автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Структура, аппаратное и прикладное программное обеспечение автоматизированного комплекса для анализа микроизображений

ВВЕДЕНИЕ

ГЛАВА I. ПРИНЦИПЫ ПОСТРОЕНИЯ АВТОМАТИЗЙРОВАННОГО

КОМПЛЕКСА ДЛЯ АНАЛИЗА МИКРОИЗОБРАЖЕНИЙ

1.1. Состав комплекса

1.2. Структура комплекса.

1.3. Реализация комплекса

Выводы по главе I.

ГЛАВА II . МЕТРОЛОГИЧЕСКИЕ ХАРАКТЕРИСТИКИ УСТРОЙСТВА

ВВОДА ИЗОБРАЖЕНИЙ.

2.1. Анализ шумов фотометрического канала

2.2. Способы реализации фотометрического канала.

2.3. Исследование разрешающей способности сканирующего устройства

Выводы по главе II

ГЛАВА III. МАТЕМАТИЧЕСКОЕ ОБЕСПЕЧЕНИЕ КОМПЛЕКСА

3.1. Пакет программ морфологического анализа изображений.

3.2. Комплекс программ статистического анализа клеточных популяций

3.3. Алгоритмы выделения односвязных областей 126 Выводы по главе III.

ГЛАВА 1У. ПРИМЕНЕНИЕ КОМПЛЕКСА В МЕДИКО-БИОЛОГИЧЕСКИХ

ИССЛЕДОВАНИЯХ.

4.1. Восстановление слабоконтрастных электронно-микроскопических изображений

4.2. Анализ возрастной динамики эритроцитарных популяций.

Выводы по главе 1У.

Одной из устойчивых тенденций в научных исследованиях является интенсивное привлечение вычислительной техники к управлению экспериментом и анализу его результатов. Это стало возможным благодаря нескольким факторам : интенсивному развитию вычислительной техники и появлению управляющих мини- и микроЭВМ, не уступающих по мощности большим вычислительным системам предшествующих поколений; распространению идеологии унифицированных узлов измерительной и управляющей аппаратуры, позволяющих создавать экспериментальные комплексы, сравнительно легко адаптируемые к конкретным условиям эксперимента (примером реализации такой идеологии может служить применение широко известного в настоящее время стандарта КАМАК); быстрому совершенствованию технологии изготовления интегральных электронных приборов, особенно больших интегральных схем; освоению дешевых и компактных микропроцессорных средств, существенно повышающих "интеллектуальный" уровень приборного оборудования. Основной же причиной, повлекшей применение в научных исследованиях вычислительной техники, явилась способность вычислительной машины наряду с выполнением громоздких вычислений эффективно управлять ходом эксперимента или процессом анализа полученных результатов.

Среди систем автоматизации научных исследований особое место занимают системы, предназначенные для анализа данных, представленных в виде изображений. Такие данные поставляют исследователю самые различные области науки и техники : астрономия и астрофизика - снимки звездного неба, физика элементарных частиц - фотографии треков, полученные в искровых и пузырьковых камерах, биология - микроперпараты клеточных популяций, v материаловедение - шлифы различных композиционных материалов и т.д. В последние годы в связи с развитием космических исследований огромное количество изображений поступает с космических летательных аппаратов. В одних случаях изображения оказываются естественной формой представления исходных данных, в других -способом регистрации результатов эксперимента. Преимущества изображений перед другими способами регистрации заключаются в их высокой информационной емкости и наглядности, обеспечивающей исследователю удобство интерпретации. Однако качественный визуальный анализ изображения исследуемого объекта или явления не может обеспечить объективной интерпретации.

Повышению объективности анализа изображения способствуют количественные методы. В простейших случаях они сводятся к прямым измерениям оптических или геометрических характеристик некоторых фрагментов изображения. Так делается, например, при определении координат треков элементарных частиц или координат и яркостей небесных объектов. Более сложные случаи требуют предварительного выполнения ряда преобразований изображения или вычисления статистик от первичных геометрических и оптических параметров. Например, функциональное состояние некоторых клеток отражается на текстурных параметрах их ядер, которые вычисляются через значения оптической плотности в различных участках ядра и могут быть использованы как объективные диагностические признаки. Описание изображения в количественных терминах позволяет применять при его интерпретации строгие математические методы.

