информационный портал по вопросам биомедицинской инженерии

Сейчас на сайте 0 пользователей и 0 гостей.

Сообщество LabData

Вход в систему

аватар: Карпенко Артём Сергеевич

Карпенко А.С.,Чирков К.В.
Владимирский Государственный Университет 

Аннотация

Компьютерная обработка изображений в качестве основного научного направления является неисчерпаемым. Это направление основывается на математике, физике, биологии, компьютерной науке. Методы и средства компьютерной обработки изображений имеют различия в приложениях :наука, технология, медицина, социальная сфера. В настоящее время с развитием общества, в частности здоровье, сильно зависит от компьютерной обработки изображений. В будущем роль компьютерных изображений в жизни человека будет только расти.

При рассмотрении методов обработки изображений всегда очень остро стоит проблема выбора критериев оценки качества их преобразования. Этот вопрос всегда будет актуален, их пути его решения различны. Деление на классы условно, поскольку все методы основаны на местных отличиях элементов изображения.

На сегодняшний день обработка изображений является важным направлением применения современной вычислительной техники. Известны такие задачи обработки изображений, как фильтрация и восстановление изображений , сегментация изображений, как средства сжатия информации. Проблемы распознавания изображений кроме классической задачи распознавания фигур заданной формы на изображении ставят новые задачи распознавания линий и углов на изображении, распознавания края изображения. Для решения всех перечисленных выше задач в последние годы активно используются нейросетевые алгоритмы и нейрокомпьютеры.[1]

В последние десятилетия в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях (НС). Актуальность исследований в этом направлении подтверждается массой различных применений НС. Это автоматизация процессов распознавания образов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения. С помощью НС можно, например, предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту.

 Ранговые методы

 Существующие методы цифровой обработки изображений с позиций использования вычислительных средств можно разделить на две категории - структурированные и неструктурированные методы. Cреда MATLAB позволяет реализовывать методы обработки изображений, оперирующие не только с векторами, но и с массивами отсчетов.                                               

Структурированные методы – такие, которые построены на использовании крупных вычислительных (программных) блоков, оперирующих векторами отсчетов, а не отдельными отсчетами изображений.

Неструктурированные методы – те, которые нельзя представить более крупными стандартными блоками, чем обычные для существующих цифровых вычислительных машин арифметико-логические операции над отдельными отсчетами сигналов. Неструктурированные методы, как правило, возникают на начальной стадии поиска решения содержательных задач обработки изображений и по мере нахождения решения перерастают в структурированные.

Структурирование методов обработки изображений – основа повышения их вычислительной эффективности, построения вычислительных машин обработки изображений и специального математического обеспечения таких машин. Преимуществом ранговых алгоритмов является их отличие от методов линейной фильтрации, они лишены такого характерного недостатка как пространственная инерционность, которая заключается в том, что при использовании линейных фильтров влияние отдельных деталей изображения проявляется на результирующем изображении на расстоянии порядка размеров апертуры фильтра. Это заметно в частности в размывании границ деталей при сглаживании изображений, в искажении формы деталей при их выделении из фона и т.п. На первый взгляд может показаться, что вследствие переупорядочивания данных в вариационный ряд ранговые алгоритмы не используют пространственных связей между элементами изображений, и это является принципиальным недостатком. Действительно, ранговые алгоритмы инвариантны к пространственным связям и даже к размерности сигнала. Однако это свойство является не недостатком, а преимуществом ранговых алгоритмов , еще одной стороной их адаптивного характера. Пространственные связи между элементами изображения, определяемые, например, принадлежностью их к одной детали, проявляют себя в вариационном ряду через параметры условной гистограммы распределения значений сигнала в окрестности данного элемента. [3]

В последнее время появилось много публикаций, в которых рассматриваются алгоритмы, основанные на вычислении линейной комбинации порядковых статистик, взятых с заранее подобранными из тех или иных соображений весами. Ранговые алгоритмы могут использоваться во всех процедурах обработки изображений – стандартизации, сглаживания, усиления детальности, выделения объектов из фоновой части, выделения границ, определения статистических характеристик и т.д.

 Разностные методы

 Психофизические эксперименты показывают, что фотографическое или телевизионное изображение с подчеркнутыми границами часто воспринимается субъективно лучше, чем фотометрически совершенная продукция. Процедуру подчеркивания границ реализуют с использованием методов нечеткого маскирования ( разностных методов ). Суть этих методов состоит в следующем. Исходное изображение сканируют двумя апертурами с различной разрешающей способностью. В одной апертуре разрешающая способность отвечает норме, а во второй - ниже нормы. В результате образуются два массива: массив элементов изображения L и массив элементов нечеткого изображения L. Недостатком метода нечеткого маскирования является то, что коэффициент усиления k - константа. Это приводит к одинаковому усилению слабоконтрастных участков и участков с достаточным контрастом.[4]

 Методы гистограммных преобразований

 Гистограмма распределения яркостей реального изображения, подвергнутого линейному квантированию, имеет ярко выраженный подъем в сторону малых уровней. Поэтому мелкие детали на темных участках видимы плохо, а сами изображения характеризуются низким контрастом.С целью повышения контраста таких изображений используют методы видоизменения гистограммы. Суть этих методов состоит в преобразовании яркостей исходного изображения таким образом, чтобы гистограмма распределения яркостей приобрела желательную форму.Оптимальным с точки зрения зрительного восприятия человеком является изображение, элементы которого имеют равномерное распределение яркостей.

