Разработка методов и средств контроля дисперсности наночастиц сканирующим туннельным микроскопом тема диссертации и автореферата по ВАК РФ 05.11.13, кандидат технических наук Гафаров, Марат Ренатович

• Гафаров, Марат Ренатович
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Гафаров, Марат Ренатович

ВВЕДЕНИЕ.

ГЛАВА 1. ОБЗОР МЕТОДОВ ПРОГНОЗИРОВАНИЯ, КООРДИНАТНОЙ ПРИВЯЗКИ И ВЫДЕЛЕНИЯ СТРУКТУРНЫХ ЭЛЕМЕНТОВ СТМ-ИЗОБРАЖЕНИЙ.

1.1. Сканирование в зондовой микроскопии.

1.2. Анализ методов прогнозирования для улучшения процессов сканирования.

1.2.1. Линейные модели прогнозирования.

1.2.2. Нелинейные модели прогнозирования.

1.2.3. Адаптивные модели прогнозирования.

1.2.4. Вероятностные модели прогнозирования.

1.3. Анализ методов геометрического согласования и координатной привязки изображений в СТМ.

1.4. Анализ методов сегментации изображений и оценки кривизны поверхности.

1.5. Постановка цели и задач исследования.

ГЛАВА 2. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДА АДАПТИВНОГО ПРОГНОЗИРОВАНИЯ ПОЛОЖЕНИЯ ЗОНДИРУЮЩЕГО ОСТРИЯ СТМ В ПРОЦЕССЕ СКАНИРОВАНИЯ ОБРАЗЦА.

2.1. Экспериментальные исследования известных моделей прогнозирования на СТМ-изображениях.

2.2. Разработка и исследование метода прогнозирования с многоуровневой моделью адаптации.

2.3. Алгоритм с накоплением глобальной статистики ошибок прогнозирования.

2.4. Алгоритм прогнозирования с локальной адаптацией к динамике функции яркости.

2.5. Алгоритм прогнозирования со сменой модели функции предсказания.

2.6. Анализ вычислительных структур и их сложности в методе прогнозирования с многоуровневой моделью адаптации.

2.7. Выводы.

ГЛАВА 3. КООРДИНАТНАЯ ПРИВЯЗКА ИЗОБРАЖЕНИЙ К ИССЛЕДУЕМОЙ ПОВЕРХНОСТИ ПРИ МНОГОКАДРОВОМ РЕЖИМЕ СТМ.

3.1. Метод статистической дифференциации для определения взаимного сдвига СТМ-изображений. g

3.2. Определение параметров сдвига и поворота СТМ-изображений.

3.3. Экспериментальные исследования метода статистической дифференциации для определения сдвига и поворота.

3.4. Выводы.

ГЛАВА 4. СЕГМЕНТАЦИЯ СТМ-ИЗОБРАЖЕНИЙ ПО КРИВИЗНЕ ПОВЕРХНОСТИ.

4.1. Разработка алгоритмов детекторов кривизны на СТМ-изображениях.

4.1.1. Детектор кривизны «Хорда».

4.1.2. Детектор кривизны «Сектор».

4.1.3. Детектор кривизны «Круг».

4.1.4. Детектор кривизны «Сфера».

4.2. Экспериментальные исследования разработанных детекторов кривизны.

4.3. Выводы.

ГЛАВА 5. МЕТОДЫ И СРЕДСТВА НАСТРОЙКИ СТМ ДЛЯ РЕШЕНИЯ

ЗАДАЧИ КОНТРОЛЯ ДИСПЕРСНОСТИ.

5.1. Структурная схема микроскопа для исследования наночастиц.

5.2. Подсистема тестирования и настройки блока прогнозирования.

5.3. Подсистема настройки системы упреждающего управления сканером на базе аппарата прогнозирования.

5.4. Подсистема тестирования и настройки алгоритмов контроля дисперсности и структурного анализа изображений.

5.5. Подсистема анализа сдвигов и поворотов СТМ-изображений.

5.6. Подсистема сближения иглы и образца туннельного микроскопа.

5.7. Выводы.

Введение диссертации (часть автореферата) на тему «Разработка методов и средств контроля дисперсности наночастиц сканирующим туннельным микроскопом»

Появление сканирующих туннельных микроскопов (СТМ) дало новые возможности для исследования различных материалов путем получения изображения поверхности и её локальных характеристик. При этом главными достоинствами, предопределившими выбор исследователей в пользу СТМ, явились его высокое пространственное разрешение, возможности работы в различных средах и применения для решения задач нанотехнологии и неразрушающего контроля. В настоящее время высокую значимость приобретает задача контроля дисперсности безлигандных металлических наночастиц (ультрадисперсных частиц с размерами 1-100 нм) для создания перспективных материалов с прогнозируемыми сочетаниями механических и физико-химических свойств. Такие материалы обладают обусловленными наноразмерным эффектом принципиально новыми механическими, магнитными, каталитическими и другими физико-химическими свойствами. Эти требования, в первую очередь, подразумевают повышение производительности СТМ, предотвращение зондирующего острия (30) и поверхности от повреждений, координатной привязки 30 к поверхности в многокадровых режимах работы СТМ, обеспечение широких возможностей автоматического анализа изображений рельефа поверхности изучаемых материалов. Применение СТМ требует решения комплекса задач, одни из которых направлены на улучшение метрологических характеристик и производительности СТМ, другие - на создание эффективных методов обработки получаемой информации.

