Автоматизированный анализ изображений

Слайд 1Автоматизированный анализ изображений
*
Автоматизированный анализ изображений

Анна Юрьевна Виллевальде к.т.н., доц.

Слайд 2Анализ изображений медико-биологических объектов (медицинских изображений) является неотъемлемой составляющей современной врачебной

практики для постановки диагноза, наблюдения за лечебным воздействием, решения научных и учебных задач.

Введение Анализ и обработка изображений в медицине

*

Автоматизированный анализ изображений

Слайд 3Number of investigations, mln

*
Автоматизированный анализ изображений
Year

Развитие радиодиагностики в России с 2002

по 2010

Введение Анализ и обработка изображений в медицине

Слайд 4Медицинские объекты исследования скрыты от непосредственного зрительного восприятия. Для их отображения

без нарушения целостности организма человека требуются определенные условия и технические средства.
Появление рентгеновской и других видов интроскопии привело к развитию лучевой диагностики (диагностической радиологии). Это позволило врачу реально наблюдать патологические изменения внутренних структур организма человека, а не только догадываться об этих изменениях по косвенным признакам.

*

Введение Анализ и обработка изображений в медицине

Автоматизированный анализ изображений

Слайд 5Первым шагом при диагностике по медицинскому изображению является обнаружение объектов интереса

на изображении, после чего производятся оценка характеристик объектов интереса (яркости, положения, формы, размеров, контура и др.) и сравнение этих характеристик с имеющимися представлениями о норме и патологии.

*

Развитие ИТ => в лучевой диагностике все большее место занимают цифровые средства медицинской визуализации.
Появились новые возможности для улучшения условий обнаружения и распознавания объектов интереса на медицинских изображениях.
Особенно актуальной является реализация методов анализа и обработки цифровых медицинских изображений в различных целях, в первую очередь для повышения эффективности постановки диагноза по этим изображениям.

Введение Анализ и обработка изображений в медицине

Автоматизированный анализ изображений

Слайд 6*
Введение Анализ и обработка изображений в экологии
В задачах экологии, связанных с мониторингом

окружающей среды, анализ изображений наиболее востребован в геоинформационных системах ГИС, системах получения, анализа и обработки аэро- и космических снимков – данных дистанционного зондирования Земли ДЗЗ.

Автоматизированный анализ изображений

Использование оперативной глобальной космической информации позволяет успешно осуществлять мониторинг как быстро протекающих (пожары, наводнения и т. п.), так и протекающих достаточно медленно процессов (зарастание вырубок и гарей, пересыхание водоемов и т. п.), охватывающих большие территории.

Слайд 7ДЗЗ применяется для исследований окружающей среды:
*

Введение Анализ и обработка изображений в

экологии

Автоматизированный анализ изображений

Слайд 8*
Анализ и обработка медицинских изображений

Введение Анализ и обработка изображений в экологии

Слайд 9Основные методы исследования характеристик поверхностей биосовместимых материалов подразумевают применение анализа и

обработки изображений для получения необходимой информации.

*

Введение Анализ и обработка изображений в химии

Автоматизированный анализ изображений

Слайд 10На основании анализа профилей поверхности могут быть рассчитаны параметры шероховатости поверхности

барьерного и пористого слоев анодных оксидных пленок

*

Введение Анализ и обработка изображений в химии

Автоматизированный анализ изображений

АСМ-изображения поверхности барьерного слоя оксида Al и пористого слоя оксида Ti

Слайд 11АСМ-изображение с разрешением 0,1 нм: микрорельеф поверхности
*
Введение Анализ и обработка изображений

в химии

Автоматизированный анализ изображений

Слайд 12После окончания курса студен должен:
быть способным формулировать проблемы, цели и задачи

анализа и обработки изображений;
знать и быть способным применять элементарные методы анализа и обработки цифровых изображений;
быть способным создавать простые системы анализа и обработки цифровых изображений;
знать характерные особенности медицинских/экологических/химических изображений и быть способным учитывать их при выполнении анализа и обработки таких изображений.

Цель изучения дисциплины

*

Автоматизированный анализ изображений

Слайд 13Содержание дисциплины
*
Автоматизированный анализ изображений

Слайд 14Оценка знаний студентов
*
Итоговая оценка = Среднее из{(Тест_1/2 + Тест_2/2 + Лабы

+ Док/2)/3}

Автоматизированный анализ изображений

$Оценка знаний студентов*Итоговая оценка = Среднее из{(Тест_1/2 + Тест_2/2 + Лабы + Док/2)/3}Автоматизированный анализ изображений$

Слайд 15Когда появились первые изображения?
1. Понятие изображения
*
Автоматизированный анализ изображений

Слайд 161. Понятие изображения
*
Автоматизированный анализ изображений

Слайд 17
Многозначность понятия «изображение» обусловлена разнообразием изображений, созданных со времен наскальной живописи.

Синонимы: вид, образ, картина, снимок, силуэт; копия, подражание; описание, представление, проявление и т.д.

В чем состоит цель получения изображений?
Учитывая перечисленные синонимы, могут быть сформулированы следующие определения:
Изображение – это
графическое произведение, передающее содержание в нетекстовой, наглядной форме при помощи изобразительных средств и приемов;
форма представления информации, предназначенная для визуального восприятия наблюдателем;
плоский объект, вид (то, что воспринимается зрительным анализатором наблюдателя) которого меняется от точки к точке.

1. Понятие изображения

*

Автоматизированный анализ изображений

Слайд 18Есть ли смысл в изображении без наблюдения?
В каждом определении упоминается

субъект, воспринимающий изображение (наблюдатель).
Область наблюдения, ограниченная знаниями наблюдателя об изображенном объекте

1. Понятие изображения

*

Если наблюдателю ничего не известно об изображенном объекте, то такое изображение не будет восприниматься. Напр., неподготовленный наблюдатель не может обнаружить и распознать опухоль на УЗИ печени.
Если об объекте известно все, то его изображение не требуется. Напр., здоровому человеку не нужно проводить УЗИ печени.
Изображение объекта наблюдается в том случае, когда об объекте имеются некоторые сведения, но требуется получить новые.
Изображение – это способ передачи наблюдателю новых сведений об изображенном объекте,
визуальное сообщение.

Автоматизированный анализ изображений

Слайд 19Что происходит с изображением при наблюдении?

В результате обработки в зрительной

системе наблюдателя изображение трансформируется в образ – отражение некоторой части заключенных в нем данных.
Чувствительность и разрешающая способность зрительной системы наблюдателя зависит от ее структуры и свойств, а также индивидуальных особенностей.
Для эффективного восприятия изображения наблюдателем требуется согласование свойств этого изображения с характеристиками зрительной системы наблюдателя.

1. Понятие изображения

*

Автоматизированный анализ изображений

Слайд 20Что является источником изображений?
Визуально воспринимаются только те проявления процессов, которые сопровождаются

э/м-излучением в видимом диапазоне (длина волны 380…740 нм).
Если процесс не сопровождается излучением в видимом диапазоне, то используется внешний источник э/м-излучения. В основе взаимодействия излучения от внешнего источника с объектом наблюдения лежат процессы отражения, поглощения и пропускания излучения.

1. Понятие изображения

*

Автоматизированный анализ изображений

Слайд 21Источники изображений:
объекты, самостоятельно излучающие в видимом диапазоне спектра э/м-излучения;
объекты, облучаемые в

видимом диапазоне спектра э/м-излучения и отражающие это излучение;
объекты, излучающие в видимом диапазоне спектра э/м-излучения под воздействием внешнего источника, излучающего вне видимого диапазона;
объекты, облучаемые вне видимого диапазона спектра э/м- излучения, с последующей визуализацией преобразованного излучения за счет дополнительных технических средств.

1. Понятие изображения

*

Автоматизированный анализ изображений

Слайд 22Методы визуализации
2 способа формирования изображений: активный и пассивный методы визуализации.
Пассивный

метод визуализации – способ получения изображения ОИ, который без дополнительного воздействия на этот объект обеспечивает регистрацию и отображение излучения от него (при этом используются средства, фиксирующие активные проявления объекта исследования).
Активный метод визуализации способ получения изображения ОИ с применением внешних (по отношению к пассивному ОИ) источников излучения, воздействующих на ОИ, чтобы обеспечить его отображение.

1. Понятие изображения

*

Автоматизированный анализ изображений

Слайд 23Математическая модель изображения
Для описания изображений и выполнения их анализа и обработки,

необходимо задаться математической моделью изображения:
Распределение потока света в пространстве
B{xK, λ, t}.
При пассивной визуализации распределение светового потока B – распределение яркости излучения ОИ, при активной визуализации B – распределение яркости излучения, отраженного от ОИ.
Пространство изображения – вектор координат размерностью K, обычно K = 2 (двумерное изображение) или K = 3 (трехмерное изображение).
Цвет изображения – это функция длины волны излучения λ: при постоянной λ изображение монохроматическое (одноцветное) при переменной λ (со спектральным распределением) – хроматическое.
В случае динамического или видеоизображения B изменяется во времени, в случае статического изображения – B остается постоянной.

1. Понятие изображения

*

Автоматизированный анализ изображений

Слайд 24Элементарная математическая модель изображения: B(x, y),
B – яркость свечения точки

на изображении (пикселя монитора), (x, y) – плоскость изображения с координатами x и y.
Определение изображения, соответствующее данной модели:
это двумерное распределение B(x, y) потока э/м-излучения видимого диапазона (света) B по плоскости (x, y), называемой плоскостью изображения, представленное для наблюдения зрительному анализатору человека.

1. Понятие изображения

*

Получение изображения объекта, освещенного источником света

Рассматриваются двумерные статические монохроматические цифровые растровые изображения, отображенные на мониторах.

Автоматизированный анализ изображений

Слайд 252. Особенности получения и восприятия изображений Особенности медицинских изображений
*
Медицинские изображения – это

визуальные сообщения, источниками получения которых являются объекты медико-биологических исследований.
Объекты медико-биологических исследований:
медицинские – находящиеся в организме человека и представляющие интерес для медицины;
биологические – извлеченные из организма человека и представляющие интерес для биологии.
Медицинские объекты исследования скрыты от непосредственного зрительного восприятия; требуются определенные условия и технические средства, чтобы их отобразить, не нарушая целостности организма человека.

Автоматизированный анализ изображений

Слайд 262. Особенности получения и восприятия изображений История развития медицинской визуализации
*

Автоматизированный анализ

изображений

Слайд 27Цель создания медицинских изображений – медицинской визуализации – передача зрительной системе

наблюдателя* образа ОИ, оказание влияния на формирование у наблюдателя представления об этом ОИ и, в конечном итоге, постановка диагноза.

Непосредственно влияет на жизнь пациента!
Любые преобразования – очень ответственно!
Необходимо учитывать особенности формирования медицинских изображений и возникающие при этом искажения.

* Наблюдателями медицинских изображений обычно являются врачи и другие исследователи (биологи, химики), способные обнаружить и распознать ОИ на этих изображениях, несущие диагностическую информацию.

2. Особенности получения и восприятия изображений Особенности медицинских изображений

*

Автоматизированный анализ изображений

Слайд 28R(pN)
2.1. Биотехническая система (БТС) медицинской визуализации
*

R’(pN’)
U(t)
B{xK, λ, t}

Автоматизированный анализ изображений

Слайд 29Объект исследования(ОИ)
ОИ – орган человеческого тела, ткань или биожидкость; имеет сложное (и

изменяющееся во времени) физико-химическое строение, а также свои особенности и ограничения по использованию различных методов визуализации.
Фактически ОИ задает условия работы всей системы медицинской визуализации.
Система съема
При активной визуализации при помощи системы съема воздействуют на ОИ э/м-полем R(pN) с параметрами, заданными вектором p размерности N и регистрируют результат этого взаимодействия R’(pN’) (в общем случае N≠N’), который потом преобразуется в электрический сигнал определенного вида U(t), где t – время.
При пассивной визуализации система съема регистрирует излучение от ОИ без дополнительного воздействия на него.
В качестве воздействующего поля чаще всего применяют поля рентгеновского и ультразвукового излучения.

2.1. БТС медицинской визуализации Компоненты

*

Автоматизированный анализ изображений

Слайд 30Источники искажений медицинских изображений в системе съема
Точное согласование характеристик излучения R(pN)

с параметрами конкретного ОИ невозможно, в силу неполноты знаний о физических свойствах ОИ.
Процесс формирования воздействующего на ОИ потока излучения является несовершенным из-за неравномерности распределения спектральной плотности потока излучения в телесном угле.
Невозможно точное согласование характеристик преобразователя излучения, прошедшего через ОИ, R’(pN’) в электрический сигнал U(t) с характеристиками этого излучения (главным образом, спектрального и динамического диапазонов).
Характеристики преобразователя излучения, прошедшего через ОИ, R’(pN’) в электрический сигнал U(t) отличаются от идеальных (например, его чувствительность может быть неравномерной по спектру излучения).
Подобные проблемы, характерные для всех систем съема изображений, приводят к возникновению различных видов не поддающихся точному учету пространственных и энергетических искажений медицинских изображений.

2.1. БТС медицинской визуализации Компоненты

*

Автоматизированный анализ изображений

Слайд 31Система отображения
Полученный в системе съема сигнал U(t) передается в систему отображения,

где ограниченная часть поступившей информации (искаженная различными шумами) преобразуется (в общем случае с искажениями и нелинейно) в световое распределение в пространстве B{xK, λ, t}, обычно двумерное статическое монохроматическое изображение B(x, y). Это преобразование происходит в соответствии с определенным алгоритмом, в зависимости от применяемой системы отображения (мониторы на основе ЭЛТ, ЖК- и плазменные мониторы).
Исследователь
Несмотря на то, что некоторые современные системы медицинской визуализации автоматически ставят диагноз, окончательное решение о наличии у пациента той или иной патологии всегда принимает исследователь (врач).
Исследователь управляет процессом медицинской визуализации (управляющее воздействие Oper): контролирует процедуру получения изображений, задает требуемые характеристики системы съема и отображения, а также анализирует полученное изображение при помощи зрительной системы.
После восприятия полученного изображения оно, как новая информация, интерпретируется исследователем в зависимости от его опыта и прогноза, который он строит; формируется диагноз Diag.

2.1. БТС медицинской визуализации Компоненты

*

Автоматизированный анализ изображений

Слайд 322.1. БТС медицинской визуализации Постановка диагноза
*

Постановка диагноза на основе анализа медицинских

изображений – трудная задача, решение которой требует от исследователя безупречного знания анатомии, функций исследуемого органа и возможных патологических процессов.

Автоматизированный анализ изображений

Слайд 33Медицинское изображение рассматривается как совокупность некоторого фона – вида исследуемого органа,

ткани или клетки и объекта (или объектов) на нем, интересующего исследователя:
B(x, y) = Bb(x, y) + Bob(x, y),
где Bb(x, y) изображение фона,
Bob(x, y) изображение диагностически значимых объектов.

Важно отметить, что, изучая строение ОИ, исследователь (врач) исходит из совокупности симптомов – признаков изображения: соотношений по яркости, положения, формы, величины частей изображения, характера контуров. Четкое разделение нормы и различных патологических процессов, а также дальнейшая дифференциальная диагностика осуществляются благодаря наличию в памяти врача обобщенных образов – оперативно-информационных моделей изображений ОИ, учитывающих половые и возрастные особенности ОИ.

2.1. БТС медицинской визуализации Постановка диагноза

*

Автоматизированный анализ изображений

Слайд 34Постановка диагноза на основе анализа медицинского изображения включает:
1. Обнаружение – принятие

даже на основании частичной или недостаточной информации решения о том, что в изображении имеется интересующий исследователя объект, например некоторая аномалия.
2. Распознавание – выявление признаков интересующего объекта (симптомов), например размеров и формы аномалии, и сопоставление их с признаками других известных исследователю объектов.
3. Идентификацию – опознание интересующего исследователя объекта, т. е. установление его соответствия некоторому известному объекту, например принятие решения о том, какое заболевание, с точки зрения исследователя, соответствует обнаруженной и распознанной аномалии.

2.1. БТС медицинской визуализации Постановка диагноза

*

Автоматизированный анализ изображений

Слайд 35Принятие решения об обнаружении интересующего исследователя объекта на медицинском изображении зависит

от степени искажений изображения.
Искажения изображений обусловлены:
неполным знанием физических свойств ОИ, а следовательно, невозможностью точного согласования характеристик излучения с параметрами ОИ (ОИ, система съема);
несовершенством процесса формирования исходного потока э/м-излучения в системе съема изображения;
отличием характеристик преобразователя излучения, прошедшего через ОИ, в электрический сигнал от идеальных (система съема);
неидеальным преобразованием электрического сигнала в распределение яркости свечения системы отображения;
ошибками, связанными с восприятием изображения зрительной системой исследователя.
Степень допустимых искажений изображений для различных систем медицинской визуализации регламентируется стандартами. Предполагается, что если нормируемые характеристики систем медицинской визуализации находятся в пределах нормируемых отклонений, то, при условии правильной эксплуатации, обеспечивается получение качественных изображений с минимально возможными искажениями.
Для создания эффективной системы медицинской визуализации необходимо, чтобы все звенья этой системы были согласованы между собой по качеству передачи информации.

2.1. БТС медицинской визуализации Искажения медицинских изображений

*

Автоматизированный анализ изображений

Слайд 36Правильное обнаружение исследователем объектов интереса на изображении обеспечивается лишь в том

случае, если они доступны для восприятия зрительной системой.
В современных цифровых БТС медицинской визуализации изображения представляются исследователю при помощи систем отображения – мониторов медицинского назначения.

Для обеспечения наилучших условий зрительного анализа изображения и обнаружения исследователем объектов интереса на нем необходимо изучить основы функционирования зрительной системы человека и особенности зрительного восприятия изображений в совокупности с техническими характеристиками систем отображения, а также с учетом возникающих в этих системах искажений изображений.

2.2. Особенности зрительного восприятия изображений на мониторах

*

Автоматизированный анализ изображений

Слайд 37Факторы, определяющие зрительное восприятие:
эндогенные, характеризующие зрительную систему наблюдателя;
экзогенные, характеризующие условия наблюдения

изображения.
Факторы зрительного восприятия изображений и их взаимосвязь

Эндогенные факторы, в первую очередь пороговый контраст (частотно-контрастная чувствительность) и разрешающая способность зрительной системы, накладывают ограничения на условия зрительного восприятия (экзогенные факторы).

2.2. Особенности зрительного восприятия изображений на мониторах

*

Автоматизированный анализ изображений

Слайд 38Что воспринимается зрительной системой?
Зрительная система воспринимает контраст между светлыми и

темными участками на изображении (обладает контрастной чувствительностью) за счет механизмов зрительной адаптации:
глобальная адаптация обеспечивает подстройку к среднему уровню яркости изображения (с учетом внешнего освещения);
локальная адаптация – поиск и обнаружение объектов в процессе «сканирования» (осмотра, обзора) изображения.

2.2. Особенности зрительного восприятия изображений на мониторах

*

Автоматизированный анализ изображений

Слайд 39Что воспринимается зрительной системой?
Контраст (физический, яркостной) объекта с фоном или

контраст – отношение разности яркостей объекта и фона на изображении к яркости фона:
Cob = |Bob – Bb|/Bb = ∆B/Bb ,
где Bob яркость объекта; Bb яркость фона.

2.2. Особенности зрительного восприятия изображений на мониторах

*

Автоматизированный анализ изображений

Слайд 40

2.2. Особенности зрительного восприятия изображений на мониторах
*

Автоматизированный анализ изображений

Слайд 41VS

2.2. Особенности зрительного восприятия изображений на мониторах
*

Автоматизированный анализ изображений

Слайд 42Что воспринимается зрительной системой?
Угловой размер объекта на изображении
ω = 2arctg(d/2D),
для

малых углов ω = 360∙60∙d/2πD в угловых минутах (′),
где d линейный размер объекта;
D расстояние наблюдения.

2.2. Особенности зрительного восприятия изображений на мониторах

*

Автоматизированный анализ изображений

Слайд 432.2. Особенности зрительного восприятия изображений на мониторах
*

Автоматизированный анализ изображений

Слайд 44Пороговый контраст и частотно-контрастная чувствительность
Объекты интереса на изображении отличимы от фона

лишь в том случае, когда неоднородность распределения яркости изображения превышает пороговый уровень, определяемый пороговым контрастом.

2.2. Особенности зрительного восприятия изображений на мониторах Эндогенные факторы

*

В соответствии со статистической природой порога зрения пороговый контраст определяется при таком уровне отличия яркости объекта интереса от яркости фона, при котором обеспечивается вероятность обнаружения объекта 50 %.

Автоматизированный анализ изображений

Слайд 45Пороговый контраст и частотно-контрастная чувствительность
Частотно-контрастная чувствительность (ЧКЧ) величина, обратная пороговому контрасту:

S = 1/CT.
Зависимость ЧКЧ зрения от пространственной частоты в циклах на градус поля зрения в условиях оптимальной для наблюдения яркости (ок. 350 кд/м2) подтверждает тот факт, что эффективность восприятия объектов наблюдения зависит от их угловых размеров и формы.
Представление пространственной частоты в циклах на градус поля зрения связано с особенностями определения ЧКЧ зрения при помощи синусоидальных решеток.

2.2. Особенности зрительного восприятия изображений на мониторах Эндогенные факторы

*

Величина контраста зависит только от координаты по вертикали, пространственная частота – от координаты по горизонтали.
Для средних частот наблюдателю требуется меньший контраст, чем для низких или высоких, чтобы различить периодичность изображения.

Автоматизированный анализ изображений

Слайд 461. С увеличением углового размера объекта пороговый контраст уменьшается.
2. Наличие

максимума зависимости ЧКЧ зрения от пространственной частоты (на частоте от 6 до 10 циклов на градус) свидетельствует о том, что зрительная система человека предназначена для выделения резких границ на изображении.
3. Исходя из вида зависимости, можно сделать вывод о наличии предела восприятия тонкой структуры (высоких пространственных частот) на изображении, в результате чего сглаженные границы раздела (напр., границы опухоли на рентгенограмме) могут быть плохо видны.

2.2. Особенности зрительного восприятия изображений на мониторах Эндогенные факторы

*

Частотно-контрастная чувствительность зрительной системы человека S(ω) (пространственная частота ω выражена в циклах на градус поля зрения)

Пороговый контраст и частотно-контрастная чувствительность

Автоматизированный анализ изображений

Слайд 47Пороговый контраст зависит от размера объекта, формы, времени наблюдения и уровня

адаптации.
Зависимость порогового контраста от размера объекта и уровня адаптации (яркости фона)

2.2. Особенности зрительного восприятия изображений на мониторах Эндогенные факторы

*

1. Пороговые условия наблюдения определяются тремя параметрами: яркостью фона, угловым размером и контрастом объекта.

2. Пороговый контраст уменьшается при увеличении углового размера объекта.

3. Для объектов больших угловых размеров (более 60′) пороговый контраст не изменяется при изменении яркости фона в широком диапазоне от нескольких единиц до 500 кд/м2.

Пороговый контраст и частотно-контрастная чувствительность

Автоматизированный анализ изображений

Слайд 48Характер зависимости для светлых объектов примерно тот же, что и для

темных, хотя хорошо видно, что при равных угловых размерах объекта абсолютные значения пороговых контрастов для объектов темнее фона ниже, чем для объектов светлее фона.
Объекты темнее фона видны лучше, чем объекты светлее фона, различие в значениях контрастов составляет ок. 20 %.

