Гибридные модели и алгоритмы для анализа сложноструктурированных изображений в интеллектуальных системах медицинского назначения тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Борисовский, Сергей Александрович

• Борисовский, Сергей Александрович
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Борисовский, Сергей Александрович

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ И СИСТЕМ АНАЛИЗА СЛОЖНОСТРУКТУРИРОВАННЫХ ИЗОБРАЖЕНИЙ В

ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ МЕДИНСКОГО НАЗНАЧЕНИЯ

1Л. Особенности анализа сложноструктурированных изображений

1.2. Методы предварительной обработки изображений

1.2.1. Пространственные методы

1.2.2. Частотные методы

1.3. Методы сегментации изображений

1.3.1. Пороговая сегментация

1.3.2. Методы сегментации с использованием гистограмм

1.3.3. Методы выращивания областей

1.3.4. Методы, основанные на кластеризации

1.3.5. Методы сегментации, основанные на операторах выделения краев

1.3.6. Сегментация изображения с помощью вейвлет-преобразования

1.3.7. Сегментация при помощи нейронных сетей

1.3.8. Метод водораздела

1.4. Методы классификации изображений

1.5. Автоматизированные системы гематологического анализа

1.6. Выводы первой главы

ГЛАВА 2. РАЗРАБОТКА СПОСОБОВ И МОДЕЛЕЙ АНАЛИЗА СЕГМЕНТОВ СЛОЖНОСТРУКТУРИРОВАННЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ АТРИБУТИВНЫХ ХАРАКТЕРИСТИК ИХ ФОРМЫ

2.1. Разработка модели морфологического описания сегмента на основе теоретико-множественного подхода

2.2. Разработка модели морфологического описания сегмента на основе спектральных методов анализа

2.3. Способы обеспечения инвариантности дескрипторов Фурье относительно геометрических преобразований

2.3.1. Инвариантность относительно сдвига

2.3.2. Инвариантность относительно масштаба

2.3.3. Инвариантность относительно поворота

2.4. Выбор и оптимизация числа используемых дескрипторов Фурье при анализе микроскопических изображений форменных элементов крови

2.5. Выводы второй главы

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМОВ КЛАССИФИКАЦИИ СЕГМЕНТОВ НА ИЗОБРАЖЕНИЯХ МАЗКОВ ПЕРИФЕРИЧЕСКОЙ КРОВИ

3.1. Алгоритм измерения межклеточных соотношений в периферической крови

3.2. Модуль анализа цветного изображения сегмента

3.3. Модуль анализа черно-белого изображения сегмента

3.4. Структура базы данных для настройки модуля принятия решений

3.5. Выводы третьей главы

ГЛАВА 4. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ КЛАССИФИКАЦИИ ФОРМЕННЫХ ЭЛЕМЕНТОВ КРОВИ

4.1. Общая структура программного обеспечения

4.2. Программный модуль сегментации микроскопических изображений мазков крови

4.2.1. Программное обеспечение блока нейросетевой классификации пикселей изображения

4.2.2. Программное обеспечение блока морфологической обработки изображений

4.3. Программный модуль для классификации форменных элементов крови

4.4. Схема формирования файлов обучающих выборок

4.5. Алгоритм формирования интегрированных моделей решающих модулей для классификации форменных элементов крови

4.6. Экспериментальные исследования разработанной интеллектуальной системы классификации форменных элементов крови

4.7. Выводы четвертой главы

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Введение диссертации (часть автореферата) на тему «Гибридные модели и алгоритмы для анализа сложноструктурированных изображений в интеллектуальных системах медицинского назначения»

ВВЕДЕНИЕ

Актуальность работы. Системный подход к задачам распознавания и классификации состояния сложных объектов требует высокой надежности, точности и достоверности результатов исследований. При анализе медицинских изображений эти требования выполнить весьма трудно в связи с их высокой вариабельностью и неоднородностью структуры. Все эти особенности медицинских изображений проявляются в системах автоматизированного анализа гистологических изображений, которые, наряду с неоднородностью структуры, характеризуются слабой контрастностью, высокой вариабельностью цветового окраса и большим количеством объектов, подлежащих классификации на одном кадре изображения.

Для повышения качества работы автоматических анализаторов изображения используются гибридные модели обработки информации, которые позволяют применять как методы обучаемых систем распознавания образов, так и методы экспертного оценивания, что существенно повышает качество классификации за счет компенсации недостатков тех или иных методов и подчеркивания их достоинств. Такие технические возможности позволяют значительно расширить круг исследований, открывают новые пути решения задач, касающихся анализа изображений.

Однако существующие в настоящее время интеллектуальные системы обработки гистологических изображений, основанные на гибридном подходе, не предполагают взаимную адаптацию и эволюцию компонент, что не позволяет им обеспечить требуемое качество анализа гистологических структур.

Таким образом, актуальной научно-технической задачей исследования является повышение качества анализа изображений сложных объектов на основе гибридных моделей и алгоритмов в интеллектуальных системах медицинского назначения.

Работа выполнена в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России на 2009-2013 годы (государственный контракт № П424 от 12 мая 2010 г.) по проблеме «Гибридные информационные технологии для ранней диагностики инфекционных и онкологических заболеваний на основе многочастотной импедансометрии биоматериалов» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Цель работы. Разработка решающих модулей, алгоритмов и специального программного обеспечения для интеллектуальных систем анализа сложноструктурированных изображений, обеспечивающих повышение качества классификации их сегментов.

Для достижения поставленной цели необходимо решить следующие задачи:

проанализировать существующие методы анализа

сложноструктурированных изображений, выявить их достоинства и недостатки;

разработать способы и модели анализа сегментов сложноструктурированных изображений на основе атрибутивных характеристик их формы;

построить алгоритмы классификации сегментов на изображениях мазков периферической крови;

разработать специальное алгоритмическое и программное обеспечение для измерения межклеточных соотношений в периферической крови;

провести апробацию предложенных моделей, алгоритмов и специального программного обеспечения на репрезентативных контрольных выборках.

Объект_исследования. Микроскопические изображения

сложноструктурированных объектов.

Предмет исследования. Модели, алгоритмы и специальное программное обеспечение для анализа гистологических объектов на цветных изображениях препаратов оптической микроскопии.

Соответствие паспорту научной специальности. Содержание диссертации соответствует п.5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации» и п. 12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации» паспорта специальности 05.13.01 - Системный анализ, управление и обработка информации.

