 с. [http://btn.sfu-kras .ru/ebibl/umkd/81 /u_lectures .pdf]

39*. Куприянов, А. В. Анализ текстур и определение типа кристаллической решётки на наномасштабных изображениях / А. В. Куприянов // Компьютерная оптика-2011.-Т. 35-2.-С. 145-152

40*. Куприянов, А. В. Наблюдаемость кристаллических решеток по нескольким узлам на изображениях их проекций / А. В. Куприянов // Компьютерная оптика - 2012. - Т. 36-4. - С. 586-589.

41*. Куприянов, А. В. О наблюдаемости кристаллических решёток по изображениям их проекций / А. В. Куприянов, В. А Сойфер // Компьютерная оптика - 2012. - Т. 36-2. - С. 249-256

42*. Куприянов, А. В. Определение меры схожести кристаллических решёток по координатам их узлов в трёхмерном пространстве / А. В. Куприянов, Д. В. Кирш // Компьютерная оптика - 2012. - Т. 36. -4. - С. 590-595

43*. Куприянов, А. В. Сегментация текстурных изображений на основе оценивания локальных статистических признаков / А. В. Куприянов // Вестник СГАУ. - 2008. - №2 (15). - С. 245-252.

44*. Малафеев, А. М. Метод классификации сосудов глазного дна, основанный на применении самоорганизующихся карт Кохонена / А. М. Малафеев, А. В. Куприянов, Н. Ю. Ильясова // Компьютерная оптика. - 2007. - Т. 31-1. -С. 67-70.

45. Мартусевич, А. К. , Кристаллографический анализ: общая характеристика / А. К. Матрусевич // Вятский медицинский вестник. - 2002. - N. 3. С. 59-61.

46. Методы компьютерной обработки изображений / Под ред. В. А. Сойфера. - М.: Физматлит, 2001. - 748 с.

47. Мокшанина, Д. А. Распознавание изображений со сложной полутоновой текстурой / Н. Г. Федотов, Д. А. Мокшанина // Измерительная техника. -2010.-N11.-С. 27-31.

48. Мокшанина, Д. А. Распознавание полутоновых текстур на основе стохастической геометрии и функционального анализа / дис. ... канд. техн. наук: 05.13.17 / Мокшанина Дарья Алексеевна. - Пенза, 2010. - 164 с.

49. Орлов, А. А. , Метод предварительной обработки изображений микро- и наноструктур / А. А. Орлов, J1. В. Антонов // Алгоритмы, методы и системы обработки данных, 2011. - N 3.

50. Павлов, П. В. Физика твердого тела / П. В. Павлов, А. Ф. Хохлов. -М.: Высшая школа, 2000. - 494 с.

51*. Парингер, P.A. Метод оценивания геометрических параметров дендритных кристаллограмм, основанный на алгоритме скелетизации / Парингер P.A., Куприянов A.B. // Сборник трудов. Том 3. Всероссийская молодежная научно-техническая конференция «Космос - 2012»: Самара. Издательство Самарского государственного аэрокосмического университета, 2012. - С. 207209.

52. Патана, Е. И. Разработка и исследование статистических методов текстурной сегментации полутоновых изображений / дис. ... канд. техн. наук: 05.13.17 / Патана Елена Игоревна. - Таганрог, 2009. - 177 с.

53*. Пластинин, А. И. Модель марковского случайного поля в задачах синтеза и анализа текстурных изображений / А. И. Пластинин, А. В. Куприянов // Вестник СГАУ. - 2008. - №2 (15). - С. 252-258.

54*. Пластинин, А. И. Разработка методов формирования цвето-текстурных признаков для анализа биомедицинских изображений / А. И. Пластинин, А. В. Куприянов, Н. Ю. Ильясова // Компьютерная оптика. - 2007. - Т. 31-2.-С. 82-85.

55. Потапов, А. А. Новые информационные технологии на основе вероятностных текстурных и фрактальных признаков в радиолокационном обнаружении малоконтрастных целей / А. А. Потапов // Радиотехника и электроника. -2003. Т. 48,N9.-С. 1101-1119.

56. Прэтт, У. Цифровая обработка изображений / У. Прэтт, под ред. Д. С. Лебедева. - М.: Мир, 1982. - 312 с.