2.2. Особенности зрительного восприятия изображений на мониторах Эндогенные факторы

*

Зависимость минимального различимого углового размера объекта от контраста и яркости фона

Пороговый контраст и частотно-контрастная чувствительность

Автоматизированный анализ изображений

Слайд 49Пространственная разрешающая способность зрительной системы и острота зрения
Размер наименьшей различимой детали

на изображении или пространственная разрешающая способность (разрешение) зрительной системы и, следовательно, острота зрения определяются расположением фоторецепторов на сетчатке. В реальных условиях для наилучшего разрешения зрительной системы принята величина 1′.

2.2. Особенности зрительного восприятия изображений на мониторах Эндогенные факторы

*

Острота зрения (в точке, где она максимальна) определятся из отношения Снеллена :
V = dV/Dv,
dV расстояние, на котором воспринимается объект;
Dv расстояние, соответствующее размеру объекта 1′.

Адаптационные механизмы зрительной системы определяют зависимость ее разрешающей способности от уровня освещенности.

Пороговые условия наблюдения объектов на изображениях определяются тремя характеристиками: яркостью фона, угловым размером объектов и их контрастом.

Автоматизированный анализ изображений

Слайд 50Экзогенные факторы зрительного восприятия изображений формируются с помощью системы отображения. Они

должны соответствовать наилучшим для зрительного восприятия изображений значениям и могут изменяться в пределах, определяющихся свойствами зрительной системы и внешними (по отношению к самой системе отображения) условиями наблюдения.
Помимо экзогенных факторов зрительного восприятия характеристики системы отображения задают форму представления изображения, которая обычно является постоянной: размер изображения, диапазон воспроизводимых цветов и пр.
Дополнительные искажения, вносимые в изображение самой системой отображения, должны быть учтены и минимизированы.

2.2. Особенности зрительного восприятия изображений на мониторах Экзогенные факторы

*

Автоматизированный анализ изображений

Слайд 51Характеристики систем отображения, влияющие на зрительное восприятие изображений
2.2. Особенности зрительного восприятия

изображений на мониторах Экзогенные факторы

*

Автоматизированный анализ изображений

Слайд 52Степень геометрических искажений характеризуют линейностью монитора – отклонением участка прямой линии

от своей точной ориентации, отнесенным к общей длине линии и выраженным в процентах.
Геометрические искажения и нелинейность представляют существенный недостаток для систем отображения медицинских изображений и должны быть сведены к минимуму.
Если искажения не превышают разрешающей способности зрительной системы, они не будут замечены.
Геометрические искажения обычно возникают по краям ЭЛТ-мониторов из-за нарушения фокусировки и сведения лучей. ЖК-мониторы практически не вносят в воспроизводимые изображения геометрических искажений.

2.2. Особенности зрительного восприятия изображений на мониторах Экзогенные факторы

*

Искажения при воспроизведении медицинских изображений в системах отображения

Автоматизированный анализ изображений

Слайд 53Искажения при воспроизведении изображений в системах отображения
В системах отображения возникают искажения

изображения, заключающиеся в нелинейном преобразовании яркости его отсчетов, в результате чего наблюдаемая яркость изображения на выходе системы отличается от той, которая была бы на выходе идеальной системы. При этом отличие в каждой точке зависит только от значения яркости изображения в этой точке.
Такие яркостные искажения описываются амплитудными характеристиками системы – нелинейными функциями, показывающими зависимость уровня выходного сигнала от уровня входного: B = FAmp(U).
Искажения яркости корректируются с помощью преобразований, превращающих характеристику системы отображения в заданную.
Изображение (перед отображением) должно быть преобразовано с помощью:
F*Amp(B) = F*Amp(FAmp(U)) = U, F*Amp(B) = Famp-1(U).
Корректирующую функцию выбирают так, чтобы минимизировать отличие скорректированного изображения от требуемого (в смысле некоторого заданного критерия).

2.2. Особенности зрительного восприятия изображений на мониторах Экзогенные факторы

*

Автоматизированный анализ изображений

Слайд 54Искажения при воспроизведении медицинских изображений в системах отображения
Изображение на экране монитора

может содержать случайные искажения – шумы, как аддитивные, так и мультипликативные.

2.2. Особенности зрительного восприятия изображений на мониторах Экзогенные факторы

*

Для устранения этих искажений применяются специальные методы, такие, как медианная фильтрация, фильтрация на основе преобразования Фурье и вейвлет-преобразования и др.

Автоматизированный анализ изображений

Слайд 552.2. Особенности зрительного восприятия изображений на мониторах Экзогенные факторы
*
Искажения при воспроизведении

изображений в системах отображения

Автоматизированный анализ изображений

Слайд 56Учитывая высокое качество современных систем отображения, возникающие на медицинских изображениях искажения

могут быть сведены к минимуму (при правильной эксплуатации этих систем).
Уровень внешнего освещения следует выбирать с учетом процессов адаптации глаза: необходимо стремиться к тому, чтобы средняя яркость окружающего фона и средняя яркость экрана монитора были приблизительно одинаковыми.
Контраст медицинского изображения на мониторе должен обеспечивать возможность восприятия наименьшего доступного глазу элемента изображения.
Рекомендуемое разрешение медицинского изображения в системе отображения – согласованное с разрешением системы съема.
Поскольку цифровые системы медицинской визуализации стали широко применяться сравнительно недавно, при восприятии медицинских изображений на экране монитора имеет значение привычность их представления для исследователя.

2.2. Особенности зрительного восприятия медицинских изображений на мониторах

*

Автоматизированный анализ изображений

Слайд 57Цифровое представление медицинских изображений
Использование цифровых методов при получении медицинских изображений обеспечивают:
возможность

наблюдения изображения в системе отображения в момент его получения (что позволяет не допустить появления бракованных изображений);
существенное повышение скорости получения медицинских изображений за счет отсутствия необходимости проявки пленки или распечатки снимков;
возможность отказа от бумажных архивов за счет создания компьютерной базы данных, содержащей в цифровом виде сведения о пациентах и их диагностические данные, в том числе медицинские изображения, результаты анализов и др.;
возможность использования современных средств телемедицины – применение телекоммуникационных технологий для адресного обмена медицинской информацией (в том числе изображениями) между специалистами для повышения качества и доступности диагностики и лечения.

2.3. Системы анализа и обработки изображений

*

Автоматизированный анализ изображений

Слайд 582.3. Системы анализа и обработки изображений
*
Большинство систем ориентировано на улучшение медицинских

изображений в смысле обнаружения исследователем интересующих объектов на них и => повышения эффективности диагностики.
Методы: выделение областей интереса на изображении; изменение яркости изображения или его частей; изменение контраста изображения или его частей; масштабирование изображения; фильтрация для уменьшения уровня шумов на изображении; подчеркивание границ объектов на изображении и др.

Цифровое представление медицинских изображений
Основное преимущество:
возможность анализа и обработки изображений с применением специализированных систем.

Автоматизированный анализ изображений

Слайд 592.3. Системы анализа и обработки изображений Расширенная БТС медицинской визуализации
*

BA,P

Автоматизированный анализ

изображений

Слайд 60Телемедицина – это применение телекоммуникационных и информационных технологий для оказания медицинской

помощи на расстоянии; позволяет обеспечить специализированную медицинскую помощь в том месте, где она нужна в данный момент, независимо от степени удаленности этого места от специализированного медицинского учреждения.
Широкое внедрение телемедицины позволит:
Улучшить качество оказания медицинских услуг;
Уменьшить количество медицинских ошибок;
Снизить стоимость медицинских услуг;
Уменьшить количество бумажной работы;
Повысить доступность квалифицированной медицинской помощи.
На телерадиологию приходится примерно половина случаев применения телемедицины. Телерадиология – это возможность передачи медицинских изображений по сети из одного места в другое. Необходимое оборудование:
станция отправки изображения, где создается изображение;
сеть для передачи информации;
станция получения изображения.
Обычная конфигурация: 2 компьютера, соединенных через Интернет. Станция получения изображения должна быть оснащена специализированным монитором.

2.3. Системы анализа и обработки изображений Телемедицина

*

Автоматизированный анализ изображений

Слайд 61Передача по сети растровых медицинских изображений требует сжатия файла изображения и

регламентируется стандартом DICOM (Digital Imaging and Communications in Medicine). Сжатие изображений также необходимо для их хранения в БД.
Т.о., помимо специальной математической обработки медицинских изображений, направленной на повышение эффективности диагностики, при помощи системы обработки и анализа изображений может осуществляться сжатие (и последующая распаковка) файлов изображений для хранения в БД или передачи по сети.

*

Автоматизированный анализ изображений

2.3. Системы анализа и обработки изображений Телемедицина

Слайд 62В результате анализа и обработки изображения ему будет соответствовать пространственное распределение

светового потока
BAP{xJ, λ’, t’} ≠ B{xK, λ, t}.
В общем случае размерность (J ≠ K), длина волны излучения (λ’ ≠ λ) и временные характеристики изображения (t’ ≠ t) зависят от способа его обработки.
В настоящее время создано и успешно применяется множество систем анализа и обработки изображений как в составе систем медицинской визуализации, так и отдельно от них.
Выделяют подсистемы для просмотра, архивирования, передачи, изменения формата и редактирования медицинских изображений.
Наиболее предпочтительны системы, объединяющие в себе все средства, необходимые для работы врача, т. е. интегрирующие многие из перечисленных функций.
В отношении видов медицинских изображений некоторые системы являются универсальными, другие же ориентированы на анализ и обработку определенных видов медицинских изображений. В зависимости от приложения (конечной цели анализа и обработки изображения) акцент может быть сделан на выделении определенных признаков в процессе анализа изображения и применении определенных методов обработки.

2.3. Системы анализа и обработки изображений

*

Автоматизированный анализ изображений

Слайд 63Характеристики данных ДЗЗ (космических снимков):
Анализ и обработка изображений экологического мониторинга.

Дистанционное зондирование Земли

*

Анализ и обработка медицинских изображений

Слайд 64Система сбора данных ДЗЗ:
Источник э/м-излучения: от 10-10 (космические лучи) до 1010

мкм (микроволны)
Путь излучения в атмосфере
Объект
Датчик

Источники изображений ДЗЗ

*

Источники э/м-излучения:
Собственное излучение Земли (внутриземной тепловой поток, геохимические и биохимические процессы) = гамма-излучение, тепловое излучение
Излучение Солнца, отраженное от поверхности Земли
Искусственное излучение, отраженное от поверхности Земли

Автоматизированный анализ изображений

Слайд 65Влияние атмосферы на данные ДЗЗ:
Рассеяние энергии: излучение отражается и преломляется

молекулами газов, составляющих атмосферу, частицами пыли и водяными каплями
Поглощение энергии: преобразование энергии падающего излучения в энергию движения молекул атмосферы.
Образующие атмосферу газы, водяной пар, озон и аэрозоли сильно искажают сигнал и являются источниками различных помех, поэтому системы ДЗЗ нацелены в окна прозрачности атмосферы – спектральные области, где излучение проходит с относительно малым ослаблением и которые в основном расположены в видимом и ИК диапазонах:

Физические основы ДЗЗ

*

Автоматизированный анализ изображений

Слайд 66Методы ДДЗ базируются на анализе особенностей способности объектов отражать, поглощать и

излучать в различных спектральных диапазонах => излучение характеристик отражательной способности => интерпретация объектов по спектральной яркости (СЯ). Классификация объектов по СЯ:

Физические основы ДЗЗ

*

Горные породы и почвы: увеличение СЯ по мере приближения к красной зоне э/м-спектра;
Растительный покров: максимум отражательной способности в зеленой, минимум – в красной и резкое увеличение отражения в ближней ИК зонах;
Водные поверхности: монотонное уменьшение отражательной способности от сине-зеленой к красной зоне спектра, поскольку волны с увеличением длины сильнее поглощаются водой;
Снеговые поверхности и близкие к ним облака: наиболее высокие значения СЯ с небольшим понижением в ближней ИК зоне.

Автоматизированный анализ изображений

Слайд 67Орбитальный сегмент: базовая платформа (искусственный спутник) с целевой аппаратурой ДЗЗ и

бортовые средства передачи информации на Землю по радиоканалу.
Наземный сегмент обеспечивает управление полетом космических спутников, регулирование режимов работы целевой аппаратуры и аппаратуры передачи данных, прием результатов ДЗЗ, их хранение, первичную и тематическую обработку, распространение.

Структура системы ДЗЗ

*

Анализ и обработка медицинских изображений

Слайд 68Передача данных ДЗЗ
*
Анализ и обработка медицинских изображений

2. Хранение данных на борту

с последующей передачей на Землю в зоне прямой видимости.
3. Использование спутников-ретрансляторов

Способы передачи данных ДЗЗ:
1. Непрерывная радиосвязь с принимающими станциями; повышенные требования по надежности приема радиосигнала.
Маска приемной станции – область поверхности Земли, внутри которой осуществляется прием данных со спутника.
Наиболее успешный прием возможен при расположении приемной станции на линии прямой видимости со спутником, при этом эту линию ничто не должно затенять. Линия прямой видимости д. б. расположена высоко над горизонтом, чтобы минимизировать влияние атмосферы.
Пусть поверхность Земли – сфера радиусом R, h – высота орбиты спутника; на линии прямой видимости нет препятствий.

Слайд 69Орбиты ИСЗ: круговые (для ДЗЗ предпочтительнее, т.к. h=const, геометрическая коррекция изображений

проще) и эллиптические.
Высота орбиты – расстояние от ИСЗ до поверхности Земли => полоса обзора, пространственное разрешение изображения (чем выше, тем больше полоса обзора и ниже ПР).

Передача данных ДЗЗ. Параметры орбит ИСЗ

*

Общепринятая правая прямоугольная абсолютная геоцентрическая система координат OXYZ.
Начало O – в центре масс Земли,
OX и OY лежат в плоскости экватора,
OX направлена в точку весеннего равноденствия γ,
OZ ориентирована по оси вращения Земли к Северному полюсу.
Ориентация плоскости орбиты ИСЗ относительно осей абсолютной геоцентрической системы координат?

Автоматизированный анализ изображений

Слайд 70Передача данных ДЗЗ. Параметры орбит ИСЗ
*

Ориентация плоскости орбиты ИСЗ относительно осей

абсолютной геоцентрической системы координат? Восходящий угол – точка, в которой ИСЗ пересекает плоскость экватора при переходе из Ю полушария в С, нисходящий угол –противоположная точка.
Долгота восходящего угла – угол Ω между осью OX и направлением на восходящий угол, отсчитываемый против часовой стрелки (от 0 до 360o).

Наклонение орбиты – двугранный угол i между плоскостью орбиты ИСЗ и плоскостью экватора (от 0 до 180o), фиксирует предельные широты, ограничивающие область наблюдения (чем ближе к 90o, тем большая область доступна для обзора; полярные орбиты).
Прогрессивная орбита: i<90o, направление вращения ИСЗ совпадает с направлением вращения Земли.
Ретроградная орбита: i>90o.
Экваториальная орбита: i=0o или 180o.
Высота эллиптической орбиты изменяется от минимальной для перигея (минимально удаленная от центра Земли точка на орбите) до максимальной для апогея (максимально удаленная от центра Земли точка на орбите).

Автоматизированный анализ изображений

Слайд 71Передача данных ДЗЗ. Параметры орбит ИСЗ
*

Геостационарные орбиты: круговые с периодом обращения

24 ч., i=0.

Солнечно-синхронные орбиты: обеспечивают одинаковые условия при проведении съемок; движение спутника по орбите синхронизировано с движением Земли вокруг своей оси, прецессия (поворот плоскости орбиты вокруг полярной оси) – с движением Земли вокруг Солнца.

Автоматизированный анализ изображений

Слайд 72Системы ДЗЗ:
Пассивные (сканирующие оптико-электронные), регистрирующие естественное излучение.
Активные (радиолокационные, лазерные), сами генерирующие

излучение и затем анализирующие его отраженную часть.

Получение данных ДЗЗ

*

Автоматизированный анализ изображений

Слайд 73Характеристики изображений ДЗЗ

*
Автоматизированный анализ изображений

Слайд 74Характеристики изображений ДЗЗ
*

Автоматизированный анализ изображений

Слайд 75Характеристики изображений ДЗЗ
*

Изображения сверхвысокого и высокого разрешения формируются спутниками с оптической

(Ресурс-ДК, Ресурс-П (Россия), GeoEye, QuickBird, WorldView-1,2, Ikonos (США), европейскими КА RapidEye, Spot-5 (детальный режим) и др.) и радиолокационной аппаратурой (TerraSAR-X, TanDEM-X, CosmoSkyMed (ЕКА), Radarsat-2 (Канада) и др.), а также с воздушных носителей.

Стадион в Лужниках

МГУ им. М.В. Ломоносова

Москва - Сити

Автоматизированный анализ изображений

Слайд 76Характеристики изображений ДЗЗ
*
Анализ и обработка медицинских изображений

Изображения среднего разрешения формируются КА

с оптической (Landsat (США), японский ALOS (AVNIR-2, PRIZM), французский Spot-5 (обзорный режим) и др.) и радиолокационной аппаратурой (Radarsat-1 (Канада), японский ALOS (PALSAR) и др.)

Обзорные изображения низкого разрешения формируют оптические КА типа МЕТЕОР-М, AQUA, TERRA, Suomi NPP (MODIS), NOAA (AVHRR), геостационарные КА (METEOSAT, GOES , ЭЛЕКТРО-Л) ; радиолокационные КА типа CosmoSkyMed (ЕКА) и Radarsat-1 (Канада).

Слайд 77Характеристики изображений ДЗЗ
*

Автоматизированный анализ изображений

Слайд 78Характеристики изображений ДЗЗ
*

Автоматизированный анализ изображений

Слайд 79Бондур В.Г., Резнев А.А. Конференция «Суперкомпьютерные технологии СКТ – 2012»
1. Предварительная

обработка (радиометрическая и геометрическая коррекция; учет влияния атмосферы; географическая привязка; синтез изображений из радиоголограмм и др.) ;
2. Повышение качества изображений (контрастирование; фильтрация; подчеркивание границ; совмещение панхроматических и многоспектральных изображений синтез цветных и псевдоцветных изображений и т.п.) ;
3. Тематическая обработка: классификация (контролируемая, неконтролируемая) на основе различных подходов (детерминированного, непрерывно-группового, синтаксического, статического, нечеткого, нейрокомпьютерного и т.п.); обнаружение изменений в изображениях и др.;
4. Интерпретация изображений (выявление признаков; символьное представление результатов; семантическая интерпретация и др.);
5. Формирование временных рядов тематически сегментированных изображений;
6. Сопоставление результатов обработки разновременных и разнотипных изображений и экспорт их в ГИС.
7. Анализ результатов обработки и формирование обоснованных рекомендаций для принятия решений.

ОСНОВНЫЕ ЭТАПЫ ОБРАБОТКИ АЭРОКОСМИЧЕСКИХ
ИЗОБРАЖЕНИЙ

Слайд 80Обработка изображений ДЗЗ:
Предварительная обработка: удаление радиометрических и геометрических ошибок.
Улучшение изображений: преобразование

в форму, наиболее удобную для визуального и машинного анализа, подчеркивание важнейших признаков изображений; облегчает задачу интерпретации данных. Применяют изменения яркости и контраста, пространственную фильтрацию, преобразование Фурье.
Обработка данных ДЗЗ – подготовительный этап перед извлечением из изображения тематической информации.

Обработка изображений ДЗЗ

*

Автоматизированный анализ изображений

Слайд 81Способы получения изображений в химии
*

Автоматизированный анализ изображений
Разрешающая способность микроскопа –

способность отображать четкое раздельное изображение двух близко расположенных точек объекта; зависит от длины волны используемого излучения. Для АСМ до 0,01 нм.

Схема оптического микроскопа

Слайд 82Способы получения изображений в химии
*

Автоматизированный анализ изображений
Сканирующая зондовая микроскопия (в

т. ч. сканирующая туннельная микроскопия, АСМ) – один из современных методов исследования морфологии и локальных свойств поверхности твердых тел с высоким пространственным разрешением.

При изучении свойств объектов методами сканирующей зондовой микроскопии основным результатом обычно являются трехмерные изображения поверхности этих объектов.

Слайд 83Способы получения изображений в химии. Принцип работы АСМ
*

Автоматизированный анализ изображений

Слайд 84Способы получения изображений в химии
*

Автоматизированный анализ изображений
Адекватность интерпретации изображений зависит

от квалификации специалиста!
Информация СЗМ: двумерная матрица целых чисел в заданном диапазоне; в зависимости от режима сканирования – значения туннельного тока, значения отклонения кантилевера или значения какой–то более сложной функции.
Заданному диапазону целых чисел ставится в соответствие цветовая палитра (например, 256 цветов).
Т.о., каждое значение матрицы отображается в точку определенного цвета на прямоугольном изображении. Строка и столбец матрицы, в которых находится данное значение – координаты точки.
В результате: изображение, на котором высота поверхности (или другая физическая величина) передается цветом, как на географической карте. Для удобства восприятия точки, близкие по высоте, передаются оттенками цвета.

Необходимость анализа и обработки связана с:
геометрическими искажениями изображений (общий наклон изображения, связанный с реальным наклоном поверхности образца; температурным дрейфом, который приводит к смещению образца во время сканирования; нелинейностью пьезокерамического манипулятора; искажения вдоль направления формирования строки);
наличием шумов;
низким контрастом мелких деталей на изображении и др.

Слайд 85Способы получения наноизображений
Атомно-силовая
микроскопия
Регистрация силового взаимодействия между поверхностью исследуемого

образца и зондом. Сила, действующая на зонд со стороны поверхности, приводит к изгибу консоли. Появление возвышенностей или впадин под остриём приводит к изменению силы, действующей на зонд, а значит, и изменению величины изгиба кантилевера.

Слайд 86Сила трения, упругости, адгезии, перемещение, удаление атомов с поверхности.
Обработка изображения:

Математическая, обработка отклонений кантилевера (исп. двумерные массивы чисел)
Сглаживание флуктуационных выбросов
Тепловой дрейф образца

Атомно-силовая микроскопия

Бактерии Клебсиелла

Атомная структура поверхности
пиролитического
графита.
Размер изображения
17х17х2 А

Слайд 87Сканирующая туннельная
микроскопия
Способы получения наноизображений
Структура поверхности тел
Расположение отдельных атомов
Сканирующий

зонд представляет
собой острый механический наконечник,
сканирующий вдоль проводящей поверхности
на расстоянии 0,1-10 нм, Приложенное между наконечником и образцом напряжение примерно несколько милливольт приводит к появлению туннельного тока порядка нескольких нА. Расстояния между наконечником и образцом на 0.001 нм приводит к изменению тока на несколько процентов.

Слайд 88Туннельная сканирующая микроскопия
Изображение поверхности кремния при различных напряжениях в образце
изображение кремния,

покрытого слоем серебра и слоем кислорода

Структура поверхности кремния: а) примесного атома S б) примесного атома Mn

Слайд 89Просвечивающий электронный микроскоп
Представляет собой вакуумную камеру, изготовленную в виде вертикально расположенной

колонны. Вдоль центральной оси этой колонны сверху вниз внутри колонны расположены электронный прожектор, определенный набор электрических катушек с проводом - электрических магнитов, выполняющих роль электромагнитных линз для пучка электронов, проходящего вдоль центральной оси колонны до ее основания, и флуоресцирующего экрана, поверхность которого бомбардируют электроны пучка.