Процесс управления сканированием поверхности по своей продолжительности является основной составляющей затрат времени на получение требуемой измерительной информации, поэтому для повышения производительности СТМ крайне важно увеличение скорости сканирования. Низкая скорость сканирования обусловлена тем, что в процессе сканирования изменения рельефа поверхности могут привести к механическому контакту 30 с исследуемой поверхностью. Резервы увеличения производительности СТМ следует искать в области методов адаптивного управления сканированием поверхности, основанных на прогнозировании возмущающих воздействий и формировании упреждающих сигналов управления на базе полученных прогнозных оценок. Таким образом, актуальной задачей совершенствования СТМ является разработка методов прогнозирования, адаптированных к условиям формирования СТМ-изображений. Главной задачей при этом должен стать выбор модели, адекватно описывающей динамику изменений рельефа поверхности на прогнозном интервале и обеспечивающий работу в режиме реального времени.

Необходимость выполнения процедуры автоматической координатной привязки 30 к системе координат, в которой снимались предыдущие кадры, возникает при работе в многокадровом режиме СТМ. К таким случаям относятся замена измерительной иглы, смещение образца для сдвига поля зрения микроскопа, температурный дрейф конструкции при продолжительном перерыве в работе и др. Создание эффективных методов оценки изменяющихся параметров межкадровых пространственных преобразований является одной из важных проблем обработки последовательностей СТМ-изображений больших размеров в условиях априорной неопределенности. Достоверность вычислений в таких методах может повышаться за счет внесения избыточности в информацию о параметрах преобразования, определяемых множеством локальных соответствий на изображениях и статистической дифференциацией результатов вычислений на базе интегральных свойств преобразований сдвига и поворота.

Одними из актуальных направлений применения СТМ являются поиск, идентификация и определение размеров частиц или локальных особенностей поверхности. При этом широко используется математический аппарат обработки и анализа изображений. Основные проблемы адекватной машинной интерпретации поверхности на СТМ-изображениях обусловлены сложной объемной структурой получающихся профилограмм, воздействием высокого уровня и разнообразия помех. С учетом свойств формы областей задача автоматической сегментации и описания геометрических структур СТМ-изображения может осуществляться детекторами кривизны поверхности и основана на понятиях выпуклости и вогнутости поверхности, функции локальной кривизны и ее экстремумов, то есть на базе смысловых характеристик его структурных элементов. Поэтому, разработка различных моделей детекторов кривизны, ориентированных на выделение структурных элементов СТМ-изображений в условиях помех, является актуальной задачей.

Целью данной работы является разработка методов и средств контроля дисперсности наночастиц сканирующим туннельным микроскопом посредством создания методов сканирования, координатной привязки и сегментации СТМ-изображений, обеспечивающих за счет адаптивного прогнозирования увеличение скорости сканирования и сохранности зондирующей иглы, устранение геометрического рассогласования кадров на основе дифференциации результатов массовых вычислений параметров преобразований и выделение структурных элементов СТМ-изображений плоскими и сферическим детекторами кривизны.

В соответствии с поставленной целью сформулированы и решены, следующие задачи.

1. Разработка методов ускорения сканирования исследуемой поверхности туннельным микроскопом.

2. Автоматизация обнаружения и учета наночастиц на поверхности.

3. Создание методов структурного анализа СТМ-изображений.

4. Разработка программно-аппаратного и технологического обеспечения туннельного микроскопа для контроля дисперсности наночастиц.

5 Разработка технологического обеспечения СТМ для настройки алгоритмов прогнозирования, геометрической привязки и сегментации СТМ-изображений.

Объектом исследования являются адаптивные методы прогнозирования в системах сканирования туннельных микроскопов, методы определения параметров пространственного рассогласования изображений, а также методы сегментации изображений на основе анализа кривизны линий и поверхности.

Предметом исследования являются модели наноструктуры поверхности, методики получения и обработки СТМ-изображений.

Методы исследования. В диссертации использован комплексный метод, включающий теоретические исследования и экспериментальную проверку полученных результатов. В теоретических исследованиях использовались: численные методы, основы теории множеств, цифровая обработка изображений и сигналов, теоретические основы информатики и программирования. В экспериментальных исследованиях разработанных методов и алгоритмов применялись методы системного анализа, имитационного моделирования, статистические методы обработки результатов исследований.

Достоверность и обоснованность полученных в работе результатов подтверждаются корректным использованием математических методов, проверкой теоретических выводов экспериментами, а также итогами компьютерного моделирования. Достоверность результатов экспериментальных исследований обеспечена их хорошей согласованностью с прогнозируемыми данными и их представлением на большом объеме экспериментального материала, а также воспроизводимостью и выбором надежных критериев при построении алгоритмов обработки изображений и наглядностью полученных практических результатов.

Научная новизна работы заключается в следующем.

1. Впервые теоретически обоснована и экспериментально подтверждена возможность улучшения прогнозных оценок рельефа поверхности на основе метода прогнозирования с многоуровневой моделью адаптации (ММА) к функции рельефа и шумам. Обосновано применение одной и той же функции предсказания для настройки алгоритма предсказания посредством минимизации дисперсии при изменении порядка прогнозируемой ошибки прогноза.

2. Разработаны три алгоритма реализации метода ММА с адаптацией к различному уровню и типам шумов: с накоплением глобальной статистики ошибок прогнозирования, с локальной адаптацией к динамике функции рельефа и со сменой модели функции предсказания. На основе оценки вычислительной сложности алгоритмов предложены структуры данных и процедуры для их эффективной реализации в зависимости от производительности системы управления СТМ.

3. Создан метод статистической дифференциации для определения взаимного сдвига и поворота изображений, позволяющий осуществлять координатную привязку сканирующего зонда к определенным структурам на поверхности в многокадровых режимах работы СТМ. Установлено, что высокая надежность определения неизвестных параметров геометрического преобразования обеспечивается большим уровнем избыточности, которая вносится в информацию об этих параметрах и их статистической дифференциацией в гистограммах распределения. Предложены структуры данных для подстройки предложенного метода под определенные показатели виброакустических и электронных шумов конкретного экземпляра СТМ.