Методы исследований. В работе использовались методы системного анализа, методы цифровой обработки изображений, спектрального анализа, математической статистики, теории нейронных сетей и распознавания образов, экспертного оценивания и нечеткой логики принятия решений. При разработке модулей спектральной обработки данных, нейронных сетей и нечеткого вывода в качестве инструментария использовался Matlab 7.10 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной и выносимые на защиту:

модель морфологического описания сегмента, основанная на теоретико-множественном представлении границы сегмента, отличающаяся тем, что множество точек, описывающих границы сегмента, представляется в виде двух непересекающихся подмножеств, границы которых устанавливаются по нижней и верхней границам координат точек, входящих в исходное множество, позволяющая представить любую кривую, в том числе и незамкнутую, в виде периодической двумерной числовой последовательности;

способ формирования информативных признаков для нейронных сетей, классифицирующих форменные элементы крови по геометрическим

признакам, основанный на определении дескрипторов Фурье геометрической фигуры, полученной в результате сегментации микроскопических изображений мазков крови, отличающийся тем, что после вычисления отсчетов спектра Фурье геометрической фигуры, число спектральных отсчетов дополняется до наперед заданного максимального числа путем добавления нулевых отсчетов слева и справа от граничных отрицательной и положительной частот, а амплитуда спектральных составляющих, характеризующих форму границы анализируемого сегмента, увеличивается на величину, прямо пропорциональную величине расширения спектра, позволяющий получить адекватную классификационную модель, независимую от числа отсчетов границ сегментов форменных элементов крови;

алгоритм измерения межклеточных соотношений в периферической крови, включающий двухступенчатую обработку изображения, заключающуюся в том, что на первой ступени обрабатывают изображение, полученное в результате сегментации исходного черно-белого изображения, после обработки морфологическим оператором «эрозия», а на второй ступени -изображение, полученное после обработки исходного черно-белого изображения посредством морфологического оператора «дилатация», отличающийся тем, что на каждой ступени решение принимается на основе агрегации двух оценок, полученных в результате анализа цветного изображения и в результате анализа черно-белого изображения, причем на первой ступени завышают число ошибок первого рода, а на второй ступени - число ошибок второго рода, а окончательное решение принимается на основе сопоставления решений, принятых на первой и на второй ступенях обработки;

структура базы данных обучающих выборок, отличающаяся тем, что записи в обучающих выборках распределены по двум уровням, причем для каждой Ь-й выборки г-е строки (записи) в первом и втором уровнях относятся к одному и тому же сегменту изображения, а атрибуты для г-го сегмента Ь-й выборки на втором уровне получены из атрибутов Ь-й выборки г-го сегмента на

первом уровне посредством их обработки модулями анализа цветного и черно-белого изображений, позволяющая формировать обучающие выборки для нейронных сетей модуля принятия решений по классификации форменных элементов крови.

Практическая значимость и результаты внедрения. Практическое значение работы определяется возможностью применения результатов исследования для обработки и анализа сложноструктурированных изображений.

Разработанные модели, алгоритмы и специальное программное обеспечение составили основу построения интеллектуальной системы анализа микроскопических изображений мазков крови. Программные средства ориентированы на практическое здравоохранение.

Результаты работ используются в учебном процессе Юго-Западного государственного университета при обучении студентов по специальностям 200401 «Биотехнические и медицинские аппараты и системы» и 200402 «Инженерное дело в медико-биологической практике» (дисциплина «Методы обработки биомедицинских сигналов и данных») и в опытно-конструкторских работах НИЦ (г. Курск) ФГУП «18 ЦНИИ» МОРФ, что подтверждено соответствующими актами.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: Международных конференциях с элементами научной школы для молодежи «БИОМЕДСИСТЕМЫ - 2009, 2010» (Рязань, 2009, 2010); XIII и XIV Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2010, 2011); IX Международной конференции «Распознавание - 2010» (Курск, 2010); XVIII Международной конференции «Лазерно-информационные технологии в медицине, биологии и геологии» (Новороссийск, 2010); XXVI Международной научно-технической конференции «Математические методы и

информационные технологии в экономике, социологии и образовании» (Пенза, 2010); Всероссийской научно-технической конференции «Медицинские информационные системы МИС-2010» (Таганрог, 2010); IX Международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии (Владимир-Суздаль, 2010); Всероссийском конкурсе научных работ бакалавров и магистрантов «Биосовместимые материалы и покрытия» (Саратов, 2010); Международной научно-технической конференции «Интегративные процессы в науке - 2010» (Курск, 2010); Международной научной конференции «Молодежь и XXI век» (Курск, 2011); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск, 2009, 2010, 2011).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 16 печатных работ, в том числе 3 работы в рецензируемых научных журналах и два свидетельства на регистрацию программы для ЭВМ.

Личный вклад автора. Все научные результаты диссертационного исследования получены автором лично. В основных научных работах по теме диссертации, опубликованных в соавторстве и приведенных в конце автореферата, личный вклад соискателя состоит в следующем: в [1, 2 и 3] разработаны нейросетевые модели для гибридных технологий автоматизированного анализа сложноструктурированных изображений; в [6, 7, 10, 11 и 12] - математические модели для спектрального анализа границ сегментов на основе теории дескрипторов Фурье; в [8 и 14] - способы формирования морфологических операторов для обработки гистологических изображений; в [15 и 16] - специальное программное обеспечение для обработки и анализа сложноструктурированных изображений.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 104 отечественных и 15 зарубежных наименований. Работа изложена на 179 страницах машинописного текста, содержит 63 рисунка и 7 таблиц.

В первой главе выполнен анализ состояния предметной области: дано описание гистологических объектов и особенностей их изображений, обзор существующих методов и систем обработки медицинских изображений, а также описание основных направлений развития алгоритмов сегментации и классификации сложноструктурированных объектов.

Вторая глава посвящена разработке моделей и способов анализа сложноструктурированных изображений на основе спектральных методов. Предложено описание модели границы контура форменных элементов крови на основе теоретико-множественного подхода и с помощью Фурье-дескрипторов. Исследованы способы обеспечения инвариантности Фурье-дескрипторов относительно геометрических преобразований. Проведены исследования по оптимизации числа Фурье-дескрипторов, используемых при анализе микроскопических изображений форменных элементов крови.

Третья глава посвящена вопросам разработки и моделирования алгоритмов идентификации сегментов на изображениях мазков периферической крови. Разработан алгоритм измерения межклеточных соотношений в периферической крови. Построена структурная схема нечеткой нейронной сети, реализующая систему нечетких продукций и позволяющая классифицировать форменные элементы крови. Сформирована структура обучающих выборок для моделей нейронных сетей модуля принятия решений.

