ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ОБРАБОТКИ СЛАБОКОНТРАСТНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МЕТОДА ЦИФРОВОЙ ИНТЕРФЕРОМЕТРИИ Диссертация

brief description:
Министерство образования и науки, молодежи и спорта Украины

Днепропетровский национальный университет имени Олеся Гончара

                          На правах рукописи

УДОВИК ИРИНА МИХАЙЛОВНА

УДК 007.001.362+681.327.12.001.362

ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ОБРАБОТКИ СЛАБОКОНТРАСТНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МЕТОДА ЦИФРОВОЙ ИНТЕРФЕРОМЕТРИИ

05.13.06 – информационные технологии

Диссертация на соискание ученой степени
кандидата технических наук

Научный руководитель
Ахметшина Л. Г.
доктор технических наук, профессор

Днепропетровск – 2013

Содержание

ВВЕДЕНИЕ…………………………………………………………………

5

РАЗДЕЛ 1. АНАЛИЗ СОСТОЯНИЯ ПРОБЛЕМЫ ФОРМИРОВАНИЯ ПРОСТРАНСТВА ПРИЗНАКОВ ПРИ ОБРАБОТКЕ ИЗОБРАЖЕНИЙ И ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ…………………………

14

1.1.

Особенность изображений как пространственных данных в рамках технологии «компьютерного зрения»…………………..

14

1.2.

Наиболее распространенные методы выделения визуально неразличимых участков изображений…………………………..

18

1.2.1.

Повышение визуального качества слабоконтрастных изображений методом эквализации гистограмм……….

22

1.2.2.

Выделение границ визуально неразличимых участков слабоконтрастных изображений методом градиентного отображения……………………………………………….

24

1.2.3.

Сегментация слабоконтрастных изображений методом нечетких С-средних……………………………………….

27

1.3.

Особенности комплексирования методов анализа слабоконтрастных изображений………………………………….

32

1.4.

Постановка задачи исследования………………………………..

35

выводы по первому разделу………………………………………………...

36

РАЗДЕЛ 2. ПОВЫШЕНИЕ КАЧЕСТВА СЛАБОКОНТРАСТНЫХ ИЗОБРАЖЕНИЙ МЕТОДОМ ЦИФРОВОЙ ИНТЕРФЕРОМЕТРИИ……

37

2.1.

Интерференционное преобразование слабоконтрастных изображений и его информационные возможности…………….

37

2.2.

Модуляционное преобразование анализируемого изображения

40

2.2.1.

Исследование информационных возможностей цифрового интерференционного метода при фиксированном значении параметра модуляционного преобразования…………………………………………….

42

2.2.2.

Локально-адаптивный способ определения параметра модуляции………………………………………………….

55

2.2.3.

Самоорганизующийся способ определения параметра модуляции ………………………………..………………..

62

Выводы по второму разделу………………………………………………...

72

РАЗДЕЛ 3. СЕГМЕНТАЦИЯ СЛАБОКОНТРАСТНЫХ ИЗОБРАЖЕНИЙ В ФАЗОВОМ ПРОСТРАНСТВЕ ИНФОРМАТИВНЫХ ПРИЗНАКОВ ЦИФРОВОГО ИНТЕРФЕРЕНЦИОННОГО МЕТОДА…………………………………….

76

3.1.

Сегментация мультиспектральных изображений……………….

76

3.1.1.

Сегментация ансамбля изображений при фиксированном значении параметра модуляционного преобразования…………………….………………………

77

3.1.2.

Сегментация ансамбля изображений при самоорганизующемся способе определения параметра    модуляционного преобразования………………………...

84

3.2.

Функциональная схема обработки слабоконтрастных           изображений……………………………………………………….

87

3.3.

Фазо-пространственная сегментация однопараметровых яркостных изображений…………………………………………..

89

3.4.

Контурная сегментация слабоконтрастных изображений                   в плоскости резонансно-яркостного отображения……………...

96

Выводы по третьему разделу……………………………………………….

101

РАЗДЕЛ 4. РАЗВИТИЕ ИНФОРМАЦИОННЫХ ВОЗМОЖНОСТЕЙ ЦИФРОВОГО ИНТЕРФЕРЕНЦИОННОГО МЕТОДА…………………...

104

4.1.

Анализ результатов обработки мультиспектральных и многопараметровых изображений интерференционным методом резонансно-пространственного отображения…………

104

4.2.

Анализ результатов обработки однопараметровых изображений интерференционным методом резонансно-пространственного отображения…………………………………

111

4.3.

Анализ слабоконтрастных изображений в пространстве      модели эллипсометрических параметров Стокса……………….

114

4.4.

Практическая реализация информационной технологии обработки слабоконтрастных изображений……………………..

122

выводы по четвертому разделу……………………………………………..

129

ВЫВОДЫ……………………………………………………………………..

133

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ………………………..