57. Рихтер, Дж. CLR via С#. Программирование на платформе Microsoft . NET Framework 2. 0 на языке С# / Дж. Рихтер. - СПб.: Питер, 2007. - 656 с.

58. Рогов, А. А. Применение спектра фрактальных размерностей Реньи как инварианта графического изображения/ Рогов А. А. , Спиридонов К. Н. // Вестник Санкт-Петербугского университета. —2008. — Сер. 10. — Вып. 2. — С. 30-43.

59. Саратовкин, Д. Д. Дендритная кристаллизация / Д. Д. Саратовкин. -М.: Металлургиздат, 1957. - 128 с.

60. Скворцов, А. В. Триангуляция Делоне и ее применение / А. В. Скворцов. - Томск: Издательство Томского университета, 2002. - 128 с.

61*. Сойфер, В. А. Анализ и распознавание наномасштабных изображений: Традиционные подходы и новые постановки задач / В. А. Сойфер, А. В. Куприянов // Компьютерная оптика. - 2011. - Т. 35-2. - С. 136-144.

62. Спиридонов, К. Н. Применение спектра обобщенных фрактальных размерностей Реньи для сравнения текстур изображений / дис. ... канд. техн. наук: 05.13.18 / Спиридонов Константин Николаевич. - Петрозаводск, 2008. -133 с.

63. Стрелецкий, М. Segmentation of Textured Biomedical Images Using Neural Networks, PhD Thesis, Technical University of Lodz, Poland, 1995 (перевод с польского)

64. Тарасевич, Ю. Ю. Качественный анализ закономерностей высыхания капли многокомпонентного раствора на твердой подложке / Ю. Ю. Тарасе-

вич, Д. М. Православнова // Журнал технической физики. - 2007. - Т. 77, N 2. -С. 17-21.

65. Уманский, Я. С. Кристаллография, рентгенография и электронная микроскопия / Я. С. Уманский, Ю. А. Скаков, А. Н. Иванов, Л. Н. Расторгуев. -М.: Металлургия, 1982. - 632 с.

66. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика / Ф. Уоссермен. - М.: Мир, 1992. - 240 с.

67. Федотов, Н. Г. Методы стохастической геометрии в распознавании образов / Н. Г. Федотов. - М.: Радио и связь, 1990. - 144 е.:

68. Федотов, Н. Г. Новые признаки изображений, инвариантные относительно группы движений и аффинных преобразований / Н. Г. Федотов, А. А. Кадыров // Автометрия. - 1997. - N4. - С. 65-79.

69. Федотов, Н. Г. Теория признаков распознавания образов на основе стохастической геометрии и функционального анализа / Н. Г. Федотов. - М.: ФИЗМАТЛИТ, 2009. - 304 с

70. Фукунага, К. Введение в статистическую теорию распознавания образов / К. Фукунага. - М.: Наука, 1979. - 270 с.

71. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. - М.: Вильяме, 2006. 1104 с.

72. Харченко, С. В. Кристаллические структуры ротовой жидкости, природа и свойства / С. В. Харченко, Г. А. Корнеева, А. А. Ветров // Известия Академии наук СССР. Сер. биологическая. - 1988. - N 3. - С. 450-454.

73. Хейкер, Д. М. Рентгеновская дифрактометрия Физико-математическая библиотека инженера / Д. М. Хейкер, Л. С. Зевин. - М.: Физ-матгиз, 1963. - 380 с.

74. Храмов, А.Г. Метод поля направлений в анализе и интерпретации диагностических изображений / дис. ... док. техн. наук: 05.13.17 / Храмов Александр Григорьевич. - Самара, 2006. - 230 с.

75. Челноков, Ю. Н. Кватернионные и бикватернионные модели и методы механики твердого тела и их приложения. Геометрия и кинематика движения / Ю. Н. Челноков. - М.: ФИЗМАТЛИТ, 2006. - 512 с.

76*. Чухман, Т.П. Изучение криеталлограмм слезной жидкости на основе оценивания локальных статистических признаков с применением метода мер текстурной энергии / Чухман Т.П., Ильясова Н.Ю., Куприянов A.B., Свердлин С.М. // Тезисы докладов VI-й Международной научной конференции "Кинетика и механизм кристаллизации. Самоорганизация при фазообразовании". Иваново, Россия, 21-24 сентября 2010 г. с. 366.

