Görüntü işleme ve analizin ana görevlerinden biri segmentasyon, yani. görüntüyü alanlara bölmek için özel kriter tekdüzelik, örneğin, görüntüdeki yaklaşık olarak aynı parlaklığa sahip alanları vurgulama. Bir görüntü alanı kavramı, belirli bir ortak özelliğe (özelliğe) sahip olan bağlantılı bir görüntü öğeleri grubunu tanımlamak için kullanılır.
Ana biri ve basit yollar bir eşik kullanarak segmentasyonun oluşturulmasıdır. Eşik, istenen sinyali sınıflara ayırmaya yardımcı olan bir işarettir (özellik). Eşikleme işlemi, görüntüdeki her pikselin parlaklık değerini önceden belirlenmiş bir eşik değeri ile karşılaştırmaktır.

Binarizasyon

İkili bir görüntüyle sonuçlanan eşikleme işlemine ikilileştirme denir. İkilileştirme işleminin amacı, görüntüde bulunan bilgi miktarını kökten azaltmaktır. Binarizasyon sürecinde, belirli sayıda parlaklık seviyesine sahip orijinal gri tonlamalı görüntü, pikselleri yalnızca iki değere sahip olan siyah beyaz bir görüntüye dönüştürülür - 0 ve 1

Görüntü eşikleme farklı şekillerde yapılabilir.

Daha düşük bir eşik ile ikilileştirme

Daha düşük bir eşik ile ikilileştirme
Daha düşük eşikli ikilileştirme, yalnızca bir eşik değeri kullanan en basit işlemdir:

Kriter yerine tüm değerler 1 olur, bu durum 255 (beyaz) ve t - 0 (siyah) eşiğinden daha büyük olan tüm piksel değerleri (genlikler).

Bir üst eşik ile ikilileştirme
Bazen, ikilileştirme sürecinde elde edilen görüntünün negatifini veren ilk yöntemin bir varyantını kullanabilirsiniz. Bir üst eşik ile ikilileştirme işlemi:

Çift kısıtlamalı binarizasyon
Piksel parlaklık değerlerinin bilinen bir aralıkta değişebileceği alanları seçmek için çift sınırlamalı ikilileştirme tanıtıldı (t 1
Verinin yalnızca bir kısmının iletildiği (orta bant filtresi) eşiklere sahip diğer varyasyonlar da mümkündür.

Eksik eşikleme
Bu dönüşüm, orijinal görüntüde mevcut tüm ayrıntılarla birlikte arka plandan yoksun hale geldiğinden, daha fazla analiz edilmesi daha kolay olabilecek bir görüntü verir.

Çok Düzeyli Eşik Dönüşümü
Bu işlem, ikili olmayan ancak farklı parlaklıktaki bölümlerden oluşan bir görüntü oluşturur.

İkilileştirme söz konusu olduğunda, esasen her şey. Her ne kadar görüntünün tamamı için kullanılan küresel bir tane olduğunu ve görüntünün bir bölümünü (görüntü) yakalayan yerel bir tane olduğunu da ekleyebilirsiniz.

Yerel eşikleme

Ots yöntemi
Yöntem, raster görüntünün piksellerinin parlaklık değerlerinin dağılımının bir histogramını kullanır. p i = n i / N değerlerine göre bir histogram oluşturulur, burada N görüntüdeki toplam piksel sayısıdır, n i parlaklık seviyesi i olan piksel sayısıdır. Parlaklık aralığı, parlaklık seviyesi k'nin eşik değeri kullanılarak iki sınıfa ayrılır, k, 0 ile L arasında bir tam sayı değeridir. Her sınıf, ω 0 ω 1 göreli frekanslara karşılık gelir:

İki görüntü sınıfının her biri için ortalama seviyeler:
Ardından, görüntüyü iki parçaya bölmenin kalitesini değerlendirmenin maksimum değeri hesaplanır:
burada (σ cl) 2 = ω 0 ω 1 (μ 1 -μ 0) 2, sınıflar arası varyanstır ve (σ toplam) 2, görüntünün tamamı için toplam varyanstır.

Görüntünün parlaklık gradyanına göre eşiğin belirlenmesi
Analiz edilen görüntünün iki sınıfa ayrılabileceğini varsayalım - nesneler ve arka plan. Eşik değerini hesaplama algoritması aşağıdaki 2 adımdan oluşur:
1. Her piksel için parlaklık gradyanının modülünü belirleyin
Görüntüler

2. Eşiğin hesaplanması:

Toplam

Sizler için ortaya koyduğum keyifle bulduklarım, ilerde işe yararsa ve vakit olursa bazı algoritmaları uygulamaya çalışacağım. Bu, bugün var olan her şeyin sadece küçük bir kısmı ama bunu da paylaşmaktan mutluluk duyuyorum.
Dikkatiniz için teşekkürler.

Makale, çeşitli örnekler kullanarak görüntü segmentasyon yöntemlerinin çalışmasını açıklamaktadır. Çalışmanın amacı, bilinen yöntemlerden bazılarının avantaj ve dezavantajlarını keşfetmektir.

Bu makalede tartışılacak yöntemler:

1. Bölge yetiştirme yöntemi;
2. Havza yöntemi;
3. Normal kesi yöntemi.

Model görüntüleri üzerinde bölütleme yöntemlerinin araştırılması

Bölütleme tekniklerine yönelik araştırmalar, başlangıçta görüntü modelleri üzerinde yürütülmüştür. Model olarak dokuz tür görüntü kullanılmıştır.

Araştırma sonuçları şunları gösterdi:

• Bölgeleri büyütme yöntemi, hem arka plandan keskin bir şekilde farklı olan hem de dokunun parlaklığını döndürerek ve değiştirerek oluşan doku kusurlarını lokalize eder;
• Bölgeleri değişen derecelerde büyütme yöntemi, dokunun farklı dönüş açılarındaki kusurları lokalize eder;
• Havzanın orijinal haliyle dikkate alınan bölümlendirme yöntemi, doku kusurlarının lokalizasyonunu sağlamaz;
• Normal kesitler yöntemi, arka plandan farklı bir dokunun varlığını iyi bir şekilde lokalize eder, ancak dokunun parlaklığındaki ve dönüşündeki değişikliği vurgulamaz.

Nesne görüntüleri üzerinde bölütleme yöntemlerinin araştırılması

Segmentasyon yöntemlerini incelemek için çeşitli nesnelerin görüntülerinden oluşan bir veri tabanı hazırlandı. Elde edilen görüntüler, sonucu tablodaki şekillerde gösterilen çeşitli yöntemler kullanılarak bölümlere ayrılmıştır.

Orijinal görüntü	Büyüyen bölgeler yöntemi	Normal kesi yöntemi	Havza yöntemi

Sonuçlar:

• Bölge büyütme yöntemi, nesne görüntülerinde segmentlerin lokalizasyonunu sağlamaz;
• Dikkate alınan havza ve normal kesit yöntemleri, orijinal formlarında sunulan nesnelerin yerelleştirilmesini sağlamaz;
• Normal kesitler yöntemi, nesnelerin görüntülerinde nesnelerin lokalizasyonunu sağlar.

Sonuçlar

Çalışmanın sonuçları:

• Büyüyen bölgelerin yöntemi, hem model görüntülerinde hem de bir nesnenin görüntülerinde segmentlerin yerelleştirilmesini sağlamaz ve ayrıca karayolu ulaşım altyapısının unsurlarının yerelleştirilmesini sağlar.
• Dikkate alınan su havzası ve normal kesit yöntemleri, orijinal formlarında sunulan nesnelerin yerelleştirilmesini tam olarak sağlamamaktadır.
• Normal bölümler yöntemi, nesnelerin hem model görüntülerde hem de nesnelerin görüntülerinde yerelleştirilmesini sağlar ve ayrıca karayolu ulaşım altyapısının öğelerinin yerelleştirilmesini sağlar.
• Otomatik görsel kontrol sistemlerinde kullanım için büyüme bölgeleri yöntemi ve normal kesim yöntemi önerilebilir.

İyi çalışmalarınızı bilgi tabanına gönderin basittir. Aşağıdaki formu kullanın

Bilgi tabanını çalışmalarında ve çalışmalarında kullanan öğrenciler, yüksek lisans öğrencileri, genç bilim adamları size çok minnettar olacaktır.

http://www.allbest.ru/ adresinde yayınlandı

Rusya Federasyonu Eğitim ve Bilim Bakanlığı

Ryazan Devlet Radyo Mühendisliği Üniversitesi

IIBMT Bölümü

ders çalışması

Görüntü işleme yöntemleri. segmentasyon

Tamamlanmış Sanat. gr. 432M:

Alyoshin S.I.

Doç. departman. IIBMT:

Kaplan M.B.

ryazan 2014

Tanıtım

1. Görüntülerin temsili

3. Görüntü biçimleri

4. Görüntü türleri

5.1 Kontrastı değiştirme

5.2 Gürültü yumuşatma

5.3 Kenarlıkların Altını Çiz

5.4 Medyan filtreleme

5.5 Görüntü segmentasyonu

5.5.3 Konturların seçilmesi

5.5.7 Grafik Kesme Yöntemleri

6. Fonksiyonların tanımı

7. Algoritmayı test etme

Çözüm

Başvuru

Tanıtım

20. yüzyılın ortalarında, görüntü işleme çoğunlukla analogdu ve optik cihazlar tarafından gerçekleştirildi. Bu tür optik teknikler, holografi gibi alanlarda bugün hala önemlidir. Bununla birlikte, bilgisayar performansındaki çarpıcı artışla birlikte, bu tekniklerin yerini giderek dijital görüntü işleme almıştır. Dijital görüntü işleme teknikleri genellikle analog tekniklerden daha doğru, güvenilir, esnek ve uygulanması daha kolaydır. Dijital görüntü işlemede, boru hattı işlemciler ve çok işlemcili sistemler gibi özel ekipmanlar yaygın olarak kullanılmaktadır. Bu özellikle video işleme sistemleri için geçerlidir. Görüntü işleme ayrıca bilgisayar matematik yazılımı, örneğin MATLAB, Mathcad, Maple, Mathematica, vb. kullanılarak gerçekleştirilir. Bunun için hem temel araçları hem de Görüntü İşleme uzantı paketlerini kullanırlar.

Dijital görüntü işleme yöntemlerine olan ilgi, uygulamasının iki ana alanından kaynaklanmaktadır; bunlar, insanlar tarafından görsel algısını iyileştirmek için görüntülerin kalitesini iyileştirmek ve görüntülerin otonom yapay görme sistemlerinde saklanması, iletilmesi ve sunulması için işlenmesidir.

