Использование нелокальной информации в системе обработки полутоновых изображений тема автореферата и диссертации по математике, 01.01.10 ВАК РФ

Введение ^5?'

Глава I. Задача выделения объектов на полутоновых изображениях.

§1-1. Постановка проблемы. Обзор существующих методов выделения объектов.

§1-2. Обзор методов использования нелокальной информации.

§1-3. Многоуровневые, системы обработки изображений.

§1-4. Обзор методов использования знаний при обработке; изображений.

Глава 2. Новые, методы использования нелокальной информации при обработке, полученных изображений.

§2-1. Нелокальный метод КЧП выделения К-точек.

§2-2. Получение и хранение нелокальной информации в виде; полей характеристик.

§2-3. Использование, полей характеристик при выделении объектов.

§2-4. Использование априорной информации при обработке1 полутоновых изображений.

Глава 3. Выделение изображений задних частей ребер в. системе; автоматизированной, обработки флюорограмм органов грудной клетки.

§3-1. Медицинская актуальность задачи. Обзор литературы по обработке, флюорограмм.

§3-2. Структура системы, предназначенной для выделения ребер на фтоорограмме.

§3-3. Нахождение К-точек с помощью алгоритма КЧП.

§3-4. Объединение: К-точек в К-линии.

§3-5. Аппроксимация К-линий параболами с использованием: априорных данных. ПО

§3-6:. Анализ К-линий ж формирование системы границ.

§3-7. Оценка результатов выделения задних частей ребер на флюорограммах грудной клетки.

Глава 4. Подавление, изображений объектов, при обработка рентгеновских" снимков на ЭВМ.

§4-1. Постановка задачи. Цели и трудности подавления.

§4-2. Подавление, изображений ребер на флгоорограмме.

Современный период развития науки и техники характеризуется быстрым возрастанием значения обработки информации на ЭВМ. Наряду с; обработкой традиционных видов информации большое развитие получили, методы обработки на ЭВМ зрительной информации. Потребности в автоматизированной обработке изображений возникают в различных областях науки и техники: в геологии и геодезии при обработке космических и аэрофото -снимков, в медицине при обработке рентгеновских изображений и изображений микрообъектов /особую роль автоматизированная обработка играет при. создании систем скрининга населения/, при создании промышленных роботов и т.д. Методы обработки изображений /по стоящей перед ними цели/ можно разделить на два широких класса. При использовании методов первого класса результатом обработки изображения является также изображение, преобразованное для облегчения его визуального анализа. Сюда входят различные методы контрастирования изображений, их реставрации, подавления шумов и т.д. Конечной целью матодов, отиносящихся ко второму классу, является получение описания /в той или иной форме/ изображения и его анализ. В литературе эти методы иногда обозначаются как методы, основанные на использовании знаний /knoi/riedcj^s Ьоиш1 Одной из ключевых проблем создания систем автоматического анализа изображений является задача выделения объектов /смотри, например,

Известно большое количество методов выделения объектов на полутоновых изображениях /их обзор дан в §1-1/. В основном эти методы сводятся либо к выделению границ объектов с помощью локальных либо региональных методов с последующим анализом полученных границ, либо к сегментации изображения с использованием глобальной информации об изображении в целом /например, гистограммы щжости изображения/. Типичной является ситуация, когда на первом этапе обработки используются локальные методы, а глобальная информация цривлекается только на верхних" уровнях. Острой проблемой является: совместное использование локальной и глобальной информации при выделении и интерпретации каждого объекта на изображении. Для зрительного восприятия человека эта проблема была впервые сформулирована в гештальт психологии. Кратко ее: можно сформулировать следующим образом: "целое изображение не является совокупностью его частей" или "интерпретация любой части изображения зависит от всего изображения" [iQ .

В настоящей работе представлены методы выделения объектов на полутоновых изображениях, в которых на всех уровнях обработки решения принимаются с учетом как локальной, так и глобальной информации.

Актуальность работы. Проблема использования нелокальной информации при анализе изображений приобрела особую остроту при переходе от обработки относительно простых изображений /таких как печатные символы, сцены из многонгран-ников и др./ к обработке сложных изображений реального мира /космические снимки земной поверхности, рентгенограммы грудной клетки, пейзажи, изображения групп промышленных деталей и многое другое/. На таких изображениях очень часто интерпретация некоторых фрагментов локальными методами дает неправильные результаты. При предъявлении этих фрагментов человеку отдельно от всего изображения он также не может узнать объект, правильно указать его границы. В то же время при предъявлении всего изображения эта задача решается правильно. При создании систем, предназначенных для обработки таких сложных изображений, для обеспечения работоспособности этих систем в реальных практических условиях использование нелокальной информации является необходимым требованием.