77. Чухман, Т. П. Кристаллографическое исследование слезной жидкости при воспалительных заболеваниях глаза / дис. ... канд. мед. наук: 14.00.08 / Чухман Татьяна Петровна / Волгоград, 1999. - 187 с.

78. Шабалин, В. Н. Морфология биологических жидкостей человека / В. Н. Шабалин, С. И. Шатохина. - М.: Хризостом, 2001. - 304 с.

79. Шапиро, J1. Компьютерное зрение / J1. Шапиро, Дж. Стокман. - М.: Бином, 2006. - 752 с.

80. Шаскольская, М. П. Кристаллография / М. П. Шаскольская. - М.: Высшая школа, 1984. - 376 с.

81. Шевяков, С. Б. Методы анализа текстур на изображении: дис. ... канд. техн. наук: 05.13.17 / Шевяков Сергей Борисович. - Нижний Новгород, 2002. - 154 с.

82. Шредер, М Фракталы, хаос, степенные законы. Миниатюры из бесконечного рая / М. Шредер. - Ижевск: Регулярная и хаотическая динамика, 2005. - 528 с. - ISBN: 5-93972-041-2.

83. Эгертон, Р. Ф. Физические принципы электронной микроскопии / Р. Ф. Эгертон. - М.: Техносфера, 2010. - 304 с.

84. Электронный микроскоп HF-3300 300 kV FE-TEM [Электронный ресурс]. - Режим доступа: http://hitachi-hta.com/products/electron-microscopes-and-focused-ion-beam/transmission-electron-microscopes/hf-3300-300-kv-

85. Электронный микроскоп JEM-2100 LaB6 Transmission Electron Microscope [Электронный ресурс]. - Режим доступа: http://www.jeol.com/ PRODUCTS/ElectronOptics/TransmissionElectronMicroscopesTEM/200kV/JEM21 00LaB6/tabid/l 23/Default.aspx

86. Agner, С. Textural Kinetics: A Novel Dynamic Contrast-Enhanced (DCE)MRI Feature for Breast Lesion Classification Shannon / C. Agner, Salil Soman, Edward Libfeld, Margie McDonald, Kathleen Thomas, Sarah Englander, Mark A. Rosen, Deanna Chin, John Nosher, Anant Madabhushi // Journal of Digital Imaging. - 2011. - V. 24, N 3. - P. 446-463.

87. Ball, G. H. Isodata, a novel method of data analysis and pattern classification / G. H. Ball, D. J. Hall // Stanford Research Institute. - 1965.-79 p.

88. Bhattacharya, P. Selection of optimal texture descriptors for retrieving ultrasound medical images / Prabir Bhattacharya, Sudhir P. Mudur, Srinivasan Krish-namurthy // IEEE International Symposium on Biomedical Imaging. - 2011. - P. 1016.

89. Bino, S. V. Grey level co-occurrence matrices: generalisation and some new features / Bino Sebastian V. , A. Unnikrishnan, Kannan Balakrishnan // International Journal of Computer Science, Engineering and Information Technology. -2012.-V. 2, N2.-P. 151-157.

90. Brodatz, P. Textures: A Photographic Album for Artists and Designers / P. Brodatz. - New York: Dover. - 1999. - 128 p.

91. £elik, T. Bayesian texture classification and retrieval based on mul-

tiscale feature vector / Turgay £elik, Tardi Tjahjadi // Pattern Recognition Letters. -

\

2011. -V. 32, N2. - P. 159-167.

92. Chen, С. C. Fractal feature analysis and classification in medical imaging / С. C. Chen, J. S. Daponte, M. D. Fox // IEEE Transactions on Medical Imaging. - 1989. -N 8, - P. 133-142.

93. Chen, J. Structural approach to identify defects in textured images / J. Chen, A. K. Jain // Proceedings of IEEE International Conference on Systems, Man, and Cybernetics. - 1988. P. 29-32.

94. Chen, P. C. Segmentation by Texture Using Correlation / P. C. Chen, T. Pavlidis // PAMI. - 1983. - N 1. - P. 64-69.

95. Chetverikov, D. Detecting defects in texture / D. Chetverikov // Proceedings of the 9th international Conference on pattern Recognition. - 1988. - P. 61-63.

96. Chetverikov, D. Pattern orientation and texture symmetry. In Computer Analysis of Images and Patterns / D. Chetverikov // Springer Lecture Notes in Computer Science. - 1995. - N 970. - P. 222-229.