134

ПРИЛОЖЕНИЕ А. Акты о внедрении результатов диссертационных исследований…………………………………………………………………

145

ВВЕДЕНИЕ

Актуальность работы. Одним из наиболее востребованных направлений современных информационных технологий, которое затрагивает, в той или иной степени, все области техники, является обработка цифровых изображений. Они все чаще используются для представления информации в научных исследованиях, медицине, экологии, промышленности, например, для решения задач анализа геофизических полей, обнаружения и идентификации малоразмерных замаскированных целей в военной области, анализа анатомической структуры с выделением участков потенциального интереса в медицинской диагностике, визуальной биоидентификации в системах закрытого доступа и других.
Использование новых информационных технологий цифровой обработки изображений, в частности в направлении, которое называется «компьютерным зрением», с целью извлечения и анализа знаний и принятия решений, оказывает важное влияние на эффективность многих отраслей экономики Украины. При этом предполагается преобразование исходных изображений, качество которых часто является недостаточным из-за несовершенства систем его получения, передачи и хранения в вид, зависящий от его типа, физической сущности и поставленной цели, что является сложной задачей и часто требует разработки новых подходов и методов.
В силу большого практического значения решения задач обработки изображений, им постоянно уделялось внимание научной общественности. В частности, большой вклад в развитие данного направления внесли как зарубежные (У. Прэтт, Р. Гонсалес и Р. Вудс, Б. Яне, Д. Форсайд, Р.А. Шовенгерд), так и отечественные учёные (Е.П. Путятин, И.Б. Сироджа, Е.В. Бодянский, Н.Н. Куссуль, М.И. Шлезингер, А.М. Ахметшин).
В развитии теоретической базы и практического использования направления «цифровой обработки изображений» с исторической точки зрения можно выделить несколько этапов.
Первый этап, условно его можно назвать «классическим», был связан с попыткой перенесения методов и технологий в области цифровой [1,2] и статистической [3,4] обработки одномерных сигналов на двухмерную область [5,6,7]. Итоги развития этого направления были обобщены в монографиях [8,9]. В них, помимо результатов позитивного развития данного этапа, отмечены нерешенные вопросы, в частности, отсутствие универсального подхода для анализа слабоконтрастных изображений. Например, отмечена сложность обработки медицинских изображений (рентгенограмм) и целесообразность ее проведения на основе использования нескольких подходов, желательно, принципиально отличных с алгоритмической точки зрения.
Второй этап привел к появлению направления, получившего название «компьютерное зрение», отличительная черта которого – «извлечение описаний из изображений или последовательности изображений», которые «могут в большой мере зависеть от области их применения» [10]. Кроме методов, направленных на использование визуальной информации нового типа (3-D графика, анимация, мультиспектральные), в рамках этого направления большое внимание было уделено вопросам выявления и визуализации «объектов интереса» – сегментации изображений [11,12,13,14,15,16]. Второй этап, в основном базируется на использовании эвристических алгоритмов цифровой обработки изображений не связанных напрямую с реальными физическими моделями, в том числе методами нечеткой логики [17,18] и нейросетевого моделирования [19,20,21].
Однако, игнорирование физической сущности обрабатываемых изображений, приводит к ограничению информативных возможностей существующих методов и неоднозначности при интерпретации получаемых результатов. Так, при анализе слабоконтрастных изображений, возникают проблемы, обусловленные отсутствием априорной информации о присутствии областей потенциального в условиях неопределенности их местоположения, размера и формы на неоднородном яркостном фоне.
В связи с этим разработка информационной технологии для обработки слабоконтрастных изображений на основе виртуальных аналогов наиболее чувствительных физических методов оптических и радиоволновых измерений, таких как интерферометрия [24], голография [25] и эллипсометрия [26] позволяет повысить чувствительность и достоверность визуального анализа за счет учета их физической сущности.
Связь работы с научными программами, планами, темами. Результаты диссертационной работы получены в рамках следующих научно-исследовательских работ: Е296 «Исследование и разработка методов диагностирования и управления технологическими процессами в горной промышленности», номер госрегестрации 0107U005085 (2007 – 2008г.); ГП -407 «Интеллектуальные компьютерные технологии обработки данных, прогнозирования и управления», номер госрегестрации 0108U000358 (2009 – 2010г.).
Цель и задачи исследования. Целью диссертационной работы является разработка информационной технологии, основанной на методе виртуальной цифровой интерферометрии, которая обеспечивает повышение чувствительности, разрешающей способности и достоверности процедур сегментации и анализа как обычных, так и многопараметровых (мультиспектральных) изображений в условиях неопределенности системы их формирования, а также местоположения и вида объекта потенциального интереса.
Для достижения поставленной цели необходимо решить следующие задачи:
1.       Исследование и разработка физико-математических моделей преобразования исходных слабоконтрастных изображений к виду, обеспечивающему возможность разработки информационной технологии, основанной на создании виртуальных аналогов цифровых интерференционных методов.
2.       Разработка моделей формирования новых признаковых пространств цифрового интерференционного метода в задачах синтеза изображений.
3.       Синтез, обоснование и исследование информативных возможностей характеристик цифрового интерференционного метода при анализе визуальной информации.
4.       Обобщение разработанных моделей и методов цифровых интерференционных преобразований на область виртуальной эллипсометрии и резонансно-пространственного отображения.
5.       Разработка информационной технологии для обработки и анализа слабоконтрастных изображений на основе метода виртуальной цифровой интерферометрии.
Объект исследования – процесcы преобразования и визуализации слабоконтрастных изображений в информационных системах.
Предмет исследования – методы, модели и информационные технологии в задачах обработки слабоконтрастных изображений.
Методы исследований. Для решения поставленных задач с целью синтеза новых методов, моделей и информационных технологий обработки слабоконтрастных зображений, использовались математические аппараты: теории функций комплексных переменных и векторных полей, теории информации, оптической интерферометрии и эллипсометрии, математического моделирования, прикладного программирования и компьютерной графики.
Научная новизна полученных результатов. В процессе решения поставленных задач были получены следующие научные результаты:
1.      Впервые предложен цифровой интерференционный метод обработки слабоконтрастных изображений в фазовом пространстве информативных признаков, который позволяет за счет нелинейности новых синтезированных характеристик адаптировать функцию преобразования к функции распределения яркостных характеристик исходных изображений и обеспечивает повышение чувствительности и разрешающей способности визуального анализа.
2.      Получил дальнейшее развитие метод определения параметра модуляционного преобразования, который, в отличие от существующего подхода, для определения его значения использует характеристики яркости исходных зображений: локально-адаптивный вариант – особенности в пределах рамочной апертуры, самоорганизующийся – диапазон их изменения в целом, что позволяет автоматизировать процесс определения значения параметра и управлять степенью детализации результата.