4. Разработаны и экспериментально исследованы плоские и сферический детекторы локальной кривизны, позволяющие улучшить результаты сегментации СТМ-изображений как в качественном, так и количественном выражении.

5. Предложен метод настройки алгоритмов вычисления параметров геометрического рассогласования смежных кадров и детекторов локальной кривизны СТМ-изображений посредством испытаний на синтезированных изображениях частиц с изменяемыми уровнем шумов и фоновым рельефом поверхности.

Основные положения, выносимые на защиту.

1. Метод прогнозирования с многоуровневой моделью адаптации к шумам и динамике рельефа, основанный на моделировании ошибок различных порядков, обеспечивающий повышение быстродействия и настройку устойчивости каналов упреждающего управления туннельным промежутком. Алгоритмы реализации метода ММА с накоплением глобальной статистики ошибок прогнозирования, с локальной адаптацией к динамике функции рельефа и со сменой модели функции предсказания.

2. Метод статистической дифференциации для определения взаимного сдвига и поворота СТМ-изображеиий, вычисления температурного дрейфа конструкции СТМ, основанный на результатах массовых вычислений параметров преобразований по отождествленным точкам, образующим пары соответствий.

3. Модели трех плоских детекторов кривизны («Хорда», «Сектор», «Круг»), позволяющие выделять структурные элементы и вычислять их количественные параметры путем анализа профилограмм по строкам и столбцам СТМ-изображений.

4. Модель сферического детектора с непосредственной оценкой кривизны поверхности, основанная на аппроксимации части рельефа шаром и обладающая более высокими по сравнению с плоскими детекторами показателями по обнаружению и описанию кривизны локальных особенностей СТМ-изображений.

5. Методики и программы технологической настройки и проверки работоспособности функций сканирования поверхности, координатной привязки, сегментации изображений СТМ.

Практическая ценность работы определяется ее прикладной направленностью, ориентированной на использование полученных результатов для контроля дисперсности наночастиц туннельным микроскопом.

Предложенные алгоритмы, реализующие разработанный метод прогнозирования, позволяют улучшить динамические характеристики системы управления сканированием, адаптироваться к уровню шумов, обеспечивая сохранность ЗО и поверхность образца.

Предложен помехоустойчивый метод устранения геометрического рассогласования смежных кадров и координатной привязки ЗО, обеспечивающий работу СТМ в многокадровом режиме. Большой уровень избыточности, вносимый в процесс вычисления параметров геометрического преобразования, повышает достоверность получаемых результатов.

Разработанные детекторы кривизны поверхности позволяют не только осуществлять контроль дисперсности по СТМ-изображениям, но могут быть использованы в подсистеме настройки и тестирования СТМ, а также при работе с другими категориями изображений.

Реализация результатов работы. Результаты диссертационной работы использованы при разработке и совершенствовании программно-аппаратных средств и методов для изучения наноструктуры поверхности сканирующим туннельным микроскопом и внедрены в ИМ УрО РАН, а также в учебном процессе ИжГТУ.

Работа выполнялась в соответствии с планами госбюджетных научно-исследовательских работ, проводимых ИМ УрО РАН:

- «Разработка прецизионных методов тестирования новых материалов и технических систем для энергетики, высокоэффективных химических процессов и нанотехнологий» (2007-2009г., № гос. per. 01200708351);

- «Создание новых методов и средств диагностики материалов и изделий для нанотехнологий, энергетики и обеспечения техногенной безопасности» (2010-2012г., № гос. per. 01201000907), а также в рамках

- интеграционного проекта УрО РАН и СО РАН «Теория и технология формирования атомарно острых зондирующих острий сканирующего туннельного микроскопа» (2006-2008г.);

- гранта РФФИ 10-08-96023-рурала «Исследование электрофизических процессов формирования нанозондов для электрохимического сканирующего туннельного микроскопа» (2010-2012г.);

- интеграционного проекта УрО РАН и СО РАН «Теория и технология создания и использования атомарно острых зондирующих игл гибридных сканирующих туннельных микроскопов» (2009-2011г.).

Апробация работы. Основные положения работы докладывались и обсуждались на двух международных научно-технических конференциях «Измерения, контроль, информатизация» (Барнаул, 2008, 2009); III международной конференции «Технические университеты: интеграция с европейской и мировыми системами образования» (Ижевск, 2008); научно-технической конференции «Виртуальные и интеллектуальные системы» (Барнаул, 2011); научнотехнической конференции, посвященной 50-летию кафедры «Вычислительная техника» ИжГТУ (Ижевск, 2009); научно-технической конференции «Информационные технологии в науке, промышленности и образовании» (Ижевск, 2010).

Публикации. По теме диссертации опубликовано 20 печатных работ, из них 7 статей в журналах, рекомендуемых ВАК РФ, 2 патента РФ, 2 свидетельства о государственной регистрации программы для ЭВМ.

Структура и объём работы. Структура и объем работы определяются общим замыслом и логикой проведения исследований. Диссертация содержит введение, 5 глав и заключение, изложенные на 172 с. машинописного текста. В работу включены 54 рис., 10 табл., список литературы из 123 наименований и приложение.

Заключение диссертации по теме «Приборы и методы контроля природной среды, веществ, материалов и изделий», Гафаров, Марат Ренатович

5.7. Выводы

1. Реализация функций прогнозирования рельефа поверхности, упреждающего управления сканированием, сегментации изображений, координатной привязки зондирующего острия к поверхности возможна при использовании для управления СТМ мощного сигнального процессора.