97. Chetverikov, D. Texture anisotropy, symmetry, regularity: Recovering structure from interaction maps / D. Chetverikov, R. M. Haralick // In Pmc. British Machine Vision Conference. - 1995. - P. 57-66.

98. Chetverikov, D. Texture feature based interaction maps and structural filtering / D. Chetverikov // 20th Workshop of the Austrian Pattern Recognition Group. - 1996. - P. 143-157.

99. Chetverikov, D. Texture imperfections / D. Chetverikov // Pattern Recognition. - 1987. - N 6. - P. 45-50.

100. Chowdhury, P. R. Neural Network Based Dunal Landform Mapping From Multispectral Images Using Texture Features / Pinaki Roy Chowdhury, Beni-dhar Deshmukh, Anil Kumar Goswami, Shiv Shankar Prasad // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. - 2011. - V. 4, N 1. -P. 171-184.

101. Clark, M. Texture segmentation using Gabor modulation / demodulation / M. Clark, A. C. Bovik // Pattern Recognition Letters. - 1987. - N 6. - P. 261-267.

102*. Computer Image Processing, Part II: Methods and algorithms: Appendix A2. Biomedical Images Processing / edited by Victor A. Soifer // VDM Verlag . -2009. - Chapter A2. 1. 3. - P. 515-528.

103. Conners, R. W. A theoretical comparison of texture algorithms / R. W. Conners, C. A. Harlow // IEEE Trans, on Pattern Analysis and Mashine Intelligence. - 1980. -N 2. - P. 204-222.

104. Cord, A. Texture classification by statistical learning from morphological image processing: application to metallic surfaces / A. Cord, F. Bach, D. Jeulin // Journal of Microscopy-oxford. - 2010.

105. Crystal Studio: Crystallography Software for Crystal and Molecule Structures [Электронный ресурс]. - Режим доступа: http://www.crystalsoftcorp.com/index.php.

106. D' Astous, F. Texture discrimination based on detailed measures of the power spectrum / F. D' Astous, M. E. Jernigan // Proc. Of 7th International Conference on Pattern Recognition, Mon-treal. - 1984. - P. 83-86.

107. Daugman, J. Complete Discrete 2-D Gabor Transforms by Neural Networks for Image Analysis and Compression / J. Daugman // IEEE Trans on Acoustics, Speech, and Signal Processing. - 1988. - V. 36. N. 7. - P. 1169-1179.

108. Delforge, J. On local identifiability of linear systems / J. Delforge // Math. Biosci. - 1984. - N 70. - P. 1-37.

109. DigitalMicrograph™, Gatan Microscopy Suite (GMS) [Электронный ресурс]. - Режим доступа: http://gatan.com/products/software/.

110. Fedotov, N. G. Recognition of Halftone Textures from the Standpoint of Stochastic Geometry and Functional Analysis / N. G. Fedotov, D. A. Mokshanina // Journal Pattern Recognition and Image Analysis archive. - 2010. - V. 20, N 4. - P. 551-556.

111. GIMP, the GNU Image Manipulation Program [Электронный ресурс]. -Режим доступа: http://www.gimp.org/.

112. Goodhew, P. J. Electron microscopy and analysis / P. J. Goodhew. -Taylor&Francis, 2001. - 265 p.

113. Haider, M. Towards 0.1 nm resolution with the first spherically corrected transmission electron microscope /Haider M., Rose H., Uhlemann S., Kabius B., and Urban K.// Journal of Electron Microscopy. - N 47. - 1998. - P.395

114. Hammond, C. The Basic of Crystallography and Diffraction. Third Edition / C. Hammond. - Oxford University Press Inc, 2009. - 449 p.

115. Han, Y. A shape-size index extraction for classification of high resolution multispectral satellite images / Youkyung Han, Hyejin Kim, Jaewan Choi, Yongil Kim // International Journal of Remote Sensing. - 2012. - V. 33, N 6. - P. 1682-1700.

116. Haralick, R. M. Statistical and structural approaches to textures / R. M. Haralick // Proc. IEEE. - 1979. - N 67. - P. 786-804.

117. Haralick, R. M. Textural features for image classification / R. M. Haralick, K. Shanmugam, I. Dinstein // IEEE Trans, on Systems, Man and Cybernetics. - 1973. -N3. - P. 610-621.