Для выполнения координатных измерений и фотометрирова-ния изображений вручную существует ряд обладающих потенциально высокими метрологическими характеристиками приборов (коор-динатометры, просмотровые столы, микроденситометры), однако такие факторы как утомляемость оператора и присущие ему субъективные ошибки не позволяют полностью реализовать эти характеристики. Трудоемкость ручных измерений обуславливает их невысокую производительность. Более того, при ручных измерениях практически исключена возможность получения параметров, требующих выполнения предварительных преобразований изображения или сложных вычислений.

Для частичного или полного устранения этих недостатков и более интенсивного внедрения количественных методов в практику интерпретации изображений создаются автоматизированные системы, которые, помимо измерительных функций, в зависимости от назначения и степени сложности, могут выполнять и функции последующего анализа изображений. Применение автоматизированных систем позволяет : а) повысить скорость измерений и увеличить объем обрабатываемых данных для получения качественно новых результатов исследований; б) повысить точность и устранить субъективные ошибки измерений, свойственные ручным методам; в) использовать специальные методы преобразования изображений с целью выделения недоступной визуальному наблюдению информации; г) выполнять законченный цикл обработки до получения конечного результата анализа изображения.

Одна из областей применения автоматизированной обработки изображений - анализ микроизображений, характерные структуры которых имеют минимальные размеры, сравнимые с длиной волны видимого света. Обычно они наблюдаются с помощью светового микроскопа. Максимальные размеры микроструктур не имеют строгого ограничения, но, как правило, они не превышают нескольких десятых долей миллиметра. Чаще всего такими изображениями являются специальным образом приготовленные препараты реальных объектов, реже - фотографии.

Класс объектов, с которыми имеет дело оптическая микроскопия, весьма широк. Несомненно, одно из первых мест занимают объекты биологические - различные микроорганизмы, клетки, как отдельные, так и их популяции, отдельные органоиды клеток и пр. В геологии, металлургии, строительной промышленности, материаловедении по микрошлифам и микросрезам изучается структура природных и искусственных материалов. В микроэлектронике под микроскопом наблюдают шлифы интегральных схем с целью выявления дефектов и причин их возникновения. В обрабатывающей промышленности, при производстве композиционных материалов микроскопическим исследованиям подвергаются порошковые материалы. В медицине микроскопический анализ клеток крови используется для определения функционального состояния организма в целом и в диагностике болезней крови, а исследование структуры тканей применяется при диагностике патологий различных органов, в особенности при опухолях.

В соответствии с данным определением микроизображений к ним можно отнести и фотографии, выполненные на фотоматериале с высокой разрешающей способностью. Так, электронно-микроскопические снимки кристаллических структур, изучаемых кристаллографией, содержат объекты размерами от сотен микрометров до 1-2 миллиметров, а разрешаемые фотоматериалом детали структур могут иметь размеры в несколько микрометров.

Автоматизация количественного анализа микроизображений начиналась в конце 50-х - начале 60-х годов созданием ряда устройств для исследования клеточных множеств /I, 2/. Основанием этому послужили работы Касперссона /3/, показавшие возможность количественного оценивания фотометрическими методами содержания определенных веществ в отдельных клетках, что открывало перспективное направление в количественной цитохимии, позволяя исследовать негомогенные популяции клеток и обнаруживать в них подмножества, обладающие разными свойствами. Однако такой подход для обеспечения статистической представительности наблюдений требовал анализа больших объемов исходного материала, что было недостижимо при ручных измерениях. К тому же было известно, что некоторые функциональные особенности клеток, связанные с содержанием того или иного вещества, проявляются в легко поддающихся измерениям характеристиках, таких как размеры клеток или ядер, их средняя или интегральная оптическая плотность. Все это обещало успех в решении проблем не только научных, но и прикладных, таких как клинический анализ крови или диагностика опухолевых заболеваний, что и повлекло разработку соответствующей аппаратуры. Первые анализаторы позволили выполнить ряд оригинальных исследований /4, 5/, однако широкого применения не нашли в силу своей функциональной ограниченности, обусловленной сравнительно низким уровнем элементной базы и отсутствием методов формального описания сложных характеристик изображения. В частности, сейчас уже представляется очевидным, что для клинической диагностики важно не только точное определение содержания различных веществ (ДНК, РНК) в клетке, но и характер их распределения, выражающийся в форме и текстуре клеточных органоидов, т.е. в параметрах, которые по сей день не имеют однозначной количественной трактовки.