Слайд 90Просвечивающий электронный микроскоп
Электронные изображения биологической ткани.На первом изображении с увеличением в

170 раз видна графитовая микросетка, на которой располагают исследуемый объект.

Двумерное электронное изображение кристалла Nb при увеличении в 6.000.000 раз. Черные точки соответствуют позициям атомов Nb, белые – каналам межатомного пространства

Слайд 91Растровая электронная микроскопия
В основе лежат физические явления, наблюдающиеся при бомбардировке поверхности

твёрдого тела пучком электронов с энергией до нескольких десятков килоэлектронвольт, разворачиваемым в двумерный растр на поверхности исследуемого образца.

эмиссия вторичных электронов
рентгеновское излучение
оптическое излучение
образование отражённых электронов
наведение токов в объекте дефектоскопирования
поглощение электронов
электроны, прошедшие сквозь образец

Слайд 92Контроль дефектов изготовления интегральных схем по электронным изображениям, полученным в режиме

контроля отраженных электроном при различных ускоряющих напряжениях и увеличении в 250 раз

Растровая электронная микроскопия

Электронное изображение головы муравья, полученное в отраженных электронах с большой глубиной резкости

Слайд 93Электронные изображения, полученное в режимах контроля наведенных токов в кристалле интегральной

схемы (а), поглощенных электронов (сквозного сопротивления) в пленке сплава четырех металлов Ti-Fe-Ni-Ag (б), электронов, прошедших сквозь тонкий слой каучука (в)

Растровая электронная микроскопия

Слайд 94Последовательность действий при анализе и обработке изображений

3. Общий подход к анализу

и обработке изображений

*

Автоматизированный анализ изображений

Слайд 95Цель преобразования изображения
Анализ и обработка изображений предполагают выполнение различных операций преобразования

изображений с заданной целью, поэтому первым и самым важным является определение этой цели.
Помимо улучшения изображений для зрительного восприятия и повышения за счет этого эффективности диагностики анализ и обработка медицинских изображений могут производиться и в других целях (например, сжатие изображений для телемедицины).

3. Общий подход к анализу и обработке изображений

*

Специфика медицинских изображений обусловливает определенные требования к их анализу и обработке.
Любое преобразование изображения (в том числе, направленное на повышение эффективности диагностики) вносит в него искажения, поэтому все воздействия на медицинские изображения в системах их анализа и обработки должны быть обратимы.

Следует очень ответственно относиться к выбору методов преобразования медицинских изображений, поскольку от эффективности их анализа и обработки, в конечном итоге, зависит жизнь пациента.

Автоматизированный анализ изображений

Слайд 96Анализ изображения
После того как цель выбрана, необходимо проанализировать изображение, т.е. выделить

из изображения некоторые данные, наиболее полно отражающие интересующие исследователя особенности изображения – информативные признаки изображения.
Обработка изображения
Обработка изображения предполагает применение к нему некоторого математического преобразования для достижения поставленной цели.
Оценка качества изображения
Качество может быть рассмотрено как характеристика самого изображения и определяться его собственными признаками или же выступать как мера близости двух изображений – реального и некоторого идеального (или исходного и преобразованного). Во втором случае появляется возможность оценить качество средства преобразования – последовательности методов анализа и обработки изображения или системы, реализующей эту последовательность.
В основе эффективных преобразований изображений лежит взаимосвязь их анализа и обработки: обработка должна быть направлена на изменение определенных информативных признаков изображений, его пространственных и энергетических характеристик. Дополнительный контроль обеспечивается за счет оценки качества проведенных преобразований с помощью различных критериев.

3. Общий подход к анализу и обработке изображений

*

Автоматизированный анализ изображений

Слайд 97Признаки, применяющиеся при анализе изображений, и методы обработки изображений
3. Общий подход

к анализу и обработке изображений

*

Анализ и обработка медицинских изображений

Слайд 98Признаки изображений:
признаки, полученные в пространственной области анализа изображений (геометрические и

структурные)
признаки, полученные в частотной области (спектральные).
Геометрические признаки чаще всего характеризуют пространственные характеристики изображений, структурные – энергетические (яркостные, амплитудные), а спектральные – как пространственные, так и энергетические.

Методы обработки изображений (в соответствии с признаками, определенными при анализе):
методы обработки в пространственной области (геометрические и амплитудные преобразования)
методы обработки в частотной области.
Методы обработки в пространственной области предполагают изменение пространственных и энергетических характеристик изображения отдельно друг от друга, а методы обработки в частотной области – одновременно.
Разделение методов, применяющихся для анализа и обработки изображений, обусловлено описанным подходом к анализу и обработке изображений, но не определяется содержанием самих методов. В связи с этим методы, применяющиеся для анализа изображений, также могут быть использованы для их обработки и наоборот.

3. Общий подход к анализу и обработке изображений

*

Автоматизированный анализ изображений

Слайд 99Анализ изображения – это вид преобразования изображения, цель которого – посредством

оценки тех или иных параметров анализируемых изображений (информативных признаков) выявить характерные особенности изображения, обеспечивающие возможность отнесения изображения к тому или иному классу (например, для медицинских изображений – норма, патология, степень патологии).
Трудности:
Существует множество различных способов получения медицинских изображений одного и того же ОИ, поэтому результаты анализа изображений, полученных разными способами и, следовательно, отличающихся по своей структуре и свойствам, могут оказаться трудносопоставимыми.
Как правило, четкие критерии нормы и патологии отсутствуют (существуют лишь среднестатистические показатели с весьма размытыми границами).

4. Анализ изображений

*

Автоматизированный анализ изображений

Слайд 100Задачи анализа изображений:
1. Выявление характерных параметров изображений, наиболее полно отражающих интересующие

исследователя особенности присутствующих на нем объектов – информативных признаков.
2. Оценка или измерение этих признаков.
3. Классификация изображений (объектов на изображениях) в соответствии с выбранными признаками.
При анализе медицинских изображений оценивать выбранные параметры этих изображений можно, «внедрившись» в различные подсистемы БТС медицинской визуализации.

4. Анализ изображений

*

Процесс анализа изображения аналогичен последовательности процедур в зрительной системе исследователя при диагностике по медицинским изображениям. На этапах обнаружения, распознавания и идентификации объектов на медицинском изображении выделяются и оцениваются диагностические признаки, информативные для исследователя.

Автоматизированный анализ изображений

Слайд 101Анализ медицинских изображений производится в 3 этапа:
1. Разработка математических моделей

информативных признаков.
2. Разработка практической функциональной структуры, реализующей эти модели.
3. Разработка аппаратных средств реализации этой функциональной структуры.

Анализ двумерного статического монохроматического цифрового изображения
BA(x, y) = fA (B(x, y)),
BA(x, y) => {A1, A2,…, Ai}
где BA(x, y) – изображение, полученное в результате анализа;
fA – преобразование, реализующее анализ изображения;
B(x, y) – исходное изображение;
{A1, A2,…, Ai} – признаки, полученные в результате анализа изображения.

4. Анализ изображений

*

Автоматизированный анализ изображений

Слайд 102Информативными признаками (или просто признаками) изображения называют определяющие (для решения конкретной

задачи) отличительные свойства/ параметры/ характеристики изображения, по которым может осуществляться его анализ.
Информативность признаков определяется, исходя из поставленных задач анализа изображения, которые, в свою очередь, зависят от конечной цели преобразований.
Основное требование к признакам: сочетание высокой информативности и сравнительно низкой размерности.
Признаки:
естественные, которые могут оцениваться при восприятии изображения зрительной системой человека (например, яркость, форма контуров объектов на изображении), соответствуют экзогенным факторам зрительного восприятия;
искусственные, которые определяются с помощью специальных изменений и/или измерений изображения (например, гистограмма распределения яркостей, спектр пространственных частот изображения).
Выделяют признаки-действительные числа и признаки-функции.
Если целью преобразования медицинского изображения является повышение эффективности его зрительного восприятия, то основное внимание при анализе должно уделяться естественным признакам изображения.

4. Анализ изображений

*

Автоматизированный анализ изображений

Слайд 103Геометрические признаки изображений – признаки, расчет которых основан на использовании геометрических

характеристик представленных на изображении объектов.
Геометрические признаки:
метрические признаки, характеризующие метрические (размерные) свойства объектов на изображениях;
топологические признаки, характеризующие их топологические свойства.

Важность определения геометрических признаков медицинских изображений связана с такими задачами, как определение размеров, формы и расположения относительно окружающих частей изображения (например, органов) объектов интереса врача: новообразований, линий переломов, микроорганизмов и др., а также отслеживание изменений этих признаков.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений

*

Автоматизированный анализ изображений

Слайд 104Метрические признаки изображений:
геометрические размеры объектов на изображении по вертикали или горизонтали;
расстояние

между наиболее удаленными точками на изображенном объекте;
периметр и площадь изображенного объекта;
компактность объекта (соотношение между его периметром и площадью);
числовые характеристики описанных вокруг объекта на изображении или вписанных в него геометрических фигур (окружностей, многоугольников и т. д.);
признаки, связанные с представлением геометрии контура объекта.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Метрические признаки

*

Автоматизированный анализ изображений

* HU=Hounsfield units

Слайд 105Расстояние между точками
Расстояние между точками на плоскости изображения – Наиболее

простым метрическим признаком изображений, вещественная функция d{(xi, yi), (xj, yj)} координат двух точек (xi, yi) и (xj, yj), обладающая следующими свойствами:

Метрики, которые обычно применяются при анализе изображений:

евклидово расстояние

абсолютное расстояние

максимальное расстояние
Установив метрику, можно найти различные метрические признаки изображения (площадь, периметр и т.д.).
Следует учитывать, что для цифровых изображений разности координат представляют собой целые числа, а евклидово расстояние обычно нецелочисленное; округление в этих случаях приводит к ошибкам определения расстояния.

*

Автоматизированный анализ изображений

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Метрические признаки

Слайд 106Для моделирования снегопада применяется генератор случайных чисел, задающих координаты «снежинок». В

этом случае количество «снежинок» N, которые упали на объект, будет пропорционально количеству «снежинок» M, которые упали в контур прямоугольника.

Точность определения площади объекта методом Монте-Карло зависит от количества снежинок, упавших в прямоугольник.

Пусть неизвестна площадь объекта сложной формы на изображении A.
Впишем этот объект в простую геометрическую фигуру, площадь которой легко вычислить, например в прямоугольник площадью AS.
Представим, что площадь прямоугольника (и площадь вписанного в него объекта) равномерно покрывается слоем снега.

*

Метод Монте-Карло
Площадь объекта на изображении можно приблизительно определить с помощью метода Монте-Карло.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Метрические признаки

Автоматизированный анализ изображений

Слайд 107Пороговое разделение: яркость изображения B(x, y) полагается равной 0 в точках,

где она больше некоторого порогового значения («фон»), и 1, где она не превосходит его («объект»), или наоборот.

*

Пороговое разделение
Периметр и площадь объектов на изображении удобно находить для бинарных изображений, т. е. изображений с двумя градациями яркости, например для черно-белых.
Бинарное изображение можно получить из исходного полутонового с помощью порогового разделения исходного изображения.

Гистограмма изображения

Исходное изображение

Преобразованное изображение

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Метрические признаки

Автоматизированный анализ изображений

Слайд 108Наиболее сложным является пороговое разделение изображения при нечетких границах областей (объекта

и фона). Чтобы правильно выбрать пороговое значение в таком случае, рекомендуется проводить предварительные преобразования изображения, направленные на выделение границ, а также исследовать гистограмму и линейный профиль изображения.

*

Пороговое разделение
Пороговое разделение может использоваться для выделения областей, соответствующих определенным структурам на изображении, и дальнейшего анализа этих областей.

Исходное изображение: рентгенограмма зубов

Преобразованное изображение – результат порогового разделения

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Метрические признаки

Автоматизированный анализ изображений

Слайд 109Определение площади объекта на изображении, его положения и ориентации на бинарных

изображениях
Площадь объекта на бинарном изображении

B(x, y) – распределение яркости в пространстве изображения;
A – момент нулевого порядка объекта на изображении; интегрирование осуществляется по всему пространству изображения.
При наличии на изображении более одного объекта эта формула позволяет определить их суммарную площадь.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Метрические признаки

Автоматизированный анализ изображений

Слайд 110Определение площади объекта на изображении, его положения и ориентации на бинарных

изображений
Для определения положения объекта на изображении необходимо выбрать его характерную точку.
Обычно в качестве характерной точки объекта выбирают его геометрический центр.
Геометрический центр – это центр масс однородной фигуры той же формы.
Центр масс определяется точкой, в которой можно сконцентрировать всю массу объекта без изменения его первого момента относительно любой оси (x или y):

A1x – момент первого порядка (первый момент) объекта относительно оси x,
A1y – первый момент объекта относительно оси y.
Тогда координаты центра масс объекта:

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Метрические признаки

Автоматизированный анализ изображений

Слайд 111Определение площади объекта на изображении, его положения и ориентации на бинарных

изображений
За ориентацию объекта принимают ориентацию оси, вдоль которой он вытянут.
В качестве такой оси обычно выбирают ось минимального второго момента объекта на изображении (момента инерции) – прямую, проходящую через центр масс объекта, для которой интеграл от квадратов расстояний до точек объекта минимален.
Момент инерции объекта относительно оси

относительно оси x

относительно оси y

x и y координаты точек на изображении.
Можно показать, что сумма моментов инерции относительно любых взаимно перпендикулярных осей остается постоянной и не изменяется при повороте системы координат.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Метрические признаки

Автоматизированный анализ изображений

Слайд 112Определение площади объекта на изображении, его положения и ориентации на бинарных

изображений
Ось минимального момента инерции объекта можно характеризовать углом ее поворота относительно декартовой системы координат α (положительный угол отсчитывается от оси x против часовой стрелки).

r – расстояние вдоль перпендикуляра от точки с координатами (x, y) до искомой оси.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Метрические признаки

Автоматизированный анализ изображений

Слайд 113Определение площади объекта на изображении, его положения и ориентации на бинарных

изображений
Момент инерции объекта вдоль оси минимального момента

Для определения угла α следует найти минимум момента инерции A2y:

Откуда:

При вычислении площади, положения и ориентации объектов на цифровых изображениях интегралы заменяются суммами. При этом если цифровое бинарное изображение сканируется последовательно, например по элементам строк, то найти нулевой, первый и второй моменты объекта можно, накапливая количество элементов, яркость которых равна единице, и их координаты.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Метрические признаки

Автоматизированный анализ изображений

Слайд 114Топологические признаки – это признаки, которые характеризуют топологические свойства изображенного объекта.
Топология

(греч. tоpos – место) – часть геометрии, посвященная изучению феномена непрерывности.
Одно из основных понятий топологии – гомеоморфизм (греч. morphe – вид, форма): две фигуры (2 топологических пространства) называются гомеоморфными, если существует взаимно-однозначное непрерывное отображение любой из них на другую, для которого обратное отображение тоже непрерывно; при этом само отображение называется гомеоморфизмом.
Под топологическими понимают те признаки, которые остаются инвариантными относительно топологических (гомеоморфных) отображений.
Такое преобразование или отображение можно представить себе как растяжение резинового листа с изображением объекта заданной формы, в результате которого происходит пространственное искажение этого изображения. При этом преобразования, требующие разрывов резинового листа или соединения одной его части с другой, недопустимы.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Топологические признаки

Автоматизированный анализ изображений

Слайд 115К топологическим признакам изображений относятся:
число связных компонентов объекта на изображении –

это такое минимальное число компонентов, составляющих объект на изображении, в каждом из которых любые две точки могут быть соединены линией, полностью содержащейся в том же компоненте;
число «дыр» в объекте на изображении – характеризует число связных компонентов, не принадлежащих объекту (принадлежащих фону), но находящихся внутри него;
число Эйлера – разность между числом связных компонентов объекта и числом «дыр» на нем.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Топологические признаки

Автоматизированный анализ изображений

Слайд 116Связность. Связные компоненты объектов на изображениях
Связность: Если требуется определить геометрические характеристики

отдельных объектов на изображении, необходимо пометить эти объекты таким образом, чтобы элементы изображения, образующие разные объекты, можно было отличить друг от друга.
Если на изображении присутствует более одного объекта интереса, в результате вычисления площади, геометрического центра и ориентации в соответствии с приведенными ранее выражениями для бинарных изображений будут получены значения, усредненные по всем объектам на изображении (компонентам объекта).

*

Будем считать две точки изображения связанными, если существует путь между ними, вдоль которого функция яркости постоянна.
Точка А связана с точкой В, т.к. можно найти непрерывную кривую, соединяющую указанные точки и целиком принадлежащую серому объекту. Точка А не связана с точкой С, т.к. такой кривой найти нельзя.

Связный компонент бинарного изображения – это максимальное множество связанных точек, т. е. множество, состоящее из всех тех точек, между любыми двумя из которых существует связывающий их путь.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Топологические признаки

Автоматизированный анализ изображений

Слайд 117Пусть имеется цифровое бинарное изображение, содержащее объекты произвольной формы.
Яркость пикселей,

принадлежащих объектам на изображении, равна 1, а пикселей, принадлежащих фону – 0.
Требуется рассортировать пиксели с яркостью, равной 1, по принадлежности к какому-либо объекту.

Каждый пиксель на изображении окружен четырьмя соседями, за исключением угловых (2 соседа) и крайних (3 соседа) пикселей.

Процедура выявления элементов (пикселей), принадлежащих одному и тому же объекту, начинается с выбора пикселя с яркостью, равной 1 (проиндексированного «1»).

*

Метод «пожарных цепочек»:
выделение объектов сложной формы на бинарных изображениях

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Топологические признаки

Автоматизированный анализ изображений

Слайд 118Любой соседний с данным пиксель изображения считается принадлежащим к тому же

объекту, что и сам исходный пиксель, если он оказался также проиндексирован «1».

Если хотя бы один такой пиксель существует, то соседние пиксели исследуются на принадлежность к данному объекту относительно этого пикселя.

*

Метод «пожарных цепочек»

Эта процедура, похожая на «поджигание» (с «легко воспламеняемыми» соседними элементами, проиндексированными «1»), продолжается до тех пор, пока не будут выявлены все элементы, принадлежащие объекту.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Топологические признаки

Автоматизированный анализ изображений

Слайд 119Очевидно, что «огонь» этого «пожара» не может перекинуться на соседний объект,

если между ними находятся «несгораемые» пиксели, яркость которых равна 0 (проиндексированные «0»).

*

Метод «пожарных цепочек»

Количество объектов на изображении подсчитывается, исходя из числа обращений за пикселями, проиндексированными «1», для «поджигания» очередного объекта.
Площадь объекта на изображении измеряют, подсчитав число «выгоревших» пикселей.
Эффективность метода «пожарных цепочек» не зависит от степени сложности формы объектов на изображении и их количества.

Для выявления следующего объекта на изображении необходимо наугад выбрать любой «невыгоревший» пиксель, проиндексированный «1», и повторить процедуру. Выделение объектов на изображении заканчивается тогда, когда на нем не останется ни одного «невыгоревшего» элемента, проиндексированного «1».

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Топологические признаки

Автоматизированный анализ изображений

Слайд 120Метод «пожарных цепочек».
Выбор соседнего элемента на изображении
*

четырехсвязность: соседями считаются только

пиксели, примыкающие к сторонам данного;

восьмисвязность: пиксели, примыкающие к сторонам данного и пиксели, касающиеся данного в углах, считаются соседями.

Связность Изображение Объекты

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Топологические признаки

Автоматизированный анализ изображений

Слайд 121Метод «пожарных цепочек».
Крест с выброшенным центром: четырехсвязность и восьмисвязность

Согласно теореме

Жордана о кривой простая замкнутая кривая должна разделять изображение на две связные области.
В случае четырехсвязности на изображении имеются 4 объекта и, несмотря на отсутствие какой-либо замкнутой кривой, две фоновые области.
В случае восьмисвязности 4 элемента изображения образуют замкнутую кривую, но центральный элемент связан с остальными элементами фона.

Избежать этих противоречий можно, используя четырехсвязность для элементов объекта и восьмисвязность для элементов фона (или наоборот).

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Топологические признаки

Автоматизированный анализ изображений

Слайд 122Метод «пожарных цепочек».
Соседние элементы на изображении: шестисвязность
Шестисвязность –> гексагональная решетка

(переход от квадратной решетки): соседними считаются 4 пикселя изображения, примыкающие к данному по сторонам, а также 2 из четырех пикселей, касающихся в углах.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.1. Геометрические признаки изображений. Топологические признаки

Автоматизированный анализ изображений

Слайд 123Контур (край, граница)
Контур – это кривая, очерчивающая форму объекта на изображении,

очертание объекта, которая соответствует перепадам яркости на изображении.
Зрительная система человека ориентирована на восприятие перепадов яркости, поэтому выделение контуров объектов на изображениях является важной задачей не только при их анализе, но и при обработке изображений, напр., в целях улучшения обнаружения интересующих исследователя объектов.
Простейшей моделью края на изображении является прямая, разделяющая две области различной яркости B1 и B2.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

*

Предп., край располагается вдоль прямой, заданной нормальным уравнением:
ρ – длина перпендикуляра, опущенного на прямую из начала координат; θ – угол (измеренный в положительном направлении) между положительным направлением оси x и направлением этого перпендикуляра.
Тогда яркость изображения:

u(z) – единичная ступенчатая функция, интеграл от дельта-функции:

Частные производные функции яркости на изображении :

Автоматизированный анализ изображений

Слайд 124Контур (край, граница)
Рассмотрим группу элементов изображения размером 2 × 2:

Производные

в центральной точке этой группы можно оценить как средние двух конечно-разностных аппроксимаций:

s – расстояние между центрами соседних элементов.
Градиент яркости

Большие значения градиента будут соответствовать резким перепадам яркости (резким границам) на изображении, а в областях постоянной яркости градиент будет равен нулю.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

это вектор, который указывает направление возрастания яркости на изображении и численно равен скорости возрастания яркости в этом направлении.

Автоматизированный анализ изображений

Слайд 125Методы пространственной фильтрации применяются для выделения или сглаживания краев на изображениях.
Пространственные

фильтры изменяют значения яркости пикселей в соответствии с яркостью соседних пикселей. Соседние пиксели определяются размером матрицы или маски с центром в самом пикселе.
Эти фильтры могут быть чувствительны к присутствию или отсутствию изменений яркости.
Пространственные фильтры:
высокочастотные, подчеркивают различные изменения яркости на границах объектов;
низкочастотные, уменьшают изменения яркости, присутствующие на изображении, «размазывают» изображение, стирая детали и размывая края.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 126В случае матрицы 3 × 3 значение центрального пикселя (черного цвета)

определяется из значений яркости его восьми соседей (заштрихованных).

*

Линейный фильтр – линейная комбинация яркостей окружающих Bi, j элементов.
Нелинейный фильтр – нелинейная комбинация яркостей окружающих Bi, j элементов.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 127Свертка – это функция, согласно которой яркость данного пикселя заменяется взвешенной

суммой яркостей его соседей.
Ядро свертки – матрица, определяющая размер окрестности пикселя, участвующей в свертке, и задающая веса каждого из его соседей.