Делыо работы является разработка и реализация на программном уровне методов выделения объектов на полутоновых изображениях, основанных на нелокальном подходе, эти методы использованы при создании подсистемы выделения изображений ребер на флгоорограмме грудной клетки.

Они включают методы, подавления изображения отдельных объектов на рентгеновских снимках с определением вклада этих объектов в суммарную оптическую плотность изображения. При этом изображения других объектов, накладывающихся на изображение данного, должны оставаться неискаженными.

Научная новизна. Для обработки изображений на нижнем уровне с целью выделения К-точек - кандидатов в границы объектов - использован нелокальный метод КЧП.Х Основные его достоинства: простота реализации; небольшой объем вычислений; сочетание использования локальных характеристик перепада оптической плотности изображения в данной точке с гло«

Э*от метод был впервые цредложен Ш.А.Еуберманом и М.И.Овчинниковой [9] для анализа геофизических разрезов скважин. бальными характеристиками структуры- изображения при принятии решения о наличии в данной точке границы искомого объекта; автоматическое выявление структуры изображения.

Разработан метод учета глобальной информации на всех уровнях обработки с помощью промежуточного: языка описания изображения - так называемых "полей характеристик".к Поля характеристик используются в качестве управляющей информации в алгоритмах обработки и анализ® изображений и являются эффективным средством учета глобальной информации об изображении /а также априорных сведений об искомых объектах/ цри анализе конкретной точки /или фрагмента, участка границы, целой границы или изображения отдельного объекта/.

На основе цредложенных методов создан многоуровневый комплекс алгоритмов, предназначенный для последовательного выделения К-точек, объединения их в К-линии - кандидаты в границы объектов, анализа границ объектов и построения полной системы границ всех объектов, видимых на изображении.

Разработан метод выделения внутренней структуры изображения объекта в случае рентгеновских изображений, когда оптические плотности отдельных объектов при наложении суммируются. При выделении этой структуры и подавлении изображений найденных объектов /с целью облегчения поиска менее ярких: объектов/ используется адаптивная модель, подстраивающаяся под конкретное изображение.

Метод полей характеристик разработан в соавторстве с Ш.А.Губерманом и JT.В.Кузнецовым [8] . Основной вклад Ш.А.Губерман и Л.В.Кузнецов внесли в решение общих теоретических вопросов и: создание алгоритмов построения полей

Практическая ценность работы. Представленные методы выделения объектов использованы при создании подсистемы выделения изображений задних частей, ребер на флюорограмме органов грудной клетки. Данная подсистема входит составной частью в разрабатываемую систему автоматической обработки флюорограмм /АОФ/ с целью выделения группы флюорограмм, подозрительных на наличие патологии. При этом врачебному анализу будет подвергаться не весь поток флюорограмм, а только существенно меньшая часть, отобранная при анализе системой АОФ. Создание такой системы особенно актуально в рамках реализуемой в СССР программы массовой диспансеризации населения с целью профилактики многих заболеваний.

До завершения разработки всей системы АОФ промежуток ный результат: получение флюорограмм с подавленными изображениями ребер - может использоваться в рентгенологической практике для облегчения визуального анализа и улучшения выделения малозаметных нарушений в сложных случаях. Особенно большое значение такая работа может иметь при обработке флюорограмм больных некоторыми видами рака, при которых велика вероятность метастазирования в легкие. При этом тактика лечения существенно зависит от выявления или невыявления этих метаотазов.

Реализация. Все представленные методы и алгоритмы реализованы в виде.: программ на языках Фортран и Ассемблер ЕС ЭВМ:. Общий объем црограмм - около 80 ООО операторов.

Публикации. По результатам выполненной работы имеется в соавторстве 12 публикаций. характеристик и их коррекции. Дзюба Г. И. внес основной вклад в создание методов и; алгоритмов использования этих полей при выделении объектов на изображениях.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения и тома приложений. Работа изложена на 45*2 страницах, содержит 17 рисунков/без тома приложений/ и: библиографию из названий,. ТЬм; приложений содержит 80 рисунков.

Основные результаты работы.

1. Разработано математическое и программное обеспечение, системы выделения и подавления изображений объектов, которая является составной частью системы автоматического анализа флюорограмм органов грудной клетки.

2. Еазработан метод выделения К-точек. /кандидатов в границы объектов/ на полутоновых изображениях с помощью нелокального алгоритма КЧП.

