05 марта 2016г.
Широкое распространение компьютерной техники и информационных технологий создает условия для реализации автоматизированной обработки большого количества изображений [1, 2,3].
Для реализации задачи автоматической анализа рентгеновских снимков (РС) с целью диагностики легочных заболеваний разработан метод сегментации сложнотекстурированных изображений. От качества сегментации зависит эффективность дальнейшего анализа и классификации изображений [4,5,6]. Применение известных методов сегментации для выделения границ на РС не представляется возможным вследствие размытости границ [7,8,9].
Для решения задач распознавания образов по результатам анализа растровых полутоновых изображений необходимо решить задачу разделения исходного изображения на части (сегменты), различающиеся по своему семантическому содержанию [11,12,25]. Это требует формализации процесса описания изображений РС и их морфологических объектов, то есть совершенствования методов сегментации изображений со сложной текстурой [13,14,15].
В основу разработанного метода положена идея предварительной обработки исходного изображения масочным оператором, определяющим «центры тяжести» гистограмм в «пустом» окне по формуле:
где q - номер интервала разбиения диапазона яркостей пикселей в «пустом» окне, s - число интервалов разбиения диапазона яркостей пикселей в «пустом» окне,
hij (q) - q – й отсчет гистограммы в «пустом» окне с координатами ij, ∆ - ширина интервала разбиения диапазона яркостей пикселей в «пустом» окне.
Сегменты изображения выделяют посредством пороговой обработки градиентного изображения. Способ осуществляется устройством, структурная схема которого показана на Рисунке 1.
Устройство состоит из компьютера 1; блока памяти данных 2, состоящего из блока памяти 3, предназначенного
для хранения файлов
данных с полутоновыми изображениями (изображениями F) и подключенного к первому
входу компьютера 1, и блока памяти 4, предназначенного для хранения файлов
данных с сегментированными изображениями (бинарными изображениями G3) и подключенного к первому выходу компьютера 1; блока памяти 5, предназначенного для хранения программного обеспечения по сегментации полутоновых изображений, и подключенного ко второму входу и второму
выходу компьютера 1; видеомонитора 6, подключенного к третьему выходу
компьютера 1.
Способ реализуется согласно схеме
алгоритма,
представленной
на Рисунке 2, а, На Рисунке 2, б
представлена схема алгоритма
получения изображения (изображения G1).
Блок 9 организует вычисление гистограмм фрагментов изображения, попадающих в «пустое» окно в процессе его продвижения по изображению F, и формирует из изображения F изображение G1, яркость пикселей которого определяется гистограммами фрагментов изображения F, попавших в «пустое» окно. Блок 10 организует вычисление градиента
изображения G1 – формирует изображение G2. Окончательное выделение сегментов изображения осуществляется в блоке 11, в котором выполняется переход
от полутонового изображения G2 к бинарному изображению G3.
После анализа сегментированного изображения (блок 12) принимается решение о целесообразности изменения размеров
окна (блок 13). Изменение
размеров окна позволяет адаптировать процесс сегментации к выделяемым фрагментам изображения. Установлено, что увеличение размеров окна повышает помехоустойчивость сегментации, но при этом делает процесс сегментации менее чувствительным к изображениям, размеры
которых соизмеримы с размерами окна.
Блоки 14 и 15 осуществляют продвижение «пустого» окна по изображению F.
Во вложенном
цикле (блок 15) выполняется вычисление гистограммы Hij в «пустом» окне (блок 16), формирование яркости
пикселя изображения G1, соответствующего ij – й координате «пустого» окна осуществляется в блоке 17 по формуле
(1).
На Рисунке 3 показано
интерфейсное окно с исходным
изображением F, на котором обозначено
«пустое» окно, и гистограммой яркостей
пикселей фрагмента этого изображения, попавших
в это «пустое»
окно.
Определение количества интервалов s на гистограмме осуществляем по формуле
Стерджесса:
s = 1+
3,322lg(M1× M 2) , (2)
где M1× M1‒ общее количество пикселей в «пустом»
окне.
При этом ширина интервала гистограммы ∆ определяется согласно
формуле
где dmax – максимальная яркость пикселя в окне, dmin - минимальная яркость
пикселя в окне.
На Рисунке
4 приведен результат
сегментации сложнотекстурированного изображения разработанным методом в сравнении с известным.
В качестве тестового сложнотекстурированного изображения использовалась флюорограмма грудной клетки больного
пневмонией, представленная на Рисунке
4, а. Сегмент изображения флюорограммы, определяющий этот диагноз,
обведен окружностью. В качестве
известного метода сегментации применялся
контурный детектор Канни, основанный на градиентной обработке предварительно фильтрованного изображения.
Графики, представленные на Рисунке 5, иллюстрируют изменение величины «центра тяжести»
гистограмм в окне (Ряд 1) и градиента
«центра тяжести»
гистограмм (Ряд 2) при пересечении окна изображения флюорограммы
грудной клетки
в горизонтальном направлении.