Имеются элементы изображения B и ядро свертки K:

N – нормировочный коэффициент, равный наибольшему из Kn, m или 1.
В случае полутонового изображения, имеющего 256 градаций яркости (от 0 до 255, яркостное разрешение 8 бит), если новое значение Bi, j<0, оно заменяется на 0; если новое значение Bi, j>255, оно заменяется на 255.
Чем больше по модулю значение коэффициента Kn, m, тем больший вклад даст пиксель Bn, m в новое значение Bi, j. Если Kn, m = 0, сосед Bn, m не вносит вклад в новое значение Bi, j, при этом в качестве Bn, m может быть и сам и Bi, j.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 128Классификация пространственных фильтров

Если ядро свертки содержит и отрицательные, и положительные коэффициенты,

то передаточная функция соответствует взвешенному дифференцированию и производит обостряющую границы или высокочастотную фильтрацию.
Если все коэффициенты ядра положительные, передаточная функция соответствует взвешенному суммированию и производит сглаживание или низкочастотную фильтрацию.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 129Линейные фильтры. Градиентный фильтр
Градиентный фильтр выделяет изменения яркости (подчеркивает границы) по

определенному направлению. Ядро свертки:

a, b, c и d – целые, x = 1 или 0.
Это ядро свертки имеет ось симметрии, которая проходит между положительным и отрицательным коэффициентами ядра через его центр. Эта ось симметрии определяет ориентацию подчеркиваемых границ. Фильтр чувствителен к изменению яркости в направлении, перпендикулярном оси симметрии ядра.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 130Линейные фильтры. Градиентный фильтр
При задании направления D от отрицательного коэффициента ядра

к положительному фильтр осветляет пиксели там, где яркость увеличивается по направлению D, и затемняет там, где яркость уменьшается

*

Градиент № 1 осветляет пиксели, если яркость увеличивается вдоль направления с СВ на ЮЗ, и затемняет пиксели, если яркость уменьшается по тому же направлению. Такая обработка подчеркивает СВ-границы светлых участков.

Градиент № 2 осветляет пиксели, если яркость увеличивается вдоль направления с ЮЗ на СВ, и затемняет пиксели, если яркость уменьшается по тому же направлению. Такая обработка подчеркивает ЮЗ-границы светлых участков.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 131Линейные фильтры. Градиентный фильтр
Градиентный фильтр производит два эффекта в зависимости от

того, 0 или 1 равен его центральный коэффициент.

*

Если центральный коэффициент равен нулю, градиентный фильтр осветляет пиксели, яркость которых изменяется вдоль направления, заданного коэффициентами a, b, с и d. Измененное изображение содержит черно-белые границы на месте исходных краев, остальные части изображения затемнены.

Если центральный коэффициент равен единице, градиентный фильтр выделяет те же изменения, но накладывает их на исходное изображение. Измененное изображение выглядит так же, как исходное, но с осветленными краями.

Исходное изображение

Отфильтрованное изображение

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 132Линейные фильтры. Градиентный фильтр

Фильтрация с применением второго ядра свертки с правой

стороны равенства воспроизводит исходное изображение.
Размер границ отфильтрованного изображения изменяется в зависимости от размера ядра свертки: чем больше элементов содержит ядро, тем шире выделенные границы.
3 × 3 5 × 5 7 × 7

К градиентным фильтрам относятся фильтры Превитта и Собела, вид ядер свертки которых представлен в Приложении к Учебному пособию.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 133Линейные фильтры. Фильтр лапласиан
Фильтр лапласиан осветляет изменения яркости, окружающие пиксель,

выделяет контур объектов и подчеркивает детали изображения. В отличие от градиентного фильтра он действует по всем направлениям.
Ядро свертки:

a, b, c и d – целые (отрицательные или ноль).

*

Исходное изображение

Выделение границ

Осветление границ

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 134Линейные фильтры. Фильтр лапласиан
Фильтр лапласиан производит два различных эффекта в зависимости

от того, равен или больше его центральный коэффициент x сумме модулей окружающих его коэффициентов:

*

Если центральный коэффициент равен этой сумме, лапласиан выделяет пиксели при обнаружении значительных различий в яркости. Эти различия могут быть обусловлены присутствием острых краев, резких границ между объектами, изменений в текстуре фона, шумов и других эффектов. Преобразованное изображение содержит белые контуры на черном фоне.

Если центральный коэффициент больше этой суммы, лапласиан выделяет те же изменения, которые упомянуты ранее, но накладывает их на исходное изображение. Преобразованное изображение выглядит как исходное изображение с осветленными областями со значительными изменениями яркости.

Исходное изображение

Отфильтрованное изображение

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 135Линейные фильтры. Фильтр лапласиан

Больший центральный коэффициент соответствует осветлению фильтром менее выдающихся

деталей изображения. Фильтр, в основе которого лежит второе ядро с правой стороны равенства, воспроизводит исходное изображение.
Размер ядра: Чем больше ядро фильтра, тем шире выделенные границы.
3 × 3 5 × 5 7 × 7

Вид ядер свертки лапласианов представлен в Приложении к Учебному пособию.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 136Нелинейные фильтры
Нелинейные фильтры заменяют каждое значение яркости пикселя нелинейной функцией значений

яркости окружающих его пикселей. Как и линейные фильтры, нелинейные фильтры оперируют с окрестностью пикселя.
Нелинейный фильтр Превитта – это фильтр высоких частот, который выделяет внешние контуры объектов. Он осветляет значительные перепады яркости вдоль вертикальной и горизонтальной осей изображения. Каждому пикселю ставится в соответствие максимальное из значений его горизонтального и вертикального градиентов, полученных при помощи следующих ядер свертки Превитта:

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 137Нелинейные фильтры
Нелинейный фильтр Собела – это фильтр высоких частот, который

выделяет внешние контуры объектов. Он осветляет значительные перепады яркости вдоль вертикальной и горизонтальной осей.
Каждому пикселю ставится в соответствие максимальное из значений его горизонтального и вертикального градиентов, полученных при помощи следующих ядер свертки Собела:

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 138Нелинейные фильтры
Вследствие наличия разных ядер нелинейный фильтр Превитта подчеркивает в

основном криволинейные контуры, тогда как нелинейный фильтр Собела выделяет прямоугольные контуры. Эти различия лучше всего заметны на отдельных пикселях.

*

Исходное изображение

Фильтр Превитта

Фильтр Собела

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 139Нелинейные фильтры
Нелинейный градиентный фильтр осветляет контуры, когда изменения яркости происходят

вдоль вертикальной оси.
Новое значение яркости пикселя – максимум из значений модуля отклонения его яркости от яркости его верхнего соседа и модуля отклонения яркости двух его соседей слева:

Фильтр Робертса подчеркивает контуры, осветляя пиксели, когда изменение яркости происходит вдоль диагональной оси.
Новое значение яркости пикселя – максимум из модуля отклонения его яркости от яркости его верхнего левого соседа и модуля отклонения яркости двух других его соседей:

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 140Нелинейные фильтры
Дифференцирующий фильтр проводит контуры, осветляя пиксель, если изменение яркости

происходит между ним самим и его тремя соседями справа.
Новое значение яркости пикселя – максимальное из отклонений его значения яркости от значений яркости его соседей справа:

Развитие представленных методов пространственной фильтрации изображений заключается в увеличении количества элементов сканирующей апертуры от 3 × 3 до 17 × 17 и более, если позволяют вычислительные средства, а также во введении дробных весовых коэффициентов, учитывающих значения яркостей элементов апертуры, окружающих центральный элемент.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.2. Выделение контуров на изображении. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 141Структурные (вероятностные) признаки изображения являются числовыми характеристиками изображения как двумерного случайного

процесса, который описывается совместными распределениями вероятностей элементов этого изображения.
Структурные признаки изображений:
яркостные характеристики изображения, такие, как гистограмма распределения значений яркости на изображении;
текстурные характеристики изображения, к которым относятся характеристики случайного процесса, определяющие его корреляционные свойства, такие, как автокорреляционная функция изображения и др.;
признаки стохастической геометрии и др.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

*

Яркостная характеристика: Трехмерное представление двумерного изображения

Автоматизированный анализ изображений

Слайд 142Гистограмма изображения
Гистограмма изображения отражает количественное распределение пикселей по значениям (уровням, градациям)

яркости.
Она обеспечивает описание общего вида изображения и помогает идентифицировать различные компоненты изображения, такие, как фон, объекты и шумы.
Гистограмма изображения H – это функция, определенная на шкале уровней яркости таким образом, что количество пикселей, соответствующее значению яркости k, составляет
H(k) = nk,
k – уровень яркости,
nk – количество пикселей в изображении с уровнем яркости k,
n = Σ nk – полное число пикселей изображения.
В случае полутонового изображения, имеющего 256 градаций яркости (яркостное разрешение 8 бит), шкала уровней яркости задается от 0 до 255.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

Автоматизированный анализ изображений

Слайд 143Гистограмма изображения
Гистограмма отображает, какие уровни яркости встречаются на изображении чаще, а

какие реже.
Диапазон тонов гистограммы делят на три части :
тень (области низкой яркости);
светлая область (области высокой яркости);
средние тона (области средней яркости).

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

Автоматизированный анализ изображений

Слайд 144Гистограмма изображения
*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные

(вероятностные) признаки изображений

Автоматизированный анализ изображений

Слайд 145Гистограмма изображения
М. б. построены линейная и кумулятивная гистограммы. По горизонтальной оси

в обоих случаях – уровень яркости. Для уровня яркости k вертикальная ось линейной гистограммы соответствует количеству пикселей nk со значением яркости k, а вертикальная ось кумулятивной гистограммы – проценту пикселей, значения яркости которых ≤ k.

*

Для линейной гистограммы функция плотности распределения вероятности

Hlin(k) количество пикселей с яркостью k.
Функция вероятности
Plin(k) вероятность того, что яркость пикселя равна k.
Для кумулятивной гистограммы функция плотности распределения вероятности

Hcum(k) – количество пикселей, яркость которых меньше или равна k.
Функция вероятности

Pcum(k) – вероятность того, что яркость пикселя меньше или равна k.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

Автоматизированный анализ изображений

Слайд 146Гистограмма изображения
Вертикальная ось гистограммы может иметь линейный или логарифмический масштаб.

Применение

логарифмического масштаба позволяет обнаружить значения яркости, которым соответствует небольшое число пикселей.
Эти значения могут казаться неиспользованными, если гистограмма представлена в линейном масштабе.
При логарифмическом масштабе вертикальная ось гистограммы представляет собой логарифм количества пикселей с определенным уровнем яркости.
Мало используемые значения яркости становятся более заметными за счет преобладающих уровней яркости.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

Автоматизированный анализ изображений

Слайд 147Гистограмма изображения
Линейный профиль представляет изменение яркости на изображении вдоль некоторой линии.

Он может быть полезен при обнаружении границ компонентов изображения, подсчете уровня изменения яркости и обнаружении повторяющихся участков на изображении.

Пики и впадины соответствуют увеличению и уменьшению яркости вдоль выбранной линии. Ширина и высота пропорциональны размеру и яркости соответствующих участков.
Напр., светлый объект с постоянной яркостью отображается на графике в виде плато. Повышение контраста между объектом и окружающим фоном – крутые края плато. Зашумленные пиксели отображаются в виде серии узких пиков.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

Автоматизированный анализ изображений

Слайд 148Текстурные характеристики изображения
Текстура используется для описания повторяющихся изменений яркости на изображении.
Свойства

текстуры:
1. На изображении можно найти фрагмент с «рисунком», повторяющимся в пределах области, которая велика по сравнению с размером этого фрагмента изображения.
2. Этот «рисунок» образуется элементарными составными частями, размещенными в некотором неслучайном порядке.
3. Элементарные части (базовые примитивы) – это примерно однородные единицы, имеющие приблизительно одинаковую форму по всей текстурной области, зерно текстуры. Текстура обычно описывается размером ее зерна, который связан с периодом пространственной повторяемости локальной структуры («рисунка») на изображении.

*

Большой период соответствует крупнозернистой текстуре, а малый – мелкозернистой.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

Автоматизированный анализ изображений

Слайд 149Текстурные характеристики изображения
Искусственные текстуры – это структуры из графических знаков, расположенных

на нейтральном фоне. Такими знаками могут быть отрезки линий, точки, звездочки, буквы или цифры.
Естественные текстуры – это изображения естественных сцен, содержащие квазипериодические структуры. Примерами могут служить фотографии кирпичных стен, песка, травы. Среди медицинских изображений это, например, изображения мышечной ткани под микроскопом, крови и т.п.
Чаще всего текстуры используются при решении задач восстановления изображений, сегментации, а также для генерации искусственных изображений и моделирования трехмерных изображений.

Текстура – это свойство окрестности точки изображения, поэтому текстурные признаки зависят от размера окрестности, на которой они определяются.
Для анализа текстур применяется пространственная автокорреляционная функция; могут использоваться спектральные признаки.

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

Автоматизированный анализ изображений

Слайд 150Корреляция и др.
Корреляция – статистическая взаимосвязь двух или более случайных величин (математическая мера

– коэффициенты корреляции, корреляционный момент). Изменения значений одной или нескольких из этих величин сопутствуют систематическому изменению значений другой или других величин.
Ковариация (корреляционный момент) – характеристика совместного распределения двух случайных величин; совместный центральный момент второго порядка; определяется как математическое ожидание произведения отклонений случайных величин.
COV = M[(X-M(X)),(Y-M(Y))]
Взаимнокорреляционная функция (кросс-корреляция, скользящее скалярное произведение) применяется для оценки степени корреляции двух последовательностей; в обработке сигналов является мерой подобия двух сигналов, определяется как функция сдвига одного относительного другого; часто используется для поиска в длинной последовательности известной более короткой.
CROSS=Σf[m]g[m+n] (для вещественных функций), n – сдвиг.
Автокорреляция – это взаимная корреляция сигнала с самим собой; зависимость взаимосвязи между сигналом и его сдвинутой копией от величины сдвига.
Свертка определяется как сумма (интеграл) произведения двух функций, при этом одна из них отраженная и сдвинутая; указывает на «схожесть» одной функции с отражённой и сдвинутой копией другой.
CONV=Σf[m]g[m-n]

*

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

Автоматизированный анализ изображений

Слайд 151Взаимная корреляция, автокорреляция, свертка
*

Рассмотрим две вещественные функции f и g.
При

вычислении CROSS функция g скользит вдоль оси x, при этом вычисляется сумма (интеграл) произведения f и g в каждой позиции. Когда функции совпадают, значение CROSS максимально, т.к. когда пики «состыковываются» они вносят наибольший вклад в интеграл. С другой стороны, когда впадины «состыковываются», они тоже вносят положительный вклад в интеграл, т.к. произведение двух отрицательных чисел – положительное число.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

CONV=Σf[m]g[m-n]
CROSS=Σf[m]g[m+n]
AUTO= Σg[m]g[m+n]

Автоматизированный анализ изображений

Слайд 152Взаимная корреляция и автокорреляция
Взаимная корреляция изображений: Двумерное изображение f(i, j) может

быть отфильтровано двумерным фильтром с ядром h(u, v) для получения нового изображения g(i, j).

Свертка – это взаимная корреляция, при которой применяется фильтр с зеркально отраженным ядром, сдвигающимся по горизонтали и вертикали.

Если ядро симметрично
свертка = взаимная корреляция.

Автокорреляционная функция изображения характеризует размер базового примитива и определяет зерно текстуры. Автокорреляционная функция обладает высокой помехоустойчивостью и позволяет выявить периодические компоненты изображения, даже неразличимые глазом, анизотропию изображения (неоднородность свойств) и направление анизотропии.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

*

Автоматизированный анализ изображений

Слайд 153Взаимная корреляция
4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные

(вероятностные) признаки изображений

*

Сравнение с шаблоном значений яркости изображения в градациях серого.
Шаблон «прикладывают» к анализируемому изображению в каждой точке.
Пики на изображении CROSS-функции соответствуют той части анализируемого изображения, в которой верхний левый угол шаблона наилучшим образом совпадает с анализируемым изображением.

Автоматизированный анализ изображений

Слайд 154Нормализованная взаимная корреляция
4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3.

Структурные (вероятностные) признаки изображений

*

Рассмотрим вычисление CROSS как скалярное произведение h на ft.
Скалярное произведение — операция над двумя векторами, результатом которой является число, не зависящее от системы координат и характеризующее длины векторов-сомножителей и угол между ними. Данной операции соответствует умножение длины вектора a на проекцию вектора b на вектор a.

Алгебраическое определение: Для a{a1,a2,…,an} и b{b1,b2,…,bn} в n-мерном действительном пространстве:

Геометрическое определение, скалярное произведение определяется через длины сомножителей и угол между ними:

Автоматизированный анализ изображений

Слайд 155Нормализованная взаимная корреляция
4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3.

Структурные (вероятностные) признаки изображений

*

Рассмотрим вычисление CROSS как скалярное произведение h на ft, определим косинус угла между этими векторами:

Автоматизированный анализ изображений

Слайд 156Нормализованная взаимная корреляция
4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3.

Структурные (вероятностные) признаки изображений

*

Вычтем из шаблона h среднюю яркость шаблона (чтобы получить нулевые значения в области постоянных значений, уменьшить реакцию на незначимый фон);
Вычтем из окрестности пикселя изображения ft среднюю яркость этой окрестности (чтобы уменьшить влияние яркости изображения на результат вычислений)

Нормализация изображения: вычитание средней яркости окрестности пикселя изображения и деление на среднеквадратическое отклонение на каждом шаге при определении CROSS.

Автоматизированный анализ изображений

Слайд 157Нормализованная взаимная корреляция
Ковариация (в теории вероятности и статистике) — мера линейной

зависимости двух случайных величин (мера того, как две случайные величины изменяются вместе).
Если большие значения одной переменной соответствуют большим значениям другой, и та же тенденция сохраняется для меньших значений, т.е. переменные ведут себя примерно одинаково, ковариация положительна. В противоположном случае, когда большие значения одной переменной соответствуют меньшим значениям другой, ковариация отрицательна. Знак ковариации указывает на вид (уклон) линейной зависимости между переменными.
Коэффициент корреляции – это нормализованная ковариация, его величина указывает на силу линейной зависимости между переменными.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

*

Автоматизированный анализ изображений

Слайд 158Нормализованная взаимная корреляция
4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3.

Структурные (вероятностные) признаки изображений

*

Приведение шаблона и изображения к однородной шкале: вычитание среднего и деление на среднеквадратическое отклонение.

Автоматизированный анализ изображений

Слайд 159Нормализованная взаимная корреляция
4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3.

Структурные (вероятностные) признаки изображений

*

Анализ и обработка медицинских изображений

Приведение шаблона и изображения к однородной шкале: вычитание среднего и деление на среднеквадратическое отклонение.

Слайд 160Проблемы при сопоставлении изображения с шаблоном

4.1. Признаки, полученные в пространственной области

анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

*

OCR – optical character recornition

Автоматизированный анализ изображений

Слайд 161Признаки стохастической геометрии
Признаки стохастической геометрии описываются случайными величинами, связанными с наступлением

каких-либо геометрических событий.
Чаще всего для получения этих признаков на плоскости изображения генерируется линия, положение которой задается случайным образом, и вычисляются некоторые характеристики, связанные с пересечением этой линией выбранного объекта на изображении. Напр., это может быть число пересечений объекта линией; максимальная или минимальная длина отрезка линии, попавшего на объект; суммарная длина отрезков линии, находящихся в области объекта, и т.д. Вероятностные характеристики таких случайных величин некоторым образом описывают форму объекта.
В силу случайности положения линии, эти признаки инвариантны к смещениям и поворотам изображения; к масштабу (при определенных условиях).
Достоинством таких признаков является относительно высокая помехоустойчивость.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

*

Автоматизированный анализ изображений

Слайд 162Признаки стохастической геометрии
4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3.

Структурные (вероятностные) признаки изображений

*

Гистограмма ориентации контурных элементов изображения – распределение количества контурных элементов по длине вектора ρ и направлению φ.
Для построения гистограммы ρ-φ следует:
1. Подсчитать количество контурных элементов в различных диапазонах длин, независимо от их ориентации, и построить гистограмму.
2. Подсчитать количество контурных элементов, ориентированных в заданных диапазонах углов, независимо от размеров, и построить гистограмму.
3. Построить двумерную гистограмму частот по параметрам ρ и φ.

Автоматизированный анализ изображений

Слайд 163Признаки стохастической геометрии
Сложность при измерении длины контурных элементов на изображении заключается

в том, что они редко представляют собой прямые линии. Обычно это искривленные линии с множеством плавных и резких перегибов, кроме того, весьма вероятно пересечение и размножение этих кривых.
Контурный элемент может быть представлен в виде отрезка прямой, произвольно ориентированной в плоскости изображения: в этом случае после выбора точки отсчета (начала отрезка) измерение осуществляется согласно евклидовой метрике.
Контурный элемент может представлять собой кривую, тогда она разбивается на ряд линейных участков, при этом точность измерений определяется минимальным размером аппроксимирующего элемента.
Если в контуре имеются разветвления, применяют следующие приемы: учитывают только максимальную длину; учитывают только особые кончики (напр., с завихрениями); учитывают сумму всех частей; не учитывают ответвления.
При подсчете количества контурных элементов (с учетом их ориентации) для криволинейных участков контура вычисляются все углы промежуточных звеньев, на которые они разбиты (точность растет при уменьшении длины отрезка). Общую ориентацию замкнутого контура определяют, исходя из ориентации всех составляющих его отрезков.

4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3. Структурные (вероятностные) признаки изображений

*

Автоматизированный анализ изображений

Слайд 164Признаки стохастической геометрии
4.1. Признаки, полученные в пространственной области анализа изображений. 4.1.3.

Структурные (вероятностные) признаки изображений

*

Анализ осколков настенного рисунка для создания алгоритмов реставрации

Типы разветвлений

Автоматизированный анализ изображений

Слайд 165Спектральные признаки – это признаки, в процессе получения которых используется спектральная

модель преобразования изображения:

B(x, y) – яркость точки на изображении с координатами (x, y);
W(x, y, u, z) – ядро преобразования.

Спектральные коэффициенты, найденные в результате двумерного преобразования, определяют веса двумерных базисных функций (базисных изображений), соответствующих этому преобразованию, при которых взвешенная сумма базисных функций идентична изображению.
Эти коэффициенты показывают степень корреляции соответствующих базисных функций с изображением. Поэтому если базисное изображение имеет ту же пространственную форму, что и признак, который требуется обнаружить на изображении, то для его обнаружения достаточно определить соответствующий спектральный коэффициент.
Для получения спектральных признаков применяют Фурье-преобразование, косинусное преобразование, преобразование Радона, вейвлет-преобразование и др.

4.2. Признаки, полученные в частотной области анализа изображений. Спектральные признаки

*

Автоматизированный анализ изображений

Слайд 166Фурье-преобразование изображения в непрерывной области имеет вид

В дискретной области применяют быстрое

преобразование Фурье (БПФ)

u и v – горизонтальная и вертикальная пространственные частоты;
N × M – размеры исходного изображения (в пикселях);
B(x, y) – яркость точки на изображении с координатами (x, y);
j – мнимая единица.
Преобразование Фурье задает комплексное число для каждой точки частотной плоскости (u, v).
C помощью обратного БПФ функция F(u, v) может быть трансформирована в исходное изображение:

4.2. Признаки, полученные в частотной области анализа изображений. Спектральные признаки

*

Автоматизированный анализ изображений

Слайд 167БПФ-изображение м.б. отображено с использованием 4х комплексных компонентов: действительная часть и

мнимая часть, амплитуда и фаза.
Соотношение между этими компонентами:

Re(u, v) – действительная часть и Im(u, v) i – мнимая часть.

|F(u, v)| – амплитуда и φ(u, v) – фаза.

