Разработка методов и средств контроля дисперсности наночастиц сканирующим туннельным микроскопом

Гафаров, Марат Ренатович

Приборы и методы контроля природной среды, веществ, материалов и изделий

автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.13, диссертация на тему:Разработка методов и средств контроля дисперсности наночастиц сканирующим туннельным микроскопом

кандидата технических наук: Гафаров, Марат Ренатович
город: Ижевск
год: 2012
специальность ВАК РФ: 05.11.13

Диссертация по приборостроению, метрологии и информационно-измерительным приборам и системам на тему «Разработка методов и средств контроля дисперсности наночастиц сканирующим туннельным микроскопом»

Автореферат диссертации по теме "Разработка методов и средств контроля дисперсности наночастиц сканирующим туннельным микроскопом"

На правах рукописи

Гафаров Марат Ренатович

К 621.385.833

АЗРАБОТКА МЕТОДОВ И СРЕДСТВ КОНТРОЛЯ ДИСПЕРСНОСТИ ЛНОЧАСТИЦ СКАНИРУЮЩИМ ТУННЕЛЬНЫМ МИКРОСКОПОМ

Специальности:

05.11.13 - приборы и методы контроля природной среды, веществ, материалов и изделий

05.11.14 - технология приборостроения

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

1 о¿т?

005015822

Ижевск-2012

005015822

Работа выполнена в Институте Механики УрО РАН

Научный руководитель: доктор технических наук, профессор

Шел ков никое Юрий Константинович

Научный консультант: кандидат технических наук

Гуляев Павел Валентинович

Официальные оппоненты: доктор технических наук, профессор Ижевского государственного технического университета им. М.Т. Калашникова Мурынов Андреи Ильич (г. Ижевск)

кандидат физико-математических наук, доцент Санкт-Петербургского государственного политехнического университета

Ерофеев Сергей Анатольевич (г.Санкт-Петербург) Ведущая организация: НКТБ «Пьезоприбор»(г.Ростов-на-Дону)

Защита диссертации состоится 25 мая 2012г. в 10-00 часов

на заседании диссертационного совета ДМ 004.01.1 02 в Институте механики

УрО РАН по адресу: 426067. г. Ижевск, ул. Т. Барамзиной, 34

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять по адресу: 426067. г. Ижевск, ул. I. Барамзиной. 34

С диссертацией можно ознакомиться в библиотеке ИМ УрО РАН

Автореферат разослан «23» апреля 2012г.

Ученый секретарь диссертационного совета д.т.н., профессор

АгуЪЪ&Л.

В.В. Тарасов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы связана с высокой значимостью контроля дисперсно-и безлигандных металлических наночастиц (ультрадисперсных частиц с раз-рами 1-100 нм) для создания перспективных материалов с прогнозируемыми четаниями механических и физико-химических свойств. Такие материалы ладают обусловленными наноразмерным эффектом принципиально новыми ханическими, магнитными, каталитическими и другими физико-мическими свойствами. Применение сканирующего туннельного микроскопа ТМ) для контроля дисперсности наночастиц выдвигает новые требования к з эксплуатационным и метрологическим характеристикам. Эти требования, в рвую очередь, подразумевают повышение производительности СТМ, предот-ащение зондирующего острия (ЗО) и поверхности от повреждений, коорди-гной привязки 30 к поверхности в многокадровых режимах работы СТМ, еспечение широких возможностей автоматического анализа полученных изо-ажений рельефа поверхности изучаемых материалов. Применение СТМ тре-ет решения комплекса задач, одни из которых направлены на улучшение трологических характеристик и производительности СТМ, другие - на соз-ние эффективных методов обработки получаемой информации.

Процесс управления сканированием поверхности по своей продолжитель-сти является основной составляющей затрат времени на получение требуе-й измерительной информации, поэтому крайне важно увеличение скорости жирования для повышения производительности СТМ. Низкая скорость ска-рования обусловлена тем, что в процессе сканирования изменения рельефа верхности могут привести к механическому контакту 30 с исследуемой по-эхностью. Резервы увеличения производительности СТМ следует искать в ласти методов адаптивного управления сканированием поверхности, основных на прогнозировании возмущающих воздействий и формировании уп-ждающих сигналов управления на базе полученных прогнозных оценок. Там образом, актуальной задачей совершенствования СТМ является разработка тодов прогнозирования, адаптированных к условиям формирования СТМ-эбражений. Главной задачей при этом должен стать выбор модели, адекватно исывающей динамику изменений рельефа поверхности на прогнозном интер-1е и обеспечивающий работу в режиме реального времени.

Выполнение процедуры автоматической координатной привязки 30 к стеме координат, в которой снимались предыдущие кадры, необходимо и работе в многокадровом режиме СТМ. К таким случаям относятся заме-30, смещение образца для сдвига поля зрения микроскопа, температурный ейф конструкции при продолжительном перерыве в работе и др. Создание фективных методов оценки изменяющихся параметров межкадровых остранственных преобразований является одной из важных проблем работки последовательностей СТМ-изображений больших размеров в ус-виях априорной неопределенности. Достоверность вычислений в таких ме-цах может повышаться за счет внесения избыточности в информацию о па-метрах преобразования, определяемых множеством локальных соответст-

вий на изображениях.

Одним из направлений применения СТМ являются поиск, идентификация и определение размеров наночастиц или локальных особенностей поверхности. 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) для статистического контроля геометрических параметров наночастиц 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.

.налов, теоретические основы информатики и программирования. В экспе-ментальных исследованиях разработанных методов и алгоритмов применя-сь методы системного анализа, имитационного моделирования, статистиче-ие методы обработки результатов исследований.