Развитие телевизионной техники и электроники, а также привлечение математических методов (теории вероятностей, интегральной геометрии) для количественного описания сложных пространственных структур (минералов, живых тканей, пористых материалов) повлекли создание телевизионных анализаторов, оснащенных набором специализированных блоков обработки видеосигнала, которые обеспечивали определенную гибкость в выборе измеряемых параметров и режимов работы. Одним из первых серийно освоенных телевизионных анализаторов был Quantimet-720 фирмы Imanco (Великобритания) /6/.

Параллельно создавались системы, в которых центральную роль при управлении процессом измерений и при обработке результатов играла универсальная ЭВМ /7-10/. В них для ввода изображений использовались либо электромеханические сканирующие устройства /7/, либо телевизионные передающие камеры /8/, либо сканирующие устройства на проекционных электронно-лучевых трубках /9,10/. Несомненным достоинством таких систем являлась их гибкость по отношению к алгоритмам анализа изображений. Набор измеряемых параметров, алгоритмы их получения и обработки могли быть запрограммированы в полном соответствии с требованиями задачи.

Подавляющее большинство современных систем анализа изображений так или иначе опираются на ЭВМ, причем по-прежнему сохраняются два основных направления : а) системы, работающие с телевизионным видеосигналом, состоящие из ряда взаимосвязанных специализированных модулей, на которые возлагается первичная обработка изображений и вычисление параметров, которые передаются затем в ЭВМ для дальнейшего анализа /11-13/; б) системы, в которых все функции управления, вычислений и анализа выполняются ЭВМ /14-16/.

Первые обладают высокой производительностью, полный цикл первичной обработки выполняют, как правило, за время одного телевизионного кадра, наиболее развитые из них имеют логически перестраиваемую под управлением ЭВМ структуру /II/, но в силу ап-паратно заложенной ограниченности набора первичных параметров их функциональные возможности могут расширяться только наращиванием объема оборудования. Экономное использование аппаратных средств и высокая функциональная гибкость вторых достигается за счет снижения производительности. Следует отметить, что системы первого типа, как правило, предназначены для выполнения рутинных лабораторных исследований и выпускаются серийно /12,13/, напротив, системы второго типа обычно создаются исследователями для решения уникальных задач и существуют обычно в единственном экземпляре /14-16/.

В то же время существует потребность в системах, сочетающих на всех этапах анализа изображений высокую производительность специализированных средств обработки с функциональной гибкостью универсальных ЭВМ. Эта потребность определяется следующими факторами :

- Эффективность использования в научных исследованиях системы для рутинного анализа изображений зависит от того, насколько широкий спектр различных задач она способна перекрыть, обеспечивая своими ресурсами многих пользователей. В связи с этим в наиболее развитых серийных зарубежных системах предлагается широкая номенклатура специализированных модулей, обеспечивающих выполнение различных преобразований и вычисление различных параметров. Такой путь приводит к аппаратурной избыточности системы и, как следствие, низкому коэффициенту использования входящего в её состав специализированного оборудования.

- Развитие методов количественного анализа изображений состоит, с одной стороны, в создании новых алгоритмов получения и обработки информации и новых способов количественного описания изображений, адекватных целям исследований, что затруднительно, а подчас и невозможно выполнить, пользуясь ограниченным заранее набором функций, а с другой - в их практической проверке за обозримое время на реальном статистически представительном материале, что требует высокой производительности всех компонентов системы.

- Приступая к работе с новым объектом или явлением, исследователь не всегда априори может указать, каким образом его характерные особенности проявляются в параметрах изображения (типичным примером является отражение функциональной патологии клеток в их морфологии), и вынужден опытным путем искать оптимальные варианты параметров и способы их получения. Очевидно, что и в этом случае высокопроизводительная функционально гибкая система является наиболее удобным инструментом решения задачи.

Актуальность создания высокопроизводительных функционально гибких систем для анализа микроизображений обусловлена необходимостью повышения объективности результатов широкого круга научных и производственных исследований и подтверждается заданиями 06.10 и 01.34 целевой научно-технической программы 0.Ц.027 "Создание и развитие автоматизированных систем научных исследований (АСНИ) и систем автоматизации проектирования (САПР) с применением стандартной аппаратуры КАМАК и измерительно вычислительных комплексов", утвержденной Постановлением Государственного комитета СССР по науке и технике, Государственного планового комитета СССР и Президиума Академии наук СССР № 474/250/172 от 12 декабря 1980 года, в соответствии с которыми проводилась данная работа.