В четвертой главе представлены программные модули, разработанные в среде Matlab R2010a с использованием пакетов Image Processing Toolbox и Neural Network Toolbox, позволяющие выполнять интерактивное моделирование каждого из этапов построения интеллектуальной системы классификации форменных элементов крови. Разработан алгоритм автоматизированного анализа мазка крови. Проведены исследования качества классификации разработанной интеллектуальной системы классификации форменных элементов крови в сравнении с существующими программными комплексами анализа изображений.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Борисовский, Сергей Александрович

4.7. Выводы четвертой главы

1. Разработан комплект алгоритмов, предназначенный для заполнения первой записи, описывающей атрибутивные параметры сегмента обучающей выборки, отличающейся тем, что для формирования цвето-яркостных атрибутивных параметров сегмента используется скользящее окно, размеры которого определяются соотношением размеров форменных элементов крови, в котором определяется гистограмма сегмента, отсчеты которой заносятся в соответствующие поля записи, а в качестве атрибутивных параметров геометрической структуры сегмента используют дескрипторы Фурье, предварительно подвергшиеся модификации с целью выравнивания числа отсчетов в контурах обучающей и контрольной выборок, позволяющий получить модели нейронных сетей первого уровня, предназначенных для классификации форменных элементов крови.

2. Предложена структура файла обучающей выборки, отличающаяся тем, что для каждого сегмента в обучающей выборке отводятся две записи, каждая из которых разбита на две группы полей, при этом данные в полях записей, относящихся к первой группе, совпадают, во вторую группу полей первой записи заносятся данные о цвето-яркостным и геометрическим характеристикам сегмента, а вторая группа полей второй записи формируется на основании контрольных испытаний модели нейронной сети, полученной в результате обучения по данным, хранящимся в полях первой записи, позволяющая получить двухуровневую модель нейронной сети, предназначенную для классификации форменных элементов крови.

3. Разработан алгоритм заполнения полей базы данных обучающих выборок, отличающийся тем, что вторая группа полей второй записи заполняется в результате контрольных испытаний нейронных сетей, полученных в результате обучения их на обучающейся выборке, составленной из атрибутивных параметров тех же самых контуров, хранящихся в соответствующих первых записях, позволяющий получить модели нейронных сетей второго уровня, предназначенные для классификации форменных элементов крови.

4. Предложена структура нейронной сети, отличающаяся тем, что она состоит из последовательно соединенных макрослоев, каждый из которых состоит из одной или нескольких нейронных сетей прямого распространения, причем выходы нейронных сетей (/-1)-го макрослоя являются входами нейронной сети прямого распространения /-го марослоя, позволяющая интегрировать результаты работы анализаторов в пространствах информативных признаков с разнородной структурой и неустойчивыми показателями качества классификации, характерными для классификации сложноструктурированных изображений.

5. Разработан алгоритм формирования базы данных моделей нейронных сетей с многоуровневой структурой, отличающийся тем, что для формирования базы данных моделей нейронных сетей первого уровня используются нечетные записи базы данных обучающих выборок, а для формирования базы данных моделей нейронных сетей второго уровня используются четные записи базы данных обучающих выборок, данные в которых определяют выходы нейронных сетей первого уровня, зафиксированные в момент поступления на них атрибутивных данных отсчетов, полученных в результате дискретизации границы контура из обучающей выборки, соответствующей нечетным записям базы данных этой же обучающей выборки, позволяющий получить модель нейронной сети для соответствующего микроскопического изображения мазка крови.

6. Разработан алгоритм автоматизированного анализа микроскопических изображений мазков крови, отличающийся возможностью адаптации классифицирующей модели к анализируемому изображению, осуществляемой, по меньшей мере, по двум контурам управления, позволяющий определить количество форменных элементов крови заданного класса с точностью не менее 95%.

7. Разработано специальное алгоритмическое и программное обеспечение, предназначенное для автоматизированного анализа сложноструктурированных изображений, реализованное в среде МаНаЬ 7.10, отличающееся функциональной последовательностью включения каждого модуля в технологический процесс гематологического анализа и гибким управлением процессом интерактивного взаимодействия программного обеспечения, предназначенного для обучения решающих модулей, с лицом, принимающим решение, осуществляемым посредством интерфейсных окон и всплывающих меню, позволяющее осуществлять процессы сегментации и классификации сложноструктурированных изображений на основе полного технологического цикла синтеза многоуровневых моделей нейронных сетей, включающего процессы формирования обучающих выборок, вычисления параметров нейронных сетей и определения эффективности полученных решающих правил.

8. Проанализирована эффективность разработанных моделей, алгоритмов и программных средств классификации сегментов в сложноструктурированных изображениях, показано, что использование гибридных технологий позволяет повысить качество классификации, в среднем, на 4% по сравнению с известными методами классификации, что позволяет рекомендовать их использование в интеллектуальных системах гистологического анализа.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований предложены новые научно-технические решения, предназначенные для анализа сложноструктурированных изображений, позволяющие проектировать специальное алгоритмическое и программное обеспечение для интеллектуальных систем анализа сложноструктурированных изображений.

В диссертационной работе получены следующие основные результаты.

1. Проанализированы существующие методы анализа и классификации сложноструктурированных изображений, выявлены их достоинства и недостатки. На основе проведенного анализа предложено в этих целях использовать гибридные информационные технологии.

2. Разработаны способы и модели анализа сегментов сложноструктурированных изображений на основе атрибутивных характеристик их формы, включающие:

- модель морфологического описания сегмента, основанную на теоретико-множественном представлении границы сегмента, позволяющую представить любую кривую, в том числе и незамкнутую, в виде периодической двумерной числовой последовательности; способ сокращения количества дескрипторов Фурье, входящих в модель границы сегмента, заключающийся в выборе минимизируемого критерия точности восстановления границы сегмента и последующего выбора числа дескрипторов, входящих в модели исследуемой совокупности, таким образом, чтобы выбранное число дескрипторов обеспечивало заданную точность моделирования для всех границ сегментов, входящих в данную совокупность; способ формирования информативных признаков для нейронной сети, классифицирующей форменные элементы крови по геометрическим признакам, основанный на определении дескрипторов Фурье геометрической фигуры, полученной в результате сегментации микроскопических изображений мазков крови, позволяющий получить адекватную классификационную модель, независимо от числа отсчетов, получаемых на фигурах, соответствующих границам сегментов форменных элементов крови.

3. Разработаны алгоритмы классификации сегментов сложноструктурированных изображений, включающие:

- алгоритм измерения межклеточных соотношений в периферической крови, предусматривающий двухступенчатую обработку изображения, заключающуюся в том, что на первой ступени обрабатывают изображение, полученное в результате сегментации исходного черно-белого изображения, после обработки морфологическим оператором «эрозия», а на второй ступени -изображение, полученное после обработки исходного черно-белого изображения посредством морфологического оператора «дилатация», позволяющий использовать гибридные технологии анализа сложноструктурированных изображений;

- структуру базы данных обучающих выборок, согласно которой записи распределены по двум уровням, причем для каждой 1-й выборки /-е строки (записи) в первом и втором уровнях относятся к одному и тому же сегменту, а атрибуты для /-го сегмента Ь-я выборки на втором уровне получены из атрибутов 1-й выборки /-го сегмента на первом уровне посредством их обработки модулями обработки цветного и черно-белого изображений, позволяющая формировать обучающие выборки для обучения нейронных сетей модуля принятия решений.