118. Haykin, S. Neural Networks / S. Haykin // A Comprehensive Foundation, 2nd edition. Prentice Hall. - 2005. - P. 1104.

119. Hernandez, Y. Aberration-corrected HRTEM image of a graphene monolayer obtained by exfoliation of graphite in liquid phase / Y. Hernandez, V. Nicolosi // Nature Nanotechnology. - 2008. - N 3. - P. 563-568.

120. Hozman, J. Biomedical Image Processing Applications / J. Hozman, M. Bernas, R. Kubinek // Biomedical Engineering & Biotechnology, Publishing House of the Czech Technical University. - 1994.

121. Hsu, C. W. A practical guide to support vector classification / C. W. Hsu, C. C. Chang, C. J. Lin // Department of Computer Science and Information Engineering, National Taiwan University. - 2003.

122*. Ilyasova, N. Yu. Analysis of Features of Texture Images for Crystallo-gram Identification and Classification / N. Yu. Ilyasova, A. V. Kupriyanov, A. G. Khramov // Optical Memory & Neural Networks. - 2002. - V. 11, N. 1. - P. 19-28.

123*. Ilyasova, N.Yu. Diagnostic Analysis Using Textural Features of the Lachrymal Fluid Crystal Images / N.Yu. Ilyasova, A.V. Kupriyanov, A.M. Malap-heev, A.G. Khramov// Proceedings of Fourth Indian Conference on Computer Vision, Graphics & Image Processing. ICVGIP 2004. - December 16-18, 2004. - Indian Statistical Institute & Indian Unit for Pattern Recognition and Artificial Intelligence, Kolkata. - p. 343-347.

124. Jing, J. Fabric defect detection using Gabor filters and defect classification based on LBP and Tamura method / Junfeng Jing, Huanhuan Zhang, Jing Wang, Pengfei Li, Jianyuan Jia // Journal of The Textile Institute. - 2012. - P. 1-10. (Есть ссылка на 2013 с номером и томом)

125. Kalman, R. Е. Mathematical description of linear dynamical systems / R. E. Kalman // SIAM J. Contr. Ser. A. - 1963. - V. 1, N 2. P. 152-192.

126. Kandaswamy, U. Comparison of Texture Analysis Schemes Under Nonideal Conditions / Umasankar Kandaswamy, Stephanie A. Schuckers, Donald Adjeroh // IEEE Transactions on Image Processing. - 2011. - V. 20, N 8. - P. 22602275.

127. Kessler, E. G. Precision Comparison of the Lattice Parameters of Silicon Monocrystals / E. G. Kessler, A. Henins, R. D. Deslattes, L. Nielsen, M. Arif // Journal of Research of the National Institute of Standards and Technology. - 1994. - V. 99, N 1. - P. 1-18.

128. Koltsov, P. P. Comparative study of texture detection and classification algorithms / P. P. Koltsov // Computational Mathematics and Mathematical Physics. -2011. - V. 51, N 8. - P. 1460-1466.

129*. Kupriyanov, A. V. Ophthalmic Pathology Diagnostics Using Textural Features of the Lachrymal Fluid Crystal Images / A. V. Kupriyanov, N. Yu. Ilyasova, A. G. Khramov // Pattern Recognition and Image Analysis. (Advances in Mathematical Theory and Applications). - 2005. -V. 15, N. 4. - P. 657-660.

130*. Kupriyanov, A. V. Statistical Features of Image Texture for Crystallo-gram Classification / A. V. Kupriyanov, A. G. Khramov, N. Yu. Ilyasova // Pattern Recognition and Image Analysis. - 2001.-V. 11,N l.-P. 180-183.

131*. Kupriyanov, A.V. Diagnostic analysis using textural features of the lachrymal fluid crystal images / Kupriyanov A.V., Malafeev A.M., Ilyasova N.Yu. // Proceedings of 13th European Signal Processing Conference September 4-8 2005, EUSIPCO 2005, Antalya, Turkey., pp. 514-518

132*. Kupriyanov, A.V. The methods for color-textural parameters estimation of biomedical diagnostic images / Kupriyanov A.V., Plastinin A.I., Ilyasova N.Yu. // Proceedings of "8th International Conference on PATTERN RECOGNITION and IMAGE ANALYSIS: NEW INFORMATION TECHNOLOGIES" (PRIA-8-2007), pp. 335-359, 2007.