Цель данной работы состоит в создании многоцелевого автоматизированного комплекса, представляющего собой инструмент : а) решения методических задач, разработки новых средств, способов и алгоритмов обработки изображений; б) высокопроизводительного количественного анализа микроизображений, вариабельных по своему содержанию, целям и задачам исследований.

В соответствии с поставленной целью основными задачами работы являются :

- выбор состава и структуры комплекса, обеспечивающих высокую производительность, функциональную полноту и гибкость и возможность развития;

- создание экспериментального образца комплекса;

- теоретический анализ и разработка фотометрического канала, экспериментальное исследование фотометрического и оптического каналов сканирующего микроденситометра, являющегося основным устройством ввода изображений, как одного из важнейших компонентов комплекса, влияющего на его производительность, определяющего точность и достоверность результатов анализа;

- создание прикладного программного обеспечения, ориентированного на статистический анализ микроизображений и на разработку алгоритмов анализа, опирающихся на методы математической морфологии;

- разработка и теоретический анализ способа восстановления слабоконтрастных изображений;

- создание методики измерений для проведения исследований клеточных популяций, представленных в виде мазков.

Научная новизна :

- обоснована структура многоцелевого автоматизированного комплекса для анализа микроизображений, обеспечивающая его полноту, функциональную гибкость, способность к аппаратному и алгоритмическому развитию;

- в результате теоретических и экспериментальных исследований ошибок фотометрирования предложен способ фотометрирова-ния, обеспечивающий постоянную величину падающего на образец светового потока, вследствие чего полностью исключается влияние нестабильности источника света;

- предложена процедура оценивания функции рассеяния точки (ФРТ) оптического канала устройства ввода по реакции на резкий скачок коэффициента пропускания, позволяющая корректировать фильтрующее влияние оптики на результаты измерений и оценивать разрешающую способность устройства ввода;

- определены статистические свойства метода подавления шумов на слабоконтрастных изображениях, основанного на совмещении и накоплении изображений одинаковых объектов» что позволяет выбирать оптимальный режим накопления и оценивать ошибки восстановления изображений;

- предложена методика исследований эритроцитарных популяций, основанная на их описании распределениями параметров отдельных клеток и статистическом анализе этих распределений.

На защиту выносятся :

- состав и структура многоцелевого автоматизированного комплекса для анализа микроизображений;

- способ фотометрирования и структура фотометрического канала сканирующего микроденситометра, обеспечивающие стабильность результатов измерений при сильных флуктуациях источника света;

- результаты экспериментального исследования метрологических характеристик фотометрического и оптического канала разработанного сканирующего микроденситометра;

- методика исследования клеточных множеств, основанная на статистическом анализе распределений параметров отдельных клеток;

- результаты использования комплекса в задачах восстановления электронно-микроскопических изображений и изучения возрастной динамики эритроцитарных популяций.

Выводы по главе 1У

С целью решения практических задач анализа микроизображений исследован метод восстановления слабоконтрастных изображений, основанный на совмещении и накоплении изображений одинаковых объектов, получены оценки ошибок восстановления, выработаны объективные критерии качества совмещения и восстановления, позволяющие оптимизировать вычислительную процедуру восстановления. Получены изображения вируса кольцевой пятнистости гвоздики и 50S субъединиц рибосом, позволившие реконструировать их молекулярную структуру.

Предложена методика исследования динамики эритроцитарных популяций, опирающаяся на описание популяций распределениями по размерам клеток и концентрации в них гемоглобина. Исследованы методические погрешности. Показано, что погрешности, обусловленные устройством ввода и алгоритмом измерения параметров, малы по сравнению с естественным разбросом параметров клеток и позволяют наблюдать динамику распределений. Получен большой статистический материал более чем по 1000 мазков крови. Обнаружены новые физиологические закономерности динамики эритроцитарных популяций.

Практическое использование комплекса в решении двух задач, столь существенно различающихся по целям, характеру анализируемых изображений и степени участия человека, подтвердило его высокие эксплуатационные характеристики и широкий диапазон возможных областей применения.

ЗАКЛЮЧЕНИЕ

Результаты проведенных исследований показывают, что основные задачи работы решены и поставленная цель достигнута.