Достоверность и обоснованность полученных в работе результатов под-грждаются корректным использованием математических методов, проверкой эретических выводов экспериментами, а также итогами компьютерного мо-лирования. Достоверность результатов экспериментальных исследований еспечена их хорошей согласованностью с прогнозируемыми данными и их едставлением на большом объеме экспериментального материала, а также спроизводимостью и выбором надежных критериев при построении алгорит->в обработки изображений и наглядностью полученных практических резуль-гов.

Научная новизна работы заключается в следующем.

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

2. Разработаны три алгоритма реализации метода ММА с адаптацией к зличному уровню и типам шумов: с накоплением глобальной статистики шбок прогнозирования, с локальной адаптацией к динамике функции релье-I и со сменой модели функции предсказания. На основе оценки вычислитель-й сложности алгоритмов предложены структуры данных и процедуры для их |фективной реализации в зависимости от производительности управляющего юцессора.

3. Создан метод статистической дифференциации для определения вза-шого сдвига и поворота изображений, позволяющий осуществлять коорди-тную привязку сканирующего зонда к определенным структурам на поверх-1сти в многокадровых режимах работы СТМ. Установлено, что высокая на-жность определения неизвестных параметров геометрического преобразова-[я обеспечивается большим уровнем избыточности, которая вносится в ин-)рмацию об этих параметрах и их статистической дифференциацией в гисто-аммах распределения. Предложены структуры данных для подстройки пред-гженного метода под определенные показатели виброакустических и элек-онных шумов конкретного экземпляра СТМ.

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

5. Предложен метод настройки алгоритмов вычисления параметров гео-гтрического рассогласования смежных кадров и детекторов локальной кри-[зны СТМ-изображений посредством испытаний на синтезированных изо-»ажениях частиц с изменяемыми уровнем шумов и фоновым рельефом по-чхности.

Основные положения, выносимые на защиту.

1. Метод прогнозирования с многоуровневой моделью адаптации (ММА) 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-изображепий, 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-:ледовательских работ, проводимых ИМ УрО РАН:

- «Разработка прецизионных методов тестирования новых материалов и снических систем для энергетики, высокоэффективных химических процес-з и нанотехнологин» (2007-2009г., № гос. per. 01200708351);

- «Создание новых методов и средств диагностики материалов и изделий я нанотехнологий, энергетики и обеспечения техногенной безопасности» ) 10-2012г., № гос. per. 01201000907), а также в рамках

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

- гранта РФФИ 10-08-96023-р_урал_а «Исследование электрофизических оцессов формирования нанозондов для электрохимического сканирующего инельного микроскопа» (2010-2012г.);

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

Апробация работы. Основные положения работы докладывались и об-ждались на двух международных научно-технических конференциях «Из-рения, контроль, информатизация» (Барнаул, 2008, 2009); III международ-й конференции «Технические университеты: интеграция с европейской и [ровыми системами образования» (Ижевск, 2008); научно-технической нференции «Виртуальные и интеллектуальные системы» (Барнаул, 2011); учно-технической конференции, посвященной 50-летию кафедры «Вычис-тельная техника» ИжГТУ (Ижевск, 2009); научно-технической конферен-и «Информационные технологии в науке, промышленности и образова-:и» (Ижевск, 2010).

Публикации. По теме диссертации опубликовано 20 печатных работ, из х 1 статей в журналах, рекомендуемых ВАК РФ, 2 патента РФ, 2 свидетель-ва о государственной регистрации программы для ЭВМ.

Личный вклад автора. Диссертантом лично разработаны многоуровне-1Й алгоритм прогнозирования, метод определения параметров геометрическо-рассогласования изображений, плоский и сферический детекторы кривизны, также программное обеспечение, представленное в диссертационной работе, армирование структуры диссертационной работы, определение цели и задач, i6op направлений исследований, привязка их к предметной области диссер-нт выполнялись при активном участии научного руководителя д.т.н., профес-ра Шелковникова Ю.К. Технология применения и настройки разработанных юсертантом методов и средств под решение задачи контроля дисперсности в |ставе СТМ разработана при участии научного консультанта к.т.н. Гуляе-П.В. В совместных публикациях автора его вклад состоит в постановке и юведении теоретических и прикладных исследований, которые определяют :нову диссертации и новизну полученных результатов.

Структура и объём работы. Структура и объем работы определяются '■цим 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.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи исследования, раскрыта научная новизна и практическая значимость работы, приведены научные положения, выносимые на защиту.

В первой главе дан анализ вопросов повышения скорости сканирования в СТМ за счет прогнозирования положения зонда, предотвращения зондирующего острия и поверхности от повреждений, координатной привязки 30 к поверхности в многокадровых режимах работы СТМ, автоматического анализа полученных изображений рельефа поверхности изучаемых материалов. Проведен аналитический обзор известных методов прогнозирования, позволивший выявить наиболее перспективные из них для применения в СТМ. Предложено на основании экспериментальных исследований и требований по вычислительной сложности определить множество функций предсказания, на основе которых разрабатывать метод прогнозирования, адаптированный к условиям формирования СТМ-изображений. Адаптация в известных моделях чаше всего базируется на вариациях с набором предсказателей для разных фрагментов изображения или на учете контекста в точке предсказания. При этом, как правило, порядок модели остается неизменным. Представляется возможным повысить эффективность предсказания за счет вариации порядка модели, причем начальная модель должна отвечать поставленным условиям реализации - простота и низкая вычислительная сложность для работы в реальном масштабе времени.

Проведен анализ задачи определения параметров геометрического рассогласования изображений в многокадровом режиме работы СТМ. Показано, что на практике известные методы не обеспечивают требуемого уровня надежности. Предложено развивать методы определения параметров геометрических преобразований на основании информации, получаемой в результате многократных вычислений по отождествленным точкам изображений.