133. Laine, A. Texture Classification by Wavelet Packet Signatures / A. Laine, J. Fan // IEEE Trans. Pattern Analysis and Machine Intelligence. - 1993. - V. 15,N 11. -P. 1186-1191.

134. Laws, K. I. Rapid Texture Identification / K. I. Laws // SPIE. - 1980. - N 238. - P. 376-380.

135. Lerski, R. MR Image Texture Analysis - An Approach to Tissue Characterisation / R. Lerski, K. Straughan, L. Shad, D. Boyce, S. Bluml, I. Zuna // Magnetic Resonance Imaging. - 1993. - N 11. - P. 873-887.

136. Levine, M. D. Feature extraction: a survey / M. D. Levine // Proceedings of the IEEE. - 1969. - V. 57, N 8. - P. 1391-1407.

137. Levine, M. D. Vision in Man and Machine / M. D. Levine // McGraw-Hill. - 1985.

138. Li, X. Using wavelet transform and multi-class least square support vector machine in multi-spectral imaging classification of Chinese famous tea / X. Li, P. Nie, Z. Qiu, Y. He // Expert Systems With Applications. - 2011. - V. 38, N 9. - P. 11149-11159.

139. Liew, A. W. Statistical texture classification via histograms of wavelet filtered images / A. W. Liew, J. Jo, T. B. Chae, Y. Chun // International Conference on Wavelet Analysis and Pattern Recognition. - 2011. - P. 234-238.

140. Lopes, R. Local fractal and multifractal features for volumic texture characterization / R. Lopes, P. Dubois, I. Bhouri, M. H. Bedoui, Salah Maouche, Nacim Betrouni // Pattern Recognition. - 2011. - V. 44, N 8. - P. 1690-1697.

141. Lu, S. Y. A syntactic approach to texture analysis / S. Y. Lu, K. S. Fu // Comput. Graph. Image Processing. - 1978. - N 7. - P. 303-330.

142. MacQueen, J. Some methods for classification and analysis of multivariate observations / J. MacQueen // Proc. 5th Berkeley Symp. on Math. Statistics and Probability. - 1967. - P. 281-297.

143*. Malapheev, A. Application of self organised Kohonen's map for fundus vessels classification / A. Malapheev, A. Kupriyanov, N. Ilyasova // Optical Memory & Neural Networks (Information Optics). - 2008. - V. 17, N. 4. - P. 295297.

144. Mohapatra, S. Automated leukemia detection in blood microscopic images using statistical texture analysis / Subrajeet Mohapatra, Dipti Patra, Sanghamitra Satpathy // Proceedings of the 2011 International Conference on Communication, Computing & Security. - 2011. - P. 184-187.

145. Muller, K. An Introduction to Kernel-Based Learning Algorithms / K. Muller, S. Mika, G. Ratsch, K. Tsuda, B. Scholkopf // IEEE Neural Networks. -2001.-P. 181-201.

146. Murugswari, G. Comparative analysis of texture models for image segmentation / G. Murugswari, A. Suruliandi // International Conference on Computer, Communication and Electrical Technology. - 2011.

147. Niemann, H. Pattern Analysis / H. Niemann // pringer Series in Information Sciences 4. Berlin. - Springer-Verlag . - 1981

148. Niwas, S. I. Log-gabor wavelets based breast carcinoma classification using least square support vector machine / S. Issac Niwas, P. Palanisamy, W. J. Zhang, Nor Ashidi Mat Isa, Rajni Chibbar // IEEE International Workshop on Imaging Systems and Techniques. - 2011.

149. Osuna, E. An improved training algorithm for support vector machines / E. Osuna, R. Freund, F. Girosi // Neural Networks for Signal Processing VII. IEEE Workshop. - 1997. - P. 276-285.

150. Paniagua, B. Automatic texture characterization using Gabor filters and neurofuzzy computing / Beatriz Paniagua, Miguel A. Vega-Rodriguez, Juan A. Gómez-Pulido, Juan M. Sánchez-Pérez // International Journal of Advanced Manufacturing Technology. - 2011. - V. 52, N 1. - P. 15-32.

151*. Paringer, R.A. Methods For Estimating Geometric Parameters of The Dendrite's Crystallogramms / Paringer R.A., Kupriyanov A.V. // Proceedings of 8th Open German-Russian Workshop «PATTERN RECOGNITION and IMAGE UNDERSTANDING», OGRW-8-2011, November 21-26, Nizhny Novgorod, The Russian Federation - 2011. - P.226-229.