3. Еазработаны новые методы использования глобальной информации при выделении объектов на изображениях. Для сбора и использования глобальной информации предложен специальный язык описания изображений - поля характеристик. Внедрены унифицированные приемы накопления и использования глобальной информации в различных операторах обработки. Эти методы реализованы в системе программ, в которой впервые глобальная информация результативно используется на всех уровнях обработки.

4. Создан метод использования априорной информации об искомых объектах для управления работой алгоритмов выделения этих' объектов. Априорная информация собирается с модели объектов, представленной в графической форме. Это позволило отделить .априорную•информацию от алгоритмов обработки, что существенно повысило универсальность предложенных методов и программ.

5. Впервые решена задача подавления объектов на рентгеновском изображении без искажения налагающихся объектов.Для этого создан метод подавления изображений ребер, использующий: модель оптического профиля ребра, адаптирующуюся к каждому отдельному ребру.

Заключение.

В работе представлено математическое, и программное оба- -спечение системы выделения объектов при обработке полутоновых моноспектральных изображений. Характерной особенностью разработанной системы и ее отличием от существующих аналогов является широкое использование; на всех уровнях обработки глобальной информации обо всем изображении в целом и априорных знаний о классе выделяемых объектов.

Для реализации целостного подхода разработан специальный язык описания изображений - поля характеристик. Этот язык занимает промежуточное, положение между машинным описанием изображения в. виде: поточечной функции яркости и вербальным описанием. Каждое поле: характеристик, сохраняя некоторые свойства изображения /например, двумерность/, абстрагирует отдельное качество исходного, изображения, но лишено его конкретности. Используя поля характеристик, можно выявлять сходство между такими разными изображениями, как фотография /рентгенограмма/ некоторого объекта и его графический рисунок. На основе, этой возможности разработан метод; использования при выделении объектов априорных знаний, задаваемых с помощью графической модели /рисунка/ искомых объектов.

Разработаны стандартные процедуры использования и модификации интегральных знаний о данном изображении и о целом классе изображений. С помощью модификации полей характеристик; /в которых хранятся эти знания/ реализуется взаимовлияние различных операторов обработки. В процедурах использования знаний никогда не осуществляется непосредственное.- сравнение. модели и изображения, их взаимодействие всегда опосредовано полями характеристик. Модель в совокупности с полями характеристик является "гибким эталоном" в отличие от обычных жестких: эталонов. Одна и та же модель используется для. • целого класса; объектов.

Несмотря на широкое использование ацриорных знаний для управления работой алгоритмов обработки, сохраняется высокая универсальность этих алгоритмов, так как основные; априорные знания вынесены из них в модель. Так например, при обработке Ф с помощью одних; и тех же программ удается выделять разные объекты - ключицы, задние и передние, части ребер. Для получения разных объектов необходимо лишь сменить на входе модель искомых объектов.

На нижнем уровне обработки вместо традиционных локальных методов используется нелокальный алгоритм КЧП, отличительной особенностью которого является то, что в нем ищутся не, границы вообще., а границы объектов с учетом их размеров. Выделение границы и интерпретация ее; как границы объекта осуществляются одновременно. При этом локальные изменения яркости интерпретируются с учетом выделения других объектов.

Разработанные методы реализованы в комплексе программ, предназначенном для выделения на Ф деталей скелета.Этот комплекс является частью разрабатываемой системы автоматической обработки флюорограмм органов грудной клетки /АОФ/ с целью разделения их*потока при скрининге, населения на два условных класса: "норма" и "патология". Постановка задачи, АОФ как практической задачи предъявляет строгие требования к используемым методам: они: должны обеспечивать высокую точность выделения объектов и их1 анализа; не должны требовать больших вычислений, чтобы быть, перспективными для массового использования. Одной. из ключевых задач при создании системы АОФ является нахождение изображений ребер.