En karmaşık dijital görüntü işleme tekniklerinden biri görüntü bölütlemedir. Bölütleme, dijital bir görüntüyü parlaklık, renk, doku, şekil gibi temel özellikler bakımından birbirinden farklı birkaç segmente ayırma işlemidir. Segmentasyonun amacı, bir görüntünün temsilini basitleştirmek ve değiştirmek, böylece analiz edilmesi daha kolay ve daha kolay olur. Görüntüdeki yanlış segment seçimi, sonuçta tanıma kalitesini etkileyebilir ve hatta imkansız hale getirebilir. Bu nedenle, segmentasyon görevi son derece önemli ve çok acildir.

Görüntü bölütlemenin birçok yöntemi vardır. Nihai sonuç genellikle segmentasyonun doğruluğu ile belirlenir, bu nedenle bir veya başka bir segmentasyon yöntemi seçerken algoritmanın güvenilirliğine büyük dikkat gösterilmelidir. Ancak, çoğu algoritmanın altında yatan genel kabul görmüş tek bir yaklaşım yoktur. Ayrıca herhangi bir görüntü için kabul edilebilir bir segmentasyona izin verecek tek bir algoritma yoktur. Bu, bölütlemenin karmaşıklıklarından biridir ve bu görüntü işleme problemlerini çözmek için çok sayıda farklı yaklaşımın nedeni budur.

Bu konu alanının alaka düzeyine rağmen, görüntü bölütlemenin temel problemlerini çözmenin hem teorik temellerini hem de yazılım yönlerini ele alan nispeten az sayıda kitap yazılmıştır.

Bu makale, dijital görüntü işlemenin ana yöntemlerini özetlemektedir. Görüntü bölütleme yöntemlerine özellikle dikkat edilir. MatLAB uygulama paketi kullanılarak segmentasyon yöntemlerinden biri için bir program uygulanmıştır.

1. Görüntülerin temsili

Görüntü işleme teorisindeki temel sorular şunlardır: oluşum, girdi, bilgisayar gösterimi ve görselleştirme. Bir yüzeyin şekli, yüzeyden x ve y koordinatlarına sahip bir görüntü noktasına olan F (x, y) mesafesinin bir fonksiyonu olarak tanımlanabilir. Görüntüdeki bir noktanın parlaklığının yalnızca yüzeyin karşılık gelen alanının parlaklığına bağlı olduğu göz önüne alındığında, görsel bilginin belirli bir doğruluk derecesi ile her noktanın parlaklık veya şeffaflık durumunu yansıttığını varsayabiliriz. Daha sonra görüntü, sınırlı bir dikdörtgen Oxy düzleminde verilen ve belirli bir değerler kümesine sahip olan iki uzamsal değişken f (x, y) sınırlı bir fonksiyonu olarak anlaşılır. Örneğin, siyah beyaz bir fotoğraf f (x, y)? 0 olarak temsil edilebilir, burada 0? X? A, 0? Y? B ve f (x, y) parlaklıktır (bazen optik yoğunluk veya beyazlık) (x, y) noktasında; a - çerçeve genişliği, b - çerçeve yüksekliği.

Bir bilgisayarın dijital belleğinin yalnızca veri dizilerini depolayabilmesi nedeniyle, görüntü önce bir sayısal forma (matris) dönüştürülür. Görüntüler, video sensörleri kullanılarak bilgisayar belleğine girilir. Video sensörü, görüntü parlaklığının optik dağılımını elektrik sinyallerine ve ardından dijital kodlara dönüştürür. Görüntü, iki uzaysal değişken x ve y'nin bir fonksiyonu olduğundan ve elektrik sinyali bir değişken t'nin (zaman) bir fonksiyonu olduğundan, dönüşüm için bir tarama kullanılır. Örneğin, bir televizyon kamerası kullanıldığında, görüntü satır satır okunur ve her satırda, parlaklığın uzaysal koordinat x üzerindeki bağımlılığı, elektrik sinyalinin genliğinin t zamanında orantılı bir bağımlılığına dönüştürülür. Bir önceki satırın sonundan bir sonraki satırın başına geçiş neredeyse anında gerçekleşir.

Görüntülerin bir bilgisayara girilmesi, kaçınılmaz olarak, görüntülerin x ve y uzaysal koordinatlarında örneklenmesi ve her bir ayrı noktadaki parlaklık değerinin nicelenmesi ile ilişkilidir. Ayrıklaştırma, Kartezyen koordinat sisteminin x ve y eksenlerine paralel doğrulardan oluşan bir koordinat ızgarası kullanılarak elde edilir. Böyle bir kafesin her bir düğümünde, görsel olarak algılanan bilgi taşıyıcısının parlaklığı veya şeffaflığı hakkında bir okuma yapılır, bu daha sonra nicelenir ve bilgisayar belleğinde temsil edilir. Bir görüntünün örneklenmesi sürecinde elde edilen bir görüntü elemanına piksel denir. Yarı tonlu bir görüntünün yüksek kaliteli bir temsili için 28 = 256 niceleme seviyesi yeterlidir, yani. Resmin 1 pikseli 1 bayt bilgi ile kodlanmıştır.

Görüntülerin ana özellikleri şunlardır:

1. Görüntü boyutu;

2. Renk derinliği;

3. Çözünürlük.

2. Renkli görüntüleri kodlama

Renk, ışık, bir nesne ve bir cihazın (gözlemci) etkileşiminden kaynaklanan bir olgudur.

Herhangi bir rengin, doğrusal olarak bağımsız üç rengin belirli miktarlarının toplamı olarak temsil edilebileceği deneysel olarak belirlenmiştir.

Üç doğrusal bağımsız renge birincil renkler denir.

Renk koordinat sistemini (CFR) veya renk şemasını tanımlarlar, yani. renklerin geri kalanını elde etmek için bir dizi ana renk.

İki tür renk şeması vardır: yayılan ışık ve yansıyan ışık renk şemaları.

RGB sistemi.

Ana renkleri 700 nm'de Kırmızı, 546.1 nm'de Yeşil ve 435.8 nm'de Mavi'dir. RGB katkı maddesidir.

Bu durumda, ana renkler eklenerek bir veya başka bir renk elde edilir.

CMYK sistemi.

Bu sistem, aydınlatılmış beyaz ışığın spektrumunun bir kısmını emen ve radyasyonun geri kalanını yansıtan, renkli, parlak olmayan nesnelerin renklerini oluşturmak için kullanılır.

CMYK, renkli baskının temelidir.

Bir renk çıkarma modeli olan çıkarmalı CMY modeline (camgöbeği için Camgöbeği, macenta için Macenta, sarı için Sarı) dayanır. Burada hala üç ana renk var.

Basılan görüntünün kalitesini arttırmak için sisteme siyah renk eklenmiştir.

HSB sistemi.

Bu sistem ton veya ton, doygunluk ve hafiflik kullanımına dayanmaktadır. Ton, bir rengin belirli bir tonunu ifade eder, doygunluk göreceli yoğunluğunu ifade eder ve renk parlaklığı, daha koyu bir görüntü oluşturmak için siyah ton miktarını ifade eder.

Bu sistemin bir varyasyonu HSL şemasıdır.

3. Görüntü biçimleri

Şu anda çok sayıda farklı grafik dosyası formatı kullanılmaktadır. Bunların en yaygın kullanılanları TIFF, GIF, JPEG, PNG ve BMP'dir.

TIFF (Etiket Görüntü Biçimi), yüksek kaliteli taranmış renkli görüntüleri depolamak için en güvenilir ve çok yönlü biçimlerden biridir. LZW sıkıştırmasını kullanabilir, yani. kayıpsız görüntü depolama formatlarını ifade eder.

GIF (Graphics Interchange Format) 256 renk paletine sahiptir ve sıkıştırma için kayıpsız LZW algoritmasını kullanır. Orijinal renk sayısı 256'dan fazlaysa, bazı renk bilgileri kaybolacaktır.

JPEG (Fotoğrafçılar Uzman Grubuna Katıl) formatı, aynı adı taşıyan görüntü sıkıştırma algoritmasını temel alır. Kayıplı sıkıştırma algoritmalarına aittir ve tam renkli görüntüleri yüksek sıkıştırma oranıyla saklamak için tasarlanmıştır. Formatı kullanırken, kalite parametresini 0 (maksimum sıkıştırma) ile 100 (maksimum kalite) arasında kontrol etmek mümkündür. Kaliteye bağlı olarak sıkıştırma oranı 10 ila 1000 arasındadır. Bu biçim çoğunlukla daha fazla işlem için amaçlanmayan tam renkli fotoğraf görüntülerini depolamak için kullanılır.

PNG formatı, Deflate algoritmasını kullanarak kayıpsız sıkıştırma kullanarak grafik bilgilerini depolamak için bir tarama formatıdır. PNG formatı, eski ve daha basit GIF formatının yerini alacak ve bir dereceye kadar çok daha karmaşık TIFF formatının yerini alacak şekilde tasarlanmıştır. PNG formatı, öncelikle İnternet'te kullanım ve grafikleri düzenlemek için konumlandırılmıştır. GIF'e göre şu ana avantajlara sahiptir: görüntüde pratik olarak sınırsız sayıda renk; alfa kanalı için isteğe bağlı destek; gama düzeltme olasılığı; iki boyutlu geçmeli tarama.

BMP (BitMaP) formatı, Windows işletim sisteminin yerel bitmap formatlarını ifade eder. Hem 256 renge kadar bir paletle indekslenmiş biçimde hem de 24 bit renk derinliğine sahip tam renkli RGB görüntüler biçiminde görüntüleri depolamak için uygundur. RLE sıkıştırma algoritması kullanılabilir.

4. Görüntü türleri

4.1 Bilevel (veya tek renkli) görüntü

Bu durumda, tüm pikseller, genellikle siyah (ikili bir veya temel renk) ve beyaz (ikili sıfır veya arka plan rengi) olarak adlandırılan yalnızca iki değere sahip olabilir.

Böyle bir görüntünün her pikseli bir bit ile temsil edilir, bu nedenle bu en basit görüntü türüdür.