Анализ существующих методов сегментации изображений показал, что описание должно представлять собой иерархию естественных объектов поверхности рельефа, позволяющее вести оценку формы объектов через кривизну их поперечного и продольного сечений. Большинство известных детекторов кривизны ориентированы на работу с плоскими кривыми, а детекторы кривизны Зс1-поверхности не обладают необходимой надежностью в условиях помех на СТМ-изображениях. Поэтому актуальной задачей является разработка детекторов, основанных на 3-х мерных моделях, позволяющих вести непосредственный анализ кривизны поверхности и обладающих высокой надежностью в условиях помех.

На основе проведенного анализа в заключение главы поставлены задачи исследования.

Во-второй главе разработан метод прогнозирования с многоуровневой

.-делью адаптации (ММА) к функции рельефа и шумам. Проведены экспери-ентальные исследования различных моделей, используемых для предсказания известных алгоритмах сжатия изображений, что позволило выбрать базовый збор функций предсказания (ФП) для использования в разрабатываемом мето-Предложено осуществлять прогнозирование методом последовательного рименения одной и той же модели предсказания, имеющую простую про-эаммную или аппаратную реализацию. Адаптационные свойства применяемой одели к яркостным характеристикам изображения и уровню помех обеспечи-1ются регулируемым уровнем декорреляции изображения за счет вариации эрядка модели.

Пусть для изображения 2 ошибка прогнозирования нулевого порядка лределяемая как е°(х,у) = 2(х,у)- Рк(2), оценивается величиной дисперсии )[£°]. Для увеличения точности прогнозирования предлагается последова-;льное рекурсивное вычисление ошибок более высоких порядков в виде ко-гчных разностей с использованием одной и той же функции предсказания Рк: е\х,у) = г(х,у)-Ё;

е\х,у) = Ба{х,у)-ё0-, (1)

1е 2. = Рк(2); е' = Рк(е'~1). При этом ожидается уменьшение ошибок на после-

утощих этапах вычисления г! (х,у), что позволяет говорить о возможности ее зльнейшего преобразования с использованием методов кратковременного ли-гйного предсказания. Минимум ошибок для различных ФП будет достигаться а различных уровнях рекурсии. Количественно динамика изменения ошибок з примере СТМ-изображения показана в табл. 1.

Табл. 1

Динамика изменения дисперсии ошибок предсказания различных порядков

Дис-ерсия Функции предсказания

Р, \ Р2 Рз Р, Рз Р6 Р 7

9792.24 319.52 41497.21 6096.48 676.92 2790.16 17278.34

0[Е'] 319.52 11.90 3292.65 72.31 5.43 26.61 602.59

30.29 75.80 415.96 7.35 32.37 6.85 40.87

11.90 1048.22 145.57 40.81 393.01 42.35 48.03

22.08 : 15018.90 183.98 294.82 5060.88 306.01 308.48

И 822.87 ! 26.85 285.07 829.45 124.66 407.32 422.76

Эффект повышения точности прогнозирования можно оценить с помо-

D [гг'!]

шью коэффициента // =--при сравнении полученной минимальнои дисперсии ошибки с дисперсией ошибки нулевого порядка, получаемой однократным применением выбранной ФП. Можно отметить, что дисперсии D[s"] имеют четко выраженный минимум при нарастании порядка ошибок, причем минимум для двумерной модели предсказания меньше. Величина этого минимума определяется качеством работы предсказателя и уровнем шумов на СТМ-изображении. Появление минимума объясняется тем, что если рассматривать статистическую модель СТМ-изображения, то дисперсия разности случайных величин может быть записана как

D[s"] = D[e"~l - г"' ' ] = D[su'1 ] + D\z1'' 1 ] - 2 • , (2)

где К „_i корреляционный момент случайных величин.

При повышении порядка вычисляемых ошибок, пока присутствуют корреляционные связи, дисперсия Dis"] уменьшается, а после их устранения знак корреляции меняется на обратный и дисперсия начинает возрастать. С этой точки зрения становится актуальном задача автоматического выбора того уровня н = и0, который обеспечивает минимум ошибки прогнозирования. В отдельных фрагментах изображения наилучшими будут различные значения и0, зависящие от локальных свойств изображения. Поэтому алгоритмы настройки и0 должны обладать адаптивными свойствами. Показано, что изменению параметра и соответствует изменение окрестности прогнозируемой точки, причем эволюционирует не только форма и размеры окрестности, но и сама модель предсказания. Фактически получается целый ряд моделей с разными аппроксимаци-онными свойствами, позволяющие адаптироваться к конкретной локальной структуре СТМ-изображения и, таким образом, повысить точность прогнозирования.

Предложено и исследовано три адаптивных алгоритма настройки параметра и0. В алгоритме с накоплением глобальной статистики ошибок прогнозирования в процессе сканирования определяется частота выбора порядка ошибки в точках просмотренной части изображения по условию:

и{х, у) = arg min( е' (.y, v)j)- (3)

Используются (v + 1) счетчиков ¡Cn,Clt...,Cv}. в каждом из которых подсчиты-вается количество выбранных значений по условию (3). Результат предсказания для функции Z в точке (х,у) вычисляется по формуле

Z(.v, у) = IËW). (4)

;=-1

где значение и0 определяется из условия н0 =argmax(C/), а выходная ошибка

;

предсказания равна

е/(х,у) = г(х,у)-г(х,у). (5)

Алгоритм прогнозирования с локальной адаптацией к динамике функции жости основывается на том, что если дисперсии ошибок, вычисленные для ;его изображения, при нарастании их порядка имеют четко выраженный ми-шум, то и на локальном участке эта зависимость сохранится. Для определе-ля минимума ошибок в данной точке использовались их абсолютные величи-ы. Для повышения надежности определения указанного минимума в качестве денки использовались суммы ошибок данного порядка в 4-х ближайших точ-IX растра.