Предложена структура многоцелевого автоматизированного комплекса для анализа микроизображений, основанная на объединении унифицированным магистральным каналом связи устройств ввода, вывода, оперативного хранения и обработки изображений. Структура обеспечивает высокую производительность, функциональную гибкость и возможность аппаратного и алгоритмического развития комплекса. Это достигается сочетанием универсальной ЭВМ и программируемых специализированных средств для выполнения массовых вычислительных процедур.

С целью создания скоростного прецизионного устройства ввода выполнен анализ известных способов фотометрирования. Получены аналитические соотношения между ошибками фотометрирования и основными параметрами фотометрирующего устройства: длительностью интервала измерения, интенсивностью источника света, чувствительностью и шумами фотоприемников. Предложен оригинальный способ, основанный на стабилизации интегрального значения падающего на объект светового потока путем изменения времени измерения, обеспечивающий наиболее стабильные результаты измерений при значительных флуктуациях интенсивности источника света. Аналитические оценки ошибок подтверждены экспериментально.

Разработано устройство фотометрирования, вошедшее в состав сканирующего микроденситометра "Зенит-К", являющегося основным устройством ввода микроизображений в рассматриваемом комплексе. Устройство обеспечивает скорость измерения оптической плотноети до 100 тыс. точек/с при погрешности от 1,5 до 3% в диапазоне от 0 до 2Б.

Предложен способ и построена вычислительная процедура оценивания ФРТ оптической системы, основанные на решении интегрального уравнения, связывающего ФРТ с изображаемым системой резким скачком коэффициента пропускания. Экспериментально получены оценки ФРТ оптической системы сканера с комплектом микрообъек-• тивов, исчерпывающим образом описывающие его разрешающую способность и позволяющие корректировать фильтрующее влияние оптики сканера на результаты измерений. Методика может найти применение при исследовании качества оптических систем.

Создан автоматизированный комплекс для анализа микроизображений, удовлетворяющий требованиям широкого круга исследовательских и методических задач. В состав комплекса включены микро-ЭВМ "Электроника-60", сканирующий микроденситометр "Зе-нит-К", программируемый морфологический процессор, являющийся основным средством выполнения локальных нелинейных преобразований, и видеобуфер с растровыми дисплеями, выполняющий одновременно функции оперативного хранения данных и вывода графической и полутоновой (цветной) информации. Основным коммуникационным средством служит канал управляющей ЭВМ. Комплекс не имеет аналогов в отечественном приборостроении и по своим функциональным возможностям не уступает аналогичным системам ведущих зарубежных фирм.

Разработано прикладное программное обеспечение, ориентированное на задачи анализа микроизображений и содержащее ряд алгоритмов выделения односвязных областей, комплекс программ для статистического анализа множеств микрообъектов и диалоговый пакет программ взаимодействия с морфологическим процессором, позволяющий создавать алгоритмы и обрабатывать изображения с привлечением методов математематической морфологии.

Исследован метод подавления шумов на слабоконтрастных изображениях, основанный на совмещении и накоплении изображений одинаковых объектов. Получены аналитические соотношения, связывающие ошибки восстановления с статистическими характеристиками изображения и позволяющие выбрать оптимальный режим накопления. Метод применен для восстановления слабоконтрастных электронно-микроскопических изображений.

Экспериментально показано, что метрологические характеристики устройства ввода обеспечивают измерение отличий в оптических и геометрических параметрах столь гомогенного материала как эритроциты. Впервые выполненные на статистически представительном материале по разработанной методике исследования эритроцитарных популяций позволили получить новые представления о физиологической модели развития кроветворной системы человека.

В Институте автоматики и электрометрии СО АН СССР создан экспериментальный образец комплекса, который в настоящее время находится в опытной эксплуатации. Комплекс "Зенит-К" внедрен в исследования клеточных популяций, проводимые Институтом биофизики СО АН СССР (г. Красноярск) и в электронно-микроскопические исследования Института кристаллографии АН СССР (г. Москва).

Совместно с Институтом биофизики СО АН СССР и Красноярским медицинским институтом приведены исследования возрастной динамики гемоглобина в эритроцитарных популяциях. Совместно с Институтом кристаллографии АН СССР выполнены работы по восстановлению электронных микрофотографий ВКПГ и 50 субъединиц рибосом.