1. Yarı tonlu görüntü. Böyle bir 2n-seviyeli görüntü, n-bitlik katmanlardan oluşur.

2. Renkli görüntü. Böyle bir görüntü, yukarıda sunulan formatlardan birinde açıklanmıştır.

3. Sürekli tonlu görüntü. Bu görüntü türü birçok benzer renge (veya yarı tonlara) sahip olabilir. Komşu pikseller yalnızca bir farkla farklılık gösterdiğinde, gözün renklerini ayırt etmesi neredeyse imkansızdır. Sonuç olarak, bu tür görüntüler, rengin göze sürekli değişiyormuş gibi göründüğü alanlar içerebilir. Bu durumda, piksel ya büyük bir sayı (gri tonlamalı durumda) ya da üç bileşen (renkli görüntü durumunda) ile temsil edilir. Sürekli tonlu görüntüler doğal veya doğaldır (insan yapımı, yapayın aksine); genellikle bir dijital kamera ile fotoğraf çekilerek veya fotoğraf veya çizim taranarak elde edilirler.

4. Ayrı tonlu görüntü (sentetik olarak da adlandırılır). Genellikle bu görüntü yapay olarak elde edilir. Yalnızca birkaç renge veya birçok renge sahip olabilir, ancak doğal bir görüntünün gürültüsü ve kusurlarına sahip değildir. Bu tür görüntülere örnek olarak insan yapımı nesnelerin, makinelerin veya mekanizmaların fotoğrafları, metin sayfaları, haritalar, çizimler veya bilgisayar ekranındaki görüntüler verilebilir. (Her yapay görüntü ayrı tonlu olmayabilir. Doğal görünmesi gereken bilgisayar tarafından oluşturulmuş bir görüntü, yapay kökenine rağmen sürekli tonlara sahip olacaktır.) Yapay nesnelerin, metinlerin, çizilmiş çizgilerin bir şekli, sınırları iyi belirlenmiş. Görüntünün geri kalanıyla (arka plan) güçlü bir kontrast oluştururlar. Ayrık tonlu bir görüntünün bitişik pikselleri genellikle tektir veya büyük farklılıklar gösterir. Bu tür görüntüler, veri kaybı olan yöntemlerle zayıf bir şekilde sıkıştırılır, çünkü mektubun sadece birkaç pikselinin bozulması onu okunaksız hale getirir, tanıdık stili tamamen ayırt edilemez hale getirir. Ayrık tonlu görüntüler genellikle çok fazla fazlalık taşır. Parçalarının çoğu, görüntünün farklı yerlerinde birçok kez tekrarlanır.

5. Çizgi film gibi görüntüler. Bunlar, aynı rengin geniş alanlarına sahip renkli görüntülerdir. Bu durumda, bitişik alanlar renklerinde büyük ölçüde değişebilir.

5. Görüntü işleme yöntemleri

Görüntülerin ön analizi şu sonuca varmamızı sağlar:

İlk olarak, görüntülerin çoğu, oluşum sürecinde (fotoğraf çekimi, tarama vb.), Bir dizi olumsuz faktörden (kamera titreşimi, tarama elemanının düzensiz hareketi vb.) etkilenir, bu da bulanıklığa, görünüme neden olur. düşük kontrastlı ve gürültülü alanların vb.

İkincisi, yöntemlerin ezici çoğunluğu, görüntüdeki nesnelerin seçimine ve bunların daha fazla analizine dayanmaktadır.

Bu nedenle, görüntü analiz edilmeden önce, görsel kaliteyi iyileştirmek (kontrastı artırmak, bulanıklığı ortadan kaldırmak, sınırların altını çizmek, filtrelemek) ve bir grafik hazırlığı oluşturmak (bölümleme, anahat vurgulama) için işlemlerin gerçekleştirilmesini içeren hazırlık aşamasından geçmelidir. görüntü.

5.1 Kontrastı değiştirme

Zayıf kontrast, genellikle küçük bir dinamik parlaklık değişikliği aralığından veya parlaklık seviyelerinin iletimindeki güçlü doğrusal olmama durumundan kaynaklanır. En basit karşıtlaştırma yöntemi, parlaklık derecelendirmesinin fij'in gij'e, yani gij = R (fij)'ye işlevsel bir eşlemesidir. Pratikte, doğrusal fonksiyon eşlemeleri çok sık kullanılır. Fotoğraf çekerken veya fotoğraf çekerken eşit olmayan aydınlatmanın bir sonucu olarak, görüntünün farklı alanlarının farklı kontrastlara sahip olduğu bir durum ortaya çıkar. Bu durumda kontrastı değiştirmek için uyarlamalı kontrast algoritmaları kullanılır. Bir örnek, yerel kontrast geliştirme algoritmasıdır. Deneysel çalışmalar, görüntünün açıkça fazla tahmin edilmiş veya eksik tahmin edilmiş kontrastlara sahip alanlar içermesi durumunda algoritmanın yüksek verimliliğini doğrulamıştır.

Algoritmanın özü, bir anlık görüntünün bir dizi yerel alan olarak kabul edilmesi ve bu alanların özellikleri dikkate alınarak işlenmesidir. İşlem, aşağıdaki sırayla gerçekleştirilir: yoğunluk dilimlerinin kazancı, görüntünün her bir yerel alanı için ayrı ayrı hesaplanır. Ve görüntünün her pikselinin işlenmesi gerçekleştirilir. p bire eşitse, görüntünün yerel alanı üzerinde herhangi bir işlem yapılmaz (p birlikten farklıysa, yerel alanın kontrastı artar). Başlangıçta kontrast, en yakın komşuluğa göre analiz edilen noktada hesaplanır. Daha sonra göreceli kontrast değeri bire eklenir ve elde edilen değer algoritmada kazanç p olarak alınır ve ardından aşağıdaki formül kullanılarak hesaplama yapılır:

görüntü segmentasyon programı kontrastı

nerede yeni parlaklık değeri, işlenen görüntünün mevcut parlaklığı, işlenen görüntünün gerekli maksimum parlaklık değeridir.

5.2 Gürültü yumuşatma

Sayısallaştırma aşamasındaki görüntüler, toplamsal ve darbe gürültüsüne maruz bırakılır. Toplamsal gürültü, sistemin çıkışında faydalı olana eklenen bazı rastgele sinyallerdir; bu durumda, filmin grenli olması nedeniyle toplamsal gürültü ortaya çıkar. Darbe gürültüsü, toplamsal gürültünün aksine, yararlı sinyal üzerindeki etki ile yalnızca ayrı rastgele noktalarda (sonuçlanan sinyalin bu noktalardaki değeri rastgele bir değer alır) karakterize edilir. Dürtü gürültüsü, dijital görüntü iletimi ve depolama sistemlerinde yaygındır. Böylece görüntü hazırlama sürecinde gürültü bastırma sorunu ortaya çıkmaktadır.

Bir görüntüdeki gürültüyü yumuşatmanın en basit yöntemi yumuşatmadır, yani. her öğenin parlaklık değerini, çevresinde bulunan ortalama değerle değiştirmek:

noktanın çevresine ait olan noktalar kümesi nerededir (noktanın kendisi dahil); - mahalledeki puan sayısı.

Dikkate alınan yöntem, görüntünün her bir öğesindeki ek ve darbe gürültüsünü etkin bir şekilde ortadan kaldırır.

5.3 Kenarlıkların Altını Çiz

Görüntü yumuşatma teknikleri gürültüyü çok etkili bir şekilde ortadan kaldırabilir. Kenar yumuşatma algoritmalarının önemli bir dezavantajı, görüntünün bulanıklaşmasıdır (yani, kontur öğelerinin keskinliğini azaltır), bulanıklık miktarı ise yumuşatma için kullanılan maskenin boyutuyla orantılıdır. Görüntülerin net bir analizi için, özellikle yapısal elemanların geometrik özelliklerini hesaplarken, görüntüdeki nesnelerin konturlarından bulanıklığı gidermek, yani nesnenin kontur elemanlarının parlaklık dereceleri arasındaki farkı arttırmak ve çok önemlidir. bitişik arka plan öğeleri. Bu durumda görüntü işlemede konturların altını çizme yöntemleri kullanılmaktadır.

Tipik olarak, kenar geliştirme, yüksek frekanslı uzamsal filtreleme kullanılarak gerçekleştirilir. Filtre özellikleri, ortalama değerin sıfıra eşit olması gereken bir maske biçiminde ayarlanır.

Sınırları vurgulamanın başka bir yöntemi de statik farklılaşmadır. Bu yöntemde, her bir elemanın parlaklık değeri, standart sapmanın istatistiksel bir tahmini ile bölünür, yani (standart sapma, elemanın belirli bir komşuluğunda hesaplanır).

5.4 Medyan filtreleme

Medyan filtreleme, doğrusal olmayan görüntü işleme yöntemlerini ifade eder ve doğrusal filtrelemeye (klasik yumuşatma prosedürü) göre aşağıdaki avantajlara sahiptir: keskin düşüşleri (sınırları) korur; dürtü gürültüsünü etkili bir şekilde düzeltir; arka planın parlaklığını değiştirmez.

Medyan filtreleme, belirli bir açıklığı (maskeyi) ayrı bir görüntü boyunca hareket ettirerek ve maskenin merkezi öğesinin değerini, açıklık içindeki orijinal öğelerin medyan değeri (sıralı dizinin ortalama değeri) ile değiştirerek gerçekleştirilir. Genel olarak, açıklık çok çeşitli şekillere sahip olabilir, ancak pratikte kare bir açıklık boyutundadır.

5.5 Görüntü segmentasyonu

Görüntü segmentasyonu, onu anlamlı bir anlama sahip bileşen parçalara ayırma işlemi olarak anlaşılır: nesneler, sınırları veya diğer bilgilendirici parçalar, karakteristik geometrik özellikler vb. Görüntü, kalitesi büyük ölçüde tanıma sorununu çözme başarısını belirler. ve nesnelerin yorumlanması.

Genel durumda, bölütleme, orijinal görüntünün fonksiyonunun tanımlandığı bir düzlemin sonlu bir kümesini, küme üzerinde tanımlanan bazı yüklemlere göre boş olmayan bağlantılı alt kümelere bölme ve herhangi bir durumda doğru değerleri alma işlemidir. her bir alt kümeden bir çift nokta, bazı homojenlik kriterlerini karşılar (örneğin, tek bir pikselin parlaklığı ile ilgili alan üzerinden hesaplanan ortalama parlaklık değeri arasındaki maksimum farkın değerlendirilmesine dayanan homojenlik kriteri).