2. Предложены методика испытаний системы регулирования туннельного промежутка с упреждающим управлением и рекомендации по настройке временных интервалов упреждающего воздействия под инерционные, колебательные и др. характеристики конкретного экземпляра СТМ.

3. Разработана методика создания модельных СТМ изображений. Обосновано применение модельных изображений для тестирования и настройки алгоритмов сегментации и оценки смещения изображений на завершающем этапе производства туннельного микроскопа.

4. Разработано программное обеспечение, позволяющее автоматизировать процессы определения рекомендованных значений параметров, используемых алгоритмами прогнозирования, координатной привязки и сегментации изображений.

ЗАКЛЮЧЕНИЕ

В работе изложено научное обоснование технических и методических решений при разработка методов и средств контроля дисперсности наночастиц сканирующим туннельным микроскопом.

1. Анализ и экспериментальное исследование существующих алгоритмов прогнозирования применительно к СТМ-изображениям позволили среди множества функций предсказания, рассматриваемых обычно для эффективного кодирования изображений, выбрать те из них, которые имеют простую программную реализацию и служат в качестве первичных для конструирования метода прогнозирования с многоуровневой моделью адаптации.

2. Впервые теоретически обоснована и экспериментально подтверждена возможность улучшения прогнозных оценок высоты сканирующего зонда на основе разработанного метода прогнозирования с многоуровневой моделью адаптации (ММА) к функции рельефа и шумам. Установлено, что при многократном применении одной и той же функции предсказания дисперсии ошибок имеют четко выраженный минимум, позволяющий выбрать требуемый порядок модели и существенно уменьшить общую ошибку прогнозной оценки. Показано, что высокие прогностические свойства метода обеспечиваются за счет вариации порядка применяемой модели предсказания и адаптации размеров апертуры к локальным особенностям СТМ-изображений.

3. Разработаны три алгоритма реализации метода ММА с различными способами адаптации к уровню и типам шумов: с накоплением глобальной статистики ошибок прогнозирования, с локальной адаптацией к динамике функции рельефа и со сменой модели функции предсказания. Показано, что первый из них лучше подходит для работы в условиях стационарных помех, а при их не стационарности лучшие результаты обеспечивает второй алгоритм. В алгоритме со сменой модели функции предсказания улучшение прогнозных оценок достигается за счет того, что учитывается факт изменения соотношения шумовой и регулярной составляющих в процессе последовательного приближения прогнозного значения. Экспериментальные исследования алгоритмов на реальных СТМ-изображениях подтвердили их эффективность.

4. Проведен анализ вычислительных процедур и структур данных в методе прогнозирования с многоуровневой моделью адаптации. Показано, что рекурсивный способ вычисления ошибок предсказания различных уровней предпочтителен перед прямым способом как по затратам памяти, так и по вычислительной сложности. Проведены оценки вычислительной сложности различных функций предсказания, предложены структуры данных для эффективной реализации алгоритмов прогнозирования.

5. Создан отличный от известных метод статистической дифференциации для определения взаимного сдвига и поворота изображений, позволяющий осуществлять координатную привязку сканирующего зонда и устранять геометрическое рассогласование изображений в многокадровых режимах работы СТМ. Высокая надежность метода обеспечивается внесением большого уровня избыточности в искомые параметры и их статистической дифференциацией в гистограммах распределения. Показано, что анализ гистограмм по принципу выделения сигнал из шума позволяет оценить качество получаемых результатов и придать алгоритмам следящий характер. Предлагается рациональная организация структур данных для прямого доступа к ним с целью сокращения перебора и вычислительных затрат. Экспериментальные исследования алгоритмов, реализующих данный метод, подтвердили его высокую эффективность и потенциальные возможности, как на синтезированных, так и на реальных СТМ-изображениях.

6. Разработаны и экспериментально исследованы на синтезированных и реальных изображениях плоские детекторы локальной кривизны, позволяющие, путем анализа профилограмм по строкам и столбцам СТМ-изображений, выделять структурные элементы и вычислять их количественные параметры. Показано, что для обеспечения помехоустойчивости функцию кривизны можно оценивать косвенно, через такие локальные характеристики дуги, как длина стягивающей хорды, площадь сектора или площадь подкривой внутри небольшого заданного круга, а также аналитически связать эти характеристики с радиусом кривизны дуги. Предварительная оценка кривизны по строкам и столбцам позволяет восстановить кривизну поверхности для целей сегментации и определения координат выпуклых (вогнутых) объектов на ней.

7. Предложена и теоретически обоснована отличная от известных модель сферического детектора с непосредственной оценкой кривизны поверхности, основанная на аппроксимации сферой локальных выпуклых (вогнутых) областей СТМ-изображений. Установлена аналитическая связь текущих параметров детектора с радиусом кривизны поверхности. Проведены экспериментальные исследования данного детектора, позволившие получить, по сравнению с плоскими моделями, лучшие результаты сегментации СТМ-изображений как в качественном, так и количественном выражении.

8. Предложены методики испытаний алгоритмов прогнозирования, координатной привязки и сегментации изображений, которые могут использоваться в качестве средств технологического оснащения в процессах сборки, наладки и контроля СТМ. Методики реализованы в виде законченного программного обеспечения, позволяющего работать как с модельными, так и с реальными изображениями.

9. Создано несколько вариантов реализации алгоритмов прогнозирования, координатной привязки и сегментации изображений, формирующих пространство параметров регулировки и настройки СТМ.