Для построения алгоритма прогнозирования со сменой модели функции эедсказания учитывается факт изменения соотношения шумовой и регулярной )ставляющих за счет декорреляции последней в процессе последовательного эиближения прогнозного значения 1(х,у). Если в начале процесса регулярная эмпонента преобладает и в качестве базового берется ФП ориентированная на эендовую модель изображения, то с каждым новым приближением к уровню эедсказания и0 доля шумовой компоненты увеличивается и актуальной ста-эвится применение другой ФП - ориентированной на шумовую модель. Мо-ент включения вспомогательного ФП определяется началом нарастания дис-грсии ошибки предсказания очередного порядка.

Для сравнительного экспериментального исследования использовались 5 реальных СТМ-изображений. Результаты второго и третьего алгоритмов со-оставлялись с результатами первого алгоритма. Относительное улучшение эказателя качества предсказания в виде уменьшения дисперсии ошибки соста-1ло для второго алгоритма от 7 до 42%, а для третьего от 5 до 50% , при этом инимум дисперсии ,в третьем алгоритме получается на уровне большем на тницу, чем в первом. Были выбраны ФП с лучшими показателями по диспер-ш полученных ошибок.

В заключении главы рассмотрены вопросы реализации алгоритмов и вы-ислительные аспекты предлагаемого метода, а также структуры данных для овышения эффективности, вычислений.

В третьей главе создан метод определения параметров геометрического' ассогласования изображений в многокадровом режиме работы СТМ. Пусть ва изображения 7о и 2' одного и того же объекта отличаются взаимным

авигом Д0 и элементами фона. Требуется определить смещение одного изо-ражения относительно другого, то есть преобразование координат является реобразованием параллельного переноса. Для точки р] е на изображении Г' выделим множество точек Р[ = {р'-\] = 1,2,.., Аг} сходных по некоторому кри-ерию Л сточкой . Между точками {р']'} и точкой р\ вычислим взаимные двиги и получим множество сдвигов {Д = 1,2,...Д}. Установим однозначное оответствие между величиной сдвига и элементом £(Ду) матрицы С. Теперь

увеличим на "1" те элементы матрицы С, которые определяются множеством

{Ау}. Далее, описанную процедуру повторим для следующей точки р\+\ е2д.

Можно показать, что после повторения такой процедуры для достаточно большого числа или всех точек элемент матрицы С, соответствующий искомой

величине сдвига А0, примет наибольшее значение среди остальных. Таким образом, матрица О используется для построения гистограммы распределения сдвигов {А}, получаемых в процессе отождествления точек изображений 2д и 1', а величину сдвига можно определить как Л0 - ;п^тах(С(А)). Изложенный метод позволяет на основе анализа гистограммы С осуществить статистическую дифференциацию множества вычисленных значений параметра сдвига - на множество Су случайных составляющих с равномерным распределением по

всему диапазону возможных сдвигов и множество С0, содержащее регулярную составляющую, образующую «пик» распределения.

После получения распределения значений параметров сдвига в матрице С, задачу извлечения информации о параметрах сдвига можно представить как выделение сигнала из шума. Сш налом на входе системы, которая определяет значение неизвестного параметра, является распределение полученное в виде гистограммы С. Важное значение для разработки указанной системы приобретает такая характеристика входного сигнала, как отношение амплитуды входного сигнала к уровню помех. Плотность вероятности для ложных значений в распределении сдвигов равна:

' N■

где N -кп - общее число вычисленных значений параметра А; г/д- диапазон возможных значений параметра сдвига. Плотность вероятности, соответствующая пику распределения можно оценить следующим образом:

1 / - " 1

тах с/с = -—(п + —--). (7)

м 4

Тогда отношение «сигнал/шум» и' для распределения цс будет равно:

= (8) с[Г N-/1

Реальные СТМ-изображения характеризуются тем, что помехи искажают форму пика. Если эти случайные изменения описываются нормальным законом распределения,то можно записать:

9/ рпй[С0]-

где £>[С0]~ дисперсия. Определены факторы, влияющие на величину м>. Указана возможность уменьшения вычислительных затрат за счет прекращения вычислений при достижении на гистограмме заданного превышения её максимума над

овнем помех.

В работе показано, что вычисления могут быть сокращены за счет предва-ительного описания изображений малым числом базисных функций. В выбран-ом базисе окрестность точки будет описываться / числами: Эффек-

тность применения базисных функций при выделении структурных элементов зображений проявляется на этапе выявления множества Р точек со сходными

крестностями, поскольку I « пок (пок - число точек окрестности р]).

Проведены экспериментальные исследования разработанного метода. В збл.2 показано влияние числа отбираемых точек на основные параметры процес-а вычисления сдвига. Показано, что при и > «П1;П положение «пика» гистограммы габилизируется и указывает на величину взаимного сдвига изображений.

Табл. 2.

Изменение основных параметров процесса вычисления сдвига при нарастании числа отбираемых точек на изображении

¿0

Число точек на изображении п Отношение «сигнал/шум» w Среднее число отождествляемых точек на изображении z и Вектор взаимного сдвига изображений и Z' А0 = argmax(G(A))

А,-

614 1,72 3,05 10 -28

950 1,83 1,99 -2 10

1922 2,66 1,98 -3 10

3118 3,03 1,95 -4 13

6678 4,51 2,05 -2 11

9292 5,05 1,99 -2 12

19634 6,93 2,02 -2 12

При одновременном воздействии на изображение преобразований сдвига и оворота задача нахождения параметров трансформирующего преобразования ущественно усложняется. Процедура вычислений должна обеспечивать инва-иантность нахождения одних и тех же особых точек не только относительно реобразований сдвига, но и поворота. Предварительно окрестности точек изображений описываются путем свертки с двумерной функцией Гаусса Н\\ Я, Н\

Zq(p)=> h{p), Z'(p)=> h'{p) и особыми считаются точки локальных экстрему-юв функций h{p) и h'{p). Из множества особых точек генерируются их пары. Саждая пара точек ассоциируется с отрезком прямой, соединяющим эти точки.