152. Park, M. Fast Content-Based Image Retrieval Using Quasi-Gabor Filter and Reduction of Image Feature / M. Park, J. S. Jin, L. S. Wilson // Southwest Symposium on Image Analysis and Interpretation. - 2002. - P. 178-182.

153. Patera, J. Centered cubic lattice method comparison / J. Patera, V. Skala // Proceedings of Algoritmy. - 2005. - P. 309-318.

154. Pharsook, S. The texture classification using the fusion of decisions from different texture classifiers / S. Pharsook, T. Kasetkasem, P. Larmsrichan, S. Sid-dhichai, T. Chanwimaluang, T. Isshiki // International Conference on Electrical Engineering / Electronics, Computer, Telecommunications and Information Technology. -2011.

155*. Plastinin, A. I. Color Textural Analysis of the Blood Preparation Images / A. I. Plastinin, A. V. Kupriyanov, N. Yu. Ilyasova // Optical Memory & Neural Networks (Information Optics). - 2008. - V. 17, N. 3. - P. 201 -207.

156*. Plastinin, A. Markov model based features for color-texture images analysis/ Plastinin A., Kupriyanov A. //Proceedings of the 9th International conference on pattern recognition and image analysis: new information technologies (PRIA-9-2008), Nizhni Novgorod 2008, Vol. 2. pp. 118-120.

157. Piatt, J. С. Fast training support vector machines using sequential minimal optimization // J. C. Piatt, ed. by B. Scholkopf, С. C. Burges, A. J. Smola // Advances in Kernel Methods. - 1999. - P. 185-208.

158. Prasad, B. G. Statistical texture feature-based retrieval and performance evaluation of CT brain images / B. G. Prasad, A. N. Krishna // International Conference on Electronic Computer Technology. - 2011. (также есть про харалика)

159. Rakwatin, P. Using multiscale texture information from ALOS PALSAR to map tropical forest / Preesan Rakwatin, Nicolas Longepe, Osamu Isoguchi, Masa-nobu Shimada, Yumiko Uryu, Wataru Takeuchi // International Journal of Remote Sensing. - 2012. - V. 33, N 24. - P. 7727-7746.

160. Reed, T. R. A review of recent texture segmentation and feature extraction techniques / T.R. Reed, J. M. H. Buf // Computer Vision, Image Processing and Graphics. - 1993. - V. 57. N. 3. - P. 359-372.

161. Ritter, G.X. Handbook of Computer Vision Algorithms in Image Algebra. 2-d Edition / G.X. Ritter, J.N. Wilson. - CRC Press Inc, 2001. - 425 p.

162. Rizvi, I. A. Object-Based Image Analysis of High-Resolution Satellite Images Using Modified Cloud Basis Function Neural Network and Probabilistic Relaxation Labeling Process / Imdad Ali Rizvi, B. Krishna Mohan // IEEE Transactions on Geoscience and Remote Sensing. - 2011. - V. 49, N 12. - P. 4815-4820.

163. Robinson, A. C. On the use of quaternions in simulation of rigid-body motion / A. C. Robinson // WADD Techn. report. - 1957. - V. 58, N 17. - 100 p.

164. Rosenfeld, A. Picture Recognition / A. Rosenfeld, J. Weszka // Digital Pattern Recognition, K. Fu (Ed. ). - 1980 . - P. 135-166

165. Rosenfeld, A. Visual texture analysis / A. Rosenfeld, E. B. Troy // Conf. Record for Symposium on Feature Extraction and Selection in Pattern Recogn. IEEE Publication 70C-51C. - 1970. - P. 115-124.

166. Salem, Y. B. Rotation invariant texture classification using Support Vector Machines / Yassine Ben Salem, Salem Nasri // International Conference on Communications, Computing and Control Applications. - 2011. - P. 1-6.

167. Serra, J. One, two, three,... , infinity / J. Serra // Quantitative Analysis of Microstructures in Materials Science, Biology, and Medicine, J. L. Chernant (Ed. ). Stuttgart, Germany: Riederer-Verlag GmbH. - 1978. - P. 9-24.