4. Разработано специальное алгоритмическое и программное обеспечение, предназначенное для автоматизированного анализа сложноструктурированных изображений, реализованное в среде МаЙаЬ 7.10, позволяющее осуществлять процессы сегментации и классификации сложноструктурированных изображений на основе полного технологического цикла синтеза многоуровневых моделей нейронных сетей, включающего процессы формирования обучающих выборок, вычисления параметров нейронных сетей, формирование базы данных реляционного типа и определения эффективности полученных решающих правил.

5. Проанализирована эффективность разработанных моделей, алгоритмов и программных средств классификации сегментов и морфологических структур в сложноструктурированных изображениях, показано, что использование гибридных технологий позволяет повысить качество классификации, в среднем, на 4% по сравнению с известными методами классификации, что позволяет рекомендовать их использование в интеллектуальных системах гистологического анализа.

Список литературы диссертационного исследования кандидат технических наук Борисовский, Сергей Александрович, 2012 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Айвазян, С.А. Прикладная статистика: Основы моделирования и первичная обработка данных. Справочное изд. [Текст] / С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин. - М.: Финансы и статистика, 1983. - 471 с.

2. Аксёнов, C.B. Повышение качества распознавания сцен нейронной сетью «Неокогнитрон» [Текст] / C.B. Аксёнов, В.Б. Новосельцев // Известия Томского политехнического университета. - 2006. - Т. 309, № 7. - С. 87-91.

3. Антощук, С.Г. Гибридные информационные модели в системах обработки изображений [Текст] / С.Г. Антощук, О.Ю. Бабилунга // Компьютинг. - 2009. - Т. 8, вып. 2. - С. 41-49.

4. Башков, Е.А. Статистическая кластеризация для выделения регионов изображений [Текст] / Е.А. Башков, О.Л. Вовк // сборник материалов V Международной конференции «Интеллектуальный анализ информации». -

Киев, 2005.-С. 50-59.

5. Белобров, А.П. Нейросетевые модели морфологических операторов для сегментации изображений биомедицинских сигналов [Текст] / А.П. Белобров, С.А. Борисовский, P.A. Томакова // Известия ЮФУ. Технические науки. Тематический выпуск «Медицинские информационные системы». - Таганрог: Изд-во ТТИ ЮФУ, 2010. - № 8 (109). - С. 28-32.

6. Беляев, И.А. Применение принципов формального моделирования для классификации медицинских изображений [Текст] / И.А. Беляев, C.B. Кучерявский // «Математика. Компьютер. Образование». Сб. трудов XIV международной конференции. - Ижевск: Научно-издательский центр «Регулярная и хаотическая динамика», 2007. - Т. 2. - С. 355-361.

7. Близкая, О.В. Разработка метода обработки изображений на основе метода нелинейной низкочастотной фильтрации с использованием нейроподобной структуры на основе преобразования Фурье [Электронный

ресурс] / O.B. Близкая // Режим доступа: http://masters.donntu.edu.ua/2005/kita/

blizkay a/library/st 1 .htm.

8. Блохин, A.A. Автоматизированная информационно-измерительная система иммуногистохимического анализа [Электронный ресурс] / A.A. Блохин // Режим доступа: http://nit.miem.edu.ru/sbornik/2009/secl/034.html.

9. Борисовский, С.А. Алгоритм устранения ложных контуров при сегментации форменных элементов крови [Текст] / С.А. Борисовский, И.А. Ключиков // Медико-экологические информационные технологии-2011: сб. материалов XIII Междунар. науч.-техн. конф. / Юго-Зап. гос. ун-т. Курск, 2011. С. 193-201.

10. Борисовский, С.А. Дескрипторы Фурье для идентификации сегментов изображений биоматериалов [Текст] С.А. Борисовский, Е.А. Соглаев // Биосовместимые материалы и покрытия: сб. материалов Всероссийского конкурса научных работ бакалавров и магистрантов / Саратовский гос. техн. ун-т. Саратов, 2010. С. 170-171.

11. Борисовский, С.А. Исследование дескрипторов Фурье при частотной селекции масштабных преобразований [Текст] / С.А. Борисовский, P.A. Томакова, С.А. Филист // Интегративные процессы в науке - 2010: сб. материалов Международной научно-технической конференции. - Курск: МУ «Издательский центр «ЮМЭКС», 2010. - С. 11-14.

12. Борисовский, С.А. Исследование дескрипторов Фурье, предназначенных для оценки формы эритроцитов [Текст] / С.А. Борисовский // Молодежь и XXI век: сб. материалов Международной научной конференции / Юго-Зап. гос. ун-т. Курск, 2011. Ч. 3. С. 158-162.

13. Борисовский, С.А. Морфологический анализ плохоструктурированных изображений биоматериалов на основе преобразования Фурье границ сегментов и нейросетевого моделирования [Текст] / С.А. Борисовский, P.A. Томакова, А.Н. Брежнева, H.A. Швецова // Лазерно-информационные технологии в медицине, биологии и

геоэкологии-2010: сб. трудов XVIII Международной научной конференции / Кубанский гос. технол. ун-т. Новороссийск, 2010. С. 76-77.

14. Борисовский, С.А. Нейросетевой решающий модуль для сегментации патологических образований на изображении глазного дна [Текст] / С.А. Борисовский // Биотехнические, медицинские и экологические системы и комплексы (БИОМЕДСИСТЕМЫ - 2009): сб. материалов Международной конференции с элементами научной школы для молодежи / Рязан. гос. радиотехн. ун-т. Рязань, 2009. С. 245-249.

15. Борисовский, С.А. Нейросетевые модели с иерархическим пространством информативных признаков для сегментации плохоструктурированных изображений [Текст] / С.А. Борисовский, А.Н. Брежнева, P.A. Томакова // Биомедицинская радиоэлектроника. — 2010. — №2. - С. 49-53.

16. Борисовский, С.А. Нейросетевые модели сегментации ангиограмм глазного дна на основе анализа RGB-кодов пикселей [Текст] / С.А. Борисовский, А.Н. Брежнева, P.A. Томакова, С.А. Филист // Системный анализ и управление в биомедицинских системах. 2010. Т. 9, № 1. С. 72-76.