1. Bostrom R.C., Sawer H.S., Tolles W.E. 1.strument for Automatically Prescreening Cytological Smears. - Proc. IRE, 1959, v. 47, N11, pp. 1895-1900.

2. Борщов В.Б., Каминир Л.В., Ларионов М.Г., Литинская Л.Л., Орловский Г.Н., Рохлин Ф.З., Урбах В.Ю., Франк Г.М. Автоматический анализатор биоструктур АБ-1. Биофизика, 1961, т. У1, вып. 6, с. 745-747.

3. Caspersson Т.О. Cell Growth and Cell Function, A Cytochemi-cal Study. N.Y., Norton, 1950.

4. Блинков C.M., Иваницкий Г.P. Анализ клеточной структуры мозга с помощью автоматического анализатора микрообъектов. -Машинный анализ микроскопических объектов. Сб. статей. М., Наука, 1968, с. 70-76.

5. Tolles W.E., Horwath W.J., Bostrom R.C. A Study of the Quantitative Characteristics of Exfoliated Cell from the Female Genital tract. Cancer, 1961, v. 14, N 3, pp. 435-468.

6. Beadle C. The Quantimet Image Analysing Computer and its Applications. Advances in Optical and Electron Microscopy. Ed. by Coslett V., Barer R., Ac. Press, H.Y., 1971, pp. 361383. "

7. Wied G.L., Bartels P.H., Bahr G.F., Oldfield D.G. Taxonomi-cal Intracellular Analytic System (TICAS) for Сell Identification. Acta Cytol., 1968, v. 12, N 2,"pp. 180-204.

8. Brenner J.F., Dew B.S., Brian J., King H.T., Neurath P.W., Srlles W.D. An Automated Microscope for Cytologic Research. A Preliminary"Evaluation. J. Histochem. Cytochem. 1977,v. 25, N 7, pp. 100-111.

9. Косых В.П., Поташников А.К. Машинный комплекс для обработки изображений микрообъектов. Статистические свойства микроструктур. I Всесоюзная конференция. Тезисы доклада. М., ВНИИСинтезбелок, 1978, с. 29-30.

10. Mayall В.Н., Digital Image Processing at Lawrence Livermore Laboratory. Part II. Biomedical Applications. Computer, 1974, v. 7, N 5, pp. 81-87.

11. Громов Г.Г., Марков И.А., Подвысоцкая Н.А., Сергеев М.П. Автоматическая система параллельного анализа изображений. -Автоматизация анализа и распознавания изображений. G6. статей, вып. 2, Рига, Зинатне, 1980, с. 197-214.

12. Крупников Г.П., Марков И.А., Подвысоцкая Н.А., Сергеев М.П. Зарубежные серийно выпускаемые анализаторы. Автоматизация анализа и распознавания изображений. Сб. статей, вып. 2, Рига, Зинатне, 1980, с. I9I-2I6.

13. Oppenheim J.С. Basic Quantitative Image Analysis in the Metallographic baboratory. Metall Progress, 1981, N 8.

14. Bengtsson E., Eriksson 0., Jarkrans Т., Uordin В., Stenk-vist B. CELLO-An Interactive System for Image Analysis. -Digital Image Processing Systems. Lectures Notes in Сотр. Sci., 109. Ed. by Bolk L., Kulpa Z. Springer-Verlag, Berlin, 1981, pp. 21-45.

15. Kulpa Z., Dernalowicz J., Nowicki H.T., Bielik A. CP0-2/K--202:A Universal Digital Image Analysis System. Digital Image Processing Systems. Lectures Notes in Сотр. Sci., 109. Ed. by Bolk L., Kulpa" Z. Springer-Verlag, Berlin, 1981, pp. 169-199'.

16. Hilliard J.E., Duffy J.M. Computer Microscope Partnership. -Opt. Spectra, 1977, Ii, U" 10, pp. 32-35.

17. Green J.E. A Practical Application of Computer Pattern i

18. Recognition Research. The Abbot ADC-500 Differential Classifier. J. Histochem. Cytochem., 1979, v. 27, If 1, pp. 160-173.

19. Либенсон M.H., Хесин А.Я., Янсон Б.А. Автоматизация распознавания телевизионных изображений. М., Энергия,1975, 159 с

20. Taylor C.J., Brunt J.N.H., Dixon R.N., Gregory P.J. The Magiscan : a Generation, Software Based, Automatic Image Analyzer. Practical Metallography. Ed. by Chermant*J.C. Spec. Issue. 1978, N 8, pp. 433-442.