2 к(к-Х)

Всего из к точек можно образовать п = Ск =—- пар или отрезков. Каждый

отрезок характеризуется дескриптором А,- =< (>"1,',>'1;)'(х2/'>'2/)>/'/'51М2/ >> где

(л'1,у\),(х2,у2) координаты концов отрезка, I- его длина, .?] = sign{h{x\,y])) и «2 = ■ В дальнейшем именно такие отрезки являются элементар-

ными объектами для установления соответствий на изображениях 2§ и 2' и массовых вычислений параметров смещений и поворота. Можно существенно сократить перебор, если отобразить множества Л и Л' в два массива линейных списков М и М' соответственно. Каждый список содержит дескрипторы с одинаковыми по длине отрезками, поэтому при поиске соответствия выделение такого списка в Л' происходит в режиме прямого доступа по индексу, равному длине отрезка I. Сокращение перебора обусловлено тем, что он ведется только среди отрезков равной длины, а количество одинаковых отрезков в Л' существенно меньше их общего числа к'. После установления соответствия между двумя отрезками вычисляются параметры преобразования сдвига и поворота.

Результаты фиксируются в двух гистограммах - для углов поворота в одномерном массиве рис. 1), а сдвиги в двумерной матрице Од подобно тому,

как это делалось в методе определения параметров сдвига. Параметры преобразования определяются как

Фо = аг8тах(С"ф),

Ад =а^тах(Од) и по ним

осуществляется нормализация изображения

Экспериментальные исследования метода проводились как на искусственно синтезированных, так и реальных СТМ-изображениях. Точность вычисления поворота составляла ±1 градус, а сдвига ±1 пиксель. Диапазон поворотов составлял ±90 градусов, а диапазон сдвигов - ±128 пикселей. Исходя из этих значений гистограмма поворотов представлялась одномерным массивом

90..90], а гистограмма сдвигов матрицей [-128.. 128, -128..128]. Оценивалась устойчивость работы алгоритма в зависимости от площади общей перекрывающейся части смежных кадров и 2'. Коэффициент перекрытия при этом изменялся от 1 до 0,3. Установлено, что алгоритм сохраняет работоспособность до значений коэффициента перекрытия АЛ>0.4. При этом отношения «сигнал/шум» на гистограммах имеют значения м'ф > 2, ц>д > 2. Полученное

граничное значение коэффициента перекрытия кадров должно учитываться при проектировании работы СТМ в многокадровом режиме. Исследовалась зависимость основных параметров от числа особых точек и уровня шумов на модельных изображениях и 2'. Последние отличались на заданную величину взаимного поворота <р, сдвига (Ат,Ау)и уровнем шума на 2'. Исследовались

ар —

IV =—- а

Я/

.90° 0 Фо +90° ф

Рис. 1. Гистограмма для вычисления поворота и ее параметры.

зависимости w = /(A:), н' = /(ст) и N=/(0).

При малом числе задаваемых особых точек (£<20) устойчивость алгоритма нарушается, а при к > 20 Табл. 3 результаты вычисления срд и Изменения параметров гистограмм (7ф Дт0,Дг0 стабильны и ошибка йд при нарастании числа особых точек к не превышает ±1° по повороту и

±1 пиксель по сдвигам. Пример результатов таких исследований приведен в табл. 3. Эксперименты с реальными СТМ-изображениями проводились на кадрах, полученных с одного и того же участка поверхности образца в разное время и с различными зондирующими игла-я мятпипей 1 = Кх. V). где т =

к Ф0 дх0 \у . д

20 -56 53 -70 1,5 1,43

30 -81 -9 -20 1,22 1,50

40 -2 39 -21 1,74 1,51

50 -2 14 13 1,81 1,62

60 -2 14 13 2,16 1,88

70 -2 14 13 2.18 1,96

80 -2 14 13 2,21 2,08

'¿56 и 0<х<т-\, 0 < у < т-\. Значения элементов матрицы 2(х.у) изменяются в пределах от 0 до 2|6-1. Примеры СТМ-изображений с результатами вычисления параметров сдвига и поворота показаны на рис. 2.

ф0=3:

Дж0=18; Ду0 = 19-

к =50: //=3725: тах(О(р)=50;

4{-(ф)=19.25:

\Уф=1,43; шах(Сд)=7;

Ч?(Д;=0,36:

w - =) д

Рис. 2. Определение взаимного сдвига и поворота двух кадров СТМ-изображений. Отмечены особые точки: + - соответствуют положительным, а о -отрицательным экстремумам функции к(р).

Разработанный метод статистической дифференциации для определения взаимного сдвига и поворота сравниваемых изображений базируется на результатах массовых вычислений параметров преобразований по отождествленным точкам, образующим пары соответствий. Среди этих соответствий большое количество ложных, так как для их построения используются только локальные характеристики изображений. Эти ложные соответствия приводят к случайным значениям параметров сдвига и поворота, распределенных в общем случае по

равномерному закону. С другой стороны, каждая пара правильно идентифицированных особых точек на сравниваемых изображениях образует регулярную составляющую в процессе массовых вычислений параметров преобразования, что в конечном итоге обуславливает выраженный максимум на гистограммах Сд и Сф. Таким образом, высокая надежность определения неизвестных параметров преобразования обеспечивается большим уровнем избыточности, которая вносится в информацию об этих параметрах.