17. Борисовский, С.А. Применение преобразования Фурье в распознавании узлов картографической сетки растровых карт [Текст] / С.А. Борисовский, A.B. Чеглов, И.И. Шуклин // Оптико-электронные приборы и устройства в системах распознавания образов. Распознавание - 2010: сб. материалов IX Международной конференции / Курск, гос. техн. ун-т. Курск, 2010. С. 141-143.

18. Борисовский, С.А. Программный комплекс цифровой обработки изображений в среде MATLAB [Текст] / С.А. Борисовский // Медико-экологические информационные технологии - 2010: сб. материалов XIII Международной научно-технической конференции / Юго-Зап. гос. ун-т. Курск, 2010. С. 190-194.

19. Борисовский, С.А. Свидетельство о регистрации программы для ЭВМ № 2010611061. Программный комплекс цифровой обработки изображений в среде MATLAB / С.А. Борисовский, И.А. Борисовский (РФ). М.: РосПатент; Заявитель и правообладатель КурскГТУ. № 2009616962; заявлено 07.12.2009; дата регистрации 04.02.2010.

20. Борисовский, С.А. Свидетельство о регистрации программы для ЭВМ № 2011613254. Программное обеспечение морфологического спектрального анализа изображений / С.А. Борисовский, P.A. Томакова (РФ). М.: РосПатент; Заявитель и правообладатель ЮЗГУ. № 2011611389; заявлено 02.03.2011; дата регистрации 26.04.2011.

21. Борисовский, С.А. Сегментация гистологических структур посредством адаптивных морфологических операторов и пороговой обработки [Тескт] / С.А. Борисовский, P.A. Томакова, А.Н. Брежнева // Физика и радиоэлектроника в медицине и экологии: сб. трудов IX Межд. научн.-технич. конф. с эл. научн. молод, школы / Владимир, гос. ун-т. Владимир, 2010. С. 302-304.

22. Борисовский, С.А. Способы описания границ сегментов форменных элементов крови, инвариантные к геометрическим преобразованиям [Текст] / С.А. Борисовский // Биотехнические, медицинские и экологические системы и комплексы (БИОМЕДСИСТЕМЫ-2010): сб. материалов XXIII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов / Рязан. гос. радиотехн. ун-т. Рязань, 2010. С.201-204.

23. Борисовский, С.А. Сравнительный анализ дескрипторов Фурье [Текст] / С.А. Борисовский, P.A. Томакова, В.В. Руденко // Математические методы и информационные технологии в экономике, социологии и образовании: сб. статей XXVI Международной научно-технической конференции. - Пенза: Приволжский Дом знаний, 2010. - С. 61-64.

24. Вежневец, А. Выделение связных областей в цветных и полутоновых изображениях [Электронный ресурс] / А. Вежневец // сетевой журнал

«Компьютерная графика и мультимедиа», 2003. - Выпуск № 1(5). Режим доступа: http://cgm.computergraphics.ru/content/view/53.

25. Вежневец, А. Методы сегментации изображений: автоматическая сегментация [Электронный ресурс] / А. Вежневец, О. Баринова // сетевой журнал «Компьютерная графика и мультимедиа», 2006. - Выпуск № 4(4). Режим доступа: http://cgm.computergraphics.ru/content/view/147.

26. Вершовский, Е.А. Предварительная обработка изображений методами интеллектуального анализа многомерных данных [Текст] / Е.А. Вершовский // Известия ЮФУ. Технические науки. - Таганрог: Изд-во ТТИ ЮФУ, 2008. - Т. 79, № 2. - С. 37-40.

27. Вражнов, Д.А. Симметрии дифференциальных уравнений в задачах компьютерного зрения [Текст] / Д.А. Вражнов, A.B. Шаповалов, В.В. Николаев // «Математика. Компьютер. Образование». Сб. трудов XVI международной конференции. - Ижевск: Научно-издательский центр «Регулярная и хаотическая динамика», 2010. - Т. 2, № 4. - С. 369-376.

28. Вятченин, Д.А. Нечеткие методы автоматической классификации: Монография [Текст] / Д.А. Вятченин. - Мн.: УП «Технопринт», 2004. - 219 с.

29. Гай, Е.В. Адаптивный алгоритм сегментации изображений [Текст] / В.Е. Гай, A.JI. Жизняков // Инфокоммуникационные технологии / Поволжский государственный университет телекоммуникаций и информатики. Самара, 2008. Т. 6, №4. С. 96-101.

30. Гиренко, A.B. Методы корреляционного обнаружения объектов [Текст] / A.B. Гиренко, В.В. Ляшенко, В.П. Машталир [и др.] // Харьков: АО «БизнесИнформ», 1996. - 112 с.

31. Глумов, Н.И. Метод отбора информативных признаков на цифровых изображениях [Текст] / Н.И. Глумов, Е.В. Мясников // Компьютерная оптика. -Самара, 2007. - Т. 3, № 3. - С. 73-76.

32. Гонсалес, Р. Цифровая обработка изображений [Текст] / Р. Гонсалес, Р. Вудс // М.: Техносфера, 2005. - 1072 с.

33. Гонсалес, Р. Цифровая обработка изображений в среде Matlab [Текст] / Р. Гонсалес, Р. Вудс // М.: Техносфера, 2006. - 616 с.

34. Давыдов, A.B. Цифровая обработка сигналов: Тематические лекции [Электронный ресурс] / A.B. Давыдов. Режим доступа: http://www.prodav. narod.ru/dsp/index .html.

35. Дегтярев, C.B. Методы цифровой обработки изображений: учебное пособие [Текст] / C.B. Дегтярев, С.С. Садыков, С.С. Тевс, Т.А. Ширабакина. -Курск, гос. техн. ун-т. Курск, 2001. - 4.1. - 167 с.

36. Дегтярев, C.B. Оптико-электронное устройство для диагностики тромбоза глубоких вен голени [Текст] / C.B. Дегтярев, С.Ю. Мирошниченко // Вестник новых медицинских технологий. Тульский государственный университет, 2006. Т. 13, № 2. С. 156-157.

37. Джуманов, О.И. Адаптивная нейросетевая система визуализации изображений, распознавания и классификации микрообъектов [Текст] / О.И. Джуманов // Вестн. Сибир. гос. ун-та телекоммуникаций и информатики,

2008. № 2. С. 76-86.

38. Диаморф объектив - современное программное обеспечение для автоматической морфометрии и подсчета объектов на цифровых изображениях [Электронный ресурс]. Режим доступа: http://www.diamorph.ru/aboutprog.http.

39. Дмитриев, A.B. Распознавание дерматоглифических признаков на основе нейронных сетей [Текст] / A.B. Дмитриев, А.Н. Ветров // Медицинские информационные системы МИС-2006. / Таганрогский государственный радиотехнический университет. Таганрог, 2006. С. 162-167.