168. Serra, J. P. , Image Analysis and Mathematical Morphology / J. P. Serra. - Academic Press, London, New York, 1982. - 610 p.

169. Serra, J. P. Theoretical bases of the Leitz texture analyses system / J. P. Serra // Leitz Sci. Tech. Inform. - 1974. - V. 1, N 4. - P. 125-136.

170. Sharma, M. Evaluation of texture methods for image analysis / M. Sharma, S. Singh // Intelligent Information Systems Conference, the 7th Australian and New Zealand.-2001.-V. 18. N. 21.-P. 117-121.

171. Singh, M. Spatial texture analysis: a comparative study / M. Singh, S. Singh // Int. Conf. Pat-tern Recognition. - 2002. - N 1. - P. 676-679.

172. Smith, G. Measuring texture classification algorithms / G. Smith, I. Burns // Pattern Recognition Letters. - 1997. - V. 18. - P. 1495-1501.

173. Smith, W. F. Foundations of Materials Science and Engineering / William F. Smith. - McGraw-Hill Education, 2004. - 864 p.

174. Soifer, V. A. The Method of The Directional Field in the Interpretation and Recognition of Images with Structure Redundancy / V. A. Soifer, V. V. Kotlyar, S. N. Khonina, A. G. Khramov // Pattern Recognition and Image Analysis. - 1996. -V. 6, N4. - P. 710-724.

175. Stoecker,W. S. Detection of granularity in dermoscopy images of malignant melanoma using color and texture features / William V. Stoecker, Mark Wronkiewiecz, Raeed Chowdhury, R. Joe Stanley, Jin Xu, Austin Bangert, Bijaya Shrestha, David A. Calcara, Harold S. Rabinovitz, Margaret Oliviero, Fatimah Ahmed, Lindall A. Perry // Computerized Medical Imaging and Graphics. - 2011. - V. 35, N2. - P. 144-147.

176. Su, W. Analysis of wavelet packet and statistical textures for object-oriented classification of forest-agriculture ecotones using SPOT 5 imagery / Wei Su, Chao Zhang, Jianyu Yang, Honggan Wu, Lei Deng, Wenhao Ou, Anzhi Yue, Minjie

Chen // International Journal of Remote Sensing. - 2012. - V. 33, N 11. - P. 35573579.

177. Super, B. J. Localized Measurement of Image Fractal Dimension Using Gabor Filters / B. J. Super, A. C. Bovik // Journal of Visual Communication and Image Representation. - 1991. - N 2. - P. 114-128.

178. Tamura, H. Psychological and computational measurements of basic textural features and their comparison / H. Tamura, S. Mori, T. Yamawaki // Proc. 3rd Int. Joint Conf. Pattern Recognition. - 1976. - P. 273-277.

179. Tamura, H. Textural Features Corresponding to Visual Perception / H. Tamura, S. Mori, T. Yamawaki // IEEE Trans, on Systems, Man and Cybernetics. -1978.-N. 8.-P. 400-473.

180. Troelsen, A. Pro C# 2008 and the . NET 3. 5 Platform, 4th ed. / A. Tro-elsen // A - press. - 2007. - 1370 p.

181. Tuceryan, M. Moment Based Texture Segmentation / M. Tuceryan // Proceedings of 11th International Conference on Pattern Recognition. - 1992.

182. Tuceryan, M. Texture Analysis / M. Tuceryan, A. K. Jain // The Handbook of Pattern Recognition and Computer Vision (2nd Edition) by С. H. Chen, L. F. Pau, P. S. P. Wang (eds.). - 1998. - C. 207-248.

183. Vapnik, V. N. The Nature of Statistical Learning Theory, 2nd ed / V. N. Vapnik. - Springer, 2000. - 314 p.

184. Veblen, D. R. ТЕМ study of a pyroxene-to-pyroxenoid reaction / David R. Veblen // American Mineralogist. - 1985. - N 70. - P. 885-901.

185. Zhang, T. Y. A fast parallel algorithm for thinning digital patterns / T. Y. Zhang, C. Y. Suen // Commun. ACM. - 1984. - V. 27, N. 3. - P. 236-239.

186*. Zhulkova, E. The technology of leukocytes determination on blood preparation images / E. Zhulkova, N. Ilyasova, A. Kupriyanov, A. Plastinin // Optical Memory & Neural Networks (Information Optics). - 2008. - V. 17, N. 2. - P. 152156.