В четвертой главе разработаны детекторы кривизны для сегментации СТМ-изображений. Из четырех разработанных детекторов три используют плоскую, а один - сферическую модели для оценки кривизны поверхности. В плоских моделях, полученные значения линейной кривизны на основе анализа профилограмм по строкам и столбцам СТМ-изображения, используются для реконструкции трехмерной кривизны и выделения по ней экстремальных точек поверхности. Чтобы нивелировать воздействие шумов на процесс вычисления кривизны, ее ассоциируют с другими элементами дуги кривой, которые тоже характеризуют кривизну и меньше деградируют при нарастании искажающих факторов. В качестве такого элемента в первом детекторе используется хорда РХР2 (рис. 3). Для небольших отрезков дуги можно считать, что площадь сегмента Р\ЛР2 приблизительно равна площади вписанного равнобедренного треугольника АР,АР2. Если задать длину стрелы сегмента А В в качестве пороговой величины е, которая будет постоянной для различных точек исходной кривой, то длина хорды РХР2 будет пропорциональной радиусу кривизны в этих точках.

Таким образом, оценкой кривизны в точке А может служить радиус окружности, выраженный через е и

длину хорды Н = РХР2:

AB=s

Рис. 3. Схема детектора «Хорда»

Рис. 4. Траетории экстремумов функций Н(х) и Н( у)

R =

Я2 +4е2

(Ю)

Функция строки 2{х) в окрестности точки А разбивается на отрезки длиной А и = г/. Точки Р1 и Р, последовательно смещают отточки А в противоположных направлениях на величину Дм до выполнения условия АВ=е с заданной точностью. Для строки 2{х) вычисляются значения функции М(х). После сканирования всех строк изображения 2{х:,у) формируется множество \н 1 (*)}, / = 0.. пу- \. Описанным способом сканированием по столбцам 2(х,у) вычисляется множество функций |я ,(у)), ] = 0.. пх — 1. Траектории локальных

лнимумов для одного знака кривизны, выделенные по функциям Н(х) и '/(у), пересекаются в точках, соответствующих экстремумам функции кривиз-ы для Z(x,y). На рис. 4 приведено СТМ-изображение с указанием таких тратторий. Из-за дискретного характера траекторий и высокой их изменчивости в <рестности схождения не удается надежно определять точку пересечения без зеличения вычислительной сложности алгоритма. Показано, что для целей 'егментации можно использовать функцию:

\Hv(x) + Hx(y), (Hv(x)>0)A(Hx(y)>0), lV+(x,y) = \ ■

[С, otherwise

де С > max(rt, (х) + #0)) " предопределенная константа. Функция W + (x,y)

1озволяет выделять выпуклые области, а её локальные минимумы определяют сложение точек с максимальной локальной кривизной.

(П)

щ. У \

(iCyi

"Т t —р ^

г ис. 5. Схема детектора ¡Сектор»

Рис. б. Схема детектора «Круг»

Рис. 7. Схема детектора «Сфера»

Схемы детекторов «Сектор» и «Круг» приведены на рис. 5 и 6. В первом '__з них радиус R соприкасающейся окружности в точке А связывается с площадью сектора S небольшого детектирующего круга радиуса г. Во втором детекторе косвенной мерой кривизны Z(x) в точке А является площадь S области D, которая с одной стороны ограничена участком функции Z(x), а с другой частью окружности детектирующей окружности небольшого радиуса г. В аботе показана аналитическая связь между величинами S и R.

Как и в детекторе «Хорда» в детекторах «Сектор» и «Круг» СТМ-1 изображение последовательно сканируется по строкам, а затем по столбцам. Из

вычисленных значений площадей S(x)и S(y)строится функция W+(x,y), которая используются для сегментации:

. , \sy(x) + sx(y), (Sv(x)<s0)a( Sx(y)<s0), s0 = nr2/2

[C, otherwise

где С > max(51.(x) + Sv(y)) - предопределенная константа.

Схема детектора «Сфера» приведена на рис. 7. Этот детектор позволяет

оценить кривизну поверхности, за счет аппроксимации части рельефа шаром радиуса Я. Для этого устанавливается аналитическая связь между радиусом Я, объемом V обшей пересекающейся части указанного шара и радиусом г небольшого сферического детектора с центром в точке 2(х,у):

3 яг'

4(3 К -2лг )

Значение ('определяется по приближенной формуле вычисления интеграла:

(13)

У = \l\dv

(14)

х/ ,у,е Р

г(х,, у,) - 2с1, < 2{х,, у1) < ги где Ях„у,) = ' 2гхИ, г^,у,)>ги

О, 2(хпУ:)<ха

Для целей сегментации используются значения и экстремумы функции У(х,у).

Экспериментальные исследования производились на синтезированных и реальных СТМ-изображениях (рис. 8). На синтезированных изображениях моделировался неравномеоный фон, на котором случайным образом размещались

сферические объекты (СО) радиусаи наносился случайный гауссовский шум с СКО В ходе испытаний на множестве изображений оценивались следующие параметры: Яср - средний радиус СО; <т2я - дисперсия вычисленных значений

ЧИ11уяаиииМ^

+ < 4„ :

-с 4- ; ~

©ЯИИИЯР ВишяШШ

радиусов СО; Рк{%)='

\Я -я,

я,

-100% - относи-

Рис. 8. Пример СТМ-изоб-ражения с выделенными объектами по кривизне

тельная погрешность вычисления радиусов СО; а,2 - дисперсия вычисленных значений координат

IП. -и,

СО; Р,,(%) = -

' 100% ■

относительная по-

грешность идентификации СО (и, - число правильно идентифицированных объектов). В работе исследованы зависимости основных статистических характеристик детекторов от уровня шума аф и от параметров в и г используемых детекторов кривизны, получены количественные показатели каждого из детекторов. Установлено, что все разработанные детекторы кривизны позволяют получить практически значимые результаты для автоматической обработки СТМ-изображений, причем наилучшими показателями по указанным параметрам обладает детектор «Сфера». Вместе с тем детекторы «Хорда»,«Сектор» и «Круг» требуют меньших вычислительных затрат.