Амплитуда |F(u, v)| также называется спектром Фурье:

Фаза также называется фазовым углом:

4.2. Признаки, полученные в частотной области анализа изображений. Спектральные признаки

*

Автоматизированный анализ изображений

Слайд 168Возможно 2 представления БПФ-изображения (спектра БПФ): стандартное и оптическое. Значения яркости

точек на БПФ-изображении пропорциональны амплитудам спектра БПФ в соответствующих точках.

4.2. Признаки, полученные в частотной области анализа изображений. Спектральные признаки

*

В стандартном представлении высокие частоты группируются в центре, тогда как низкие частоты расположены по краям БПФ-изображения.
Нулевая частота, которой соответствует постоянная составляющая исходного изображения, представляется в левом верхнем углу изображения (для верхнего левого квадранта).

Шкала пространственных частот: [0, N∆u] × [0, M∆v],
∆u и ∆v – шаги дискретизации пространственных частот u и ν.

Исходное изображение

Стандартное представление БПФ-изображения

Автоматизированный анализ изображений

Слайд 169В оптическом представлении низкие частоты группируются в центре изображения, а высокие

располагаются по краям.
Постоянная составляющая или нулевая частота находится в центре изображения.
Шкала пространственных частот: [-N∆u/2, N∆u/2] × [-M∆v/2, M∆v/2].

4.2. Признаки, полученные в частотной области анализа изображений. Спектральные признаки

*

Исходное изображение

Оптическое представление БПФ-изображения

Автоматизированный анализ изображений

Слайд 170БПФ спектры изображений с видимой периодической структурой и без нее
4.2. Признаки,

полученные в частотной области анализа изображений. Спектральные признаки

*

Автоматизированный анализ изображений

Слайд 171Цели обработки изображения
повышение качества изображения в каком-либо смысле за счет

восстановления (реставрации) или изменения изображения,
компрессия (сжатие) изображений,
шифрование/дешифрование изображений,
улучшение эстетического восприятия изображений
и др.
Необходимость обработки медицинских изображений обусловлена тем, что при получении и воспроизведении этих изображений в них возникают искажения, которые могут стать причиной ошибок при постановке диагноза.
Цель обработки медицинских изображений – улучшение качества изображения в смысле повышения эффективности его зрительного восприятия врачом (исследователем).

5. Обработка изображений

*

Автоматизированный анализ изображений

Слайд 172Реставрация (коррекция) – процедура восстановления или оценивания элементов изображения, целью которой

является коррекция искажений и наилучшая аппроксимация идеального неискаженного изображения.
Улучшение изображений – комплекс операций с целью либо улучшения визуального восприятия изображения, либо преобразования его в форму, более удобную для визуального или машинного анализа. При улучшении изображений не делается попытки приблизить воспроизводимое изображение к некоторому идеализированному оригиналу.

5. Обработка изображений

*

Два вида обработки для повышения качества изображений:

Автоматизированный анализ изображений

Слайд 1735. Обработка изображений
*

С позиций использования средств вычислительной техники все существующие методы

обработки можно разделить на:
структурированные методы, которые построены на крупных вычислительных блоках, оперирующих множествами элементов изображений;
неструктурированные методы, которые нельзя представить более крупными стандартными блоками, чем арифметико-логические операции над отдельными элементами изображений.
Для преобразования изображения к нему может применяться не один метод обработки, а некоторая последовательность методов, и при этом анализируется несколько признаков.

Выделены две группы методов обработки изображений:
методы обработки в пространственной области;
методы обработки в частотной области.

Автоматизированный анализ изображений

Слайд 174Геометрические преобразования, содержание изображения, как правило, не изменяется, но изменяется форма

его представления: масштабирование изображения, сдвиг изображения в плоскости, вырезание фрагмента, поворот вокруг заданной точки, линейная и нелинейная коррекция геометрических искажений, совмещение изображений, перенос центра координат, нахождение проекций изображения, увеличение и уменьшение размерности пространства изображения и т. п.
Амплитудные (яркостные) преобразования, изменяется яркость некоторых или всех элементов изображения: сегментация, пространственная фильтрация, методы гистограммных преобразований, методы усиления контраста, в том числе разностные методы и методы преобразования локальных контрастов, раскрашивание и др.

5.1. Методы обработки изображений в пространственной области

*

Автоматизированный анализ изображений

Слайд 175Масштабирование изображения позволяет сжать или растянуть плоскость изображения по горизонтали и

(или) вертикали; при этом изменяется ширина и (или) высота изображения.
Для масштабирования задаются коэффициенты масштабирования (масштабные коэффициенты), которые определяют насколько нужно сжать или растянуть изображение по горизонтали или вертикали.
Коэффициенты масштабирования могут быть представлены:
в нормализованной форме, размеры исходного изображения принимаются за единицу; значения меньше единицы указывают на сжатие пространства изображения, значения больше единицы – на растяжение;
в процентной форме, нормализованные значения умножаются на 100 %;
в непосредственной форме, новые размеры изображения по горизонтали и вертикали задаются в виде количества пикселей по тому или другому измерению.

5.1. Методы обработки изображений в пространственной области. 5.1.1. Геометрические преобразования. Масштабирование изображения

*

Автоматизированный анализ изображений

Слайд 176Яркость пикселя на масштабированном изображении обычно принимается равной яркости ближайшего к

нему пикселя исходного изображения:
BM(xi, yj) = B(MWxi, MHyj); xi = [0, W-1], yj = [0, H-1];
MW=W/WM, MH=H/HM
BM(xi, yj) – яркость пикселя масштабированного изображения;
MW и MH – коэффициенты масштабирования изображения по горизонтали и по вертикали;
W и WM – размер изображения по горизонтали до и после масштабирования (в пикселях);
H и HM – размер изображения по вертикали до и после масштабирования (в пикселях).
Координаты xi и yj определяют соответственно строку и столбец пикселя на изображении и изменяются в пределах высоты и ширины изображения.
Для определения яркости пикселя на масштабированном изображении могут применяться методы интерполяции: яркость пикселя масштабированного изображения вычисляется как значение некоторой интерполирующей функции от яркостей соседних пикселей исходного изображения.
При использовании билинейной интерполяции яркость пикселя масштабированного изображения вычисляется как взвешенная сумма яркостей ближайших четырех пикселей исходного изображения.

5.1. Методы обработки изображений в пространственной области. 5.1.1. Геометрические преобразования. Масштабирование изображения

*

Анализ и обработка медицинских изображений

Слайд 177Хорошие алгоритмы интерполяции направлены на уменьшение влияния нежелательных искажений изображения (поиск

баланса между тремя видами искажений): ореолы вдоль краев, размытие, лестничный эффект.

Интерполяция

Масштабирование x4

Ближайший сосед

Билинейная

Бикубическая

5.1. Методы обработки изображений в пространственной области. 5.1.1. Геометрические преобразования. Масштабирование изображения

*

Автоматизированный анализ изображений

Слайд 178
Линейная интерполяция
xw
xe
vw
ve
x
v

*
5.1. Методы обработки изображений в пространственной области. 5.1.1. Геометрические преобразования.

Масштабирование изображения

Автоматизированный анализ изображений

Слайд 179
NW
NE
SE
SW

S
N
V

Билинейная интерполяция соответствует получению полинома:
5.1. Методы обработки изображений в пространственной

области. 5.1.1. Геометрические преобразования. Масштабирование изображения

*

Автоматизированный анализ изображений

Слайд 180Пример билинейной интерполяции

z=15
z=7
z=2
z=3
s
t
v
s
t
0
1
0

*
5.1. Методы обработки изображений в пространственной области.

5.1.1. Геометрические преобразования. Масштабирование изображения

Автоматизированный анализ изображений

Слайд 181В основе ранговых методов обработки изображения –преобразование изображения с помощью нелинейной

функции, определяющейся некоторым подмножеством рангов и (или) порядковых статистик выборки, которая образована значениями яркости элементов изображения из некоторой окрестности (определенного вида) данного элемента.
Методы ранговых преобразований могут применяться для решения различных задач обработки изображений, в т.ч. для усиления или сглаживания границ на изображениях, фильтрации изображений и определения их текстурных признаков.
Ранжирование – это такое соответствие между элементами последовательности, при котором для каждого из двух элементов один из них либо «ранжирован выше чем другой», либо «ранжирован ниже чем другой», либо «ранжирован как равный другому».

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Ранговые методы

*

Автоматизированный анализ изображений

Слайд 182Медианная фильтрация
Медианный фильтр – это фильтр низких частот:
Bi, j =

медиана последовательности{Bn, m}
Фильтр ставит в соответствие каждому пикселю медиану его соседей, эффективно удаляет отдельные (изолированные) пиксели и уменьшает детальность.
Медианный фильтр не размывает контуры объектов.
Медианой дискретной последовательности (для нечетного числа элементов N) является тот ее элемент, для которого существуют (N – 1)/2 элементов, меньших или равных ему по значению, и (N – 1)/2 элементов, больших или равных ему по значению.
Для медианы med последовательности f(j) справедливо:
med{c ∙ f(i)} = c ∙ med{f(i)}
med{c + f(i)} = c + med{f(i)}
c – постоянная.
Но для двух произвольных последовательностей f(j) и g(j):
med{g(j)+ f(i)} ≠ med{g(j)} + med{f(i)}

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Ранговые методы

*

Автоматизированный анализ изображений

Слайд 183Медианная фильтрация
Медианная фильтрация для подавления шумов:
Увеличение окна фильтра. Начинают с медианного

фильтра, окно (апертура) которого охватывает 3 элемента изображения. Если ослабление сигнала незначительно, окно фильтра расширяют до 5 элементов. Так поступают до тех пор, пока медианная фильтрация не начнет приносить больше вреда, чем пользы.
Каскадная медианная фильтрация изображения с использованием фиксированной или изменяемой ширины окна. В общем случае те области, которые остаются без изменения после однократной обработки фильтром, не меняются и после повторной обработки. Области, в которых длительность импульсных шумов (выбросов яркости) составляет менее половины ширины окна, будут подвергаться изменениям после каждого цикла обработки.

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Ранговые методы

*

Исходное изображение (зашумленное)

Результат медианной фильтрации

Исходное изображение (зашумленное)

Автоматизированный анализ изображений

Слайд 184Фильтрация фильтром N-ого порядка
Фильтр N-го порядка – это расширение медианного фильтра.

Фильтр ставит в соответствие каждому пикселю N-е значение яркости его соседа (когда они расставлены в порядке возрастания), N задается пользователем:
Bi, j = N-ое значение из последовательности {Bn, m}
Bn, m расположены в порядке возрастания.
Напр., элементы изображения:

Значения яркостей центрального пикселя для разных значений N-го порядка.

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Ранговые методы

*

Автоматизированный анализ изображений

Слайд 185Фильтрация Гауссова шума

Слайд 186Фильтрация фильтром N-ого порядка
Значение N определяет порядок фильтра и м. б.

использовано для управления действием фильтра на яркость всего изображения.
Более низкому порядку соответствует более темное преобразованное изображение, более высокому порядку – более яркое преобразованное изображение.
При заданном размере f фильтра N-й порядок может ранжироваться от 0 до (f2 -1).
Напр., если размер фильтра 3, N-й порядок ранжируется от 0 до 8=32–1.

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Ранговые методы

*

Для заданного размера фильтра N-го порядка f × f:
– при N < (f2 - 1)/2 фильтр расширяет темные области;
– при N = 0 каждый пиксель заменяется его локальным минимумом;
– при N = (f2 - 1)/2 каждый пиксель заменяется локальным значением медианы;
– при N > (f2 - 1)/2 фильтр размывает яркие области;
– при N = f2 - 1 каждый пиксель заменяется локальным максимумом.

Нулевой порядок:
размывает изображение,
размывает яркие области

Порядок 4:
эквивалентен медианному фильтру

Порядок 8:
сглаживает изображение, размывает яркие области

Автоматизированный анализ изображений

Слайд 187Низкочастотные сверточные фильтры
Низкочастотные фильтры уменьшают изменения яркости. Они размазывают изображение, стирая

детали и размывая края.
Сглаживающий фильтр имеет ядро

a, b, с и d – целые, x = 0 или 1.
Поскольку все коэффициенты сглаживающего ядра положительны, каждый центральный пиксель является взвешенной суммой своих соседей.
Чем больше вес соседних пикселей (окрестности), тем больше их влияние на новое значение центрального пикселя.

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Пространственная фильтрация

*

Исходное изображение

Отфильтрованное изображение

Автоматизированный анализ изображений

Слайд 188Низкочастотные сверточные фильтры
Для заданного набора коэффициентов (a, b, c, d) ядро

с центральным коэффициентом x = 0 оказывает большее размывающее воздействие, чем ядро с центральным коэффициентом x = 1.

*

Отфильтрованное изображение

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 189Низкочастотные сверточные фильтры
Гауссиан ослабляет изменения яркости в окрестности пикселя. Он сглаживает

форму объектов и ослабляет детали. По воздействию он похож на сглаживающий фильтр, но его размывающее воздействие на изображение более мягкое.
Гауссиан – это усредняющий фильтр с ядром

a, b, с и d – целые и x > 1.
Поскольку все коэффициенты ядра гауссиана положительны, каждый пиксель заменяется взвешенной суммой своих соседей. Чем больше вес соседнего пикселя, тем больше его влияние на новое значение центрального пикселя.

*

Исходное изображение

Отфильтрованное изображение

Исходное изображение

Отфильтрованное изображение

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 190Низкочастотные сверточные фильтры
Нелинейный фильтр низких частот уменьшает детали и размывает края

при задании значения яркости пикселей средним из окрестности, если отклонение от этого значения достаточно большое.
если Bi, j – M < S, тогда Bi, j = Bi, j, иначе Bi, j = M,
M – среднее значение Bi, j и его соседей;
S – стандартное отклонение.
Каждый пиксель принимает значение M, если его значение яркости не входит в диапазон [M – S, M + S].

*

Исходное изображение

Отфильтрованное изображение

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Пространственная фильтрация

Автоматизированный анализ изображений

Слайд 191Последовательность действий в алгоритме Канни

Сглаживание изображения с помощью Гауссиана: оптимальный баланс

между фильтрацией шума и размыванием краев
Вычисление величины (амплитуды) Градиента с применением конечно-разностной аппроксимации производных: фильтры 2x2
Истончение краев за счет подавления не максимальных значений амплитуды градиента (non-maxima suppression)
Обнаружение краев с помощью двойной пороговой обработки (double thresholding)

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

*

Автоматизированный анализ изображений

Слайд 192Вычисление величины градиента
Свертка в каждой точке с помощью:

Величина (амплитуда) и

направление градиента определяются как:

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

*

Автоматизированный анализ изображений

Слайд 193Вычисление величины градиента
5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные

преобразования. Детектор краев Канни

*

Автоматизированный анализ изображений

Слайд 194Подавление не максимальных значений амплитуды градиента (non-maxima suppression)
Истончение краев путем выбора

максимальных значений градиента
Максимумы не всегда расположены на краю
Много толстых краев

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

*

Автоматизированный анализ изображений

Слайд 195Подавление не максимальных значений амплитуды градиента (non-maxima suppression)
Истончение широких частей краев

на M[i,j] до краев толщиной в 1 пиксель
Нахождение локального максимума на M[i,j] путем подавления всех значений по линии градиента, которые не являются пиковыми

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

*

Автоматизированный анализ изображений

Слайд 196Требуется отметить точки на кривой, в которых амплитуда градиента максимальна. Это

можно сделать путем поиска максимума по срезу, перпендикулярному к кривой..
В какой точке находится максимум и как выбрать следующую точку?

Подавление не максимальных значений амплитуды градиента (non-maxima suppression)

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

*

Автоматизированный анализ изображений

Слайд 197
Подавление пикселей на изображении амплитуды градиента (Gradient Magnitude Image), не являющихся

локальными максимумами

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

Подавление не максимальных значений амплитуды градиента (non-maxima suppression)

*

Автоматизированный анализ изображений

Слайд 198Ориентация градиента
Отнести угол градиента θ[i,j] в один из 4 секторов
Проверить окрестность

3x3 для каждого M[i,j]
Если значение в центре не превышает двух чисел вдоль направления градиента, установить M[i,j] в ноль.

*

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

Автоматизированный анализ изображений

Слайд 199Локальный максимум
Удалить
В зависимости от условий
5.1. Методы обработки изображений в пространственной области.

5.1.2. Амплитудные преобразования. Детектор краев Канни

*

Подавление не максимальных значений амплитуды градиента
(non-maxima suppression)

Автоматизированный анализ изображений

Слайд 200Изображение после подавления не максимального значения градиента будет содержать много ложных

краев за счет наличия шума или мелкой текстуры.

0

2

0

1

0

3

0

1

0

1

0

3

0

2

3

0

3

0

2

1

2

0

3

1

2

0

3

0

Ложные края

*

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

Подавление не максимальных значений амплитуды градиента
(non-maxima suppression)

Автоматизированный анализ изображений

Слайд 201Подавление не максимальных значений амплитуды градиента
(non-maxima suppression)
5.1. Методы обработки изображений

в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

*

Автоматизированный анализ изображений

Слайд 202Пороговая обработка
Сокращение количества ложных краев за счет применения порога T
Все значения

меньше T заменяются на ноль
Выбор хорошего значения T трудно сделать
Некоторые ложные края останутся, если значение T слишком низкое
Некоторые края исчезнут, если значение T слишком высокое
Некоторые края исчезнут из-за сниженного контраста

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

*

Автоматизированный анализ изображений

Слайд 203Двойная пороговая обработка
Применение двух порогов к обрабатываемому изображению
T2 = 2T1
Два изображения

на выходе
Изображение с порогом T2 содержит меньше границ, но имеет пробелы в контурах
Изображение с порогом T1 содержит много ложных краев
Соединение результатов после пороговой обработки с T1 и T2
Связывайте края T2 в один контур, пока не будет достигнут пробел
Связывайте край T2 с пикселями края из T1 пока край на T2 не возникнет снова (до конца пробела)

*

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

Автоматизированный анализ изображений

Слайд 204T2=2
T1=1

Пробелы, запол-ненные
из
T1
Контур T2 имеет пиксели вдоль зеленых стрелок
Связывание:

поиск в окрестности 3x3 каждого пикселя и соединение пикселя в центре с тем, значение которого наибольшее из окрестности
Поиск в направлении края (в направлении градиента)

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Детектор краев Канни

Двойная пороговая обработка

*

Автоматизированный анализ изображений

Слайд 205Двойная пороговая обработка
5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные

преобразования. Детектор краев Канни

Автоматизированный анализ изображений

*

Слайд 206Разностные методы, или методы нечеткого маскирования, направлены на изменение яркости элементов

изображения, в частности на подчеркивание границ объектов.
Исходное изображение сканируют двумя апертурами с различной разрешающей способностью, соответствующей разрешению изображения и меньше него, в результате чего образуются 2 массива: массив элементов исходного изображения B и массив элементов нечеткого изображения .
Апертура (локальное скользящее окно) – окрестность элемента с координатами (i, j) заданного размера n × m элементов, которая окружает центральный элемент и включает его самого.

Bi, j* – преобразованное значение яркости элемента с координатами (xi, yj);
k – коэффициент усиления, обычно 3/5 < k < 5/6;
Bi, j – исходное значение яркости элемента с координатами (xi, yj);
– среднеарифметическое значение яркостей элементов скользящей апертуры размера n × m с центром в элементе с координатами (xi, yj);
с – постоянная, часто с=128 (для полутоновых изображений с 256 градациями яркости), также вместо c может использоваться .

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Разностные методы

*

Автоматизированный анализ изображений

Слайд 207В зависимости от размеров сканирующей апертуры результатом применения разностных методов может

быть как локальное выделение контуров объектов на изображении, так и выравнивание общего фона изображения.

*

Исходное изображение

Нечеткая маска (инвертированная, в градациях серого)

Обработанное изображение

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Разностные методы

Автоматизированный анализ изображений

Слайд 208Недостаток: постоянное значение коэффициента усиления; контраст повышается одинаково для участков изображения

с низким и с достаточным контрастом.
Адаптивный расчет коэффициента усиления: k определяется, исходя из значений яркости элементов окрестности элемента с координатами (xi, yj) размера n × m.
D – заданная (необходимая) дисперсия;
Di, j – дисперсия в окрестности элемента с координатами (xi, yj).
В качестве параметра c в этом случае используется заданное (необходимое) значение средней яркости окрестности элемента с координатами (xi, yj);

Q – нормирующий множитель (0 < Q ≤ 1);
– среднее значение яркости всего изображения; σi, j – стандартное среднеквадратическое отклонение в окрестности элемента с координатами (xi, yj).
Для адаптивных методов повышения контраста также характерны свои недостатки, в частности, при усилении мелких деталей изображения эти методы могут искажать участки с одинаковым уровнем яркости.
В настоящее время существует множество сложных методов повышения контраста изображений, в основе которых лежат разностные методы. Для разработки или выбора подходящего для данного изображения (или типа изображений) метода необходимо учитывать особенности этого изображения.

*

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Разностные методы

Автоматизированный анализ изображений

Слайд 209Основная идея преобразования локальных контрастов:
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.

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы преобразования локальных контрастов

*

Исходное изображение

Обработанное изображение

Автоматизированный анализ изображений

Слайд 210Для элемента изображения с яркостью Bi, j локальный контраст в окрестности

этого элемента

и – усредненные значения яркости элементов окрестностей с центром с координатами (xi, yj) размерами n × n и m × m соответственно, при этом m = 3n, n > 1.
Вместо усредненного значения может применяться значение яркости элемента Bi, j.

Для определения локального контраста могут использоваться и другие выражения: форма и размеры окрестности элемента могут быть произвольными и меняться в процессе обработки изображения (методы с адаптивным скользящим окном).
Наилучшие результаты обработки изображения можно получить, если использовать апертуру большого размера в областях с небольшими изменениями яркости или с постоянной яркостью и небольшую апертуру вблизи областей перепада яркостей на изображении.

*

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы преобразования локальных контрастов

Автоматизированный анализ изображений

Слайд 211Нелинейное усиление локального контраста:

(0 ≤ Ci, j ≤ 1),
где φ(Ci,

j) – нелинейная монотонно возрастающая функция, определенная на промежутке [0, 1].
Степенные, экспоненциальные, логарифмические и гиперболические функции могут применяться.

Эти функции могут оставаться неизменными в процессе обработки изображения, а могут изменяться в зависимости от характеристик изображения, быть адаптивными:
Функции, которые остаются неизменными в процессе обработки изображения, обеспечивают одинаковое усиление локальных контрастов в каждой точке изображения.
Адаптивные функции преобразования локальных контрастов обеспечивают их преобразование (усиление) в зависимости от характеристик локальных окрестностей и позволяют более эффективно улучшать изображения с точки зрения их визуального восприятия.

*

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы преобразования локальных контрастов

Автоматизированный анализ изображений

Слайд 212Восстановление элемента изображения с координатами (xi, yj) со скорректированным контрастом Ci,

j*.
Яркость элемента изображения с координатами (xi, yj) определяется согласно выражению, использованному для расчета локальных контрастов:

Расчеты согласно представленному алгоритму проводят для всех элементов изображения.