Список литературы диссертационного исследования кандидат технических наук Гафаров, Марат Ренатович, 2012 год

1. Гафарое, M. Р. Улучшение метрологических характеристик сканирующего туннельного микроскопа // Электронные устройства и системы: межвузовский сборник научных трудов. - Уфа: УГАТУ, 2008. - С. 200-204.

2. Прэтт, У. Цифровая обработка изображений. М. : Мир, 1982. - 790 с.

3. Липанов, А. М. Адаптивная система развертки изображения и формирования измерительной информации в сканирующем туннельном микроскопе / А. М. Липанов, П. В. Гуляев, Е. Ю. Шелковников // Датчики и системы. 2004. -№7. С. 14-18.

4. Пат. 2269803 РФ G02B 21/20, G01N 13/10, H01J 37/26. Устройство управления скоростью сканирования туннельного микроскопа / Липанов А. М., Гуляев П. В., Шелковников Е. Ю., Гудцов Д. В., Панич А. Е. Опубл. 10.02.2006.- Бюл. № 4.

5. Темников, Ф. Е. Теоретические основы информационной техники. М. : Энергия, 1979.-512 с.

6. Долотов, В. Г. Дискретное отображение сигналов. М. : МЭИ, 1976. -84 с.

7. Темников, Ф. Е. Теория развертывающих систем. М. : Энергоатомиз-дат, 1963.-168 с.

8. Темников, Ф. Е. Методы и модели развертывающих систем. М. : Энер-гоатомиздат, 1987. - 134 с.

9. Бутаков, Е. А. Обработка изображений на ЭВМ / Е. А. Бутаков, В. И. Островский, И. Л. Фадеев. -М. : Радио и связь, 1987. 240 с.

10. Шеннон, К. Математическая теория связи // Работы по теории информации и кибернетике / Пер. с англ.; под ред. Р. В. Добрушина, С. Б. Лупанова. -М. : Изд-во иностранной лит-ры, 1963. С. 243-332.

11. Кемени, Дж. Конечные цепи Маркова / Дж. Кемени, Дж. Снелл. М. : Наука, 1970. - 272 с.

12. Грузман, И. С. Цифровая обработка изображений в информационных системах: учебное пособие / И. С. Грузман, В. С. Киричук, В. П. Косых, Г. И. Перетягин, А. А. Спектор. Новосибисрк: Изд-во НГТУ, 2000. - 168 с.

13. Савченко, В. В. Теоретико-информационное обоснование линейных оценок прогнозирования // Автометрия. 2001. - № 5. - С. 68.

14. Лебедев, Д. С. Эффективность систем передачи изображений / Д. С. Лебедев, И. И. Цуккерман. М. : Наука, 1968. - ? с.

15. Цуккерман, И. И. Проблемы современного телевидения (цифровое телевидение). М. : Знание, 1980. - 64 с.

16. Howard, P. G. Fast and efficient lossless image compression / P. G. Howard, J. S. Vitter // Proc. of Data Compression Conference. 1993. - P. 351-360.

17. Howard, P. G. Fast Progressive Lossless Image Compression / P. G. Howard, J. S. Vitter // Image and Video Compression Conference, Symposium on Electronic Imaging: Science & Technology SPIE-2186, San Jose, California, Feb. 9-10. 1994. -P. 98-109.

18. Weinberger, M. J. LOCO-I: A low complexity, context-based, lossless image compression algorithm / M. J. Weinberger, G. Seroussi, G. Shapiro // in Proc. DCC, (Snowbird, Utah, USA), Mar. 1996. 1996. - P. 140-149.

19. Xiaolin, Wu. Lossless Compression of Continuous-tone Images via Context Selection // Quantization, and Modeling, IEEE Trans, on Image Processing, May 1997. 1997. - Vol. 6. -№ 5. - P. 656-664.

20. Xiaolin, Wu. An Algorithmic Study on Lossless Image Compression // Data Compression Conference. 1996. - P. 150-159.

21. Tabus, I. Adaptive L-predictors based on finite state machine context selection / I. Tabus, J. Rissanen, J. Astola // In Proc. ICIP'97 International Conference on Image Processing, Santa Barbara, California, Oct. 1997. P. 401^04.

22. Tabus, I. Adaptive Boolean predictive modelling with application to lossless image coding /1. Tabus, J. Astola // In SPIE Statistical and Stochastic Methods for Image Processing II, San Diego, California, Jul. 1997. - P. 234-245.

23. Бредихин, Д. Ю. Сжатие графики без потерь качества // http://www.compression.rU/download/articles/i lless/bredikhin 2004 losslessimagecompression.pdf. (дата обращения: 25.04.2012).

24. Ульянов, В. Н. Алгоритм кодирования изображений без потерь со множеством предсказателей // Радиолокация, навигация, связь: труды V международной науч.-техн. конф. Воронеж. - 1999. Т. 1. - С. 408-412.

25. Ульянов, В. Н. Адаптивные алгоритмы кодирования изображений // Автометрия. 2001. -№ 5. - С. 12-24.

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

27. Ватолин, Д. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео / Д. Ватолин, А. Ратушняк, М. Смирнов, В. Юкин. М. : ДИАЛОГ-МИФИ, 2002. - 384 с.

28. Метоп, N. Recent Developments in Context-Based Predictive Techniques for Lossless Image Compression / N. Memon, X. Wu // The Computer Journal. -1997.-Vol. 40.-№2/3.-P. 127-136.

29. Браиловский, И. В. Эффективное сжатие изображений с использованием обобщенных интервальных преобразований // Высокопроизводительные вычислительные системы и микропроцессоры: сборник научных трудов ИМВС РАН.-2003.-С. 86-95.