Пятая глава посвящена вопросам реализации программно-методического

беспечения технологии сборки и испытания СТМ. Эффективность и точность редставленных выше методов получения и обработки СТМ-изображений на-:очастии во многом зависят от качества настройки и «привязки» к конкретному [бразцу и назначению туннельного микроскопа. Вследствие высокой сложно-ги данных алгоритмов технология настройки СТМ при сборке, вводе в эксплуатацию, техническом обслуживании должна отличаться высоким уровнем втоматизации и адаптации к различным задачам.

На основе детального рассмотрения структурной схемы СТМ, предназна-енного для контроля дисперсности наночастиц, описано взаимодействие подсистем прогнозирования, сегментации изображений, координатной привязки О при многокадровом режиме сканирования поверхности, используемом для поиска и детектирования наночастиц. Сформулированы требования, предъяв-

яемые к технологии настройки микроскопа:

- наличие возможностей имитационного моделирования процессов ска-шрования, сегментации, сравнительного анализа изображений поверхности с 1аночастицами при различных уровне шумов и степени развитости рельефа;

- автоматизация процессов вычисления основных параметров алгорит-юв прогнозирования, сегментации, используемых в дальнейшей работе СТМ в качестве рекомендованных значений (по умолчанию).

Для реализации данных требований разработана программа создания тестовых СТМ-б-| изображений поверхности с объектами различной формы (рис. 1 1), позволяющая варьировать размер объектов, уровень зашумленности изображения, формировать различный фон изображения (наложение синусоидальных колебаний).

Представлены про-

' ?ис. 11. Тестовое СТМ-изображение и гистограмма дисперсности модельных частиц

граммы, позволяющие автоматизировать определение рекомендованных параметров алгоритмов сегментации, определения сдвигов и поворотов как модельных изображений, так и реальных. К таким параметрам относятся коэффициент перекрытия кадров, радиус детектора кривизны.

Для настройки системы сканирования с упреждающим управлением по данным прогноза разработана программа анализа различных функций предсказания, позволяющая осуществлять оценку их точности на изображениях различного типа в том числе и на модельных. Кроме того, разработана модель цепи регулирования (рис. 12) туннельным промежутком с упреждающим управлением на базе прогнозирования, в которой заложены возможности регулировки точности прогноза и моментов времени, в которые формируются упреждающие воздействия. Это позволяет оценивать качество регулирования систе-

мы, формировать рекомендации и требования по программной реализации ПИД-регулятора, канала упреждающего управления и их взаимодействию в зависимости от быстродействия применяемого сигнального процессора. Модель подразумевает использование как передаточных функций (для пьезосканера, высоковольного усилителя), так и схемотехнического (для логарифмирующего усилителя) представления блоков системы регулирования туннельного промежутка. Модель может использоваться в РБР1СЕ совместимых программах моделирования (в том числе и бесплатных), что расширяет возможности ее использования при разработке СТМ различного назначения.

го воздействия, зависимый от данных прогноза; ПТН - преобразователь ток-напряжение; И - интегратор; ЛУ - логарифмирующий усилитель; ВУ - высоковольтный усилитель; Пс - пьезосканер)

Таким образом, создание нескольких вариантов алгоритмов прогнозирования, анализа изображений программы открывает новые возможности технологии настройки СТМ, а наличие программ тестирования и настройки данных алгоритмов позволяет автоматизировать данный процесс.

ЗАКЛЮЧЕНИЕ

В работе изложено научное обоснование технических и методических решений при разработке и исследовании методов сканирования, координатной привязки и сегментации СТМ-изображений.

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.

.аптащш (ММА) к функции рельефа и шумам. Установлено, что при много-эатном применении одной и той же функции предсказания дисперсии ошибок иеют четко выраженный минимум, позволяющий выбрать требуемый порядок одели и существенно уменьшить общую ошибку прогнозной оценки. Показа-э, что высокие прогностические свойства метода обеспечиваются за счет ва-гации порядка применяемой модели предсказания и адаптации размеров апер-/ры к локальным особенностям СТМ-изображений.

3. Разработаны три алгоритма реализации метода ММА с различными спорами адаптации к уровню и типам шумов: с накоплением глобальной стати-гики ошибок прогнозирования, с локальной адаптацией к динамике функции гльефа и со сменой модели функции предсказания. Показано, что первый из их лучше подходит для работы в условиях стационарных помех, а при их не гационарности лучшие результаты обеспечивает второй алгоритм. В алгорит-е со сменой модели функции предсказания улучшение прогнозных оценок эстигается за счет того, что учитывается факт изменения соотношения шумо-эй и регулярной составляющих в процессе последовательного приближения рогнозного значения. Экспериментальные исследования алгоритмов на реаль-ых СТМ-изображениях подтвердили их эффективность.

4. Проведен анализ вычислительных процедур и структур данных в методе рогнозирования с многоуровневой моделью адаптации. Показано, что рекур-ивный способ вычисления ошибок предсказания различных уровней предпоч-ителен перед прямым способом как по затратам памяти, так и по вычисли-;льной сложности. Проведены оценки вычислительной сложности различных ункций предсказания, предложены структуры данных для эффективной реа-изации алгоритмов прогнозирования.

5. Создан отличный от известных метод статистической дифференциации ля определения взаимного сдвига и поворота изображений, позволяющий существлять координатную привязку сканирующего зонда и устранять гео-етрическое рассогласование изображений в многокадровых режимах работы :ТМ. Высокая надежность метода обеспечивается внесением большого уровня збыточности в искомые параметры и их статистической дифференциацией в истограммах распределения. Показано, что анализ гистограмм по принципу ыделения сигнал из шума позволяет оценить качество получаемых результа-ов и придать алгоритмам следящий характер. Предлагается рациональная ор-анизация структур данных для прямого доступа к ним с целью сокращения пе-ебора и вычислительных затрат. Экспериментальные исследования алгорит-юв, реализующих данный метод, подтвердили его высокую эффективность и ютенциальные возможности, как на синтезированных, так и на реальных СТМ-[зображениях.