3.      Получил дальнейшее развитие цифровой интерференционный метод, который в отличие от существующих походов, за счет использования резонансно-пространственного отображения исходного изображения и синтеза нових информативных характеристик с выраженными резонансними свойствами, обеспечивает повышение чувствительности визуального анализа полутоновых и многомерных изображений.
4.      Получил дальнейшее развитие цифровой интерференционный метод, который, в отличие от существующих походов, за счет отображения на область виртуальной цифровой эллипсометрии и рассмотрения в качестве новых информативных характеристик виртуальных параметров Стокса позволяет повысить чувствительность и достоверность анализа цветных зображений с возможностью представления результатов в уровнях серого и с применением RGB-кодирования.
Обоснование и достоверность результатов. Достоверность научных результатов, выводов и предложений, которые сформулированы в диссертационной работе, базируется на использовании современного математического аппарата теории функций комплексных переменных и векторных полей, теории информации, математического моделирования, прикладного программирования и компьютерной графики, с помощью которых были синтезированы новые информативные параметры и разработаны новые методы обработки; использовании тестовых изображений; сравнении с результатами, полученными на основе применения традиционных методов; положительными оценками ученых и специалистов на конференциях, посвященных проблемам обработки изображений.
Практическое значение полученных результатов. Разработанные методы обеспечивают возможность создания специализированных информационных технологий, основанных на анализе слабоконтрастных изображений различной физической природы или любой информации, обладающей топологическими свойствами и возможностью интерпретации в виде изображения. Основное достоинство методов заключается в отсутствии необходимости априорного знания о системах формирования изображений, спектральных и статистических характеристиках, как полезных сигналов (объекта интереса), так и шумовых компонент и в возможности адаптации к функции распределения яркости исходного изображения. Они позволяют увеличивать количество анализируемых параметров, повышая тем самым точность и надежность анализа, и в тоже время, формировать одно результирующее изображение из многомерных данных, упрощающая их анализ и интерпретацию.
Материалы диссертации внедрены в учебном процессе «Национального горного университета» (акт от 14.09.2009г.); при разработке системы автоматизации управления горнотехнологическими системами и горнотранспортным оборудованием (повышение качества видеосигнала) в «Вольногорский ГМК» филиал ЗАО «Крымский ТИТАН» (акт от 16.11.2010 г.); при исследовании достоверности медицинских радиологических изображений в ГУ «Железнодорожная клиническая больница на станции Днепропетровск» ГП «Приднепровская железная дорога» (акт от 02.02.2012г.).
Личный вклад соискателя. Основные положения и результаты диссертационной работы получены автором самостоятельно. В публикациях, написанных в соавторстве, соискателю принадлежит: [40] – определено ограничение применения метода выравнивания гистограмм при обработке слабоконтрастных изображений; [53,54,55,56] – предложены новые информативные характеристики цифрового интерференционного метода для сегментации однопараметровых изображений; [57,96] – разработан алгоритм расчета эллипсометрических информативных характеристик изображений; [58,59] – предложены варианты определения длины волны виртуального излучения для самоорганизующегося варианта интерференционного метода; [82,86] – предложены новые информативные параметры цифрового интерференционного метода для сегментации мультиспектральных изображений; [83] – разработан алгоритм градиентно-фазовой сегментации яркостных изображений; [84] – проведен выбор и обоснование метода предварительной обработки изображения для последующего повышения его контрастности на основе цифровой фильтрации [85] – разработан алгоритм построения изолиний яркостей изображений, который базируется на применении метода резонансно-яркостного отображения; [95,97] – определены расчетные отношения для синтеза изображений на основе метода резонансно-пространственного отображения; [98] – предложена модификация цифрового интерференционного метода с применением эллиптически поляризованного излучения.
Апробация результатов диссертации. Основные положения диссертационной работы докладывались и обсуждались на Международной конференции «Математическое и программное обеспечение интеллектуальных систем» (г. Днепропетровск, 2005); Международной конференции по математическому моделированию, (г. Херсон 2007, 2009, 2010); Международной конференции по геометрическому и компьютерному моделированию (г. Харьков 2007, 2009); Международной конференции по искусственному интеллекту (Кацивели, Крым, 2007, 2010, 2011); Международной конференции «Радиология – 2009: Медицинская информатика и телемедицина» (Одесса, 2009); Международной конференции «Информационные технологии и безопасность в науке, технике и образовании» (г. Севастополь, 2009, 2011).
Публикации. По теме диссертации опубликовано 20 печатных трудов, из которых 14 статей в специализированных научных изданиях Украины по техническим наукам и 6 в зборниках трудов научных конференций.
Структура и объем диссертации. Диссертация состоит из введения, четырех разделов, выводов, списка использованной литературы и приложения. Общий объем диссертации составляет 151 страницу и содержит 85 рисунков, список литературных источников составляет 108 наименований на 11 страницах и приложения с актами о внедрении на 6 страницах.
В первом разделе рассмотрены особенности слабоконтрастных изображений и информационные возможности трех распространенных методов их цифровой обработки: метод эквализации гистограмм, метод градиентного отображения и сегментация изображений методом нечетких С-средних. Проведено их сопоставление и показано, что для повышения надежности визуального анализа слабоконтрастных изображений необходимо расширение пространства информативных признаков. На основе проведенного анализа сформулированы цели и задачи диссертационных исследований.
Во втором разделе рассмотрены различные подходы к преобразованию анализируемых изображений в пространстве функций комплексной переменной, базирующиеся на проведении аналогий с наиболее чувствительными интерференционными методами оптических измерений. Исследованы различные варианты выбора значения коэффициента преобразования метода (длины виртуальной оптической волны), позволяющие изменять качество исходного изображения, с точки зрения возможности выделения визуально неразличимых слабоконтрастных участков.
В третьем разделе исследованы различные варианты сегментации слабоконтрастных полутоновых и многопараметровых изображений в информативном признаковом пространстве цифрового интерференционного метода. Обоснована целесообразность использования фазо-пространственных характеристик для решения задач сегментации в условиях отсутствия априорной информации о наличии и местоположении объектов потенциального интереса, расположенных на неоднородном яркостном фоне. Разработана функциональная схема информационной технологи.
В четвертом разделе рассмотрены и исследованы два варианта дальнейшего развития информационных возможностей цифрового интерференционного метода, основанные на проведении виртуальных аналогий с методами оптических физических измерений: интерференционный метод резонансно-пространственного отображения и метод анализа слабоконтрастных изображений в пространстве эллипсометрических параметров Стокса. Приведены результаты работы информационной технологии на примере реализации метода обработки слабоконтрастных изображений в пространстве эллипсометрических параметров Стокса.