На рентгеновских снимках изображения отдельных объектов не загораживают друг, друга, а накладываются. Поэтому для них является актуальной задача подавления изображений найденных объектов с выявлением, кроме контура, их внутренней структуры яркости. Подавление должно осуществляться так, чтобы не искажать изображений налагающихся объектов. Разработан метод подавления изображений ребер, удовлетворяющий предъявляемым требованиям. Метод основан на использовании модели оптического профиля поперечного, сечения ребра, параметры которой не только автоматически подбираются к каждому'конкретному ребру, но и меняются вдоль ребра в соответствии с реальным изменением его оптической плотности. Этот метод подавления ребер открывает дополнительные возможности использования в медицинской практике: результатов обработки рентгеновских изображений грудной клетки. Изображения с подавленными ребрами контрастируются и выводятся на фотопленку или экран дисплея. Полученный снимок представляет собой рентгенограмму грудной клетки без ребер. Как показал опыт работы, для врача поиск и интерпретация малозаметных патологических объектов на таком снимке; существенно облегчается /после, приобретения им некоторого навыка/. Таким образом, до завершения работ по созданию полностью автоматизированной системы обработки Ф получен промежуточный результат, имеющий практическую ценность и. допускающий внедрение в медицинскую практику.

С целью этого: внедрения разработана специальная управляющая программа /Калинин Д.И./, которая обеспечивает проведение обработки Ф /нахождение ЗЧР и ключиц и их подавление/ в"конвейерном"режиме. Эта программа осуществляет автоматическую подстройку параметров по размерам входного изображения, передает эти параметры обрабатывающим программам и управляет их запуском. С помощью этой программы обработано более 20 фдюорограмм.

1. Бэрроу Х.Дж.,Тенненбаум Дж.Н. Алгоритмическое зрение. "ТИИЭР",1981,т.69, №5, 91-112.

2. Вагнер Р.И.,Позмогов А.И.,Шумаков А.Г.,Барчук. А.С., Шелякина Т.В.,Штейн Ф.М.Организация раннего выявления рака легкого.-"Вопросы онкологии", т.ХХУШ, №2, 1982, 28-33.

3. Винокур М.И.,Еуберман Ш.А.,Дзюба Г.И.Егоров В.А.,Ка-рташев Д.Н. ,Пере.дриенко Т. А. Об автоматической обработке на ЭВМ рентгеновских снимков грудной клетки. Препринт Ин.прикл. матем. им.М.В.Келдыша АН СССР, 1977, №108.

4. Гельфанд И.М.,Цетлин М.Л. О математическом моделировании механизмов центральной нервной системы.- В сб.: Модели структурно-функциональной организации некоторых биологических систем. М.; Наука, 1966.

5. Еранрат Д.Дж. Роль моделей зрения человека в обработке изображений. "ТИИЭР", "Обработка изображений.Тематический выпуск.", 1981, т.69, 65-77.

6. Еуберман Ш.А.,Дзюба Г.И.,Кузнецов Л.В. Использование моделей при, обработке флюорограмм. Препринт Ин.прикл.матем. им.М.В.Келдыша АН СССР, 1982, №179.

7. Губерман Ш.А.,Овчинникова М.И. Алгоритмы расчленения и сопоставления геофизических разрезов скважин на ЭВМ. -"Нефтепромысловая геофизика", #5, 1975, Уфа.

8. ТО.Браверман Э.М,,Мучник И.Б. Структурные методы обработки эмпирических данных.М.,"Наука",1983.

9. Н.Хуберман Ш.А. Машинное зрение, и теория гештальта. "Вопросы психологии" Щ,1983,135-142.

10. Джайн А.К. Успехи в области математических моделей для обработки изображений. "ТИИЭЕ", 1981, т.69, №5', 9-39.

11. Дуда Р.Дарт П. Распознавание, образов и анализ сцен. М.: Мир, 1976.

12. Дзюба Г.И.-,Передриенко Т.А. Алгоритм автоматического выделения изображений задних частей ребер на флюорограм-ме органов Грудной клетки. Препринт Ин. прикл. матем. им. М.В.Келдыша АН СССР, ±980, Ш. ■

13. Лебедев Д.С., Попова Н.Р. Иконика.Теория и методы обработки изображений. М.: Наука, 1983.

14. Мерабишвили В.М., Церковный Г.Ф., Демидов В.П. Современное состояние, тенденции заболеваемости ракомлегкого и; смертности от него в СССР и за рубежом.- "Вопросы онкологии", т.ШТП, №2, 1982, 15-21.

15. Мучник И.Б., Паморозский Е.И., Эльман Р.К. Автоматизированная обработка полутоновых изображений /обзор состояния проблемы/. "Автоматика и телемеханика", 1981, 1Ь2, 84-126.

16. Найссер У. Познание и реальность. Смысл и принципы когнитивной, психологии. М.: Прогресс, 1981.

17. Напалков Е.П., Барчук А.С., Джиоев Ф.К. Профилактика рака легкого. "Вопросы онкологии", т.ХХУШ, 1Б2, 1982, 10-15.