21. IBAS The Interactive Image Analysis System. - Opton Hewsletler,'1983, N 1, pp. 3-4.

22. Nawrath R., Serra J. Quantitative Image Analysis : Theory and Instrumentation. Microscopica Acta, 1979, v. 82, If 2, pp. 101-111.

23. Бергманис A.X., Громов Г.Г., Попов Ю.О., Янсон Б.А. Многофункциональный анализатор изображений "Протон" с программируемой структурой. Автоматизированные системы обработки изображений. I Всесоюзная конференция. Тезисы докладов. М., Наука, 1981, с. 157.

24. Агаджанян Ж.М., Казанович Я.Б. Автоматические системы дляанализа изображений микрообъектов. Автоматизация биофизических исследований. Сб. статей. Пущино, Научный центр биологических исследований АН СССР, 1979, с. 16-76.

25. Оптико-структурный машинный анализ. Под ред. Яновского К.А. М., Машиностроение, 1984, 277 с.

26. Анистратенко А.А., Иванов В.А., Киричук B.C., Косых В.П., Нестерихин Ю.Е., Яковенко Н.С. Центр обработки данных. -Автометрия, 1982, № 6, с. 3-II.

27. Автоматическая обработка данных с пузырьковых и искровых камер. Под ред. Б.С.Розова. М., Атомиздат, 1971, 383 с.

28. Model 101OA Microdensitometer Operation and Maintenance Mannal witb PDP-11 Computer Control. Perkin Elmer Corp., 1973, 193 p. "

29. Мучник И.В., Паморозский Е.И., Эльман Р.И. Автоматизированная обработка полутоновых изображений (обзор состояния проблемы). Автоматика и телемеханика, 1981, № 2, с. 84126.

30. Бурый Л.В., Коронкевич В.П., Нестерихин Ю.Е., Пушной Б.М., Ткач С.Е., Щербаченко A.M. Прецизионный фотограмметрический автомат. Автометрия, 1974, № 4, с. 83-89.

31. Андрианов Л.А., Киричук B.C., Косых В.П., Чейдо Г.П. Анализ цитограмм системой "Зенит-ЭВМ". Препринт ИАиЭ СО АН СССР, № 49, Новосибирск, 1976, 21 с.

32. Брамберга В.М., Канеп В.В., Хесин А.Я. Принципы и аппаратура автоматизированной диагностики злокачественных опухолей. Автоматизация анализа цитологических препаратов. Сб. статей. Рига, Зинатне, 1975, с. 5-12.

33. Калинкин М.И., Богданова М.В., Пелипенко В.И., Смородин Ю.А. Растровый микроденситометр "Микрорастр". Автоматизированные системы обработки изображений. I Всесоюзная конференция. Тезисы докладов. М., Наука, 1981, с. 128-129.

34. Shoemaker R.b., Bartels Р.Н., Hillman D.W., Jonas J., Kess-ler D., Shach R.V., Vukobratovich D. in "Ultrafast Laser Scanner Microscope for Digital Image Analysis, IEEE Trans, on BME, 1982, v. BME-29, N 2, pp. 82-91,

35. Гершберг A.E. Передающие телевизионные трубки с внутренним фотоэффектом. Л., Энергия, 1973, 256 с.

36. Рыфтин Я.А. Телевизионная система. Теория. М., Сов. радио, 1967.

37. Imasato У., ICashida R., Matozaki Т., Watanahe S. An Automated Apparatus for Prescreening of Cancer Cell. 10-th International Conference on Medical and Biological Engineering. Dresden, 1973.

38. Васьков С.Т., Мамонтов Г.М., Поташников А.К., Ткач С.Е. Сканирующие устройства на ЭЛТ высокого разрешения. Новосибирск, Наука, 1978, 136 с.

39. Обидин Ю.В., Поташников А.К. Аппаратурные средства комплекса обработки изображений УЗенит-2". Методы и средства обработки изображений. Сб. статей. Новосибирск, ИАиЭ

40. СО АН СССР, 1982, с. 10-17.

41. Serra J. Image Analysis and Mathematical Morphology. Lonaon-Uew York, Ac. Press, 1982, 610 p.

42. Косых В.П., Пустовских А.И., Яковенко H.G. Программная реализация морфологического процессора. Автометрия, 1982, № 4, с. 103-105.