40. Дунаев, A.A. Алгоритмы быстрого поиска фрагментов фотографических изображений [Текст] / A.A. Дунаев, И.В. Лобив, Д.Ю. Мехонцев [и др.] // Современные проблемы конструирования программ. -Новосибирск, 2002. - С. 88-109.

41. Ермоленко, A.B. Алгоритм поиска примитивов на фотографиях с применением нейронных сетей [Текст] / A.B. Ермоленко, A.A. Козличенков //

Нейроинформатика-2010: сб. научных трудов XII Всероссийской научно-технической конференции, 2010. - М.: НИЯУ МИФИ. - Ч. 2. С. 174-184.

42. Жизняков, A.JI. Использование критерия взаимной информации в локальных алгоритмах обработки вейвлет - коэффициентов [Текст] / A.JI. Жизняков, В.Е. Гай // «Инфокоммуникационные технологии» / Поволжский государственный университет телекоммуникаций и информатики. Самара, 2007. Т. 5. № 1. С. 12-17.

43. Жирков, В.Ф. Компьютерный морфологический анализ периферийной крови [Текст] / В.Ф. Жирков, JI.T. Сушкова // Известия Таганрогского государственного радиотехнического университета, 1998. Т. 10. №4. С. 134-135.

44. Жук, C.B. Обзор современных методов сегментации растровых изображений [Текст] / C.B. Жук // Известия Волгоградского государственного технического университета: Межвуз. сб. научн. ст. / ВолгГТУ. - Волгоград,

2009. №6. С. 115-118.

45. Жулькова, Е. С. Технология выделения лейкоцитов на изображениях препаратов крови [Текст] / Е.С. Жулькова, Н.Ю. Ильясова, A.B. Куприянов // Компьютерная оптика. - Самара, 2007. - Т. 31, № 2. - С.77-81.

46. Журавель, И.М. Краткий курс теории обработки изображений [Электронный ресурс] / И.М. Журавель. Режим доступа: http://matlab. exponenta.ru/imageprocess/book2/index .php.

47. Ильясова, Н.Ю. Экспертная компьютерная система диагностики глазных заболеваний по изображениям глазного дна [Текст] / Н.Ю. Ильясова, A.B. Устинов, В.Г. Баранов // Компьютерная оптика. - Самара, 1999. - № 19. С. 202-209.

48. Кварнстром, М. Алгоритмы анализа изображения для распознавания контура дрожжевых клеток [Электронный ресурс] / М. Кварнстром// Пер. с англ. Батлук Н.С. Режим доступа: http://masters.donntu.edu.ua/2009/kita/batluk library/image_analysis_ ru.pdf.

49. Ковригин, A.B. Применение принципов построения систем машинного зрения в задаче анализа изображений клеточных структур [Электронный ресурс] / A.B. Ковригин // Научный журнал КубГАУ, 2007. № 29(5). Режим доступа: http://ej.kubagro.ru/2007/05/pdf/03.pdf.

50. Козинец, Г.И. Исследование системы крови в клинической практике [Текст] / Г.И. Козинец, В.А. Макаров // М.: Триада-Х, 1997. - 480 с.

51. Комарницкий, Д.М. Возможности создания портативного гематологического анализатора [Текст] / Д.М. Комарницкий, С.И. Квашнина, Е.В. Зайцев // Успехи современного естествознания. - М., 2010. - № 10. -С. 57-57.

52. Красовская, И. Г. Метод распознавания патологических форм эритроцитов по их векторному изображению [Текст] / И.Г. Красовская // Радиоэлектроника и компьютерные системы / ХАИ. Украина, 2009. №4 (38). С. 106- 107.

53. Кубрин, С.С. Сравнение метода геометрических моментов и метода дескрипторов Фурье в задачах распознавания текста [Текст] / С.С. Кубрин, H.A. Федченко, А.Б. Исаев [и др.] // Горный информационно-аналитический бюллетень (научно-технический журнал) - ГИАБ. М.: Издательство МГГУ «Горная книга», 2005. № 3. С. 106-108.

54. Кулешов, А.Я. Дифференциация клеток на гистологических изображениях методом геометрического сходства [Текст] / А.Я. Кулешов, A.M. Недзьведь, A.M. Белоцерковский // Современные информационные и телемедицинские технологии для здравоохранения (AITTH'2008): сб. материалов II международной конференции / Объединенный институт проблем информатики Национальной академии наук Беларуси. Минск, 2008. С. 207-212.

55. Леоненков, A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH [Текст] / A.B. Леоненков. - Спб.: БХВ-Петербург, 2005. - 736 с.

56. Луценко, М.Т. Автоматизированная система распознавания объектов на микроскопических изображениях биологических образцов [Текст] /

M.T. Луценко, H.B. Ульянычев, Н.П. Семичевская // Бюллетень физиологии и патологии дыхания. Благовещенск: изд-во учреждение РАМН, 1999. - №3. -С. 83-91.

57. Марр, Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов [Текст] / Д. Марр. - М.: Радио и

связь, 1987.-400 с.

58. Мартынкина, Л.П. Информативность экспресс-латекс-тестов при использовании видеоцифровой регистрации [Текст] / Л.П. Мартынкина, Т.А. Старовойтова, H.A. Стериополо [и др.] // Клинико-лабораторный консилиум. - С - П. - 2009. - №6. - С.56-62.

59. Матюнин, С.А. Моделирование состояния эндотелиальных клеток по их фотоизображению [Текст] / С.А. Матюнин, Н.С. Селиверстова // Компьютерная оптика. - Самара, 2002. - Т. 24. - С. 173-177.

60. Медовый, B.C. Автоматизированные цитофотометрические тесты мазков крови для общей клиники и скрининговых обследований населения [Текст] / B.C. Медовый, В.А. Балабуткин, Н.В. Верденская [и др.] // Клин, лабор. диагностика. -1997. - № 10. - С. 6-8.

61. Медовый, B.C. Исследование и разработка программного обеспечения автоматической микроскопии биоматериалов: автореф. дис. ... д-р. техн. наук: 05.13.11 / Медовый Владимир Семенович. - М., 2007. - 20 с.

62. Михайлов, В.Н. Автоматизированная система Атлант-Биопсия для анализа изображений гистологических и цитологических препаратов [Текст] / В.Н. Михайлов, Т.Н. Матвеев, В.Г. Никитаев [и др.] // Научная сессия МИФИ-1999. 4.6 Автоматика. Микроэлектроника. Электроника. Электронные измерительные системы. - М.: МИФИ, 1999. - с. 223.

63. Михалец, В.В. Обзор методов сегментации полутонового цифрового изображения [Электронный ресурс] / В.В. Михалец // Режим доступа: http://masters.donntu.edu.ua/2010/fknt/deputat/links/index.htm.