30. Habibi, A. Comparison of nth-order DPCM encoder with linear transformations and block quantization techniques // IEEE Transactions on Communication Technology, December 1971. Vol. COM-19. -№ 6. - P. 948-956.

31. Jain, A. K. Image data compression: a review // Proc. I.E.E.E. 1981. - Vol. 69. -№ 3. - P. 349-369.

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

33. Фисенко, В. Т. Компьютерная обработка и распознавание изображений: учеб. пособие / В. Т. Фисенко, Т. Ю. Фисенко. СПб: СПбГУ ИТМО, 2008.-192 с.

34. Берлин, А. Н. Коммутация в системах и сетях связи. Изд-во: Эко-Трендз, 2006. - 344 с.

35. Балашов, К. Ю. Сжатие информации: анализ методов и подходов. -Минск: Препринт: Ин-т техн. кибернетики НАН Беларуси, 2000. 42 с.

36. Голъденберг, Л. М. Цифровая обработка сигналов / JI. М. Гольденберг, Б. Д. Матюшкин, M. Н. Поляк. М. : Радио и связь, 1990. - 256 с.

37. Лебедев, Д. С. Телевидение и теория информации / Д. С. Лебедев, И. И. Цуккерман. М. : Энергия, 1965. - 218 с.

38. Хуанг, С. Обработка изображений / С. Хуанг, В. Шрейбер, О. Третьяк // Обработка изображений при помощи цифровых вычислительных машин: сб. науч. тр.; под ред. X. Эндрюса. М. : Мир, 1973. - С. 30-39.

39. Францкевич, Г. И. Нейросетевые модели и генетические модели и методы анализа данных // Г. И. Францкевич, А. А. Букарев, В. П. Костюк. / http://www.neuroproject.ru/Papers/ngamod.htm (дата обращения: 25.04.2012).

40. Семенюк, В. В. Вероятностные методы экономного кодирования видеоинформации: автореф. дис. . канд. техн. наук. Санкт-Петербург, 2004. - 16 с.

41. Соловьев, В. Ф. Рациональное кодирование при передаче сообщений. -М.: Энергия, 1970. 64 с.

42. Kortman, С. М. Redundancy reduction a practical method of data compression / Proc. of the IEEE, 1967. - Vol. 55. - № 3. - P. 253-263.

43. Бахвалов, H. С. Численные методы. Часть 1. M. : Наука, 1973. - 632 с.

44. Гурский, Е. И. Теория вероятностей с элементами математической статистики. М. : Высшая школа, 1971. - 328 с.

45. Чэн, Ш.-К. Принципы проектирования систем визуальной информации. М.: Мир, 1994.-409 с.

46. Clayton, G. М. Inverse-feedforward of charge-controlled piezopositioners // Mechatronics. -2008. -№ 18. P. 273-281.

47. Лапшин, P. В. Объектно-ориентированное сканирование для зондовой микроскопии и нанотехнологии: автореф. дис. . канд. техн. наук. Москва, 2002. - 34 с.

48. Мясников, Е. В. Определение параметров геометрических трансформаций для совмещения портретных изображений // Компьютерная оптика. 2007. -Т. 31. -№ 3. - С. 77-82.

49. Гиренко, А. В. Методы корреляционного обнаружения объектов / А. В. Гиренко, В. В. Ляшенко, В. П. Машталир, Е. П. Путятин. Харьков: АО "Биз-несИнформ", 1996. - 112 с.

50. Белоглазое, П. Н. Корреляционно-экстремальные системы / П. Н. Бело-глазов, В. Л. Тараненко. М. : Советское радио, 1974. - 392 с.

51. Марков, Л. Н. Оптимальная оценка сдвига случайных полей / Л. Н. Марков, В. Б. Хлякин // Радиотехника и электроника. 1983. - Т. 28. - № 10. -С.1921-1925.

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

53. Ташлинский, А. Г. Оценивание параметров пространственных деформаций последовательностей изображений / Ульяновский государственный технический университет. Ульяновск: УлГТУ, 2000. - 132 с.

54. Путятин, Е. П. Обработка изображений в робототехнике / Е. П. Путятин, С. И. Аверин. -М. : Машиностроение, 1990. 320 с.

55. Аггравал, Дж. К. Методы установления соответствия при анализе динамических сцен / Дж. К. Аггравал, JI. С. Дейвис, У. Н. Мартин // ТИИЭР. 1981. -Т. 69.-№5.-С. 77-90.

56. Аггравал, Дж. К. Определение параметров движения по последовательности изображений. Обзор / Дж. К. Аггравал, Н. Нандакумар // ТИИЭР. 1988. -Т. 76.-№8.-С. 69-90.

57. Грузман, И. С. Квазиоптимальный алгоритм совмещения изображений // ОИДИ-87: тезисы докладов региональной конф. Новосибирск: ВЦ СО АН СССР, 1987.-С. 78.

58. Дейхин, Л. Е. Использование непараметрических статистик для совмещения изображений // ОИДИ-90: тезисы докладов междунар. конф. Новосибирск: ВЦ СО АН СССР, 1990.-С. 70.

59. Ульман, Ш. Принципы восприятия подвижных объектов. М. : Радио и связь, 1983.-312 с.

60. Netravali, А. N. Motion compensated television coding: Part 1 / A. N. Netra-vali, J. D. Robbins // Bell Syst. Tech. 1979. - Vol. 58. - № 4. - P. 631-670.

61. Файн, В. С. Опознавание изображений: Основы непрерывно групповой теории и ее применение. -М. : Наука, 1970. 296 с.

62. Ярославский, Л. П. Введение в цифровую обработку изображений. М. : Советское радио, 1979. - 312 с.