Автор выражает искреннюю признательность научному руководителю доктору технических наук, профессору Ахметшиной Людмиле Георгиевне за ценные замечания, которые были использованы при проведении диссертационных исследований и коллективу кафедры ЭВМ Днепропетровского национального университета им. О. Гончара за помощь и рекомендации при обсуждении результатов.

bibliography:
ВЫВОДЫ

В диссертационной работе решена актуальная научно-техническая задача разработки информационной технологии для обработки слабоконтрастных изображений, которая основана на проведении виртуальной аналогии с чувствительными физическими методами измерений (интерференционными, резонансно-пространственными, эллипсометрическими). Проведенные исследования позволили получить следующие выводы:
1.       Впервые предложен цифровой интерференционный метод обработки слабоконтрастных изображений в фазовом пространстве информативных признаков, который обеспечивает повышение чувствительности и достаточно высокую разрешающую способность для визуального анализа изображений без использования априорной информации о количестве и характеристиках объекта интереса, за счет нелинейности новых синтезированных характеристик. Установлено, что выбор значения параметра модуляции существенно влияет на чувствительность результата обработки.
2.                     Получил дальнейшее развитие метод определения параметра модуляционного преобразования . Определено, что цифровой интерференционный метод с фиксированным значением параметра модуляции необходимо использовать при анализе изображений, у которых среднее значение яркости является стационарным вдоль всей апертуры анализируемого изображения или при анализе таких изображений, у которых область потенциального интереса является известной априори, что позволяет выбрать оптимальное значение параметра модуляции , которое должно больше на диапазона градации яркостей зоны потенциального интереса.
2.1       Локально-адаптивный выбор параметра модуляции базируется на применении оконного (рамочного) преобразования исходного изображения и повышает чувствительность при выявлении малоразмерных деталей. Выбор размера окна зависит от соотношения размеров объекта интереса и изображения в целом. Окно должно превышать размер наибольшей, потенциально информативной детали. При этом яркостно-пространственные интерференционные характеристики позволяют увеличить диапазон изменения яркости синтезированных изображений до 17 раз.
2.2                Самоорганизующийся вариант определения параметра модуляции использует особенности распределения яркости анализируемого изображения и наиболее эффективен при выделении слабоконтрастных участков любой площади и произвольной формы на сложно-структурированном яркостном фоне. С точки зрения сегментации потенциально информативных участков, в данном случае, более информативными являются фазо-пространственные характеристики, а яркостно-пространственные характеристики имеют дополнительное значение.
3.       Получил дальнейшее развитие цифровой интерференционный метод за счет резонансно-пространственного отображения исходного изображения и синтеза новых информативных характеристик с выраженными резонансными свойствами для повышения чувствительности визуального анализа полутоновых и многомерных изображений. Метод обладает повышенной чувствительностью к влиянию яркостных перепадов, поэтому как показали результаты проведенных экспериментальных исследований, для его применения необходимо выбирать фиксированное значение параметра модуляционного преобразования.
4.       Получил дальнейшее развитие цифровой интерференционны метод, который, за счет отображения на область виртуальной цифровой эллипсометрии позволяет, кроме представления результатов в оттенках серого, сопоставить каждому пикселю анализируемого изображения четыре виртуальных параметра Стокса и осуществлять RGB-кодирование результата без применения процедуры псевдоцветного кодирования.
5.       Результаты научных исследований внедрены в учебный процесс «Национального горного университета», в «Вольногорский ГМК» филиал ЗАО «Крымский ТИТАН», а также в ГУ «Железнодорожная клиническая больница на станции Днепропетровск» ГП «Приднепровская железная дорога».