Анализ экспериментальных
результатов по обработке
тестовых сложнотекстурированных изображений посредством
разработанного метода сегментации показал
его преимущества в сравнении
с известным методом.
На основании проведенного экспертного анализа обработанных изображений установлено, что уменьшение размера
«пустого» окна ведет к более четкому выделению
границ малых сегментов
и не оказывает влияние на четкость выделения больших сегментов, а снижение размерности окна приводит
к увеличению зашумленности контуров
границ выделяемых сегментов.
Список литературы
1.
Томакова, Р.А. Гибридные
методы и алгоритмы
для интеллектуальных систем классификации сложноструктурируемых изображений: автореф. дис. … д-ра техн. наук: 05.13.17/ Р.А. Томакова.
Белгород, 2013. – 42 с.
2.
Чудинов, С.М. Применение устройств FGA-технологии в автоматизированных системах для сегментации сложноструктурируемых изображений /С.М. Чудинов, Р.А. Томакова, И.В. Зуев// Научные ведомости БелГУ. 2013. ‒№ 22-1 (165), вып.28/1. ‒С.129-134.
3.
Томакова, Р.А. Программное обеспечение интеллектуальной системы классификации форменных элементов крови/ Р.А. Томакова, С.А. Филист, В.В. Жилин, С.А. Борисовский// Фундаментальные исследования. 2013.№10-2.
–С. 303-307.
4.
Томакова, Р.А. Интеллектуальные
технологии сегментации и классификации биомедицинских изображений: монография/ Р.А. Томакова,
С.Г. Емельянов, С.А. Филист; Юго-Зап. гос. ун-т. Курск, 2012. 222с.
5.
Борисовский С.А. Нейросетевые модели с иерархическим пространством информативных признаков для сегментации плохоструктурированных изображений/ С.А. Борисовский, А.Н. Брежнева, Р.А. Томакова//Биомедицинская радиоэлектроника. 2010. № 2. – С. 49-53.
6.
Томакова, Р.А. Гибридные
методы и алгоритмы
для интеллектуальных систем классификации сложноструктурируемых изображений: дис. … д-ра техн. наук//
Р.А. Томакова. Белгород, 2013. - 296с.
7.
Пихлап, С.В. Нечеткие
нейросетевые структуры
для сегментации изображений глазного дна/ С.В. Пихлап, Р.А. Томакова,
С.А. Филист//Вестник Воронежского гос. техн. ун-та. 2009. Т.5, №4. – С.42-45.
8.
Томакова, Р.А. Теоретико-множественный подход и теория графов в обработке
сложноструктурируемых изображений: монография/ Р.А. Томакова, О.В. Шаталова, М.В. Томаков; Юго-Зап. гос. ун-т. Курск, 2012. 118с.
9.
Дюдин, М.В. Методы и алгоритмы
контурного анализа для задач классификации сложноструктурируемых изображений/ М.В. Дюдин, А.Д. Поваляев,
Е.С. Подвальный, Р.А. Томакова// Вестник Воронежского гос.техн. ун-та. 2014. Т.10. №3-1.
– С. 54-59.
10. Томакова, Р.А. Проектирование гибридной нейронной сети для анализа сложноструктурированных медицинских изображений/ Р.А. Томакова// Системный анализ и управление в биомедицинских системах. 2011. Т.10. –№ 4. – С.916-923.
11. Томакова, Р.А. Универсальные сетевые структуры
в задачах классификации многомерных данных/Р.А. Томакова, А.А. Насер, О.В. Шаталова, Е.В. Рудакова// Современные
наукоемкие технологии. 2012. –№ 8. –С.48- 49.
12. Томакова, Р.А. Нейросетевые модели принятия решений
для диагностики заболеваний легких на основе анализа флюорограмм грудной клетки/
Р.А. Томакова, М.В. Дюдин, М.В. Томаков// Биомедицинская радиоэлектроника. 2014. № 9. – С. 12-15.
13. Филист, С.А. Анализ биомедицинских изображений различными методами сегментации, основанными на операторах вычисления градиента/ С.А. Филист, Е.А. Шашкова, О.В. Шаталова, Р.А. Томакова //Перспективы развития информационных технологий. 2011.- №3-1.
– С. 146-150.
14. Чудинов, С. М. FGA-технологии в автоматизированных системах для исследования изображений в форме флюорограмм/ С.М. Чудинов, Р.А. Томакова, В.В. Степанов, И.В. Зуев// Научные ведомости БелГУ. 2014. Т. 29.‒№ 1-1 (172), вып.28/1. ‒С.70-74.
15. Томакова, Р.А. Математическое обеспечение распознавания и классификации сложноструктурируемых биологических объектов/
Р.А. Томакова, А.А. Насер, О.В.Шаталова//Международный журнал прикладных и фундаментальных исследований. 2012. - № 4. –С . 48-49.