5.5.1 Eşik segmentasyon yöntemleri

Eşikleme, sezgisel özellikleri nedeniyle ana görüntü bölütleme yöntemlerinden biridir. Bu yöntem, bireysel homojen alanları orta parlaklık ile karakterize edilen görüntü işlemeye odaklanır. Eşik bölümlemenin en yaygın yöntemi, elimizde iki tür homojen alana sahip olduğumuzda ikili bölümlemedir.

Bu durumda, görüntü piksel piksel işlenir ve girdi görüntüsünün her pikselinin çıktıya dönüşümü şu orandan belirlenir:

eşik adı verilen işleme parametresi nerede ve çıkış parlaklık seviyeleri. Görüntüdeki konumu herhangi bir rol oynamayan piksellerle işlemeye nokta işleme denir. Seviyeler ve etiketlerin rolünü oynar. Onlara göre, belirli bir noktanın hangi türe atfedilmesi gerektiği belirlenir: H0 veya H1'e. Veya H0'ın arka plan noktalarından ve H1'in ilgi noktalarından oluştuğunu söylüyorlar. Tipik olarak, seviyeler ve beyaz ve siyah seviyelere karşılık gelir. H1 sınıflarını (diğer adıyla ilgi sınıfı) nesnenin sınıfı ve H0 sınıfını arka planın sınıfı olarak adlandıracağız.

Doğal olarak, segmentasyon sadece ikili olmayabilir ve bu durumda ikiden fazla mevcut sınıf vardır. Bu tür segmentasyona çok seviyeli denir. Ortaya çıkan görüntü ikili değil, farklı parlaklıktaki bölümlerden oluşuyor. Biçimsel olarak, bu işlem aşağıdaki gibi yazılabilir:

seviyelerin sayısı nerede ve görüntü sınıfları. Bu durumda sınıfların her biri için bu sınıfları birbirinden ayıracak uygun bir eşik belirlenmelidir. İkili görüntülerin saklanması ve işlenmesi, birçok parlaklık düzeyine sahip görüntülerden daha kolaydır.

Eşiklemenin en zor kısmı, eşikleme işleminin kendisidir. Eşik genellikle formun bir fonksiyonu olarak yazılır:

görüntü nerede ve görüntü noktasının bazı özellikleri, örneğin, bu noktanın ortalandığı mahalledeki ortalama parlaklık.

Eşik değeri yalnızca bağlıysa, yani tüm görüntü noktaları için aynıysa, böyle bir eşiğe global denir. Bir eşik uzamsal koordinatlara bağlıysa, böyle bir eşiğe yerel denir. Özelliğe bağlıysa, böyle bir eşiğe uyarlanabilir denir. Bu nedenle, işleme bir bütün olarak görüntünün tamamına atıfta bulunuyorsa global ve seçilen bir alana atıfta bulunuyorsa yerel olarak kabul edilir.

Algoritmaların bu ayrımlarına ek olarak, daha birçok yöntem vardır. Birçoğu sadece başkalarının bir koleksiyonudur, ancak çoğu bir şekilde orijinal görüntünün histogramının analizine dayanır, ancak histogramların analizini etkilemeyen temelde farklı yaklaşımlar da vardır. doğrudan formlarında veya onlardan diğer bazı işlevlerin analizine geçer.

5.5.2 Alan büyütme yöntemleri

Bu grubun yöntemleri, yerel görüntü özelliklerinin kullanımına dayanmaktadır. Alan oluşturma yöntemi fikri, önce başlangıç ​​noktasını, ardından komşu noktalarını vb. analiz etmektir. bazı homojenlik kriterlerine uygun olarak ve analiz edilen noktaların bir veya başka bir gruptaki müteakip kaydında (başlangıç ​​noktalarının sayısı görüntüdeki homojen alanların sayısına eşit olmalıdır). Yöntemin daha verimli versiyonlarında, başlangıç ​​noktası tek tek pikseller değil, görüntünün bir dizi küçük alana bölünmesidir. Daha sonra her alan tekdüzelik açısından kontrol edilir ve test sonucu negatifse, ilgili alan daha küçük bölümlere ayrılır. İşlem, seçilen tüm alanlar homojenlik testini geçene kadar devam eder. Bundan sonra homojen alanların oluşumu bina yardımı ile başlar.

Eşik ve parlaklık tabanlı tekdüzelik segmentasyonu genellikle istenen sonuçları üretmez. Bu tür segmentasyon genellikle görüntüde gerçek prototipleri olmayan önemli sayıda küçük alanın ortaya çıkmasına neden olur. En etkili sonuçlar, dokuya (veya doku özelliklerine) dayalı homojenlik kriterine göre bölütleme ile elde edilir.

5.5.3 Konturların seçilmesi

Çevreleri, eğrilikleri, şekil faktörlerini, nesnelerin belirli yüzey alanlarını vb. bulma göreviyle karşı karşıya kalmak nadir değildir. Bu görevlerin tümü, şu veya bu şekilde nesnelerin kontur elemanlarının analizi ile ilgilidir.

Bir görüntüdeki konturları (kenarlıkları) vurgulama yöntemleri aşağıdaki ana sınıflara ayrılabilir:

yüksek frekanslı filtreleme yöntemleri;

mekansal farklılaşma yöntemleri;

fonksiyonel yaklaşım yöntemleri.

Tüm bu yöntemlerin ortak noktası, sınırları görüntü parlaklığı işlevinde keskin bir düşüşün olduğu bir alan olarak görme eğilimidir; onları ayıran şey, sınır kavramının tanıtılan matematiksel modeli ve sınır noktalarını bulmak için kullanılan algoritmadır.

Belirlenen görevlere göre, konturları tanımlama algoritmalarına aşağıdaki gereksinimler uygulanır: seçilen konturlar inceltilmeli, kırılmadan ve kapatılmalıdır. Bu nedenle, boşlukları inceltmek ve ortadan kaldırmak için algoritmalar kullanma ihtiyacı nedeniyle konturları çıkarma işlemi biraz karmaşıktır. Bununla birlikte, bu her zaman istenen sonucu vermez - çoğu durumda konturlar kapalı değildir ve sonuç olarak bir dizi analiz prosedürü için uygun değildir.

Sorun, nesnelerin kapalı konturlarını seçmenize izin veren "böcek" yöntemini kullanarak sınırları izlemek için bir algoritma ile şekillendirme yaparak çözülebilir. Algoritmanın özü şudur: nesnede bir başlangıç ​​sınır noktası seçilir ve ardından başlangıç ​​noktasına ulaşılana kadar konturun ardışık olarak izlenmesi gerçekleşir. Başlangıç ​​noktasına ulaşmak için konturun saat yönünde izlenmesi durumunda, piksel nesnenin dışındaysa sağa, nesnenin üzerindeyse sola doğru bir piksel hareketi gerçekleştirilir.

Bu şekilde seçilen kontur, kapalı bir zincir kodudur, yani. görevleri çözmek için çok uygun olan nesnenin sınır noktalarının koordinatları dizisi.

5.5.4 Kümelemeye dayalı yöntemler

K-Means Yöntemi, bir görüntüyü K kümelerine bölmek için kullanılan yinelemeli bir yöntemdir. Temel algoritma aşağıda gösterilmiştir:

1. Rastgele veya bazı buluşsal yöntemlere dayalı olarak K küme merkezini seçin;

2. Görüntünün her pikselini, merkezi bu piksele en yakın olan kümeye yerleştirin;

3. Kümedeki tüm piksellerin ortalamasını alarak küme merkezlerini yeniden hesaplayın;

4. Yakınsamaya kadar (örneğin pikseller aynı kümede kaldığında) 2. ve 3. adımları tekrarlayın.

Burada mesafe genellikle karelerin toplamı veya piksel ile kümenin merkezi arasındaki farkların mutlak değerleri olarak alınır. Fark genellikle renk, parlaklık, doku ve piksel konumuna veya bu faktörlerin ağırlıklı toplamına bağlıdır.

K manuel, rastgele veya sezgisel olarak seçilebilir.

Bu algoritmanın yakınsaması garanti edilir, ancak optimal bir çözüme yol açmayabilir.

Çözümün kalitesi, ilk küme kümesine ve K değerine bağlıdır.

5.5.5 Histogramı kullanan yöntemler

Histogram teknikleri, diğer görüntü bölütleme teknikleri ile karşılaştırıldığında çok etkilidir çünkü sadece bir piksel geçişi gerektirirler. Bu yöntemde, görüntüdeki tüm pikseller üzerinden histogram hesaplanır ve görüntüdeki kümeleri bulmak için minimum ve maksimumları kullanılır. Karşılaştırmada renk veya parlaklık kullanılabilir.

Bu yöntemdeki bir gelişme, onları daha küçük kümelere bölmek için onu görüntüdeki kümelere özyinelemeli olarak uygulamaktır. İşlem, yeni kümelerin ortaya çıkması durana kadar daha küçük ve daha küçük kümelerle tekrarlanır.

Bu yöntemin bir dezavantajı, bir görüntüde önemli yüksek ve alçak noktaları bulmanın zor olabilmesidir. Bu görüntü sınıflandırma yönteminde, uzaklık ölçütü ve entegre bölgelerin karşılaştırılması benzerdir.

Histogram tabanlı yaklaşımlar, tek geçişte hız avantajlarını korurken, birden çok kare için de hızla uyarlanabilir. Histogram, birkaç çerçeve düşünüldüğünde birkaç yolla oluşturulabilir. Bir kare için kullanılan aynı yaklaşım birkaç kare için de uygulanabilir ve sonuçlar birleştirildikten sonra, izole edilmesi zor olan minimumlar ve maksimumlar daha belirgin hale gelir. Her piksele bir histogram da uygulanabilir; burada bilgiler, belirli bir piksel konumu için en sık görülen rengi belirlemek için kullanılır. Bu yaklaşım, video izlemede faydalı olan farklı türde bir segmentasyon sağlayan hareketli nesnelere ve sabit ortamlara dayalı segmentasyon kullanır.

5.5.6 Alan yayılma teknikleri

Birincisi, tohumlardan alan yetiştirme yöntemiydi. Bu yöntem, görüntüleri ve bir dizi tohumu girdi olarak kabul eder. Tohumlar seçilecek nesneleri işaretler. Alanlar, tüm boş komşu pikselleri alanla karşılaştırarak yavaş yavaş büyür. Bir pikselin parlaklığı ile bir alanın ortalama parlaklığı arasındaki fark q, benzerlik ölçüsü olarak kullanılır. Bu tür en küçük farka sahip piksel, karşılık gelen alana eklenir. İşlem, tüm pikseller bölgelerden birine eklenene kadar devam eder.