43. Денисов В.М., Матвеев Ю.Н., Очин Е.Ф. Принципы организации систем обработки изображений на базе клеточной логики. -Зарубежная радиоэлектроника, 1984, № I, с. 3-25.

44. Бобко В.Д., Золотухин Ю.Н., Крендель Ю.М., Лившиц З.А.,

45. Ян А.П. Магистральная система обмена информацией. Автометрия, 1974, № 4, с. 9-19.

46. Косых В.П., Пустовских А.И., Тарасов Е.В., Яковенко Н.С. Морфологический процессор. Автометрия, 1984, № 4, с. 102109.

47. Косых В.П., Поташников А.К. Фотометрический канал сканирующего микроденситометра на проекционной ЭЛТ высокого разрешения. Методы и средства обработки изображений. Сб. статей. Новосибирск, ИАиЭ СО АН СССР, 1982, с. 3-9.

48. Харрис Т. Теория ветвящихся случайных процессов. М., Мир, 1966, 355 с.

49. Косых В.П. Структура фотометрического канала быстродействующего микроденситометра и ошибки фотометрирования. -Автометрия, 1984, № 5, с. 73-79.

50. Феллер В. Введение в теорию вероятностей и её приложения. Т. 2. М., Мир, 1967, 751 с.

51. Косых В.П. Устройство для измерения оптической плотности. Авт. свид. № II03085. Бюллетень изобретений, 1984, № 26, с. 113.

52. Keene J.P. Patigne and Saturation in Photomultipliers. -Rev. Sci. Instrum., 1963, v. 34, F 11, pp. 1220-1222.

53. Мамонтов Г.М., Поташников А.К., Ситников Г.Ф., Ткач С.Е. Устройство для измерения оптической плотности. Авт. свид. № 596835. Открытия, изобретения, промышленные образцы, 1978, № 9, с. 167.

54. Панов В.А., Андреев Л.Н. Оптика микроскопов. Л., Машиностроение, 1976, 430 с.

55. Firester А.Н., Heller М.Е., Sheng P. Knife edge scanning measurements of subwavelengtli focused light beams. - Appl. Optics, 1977, v. 16, Я 7, pp. 1971-1974.

56. Гельфанд И.М., Граев М.И., Виленкин Н.Я. Интегральная геометрия и связанные с ней вопросы теории представлений. М., Наука, 1962, 531 с.

57. Градштейн И.С., Рыжик И.М. Таблицы интегралов, сумм, рядов и произведений. М., ГИШЛ, 1963, 1100 с.

58. Киричук B.C., Косых В.П., Перетягин Г.И. Восстановление распределения интенсивности светового потока в считывающем луче сканирующей системы. Автометрия, 1977, № 3, с. 5765.

59. Андерсен Т. Статистический анализ временных рядов. М., Мир, 1976, 755 с.

60. Киричук B.C., Косых В.П. Восстановление размеров микрообъектов при считывании их конечной апертурой. Автометрия, 1977, № 3, с. I08-II4.

61. Митропольский А.К. Техника статистических вычислений. М., ГШМЛ, 1961, 479 с.

62. Кендал М.Дж., Стьюарт А. Многомерный статистический анализ и временные ряды. М., Наука, 1968, 547 с.

63. Рао С.Р. Линейные статистические методы и их применения. М., Наука, 1968, 547 с.

64. Косых В.П., Пустовских А.И. Алгоритм анализа изображений, содержащих выпуклые объекты. Методы и средства обработки изображений. Сб. статей. Новосибирск, ИАиЭ СО АН СССР, 1982, с. 73-80.

65. Кендалл М.Дж., Стьюарт А. Статистические выводы и связи. М., Наука, 1973, 899 с.

66. Киричук B.C., Косых В.П., Пустовских А.И. Восстановление слабоконтрастных электронно-микроскопических изображений. -Автометрия, 1983, № 6, с. 77-83.

67. Kiselev N.A., Orlova E.V., Stelmaschuk Y.Ya., Yasiliev V.D., Selivanova O.M., Kosykh V.P., Pustovckikh A.I., Kirichuk V.S. Computer Averaging of 50S Ribosomal Subunit Elestron Micrographs. J. Mol. Biol., 1983, v. 169, pp. 345-350.