Множество исследователей получили ряд улучшенных изображений путем выравнивания гистограммы, то есть в каждом случае они стремились достичь равномерности распределения яркостей обработанного изображения. У. Фрэй исследовал метод видоизменения гистограмм, который обеспечивал экспоненциальную или гиперболическую форму распределения яркостей улучшенного изображения. Д. Кетчам усовершенствовал этот метод, применив скользящую "локальную" гистограмму, полученную для некоторого участка изображения.

 Метод преобразования локальных контрастов

 Существуют различные подходы к визуализации. Одним из существенных недостатков этих методов является то, что в большинстве своем они обеспечивают формирование слабоконтрастных изображений. Это вызывает необходимость развития методов их обработки. Поэтому основная цель методов улучшения состоит в преобразовании изображений к более контрастному и информативному виду. Довольно часто на изображении присутствуют искажения в определенных локальных областях, которые вызваны дифракцией света, недостатками оптических систем или расфокусировкой. Это порождает необходимость выполнения локальных преобразований изображения.

Рассмотрим известную технологию повышения качества изображений, которая основывается на преобразовании локальных контрастов. Основная ее идея состоит в том, что для каждого элемента изображения сначала определяется локальный контраст, а потом происходит его нелинейное усиление и восстановление яркости данного элемента изображения из уже скорректированного локального контраста.

Следует отметить, что форма и размеры скользящего окна, в общем случае, могут быть произвольными. В большинстве методов размеры апертуры остаются постоянными на протяжении реализации всего метода. Однако существуют методы обработки изображений с адаптивным скользящим окном. Известно, что степень обработки сигналов зависит от размеров апертуры фильтра, а именно при малом размере апертуры фильтра операции усреднения подвергается меньшее число значений, что обеспечивает лучшее сохранение контрастных деталей сигнала. Но при этом шум будет сглажен хуже. И наоборот, при большом размере апертуры фильтра сглаживание шума будет происходить лучше, но при этом возможна "потеря" некоторых контрастных деталей, присутствующих в исходном сигнале. [5]

Итак, становится ясным, что качество обработки изображения можно улучшить путем выбора наиболее подходящих размеров апертуры.

 

Библиографический список

 

1.Гонсалес Р, Вудс Р., Цифровая обработка изображений / Гонсалес Р, Вудс Р. – М.: Техносфера, 2005, 1070 с.

2.Цифровое преобразование изображений: учебное пособие для вузов / Под ред. Р.Е. Быкова М.: 2003г., 228 с.

3. Белявцев В.Г., Воскобойников Ю.Е. «Алгоритмы фильтрации изображений с адаптацией размеров апертуры» // Автометрия. – 1998. – № 3. – С. 18 – 25.

4. Ярославский Л.П. « Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику». – М.: Радио и связь. – 1987. – 296 с.

5. Балухто А.Н., Булаев В.И. и др. «Нейрокомпьютеры в системах обработки изображений». –М.: «Радиотехника» – Книга 7. – 2003 – 192 с.

6. Красильников Н.Н., Цифровая обработка изображений / Красильников Н.Н. 2002.

 

 

 

 

METHODS OF PROCESSING BIOMEDICAL IMAGES

Karpenko.A.S.,Chirkov K.V.

                                                     Vladimir State University

 

Computer processing of images as a fundamental scientific direction is inexhaustible. This direction is based on mathematics, physics, biology, computer science. Methods and means of computer image processing have a variety of applications: science, technology, medicine, social sphere. Practically now the progress of society, particularly in health, depends largely on the achievements of computer processing of images. In the future the role of computer imaging in human life will grow even more.

In considering the image processing methods are always very acute problem of selecting criteria for assessing the quality of their transformation. This question has always been relevant, but the pose and solve it in different ways. The division into classes is conditional, since all methods are based on local contrast of the image elements.

 

 

 

Комментарии

Ничего не сказано о специфике

аватар: Гость
Опубликовано Гость (не проверено) в 3 Декабрь, 2011 - 15:38.

Ничего не сказано о специфике обсуждаемых - биомедицинских - изображений...

Настройки просмотра комментариев

Выберите нужный метод показа комментариев и нажмите "Сохранить установки".

Комментарии