Tohumlardan aşırı büyüyen alanların yöntemi ek girdi gerektirir. Segmentasyon sonucu tohum seçimine bağlıdır. Görüntü gürültüsü tohumların kötü yerleştirilmesine neden olabilir. Çekirdeksiz Alan Yayma Yöntemi, açık tohumlar gerektirmeyen değiştirilmiş bir algoritmadır. Bir alanla başlar - burada seçilen pikselin son segmentasyon üzerinde çok az etkisi vardır. Her yinelemede, komşu pikselleri, tohumları kullanarak alanları büyütme yöntemiyle aynı şekilde ele alır. Ancak, minimum belirli bir eşikten daha az değilse, ilgili alana eklenmesi farklıdır. Aksi takdirde pikselin mevcut tüm bölgelerden çok farklı olduğu düşünülür ve bu pikseli içeren yeni bir bölge oluşturulur.

Bu yöntemin bir varyasyonu, piksel parlaklığının kullanımına dayanmaktadır. Alanın ortalaması ve varyansı ile aday pikselin parlaklığı, test istatistiklerini oluşturmak için kullanılır. Test istatistiği yeterince küçükse, alana piksel eklenir ve alanın ortalaması ve varyansı yeniden hesaplanır. Aksi takdirde piksel yok sayılır ve yeni bir alan oluşturmak için kullanılır.

5.5.7 Grafik Kesme Yöntemleri

Grafik kesme teknikleri, görüntü segmentasyonuna etkin bir şekilde uygulanabilir. Bu yöntemlerde görüntü, ağırlıklı yönsüz bir grafik olarak temsil edilir. Tipik olarak, bir piksel veya piksel grubu bir tepe noktası ile ilişkilendirilir ve kenar ağırlıkları, bitişik piksellerin benzerliğini veya farklılığını belirler. Grafik daha sonra "iyi" kümeler üretmek için tasarlanmış bir kritere göre dilimlenir. Bu algoritmalarla elde edilen köşelerin (piksellerin) her bir parçası görüntüde bir nesne olarak kabul edilir.

5.5.8 Havza bölümlemesi

Watershed yöntemiyle segmentasyonda, bir görüntü, parlaklık değerlerinin belirli bir seviyeye göre yükseklik değerlerini temsil ettiği alanın bir tür haritası olarak kabul edilir. Bu alan suyla doldurulursa havuzlar oluşur. Su ile daha fazla doldurulduktan sonra bu havuzlar birleştirilir. Bu havzaların birleşim yerleri havza çizgileri olarak işaretlenmiştir.

Bu yorumda, üç türün noktaları dikkate alınır:

1. yerel minimum;

2. Yamaçta bulunan noktalar, yani. suyun aynı yerel minimuma indiği;

3. yerel maksimum noktaları, yani. suyun birden fazla minimumda aşağı yuvarlandığı.

Bir görüntüdeki dokunan nesneleri ayırmak, görüntü işlemenin önemli görevlerinden biridir. Bu sorunu çözmek için genellikle işaretleyici havza yöntemi kullanılır. Bu yöntemi kullanarak dönüştürme yaparken, parlaklık özelliklerine bağlı olarak yerel alanları işleyerek görüntüdeki "havzaları" ve "havza çizgilerini" belirlemeniz gerekir.

Watershed marker yöntemi, görüntü bölütleme için en etkili yöntemlerden biridir.

Bu yöntemi uygularken aşağıdaki temel prosedürler gerçekleştirilir:

1. Segmentasyon fonksiyonu hesaplanır. Nesnelerin karanlık alanlarda bulunduğu ve görülmesi zor olan görüntülerle ilgilidir.

2. Görüntülerin ön plan işaretçilerinin hesaplanması. Her nesnenin piksel bağlantısının analizine dayalı olarak hesaplanırlar.

3. Arka plan işaretlerinin hesaplanması. Nesnelerin parçası olmayan piksellerdir.

4. Arka plan işaretçilerinin ve ön plan işaretçilerinin konum değerlerine göre segmentasyon fonksiyonunun değiştirilmesi.

Su havzaları boyunca bölütlemenin en önemli uygulamalarından biri, bir görüntünün arka planına karşı parlaklıkta homojen nesnelerin (noktalar şeklinde) seçilmesidir. Düşük parlaklık değişimlerine sahip alanlar düşük gradyan değerlerine sahiptir. Bu nedenle, pratikte, genellikle, havza bölütleme yöntemi görüntünün kendisine değil, gradyanına uygulandığında bir durum ortaya çıkar.

6. Fonksiyonların tanımı

Bu makale, işaretleyici havza yöntemini kullanan bir görüntü bölütleme algoritması sunmaktadır.

Bir program oluştururken kullanılan ana işlevler:

fspecial işlevi, belirtilen türde iki boyutlu bir filtre oluşturur;

Filtre işlevi - degrade bir görüntü oluşturmanın morfolojik işlemi;

Havzayı görüntüden dönüştürmenin havza işlevi;

label2rgb işlevi, orijinal görüntüyü gri tonlamaya dönüştürür;

imregionalmax işlevi, görüntünün tüm yerel maksimumlarını belirler;

imextendedmin işlevi, görüntüde yakın çevrelerine kıyasla önceden belirlenmiş belirli bir eşik seviyesinden daha derin olan "düşük" noktalar bulur;

imimposemin işlevi, gri tonlamalı görüntüyü değiştirir, böylece yerel minimumlara yalnızca işaretli konumlarda ulaşılır; yerel minimumun diğer tüm noktalarını ortadan kaldırmak için diğer piksel değerleri artırılır;

Yeniden yapılandırma ve tamamlama işlevleri, bir görüntünün morfolojik açma (kapatma) işlemlerini kullanarak yeniden yapılandırılmasıdır.

7. Algoritmayı test etme

Bu yöntemi uygularken aşağıdaki prosedürler gerçekleştirilmiştir:

1. Görüntüyü okuyup gri skalaya çeviriyoruz (Şekil 1);

Şekil 1. Orijinal (solda) ve gri tonlamalı (sağda) görüntüler.

2. Gradyan değerlerini segmentasyon fonksiyonu olarak kullanın (Şekil 2);

Şekil 2. Gradyan değerleri.

3. Görüntü üzerinde morfolojik işlemler yapıyoruz (Şekil 3);

Şekil 3. Görüntü rekonstrüksiyonu yoluyla açma - kapama morfolojik işlemlerinin uygulanması sonucu.

4. Görüntünün ön ve arka plan işaretlerini hesaplayın (Şekil 4);

Şekil 4. Görüntünün ön (sol) ve arka (sağ) işaretçileri.

5. Havzaların sınırlarını oluşturuyoruz (Şekil 5);

Şekil 5. Havzaların sınırları.

6. Noktalı resim görüntüsünde nesnelerin işaretlerini ve sınırlarını görüntüleyin (Şekil 6);

Şekil 6. Nesnelerin işaretleri ve sınırları.

7. Renkli bir görüntü (solda) ve yarı saydam bir mod (sağda) kullanarak segmentasyon sonucunu görüntüleyin.

Şekil 7 Segmentasyon sonuçları.

Çözüm

Bu yazıda, görüntü bölütleme için bir işaretleyici havza yöntemi geliştirilmiştir.

Watershed segmentasyon algoritmasının doğrudan uygulanması, aşırı segmentasyonla sonuçlanır, bu nedenle aşırı segmentasyonu yönetmek için işaretçi tabanlı bir yaklaşım kullanılır.

İşaretleyici, bir görüntüye ait olan bağlantılı bir bileşendir. Ayrıca su havzaları boyunca bölütlemeden önce görüntünün gerekli ön işlemleri yapılmıştır.

Kullanılan kaynakların listesi

1. Gonzalez R., Woods R. Dijital görüntü işleme. - M.: Teknosfer, 2005.1072 s.

2. Pratt W. Dijital görüntü işleme. - M.: Mir, 1. kitap, 1982.312'ler.

3. Yaroslavsky L.P. Dijital görüntülemeye giriş. - M: Sov. radyo, 1979.312 s.

4. Pratt W. Dijital görüntü işleme. - M: Mir, kitap. 1, 1982.480'ler.

5.http: //www.ict.edu.ru/lib/

6.http: //matlab.exponenta.ru/imageprocess/book2/76.php

7. Vezir Yu.V. LabVIEW ve IMAQ VIsion'da örneklerle dijital görüntülerin işlenmesi ve analizi. - E: DMK, 2011.464 s.

8. Gonzalez R., Woods R., Eddins S. MATLAB'da dijital görüntü işleme. - M: Teknosfer, 2006.616 s.

9.http: //matlab.exponenta.ru/imageprocess/book2/48.php

10. Salomon D. Veri, görüntü ve sesin sıkıştırılması. - E.: Tekhnosfera, 2004,368 s.

Başvuru

resmi sayıyoruz

rgb = imread ("C: \ Kullanıcılar \ Ad \ Belgeler \ MATLAB \ resim1.jpeg");

Gri tonlamalı olarak temsil edelim

ben = rgb2gray (rgb); şekil, imshow (I);

Gradyanın değerini hesaplayın

hy = fözel ("sobel"); hx = hy";

Iy = imfilter (çift (I), hy, "çoğaltma");

Ix = imfilter (çift (I), hx, "çoğaltma");

gradmag = sqrt (Ix. ^ 2 + Iy. ^ 2);

Havza yöntemini uygulayın

L = havza (gradmag); Lrgb = label2rgb (L);

morfolojik işlemler

se = strel ("disk", 15);

Ie = imerode (I, se);Iobr = imreconstruct (yani, I);

Iobrd = imdilate (Iobr, se);

Iobrcbr = imreconstruct (imcomplement (Iobrd), impcomplement (Iobr));

Iobrcbr = tamamlama (Iobrcbr);

Yerel maksimumları hesaplıyoruz

fgm = imregionalmax (Iobrcbr);

İşaretçileri resmin üzerine yerleştirin

I2 = I; I2 (fgm) = 255;

Tek tek izole pikselleri kaldırma

se2 = strel (birler (3,3)); fgm2 = kapat (fgm, se2); fgm3 = imerode (fgm2, se2);

Belirtilen Sayıda Piksel Silme

fgm4 = bwareaopen (fgm3, 20);

Orijinal görüntünün üzerine bindirme

I3 = I; I3 (fgm4) = 255;

Arka plan işaretçilerini hesaplayın

bw = im2bw (Iobrcbr, greythresh (Iobrcbr));