С помощью методов преобразования локальных контрастов, в зависимости от вида функции преобразования, могут быть реализованы высокочастотная фильтрация изображений (усиление локальных контрастов) и низкочастотная фильтрация (ослабление локальных контрастов).

*

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы преобразования локальных контрастов

Автоматизированный анализ изображений

Слайд 213Линейное растяжение, представленное в виде передаточной характеристики:

R – максимально допустимое значение

яркости элементов изображения,
Bi, j – элемент изображения с координатами (xi, yj),
Bmin и Bmax – минимальная и максимальная яркости элементов изображения соответственно.
Одинаковое растяжение для элементов разной яркости.

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы растяжения

*

Автоматизированный анализ изображений

Слайд 214Нелинейное растяжение:

если показатель степени 0 < γ < 1, характеристика будет

выпуклой и преобразованное изображение будет светлее, чем исходное;
если γ > 1, передаточная характеристика будет вогнутой и преобразованное изображение будет более темным, чем исходное.
Изменение показателя γ называют гамма-коррекцией изображения .
Недостаток: если динамический диапазон яркостей элементов изображения достаточно велик, а значения яркости объектов интереса распределены неравномерно в этом диапазоне, обработка не даст существенного усиления контраста объектов интереса.
Для изображений, динамический диапазон яркостей которых является приемлемым, а диапазон яркостей информативной части – узким, применяют методы кусочного растяжения с фиксацией узловой точки. Однако эти методы обладают более высокой вычислительной сложностью.

*

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы растяжения

Автоматизированный анализ изображений

Слайд 215

*

Исходное изображение и его гистограмма
Преобразованное изображение и его гистограмма, γ

1

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы растяжения

Автоматизированный анализ изображений

Слайд 216Методы гистограммных преобразований используются для повышения качества (за счет повышения контраста)

изображений, гистограмма распределения яркостей которых имеет ярко выраженный подъем в сторону малых уровней яркости, – мелкие детали на темных участках различимы плохо, сами изображения являются малоконтрастными.
Суть методов в преобразовании яркостей исходного изображения таким образом, чтобы гистограмма распределения яркостей изображения приобрела желательную форму.
Оптимальным с точки зрения зрительного восприятия человеком является изображение, элементы которого имеют равномерное распределение яркостей.
Преобразование приведения гистограммы к равномерному виду (эквализация)
строится нормированная кумулятивная гистограмма изображения Hcum(k);
формируется новое изображение B* = RHcum(k), R – максимальное значение яркости элементов изображения.
Существует множество методов видоизменения гистограмм, которые приводят к получению изображений с заранее заданным вероятностным распределением яркостей.
Эти методы могут быть глобальными, т. е. использовать информацию обо всем изображении, и скользящими, когда для преобразования используются локальные области изображения.

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы гистограммных преобразований

*

Автоматизированный анализ изображений

Слайд 217*

Исходное изображение и его гистограмма
Преобразованное изображение и его гистограмма
5.1. Методы

обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы гистограммных преобразований

Автоматизированный анализ изображений

Слайд 218Исходное КТ-изображение сечения мозга и его гистограмма
КТ-изображение сечения мозга и

его гистограмма после эквализации

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы гистограммных преобразований

*

Автоматизированный анализ изображений

Слайд 219Исходное МРТ-изображение сечения мозга и его гистограмма
МРТ-изображение сечения мозга и

его гистограмма после эквализации

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Методы гистограммных преобразований

*

Автоматизированный анализ изображений

Слайд 220Medical Image Analysis, by Atam P. Dhawan, IEEE Press, 2003.
Оцифрованная маммограмма

с микро-кальцинатами (1); обработанная с помощью адаптивного усиления локальных контрастов (2); обработанная с помощью эквализации гистограммы (3)

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования

*

Автоматизированный анализ изображений

Слайд 221Раскрашивание изображений применяют, чтобы получить изображение, объекты на котором имеют измененные

цвета, отличающиеся от ожидаемых.
Цель: поместить «обыкновенные» объекты в мир необычных цветов для привлечения внимания наблюдателя к этим объектам.
Рекомендуется учитывать особенности зрительного восприятия:
Яркостная чувствительность сетчатки максимальна в области видимого спектра, соответствующей зеленому цвету. Эффективность обнаружения объектов зеленого цвета на изображениях должна быть выше, чем объектов других цветов.
Контрастная чувствительность глаза выше в области видимого спектра, соответствующей синему цвету. Для повышения эффективности различения мелких объектов на изображении целесообразно преобразовывать исходные цвета объектов в градации синего цвета.

5.1. Методы обработки изображений в пространственной области. 5.1.2. Амплитудные преобразования. Раскрашивание

*

Если исходное изображение полутоновое, говорят о его преобразовании в псевдоцветовое. Тогда отображение исходного изображения в цветовое пространство параметрически определяет траекторию в этом пространстве; параметром является значение яркости элемента изображения.
Если изменяют цветное изображение, говорят о получении ложных цветов, при этом красная, зеленая и синяя компоненты воспроизводимых цветов образуются при поэлементном линейном или нелинейном преобразовании компонент цветов исходного изображения.

Автоматизированный анализ изображений

Слайд 222*

Сегментация изображения – разбиение всего изображения на неперекрывающиеся области, однородные по

некоторому признаку:
по яркости/цвету,
по близости на изображении,
по текстуре.

*Сегментация изображений

Как можно сформировать однородные области?
На основе неоднородности на границах: резкие переходы яркости рассматриваются как границы областей;
На основе однородности внутри областей: в одну область объединяются пиксели, близкие по яркости.

Курс – «Введение в компьютерное зрение»
МГУ ВМК, Graphics & Media Lab, 2006

Автоматизированный анализ изображений

Слайд 223*

Сегментация через поиск неоднородностей
Наиболее простой и чаще всего используемый вариант: поиск

неоднородностей яркости через выделение краев.
Найти все контура на изображении (напр., алгоритм Canny);
Найти все замкнутые контура;
«Внутренности» замкнутых контуров являются искомыми однородными областями.

*Сегментация изображений

Автоматизированный анализ изображений

Слайд 224*

Сегментация через поиск однородных областей
Сегментация без учета пространственных связей: пороговое

разделение.
Сегментация с учетом пространственных связей: разрастание областей (region growing); слияние/разделение областей (region merging/splitting).
Пороговое разделение: автоматическое определение порога
Можно использовать:
1. Предположение о яркости объектов
2. Размеры объектов
3. Площадь изображения, занятого объектом
4. Количество различных типов объектов

*Сегментация изображений

Автоматизированный анализ изображений

Слайд 225*

Пороговое разделение: автоматическое определение порога
Если предполагается, что объект занимает P% площади,

порог устанавливают так, чтобы отсечь P% пикселей на гистограмме.

*Сегментация изображений

Автоматизированный анализ изображений

Слайд 226*

Пороговое разделение: автоматическое определение порога
Расчет порога путем последовательных приближений:
1. Выбрать порог

T равным середине диапазона яркостей
2. Вычислить среднюю яркость m1 всех пикселей с яркостью < T, аналогично m2 для пикселей с яркостью > T;
3. Пересчитать порог T = (m1 + m2)/2;
4. Повторять шаги 2, 3 пока порог не перестанет изменяться.

*Сегментация изображений

Если есть предположения о распределении яркостей объекта и фона:

r = log (P1(Ip)/P2(Ip))

Автоматизированный анализ изображений

Слайд 227*

Пороговое разделение: автоматическое определение порога
Адаптивное определение порога: яркость фона может быть

разной в разных частях изображения, один порог не подойдет.
Для каждого пикселя изображения I(x, y):
В окрестности пикселя радиуса r высчитывается индивидуальная для данного пикселя величина C;
Если I(x, y)-C > T, результат 1, иначе 0;
Варианты выбора C по окрестности (x, y):
C= среднее
C = медиана
C = (min + max) / 2
Хорошо работает, когда размер объектов заметно меньше размера оцениваемой окрестности.

*Сегментация изображений

r=7, T=0

r=7, T=7

r=75, T=10

Исходное

Автоматизированный анализ изображений

Слайд 228*

Разрастание областей (Region growing)
метод, учитывающий взаимное расположение пикселей и границы
идея –

с некоторого начального пикселя обходить пиксели и объединять в области пока выполняется условие однородности.
Критерии однородности:
Гистограмма содержит не больше одного значительного пика
Отклонение любого пикселя от средней яркости < Tavg
Разница между соседними пикселями < Tdiff

Алгоритм:
Сканируем изображение сверху вниз, слева направо:
if |I(A) – Clavg(B)| > δ and |I(A) – Clavg(C)| > δ создать новую область, присоединить к ней пиксел A,
if |I(A) – Clavg(B)| ≤ δ xor |I(A) – Clavg(C)| ≤ δ добавить A к одной из областей,
if |I(A) – Clavg(B)| ≤ δ and |I(A) – Clavg(C)| ≤ δ: |Clavg(B) - Clavg(C)| ≤ δ – слить области B и C. |Clavg(B) - Clavg(C)| > δ – добавить пиксел A к тому классу, отклонение от которого минимально.

I(A) – яркость пиксела A
Clavg(B) – средняя яркость области к которой принадлежит B

*Сегментация изображений

Автоматизированный анализ изображений

Слайд 229Пример δ = 1
Алгоритм разрастания областей

Среднее: 1

Среднее: 1.125

*Сегментация изображений
Автоматизированный анализ изображений

Слайд 230

Алгоритм разрастания областей
Пример δ = 1
*Сегментация изображений
Автоматизированный анализ изображений

Слайд 231*

Разделение областей (Region splitting)
Всё изображение – это одна область, поместить область

в стек (запомнить).
Пока стек не пуст, взять область S из стека, проверить на однородность.
Если область неоднородна, разделить ее, новые области поместить в стек.
Если область однородна, область больше не трогать.

Правило разделения областей: Часто – на 4 части (как квадродерево).

Метод просто реализовать, но границы получившихся областей вряд ли будут соответствовать границам объектов.

*Сегментация изображений

Автоматизированный анализ изображений

Слайд 232Пример

Алгоритм разделения областей
*Сегментация изображений
Автоматизированный анализ изображений

Слайд 233Первое разбиение

Алгоритм разделения областей
*Сегментация изображений
Автоматизированный анализ изображений

Слайд 234

Второе разбиение
Алгоритм разделения областей
*Сегментация изображений
Автоматизированный анализ изображений

Слайд 235

Третье разбиение
Алгоритм разделения областей
*Сегментация изображений
Автоматизированный анализ изображений

Слайд 236*

Алгоритм разбиения/слияния (split and merge)
Недостатки алгоритмов слияния (разрастания) и разбиения:
Разбиение: может

дать слишком много областей; границы скорее всего будут неверны.
Слияние: долго работает.

Идея комбинированного метода:
Сначала провести разбиение на небольшие однородные области (обычно используется принцип квадродерева).
Затем слить между собой те из них, которые вместе не нарушат требование однородности.
Продолжать до тех пор, пока остаются области, которые можно объединить.

*Сегментация изображений

Автоматизированный анализ изображений

Слайд 237Слияние

Алгоритм разбиения/слияния (split and merge)
*Сегментация изображений
Автоматизированный анализ изображений

Слайд 238Результат

Алгоритм разбиения/слияния (split and merge)
*Сегментация изображений
Автоматизированный анализ изображений

Слайд 239Результат

Сравнение с разрастанием областей

*Сегментация изображений
Автоматизированный анализ изображений

Слайд 240Методы обработки изображений в частотной области применяются для выделения характерных признаков

изображения; фильтрации изображений; кодирования (сжатия) или сокращения размерности при выполнении вычислений (ширина спектра уменьшается за счет отбрасывания или грубого квантования малых по значению коэффициентов преобразования).
Частотные фильтры изменяют значения яркостей пикселей относительно периодичности и пространственного распределения изменений яркости на изображении. Детали и острые края на изображении отражают значительные изменения яркости на коротких расстояниях и связаны с высокими пространственными частотами. Плавные изменения яркости связаны с низкими пространственными частотами.
Высокочастотные фильтры обеспечивают выделение областей резких изменений на изображении, которые соответствуют острым краям, деталям и шуму. Низкочастотные фильтры обеспечивают усиление областей постепенных изменений на изображении, фона.
Частотные фильтры оперируют с частотным представлением изображения; его обычно получают с помощью прямого быстрого преобразования Фурье (БПФ).

При выполнении частотной фильтрации пространственные частоты, видимые на изображении, преобразованном с помощью БПФ, отбрасываются в соответствии с выбранным методом, а затем отфильтрованное изображение восстанавливается в пространственном представлении с помощью обратного БПФ.

5.2. Методы обработки изображений в частотной области. Частотная фильтрация

*

Автоматизированный анализ изображений

Слайд 241Низкочастотный БПФ-фильтр уменьшает или удаляет высокие частоты, присутствующие в плоскости БПФ;

подавляет информацию, связанную с быстрыми изменениями яркостей на изображении в пространственной области.
В результате возникает изображение, на котором шум, детали, текстура и острые края сглажены. НЧ-фильтр удаляет или ослабляет пространственные частоты, расположенные вне частотного диапазона, центрированного на основной (нулевой) частоте.

5.2. Методы обработки изображений в частотной области. Частотная фильтрация

*

БПФ изображения, отфильтрованного НЧ- фильтром (высокие частоты отфильтрованы);
Отфильтрованное изображение (обратное БПФ спектра a)
БПФ изображения, отфильтрованного НЧ- фильтром (высокие частоты отфильтрованы);
Отфильтрованное изображение (обратное БПФ спектра c)

Автоматизированный анализ изображений

Слайд 242Низкочастотное ослабление: линейное ослабление всего диапазона частот от нулевой f0 до

максимальной частоты fmax за счет умножения каждой частоты на коэффициент C(f) = (fmax – f)/(fmax – f0) где C(f0) = 1 и C(fmax) = 0.

Низкочастотный срез: частота f удаляется, если она выше частоты среза fc за счет умножения каждой частоты f на коэффициент C, равный 0 или 1, в зависимости от соотношения между f и fc:
если f > fc, тогда C(f) = 0, иначе C(f) = 1.

5.2. Методы обработки изображений в частотной области. Частотная фильтрация

*

Автоматизированный анализ изображений

Слайд 243БПФ исходного изображения

После низкочастотного ослабления величина центрального пика снизилась, а изменения

на краях почти исчезли.

После низкочастотного среза с частотой среза fc = f0 + 0,2(fmax – f0) пространственные частоты вне диапазона [f0 , fc] удаляются (устанавливаются в 0). Часть центрального пика, которая осталась – такая же, как и на исходном изображении.

5.2. Методы обработки изображений в частотной области. Частотная фильтрация

*

Автоматизированный анализ изображений

Слайд 244Высокочастотный БПФ-фильтр уменьшает или удаляет низкие частоты, присутствующие в БПФ-плоскости.
В

результате подавляются медленные изменения яркости на изображении в пространственной области; получается изображение, на котором яркость всех объектов уменьшена, а детали усилены.

5.2. Методы обработки изображений в частотной области. Частотная фильтрация

*

Высокочастотный фильтр удаляет или ослабляет пространственные частоты, расположенные внутри частотного диапазона, центрированного на основной (нулевой) частоте.

Автоматизированный анализ изображений

Слайд 245Высокочастотный БПФ-фильтр
5.2. Методы обработки изображений в частотной области. Частотная фильтрация
*

БПФ изображения,

отфильтрованного ВЧ- фильтром (очень низкие частоты отфильтрованы);
Отфильтрованное изображение (обратное БПФ спектра a)
БПФ изображения, отфильтрованного ВЧ- фильтром (низкие частоты отфильтрованы);
Отфильтрованное изображение (обратное БПФ спектра c)

Автоматизированный анализ изображений

Слайд 246Высокочастотное ослабление: линейное ослабление всего диапазона частот от максимальной fmax до

нулевой f0 за счет умножения каждой частоты на коэффициент
C(f) = (f – f0)/(fmax – f0)
где C(f0) = 0 и C(fmax) = 1.

Высокочастотный срез: частота f удаляется, если она ниже частоты среза fc, за счет умножения каждой частоты f на коэффициент C, равный 0 или 1, в зависимости от соотношения между f и fc:
если f < fc, тогда C(f) = 0, иначе C(f) = 1. .

5.2. Методы обработки изображений в частотной области. Частотная фильтрация

*

Автоматизированный анализ изображений

Слайд 247БПФ исходного изображения

После высокочастотного ослабления центральный пик удалился, а изменения на

краях остались.

После высокочастотного среза с fc = f0 + 0,2(fmax – f0) пространственные частоты в диапазоне [f0 , fc] удаляются. Частоты, которые осталась на изображении – такие же, как и на исходном.

5.2. Методы обработки изображений в частотной области. Частотная фильтрация

*

Автоматизированный анализ изображений

Слайд 248Масочный БПФ-фильтр удаляет частоты, содержащиеся в выбранной маске.
В зависимости от вида

маски фильтр может вести себя как низкочастотный, высокочастотный, полосовой либо любой другой селективный фильтр.

5.2. Методы обработки изображений в частотной области. Частотная фильтрация

*

БПФ изображения, отфильтрованного масочным фильтром (низкие и высокие частоты отфильтрованы);
Отфильтрованное изображение (обратное БПФ спектра a)

Автоматизированный анализ изображений

Слайд 249Радиометрическая коррекция: варьирование значений яркостей пикселей, которое определяется сбоями или неисправностью

детекторов, влиянием рельефа, атмосферными эффектами.
Методы предоставляют разработчики аппаратуры.
Устанавливается взаимосвязь между значением пикселя и параметрами излучения, падающего на датчик (калибровка).
Проводится коррекция на условия съемки.
Атмосферная коррекция: состояние атмосферы влияет на значения яркости, регистрируемые съемочной системой при рассеянии и поглощении энергии. Для устранения этого влияния необходимо знать параметры атмосферы, напр., количество водяного пара, распределение аэрозолей – трудно измерить, методы получения из спектральных данных => модели атмосферной коррекции для получения истинных коэффициентов отражения.

Обработка изображений ДЗЗ

*

Автоматизированный анализ изображений

Предварительная обработка: удаление радиометрических и геометрических ошибок.

Слайд 250Предварительные процедуры обработки снимка
Радиометрическая коррекция – исправление радиометрических искажений, обусловленных характеристиками

используемого съемочного прибора. Для сканерных съемочных приборов такие дефекты наблюдаются визуально как модуляция изображения (полосы) в направлениях параллельно или перпендикулярно оси изображения. При радиометрической коррекции также устраняется варьирование значений яркости пикселей.
Радиометрическая коррекция данных ДЗЗ выполняется, в основном, двумя методами:
использованием известных параметров и настроек съемочного прибора (на основе длительных наземных и полетных испытаний)
статистически (путем выявления дефекта и его характеристик непосредственно из самого изображения, подлежащего коррекции)

Удаление модуляции поперек направления съемки (горизонтальные полосы)

Слайд 251Радиометрическая коррекция: удаление полос на изображении
Полосы на изображении могут появиться при

сбое калибровки одного из детекторов. Процедура корректировки включает в себя вычисление среднего значения (или медианы) и стандартного отклонения для всего изображения, а затем для каждого детектора по отдельности. Необходимо применять маски, чтобы исключить определенные области из этих расчетов (например, облака и тени от облаков). Затем выходной сигнал от проблемного детектора масштабируется в соответствии со средним значением и стандартным отклонением всего изображения.

Обработка изображений ДЗЗ

Слайд 252Предварительные процедуры обработки снимка
2. Атмосферная коррекция – коррекция за влияние атмосферы. При

прохождении через атмосферу электромагнитные волны поглощаются и рассеиваются, причиной поглощения и рассеивания являются: озон, водяной пар, углекислый газ, кислород, метан, пыль, дым. Поглощение, рассеивание и облачность вызывают искажение значений яркости пикселов на снимках. Способы атмосферной коррекции:
Облака и туманы хорошо видно на фоне воды, так как в красном и ИК участках спектра поверхность воды по своим оптическим характеристикам близка к абсолютно черному телу. Поэтому содержание в атмосфере водяного пара и аэрозолей (дыма) можно оценить по снимкам, включающим участки морей и океанов.
Существуют математические методы построения моделей состояния атмосферы с учетом типов рассеяния в атмосфере, времени года, метеорологических данных. Для уточнения таких моделей используют наземное измерение отражательной способности объектов во время полета спутника.

Лучшим выходом из положения была бы установка по всей поверхности суши обширной сети солнечных спектрофотометров. Назначение этих приборов - измерение в различных участках спектра интенсивности солнечного излучения I, прошедшего через атмосферу. Зная интенсивность Io за пределами атмосферы, по закону Бугера I = Io exp(-τ sec δ) можно оценить τ для разных длин волн оптического диапазона: τ = 1/sec δ • lnI0/I, где δ - зенитный угол Солнца.
К сожалению, такая сеть не существует, приходится использовать данные немногих спектрофотометров или прибегать к косвенным методам коррекции.

Во время снимка на территории Хабаровского края и на Сахалине бушевали обширные лесные пожары, весь район сильно задымлен. Была произведена атмосферная коррекция с использованием закона Бугера, данные об оптической толщине τ взяты из сети Интернет, τ лежало в пределах 0,03-0,23, угол δ изменялся от минус 8 до 14°.

Слайд 253Обработка изображений ДЗЗ
*
Геометрическая коррекция:

Автоматизированный анализ изображений
Предварительная обработка: удаление радиометрических и геометрических

ошибок.

Слайд 254Предварительные процедуры обработки снимка
3. Геометрическая коррекция или трансформирование снимков предназначено для

устранения искажений вызванных кривизной и вращением Земли, а также углом наклона орбиты спутника к плоскости экватора.

Географическую привязку и геометрическую коррекцию возможно объединить в одну операцию совмещения деталей спутникового изображения и карты. Пусть система координат (х,у) соответствует спутниковому изображению, а система (u,v) - карте. Требуется найти преобразование uk=f(xk,уk), vk=g(xk,yk), устанавливающее соответствия между положением k-го пиксела на изображении и географическими координатами. Так как вид функций f и g заранее не известен, то применяется полиномиальная аппроксимация.
Обычно используются полиномы второй степени:

Первые члены с коэффициентами a0, b0 ответственны за сдвиг изображения по x и по y. Члены с коэффициентами а1, а2, b1, b2 отвечают за линейное изменение масштаба по x и по y, члены с a3 и b3 - за вращение изображения, члены с a4,a5,b4,b5- за нелинейное изменение масштаба. Коэффициенты аi и bi определяются из решения системы 1.
На изображении и на карте отыскивают одинаковые точки (контрольные точки), их координаты подставляют в уравнения. В качестве контрольных точек удобно использовать элементы гидросети - устья рек, мысы, крутые изгибы русла рек и т. п. Количество точек должно быть достаточным для решения уравнений. Для полиномов второго порядка можно ограничиться 6 кт, но желательно, чтобы их число достигало 15-20 с распределением по всему полю, это позволяет использовать метод наименьших квадратов и сделать оценку коэффициентов менее зависимой от ошибок в определении координат на изображении и на карте.