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Оппенгейм А. В. Цифровая обработка сигналов / А. В. Оппенгейм, Р.В. Шафер; [пер. с англ. В.А. Лексаченко]. – М.: Связь, 1979. – 416 с.
2. Кулханек О. Введение в цифровую фильтрацию в геофизике / О. Кулханек; [пер. с англ. А. А. Богдановна]. – М.: Недра, 1981. – 198 с.
3. Ван Трис Г. Теория обнаружения, оценок и модуляции / Г. Ван Трис; [пер. с англ. под ред. В.И. Тихонова]. – М.: Сов. Радио, 2001. – 744 с.
4. Сосулин Ю.Г. Теория обнаружения и оценивания стохастических сигналов / Ю.Г. Сосулин – М.: Сов. Радио, 1978. – 320 с.
5. Прэтт У. Цифровая обработка изображений / У. Претт; [пер. с. англ. Д.С. Лебедева] – М.: Мир, 1982. – 790 с.
6. Ярославский Л.П. Введение в цифровую обработку изображений / Л.П. Ярославский – М.: Сов. радио, 1979. – 383 с.
7. Даджион Д. Цифровая обработка многомерных сигналов / Д. Даджион , Р. Мерсеро.; [пер. с англ. Громова В.А.] – М.: Мир, 1988. – 319 c.
8. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс; [пер. c англ. под ред. П.А. Чочиа]. – М.: Техносфера, 2006. – 1070 с.
9. Яне Б. Цифровая обработка изображений / Б. Яне; [пер. с англ. А.М. Измайловой]. – М.: Техносвера, 2007. – 583 с.
10.     Форсайт Д. Компьютерное зрение: современный подход / Д. Форсайт, Ж. Понс; [пер. с англ. А.В. Назаренко, И. Ю. Дорошенко]. – М.; С.Пб.; К: Вильямс, 2004. – 926 с.
11.     Cipolla R. Computer vision: detection, recognition and classification / R. Cipolla, S. Battiato, G. Farinella – B.: Springer Verlag, 2006. – 345 p.
12.     Patter recognition and Computer vision: Handbook / [Ed. Chen C. G., Wang P.S.]. – London: World Scientific, 2006. – 639 p.
13.     Шапиро Л. Компьютерное зрение / Л. Шапиро, Дж. Стокман; [пер. с англ. А.В. Назаренко, И. Ю. Дорошенко]. – М.: Бином, 2006. – 752 с.
14.     Физика визуализации изображений в медицине / [пер. с англ. Л.В. Бабина, А.П. Сарвазяна]; под ред. С. Уэбба. – М.: Мир, 1991. – Т. 2. – 406 с.
15.     Пантелеев В. Компьютерная микроскопия / В. Пантелеев, О. Егорова, Е. Клыкова – М.: Техносвера, 2006. – 277 с.
16.     Календер В.А. Компьютерная томография. Основы, техника, качество изображений и области клинического использования / В.А. Календер; [пер. с англ. В.Н. Дмитриев, К.Д. Калантаров]. – М.: Техносфера, 2006. – 334 c.
17.     Сhi Z. Fuzzy algorithms: With Applications to Image Processing and Pattern Recognition / Z. Сhi, H. Yan, T. Pham – Singapore; New Jersey; London; Hong Kong: Word Scientific, 1998. – 225 p.
18.     Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH / А. Леоненков – С.Пб.: БХВ–Петербург, 2003. – 719 с.
19.     Хайкин С. Нейронные сети: полный курс / С. Хайкин; [пер. с англ. Н.Н. Куссуль, А.Ю. Шелестова]; под. ред. Н.Н. Куссуль – М.: Вильямс, 2006. – 1103 с.
20.     Mann S. Intelligent Image Processing / S. Mann – N.Y.: John Wiley and Sons Inc, 2002. – 342 p.
21.     Каллан Р. Основные концепции нейронных сетей / Р. Каллан – М.: Вильямс, 2001. – 287 с.
22.     Тихонов А.Н. Методы решения некорректных задач / А.Н. Тихонов, В.Я. Арсенин – М.: Наука, 1986. – 224 c.
23.     Василенко Г.И. Восстановление изображений / Г.И. Василенко, А.М. Тараторин – М.: Радио и связь, 1986. – 301 c.
24.     Афанасьєв В.А. Оптические измерения / В.А. Афанасьєв – М.: Высшая школа, 1981. – 228 с.
25.     Гинзбург В.М. Голографические измерения / В.М. Гинзбург, Б.М. Степанов – М.: Радио и связь, 1981. – 296 с.
26.     Горшков М.М. Эллипсометрия / М.М. Горшков – М.: Сов. радио, 1974. – 199 с.
27.     Куликов Е.И. Оценка параметров сигналов на фоне помех / Е.И. Куликов, А.П. Трифонов – М.: Сов. Радио, 1978. – 296 с.
28.     Купер Д. Вероятностные методы анализа сигналов и систем / Д. Купер, К. Макгиллем [пер. с англ. Е.М. Липовецкого] – М.: Мир, 1989. – 376 с.
29.     Кук Ч. Радиолокационные сигналы / Ч. Кук, Д. Бернфельд; [пер с англ. В.С. Кельзона]. – М.: Сов. Радио, 1971. – 318 с.
30.     Применение методов Фурье-оптики / под ред. Г. Старка; [пер. с англ. А.А. Васильева]. – М.: Радио и связь, 1988. – 535 с.
31.     Zhang G. Brief review of invariant texture analysis methods / G. Zhang, T.Tan // Pattern Recognition. – 2002. – Vol.35. – P. 735–747.
32.     Image Recognition and Classification: Algorithms, Systems, and Applications / Ed. B. Javidi. – N.Y.: Marcel Dekker, Inc., 2001. – 506 р.
33.     Комплексирование геофизических методов при решении геологических задач / под ред. В.Е. Никитского и В.В. Бродового. – М.: Недра, 1976. –495 с.
34.     Mann S. Intelligent Image Processing / S. Mann – N.Y.: John Wiley and Sons Inc, 2002. – 342 p.
35.     Jain A. Artificial Intelligence Techniques in Breast Cancer Diagnosis and Prognosis / A. Jain, S. Jain, S. Jain – London: World Scientific, 2000. – 287 p.