63. David, G. Lowe Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision, 2004. Vol. 60. - № 2.

64. Chipolla, R. Robust Structure from Motion Using Motion Parallax / R. Chi-polla, Y. Okamoto, Y. Kuno //Int'l Conf. Computer Vision, May 1993. P. 374-382.

65. Костоусов, А. В. Задача навигации по радиолокационным изображениям точечных ориентиров: автореф. дис. .канд. физ.-мат. наук. Екатеринбург, 2006.-19 с.

66. Демидов, В. М. Методы и средства цифровой коррекции изображения в оптико-электронных системах визуализации: автореф. дис. . канд. техн. наук. -Москва, 2008.-22 с.

67. Завалишин, Н. В. Модели зрительного восприятия и алгоритмы анализа изображений / Н. В. Завалишин, И. Б. Мучник. -М. : Наука, 1974. 344 с.

68. Фролов, Ю. Г. Курс коллоидной химии. Поверхностные явления и дисперсные системы: учебник для вузов. 2-е изд., перераб. и доп. - М. : Химия, 1988.-464 с.

69. Жихарев, А. В. Устройство точного позиционирования зонда для сканирующих зондовых микроскопов / А. В. Жихарев, С. Г. Быстров, О. В. Карбань // ПТЭ. 2003.- №3. С. 125-127.

70. Хорн, Б. К. П. Зрение роботов: пер. с англ. М. : Мир, 1989. - 487 с.

71. Gordon, G. Face recognition based on depth and curvature features // IEEE Computer Vision and Pattern Recognition (CVPR), 1992. P. 808-810.

72. Аль Аккад M. Айман Разработка и исследование методов анализа и построения трехмерной модели лица по фотографиям: автореф. дис. . канд. техн. наук. Ижевск, 2004. - 22 с.

73. Tanaka, Н. Curvature-based face surface recognition using spherical correlation principal directions for curved object recognition / H. Tanaka, M. Ikeda, H. Chiaki // International Conference on Automated Face and Gesture Recognition, 1998.-P. 372-377.

74. Лепский, А. Е. Оценка кривизны методом усреднения локально-интерполяционных оценок // Математические методы распознавания образов: сборник докладов 14-й Всероссийской конференции. М. : МАКС Пресс, 2009. -С. 387-390.

75. Лепский, А. Е. Оценка кривизны методом аналитического сглаживания локально-интерполяционных оценок // Математические методы распознавания образов: сборник докладов 14-й Всероссийской конференции. М. : МАКС Пресс, 2009.-С. 391-394.

76. Bennet, J. R. On the Measurement of Curvature in a Quantised Environment / J. R. Bennet, J. S. MacDonald // IEEE Trans, on Computers, 1975. Vol. C-24(8). -P. 803-820.

77. Freeman, H. A corner finding algorithm for chain-coded curves / H. Freeman, L. S. Davis // IEEE Trans. Computers, 1977. № 26. - P. 297-303.

78. Chetverikov, D. A. Simple and Efficient Algorithm for Detection of High Curvature Points in Planar Curves / D. A. Chetverikov, Zs. Szabo // Proc. 23rd Workshop of the Austrian Pattern Recognition Group, 1999. P. 175- 184.

79. Douglas, D. H. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature / D. H. Douglas, Т. K. Peucker // The Canadian Cartographer, 1973. -№ 10(2). P. 112-122.

80. Rutkowski, W. S. A comparison of corner-detection techniques for chain-coded curves / W. S. Rutkowski, A. Rosenfeld // Technical Report TR-623, Computer Science Center, University of Maryland. 1978. - P. ?.

81. Ramer, U. An iterative procedure for the polygonal approximation of plane closed curves // Computer Graphics Image Processing. 1972. - No 1. - P. 244-256.

82. Вишневский, В. В. Аппроксимация экспериментальных данных кривыми Безье / В. В. Вишневский, В. Г. Калмыков, Т. Н. Романенко // XIII-th International Conference KDS 2007. Varna, Bulgaria. - 2007. - P. 3-9.i

83. Белоус, H. В. Применение дескриптора взаимных расстояний контрольных точек для распознавания двумерных геометрических объектов по форме /

84. Н. В. Белоус, Г. А. Кобзарь, А. Н. Ковалев // Украинский научно-теоретический журнал «Вестник Международного Славянского университета». -2007.-№6. -С. 111-122.

85. Вишневский, В. В. Структурный анализ цифровых контуров изображений как последовательностей отрезков прямых и дуг кривых / В. В. Вишневский, В. Г. Калмыков // Искусственный интеллект. 2004. - № 3. - С.433-442.

86. Clayton, G. М. Inverse-feedforward of charge-controlled piezopositioners // Mechatronics. 2008. - No 18. - P. 273-281.

87. Денисенко, В. В. ПИД-регуляторы: принципы построения и модификации // Современные технологии автоматизации. 2006. - № 4. - С. 66-74.

88. Липанов, А. М. Применение аппарата прогнозирования в сканирующих устройствах растрового типа / А. М. Липанов, Ю. К. Шелковников, М. Р. Гафа-ров, П. В. Гуляев // Приборы и системы. Управление, контроль, диагностика. -2010.-№7.-С. 59-64.

89. Гуляев, П. В. Метод упреждающего управления сканером в сканирующем туннельном микроскопе / П. В. Гуляев, М. Р. Гафаров, Е. Ю. Шелковников, А. В. Тюриков, Н. И. Осипов // Ползуновский вестник. 2010. - № 2. - С. 115-119.

90. Гуляев, П. В. Автоматизация процесса сближения зондирующей иглы и образца в электрохимическом туннельном микроскопе / П. В. Гуляев, Н. И. Осипов, М. Р. Гафаров, Е. Ю. Шелковников, С. Р. Кизнерцев // Ползуновскийвестник. 2011. - № 3. - С. 200-204.