Havza hattına olan mesafenin ölçülmesi

D = bwdist (bw); DL = havza (D); bgm = DL == 0;

şekil, imshow (bgm), başlık ("bgm");

Gradyan değerini ayarlama

gradmag2 = imimposemin (gradmag, bgm | fgm4);

L = havza (gradmag2);

Orijinal görüntüye işaretçiler ve nesne kenarlıkları ekleyin

I4 = I; I4 (yatay (L == 0, birler (3, 3)) | bgm | fgm4) = 255;

Renkli bir görüntü kullanarak sonucun görüntülenmesi

Lrgb = label2rgb (L, "jet", "w", "karıştır");

Yarı saydam bir görüntüye işaretçiler ve nesne sınırları ekleyin

şekil, imshow (I), bekle

himage = imshow (Lrgb);

ayarla (himage, "AlphaData", 0.3);

başlık ("Lrgb2");

Allbest.ru'da yayınlandı

...

benzer belgeler

Dijital radyografik sistemler. MatLab ortamında görüntülerin otomatik analizi için yöntemler. X-ışını görüntü analizi. Filtreleme, segmentasyon, görüntü iyileştirme. Ön görüntü normalizasyonunun donanım yetenekleri.

dönem ödevi, eklendi 12/07/2013


Görüntülerin işlenmesi ve bölütlenmesi için yöntem seçimi. Uygulanan filtrelerin matematiksel temelleri. Görüntü parlaklığı histogramı. Entegre bir görüntü işleme yönteminin yazılım uygulaması. Geliştirilen yazılımın test edilmesi.

dönem ödevi, 18/01/2017 eklendi


X-ray medikal görüntülerinin işlenmesi, analizi, filtrelenmesi, segmentasyonu ve kalitesinin iyileştirilmesi için Matlab ortamında çalışma ve yazılım uygulaması. Dijital radyografik sistemler. Statik tabanlı algoritmaların geliştirilmesi.

dönem ödevi eklendi 01/20/2016


Görüntülerin doku analizi için modern sistemler. Tek bantlı görüntülerin doku bölütleme örnekleri. Spektrozonal hava fotoğraflarının sınıflandırılması için ikinci dereceden parlaklık histogramı temelinde elde edilen özniteliklerin kullanımı.

özet, eklendi 01/15/2017


Bilgisayar grafikleri ve elektronik bilgisayarlar tarafından görüntü işleme, bilgisayarların insan faaliyetinin tüm alanlarında kullanılmasının en önemli yönüdür. "Doğrusal bölümleme alt sisteminin" geliştirilmesi, algoritmanın ve mantığın açıklaması.

tez, eklendi 06/23/2008


Sayısal görüntü işleme sorunları. Eşik segmentasyon yöntemleri. Bir resmi matris biçiminde temsil etmek ve ona eşik uygulamak için bir programın oluşturulması. Seçilen bir eşik ile görüntüleri yüklemek ve filtrelemek için program arayüzünün geliştirilmesi.

11/12/2012 tarihinde eklenen dönem ödevi


Grafik görüntülerin sunumu ve işlenmesi için matematiksel yöntemlerin tanımı. Geliştirilen yazılım eklentisinin açıklaması. Fonksiyonların tanımı ve özellikleri. Grafik görüntülerin temsili ve işlenmesi. Program test sonuçları.

dönem ödevi eklendi 01/27/2015


Gürültü ve girişim varlığında uzamsal-zamansal görüntü işleme sorunu. Mekân-zamansal görüntü işleme için optimizasyon yöntemleri. Özel bir programın yapısı, kullanıcı arayüzünün açıklaması. Maliyet tahmini.

tez, eklendi 06/10/2013


Ayrıntıların tespiti ve görüntünün sınırları. Sıra algoritmalarının uygulanması. Parça parça işleme modunda modların uyarlanabilir nicemlemesi için algoritmalar kullanma. Görüntülerin genelleştirilmiş doğrusal filtrelemesi. Eksik alanların restorasyonu.

dönem ödevi, eklendi 06/17/2013


Bir görüntüdeki kenarlık seçimini otomatikleştirmek için mevcut yazılıma genel bakış. Gri tonlamalı görüntü işleme ve kenar algılama için matematiksel bir model ve görüntü işleme algoritmaları için yazılım geliştirilmesi.

görüntü işleme: segmentasyon

Yukarıda verilen segmentasyon kavramı genelleştirilmiş bir kavramdır. Genel olarak konuşursak, gözlemci için görüntü genellikle birbirinden çeşitli özelliklerde farklılık gösteren bazı homojen alanlar şeklinde sunulur. Bu türlerin (veya sınıfların) sayısı genellikle azdır. Görüntünün tamamı, her biri türlerden (sınıflardan) birinin görüntüsü olan bir dizi örtüşmeyen alana bölünebilir. Bu tür görüntüleri analiz ederken, herhangi bir sistemin amacı bu alanları tanımlamak ve tip numaralarını belirtmektir. Hakkında böyle bir bilgi kümesi elde etmenizi sağlayan görüntü işlemeye segmentasyon denir. Başka bir deyişle, görüntü alanlarının gerçek nesnelere veya bunların parçalarına karşılık geldiği varsayılmaktadır.

Ancak, tüm resmin birbirinden hiçbir şekilde farklı olmayan alanlara bölündüğü görüntüler var. O zaman tüm bilgiler bu durumda bu alanlar arasındaki bir dizi sınırı temsil eder. Basit bir örnek: tuğla veya kiremit.

Görüntü bölütleme yöntemleri iki sınıfa ayrılır:

Otomatik yani kullanıcı etkileşimi gerektirmeyen yöntemler;

Çalışma zamanında kullanıcı girdisini kullanan etkileşimli veya manuel yöntemler.

Görüntü bölümlendirme görevi, kural olarak, görüntü işlemenin bir aşamasında, daha fazla çalışma için bu görüntünün daha doğru ve daha uygun temsillerini elde etmek için uygulanır.

Çok çeşitli bölütleme yöntemleri vardır ve farklı yöntemler görüntü bölmenin farklı özelliklerine odaklanır. Bu nedenle, belirli bir görev için bir segmentasyon yöntemi seçerken, hangi sıralama özelliklerinin gerçekten önemli olduğuna ve orijinal görüntünün hangi özelliklere sahip olduğuna göre yönlendirilmelidir. Sınıflara bölünmenin getirildiği hangi ayrıntı düzeyinin kabul edilebilir olduğuna da karar vermek gerekir. Her şey çözülmekte olan her bir özel probleme bağlıdır. Örneğin, mikro devreleri analiz ederken, nesneleri seçme görevi, mikro devre bloklarının ve radyo bileşenlerinin seçimi olabilir veya bu radyo bileşenlerindeki çatlakların tespiti olabilir. O zaman, ilk durumda kendimizi daha büyük bir ayrıntıyla sınırlamamız gerektiği mantıklıdır.

Segmentasyon algoritmaları da genel olarak iki sınıfa ayrılır:

1) parlaklığın temel özelliğine göre: süreksizlik;

2) parlaklığın temel özelliğine dayanır: tekdüzelik.

İlk durumda, görüntü, örneğin görüntüdeki parlaklıktaki değişiklikler gibi, parlaklıktaki bazı değişikliklere dayalı olarak bölgelere ayrılır. İkinci durumda, görüntü bölgelerin homojenliği kriterlerine göre bölünür. İlk kategorinin bir örneği, eşikleme veya eşiklemedir ve ikincisi, bölge büyütme, bölge birleştirme ve alt bölümlemedir. Birinci türün segmentasyonu, yani eşikleme daha fazla tartışılacaktır.

RGB renk uzayında segmentasyon

Genellikle, eşik görüntü bölütlemesi, gri tonlamalı görüntü bölütleme görevine indirgenir. Gerçekten de, bir kural olarak, bir eşik seçimi ve buna dayanan segmentasyon ve dönüşümün doğrudan ön işlemesi olmamasına rağmen, RGB renk uzayındaki bir görüntüden gri tonlamaya geçişi gerçekleştirir. renkli bir görüntünün gri tonlamalı Bununla birlikte, bazen "renk segmentasyonu" hala kullanılmaktadır.

Rengi belirli bir aralıkta bulunan bir RGB görüntüsündeki nesneleri seçmek istediğinizi varsayalım. Bu durumda bölütlemenin görevi, görüntüdeki her pikseli, renginin belirli bir aralıkta olup olmamasına göre sınıflandırmaktır. Bunu yapmak için, renk uzayına, kural olarak, Öklid mesafesine bir benzerlik ölçüsü eklenir. Noktalar arasındaki Öklid uzaklığı ve ifadesi ile belirlenir

burada, vektörün RGB bileşenleri ve vektördür.

Bu tür bir işleme uygulama fikri, genel olarak açıklayıcı notun 2.6 numaralı bölümünde görülebilir.

Bu çalışmada, görüntüler esas olarak bir eşik bazında ele alındı ​​ve bölümlere ayrıldı, yani gri tonlamalı görüntülere geçiş gerçekleştirildi. Bunun nedeni RGB renk uzayında bölütleme problemlerinin dar odaklı olması ve her görüntü için bu durumda her bir R, G ve B bileşeni için belirlenebilen uzaklık normunun bilinmesi gerekmektedir. sadece belirli bir nesne problemi üzerinde uzun deneyler yoluyla.

1

Dicom standardının matematiksel görüntü segmentasyonu yöntemleri dikkate alınır. Tıbbi görüntü tanıma problemleri için Dicom görüntü bölütlemenin matematiksel yöntemleri geliştirilmektedir. Hastalıkların teşhisi, araştırmacının niteliklerine bağlıdır ve görsel olarak segmentasyon yapmasını gerektirir ve raster görüntüleri işlemek için matematiksel yöntemler bu teşhis için bir araçtır. Donanım tarafından elde edilen tıbbi görüntülerin grafik verilerinin ön işlenmesi olmadan işlenmesi çoğu durumda yanlış sonuçlar verir. Canny yöntemiyle nesnelerin konturlarını vurgulama prosedürleri ve raster görüntüleri işlemek için ek algoritmalar gerçekleştirildi. Araştırma sonuçları, hastanın daha ileri tedavisi için gerekli olan insan vücudundaki oluşumların morfometrik, geometrik ve histogram özelliklerini hesaplamayı ve etkili tıbbi tedavi sağlamayı mümkün kılmaktadır. Tıbbi görüntülerin bilgisayar destekli analizinin gelişmiş ilkeleri, uzmanlaşmış bir onkolojik kurumun tıbbi teşhisinin operasyonel görevleri ve eğitim amaçlı olarak etkin bir şekilde kullanılmaktadır.

desen tanıma

ilgilenilen nesnelerin segmentasyonu

tıbbi görüntüler

1. Vlasov A.V., Tsapko I.V. X-ışını görüntülerinin işlenmesine uygulanan Canny algoritmasının modifikasyonu // Sibirya Bilim Bülteni. - 2013. - Sayı 4 (10). - S.120-127.