64. Мясников, B.B. Эффективные алгоритмы вычисления локального дискретного вейвлет-преобразования [Текст] / В.В. Мясников // Компьютерная оптика. - Самара, 2007. - Т. 31, №4. - С.86-94.

65. Нгуен, Т.Т. Алгоритмическое и программное обеспечение для распознавания фигур с помощью Фурье-дескрипторов и нейронной сети [Текст] / Т.Т. Нгуен // Известия Томского политехнического университета,

2010. Т. 317, № 5. С.122-125.

66. Никитаев, В.Г. Применение автоматизированной системы диагностики гематологических заболеваний Атлант при обучении студентов и повышении квалификации специалистов [Текст] / В.Г. Никитаев,

A.Н.Проничев, К.С. Чистов [и др.] // Успехи современного естествознания. -

М., 2008. №4. С. 50-51.

67. Никитаев, В.Г. Разработка автоматизированных компьютерных систем для распознавания бластных клеток периферической крови [Текст] /

B.Г.Никитаев, А.Н. Проничев, К.С. Чистов [и др.] // Научная сессия МИФИ-2006. Сборник научных трудов в 16 томах. Т.1. Автоматика. Микроэлектроника. Электроника. Электронно-измерительные системы. Компьютерные медицинские системы. - М.: МИФИ, 2006. - С. 288-289.

68. Никитаев, В.Г. Стратегия разработки интегрированных компьютерных систем гистологической диагностики [Текст] / В.Г. Никитаев, Е.Ю. Бердникович // Современные наукоемкие технологии. - М., 2009. № 9.

C. 112-113.

69. Орлов, A.A. Алгоритм вычисления признаков отрезков на растровых изображениях основанный на вычислении градиента яркости [Текст] / A.A. Орлов, М.И. Ткачук // Инфокоммуникационные технологии / Поволжский государственный университет телекоммуникаций и информатики. Самара, 2008 Т. 6, № 3. С. 36-41.

70. Осовский, С. Нейронные сети для обработки информации [Текст] // С. Осовский / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2004. - 344 с.

71. Паламарь, H.H. Метод сегментации изображений с применением выращивания областей и многомасштабного анализа [Текст] / И.Н. Паламарь, П.В. Сизов // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева / СГАУ. Красноярск, 2010. № 3. С. 15-20.

72. Патент № 2147123 (RU), G01N33/49, G01N33/48. Способ анализа клеточного состава крови по мазку / С.Ф.Боев, Н.В. Верденская, А.Г. Виноградов [и др.] (Россия). - № 98122916/14; заявлено 16.12.1998; опубл.

27.03.2000.

73. Перов, А.И. Алгоритм последовательного выделения контура объекта на двумерных цифровых изображениях [Текст] / А.И. Перов, Г.Г. Соколов // Радиотехника. - 1998. - № 7. - С. 83-87.

74. Пластинин, А.И. Разработка методов формирования цвето-тескстурных признаков для анализа биомедицинских изображений [Текст] / А.И. Пластинин, A.B. Куприянов, Н.Ю. Ильясова // Компьютерная оптика. -

Самара, 2007. - Т.31, №2. - С.82-85.

75. Полякова, М.В. Контурная сегментация изображений с использованием вейвлет-анализа [Текст] / М.В. Полякова, В.В. Любченко // Труды Одесского политехнического университета. - Одесса, 2004. - вып. 1(21). - С. 1-5.

76. Поспелов, Д.А. Нечеткие множества в моделях управления и искусственного интеллекта [Текст] / Под ред. Д.А. Поспелова. - М.: Наука, 1986.-312 с.

77. Привалов, О.О. Автоматическая сегментация цифровых изображений медико-биологических препаратов методом кластерного анализа [Текст] /

0.0. Привалов, JI.H. Бутеико // Современные наукоемкие технологии. - М.,

2007. № 10. С. 79-80.

78. Привалов, О.О. Методика автоматизированного анализа морфологических характеристик клеток периферической крови [Текст] / О.О.Привалов, Л.Н. Бутенко // Известия ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в технических системах»; межвуз. сб. науч. статей / ВолгГТУ. Волгоград, 2007. № 2. С. 57-58.

79. Прэтт, У. Цифровая обработка изображений [Текст] / У. Прэтт; пер. с англ. под ред. Д.С. Лебедева. - М.: Мир, 1982. Т.2. - 489 с.

80. Путятин, Е.П. Нормализация и распознавание изображений [Электронный ресурс] / Е.П. Путятин // Режим доступа: http://sumschool. sumdu.edu.ua/is-02/rus/lectures/pytyatin/pytyatin.htm.

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

82. Ребров, О.Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTICA [Текст] / О.Ю. Реброва. - М.: МедиаСфера, 2002. - 312 с.

83. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы [Текст] / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер. с польск. И.Д. Рудинский. - М.: Горячая линия-Телеком, 2004. - 452 с.

84. Садыков, С.С. Методы и алгоритмы цифровой обработки изображений [Текст] / С.С. Садыков, М.Н. Маликов. - Ташкент: НПО «Кибернетика» АН РУз, 1993. - 296 с.

85. Сирота, А.А. Определение границы раздела случайных полей при обработке изображений с использованием метода динамического программирования [Текст] / А. А. Сирота, А. И. Соломатин // Материалы Шестой Междунар. науч.-метод. конф.: Информатика: проблемы, методология, технологии. Воронеж, 2006.

86. Сирота, A.A. Статистические алгоритмы обнаружения границ объектов на изображениях [Текст] / A.A. Сирота, А.И. Соломатин // Вестник ВГУ. Серия: Системный анализ и информационные технологии, 2008. № 1. С. 58-64.

87. Смеляков, К.С. Методы сегментации изображений объектов нерегулярного вида, особенности их применения и перспективы развития [Текст] / К.С. Смеляков, И.А. Романенко, И.В. Рубан [и др.] // Сборник трудов Харьковского университета Воздушных Сил. Харьков, 2010. выпуск 2(24). С. 92-97.

88. Сойфер, В.А. Методы компьютерной обработки изображений [Текст] / В.А. Сойфер. - М.: Физматлит, 2003. - 784 с.

89. Солдатова, О.П. Применение сверточной нейронной сети для распознавания рукописных цифр [Текст] / О.П. Солдатова, A.A. Гаршин // Компьютерная оптика. - Самара, 2010. - Т. 34, №2. - С. 251-259.

90. Томакова, P.A. Способ сегментации ангиограмм глазного дна на основе нейросетевого анализа RGB-кодов пикселей [Текст] / P.A. Томакова, А.Н. Брежнева, С.А. Филист // Известия ЮФУ. Технические науки. - Таганрог: Изд-во ЮФУ, 2009. - Т. 98, № 9. - С. 171-176.