18. Новиков В.Б. Исследование и разработка методов автоматизированного анализа флюорограмм грудной клетки с помощью ЦВМ. Канд. дисс., Институт кибернетики АН УССР, Киев, 1975. ' s

19. Пирятин В.Д. Обработка результатов экспериментальных измерений по способу наименьших квадратов. Харьков, 1962.

20. Родионов Д.А.Статистические методы разграничения геологических объектов по комплексу признаков.ГЛ.:Недра, 1968.

21. Румшиский Л.З. Математическая обработка результатов эксперимента. М.: Наука, 1971.

22. Тихонов А.Н.,Гончарский А.В.,Степанов В.В.,Ягола А.Г. Регуляризирующие алгоритмы и априорная информация. М.: Наука, 1983.

23. Урванцев Л.П. Экспериментальное исследование процессов восприятия и интерпретации.рентгенограмм.-В сб.:Психоло-гические проблемы рационализации деятельности. Ярославль, изд-во Ярославского гос. ун-та, 1979.

24. З^.Шотемор Ш.Ш. Некоторые психологические механизмы изменения пространственного декодирования рентгенологической информации. -В сб.:.Психологические проблемы рационализации деятельности. Ярославль,изд-во Яросл.гос.ун-та,1979,98-109.

25. Ярославский Л.П. Введение в цифровую обработку изображений. М.: Сов.радио, 1979.

26. Abd.ou I.E., Pratt W.K. Quantitative design and. evaluation of enhancement/thresholding edge detectors. Proc. IEEE, 67, 1979, 753-763.

27. Ahmed W.W., Turner A.F., Hall E.L. Quantitative diagnosis of early pulmonary edema. Proceedings of the symposium on computer-aided diagnosis of medical image. November II, 1976, (IEEE computer society), p.9-15.

28. Artificial Intelligence, "Special volume on computer vision", v.I7, 198I.

29. Ballard D.H. Hierarchic recognition of tumors in cheat radiographs. "Interdisciplinary Systems Research?, v.I5.

30. Ballard D.H. Model-directed detection of ribs in chest radiographs (Abstr). "SI GART Newslett.",1977, N 61, II.

31. Ballard D.H., Sklansky J. Tumor detection in radiographs. "Computer and biomedical research", 6, N 4, 299-321, 1973.

32. Ballard D.H., Sklansky J. A ladder-structured decision tree for recognizing tumors in chest radiographs.-"IEEE Transactions on computers", v.C-25, N 5» 503-513, 1976. .

33. Binford Т.О. Inferring surfaces from images. -"Artificial Intelligence", v.17, 1981, 205-244.

34. Brady J.M. Preface the changing shape of computer vision. - "Artificial Intelligence", v.17, 1981, I-I6.

35. Casti J. Emergent novelty and the modeling of spatial processes. "Kubernetes", 1983, 12, N 3, 167-175.

36. Chen P.C., Pavlidis T. Image segmentation as an estimation problem. "CGIP", v.12, N 2, 153-172, (1980).

37. Chow O.K., Kaneko T. Automatic boundary detection ofthe left ventricle from cineangiograms. "Comput. Biomed. Res.", 5, 388-4Ю, 1972.

38. Conners R.W., Harlow C.A. Some theoretical considerations conserning texture analysis of radiographic images, -"Proc. IEEE Conf. Decis. and contr. incl. I5th symp. adapt, process., Clear water, Pla, 1976", New York, N.Y., I976r 162167.

39. Conners R.W., Hallow C.A. Toward a structural textu-ral analyzer based on statistical methods. "CGIP", v.12,1. N 3, 224-256 (1980).

40. Davis L.S. A survey of edge detection techniques. -"CGIP", v.4,< N 3, 248-270 (1975).

41. Davis L.S., Mitiche A. Edge detection in textures -maxima selection. "CGIP", v.16, N 2, 158-165 (1981).

42. Davis L.S., Rosenfeld A. Cooperating processes for low-level vision: Survey. "Artificial Intelligence", v.17, 1981, 245-263.

43. Duff H.J.B. Neighbourhood operators. "Phys. and Biol. Process. Images", Berlin e.a., 1983, 53-72.

44. Eberlein R.B. An iterative gradient edge detection algorithm. "CGIP", v.5, N 2, 245-253 (1976).

45. Ehrich R.W. Detection of global edges in textured images. "IEEE Trans, on Computers", v.C-26, N 6, 589-603 (1977).

46. Ehrich R.W., Schroeder F.H. Contextual boundary formation by one-dimensional edge' detection and scan line matching. "CGIP", v. 16, N 2, II6-I49 (1981).