2. Gonzales R., Woods R. Dijital görüntü işleme. - M.: Teknosfer, 2006 .-- S. 1072.

3. Kulyabichev Yu.P., Pivtoratskaya S.V. Örüntü tanıma sistemlerinde öznitelik seçimine yapısal yaklaşım // Doğa ve teknik bilimler. - 2011. - No. 4. - S. 420–423.

4. Nikitin VEYA, Pasechnik A.Ş. Patolojilerin otomatik teşhisi görevlerinde şekillendirme ve segmentasyon // Bilgi iletimi ve işlenmesi için yöntemler ve cihazlar. - 2009. - No. 11. - S. 300–309.

5. Canny J. Kenar algılamaya yönelik hesaplamalı bir yaklaşım // Model analizi ve makine zekası üzerine IEEE İşlemleri. - 1986. - No. 6. - S.679–698.

6. DICOM - Erişim modu: http://iachel.ru/ zob23tai-staihroe / DICOM

7. Doronicheva A.V., Sokolov A.A., Savin S.Z. Tıbbi görüntülerde otomatik kenar algılama için Sobel operatörünü kullanma // Journal of Mathematics and System Science. - 2014. - Cilt. 4, 4 - S. 257-260.

8. Jähne B., Scharr H., Körkel S. Filtre tasarımının ilkeleri // Bilgisayarlı Görme ve Uygulamaları El Kitabı. Akademik Basın. - 1999 .-- 584 s.

Rusya'da tıbbın geliştirilmesinde öncelikli yönlerden biri, hastaların organ ve dokularının tıbbi görüntülerinin elektronik kaydı, depolanması, işlenmesi ve analizi için kendi yenilikçi teknolojilerine geçiştir. Bunun nedeni, sosyal açıdan önemli hastalıkların, özellikle onkolojik hastalıkların tanısında, çoğu durumda tedavisi yalnızca erken aşamalarda sonuç veren görüntüler şeklinde sunulan bilgi miktarındaki artıştan kaynaklanmaktadır.

DICOM standardının görüntülerini teşhis ederken, patolojik alan belirlenir ve patolojik doğası doğrulandığında, sınıflandırma sorunu çözülür: bilinen türlerden herhangi birine atama veya yeni bir sınıfın tanımlanması. Bariz zorluk, hem ekipmanın fiziksel sınırlamaları hem de insan vücudu üzerindeki yükün izin verilen sınırları nedeniyle ortaya çıkan görüntüdeki kusurlardır. Sonuç olarak, doktor için tanı değerini artırmak, daha uygun bir biçimde sunmak ve elde edilen büyük miktardaki verilerden asıl şeyi vurgulamak için görüntülerin ek olarak işlenmesi görevini üstlenen yazılımdır. .

Bu çalışmanın amacı... Tıbbi görüntü tanıma problemleri için Dicom görüntü bölütlemenin matematiksel yöntemleri geliştirilmektedir. Hastalıkların teşhisi, araştırmacının niteliklerine bağlıdır ve görsel olarak segmentasyon yapmasını gerektirir ve raster görüntüleri işlemek için matematiksel yöntemler bu teşhis için bir araçtır. Donanım tarafından elde edilen tıbbi görüntülerin grafik verilerinin ön işlenmesi olmadan işlenmesi çoğu durumda yanlış sonuçlar verir. Bunun nedeni, başlangıçta görüntülerin yetersiz kalitede elde edilmiş olmasıdır.

Malzeme ve araştırma yöntemleri

Araştırma materyali olarak, uzmanlaşmış bir klinik kurumun hastalarının bilgisayarlı tomogramları kullanılır. Gerçek grafik verilerini analiz etmeden önce görüntüyü hazırlamak veya ön işleme yapmak gerekir. Bu aşama, tıbbi görüntülerin görsel kalitesini iyileştirme sorununu çözmektedir. Tüm görüntü işleme sürecini iki geniş kategoriye ayırmak yararlıdır: hem girdinin hem de çıktının görüntü olduğu yöntemler; yöntemleri, girdi verilerinin görüntü olduğu ve çalışmanın sonucunda çıktı verileri, girdi verileri temelinde tanımlanan işaretler ve niteliklerdir. Bu algoritma, yukarıdaki işlemlerin her birinin görüntü için kullanıldığını varsaymaz. Veri kaydı, Şekil 2'de gösterilen işlemlerin ilkidir. 1.

Pirinç. 1. Grafik verilerinin dijital olarak işlenmesinin ana aşamaları

Orijinal görüntünün dijital olduğu örnekte olduğu gibi kayıt oldukça basit olabilir. Tipik olarak, görüntü kayıt adımı, bir görüntüye yakınlaştırma gibi verilerin ön işlenmesini içerir. Görüntü iyileştirme, ön işlemenin en basit ve en etkileyici alanlarından biridir. Kural olarak, kötü ayırt edilebilen pikselleri bulma veya orijinal görüntüdeki kontrastı artırma sorunu, görüntülerin bilgi içeriğini iyileştirme yöntemleriyle belirlenir. Görüntülerin bilgi içeriğini iyileştirmek için sıklıkla kullanılan yöntemlerden biri, ilgilenilen nesnenin sınırları genişletildiği için görüntünün kontrastını arttırmaktır. Görüntü kalitesini iyileştirmenin, görüntü işlemede bir dereceye kadar öznel bir görev olduğu belirtilmelidir. Görüntü restorasyonu - bu görev aynı zamanda verilerin görsel kalitesini iyileştirmeyi de ifade eder. Görüntü restorasyon yöntemleri, grafik verilerinin matematiksel ve olasılıksal deformasyon modellerine dayanmaktadır. Bir aşama olarak görüntü işleme, görüntüyü değiştirme ve bazı veriler elde etme sürecinin bütünü olarak görüntü işleme kavramından ayrılmalıdır. Segmentasyon veya ilgilenilen nesneleri vurgulama süreci, bir görüntüyü oluşturan nesnelere veya parçalara ayırır. İlgilenilen nesnelerin otomatik seçimi, bir dereceye kadar, dijital görüntü işlemede zor bir iştir. Aşırı ayrıntılı segmentasyon, ilgilendiğiniz nesneleri vurgulamanız gerekiyorsa görüntü işlemeyi zorlaştırır. Ancak çoğu görevde yanlış veya yetersiz ayrıntılı segmentasyon, görüntü işlemenin son aşamasında hatalara yol açar. Grafik verilerinin sunumu ve açıklaması, kural olarak, çıktısı çoğu durumda bölgenin sınırlarını oluşturan veya bölgenin tüm piksellerini oluşturan ham pikselleri içeren görüntüdeki ilgi çekici nesnelerin vurgulanması aşamasını takip eder. bölgeler. Bu seçeneklerle verilerin bilgisayar analizi için uygun bir forma dönüştürülmesi gerekmektedir. Örüntü tanıma, tanımlamalarına göre bir nesneye (örneğin, "yarıçap") bir tanımlayıcı atayan bir işlemdir. Bilgi tabanı ve görüntü işleme modülleri arasındaki ilişkiyi tanımlayalım. Bilgi tabanı (yani, sorun alanıyla ilgili bilgiler), görüntü işleme sisteminin kendi içinde bir şekilde şifrelenir. Bu bilgi, ilgi bölgesinin bulunması gereken görüntünün nesnelerinin ayrıntılı bir göstergesi gibi oldukça basit olabilir. Bu bilgi, arama alanını sınırlamayı mümkün kılar. Bilgi tabanı, her bir işleme modülünün çalışmasını ve Şekil 2'de yansıtılan etkileşimlerini yönetir. 1, modüller ve bilgi tabanı arasında iki yönü gösteren oklarla. Sonuçların kaydedilmesi ve yazdırılması genellikle özel görüntü işleme teknikleri gerektirir. Bir tıbbi görüntü işleme sisteminde görüntü işlemenin bu aşamalarının dezavantajı, örneğin görüntüdeki ilgilenilen nesneleri girerken veya vurgularken, işlemenin ilk aşamalarında oluşturulan hataların doğru sınıflandırmanın imkansızlığına yol açabilmesidir. Veri işleme kesinlikle sıralı olarak gerçekleştirilir ve çoğu durumda daha önce yanlış sonuçlar elde edilmiş olsa bile önceki işleme aşamalarına geri dönme olasılığı yoktur. Ön işleme aşamasındaki yöntemler oldukça çeşitlidir - ilgilenilen nesnelerin seçimi, ölçeklenmesi, renk düzeltmesi, uzamsal çözünürlüğün düzeltilmesi, kontrast değişikliği vb. Görüntü ön işleme aşamasındaki öncelikli işlemlerden biri kontrast ve parlaklığı ayarlamaktır. Uygun maskeler kullanıldığında, veri analizinin hızını artırmak için iki aşamayı (filtreleme ve ön işleme) birleştirmek mümkündür. Çoğu durumda görüntü analizinin nihai sonucu, segmentasyon kalitesi düzeyi ile belirlenir ve ilgilenilen nesnelerin ayrıntı derecesi, belirli göreve bağlıdır. Bu nedenle, ilgilenilen nesnelerin belirlenmesine ilişkin tüm problemlerin çözümüne uygun ayrı bir yöntem veya algoritma geliştirilmemiştir. Alanların şekillendirilmesi, görüntüler üzerinde belirtilen özelliklere sahip nesnelerin seçilmesi için tasarlanmıştır. Bu nesneler, kural olarak, teşhis uzmanları tarafından işaretlenen nesnelere veya parçalarına karşılık gelir. Şekillendirmenin sonucu, görüntünün her seviyesinin belirli bir seçili nesne sınıfına karşılık geldiği ikili veya hiyerarşik (çok fazlı) bir görüntüdür. Segmentasyon, biyolojik dokuların tıbbi verilerinin işlenmesi ve analizinde zor bir aşamadır, çünkü farklı nesnelere veya yapılara karşılık gelen alanları histolojik seviyelerde tanımlamak gerekir: hücreler, organeller, eserler vb. Bunun nedeni parametrelerinin yüksek değişkenliği, analiz edilen görüntülerin düşük kontrast seviyesi ve nesnelerin karmaşık geometrik ilişkisidir. Çoğu durumda, en etkili sonucu elde etmek için, görüntüdeki ilgilenilen nesnelerin farklı segmentasyon yöntemlerini tutarlı bir şekilde kullanmak gerekir. Örneğin, ilgilenilen nesnenin sınırlarını belirlemek için morfolojik gradyan yöntemi kullanılır, ardından parlaklık özelliklerinde önemsiz farklılıklara uyan alanlar için eşik segmentasyonu yapılır. Birbirine bağlı olmayan homojen alanların ortalama parlaklıkta farklı olduğu görüntülerin işlenmesi için Canny bölütleme yöntemi seçilmiş, klinik bir örnek üzerinde çalışmalar yapılmıştır. Gerçek klinik görüntüleri tanırken, modelleme pek uygulanabilir değildir. Görüntü analizinin sonucuna ilişkin pratik deneyim ve uzman görüşleri büyük önem taşımaktadır. Test görüntüsü için, Şekil 2'de gösterildiği gibi, ilgilenilen nesnenin açıkça mevcut olduğu bir bilgisayarlı tomografi görüntüsü seçilmiştir. 2.