А Радиолокационное изображение местности к востоку от г. Норильска
Б Фрагмент топографической карты этого района
В Радиолокационное изображение после геометрической коррекции

А Б В

Слайд 255Предварительные процедуры обработки снимка
4. Ортотрансформирование (ортокоррекция) изображения (снимка) – математически строгое преобразование

исходного изображения (снимка) в ортогональную проекцию и устранение искажений, вызванных рельефом, условиями съемки и типом камеры. Для того, чтобы выполнить ортотрансформирование, необходимо знать высоту каждой точки местности, т.е. иметь цифровую модель рельефа.
Таким образом, ортотрансформирование снимков состоит из 3х процессов:
построение геометрической модели местности.
построение ЦМР. ЦМР – это математическая модель,
которая для каждой точки местности с координатами X, Y
ставит в соответствие координату Z (или превышение h).
Количество точек, необходимых для построения ЦМР,
определяется в зависимости от рельефа.
3) ортотрансформирование.
Результатом построения ЦМР будут геодезические
координаты всех точек модели. По этим координатам,
а также полученным из построения модели элементам
внешнего ориентирования вычисляются координаты точек
на ортотрансформированном снимке. Затем яркость
каждого элемента исходной матрицы цифрового
изображения (xi, yi) присваивается соответствующему
элементу трансформированной матрицы.

Слайд 256Методы улучшения изображений ДЗЗ:
Пространственная фильтрация (для выделения границ, подавления шумов, подчеркивания

структурных особенностей изображения);

Гистограммные преобразования (эквализация);
Преобразование Фурье и частотная фильтрация.

Дешифрование изображения = тематическая обработка => тематическая карта территории с распознанными объектами (в соответствии с легендой карты). Проводится визуальным и автоматизированными методами.

Обработка изображений ДЗЗ

*

Автоматизированный анализ изображений

Улучшение изображений: преобразование в форму, наиболее удобную для визуального и машинного анализа, подчеркивание важнейших признаков изображений; облегчает задачу интерпретации данных. Применяют изменения яркости и контраста, пространственную фильтрацию, преобразование Фурье.

Слайд 257Улучшение качества
изображения
Гистограммные (спектральные) преобразования, которые строятся на работе со гистограммой (спектральной

диаграммой) -- графиком, показывающим зависимость между количеством пикселей изображения и значениями спектральной яркости. При спектральных преобразованиях изменяется такой параметр как контраст изображения. Для его повышения существует ряд методов:

линейное растягивание гистограммы, заключающееся в том,
что всем значениям яркости присваиваются новые значения с
целью охватить весь возможный диапазон от 0 до 255:

нормализация гистограммы – на весь диапазон значений яркости растягивается только наиболее интенсивный (наиболее информативный) участок диаграммы:

линеаризация (эквализация) гистограммы – каждому пикселю присваивается новое значение яркости, причем таким образом, чтобы у каждого яркостного уровня было примерно одинаковое количество пикселей:

Слайд 258Улучшение качества
изображения
2. Фильтрация – усиливает воспроизведение объектов, устраняет шумы, подчеркивает

структурные линии, сглаживает изображение и делает многое другое – в зависимости от поставленной задачи. Весь процесс фильтрации строится на понятии скользящего окна – квадратной матрицы весовых коэффициентов (обычно это матрица 3*3 или 5*5). Каждое значение яркости пикселя пересчитывается следующим образом: если пиксель стоит в центре окна, перемещающегося от пикселя к пикселю изображения, то ему присваивается новое значение, вычисленное по функциональной зависимости из значений окружающих его пикселей. Так окно «проскальзывает» по всем пикселям изображения, меняя их значение. В зависимости от подобранных весовых коэффициентов меняются свойства полученного изображения.

3. Преобразование Фурье улучшает качество изображения путем его разложения на множество пространственно-частотных компонент. Распределение яркостных характеристик в пространстве представляется в виде линейной комбинации периодических функций sin и cos с заданными характеристиками в частотной области. К примеру, чтобы удалить шумы, достаточно выявить периодичность их появления.

Слайд 259Дешифрование
Дешифрование – это процесс обнаружения и распознавания объектов и явлений местности на

снимке. Оно может быть как ручным, то есть базирующимся на визуальной (человеческой) оценке изображения, так и машинным (автоматическим).Для начала нужно представить все пиксели (их спектральные яркости) как вектора в пространстве спектральных признаков. При анализе количественных связей спектральных яркостей разных объектов происходит разделение пикселей по классам. Классификация снимков делится на классификацию с обучением и классификацию без обучения. Классификация с обучением предполагает наличие эталона, с яркостью которого сравнивается яркость каждого пикселя. В результате, имея несколько эталонов, заранее заданных, мы получаем множество объектов, разделенных на классы. Эта классификация работает только в случае, если известны заранее те объекты, которые отображены на снимке, классы четко различимы и их количество невелико.

Слайд 260Дешифрование
Метод минимального расстояния – значения яркости пикселей рассматриваются как вектора в пространстве

спектральных признаков. Между этими значениями и значениями векторов эталонных участков высчитывается спектральное расстояние, как корень из суммы квадратов разности векторов пикселя и эталона (проще говоря, эвклидово расстояние между ними). Все пиксели распределяются по классам в зависимости от того, превосходит ли расстояние между ними и эталоном заданное или нет. Так, если расстояние меньше, то класс определен, пиксель можно отнести к эталону.

Метод спектрального угла – изначально задается максимальное значение спектрального угла (угла между вектором-эталоном и вектором данного пикселя). Находится спектральный угол, и, как с эвклидовым расстоянием, если угол меньше заданного, то пиксель попадает в класс эталона, с которым идет сравнение.

Слайд 261Дешифрование
Классификация без обучения построена на полностью автоматическом распределении пикселей по классам

на основе статистики распределения яркостных значений пикселей. Данный вид классификации используется, если изначально неизвестно, сколько объектов присутствует на снимке, количество объектов велико, в результате машина сама выдает полученные классы, а мы уже определяем, каким объектам их поставить в соответствие.
Метод ISODATA (Iterative Self-Organizing Data Analysis Technique Algorithm) основан на кластерном анализе с использованием метода последовательных приближений. После рассмотрения яркостей пикселей, как векторов в пространстве спектральных признаков, ближайшие определяются в один класс. Для каждой спектральной зоны идет расчет статистических параметров распределения яркостей. Все пиксели делятся на некоторое n число равных диапазонов, внутри каждого из которых находится среднее значение. Для каждого пикселя диапазона рассчитывается спектральное расстояние до среднего значения. Все пиксели, расстояние между которыми наименьшее определяются в один кластер. Так проходит первая итерация. При второй итерации и последующих идет расчет уже реальных средних значений для каждого кластера. Каждая новая итерация уточняет границы будущих классов:

Слайд 262Бондур В.Г., Резнев А.А. Конференция «Суперкомпьютерные технологии СКТ – 2012»
АВТОМАТИЧЕСКОЕ ВЫДЕЛЕНИЕ

ДОРОЖНОЙ СЕТИ И
СООРУЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ СВЁРТОЧНЫХ ФИЛЬТРОВ

Метод контрастирования линейных и граничных объектов

Метод с применением свёрточных масок Собеля для линейных объектов

Исходное изображение

Результат контрастирования линейных и граничных объектов

Карта выделенных сооружений
и дорожной сети

Исходное изображение

Применение масок Собеля

Карта выделенных сооружений и дорожной сети

Слайд 263Бондур В.Г., Резнев А.А. Конференция «Суперкомпьютерные технологии СКТ – 2012»
ПРИМЕР ВЫДЕЛЕНИЯ

АВТОТРАНСПОРТА И РАСЧЁТ ПЛОТНОСТИ ДВИЖЕНИЯ ПО КОСМИЧЕСКИМ ИЗОБРАЖЕНИЯМ

Исходное космическое изображение

Определение зоны интереса

Выделение участка автодороги

Классификация изображения и выделение автотранспорта

Расчёт плотности движения в области интереса

Слайд 264Анализ и обработка СЗМ-изображений в химии
*

Автоматизированный анализ изображений
Изображения СЗМ: представление

двумерной матрицы целых чисел в заданном диапазоне; в зависимости от режима сканирования – значения туннельного тока, значения отклонения кантилевера или значения какой–то более сложной функции.

Предварительная обработка, связанная с геометрическими искажениями изображений

СЗМ-изображения часто имеют общий наклон, который может появляться по разным причинам: реальный наклон поверхности образца; температурный дрейф, который приводит к смещению образца во время сканирования; нелинейность пьезокерамического манипулятора.
Наклон мешает выявлению структуры объекта. Для того чтобы этого избежать, из исходной матрицы значений вычитается плоскость среднего наклона.
Нелинейности пьезоманипулятора могут приводить также к тому, что изображение получается вогнутым. В этом случае нужно вычитать не плоскость, а более сложную поверхность — параболическую или гиперболическую.

Слайд 265*

Автоматизированный анализ изображений
Предварительная обработка, связанная с наличием шумов на изображении
Помимо

полезного сигнала на СЗМ-изображениях всегда присутствует шумовая составляющая. Чтобы убрать ее, часто достаточно заменить значение в каждой точке средним арифметическим значений всех точек в некоторой ближайшей ее окрестности.
СЗМ-изображения формируются построчно. Т.о., появляется выделенное направление (направление формирования строки), вдоль которого изображение имеет характерные особенности. Дело в том, что сканирование строки происходит быстро, а между сканированиями соседних строк проходит некоторое время. При этом может произойти какой–либо сбой, и следующие строки окажутся резко сдвинутыми вверх или вниз.

Анализ и обработка СЗМ-изображений в химии

На изображении появляется горизонтальная ступенька, которой нет на реальной поверхности. Чтобы убрать этот дефект, применяется усреднение по строкам. Все строки изображения сдвигаются вверх или вниз так, чтобы их средние значения были одинаковыми. При этом профиль строки остается прежним, а профиль столбца меняется — исчезают ступеньки.

(а) - Исходное АСМ-изображение;
(б) - АСМ-изображение после устранения наклона и шумов

Слайд 266*

Автоматизированный анализ изображений
Анализ СЗМ-изображений на примере изображений АОП
Актуальным представляется применение методов

анализа микроскопических изображений АОП с целью получения количественной информации о размерах, форме и расположении морфологических объектов, оценке степени упорядочения пористого массива.

Анализ и обработка СЗМ-изображений в химии

Слайд 267*

Автоматизированный анализ изображений
Анализ СЗМ-изображений на примере изображений АОП
Анализ и обработка СЗМ-изображений

в химии

Для АСМ-изображений можно получить сечения для на заданном уровне, найти их основные геометрические параметры, такие как площадь сечения, объем, средний размер, максимальный размер, максимальную высоту и др.

На основе линейного профиля поверхности определяют параметры шероховатости поверхности исследуемого образца:
Rq (среднее квадратичное отклонение профиля) — среднее квадратичное значение отклонений профиля в пределах базовой длины;
Ra (среднее арифметическое отклонение профиля) — среднее арифметическое абсолютных значений отклонений профиля в пределах базовой длины;
Rz (высота неровностей по десяти точкам) — сумма средних абсолютных значений высот пяти наибольших выступов профиля и глубин пяти наибольших впадин профиля в пределах базовой длины;
Rmax (наибольшая высота неровностей профиля) — расстояние между линией выступов профиля и линией впадин профиля в пределах базовой длины;
Sm (средний шаг неровностей профиля) — среднее значение шага неровностей профиля в пределах выборочной длины;
S (средний шаг местных выступов) — среднее значение шагов местных выступов профиля, находящихся в пределах базовой длины;
Dq (средний квадратический наклон профиля) — среднее квадратическое значение наклона профиля в пределах базовой длины;
Da (средний арифметический наклон профиля) — среднее арифметическое значение наклонов профиля в пределах базовой длины;
L0 (относительная длина профиля) — отношение длины растянутого профиля к базовой длине профиля.

Слайд 268*

Автоматизированный анализ изображений
Анализ СЗМ-изображений на примере изображений АОП
Анализ и обработка СЗМ-изображений

в химии

На основе анализа линейного профиля поверхности определяют параметры шероховатости поверхности исследуемого образца:
Rq (среднее квадратичное отклонение профиля) — среднее квадратичное значение отклонений профиля в пределах базовой длины;
Ra (среднее арифметическое отклонение профиля) — среднее арифметическое абсолютных значений отклонений профиля в пределах базовой длины;
Rz (высота неровностей по десяти точкам) — сумма средних абсолютных значений высот пяти наибольших выступов профиля и глубин пяти наибольших впадин профиля в пределах базовой длины;
Rmax (наибольшая высота неровностей профиля) — расстояние между линией выступов профиля и линией впадин профиля в пределах базовой длины;
Sm (средний шаг неровностей профиля) — среднее значение шага неровностей профиля в пределах выборочной длины;
S (средний шаг местных выступов) — среднее значение шагов местных выступов профиля, находящихся в пределах базовой длины;
Dq (средний квадратический наклон профиля) — среднее квадратическое значение наклона профиля в пределах базовой длины;
Da (средний арифметический наклон профиля) — среднее арифметическое значение наклонов профиля в пределах базовой длины;
L0 (относительная длина профиля) — отношение длины растянутого профиля к базовой длине профиля.

Слайд 269*

Автоматизированный анализ изображений
Анализ СЗМ-изображений на примере изображений АОП
Анализ и обработка СЗМ-изображений

в химии

АСМ-изображение (5х5 мкм) поверхности барьерного слоя АОП. Пунктиром отмечены линии, вдоль которых строились профили поверхности.

(а) - Профиль поверхности барьерного слоя АОП, построенные на уровне 1 мкм вдоль оси ОХ
(б) - Профиль поверхности барьерного слоя АОП, построенные уровне 4 мкм вдоль оси ОY

Пример результатов расчета для уровня 1 мкм:

Слайд 270*

Автоматизированный анализ изображений
Анализ СЗМ-изображений на примере изображений АОП
Анализ и обработка СЗМ-изображений

в химии

Для АСМ-изображений можно получить сечения для на заданном уровне, найти их основные геометрические параметры, такие как площадь сечения, объем, средний размер, максимальный размер, максимальную высоту и др.

С использованием метода анализа частиц по АСМ- изображению поверхности барьерного слоя АОП можно определить: средний эффективный размер ячеек (диаметр круга, площадь которого равна площади объекта), массив центров тяжести объектов изображения (в данном случае ячеек) и гистограмму распределения ячеек по размерам.

Исходное АСМ-изображение (2х2 мкм)

(а) - Обрезка и улучшение яркости, контраста; (б) - Проведение границ ячеек; (в) - Удаление заднего фона.

Слайд 271*

Автоматизированный анализ изображений
Анализ СЗМ-изображений на примере изображений АОП
Анализ и обработка СЗМ-изображений

в химии

Исходное и бинарное АСМ-изображения

Гистограмма распределения ячеек барьерного слоя АОА по размерам

Слайд 272Сжатие (компрессия) изображений – особый вид обработки изображений с целью сокращения

объема данных (обеспечивается современными БТС медицинской визуализации).
Необходимость сжатия медицинских изображений:
Ограниченность технических характеристик аппаратуры для хранения и передачи данных.
Возможность сокращения объема данных:
Медицинские изображения обладают высокой степенью избыточности потока данных:
информационной, связанной с особенностями структуры самих изображений,
психовизуальной, связанной с особенностями зрительного восприятия изображений.

6. Методы сжатия изображений

*

Это позволяет создавать эффективные алгоритмы компрессии (с высокой степенью сжатия), в которых восстановленное (декомпрессированное) изображение не будет совпадать с оригиналом, однако человек этого не заметит.

Автоматизированный анализ изображений

Слайд 273Алгоритмы сжатия:
Сжатие без потерь – такое описание блока данных (файла) изображения,

при котором создаваемый сжатый блок содержит меньше бит, чем исходный, но по нему возможно однозначное восстановление каждого бита исходного блока (т. е., получившееся изображение будет идентично оригиналу с точностью до бита).
Сжатие с потерями можно условно разбить на 2 этапа: выделение сохраняемой части информации с помощью модели, зависящей от цели сжатия и особенностей источника и приемника информации, и сжатие этой части информации без потерь. Т.о., получится изображение, не совпадающее с исходным.
Допустимость компрессии медицинских изображений с потерями обусловлена тем, что они характеризуются высокой степенью избыточности с точки зрения содержания информации, используемой для диагностики.
Тем не менее, применение методов сжатия, сопровождающихся потерями информации, влечет за собой пространственно-энергетические искажения изображений, которые могут стать причиной ошибок при постановке диагноза.
В общем случае применение к изображениям алгоритмов сжатия с потерями обеспечивает большую степень сжатия по сравнению с методами сжатия без потерь.

6. Методы сжатия изображений

*

Автоматизированный анализ изображений

Слайд 274Эффективность метода компрессии обычно оценивается с помощью коэффициента сжатия:
Kcomp=Inf/Infcomp, Kcomp >

1
где Inf и Infcomp – количество данных до и после компрессии соответственно.
Необходимо обеспечить по возможности большое значение коэффициента сжатия – высокую степень компрессии.
Точность восстановления должна быть высокой, что противоречит осуществлению сильной компрессии.
Выбор алгоритма для сжатия медицинского изображения зависит
от класса медицинских изображений, к которому принадлежит данное,
от характера использования изображения: архивация (длительное хранение), передача по сети, оперативное хранение (в течение относительно небольшого промежутка времени).

6. Методы сжатия изображений

*

Исходное изобра-жение

Сжатие JPEG, Kcomp = 15

Автоматизированный анализ изображений

Слайд 275Для сжатия медицинских изображений можно использовать:
Известные (стандартные) методы компрессии: RLE (Run

Length Encoding – кодирование с переменной длиной строки, применяется для сжатия файлов в формате PSD – Adobe Photoshop document); LZW (Lempel-Ziv-Welch, сжимающий данные путем поиска одинаковых фраз в файле изображения, применяется для сжатия файлов в формате TIFF – target image file format); JPEG и др.
Известные (стандартные) методы компрессии с применением дополнительных специально разрабатываемых алгоритмов, направленных на улучшение характеристик известных методов: напр., предварительное разделение изображений на контексты, частным случаем которого является выделение на изображениях интересующих областей, сжатие которых осуществляется в соответствии с их свойствами.
Новые методы компрессии, разрабатываемые специально для изображений медицинских объектов: напр., методы, основанные на применении вейвлет-преобразования (применяется в стандарте JPEG2000), генетических алгоритмов, нейронных сетей и др.
Для передачи медицинских изображений по сети (телемедицинских приложений) предпочтительнее использовать алгоритмы сжатия с потерями, обеспечивающие большую степень сжатия файлов изображений. При этом обычно применяют стандартные методы компрессии, поскольку они являются общедоступными.

6. Методы сжатия изображений

*

Автоматизированный анализ изображений

Слайд 276Работа с файлами изображений в современных системах медицинской визуализации осуществляется в

соответствии со стандартом DICOM, который рекомендует применять метод JPEG (разработанный Joint Photographic Experts Group) для сжатия медицинских изображений.
Ключевые шаги метода JPEG:
дискретное косинусное преобразование (ДКП) блоков изображения размером 8 × 8 отсчетов;
квантование коэффициентов ДКП (трансформант) с использованием таблиц, значения которых оптимизированы в соответствии с особенностями визуального восприятия человека;
статистическое кодирование квантованных трансформант.

Сжатие изображения в градациях серого

6. Методы сжатия изображений.Сжатие JPEG

*

Автоматизированный анализ изображений

Слайд 277Компрессия цветного изображения в целом соответствует поочередной компрессии нескольких полутоновых изображений

– цветовых компонентов.
Предварительно:

Человеческий глаз менее чувствителен к цвету, чем к яркости, поэтому появляется возможность архивировать массивы для Cr- и Cb-компонентов с большими потерями и, соответственно, большими степенями сжатия
Обратное преобразование осуществляется умножением вектора YCrCb на обратную матрицу:

6. Методы сжатия изображений.Сжатие JPEG

*

Цветовое пространство RGB с красной, зеленой и синей компонентами цвета

Цветовое пространство YCrCb, где Y – яркостная составляющая, Cr, Cb – хроматический красный и хроматический синий компоненты цвета

Автоматизированный анализ изображений

Слайд 278Дискретизация: отсчеты исходного изображения группируются в блоки (рабочие матрицы) размером 8

× 8 для каждого компонента.
При больших степенях сжатия для составляющих Cr и Cb эти матрицы, как правило, набираются через строчку и через столбец, при этом теряется 3/4 информации о цветовых составляющих изображения.

6. Методы сжатия изображений.Сжатие JPEG

*

Автоматизированный анализ изображений

Слайд 279Прямое ДКП (n = 8):

Для каждой рабочей матрицы получают 64

коэффициента двумерного дискретного спектра входного сигнала:
DC-коэффициент: коэффициент с координатами (0, 0), содержит основную информация о яркости блока в целом.
AC-коэффициенты: остальные 63 коэффициента.

6. Методы сжатия изображений.Сжатие JPEG

*

Обычно значения соседних отсчетов изображения меняются незначительно, поэтому ДКП концентрирует основную информацию о сигнале в трансформантах низких пространственных частот. Для блока 8 × 8 типичного полутонового изображения большинство пространственных частот имеют нулевые или почти нулевые коэффициенты и фактически не кодируются.
В декодере обратное ДКП восстанавливает изображение по 64 коэффициентам.

Автоматизированный анализ изображений

Слайд 280Прямое ДКП:

6. Методы сжатия изображений.Сжатие JPEG
*

Автоматизированный анализ изображений

Слайд 281Квантование 64 коэффициентов преобразования.
Т.е. деление рабочей матрицы на матрицу квантования

(таблицу шагов квантования) поэлементно, при этом для каждого компонента (Y, Cr и Cb) в общем случае задается своя матрица квантования.

6. Методы сжатия изображений.Сжатие JPEG

*

Трансформанты квантуются, чтобы уменьшить их значения и увеличить количество нулевых значений, т. е. отбросить информацию, которая не существенна для восстановления изображения с необходимым визуальным качеством.
Квантование – главный источник погрешностей в кодерах с ДКП.
В стандарте JPEG таблицы квантования оптимизированы для различных случаев по критерию наилучшего визуального восприятия.
Таблица шагов квантования выступает как параметр, определяющий желаемое соотношение коэффициента сжатия и точности восстановления изображения.
Ясно, что при использовании матрицы квантования с большими коэффициентами будет получено больше нулевых значений, а следовательно, степень сжатия изображения будет выше.

Автоматизированный анализ изображений

Слайд 282Статистическое кодирование производится в два этапа:
Квантованные коэффициенты преобразуются в промежуточную последовательность

символов.
DC-коэффициент обрабатывается отдельно от 63 AC-коэффициентов:

6. Методы сжатия изображений.Сжатие JPEG

*

Для кодирования DC-коэффициентов используется дифференциальный метод кодирования, т. е. на вход статистического кодера поступает разность квантованного DC-коэффициента текущего блока и предыдущего.
Квантованные AC-коэффициенты переупорядочиваются в виде зигзагообразной последовательности так, чтобы низкочастотные трансформанты (отличие от нуля которых наиболее вероятно) были сгруппированы перед высокочастотными.
Последовательность AC-коэффициентов преобразуется с помощью алгоритма кодирования длин серий. Каждый отличный от нуля AC-коэффициент зигзагообразной последовательности представляется в виде пары символов (пропустить, значение), первый из которых определяет количество последовательных нулевых трансформант перед ненулевой, а второй символ является значением ненулевой трансформанты.