47. Eklundh J.-O., Elfving Т., Nyberg S. Edge detection using the Marr-Hildreth operator with different sizes. -"Proc. Int. Conf. Pattern Recogn. Munich, Oct. 19-22, 1982.

48. Vol.2», New York, N.Y., 1982, II09-III2.

49. Fischler M.A., Tenenbaum J.M., Wolf H.C. Detection of roads and linear structures in low-resolution alrial imagery using a multisource knowledge integration technique. -"CGIP", v.15, N 3, 201-223 (1981).

50. Fram J.R., Deutsch E.S. On the quantitative evalution of edge detection schemes and their comparison with human performance. "IEEE Trans, on computers", C-24, N 6, 616628, 1975.

51. Garland L.H. On the reliability of roentgen survey procedures. "Amer. J.Roent.", v.64, N 32, 1950.

52. Geuen W., Widzgowski E. A simple edge detection algorithm on.the basis of visual contour perception.

53. Griffith A.K. Edge detection in simple scenes usinga priori information. "IEEE Trans, on computers", C-22, N4, 371-381 (1973).

54. Griffith A.K. Mathematical models for automatic line detection, "J.Ass.Comput.Mach,", v.20, 62-80, 1973.

55. Gritton C.W.K., Parrish J.E.A.,Boundary location from an initial plan: the bead chain algorithm. "IEEE Trana Pattern Anal, and Mach. Intel.", 1983, 5, N I, 8-13.

56. Hall E., Crawford W., Roberts F. Computer classification of pneumoconiosis from radiographs of coal workers. -"IEEE Trans.", v.BME-22, N 6, 518-527 (1975).

57. Haralick R.M. Edge and region analysis for digital image data: "CGIP'S v.12, Ш I, 60-73, <1980*.

58. Hasegawa J., Toriwaki J., Fukumura Т., Takay У. New software system AISCR-V3 for automated interpretation of chest photofluorograms. "Proc. 4th Int. Joint conf.pattern recognition, Kyoto, 1978", New York, 1979, 925-927.

59. Hausmann G., Liedtke C.-E. A region extraction approach to blood smear segmentation. "CVGIP", v.25, 133-150 (1984).

60. Hildreth E.C. The detection of intensity changes by computer and biological vision systems. "CVGIP", v.22,N J, 1-27 (1983).

61. Holmes et al. Design of a photo interpretation automation. "Proc. Fall joint computer conf.", 1962, 27-35.

62. Hueckel M. ,An operator which locates edges in digital pictures. "J.Ass.Comput.Mach.", v.18, II3-I25, 1971; v.20, 1973, 634-647; v.21, 1974, 350-360.

63. Hummel R.A. Feature detection using basis functions. "CGIP", v.9, N I, 1979, 40-55.7I.Ikonomopoulos A. An approach to edge detection based on the direction of edge elements. "CVGIP", v.19, N 2, 179 -195 (1982).

64. Jain R., Rheame D. A two-stage method for fast edgedetection. "CGIP", v.14, N 2, I77-I8I (1980).

65. Kohler R. A segmentation system based on thresholding. "CGIP", v.15, N 4, 319-338 (1981).

66. Kasvand T. Iterative edge detection. "CGIP", v.4, N 3, 279-286 (1975).

67. Knowledge based image processing Special volume. -"Pattern recognition", v.17, N I, 1984.

68. Kittler J. Statistical image processing. "Phys. and Biol. Process. Images", Berlin e.a., 1983, 232-243.

69. Kruger R. Computer processing of radiographic images Ph.D.dissertation, Engeneering departament, Univ. of Missouri, Columbia (1971).

70. Kruger R.P., Thompson W.B., Turner P.A. Computer diagnosis of pneumoconiosis. "IEEE Trans. Syst., Man., Cy.-bernet.", v.SMC-4, N I (1974).

71. Lemkin P. The boundary trace transform: an edge and region enhancement transform. "CGIP", v.9, N 2, 150-165 (1979).

72. Lester J.M., Brenner J.P., Selles W.D. Local transforms for biomedical image analysis. "CGIP", v.13, N I, 17-30 (1980).

73. Levine M.D. Feature extraction: A survey. "Proc. IEEE", 57, 8 (Aug. 1969), I39I-I407.

74. Li C.C., Savol A.M., Pong C.P., Shick C.P., Sze T.W., Preston K., Sashin D., Hoy R. Computer analysis of small opacities in coal miners chest X-rays. "IEEE Proc.Inf.conf. cybern. and soc., Washington, D.C., 1977",New York,N 4,1977.