36.     Никитин А.А. Теоретические основы обработки геофизической информации / А.А. Никитин – М.: Недра, 1986. – 413 с.
37.     Стокхем Томас Г. Обработка изображений в контексте модели зрения / Томас Г. Стокхем // ТИИЭР. – 1972. – Т.60, №7. – С. 93 – 108.
38.     Kim J. Contrast enhancement system using spatially adaptive histogram equalizations with temporal filtering / J. Kim, L. Kim, B. Kang // IEEE Trans. on Computer Electronics. – 1998. – Vol. 44, № 1. – Р. 82−87.
39.     Stark J.A. Adaptive contrast enhancement using generalization of histogram equalization / J.A. Stark // IEEE Trans. Image Processing. – 2000. – Vol. 9, № 5. – Р. 889 − 906.
40.     Мацюк И.М. Метод выравнивания гистограмм как разновидность метода обобщенной инверсной фильтрации низкоконтрастных изображений / Л.Г. Ахметшина, И.М. Мацюк // Системні технологіі. – 2005. – Вип. 6, № 41. – С. 84 – 92.
41.     Canny J.F. A computational approach to edge detection / G.F. Canny // IEEE Trans. PAMI. – 1986. – Vol.8. – P.679 – 698.
42.     Deriche R. Fast algorithms for low–level vision / R. Deriche // IEEE Trans. PAMI. – 1990. – Vol.12. – P.78–87.
43.     Вычислительные математика и техника в разведочной геофизике. / под ред. В.И. Дмитриева. – М.: Недра, 1990. – 498 с.
44.     Jain A.K. Algorithms for Clustering Data / A.K. Jain, R.C. Dubes – N.Y.: Prentice-Hall, 1988. – 320 p.
45.     Matthews G. Clustering without a metric / G. Matthews, J. Hearne. // IEEE Trans. Pattern Anal. Mach. Intel. – 1991. – Vol. 13. – P. 175 − 184.
46.     Chuang K. Fuzzy c–means clustering with spatial information for image segmentation / K. Chuang, H. Tzen, S. Chen // Computer Medical Imaging and Craphics. – 2006. – Vol.30. – P. 9 – 15.
47.     Ахметшина Л.Г. Сегментация изображений на основе обобщения метода многомерной нечеткой кластеризации / Л.Г. Ахметшина, А.А. Егоров // Науковий вісник Національного гірничого університету. - 2004. – № 11. - С. 34-37 .
48.     Ахметшина Л. Г. Сегментация мультиспектральных изображений на основе метода нечеткой кластеризации / Л.Г. Ахметшина // Сборник научных трудов Национальной горной академии Украины. –2000. – Т. 1. № 9. – С. 90 – 93.
49.     Hall L.O. A comparison of neural network and fuzzy clustering techniques in segmentation MRI of the brain / L.O. Hall, A. Bensaid, L.P. Clarke, R.P. Velthuizen [et. al.] // IEEE Trans. on Neural Networks. – 1992. – Vol. 3. – Р. 672 − 682.
50.     Ахметшина Л.Г. Сегментация низкоконтрастных медицинских радиологических изображений методом пространственно-резонансного отображения / Л.Г. Ахметшина, А.М. Ахметшин // Клиническая информатика и телемедицина. – 2005. – Т. 2, № 1. - С. 51 – 55.
51.     Ахметшина Л.Г. Повышение чувствительности анализа мультиспектральных изображений на основе комбинации методов нуль-пространственного отображения и нейросетевой кластеризации / Л.Г. Ахметшина // Сборник научных трудов Национального горного университета. – 2003. – № 16. - С.158 – 164.
52.     Острейковский В.А. Теория надежности / В.А. Острейковский – М.: Высшая школа, 2008. – 464 с.
53.     Мацюк И.М. Геометрические методы повышения качества низкоконтрастных изображений в плоскости комплексных яркостей / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Мацюк // Геометричне та комп’ютерне моделювання: зб. наук. пр. – 2007. – Вып. 18. – С. 41 – 46.
54.     Мацюк И.М. Адаптивный интерференционный метод повышения яркостного разрешения низкоконтрастных изображений / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Мацюк // Збірник наукових праць Національного гірничого університету. – 2007. – № 27. - С. 202 – 207.
55.     Мацюк И.М. Интерференционные методы повышения качества и чувствительности анализа низкоконтрастных изображений на основе комплексной фазовой модуляции яркостей / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Мацюк // Искусственный интеллект. – Донецк, 2007. – № 3. - С. 193 – 204.
56.     Мацюк И.М. Интерференционные методы повышения качества и чувствительности анализа низкоконтрастных изображений на основе комплексной фазовой модуляции яркостей / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Мацюк // Интеллектуальные системы: труды межд. научн-техн. конф., 24-29 сентября. 2007 г., Дивноморское, Донецк, Таганрог, Минск, 2007. – С. 176-182.
57.     Мацюк И.М. Чувствительный комплексный интерференционный метод анализа радиологических и микробиологических изображений / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Мацюк // Клиническая информатика и телемедицина. – 2009. – Т.5., Вып.6. – С.38–44.
