РАСПОЗНАНИЕ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ МЕТОДОМ ПОСТРОЕНИЯ ПОЛЯ НАПРАВЛЕНИЯ

Старожилова О.В.

Доцент, кандидат технических наук, Поволжский государственный университет телекоммуникаций и информатики

РАСПОЗНАНИЕ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ МЕТОДОМ ПОСТРОЕНИЯ ПОЛЯ НАПРАВЛЕНИЯ

Аннотация

В статье рассматривается метод распознаваний диагностических изображений, анализ результатов имитационного моделирования, вопросы компьютерной обработки и интерпретации тканевой текстуры методами построения полей направлений, отражены вопросы применения поля направлений для определения координат глобальных особенностей, оценки искомые геометрических характеристик и процедур поиска локальных признаков текстур.

Ключевые слова: цифровые изображения, тканевая текстура, поле направлений, априорные оценки.

Starozhilova O.V.

Volga Region State University of Telecommunications and Informatics

RECOGNITION OF DIGITAL IMAGES BY MEANS OF DIRECTIONAL FIELD CONSTRUCTION

Abstract

The article deals with the method of diagnostic images recognition, the analysis of the simulation modeling results, the issues related to computed processing усреднение and the interpretation of tissue texture by means of directional fields construction. It considers the ways of application of directional fields in order to determine the coordinates of global peculiarities, provides the assessment of geometric characteristicsand search procedures of the textures local peculiarities.

Keywords: digital images, tissue texture, directional field, prior assessment.

В последние  критерия годы применение  данного компьютерных методов  дискриминантную обработки медико-диагностических цифровых изображений стало одним из важнейших инструментов научных исследований и повышения эффективности ранней диагностики  заболеваний.

Особенностью рассматриваемого класса цифровых изображений является наличие структурной избыточности при описании с помощью функции яркости. Информация об объекте исследования заключена не в значениях функции яркости, а в геометрической конфигурации полос, контуров, границ, то есть некоторых протяженных объектов. Локальные направления таких протяженных объектов образуют поле направлений.

С другой стороны традиционные характеристики изображения  как яркость, контрастность, спектральный состав не играют существенной роли при анализе таких изображений. Переход от описания изображений при помощи функции яркости к описанию при помощи поля направлений является одним из способов сокращения структурной избыточности, который позволяет эффективно решать задачи  образца анализа рассматриваемого класса диагностических изображений.

Поле направлений в отличие от спектра изображения сохраняет локальные геометрические свойства такие как расстояния, углы, сдвиг, масштаб.

Для оценки погрешности оценивания поля направлений проведено имитационное моделирование с использованием синусоидальной функции яркости. Анализ результатов имитационного моделирования показал, что погрешности методов оценивания направлений первого и второго порядков распределены «в противофазе», а  именно, оценка направления первого порядка становится неустойчивой в  области экстремумов функции яркости, а оценка направления второго порядка имеет большую погрешность в области перегибов функции яркости. Следовательно, в прикладных задачах анализа диагностических изображений целесообразно применять комбинированные алгоритмы, учитывающие указанное распределение погрешности оценки направлений первого и второго порядков. Для получения наименьшей погрешности оценивания поля направлений необходимо выбирать размер окна, согласованным с пространственной частотой анализируемой  функции структуры, что приводит к адаптивным алгоритмам.

Цифровая компьютерная обработка и интерпретация тканевой текстуры на основе исследований методом построения поля направлений, глобальных и локальных особенностей текстуры, «узора» ткани с описанием формальных геометрических характеристик является  актуальной задачей  и наиболее  доступный способ  обнаружения патологий.

Тканевая текстура  почки является  ровной поверхностью, содержит  длинные, преимущественно  одного направления  лучи, которые имеют четкие  границы. При  патологии лучи  отличаются неровными  контурами, ткань  отличается структурой, рисунок непрозрачный, наблюдается  большой разброс  направлений линий, на изображении имеется  множество центров, из  которых исходят лучи.

На основе  экспертных оценок  выделяются несколько формальных признаков, позволяющих произвести классификацию: относительная  площадь участков с качественными лучами кристалла; густота лучей и другие признаки. Кроме того, путем формализации поиска обнаруживаются в текстуре глобальные и локальные особенности. Отметим, что глобальные особенности характеризуются: типом «узора», принадлежащего к исследуемому объекту, характерной  конфигурацией папиллярных областей и центры расположения.

Введем критерий однонаправленности текстуры следующим образом: чем меньше значение показателя критерия однонаправленности К_ь, тем меньше разброс направлений лучей. Показатель критерия вычисляется на основе анализа фильтрованного поля направлений. Для обнаружения скачков поля направлений (контуров) целесообразно использовать квадрат модуля градиента комплексного поля направлений:

При единичной весовой функции получаем

За показатель критерия однонаправленности ренгеннограммы можно принять среднее по изображению значение величины у(х₁, х₂) :

Усреднение должно проводиться по областям изображения с большим значением весовой функции поля направлений, на которых значение пространственной частоты является достоверным. Коэффициент густоты определим как среднее значение квадрата пространственной частоты функции яркости текстуры, найденной методом «основной локальной частоты»:

где  ω² = ω²₁ + ω²₁,  ω₁,  ω₂    -  искомые пространственные частоты, D -  область четких линий.

Текстура характеризуются неравномерной яркостью. В процессе распознавания текстуры необходимо проводить выравнивание яркости, при котором сохранится контраст между лучами кристалла и фоном в их окрестности. Это связано с тем, что изображения различных текстур обладают неодинаковой яркостью фона из-за невозможности обеспечения равномерного одинакового освещения при сканировании и вводе изображения.