75. Mack worth A.K. Constraints, descriptions and domain mappings in computational vision. "Phis, and Biol.Process.1.ages", Berlin е.a., 1983, 33-40.

76. Marr D. Vision. Freeman, San-Francisco, 1981.

77. Martelli A. Edge detection using heuristic search methods. "CGIP", v.I, 169-182 (1972).

78. McDonnel M.J. Box filtering techniques. "CGIP", v. 17, N I, 65-70 (1981).

79. Mc Parland W.D. Automated diagnosis of pulmonary vascularity from chest roentgenograms. "Proc. 29th annu.conf. eng.med. and biol., Boston, Mass., 1976, v.18% Chevy Chase, Md, s.a. 443.

80. Milgram D.L., Kahl D.J. Recursive region extraction.- "CGIP", v. 9, N I, 82-88 (1979).

81. Min-soo Suk, Soonho Hong. An edge extraction technique for noisy images. "CVGIP", 25, N I, 24-45 (1984).

82. Montanari U. On the optimal detection of curves in noisy pictures. "Commun.Ass.Comput.Mash.", v.14, 335-345 , May 1971.

83. Modestino J.W., Pries R.W., Vickers A.L. Stochastic image models generated by random tesselations of the plane.- "CGIP"-, v.I2, N I, 74-98 (1980).

84. Morgenthaler D.G. A new hybrid edge detector. -"CGIP", v.16, N 2, 166-176 (1981).

85. Hagao Makoto. Control strategies in pattern analysis.- "Pattern Recognition", v.17, N I, 45-56 (1984).

86. Nagin P.A., Hanson A.R., Risemann E.M. Variations in relaxation labeling techniques. "CGIP", v.17, К I, 33-51 (1981).

87. Nahi N.E., Jahanshahi Ы.Н. Image boundary estimation. "IEEE Trans, on Comput.", v. C-26, N 8,772-781 (1977).

88. Nahi N.E., Lopez-Mora S. Estimation of object boundaries in noisy images. "Proc. IEEE conf. decis. and contr. incl. I5th symp. adapt, process., Clearwater, Pla, 1976", New York, N 4, 1976.

89. O.Oosterlink A., Vanderheydt L., Van Daele J., Van Den Berghe H. Biomedical image processing. In: Pattern recognition and signal processing, NATO advanced study institute, E.N.S.T., Paris, 1978. P. 387-412.

90. Pal S.K., King R.A. On edge detection of X-ray images using fuzzy sets. "IEEE Trans. Pattern Anal, and Maoh. Intel.", 1983, 5, N I, 69-77.

91. Persoon E. A new edge detection algorithm and its application in picture processing. "CGIP", v.5, 425-446 (1976).

92. Perkins W.A. Using circular symmetry and intensity profiles for computer vision inspection. "CGIP", v.17,N2, I6I-I72 (1981).

93. Perkins W.A. Model-based inspection system for component boards. "Pattern Recognition", v.17, N I, 135-140 (1984).

94. Poggio T. Visual algorithms. "Phys. and Biol.Process. Images", Berlin e.a., 1983, 125-153.

95. Pun T. Entropic thresholding, a new approach.

96. CGIP", v.16, N 3, 210-239 (1981).

97. Pratt W.K. Digital image processing. Wiley, New York, 1978.

98. Preston Jr.K. drag level image processing by cellular logic transforms. "IEEE Trans» Pattern Anal, and Mach. Intel.", v.5, N I» 55-58 (1983).

99. Robinson G.S. Edge detection by compass gradient masks. "CGIP", v.6, N 5, 492-501 (1977).

100. Rosenfeld A. Picture processing by computer. Academic Press, New York, 1969.

101. Rosenfeld A,, Hummel R.A., Zucker S.W. Scene labeling by relaxation operations. "IEEE Trans. Syst., Man, Cybernet.", v.SMC-6, N 6, 1976 420-433.

102. Rosenfeld A, Recent developments in image and scene analysis. In: Machine-aided image analysis, 1978", the Inst, of Physics, Bristol and London, 1979.

103. Rosenfeld A. Image analysis: problems, progress and prospects. "Pattern recognition", v.17, N I, 1984.

104. Rummel P., Beutel W. Work piece recognition and inspection by a model-based scene analysis system» "Pattern recognition", v.17, N I, I4I-I48 (1984).