6. Разработаны и экспериментально исследованы на синтезированных и юальных изображениях плоские детекторы локальной кривизны, позволяющие, |утем анализа профилограмм по строкам и столбцам СТМ-изображений, выде-пять 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 РАБОТ АВТОРА ПО ТЕМЕ ДИССЕРТАЦИИ

1. 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.

2. Шелковников, Е. Ю. Сегментация и идентификация СТМ-изображений модифицируемой поверхности электрохимическим туннельным микроскопом / Е. Ю. Шелковников, М. Р. Гафаров, П. В. Гуляев, А. В. Тюриков, А. С. Суворов // Химическая физика и мезоскопия. - 2011. - Т. 13. - № 3. - С. 396399.

3. Шелковников, Е. Ю. Построение изображений поверхности при многокадровом режиме сканирующего туннельного микроскопа / Е. Ю. Шелковников, М. Р. Гафаров, С. Р. Кизнерцев, А. В. Тюриков // Химическая физика и мезоскопия. - 2008. - Т. 10. - № 4. - С. 514-520.

4. 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.

5. 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 // Ползунов-

ский вестник. - 2011. - № 3. - С. 200-204.

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 // Ползунов-ский вестник. -2011.-№3.-С. 118-124.

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.

Пат. 2368061 РФ. Пьезоэлектрический реверсивный двигатель / Липанов А. М., Гуляев П. В., Шелковников Ю. К., Тюриков А. В., Осипов Н. И., Гафаров М. Р., Суворов А. В. - Опубл. 20.09.2009. - Бюл. № 26. Пат. на полезную модель 112504 РФ. Сканирующий туннельный микроскоп / Шелковников Е. Ю„ Тюриков А. В., Гуляев П. В., Осипов Н. И., Кизнерцев С. Р., Гафаров М. Р., Суворов А. С., Тарасов М. В. - Опубл. 10.01.2012. -Бюл. № 1.

10.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).

11.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).

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

3. Гафаров, М. Р. Программные методы оптимизации сканирующего туннельного микроскопа / М. Р. Гафаров, Д. В. Морозов // Информационные технологии в науке, промышленности и образовании: сборник трудов науч.-техн. конф. факультета «Информатика и вычислительная техника» ИжГТУ. -Ижевск: Изд-во ИжГТУ, 2010. - С. 158-161.

4. Шелковников, Е. Ю. Исследование алгоритмов прогнозирования положения сканирующего зонда туннельного микроскопа / Е. Ю. Шелковников, М. Р. Гафаров А. В. Суворов // Информационные системы в промышленности и образовании: сб. науч. тр. - Ижевск: ИПМ УрО РАН, 2008. - С. 151-155.

15. Гуляев, П. В. Применение полиноминальной экстраполяции для прогнозирования траектории зондирующего острия туннельного микроскопа / П. В. Гуляев, Е. Ю. Шелковников, С. Р. Кизнерцев, М. Р. Гафаров, А. В. Тюриков, Н. И. Осипов // Технические университеты: интеграция с европейской и мировыми системами образования: матер. III Междунар. конф. - Ижевск: Изд-во ИжГТУ, 2008. - С. 54-58.

16. Шелковников, Е. Ю. Сканирующий туннельный микроскоп с прямыми связями в цепи регулирования туннельного зазора / Е. Ю. Шелковников, С. Р. Кизнерцев, М. Р. Гафаров, X. В. Тюриков, Н. И. Осипов, Д. В. Гудцов //

Технические университеты: интеграция с европейской и мировыми системами образования: матер. III Междунар. конф. - Ижевск: Изд-во ИжГТУ, 2008. - С. 49-54.

17. Шелковншов, Е. Ю. Оптимизация вычислительных процедур многокадрового режима туннельного микроскопа / Е. Ю. Шелковников, П. В. Гуляев, М. Р. Гафаров, С. Р. Кизнерцев // Информационные технологии в промышленности и образовании: сб. трудов науч.-техн. конференции факультета «Информатика и вычислительная техника», посвященной 50-летию кафедры «Вычислительная техника» ИжГТУ. - Ижевск: Изд-во ИжГТУ, 2009. -С.247-251.

18. Шелковников, Е. Ю. Автоматизация расчета инерционных приводов нано-перемешений / Е. Ю. Шелковников, С. Р. Кизнерцев, М. Р. Гафаров, А. В. Тюриков // Измерения, контроль, информатизация-2008: материалы науч.-техн. конф. - Барнаул: АлтГТУ, 2008. - С. 270-273.

19. 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.

20. Гафаров, М. Р. Сегментация СЗМ-изображений по кривизне поверхности / М. Р. Гафаров, П. В. Гуляев, Е. Ю. Шелковников, А. В. Тюриков, С. Р. Кизнерцев // Измерения, контроль, информатизация: материалы двенадцатой международной науч.-техн. конф. - Барнаул: АлтГТУ, 2011. - С. 35-37.

/ \

; í

Соискатель ~ М.Р. Гафаров

Пописано в печать 20.04.2012 Бумага офсетная Формат 60x84/16 Объем 1п.л. Тираж 100 экз.

Отпечатано в типографии ИМ УрО РАН 426067, г. Ижевск, ул. Т. Барамзиной, 34 ПЛД №25-45 от 14.12.1995 г.

Оглавление автор диссертации — кандидата 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 2012 год, диссертация по приборостроению, метрологии и информационно-измерительным приборам и системам, Гафаров, Марат Ренатович

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.

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.

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.

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 диссертация на тему "Разработка методов и средств контроля дисперсности наночастиц сканирующим туннельным микроскопом"

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.

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.

Библиография Гафаров, Марат Ренатович, диссертация по теме Приборы и методы контроля природной среды, веществ, материалов и изделий

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.

Похожие работы

Приборостроение, метрология и информационно-измерительные приборы и системы
05.11.00