Естественно, патология образа текстуры определяется с определенной долей вероятности по различным признакам. Поэтому в процессе автоматизированного анализа производится оценка уровня нормы отдельного образца при классификации, проводимой только по i -му признаку, строится следующим образом:

Таким образом, решение о наличии патологии зависит от уровня нормы образца по каждому отдельно взятому параметру текстуры:

где R - вероятность нормы по трем признакам,  - вероятность нормы по i -му диагностическому признаку, K_i - величина признака,  - порог патологии,  - порог нормы. Для конкретного признака классификации пороги - выбираются на основе априорной информации, известной по каждому признаку.

В качестве оценки уровня нормы образца при классификации, проводимой по четырем признакам, будем использовать функцию:

R₁ = P₁θ₁ + P₂θ₂ + P₃θ₃ +  P₄θ₄ ,

где  Sθ _i = 1, θ _i – весовые коэффициенты,

Определяется весовой коэффициент оценок уровней нормы по i-му признаку, учитывающему важность (значимость) данного признака и используем его при объединении критериев классификации. Вес признака можно задать величиной дискриминантной (разделяющей) способности данного признака. Дискриминантную способность определим как обратную величину к минимальному риску для порогового классификатора. Порог определяется по выборочным данным на основе априорной информации. Можно показать, что в этом  введем случае весовые коэффициенты определяются следующим образом:

где п_i- количество правильно классифицированных текстур по i-му признаку.

Более сложная  оценка вероятности может быть выполнена по i - му признаку, но в этом случае добиваются минимальной ошибки методом оптимального объединения признаков. Этот метод априорно использует субъективную оценку в виде ранжированного коэффициента β ^j эксперта о наличие патологии на изображениях обучающей выборки. Здесь j - номер изображения. Тогда параметры линейной функции

R₂ = ω₀ + P₁ω₁ + P₂ω₂ + P₃ω₃ + P₄ω₄

определяются из условия минимума среднеквадратичной ошибки при аппроксимации функции априорной оценки:

где  -априорная ранжированная оценка эксперта (1 - норма, 0 - патология),  N — объем выборки.

Для вероятности нормы интерпретации уровня нормы образца проводим нормализацию по диапазону [0;1] следующим образом:

Глобальная диагностика текстур, построенная с использованием метода поля направлений, позволила выделить из множества текстур группы нормы и патологии. Затем определить количественное выражение глобальных признаков классификации текстур и определить уровень нормы по каждому признаку классификации.

Для оценки точности методов в качестве критерия использовалась приведенная угловая среднеквадратичная погрешность, рассчитанная с использованием комплексного поля направлений. Этот метод может быть применен для определения координат глобальных особенностей, для оценки их геометрических характеристик и для процедур поиска локальных признаков текстур (мелких нерегулярностей узора, включающих в себя точки разрыва, ветвления и слияния линий узора, а также их комбинации: фрагменты линий, мостики).

Метод поля направлений является эффективным методом анализа изображений, характеризуемых наличием квазипериодических структур. Признаки изображения, рассчитанные по полю направлений, существенно отличаются от традиционно используемых  неровными признаков.

Использование признаков поля направлений позволяет эффективно решать задачи обработки различных текстур.

 

Список литературы / References

1. Методы компьютерной обработки изображений. Под ред. Сойфера В.А. - М.: Физматлит, 2003. – 576 с.
2. Дьяконов В.П. MATLAB 6.5 SP1/7/7 SP1 + Simulink 5/6. Работа с изображениями и видеопотоками. - М.: СОЛОН – Пресс, 2005. – 283 с.
3. Физика визуализации изображений в медицине. - Под ред. С. Уэбба. Т.1. - М.: Мир, 1991. – 408 с.
4. Выявление артефактов сердца методами преобразований спектров с применением окна поиска // Хлесткин А.Ю., Кривозубов В.П.  - Инфокоммуникационные технологии. - 2008. - № 4. - с. 79.
5. Хлесткин А.Ю., СтарожиловаО.В. Модели слияния рентгеновских и сцинтиграфических изображений в распознавании артефактов //Инфокоммуникационные технологии. – 2010. – № 2. – С. 40–42.

Список литературы латинскими символами / References in Roman script

1. Metody kompiyuternoy obrabotki izobrazheniy [Methods of Computer Image Processing.] - Edited by Soifer V.N. - M.: Fizmalit, 2003. – 576 p. [In Russian]
2. Dyakonov V.P. MATLAB 6.5 SP1/7/7 SP1 + Simulink 5/6. Rabota s izobrazheniyami i videopotokami. [MATLAB 6.5 SP1/7/7 SP1 + Simulink 5/6. Working with Images and Video Streams]. - М.: SOLON-Press, 2005. – 283 p. [In Russian]
3. Fizika vizualizatsii izobrazheniy v meditsine [Physics of Medical Imaging.] Ed. by S. Webb. V.1. - M.: Mir, 1991. – 408 p. [In Russian]
4. Vyyavleniye artefaktov serdtsa metodami preobrazovaniy spektrov s primeneniem okna poiska [Identification of Cardiac Artifacts by Means of Spectra Transformations with the Help of the Search Box.] // Hlestkin A.Y., VP Krivozubov V.P. - Information and Communication Technologies. - 2008. - No. 4. - p. 79. [In Russian]
5. Hlestkin A.Y.., Starozhilova  O.V. Modeli sliyaniya rentgenovskikh i stsintigraficheskikh izobrazheniy v raspoznavanii raspoznavanii artefactov [Models of X-ray and Scintigraphic Images Merging in Artifacts Identification] // Information and Communication Technologies. – 2010. – No. 2. – P. 40–42. [In Russian]