91. Свидетельство о государственной регистрации программы для ЭВМ № 2010615769 от 06.09.2010 / Моделирование процессов упреждающего управления в сканирующей зондовой микроскопии / М. Р. Гафаров. Опубл. -20.12.2010. - Бюл. 4(75)( ч.П).

92. Свидетельство о государственной регистрации программы для ЭВМ № 2010615826 от 07.09.2010 / Автоматическая координатная привязка в многокадровом режиме туннельного микроскопа / М. Р. Гафаров; Опубл. 20.12.2010. -Бюл. 4(75)(ч.П).

93. Гафаров, М. Р. Контроль дисперсности наночастиц в СТМ-измерениях выделением структурных элементов их изображений / М. Р. Гафаров, Е. Ю. Шелковников, П. В. Гуляев, А. В. Тюриков, С. Р. Кизнерцев // Ползуновский вестник.-2011.-№3.-С. 118-124.

94. Гуляев, П. В. Применение зондовой микроскопии для контроля размеров и анализа дисперсности наночастиц / П. В. Гуляев, М. Р. Гафаров, Ю. К. Шелковников, А. В. Тюриков, С. Р. Кизнерцев // Вестник ИжГТУ. 2011. - № 4 (52).-С. 119-122.

95. Пат. 2368061 РФ. Пьезоэлектрический реверсивный двигатель / Липанов ,А. М., Гуляев П. В., Шелковников Ю. К., Тюриков А. В., Осипов Н. И., Гафаров

96. М. Р., Суворов А. В. Опубл. 20.09.2009. - Бюл. № 26.

97. Пат. на полезную модель 112504 РФ. Сканирующий туннельный микроскоп / Шелковников Е. Ю., Тюриков А. В., Гуляев П. В., Осипов Н. И., Кизнер-цев С. Р., Гафаров М. Р., Суворов А. С., Тарасов М. В. Опубл. 10.01.2012. -Бюл. № 1.

98. Гуляев, П. В. Динамическая модель ударного пьезоэлектрического привода вращательно-поступательного типа / П. В. Гуляев, М. Р. Гафаров, О. В. Мышкин, Н. И. Осипов, С. Р. Кизнерцев // Ползуновский Альманах. Барнаул: АлтГТУ, 2010.-С. 23-25.

99. Павловский В. Е. Объединенная система навигации мобильного робота по маякам и видеоориентирам / В. Е. Павловский, А. Н. Забегаев, А. В. Калини-ченко, В. В. Павловский //Мехатроника, автоматизация, управление. 2011. -№10.-С. 66-70.

100. Levine М. 3D View-Invariant Face Recognition Using a Hierarchical Pose-Normalization Strategy / M. Levine, A. Rajwade II http://www.cim.mcgill.ca/~levine/Levine Aiit 3DFaceRec CVIU.pdf 40 с. (дата обращения: 24.04.2012).

101. Li Y. Feedforward control of a closed-loop piezoelectric translation stage for atomic force microscope / Y. Li, J. Bechhoefer // http://www.sfu.ca/chaos/papers/rsi07.pdf- 8 с. (дата обращения: 24.04.2012).

102. Pao, L. Combined Feedforward/Feedback Control of Atomic Force Microscopes / L. Pao, J. Butterworth, D. Abramovitch // http://ece.colorado.edu/~pao/anonftp/PaoButterworthAbramovitch ACC07 AFMcon trol.pdf -7 c. (дата обращения: 24.04.2012).

103. Пат. 2181218 РФ. Способ считывания цифровой информации в зондо-вом запоминающем устройстве / Лапшин Р. В. Опубл. 10.04.2002. - Бюл. №10, 2002.

104. Пат. 2175761 РФ. Способ измерения рельефа поверхности сканирующим зондовым микроскопом / Лапшин Р. В. Опубл. 10.11.2001. - Бюл. №31, 2001.

105. Пат. 2181212 РФ. Способ перемещения зонда сканирующего микро-скопа-нанолитографа в поле грубого X-Y позиционера / Лапшин Р. В. Опубл. 10.11.2001.-Бюл. №10,2002.

106. WO Patent 2009/025886. Closed-loop controller and method for fast scanning probe microscopy. Int.Public Date 26.02.2009.

107. Бестужев-JIada КВ. Рабочая книга по прогнозированию. M. : Мысль, 1982,-430 с.

108. Howard P. New Methods for Lossless Image Compression Using Arithmetic Coding / P. G. Howard, J. S. Vitter // Information Processing and Management 28 -1992.-P. 765-779.

109. Функция предсказания Р= г01 + 0 \) / 2к = -11. И = Ок = 111 «1001 *1. Гзз Уп Уп /зо

110. А2 А1 Ао 7 23 У22 У21 /201. А2 А, Ао Пз У12 Уп 7ю1. А2 А, * Хоз Уо2 У 01 *1. Ан =1. Р()2 — — «01»1. До =1. Д = 2(схп — а01а10),1. Р\2 ~ ~~2«01«11'

111. Ао = —«10» А1 ~ 2«10«11' Аг = —«и»

112. Г01 — 3«0Р ^02 ~ /оз = ~«01' 7ю=3«ю' Гп =3(а„ -2а01а10); Гп =-За01("о1«1о +2«и);13 = ~3«о1«и> /20 — 3<210,21 =-За10(а01а10 + 2аи); 722 = -Заи(ап + 2а01а10);23 = ~3 СХ01(Хи, У го = Гз1 = 732 = Гзз10'3#ю«11 ?3«ю«п'з.