105. Savol A.M., Li C.C., Jloy R.J. Biomedical pattern recognition for early detection of pneumoconiosis from chest X-rays. "Biosigma 78. Collog.int.sign, et imag.med, ettool., Paris, 1978. V.2", Paris, 1978, 245-250.

106. H7.Selfridge P.G., Prewitt J .M.S. Organ detection in abdominal computerized tomography Scans: Application to the kidney. "CGIP", v.I5, N 3, 265-278 (1981).

107. Shaw G.B. Local and regional edge detectors: some ' comparisons. "CGIP", v.9, N 2, 135-149 (1979).

108. Smith M.W., Davis W.A., A new algorithm for edge detection. "CGIP", v.4, H I, 55-62 (1975).

109. Sze Tsung-Wei, Yang Yee-Hong, Goal directed segnea-tation. "PRIP*82: Pattern Recogn. and Image Process.Proc. Conf*, Las Vegas, Nev., 14-17 June, 1982", Silver Spring, Md, 1982, 504-5H.

110. Tafeeo Kanade, Survey. Region segmentation: signal vs semantics, "CGIP", v.13, N 4, 279-297 (1980).

111. Tenenbaum J.M., Fischler M.A., Barrow H.G. Scene modeling: a stuctural basis for image description. "CGIP',1- v.I2, N4, 407-425 (1980).

112. Ting-Chuen Pong, Shapiro L.G., Watson L.T., Hara-lick R.M. Experiments in segmentation using a faset 'model region grower. "CVGIP", v.25, И I, 1-23 (1984).

113. Toriwiaki J.f Suenaga Y., Pukumura T. Pattern recognition of chest X-ray images. "Proc. first int. ijoint . conf. on pattern recogn.", (1973).

114. Toriwaki J., Suenaga Y., Negoro Т., Fukumura T,

115. Pattern recognition of chest X-rays images. "CGIP", v. 2, 252-271 (1973).

116. Toriwaki J., Hasegawa J.f Fukumura T. Recognition of vessel shadows for automated measurements and classification system of chest photofluorograma. "Proc. of symp. on computer-aided diagnoses of medical image. Nov. 11,19762 (IEEE computer society).

117. Tsotsos J.K. Knowledge and the visual process:oon-tent, form and use. "Pattern Recognition", v.17, N I, 13-27 (1984).

118. Tou J.T. Pictorial feature extraction and recognition via image modeling. "CGIP", v.12, N 4,376-406(1980).

119. Wechsler H., Pu K.S. Automatic analysis of chest radiographs. "Medinfo 77. Proc. 2nd World Conf.med. inform., Toronto, 1977", Amsterdam, e.a.,I977.

120. Wechsler H., Sklansky J* Finding the rib eage in chest radiographs. "Pattern Recognition", v.9, 21 - 30, 1977.

121. Weszka J.S. A survey of threshold selection techniques. "CGIP", v.7, 259-265 (1978).

122. Yakimovsky Y. Boundary and object detection in real world images. "J. of the Assoc. for Comp.mach.", v*23,1. N" 4, 599-618 (1976).

123. Ziskin M.C., Shea P.Т., Kundel H.L., Revesz G. Accuracy of radiologists decision making. School of medicine, Temple Univ., Philadelphia, 1971.

124. De Souza P. Edge detection using sliding statistical tests. "Сотр.Vis., Graph., and Image Proc.", 23, I-I4 (1983).

125. De Souza P. Automatic rib detection in chest radiographs. "Сотр. Vis., Graph, and Image Proc,", 23, 129-161 (1983)♦

126. Кошймицу X. ,Ториваки Дж. ,Фукумура Т. Влияние размера сглаживающего фильтра на распознавание флюорограмм грудной клетки.-"Денси цусин гаккай ромбунси", т.59ц, №6, 1976 /на япон.яз./.

127. Модифицированные алгоритмы метода распространения волн для обработки многоградационных изображений.-"Денси цусин гаккай ромбунси", т.56д, №9, 515-522 /на япон.яз./.

128. Ториваки Дж.,Фукумура Т. Распознавание флюорограмм грудной клетки: определение характерных особенностей тени сердца.-"Денси цусин гаккай ромбунси", т.57д, 1974,708-715 /на япон.яз./.

129. I42.Sankar P.V., Sklansky J. A bestalt-queded heuristic boundary follower for X-ray images of lung nodules. "IEEE Trans, on Pattern An. and Mach.Intel., v.PAMI-4, N 3, May 1982, 323-331.

130. Zobrist A., Thompson IS. Building a distance function for Gestalt grouping. "IEEE Trans, on Comput.", 24, 1975.