91. Фисенко, В.Т. Компьютерная обработка и распознавание изображений [Текст] / В.Т.Фисенко, Т.Ю.Фисенко. - СПб.: СПбГУ ИТМО, 2008. - 192 с.

92. Фурман, Я.А. Введение в контурный анализ и его приложения к обработке изображений и сигналов [Текст] / Я.А. Фурман. - М.: ФИЗМАТЛИТ, 2002. - 592 с.

93. Хайкин, С. Нейронные сети: полный курс [Текст] / С. Хайкин. - М.: ООО «И.Д. Вильяме», 2006. - 1104 с.

94. Хлесткин, А.Ю. Распознавание текстур рентгенографических снимков и УЗИ изображений программными методами [Текст] / А.Ю. Хлесткин, В.П. Кривозубов, A.B. Николаева // Инфокоммуникационные

технологии / Поволжский государственный университет телекоммуникаций и информатики. Самара, 2006. № 3. С. 64-69.

95. Хлопов, А.Н. Машинное зрение в задаче автоматического подсчета клеток крови человека [Электронный ресурс] / А.Н. Хлопов // Электронный научный журнал «Исследовано в России». С. 1962-1969. Режим доступа: http://zhurnal.ape.relarn.ru/articles/2007/167.pdf.

96. Хрящев, Д.А. Об одном методе выделения контуров на цифровых изображениях [Текст] / Д.А. Хрящев // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. Астрахань, 2010. № 2. С. 181-187.

97. Хуанг, Т.С. Быстрые алгоритмы в цифровой обработке изображений [Текст] / Т.С. Хуанг; пер. с англ. под ред. Л.П. Ярославского - М.: Радио и связь, 1984.-224 с.

98. ЦИТО версия 2.1. Компьютерные системы анализа изображений в медицине, биологии, фармакологии, ветеринарии и др. Руководство пользователя.

99. Чекотило, Е.Ю. Спектральный анализ вероятностных характеристик изображений [Текст] / Е.Ю. Чекотило, П.К. Кузнецов // Вестник Самарского Государственного технического университета. Серия «Физико-математические науки». - Самара, 2006. - № 42. - С 212-215.

100. Чернецова, Е.А. Алгоритм классификации монохромных изображений с использованием нейронных сетей [Текст] / Е.А. Чернецова // Вычислительные технологии. 2008. Т. 13. № 2. С. 119-130.

101. Шокуров, А. В. Кодирование изображений с последующим возможным оптимальным декодированием. Фундаментальная и прикладная математика [Текст] / A.B. Шокуров // Центр новых информационных технологий МГУ. - М.: Издательский дом «Открытые системы», 2007. - Т. 13, №5.-С. 225-255.

102. Штовба, С.Д. Проектирование нечетких систем средствами MATLAB [Текст] / С.Д. Штовба. - М.: Горячая линия-Телеком, 2007. - 288 с.

ЮЗ.Энгель, Е.А. Использование иерархических нейронных сетей для распознавания многоэлементных зрительных сцен [Текст] / Е.А. Энгель, О.И. Завьялова // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева / СГАУ. Красноярск, 2009. № 3. С.39-43.

104. Яне, Б. Цифровая обработка изображений [Текст] / Б. Яне. - М: Техносфера, 2007. - 584 с.

105. Azimifar, Z. Hierarchical multiscale modeling of wavelet - based correlations / Z. Azimifar, P. Feiguth, J. Jernigan // IEEE Transaction on image processing. - 2001. - Vol. 7. - P. 427-445.

106. Fenistein, D. A fast, fully automated cell segmentation algorithm for high-throughput and high-content screening / D. Fenistein, B. Lenseigne, T. Christophe et al. // Cytometry Part A. - 2008 . - Vol. 73A. - P. 958-964.

107. Folkers, A. Content-based Image Retrieval Using Fourier Descriptors on a Logo Database / Andre Folkers, Hanan Samet // Proc of the 16th Int. Conf. on Pattern Recognition. - Canada, 2002. - vol. III. - P. 521-524.

108. Guo, N. A method based on multispectral imaging technique for White Blood Cell segmentation / N. Guo, L. Zeng, Q. Wu // Computers in Biology and Medicine. - 2006. - Vol. 37. - P. 70-76.

109. Jafar M. H. Ali An Iris Recognition System to Enhance E-security Environment Based on Wavelet Theory / M. H. Ali Jafar, Aboul Ella Hassanien // AMO Advanced Modeling and Optimization. - 2003. - Volume 5, № 2. - P. 93-104.

110. Keuchel, J. Cuts for Unsupervised Image Segmentation using Probabilistic Sampling and SVD-based Approximation / J. Keuchel, C. Schnorr // University of Mannheim, Germany, 2003.

111. Khotanzad, A. A spatial correlation method for neighbor set selection in random field image models / A. Khotanzad, J. Bennett // IEEE Transactions on image processing. - 1999. - Vol. 8. - P. 578-593.

112. Koenderink J.J. The structure of images / J.J. Koenderink // Biological Cybernetics. - 1984. - Vol. 50. - P. 363-370.

113. Kunttu, I. Multiscale Fourier Descriptor for Shape Classification / I. Kunttu, L. Lepisto, J. Rauhamaa J. Rauhamaa and A. Visa // IEEE International Conference on Image Analysis and Processing. - Italy, 2003. - P. 536-541.

114. Ma, Li Iris Recognition Using Circular Symmetric Filters / Li Ma, Yunhong Wang, Tieniu Tan / Proceedings of the 16 th International Conference on Pattern Recognition. - P. 20414-20418.

115. Padfield, D. Spatio-temporal cell cycle phase analysis using level sets and fast matching methods / D. Padfield, J. Rittscher, N. Thomas et al. // Medical image Analysis.-2009.-Vol. 13.-№1.-P. 143-155.

116. Sharon, Eitan. Fast Multiscale Image Segmentation / Eitan Sharon, Achi Brandt Ronen Basriy // Dept. of Applied Math the Weizmann Inst, of Science. -Israel, 2000.

117. Shi, J. Normalized Cuts and Image Segmentation / J. Shi, J. Malik // University of California at Berkeley. - 1997.

118. Sjostrom, P.J. Artificial neural network-aided image analysis system for cell counting / P.J. Sjostrom, B.R. Frydel, L.U. Wahlberg // Cytometry. - 1999. -Vol. 36.-P. 18-26.

119. Wang, Y-Y. Nerve cell segmentation via multi-scale gradient watershed hierarchies / Y-Y. Wang, Y-N. Sun, C-C. K. Lin, M.S. Ju // Proceedings of IEEE Engineering in Medicine and Biology Society Conference. - 2006. - Vol. 1. -P. 4310-4313.