58.     Удовик И.М. Самоорганизующийся интерференционный метод сегментации слабоконтрастных изображений / И.М. Удовик, Л.Г. Ахметшина, А.М. Ахметшин // Искусственный интеллект. – 2010. – № 3. - С. 427 – 431.
59.     Удовик И.М. Самоорганизующийся интерференционный метод сегментации слабоконтрастных изображений / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Удовик // Искусственный интеллект. Интеллектуальные системы, Кацивели. ИИ-2010: межд. научн.-техн. конф., 20-24 сентября. 2010 г. – Т.1. – С. 255 – 258.
60.     Борн М. Основы оптики / М. Борн, Э. Вольф; [пер. с англ. С.Н. Бруса]. – М.: Наука, 1973. – 719 с.
61.     Стюард И.Г. Введение в Фурье-оптику / И.Г. Стюард.; [пер. с англ.. Г.Д. Копелянского, В.И. Костенко]. – М.: Мир, 1985. – 182 с.
62.     Akhmetshina L.G. Sensitive segmentation of low-contrast multispectral images based on multiparameter space-resonance imaging method / A.M. Akhmetshin., L.G. Akhmetshina // Proc. SPIE Intelligent Robots and Computer Vision. – 2001. – Vol. 4572. – P. 279 − 289.
63.     Ахметшина Л.Г. Информационные возможности модуляционного преобразования при сегментации мультиспектральных изображений / Л.Г. Ахметшина // Системні технологіі. – 2004. – № 6. – C. 122-127.
64.     Лаврентьев М.А. Методы теории функций комплексного переменного / М.А. Лаврентьєв, Б.В. Шабат – М.: Наука, 1973. – 734 с.
65.     Стейн С. Принципы современной теории связи и их применение к передаче дискретних сообщений / С. Стейн, Д. Джонс; [пер с англ. Л.М. Финка]. – М.: Связь, 1971. – 373 с.
66.     Корн Г. Справочник по математике / Г. Корн, Т. Корн; [пер. с англ. И.Г. Арамановича]. – М.: Наука, 1968. – 720 с.
67.     Голографические неразрушающие исследования / под ред. Роберта К. Эрфа; [пер. В.А. Егорова, В.А. Карасева; под ред. К. Арфа]. – М.: Машиностроение, 1979. – 446 с.
68.     Оппенгейм А. Нелинейная фильтрация сигналов, представленных в виде произведения и свертки / А. Оппенгейм, Р. Шафер, Т. Стокхем // ТИИЭР. – 1968. – Т.56., №8. – С.5 – 46.
69.     Ахметшина Л.Г. Адаптивная фильтрация шумов в сигналах и изображениях: метод селективного сингулярного разложения автоморфного отображения / Л.Г. Ахметшина // Искусственный интеллект. – 2005. – № 3. – С. 328 − 335.
70.     Ахметшина Л.Г. Повышение чувствительности анализа рентгеновских снимков методом автоморфного отображения в базисе собственных изображений / А.М. Ахметшин, Л.Г. Ахметшина // Клиническая информатика и телемедицина. – 2008. – Т. 4, – № 5. – С. 30 − 36.
71.     Oktem H. An approach to adaptive enhancement of diagnostic X–ray images / H. Oktem, K. Egizarian, J. Nittylahti // Journal on Signal Processing – 2003. Vol.5. – P.430 – 436.
72.     Pizer S. Adaptive histogram equalization and its variations / S. Pizer, E. Amburn // Computer Vision, Graphics And Image Processing – 1987. – Vol.39. – P.355 – 368.
73.     Cheng H. A simple and effective histogram equalization approach to image enhancement / H. Cheng, X. Shi // Digital Signal Processing – 2004. – Vol.14. – P. 158 – 170.
74.     Стренг Г. Линейная алгебра и ее применения / Г. Стренг; [пер. с англ. Ю.А. Кузнецова, Д. М. Фоге]; под ред. Г.И. Марчука. – М.: Мир, 1980. – 423 с.
75.     Беклемишев Д.В. Дополнительные главы линейной алгебры / Д.В. Беклемишев– М.: Наука, 1983. – 455 с.
76.     Ахметшина Л.Г. Повышение разрешающей способности изображений геофизических полей на основе метода многомерной ортогональной адаптивной кластеризации / Л.Г. Ахметшина // Науковий Вісник Національного гірничого університету. – 2003. – № 10. – С. 35 − 38.
77.     Кохонен Т. Самоорганизующиеся карты / Т. Кохонен; [пер. с англ. В.Н. Агеева]. – М.: Бином, 2008. – 655 с.
78.     Ахметшина Л.Г. Сегментация мультиспектральных изображений с использованием самоорганизующихся карт Кохонена / Л.Г. Ахметшина, А.А. Егоров // Сб. научных трудов НГАУ. – 2002. – Т. 2, № 14. – С. 154 − 158.
79.     Ахметшина Л.Г. Анализ многомерных геофизических данных на основе метода самоорганизующихся карт / Л.Г. Ахметшина, А.А. Егоров // Науковий вісник НГАУ. – 2001. – № 5. – С. 45 − 47.
80.     Hassanien A. A. Сomparative study on digital mammography enhancement algorithms based on fuzzy theory / A. Hassanien, A. Badr // Studies in Informatics and Control. – 2003. – Vol.12., №1. – P. 21 – 31.
81.     Sabel M. Recent developments in breast imaging / M. Sabel, H. Aichinger // Phys. Med. Biol. – 1996. – Vol.41. – P. 315 – 368.
82.     Мацюк И.М. Простой и эффективный векторный метод сегментации мультиспектральных изображений в пространстве признаков угловой модуляции яркостей / И.М. Мацюк, Л.Г. Ахметшина, А.М. Ахметшин // Науковий Вісник Національного гірничого університету. - 2007. - № 7. - С. 37 - 41.