Pirinç. 2. İlgilenilen nesne ile bilgisayarlı tomografi görüntüsü

Segmentasyonu uygulamak için Canny yöntemini kullanıyoruz. Bu yaklaşım gürültüye karşı dayanıklıdır ve çoğu durumda diğer yöntemlerden daha iyi sonuçlar verir. Canny yöntemi dört adım içerir:

1) ön işleme - görüntüyü bulanıklaştırma (toplam gürültünün varyansını azaltırız);

2) bulanık görüntünün farklılaşmasını ve ardından x ve y yönlerinde gradyan değerlerinin hesaplanmasını yapmak;

3) görüntüde maksimum bastırma olmamasının uygulanması;

4) görüntü eşikleme.

Canny algoritmasının ilk aşamasında görüntü, Gauss filtreli bir maske kullanılarak düzleştirilir. N boyutlu Gauss dağılım denklemi şu şekildedir:

veya özel durumda iki boyut için

(2)

burada r bulanıklık yarıçapıdır, r 2 = u 2 + v 2; σ, Gauss dağılımının standart sapmasıdır.

2 boyut kullanırsak, bu formül merkez noktasından Gauss dağılımına sahip eşmerkezli dairelerin yüzeyini tanımlar. Sıfır olmayan dağılıma sahip pikseller, orijinal görüntüye uygulanacak evrişim matrisini tanımlamak için kullanılır. Her pikselin değeri, mahalle için ağırlıklı bir ortalama olur. İlk piksel değeri maksimum ağırlığı alır (maksimum Gauss değerine sahiptir) ve komşu pikseller, kendilerine olan mesafeye bağlı olarak minimum ağırlıkları alır. Teorik olarak, görüntüdeki her bir noktadaki dağılım, görüntüdeki her piksel için ağırlık katsayılarının hesaplanmasını izleyen sıfırdan farklı olmalıdır. Ancak uygulamada, Gauss fonksiyonunun ayrık yaklaşımı hesaplanırken, oldukça küçük olduğu için> 3σ mesafesindeki pikseller dikkate alınmaz. Bu nedenle, görüntüyü işleyen programın, Gauss dağılımının yaklaşıklığının yeterince doğru olmasını sağlamak için × matrisini hesaplaması gerekir.

Araştırma sonuçları ve tartışmaları

Gauss maskesinin boyutu için 5'e ve Gauss dağılımının standart sapması olan σ parametresinin değeri için 1,9'a eşit verilerle Gauss filtresinin çalışmasının sonucu, Şek. 3. Bir sonraki adım, vektörün dikey ve yatay yönlerinde Gauss fonksiyonunun türevi ile düzgünleştirilmiş görüntünün evrişimini kullanarak ilgilenilen bölgenin gradyanını aramaktır.

Bu sorunu çözmek için Sobel operatörünü uygulayalım. İşlem, filtre maskesinin görüntüdeki pikselden piksele basitçe taşınmasına dayanır. Her pikselde (x, y), filtre yanıtı önceden tanımlanmış bağlantılardan hesaplanır. Sonuç, kenarların ilk seçimidir. Sonraki adım, her pikseli gradyan yönü boyunca komşularıyla karşılaştırmak ve yerel maksimumu hesaplamaktır. Gradyanın yerel maksimumunun yakınında sınırın kendisini bozmadan sınırın yakınındaki pikselleri kaldırmak için gradyanın yönü hakkında bilgi gereklidir; bu, sınırların piksellerinin gradyanın yerel maksimumunun olduğu noktaları belirlediği anlamına gelir. gradyan vektörü yönünde ulaşılır. Bu yaklaşım, yanlış kenarların saptanmasını önemli ölçüde azaltabilir ve bir pikselin nesne sınırının kalınlığını sağlar; bu, aşağıda Şekil 1'de gösterilen bilgisayarlı tomografi görüntüsünde karın kesiğinin bölümlere ayrılması için algoritmanın yazılım uygulamasıyla ampirik olarak doğrulanır. 4.

Sonraki adım, görüntüde verilen her pikselde sınırın nerede olduğunu belirlemek için bir eşik kullanmaktır. Eşik ne kadar düşükse, ilgilenilen nesnede o kadar fazla sınır olacaktır, ancak sonuç, gürültüye ve gereksiz görüntü verilerinin ana hatlarını çizmeye o kadar duyarlı olacaktır. Yüksek bir eşik, bir alanın zayıf kenarlarını görmezden gelebilir veya birden çok alanla bir sınır elde edebilir. Sınır konturu iki filtreleme eşiği uygular: piksel değeri üst sınırdan yüksekse, maksimum değeri alır (sınır geçerli kabul edilir), daha düşükse piksel bastırılır, değer arasındaki aralık içinde kalan noktalar, piksel bastırılır. eşikler sabit bir ortalama değer alır. Bir piksel, sekiz yönden birine dokunursa bir gruba katılır. Canny yönteminin avantajlarından biri, görüntü işleme sırasında segmentasyonun özelliklerine uyarlamanın gerçekleştirilmesidir. Bu, iki seviyeli bir fazlalık veri kırpma eşiğinin tanıtılmasıyla elde edilir. İki eşik seviyesi belirlenir, üstteki p yüksek ve alttaki p düşük, burada p yüksek> p düşük. p yüksek değerinin üzerindeki piksel değerleri, sınıra karşılık gelecek şekilde belirtilir (Şekil 5).

Pirinç. 3. İlgilenilen bir nesne ile BT taramasına Gauss filtresi uygulanması

Pirinç. 4. Bölünmüş görüntüde maksimum olmayanların bastırılması

Pirinç. 5. Eşik seviyelerinin farklı değerleri ile Canny segmentasyon algoritmasının uygulanması

Uygulama, ilgilenilen nesne alanının değerinin neredeyse değişmediği duyarlılık eşik seviyeleri ölçeğinde belirli bir aralığın olduğunu, ancak aynı zamanda belirli bir eşik seviyesi olduğunu ve ardından bir “bozulma” olduğunu göstermektedir. Konturlama yönteminin ” not edilir ve ilgi alanlarının belirlenmesi sonucu belirsiz hale gelir. Algoritmanın bu dezavantajı, çemberleri bulmak için Canny algoritmasını Hough dönüşümü ile birleştirerek telafi edilebilir. Algoritmaların kombinasyonu, çalışma nesnelerini olabildiğince net bir şekilde vurgulamayı ve konturlardaki boşlukları ortadan kaldırmayı mümkün kılar.

sonuçlar

Böylece, tıbbi görüntülerde patolojik nesnelerin tipik özelliklerini formüle etme sorunu çözüldü, bu da gelecekte belirli patolojilere ilişkin verilerin operasyonel bir analizini gerçekleştirmeyi mümkün kılacaktır. Segmentasyon kalitesinin değerlendirilmesini belirlemek için önemli parametreler, yanlış alarmlar ve yanlış - reddetme olasılıklarıdır. Bu parametreler, analiz yönteminin otomasyonunun uygulamasını belirler. Görüntülerdeki nesnelerin sınıflandırılması ve tanınması probleminin çözümünde segmentasyon en önemli konulardan biridir. Bölge sınırlarının - Sobel, Canny, Prewit, Laplassian - segmentasyonuna dayalı şekillendirme yöntemleri iyi araştırılmış ve uygulanmıştır. Bu yaklaşım, görüntülerin analizinde insan dikkatinin yoğunluğunun genellikle parlaklık açısından az çok homojen bölgeler arasındaki sınırlara odaklanması gerçeğiyle belirlenir. Bu temelde, konturlar genellikle görüntülerin ve içlerindeki nesnelerin yorumlanması için çeşitli özelliklerin tanımlanması için bir temel görevi görür. İlgi alanlarının segmentasyonu için algoritmaların ana görevi, görüntüdeki kapalı yapısal veri alanlarını içeren ikili bir görüntünün oluşturulmasıdır. Tıbbi görüntülerle ilgili olarak, bu alanlar organların, damarların, MCC'nin yanı sıra tümörlerin sınırlarıdır. Tıbbi görüntülerin bilgisayar destekli analizinin gelişmiş ilkeleri, hem uzmanlaşmış bir onkolojik kurumun tıbbi teşhisinin operasyonel görevleri için hem de eğitim amaçlı olarak etkin bir şekilde kullanılmaktadır.

Uzak Doğu programı desteği ile araştırılan hibe no.15-I-4-014o.

İnceleyenler:

Kosykh N.E., Tıp Bilimleri Doktoru, Profesör, Baş Araştırmacı, FGBUN "Bilgisayar Merkezi" FEB RAS, Habarovsk;

Levkova EA, MD, DSc, Profesör, Uzak Doğu Devlet Ulaştırma Üniversitesi, Habarovsk.

bibliyografik referans

Doronicheva A.V., Savin S.Z. TIBBİ GÖRÜNTÜLERİN BÖLÜMLENDİRİLMESİ YÖNTEMİ // Temel araştırma. - 2015. - No. 5-2. - S. 294-298;
URL: http://fundamental-research.ru/ru/article/view?id=38210 (erişim tarihi: 06.04.2019). "Doğa Bilimleri Akademisi" tarafından yayınlanan dergileri dikkatinize sunuyoruz.