83.     Мацюк И.М. Выделение скрытых областей изображений методом модуляционного градиентно-фазового преобразования / И.М. Мацюк, Л.Г. Ахметшина // Системні технологіі. 2009. – Вип. 1 (60). – С. 29 – 35.
84.     Мацюк И.М. Метод автосегментации низкоконтрастных изображений как задача синтеза гребенчатого фильтра с запаздывающей обратной связью / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Мацюк // Збірник наукових праць Національного гірничого університету. - 2007. – № 28. - С. 99 - 104.
85.     Мацюк И.М. Метод построения линий уровня слабоконтрастных изображений в плоскости резонансно-яркостного отображения / Л.Г. Ахметшина, И.М. Мацюк // Геометричне та комп’ютерне моделювання: межд. науч.-техн. конф., 21-24 апреля 2009., Харьков. – С. 117 – 122.
86.     Ахметшина Л.Г. Фазовая сегментация мультиспектральных слабоконтрастных изображений / Л.Г. Ахметшина, И.М. Удовик // Искусственный интеллект. – Донецк, 2011. № 3 . - С. 200 – 206.
87.     Удовик И.М. Самоорганизующийся интерференционный метод фазовой сегментации мультиспектральных изображений / И.М. Удовик // межд. науч.-практ. конф. «Информационные технологии и безопасность в науке, технике и образовании ИНФОТЕХ-2011», Севастополь. - С. 164.
88.     Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений / Р.А. Шовенгердт; [пер с англ. И.А. Громова]. – М.: Техносфера. – 2010. – 560 с.
89.     ДеМерс М. Географические информационные системы: основы / М. ДеМерс // М.: Издательство Дата+, – 1999. – 473 с.
90.     Жиглинский А.Г. Реальный интерферометр Фабри–Перо / А.Г. Жиглинский, В.В. Кучинский. – Л.: Машиностроение. – 1983. – 175 с.
91.     Малышев В.И. Введжение в экспериментальную спектроскопию / В.И. Малышев // М.: Наук, 1979. – 358 с.
92.     Баскаков С.И. Радиотехнические цепи и сигналы / С.И. Баскаков – М.: Высшая школа, 1987. – 207 с.
93.     Тихонов В.И. Оптимальный прием сигналов / В.И. Тихонов. – М.: Радио и Связь, 1983. – 294 с.
94.     Папулис А. Теория систем и преобразований в оптике / А. Папулис [пер. с англ. В.А. Косарева]. – М.: Мир. – 1971. – 495 с.
95.     Мацюк И.М. Интерференционный метод резонансно-пространственного отображения слабоконтрастных изображений/ Л.Г. Ахметшина, А.М. Ахметшин, И.М. Мацюк // Системні технології. – 2009. – Вип.5(64). – С. 37 – 43.
96.     Мацюк И.М. Повышение чувствительности слабоконтрастных изображений в пространстве модели самоорганизующихся эллипсометрических параметров стокса / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Мацюк // Вестник ХНТУ. – 2010. – Т.3(33)б. – С. 48 – 52.
97.     Мацюк И.М. Метод резонансно-пространственного отображения слабоконтрастных изображений: синтез на основе теории слоистых структур и модуляционно-яркостного преобразования/ А.М. Ахметшин, Л.Г. Ахметшина, И.М. Мацюк. // материалы международной конференции «Инфотех-2009». – 7-12 сентября 2009г., Севастополь. – С. 410 – 414.
98.     Мацюк И.М. Повышение чувствительности анализа низкоконтрастных изображений на основе комбинации метода модуляционного преобразования и теории векторных полей / Л.Г. Ахметшина, А.М. Ахметшин, И.М. Мацюк // Вестник ХНТУ. – 2007. – № 28. - С. 22 – 26.
99.     Бреховских Л.М. Волны в слоистых средах / Л.М. Бреховских. – М.: Наука, 1973. – 343 с.
100.           Петрашень Г.И. Волны в слоисто-однородных изотропных упругих средах / Г.И. Петрашень, Л.А. Молотков, Л.В. Крауклис. – Л.: Наука, 1982. – 298 с.
101.           Ахметшин А.М. Использование аналитических свойств коэффициента отражения слоистых диэлектрических структур в широкополосной СВЧ-интроскопии / А.М. Ахметшин // Дефектоскопия. – 1983. – №4. – С. 83 – 93.
102.           Ахметшин А.М. Информационные возможности методов широкополосного радиоволнового контроля параметров слоистых диэлектрических структур / А.М. Ахметшин // Дефектоскопия. – 1989. – №3. – С.48 – 57.
103.           Арнольд В.И. Математические методы классической механики / В.И. Арнорльд. – М.: Наука, 1989. – 472 с.
104.           Борисенко А.И. Векторный анализ и начала тензорного исчисления / А.И. Борисенко, И.Е. Тарапов. – М.: Высшая школа, 1966. – 215 с.
105.           Ахметшина Л.Г. Сегментация мультиспектральных изображений как задача виртуальной эллипсометрии ортогональных векторных полей / А.М. Ахметшин, Л.Г. Ахметшина // Геометричне та комп’ютерне моделювання. - 2004. – Вип. 8. - С. 36 − 42.
106.           Конев В.А. Радиоволновая эллипсометрия / В.А. Конев, Е.М. Кулешов, Н.Н. Нунько – Минск: Наука и техника, 1985. – 184 с.
107.           Аззам Р. Эллипсометрия и поляризованный свет / Р. Аззам, Н. Башара; под ред. А.В. Ржанова., К.К. Свиташева. – М.: Мир, 1981. – 583 с.

108.           Основы эллипсометрии / [под ред. А.В. Ржанова]. – Новосибирск: Наука, 1979. – 422 с.