Автоматизированный анализ изображений

Слайд 283Символам из последовательности приписываются коды переменной длины с использованием алгоритма Хаффмана.

Это дает дополнительное сжатие без потерь информации.
Разности DC-коэффициентов и трансформированные AC-коэффициенты кодируются отдельно.

6. Методы сжатия изображений.Сжатие JPEG

*

Используется статистический кодер Хаффмена. В нем осуществляется последовательный перебор наборов символов, которые анализируются с целью определения частоты появления каждого символа. Затем наиболее часто встречающиеся символы кодируются с помощью минимального количества бит.
Дополнительным параметром при этом является таблицы кодов переменной длины (кодов Хаффмана): одна – для DC-разностей, другая – для промежуточной AC-последовательности.

Автоматизированный анализ изображений

Слайд 284Основные характеристики метода JPEG:
– степень сжатия: 2–200 (задается пользователем);
– симметричность: процесс

восстановления изображения полностью симметричен.

6. Методы сжатия изображений.Сжатие JPEG

*

Сжатие и качество изображения:
Аксиальное T1W МРТ-изображение мозга, сохраненное без сжатия в формате TIFF (A),
TIFF со сжатием без потерь (B),
JPEG со сжатием без потерь(C),
JPEG-сжатие с потерями (D) (до 80% от исходного размера файла),
JPEG-сжатие с потерями (E) (до 40% от исходного размера файла),
JPEG -сжатие с потерями (F) (до 10% от исходного размера файла).

Автоматизированный анализ изображений

Слайд 285Качество изображения
М.б. рассмотрено как характеристика самого изображения и определяться его

собственными свойствами (статистическими, структурными, семантическими). Соответствующие критерии либо являются субъективными, либо опираются на объективные характеристики изображения: форму и параметры распределения яркости, ширину пространственного спектра и т. п. Такие безотносительные критерии имеют довольно ограниченное применение.
М.б. рассмотрено как мера близости двух изображений: реального и некоторого идеального или исходного и преобразованного. Такой подход более конструктивен, он позволяет оценивать количественные изменения значений яркости, уровень искажений изображений при их преобразованиях (в том числе сжатии), т. е., по существу, дает возможность оценить качество средства преобразования – метода (или системы). Именно это очень важно при построении методов (и систем) обработки изображений и оценке качества методов.

7. Оценка качества изображений

*

Автоматизированный анализ изображений

Слайд 286Критерии качества изображений
объективные, математические и статистические: среднеквадратичный критерий, критерий максимальной

ошибки, пиковое отношение сигнала к шуму, гистограмма яркостей изображения и др. Достоинство – относительная простота определения; недостаток – часто плохое согласование с критериями субъективного восприятия.
субъективные, использующие психофизиологические характеристики человека и базирующиеся на результатах экспертизы: критерий визуального восприятия (может применяться вместе с дополнительной обработкой, например масштабированием, пороговой обработкой, выделением контуров и т. д.). Недостатки – сложность организации и проведения экспертизы изображений и отсутствие количественных оценок в результате.

7. Оценка качества изображений

*

Автоматизированный анализ изображений

Слайд 287Контрольные (эталонные) изображения часто используются для оценки качества методов анализа и

обработки изображений.
Test objects for medical images processing methods assessment:
При оценке методов преобразований медицинских изображений применяют:
Испытательные таблицы, вид которых определяется особенностями типичных для данного исследования изображений и критериями качества, которые требуется найти с помощью испытательных таблиц.
Контрольные клинические изображения, которые представляют собой типичные для данного вида исследований изображения удовлетворительного с точки зрения экспертов качества.
Синтез эталонных изображений (или их выделение из всего многообразия медицинских изображений) – трудоемкая задача.

7. Оценка качества изображений

*

“Мира”

“Синусоидальная решетка”

Автоматизированный анализ изображений

Слайд 288Визуальный критерий базируется на результатах экспертизы.
Обычная процедура оценки качества изображений

заключается в предъявлении изображений (или пар изображений – анализируемые и идеальные) экспертам-наблюдателям, которые высказывают суждения.
Главный недостаток этого способа оценки качества изображения – отсутствие количественных оценок.

7. Оценка качества изображений. 7.1. Субъективные критерии оценки качества изображений

*

При проведении экспертной оценки качества изображений необходимо обеспечить постоянство условий испытаний:
должны быть зафиксированы размещение монитора, а также окружающие условия, такие, как освещение рабочего места и яркость экрана.
Эти условия должны обеспечивать минимум помех и оказывать минимальное влияние на результаты оценки качества изображений экспертами: следует заботиться о том, чтобы ничто не мешало зрительной адаптации наблюдателя.

Автоматизированный анализ изображений

Слайд 289Среднеквадратичный критерий
Имеются реальное изображение B’, подвергнутое какому-либо искажающему преобразованию (напр., компрессии-декомпрессии

с потерями), и идеальное (или исходное) изображение B. Мерой соответствия реального и идеального изображений может служить среднее значение квадрата их разности:

Для цифровых изображений:

Bi,j – яркость пикселя идеального изображения с координатами (xi, yj), xi = [0, N], yj = [0, M];
B’i,j – яркость пикселя реального изображения с координатами (xi, yj).
ε характеризует «среднее» качество изображения в целом, при этом на различных его фрагментах ошибки, в принципе, могут различаться.
Достоинство среднеквадратичного критерия – его простота. Он позволяет легко решить аналитически многие задачи анализа и оптимизации алгоритмов обработки изображений и поэтому очень часто применяется.
Однако следует учитывать, что данный критерий плохо согласуется с критерием субъективного восприятия.

7. Оценка качества изображений. 7.2. Объективные критерии оценки качества изображений

*

Автоматизированный анализ изображений

Слайд 290Критерий максимальной ошибки
Критерий максимальной ошибки рассчитывается как максимум модуля разности реального

и идеального изображений:

Для цифровых изображений:

Это очень строгий критерий. Он используется в тех случаях, когда выдвигается требование высокой точности представления не изображения в целом, а каждой его точки. Это может иметь значение, напр., при получении ценных, уникальных изображений.

Среднеквадратичный критерий и критерий максимальной ошибки наиболее часто используют на практике для оценки качества изображений. Тем не менее, они не дают объективных оценок визуальной четкости и резкости, так как глаз в процессе восприятия обрабатывает изображение в целом по характерным (локальным) признакам, а не усредняет его поэлементно.

7. Оценка качества изображений. 7.2. Объективные критерии оценки качества изображений

*

Автоматизированный анализ изображений

Слайд 291Критерий пространственного разрешения

Разрешающая способность – это частота штрихов в изображении того

поля штриховой полосовой миры, в котором штрихи (или полосы) визуально воспринимаются еще раздельно, т. е. могут быть сосчитаны (мира разрешима).
Основным недостатком этого критерия является наличие наблюдателя, что затрудняет проведение экспериментов и порождает субъективные ошибки оценивания.
Чтобы определить критерий пространственного разрешения для изображения без участия наблюдателя, необходимо сформировать и затем усреднить ряд сечений яркости изображения в поперечном относительно расположения штрихов направлении. По усредненному сечению следует проанализировать среднюю глубину перепадов между значениями минимумов и максимумов яркости.
В соответствии с общепринятым в оптике критерием Рэлея штрихи разрешаются, если средняя глубина перепадов яркости превышает 67 % от разности между максимальной и минимальной яркостью перепада.

7. Оценка качества изображений. 7.2. Объективные критерии оценки качества изображений

*

Для экспериментальной оценки значения этого показателя используется тестовое изображение – мира, состоящая из набора штриховых объектов различного размера.
Каждый штриховой объект составлен из трех (иногда пяти) чередующихся полос постоянной яркости, имеющих определенную ширину.
Тестовое изображение предъявляется наблюдателю, которому следует указать самый маленький объект с еще различимыми полосами (штрихами). Минимальная ширина штриха – показатель линейного разрешения.

Автоматизированный анализ изображений

Слайд 292Пиковое отношение сигнала к шуму
Пиковое отношение сигнала к шуму PSNR обычно

применяется для оценки шумов квантования, блочных шумов и артефактов на изображениях.
Актуально при оценке качества изображений, подвергнутых сжатию с потерями методом JPEG.
Сжатие JPEG включает квантование. Коэффициент сжатия изображения определяется используемой матрицей квантования; чем выше коэффициент сжатия, тем ниже качество восстановленного изображения.
Для оценки шумов квантования на изображении применяется PSNR вида: used:

7. Оценка качества изображений. 7.2. Объективные критерии оценки качества изображений

*

Bmax – максимально возможное значение яркости пикселя на изображении;
Bi,j – яркость пикселя исходного изображения с координатами (xi, yj);
B’i,j – яркость пикселя преобразованного (подвергнутого сжатию) изображения с координатами (xi, yj);
N × M – размеры изображения.

Автоматизированный анализ изображений

Слайд 293Пиковое отношение сигнала к шуму
При JPEG-сжатии каждый блок изображения обрабатывается раздельно

(коэффициенты ДКП вычисляются отдельно для каждого блока, возможно и использование различных матриц квантования для каждого блока); возникают искажения, связанные с различными значениями яркости на границах блоков.
Оценка блочных шумов производится с использованием PSNR:

7. Оценка качества изображений. 7.2. Объективные критерии оценки качества изображений

*

Q – область границ между блоками на исходном и преобразованном (подвергнутом сжатию) изображениях;
Ci,j – контраст между блоками на исходном изображении в точке с координатами (xi, yj);
C’i,j – контраст между блоками на преобразованном изображении в точке с координатами (xi, yj).

Автоматизированный анализ изображений

Слайд 294Пиковое отношение сигнала к шуму
Артефакт – резкое (аномальное) изменение яркости преобразованного

изображения относительно исходного, влияющее на качество изображения.
Рассчитать уровень шума артефактов можно по следующему выражению:

G – область на изображении с большими значениями градиентов яркости как на исходном, так и на преобразованном изображениях;
φi,j – градиент яркости на исходном изображении в точке с координатами (xi,yj);
Φ’i,j – градиент яркости на преобразованном изображении в точке с координатами (xi,yj).

7. Оценка качества изображений. 7.2. Объективные критерии оценки качества изображений

*

Исходное изображение

Искаженные изображения

Автоматизированный анализ изображений

Слайд 295Для решения задач оценки качества изображений и алгоритмов их обработки применяются

и другие критерии, в том числе комплексные, сочетающие ранее перечисленные с различными весовыми коэффициентами (в зависимости от решаемой задачи, типа изображения и т. д.).
Степень изменения признаков изображения, определенных в процессе его анализа, также может служить критерием качества изображения или метода его преобразования.
Также могут применяться модели зрительной системы наблюдателя или элементы подобных моделей.
Они совмещают в себе плюсы определения качества изображения на основе визуального восприятия и использования различных количественных критериев.
Основным преимуществом применения моделей зрительного восприятия является то, что они позволяют количественно оценивать качество изображений, основываясь на особенностях человеческого восприятия.

7. Оценка качества изображений. 7.2. Объективные критерии оценки качества изображений

*

Автоматизированный анализ изображений

Слайд 296Комплексный критерий оценки качества изображения (с учетом его восприятия зрительной системой

исследователя) включает оценки
уровня адаптации зрительной системы,
полноты использования градаций яркости,
резкости изображения,
контраста изображения.
Оценка адаптации зрительной системы исследователя – значение отклонения уровня яркостной адаптации (средней яркости изображения) от его оптимального значения – половины максимально допустимого диапазона яркостей:

Полнота использования допустимых градаций яркости на изображении:

Nlev – количество уровней яркостей, которыми обладает более чем (Lev × N × M) элементов изображения (N × M – размеры изображения, Lev – постоянный множитель).

7. Оценка качества изображений. 7.2. Объективные критерии оценки качества изображений

*

Автоматизированный анализ изображений

Слайд 297Резкость границ на изображении зависит от скорости изменения яркости на изображении:

U(t)

– видеосигнал;
a и b – точки, расположенные на противоположных концах перепада..
Для вычисления этого параметра по изображению можно использовать конечно-разностную аппроксимацию производной.

Оценка резкости:

7. Оценка качества изображений. 7.2. Объективные критерии оценки качества изображений

*

Автоматизированный анализ изображений

Слайд 298Оценка контраста изображения:

H – гистограмма распределения яркостей элементов изображения.

Комплексный критерий оценки

качества изображения с учетом его восприятия зрительной системой исследователя:

k – нормирующий множитель.
Несмотря на многообразие применяющихся критериев оценки качества изображений, до сих пор не найден количественный критерий, дающий комплексное представление об изменениях в изображении, возникающих в процессе его анализа и обработки. В связи с этим при выборе критериев оценки качества медицинских изображений помимо цели этой оценки руководствуются особенностями исследуемых изображений и методов их преобразований. Оценка качества изображения при этом позволяет повысить эффективность систем анализа и обработки изображений за счет введения в них дополнительной цепи обратной связи.

7. Оценка качества изображений. 7.2. Объективные критерии оценки качества изображений

*

Автоматизированный анализ изображений

Автоматизированный анализ изображений презентация

Содержание

Слайд 1Автоматизированный анализ изображений*Автоматизированный анализ изображенийАнна Юрьевна Виллевальде к.т.н., доц.

Слайд 2Анализ изображений медико-биологических объектов (медицинских изображений) является неотъемлемой составляющей современной врачебной

Слайд 3Number of investigations, mln*Автоматизированный анализ изображенийYearРазвитие радиодиагностики в России с 2002

Слайд 4Медицинские объекты исследования скрыты от непосредственного зрительного восприятия. Для их отображения

Слайд 5Первым шагом при диагностике по медицинскому изображению является обнаружение объектов интереса

Слайд 6*Введение Анализ и обработка изображений в экологииВ задачах экологии, связанных с мониторингом

Слайд 7ДЗЗ применяется для исследований окружающей среды: *Введение Анализ и обработка изображений в

Слайд 8*Анализ и обработка медицинских изображенийВведение Анализ и обработка изображений в экологии

Слайд 9Основные методы исследования характеристик поверхностей биосовместимых материалов подразумевают применение анализа и

Слайд 10На основании анализа профилей поверхности могут быть рассчитаны параметры шероховатости поверхности

Слайд 11АСМ-изображение с разрешением 0,1 нм: микрорельеф поверхности*Введение Анализ и обработка изображений

Слайд 12После окончания курса студен должен:быть способным формулировать проблемы, цели и задачи

Слайд 13Содержание дисциплины*Автоматизированный анализ изображений

Слайд 14Оценка знаний студентов*Итоговая оценка = Среднее из{(Тест_1/2 + Тест_2/2 + Лабы

Слайд 15Когда появились первые изображения? 1. Понятие изображения*Автоматизированный анализ изображений

Слайд 161. Понятие изображения*Автоматизированный анализ изображений

Слайд 17Многозначность понятия «изображение» обусловлена разнообразием изображений, созданных со времен наскальной живописи.

Слайд 18Есть ли смысл в изображении без наблюдения? В каждом определении упоминается

Слайд 19Что происходит с изображением при наблюдении? В результате обработки в зрительной

Слайд 20Что является источником изображений?Визуально воспринимаются только те проявления процессов, которые сопровождаются

Слайд 21Источники изображений:объекты, самостоятельно излучающие в видимом диапазоне спектра э/м-излучения;объекты, облучаемые в

Слайд 22Методы визуализации2 способа формирования изображений: активный и пассивный методы визуализации. Пассивный

Слайд 23Математическая модель изображенияДля описания изображений и выполнения их анализа и обработки,

Слайд 24Элементарная математическая модель изображения: B(x, y), B – яркость свечения точки

Слайд 252. Особенности получения и восприятия изображений Особенности медицинских изображений*Медицинские изображения – это

Слайд 262. Особенности получения и восприятия изображений История развития медицинской визуализации*Автоматизированный анализ

Слайд 27Цель создания медицинских изображений – медицинской визуализации – передача зрительной системе

Слайд 28R(pN)2.1. Биотехническая система (БТС) медицинской визуализации*R’(pN’)U(t)B{xK, λ, t}Автоматизированный анализ изображений

Слайд 29Объект исследования(ОИ)ОИ – орган человеческого тела, ткань или биожидкость; имеет сложное (и

Слайд 30Источники искажений медицинских изображений в системе съемаТочное согласование характеристик излучения R(pN)

Слайд 31Система отображенияПолученный в системе съема сигнал U(t) передается в систему отображения,

Слайд 322.1. БТС медицинской визуализации Постановка диагноза*Постановка диагноза на основе анализа медицинских

Слайд 33Медицинское изображение рассматривается как совокупность некоторого фона – вида исследуемого органа,

Слайд 34Постановка диагноза на основе анализа медицинского изображения включает: 1. Обнаружение – принятие

Слайд 35Принятие решения об обнаружении интересующего исследователя объекта на медицинском изображении зависит

Слайд 36Правильное обнаружение исследователем объектов интереса на изображении обеспечивается лишь в том

Слайд 37Факторы, определяющие зрительное восприятие:эндогенные, характеризующие зрительную систему наблюдателя;экзогенные, характеризующие условия наблюдения

Слайд 38Что воспринимается зрительной системой? Зрительная система воспринимает контраст между светлыми и

Слайд 39Что воспринимается зрительной системой? Контраст (физический, яркостной) объекта с фоном или

Слайд 402.2. Особенности зрительного восприятия изображений на мониторах*Автоматизированный анализ изображений

Слайд 41VS2.2. Особенности зрительного восприятия изображений на мониторах*Автоматизированный анализ изображений

Слайд 42Что воспринимается зрительной системой? Угловой размер объекта на изображенииω = 2arctg(d/2D),для

Слайд 432.2. Особенности зрительного восприятия изображений на мониторах*Автоматизированный анализ изображений

Слайд 44Пороговый контраст и частотно-контрастная чувствительностьОбъекты интереса на изображении отличимы от фона

Слайд 45Пороговый контраст и частотно-контрастная чувствительностьЧастотно-контрастная чувствительность (ЧКЧ) величина, обратная пороговому контрасту:

Слайд 461. С увеличением углового размера объекта пороговый контраст уменьшается. 2. Наличие

Слайд 47Пороговый контраст зависит от размера объекта, формы, времени наблюдения и уровня

Слайд 48Характер зависимости для светлых объектов примерно тот же, что и для

Слайд 49Пространственная разрешающая способность зрительной системы и острота зренияРазмер наименьшей различимой детали

Слайд 50Экзогенные факторы зрительного восприятия изображений формируются с помощью системы отображения. Они

Слайд 51Характеристики систем отображения, влияющие на зрительное восприятие изображений2.2. Особенности зрительного восприятия

Слайд 52Степень геометрических искажений характеризуют линейностью монитора – отклонением участка прямой линии

Слайд 53Искажения при воспроизведении изображений в системах отображенияВ системах отображения возникают искажения

Слайд 54Искажения при воспроизведении медицинских изображений в системах отображенияИзображение на экране монитора

Слайд 552.2. Особенности зрительного восприятия изображений на мониторах Экзогенные факторы*Искажения при воспроизведении

Слайд 56Учитывая высокое качество современных систем отображения, возникающие на медицинских изображениях искажения

Слайд 57Цифровое представление медицинских изображенийИспользование цифровых методов при получении медицинских изображений обеспечивают:возможность

Слайд 582.3. Системы анализа и обработки изображений*Большинство систем ориентировано на улучшение медицинских

Слайд 592.3. Системы анализа и обработки изображений Расширенная БТС медицинской визуализации*BA,PАвтоматизированный анализ

Слайд 60Телемедицина – это применение телекоммуникационных и информационных технологий для оказания медицинской

Слайд 61Передача по сети растровых медицинских изображений требует сжатия файла изображения и

Слайд 62В результате анализа и обработки изображения ему будет соответствовать пространственное распределение

Слайд 63Характеристики данных ДЗЗ (космических снимков): Анализ и обработка изображений экологического мониторинга.

Слайд 64Система сбора данных ДЗЗ:Источник э/м-излучения: от 10-10 (космические лучи) до 1010

Слайд 65Влияние атмосферы на данные ДЗЗ: Рассеяние энергии: излучение отражается и преломляется

Слайд 66Методы ДДЗ базируются на анализе особенностей способности объектов отражать, поглощать и

Слайд 67Орбитальный сегмент: базовая платформа (искусственный спутник) с целевой аппаратурой ДЗЗ и

Слайд 68Передача данных ДЗЗ*Анализ и обработка медицинских изображений2. Хранение данных на борту

Слайд 69Орбиты ИСЗ: круговые (для ДЗЗ предпочтительнее, т.к. h=const, геометрическая коррекция изображений

Слайд 70Передача данных ДЗЗ. Параметры орбит ИСЗ*Ориентация плоскости орбиты ИСЗ относительно осей

Слайд 71Передача данных ДЗЗ. Параметры орбит ИСЗ*Геостационарные орбиты: круговые с периодом обращения

Слайд 72Системы ДЗЗ:Пассивные (сканирующие оптико-электронные), регистрирующие естественное излучение.Активные (радиолокационные, лазерные), сами генерирующие

Слайд 73Характеристики изображений ДЗЗ*Автоматизированный анализ изображений

Слайд 74Характеристики изображений ДЗЗ*Автоматизированный анализ изображений

Слайд 75Характеристики изображений ДЗЗ*Изображения сверхвысокого и высокого разрешения формируются спутниками с оптической

Слайд 76Характеристики изображений ДЗЗ*Анализ и обработка медицинских изображенийИзображения среднего разрешения формируются КА

Слайд 77Характеристики изображений ДЗЗ*Автоматизированный анализ изображений

Слайд 78Характеристики изображений ДЗЗ*Автоматизированный анализ изображений

Слайд 1Автоматизированный анализ изображений
*
Автоматизированный анализ изображений

Анна Юрьевна Виллевальде к.т.н., доц.

Слайд 3Number of investigations, mln

*
Автоматизированный анализ изображений
Year

Развитие радиодиагностики в России с 2002

Слайд 6*
Введение Анализ и обработка изображений в экологии
В задачах экологии, связанных с мониторингом

Слайд 7ДЗЗ применяется для исследований окружающей среды:
*

Введение Анализ и обработка изображений в

Слайд 8*
Анализ и обработка медицинских изображений

Введение Анализ и обработка изображений в экологии

Слайд 11АСМ-изображение с разрешением 0,1 нм: микрорельеф поверхности
*
Введение Анализ и обработка изображений

Слайд 12После окончания курса студен должен:
быть способным формулировать проблемы, цели и задачи

Слайд 13Содержание дисциплины
*
Автоматизированный анализ изображений

Слайд 14Оценка знаний студентов
*
Итоговая оценка = Среднее из{(Тест_1/2 + Тест_2/2 + Лабы

Слайд 15Когда появились первые изображения?
1. Понятие изображения
*
Автоматизированный анализ изображений

Слайд 161. Понятие изображения
*
Автоматизированный анализ изображений

Слайд 17
Многозначность понятия «изображение» обусловлена разнообразием изображений, созданных со времен наскальной живописи.

Слайд 18Есть ли смысл в изображении без наблюдения?
В каждом определении упоминается

Слайд 19Что происходит с изображением при наблюдении?

В результате обработки в зрительной

Слайд 20Что является источником изображений?
Визуально воспринимаются только те проявления процессов, которые сопровождаются

Слайд 21Источники изображений:
объекты, самостоятельно излучающие в видимом диапазоне спектра э/м-излучения;
объекты, облучаемые в

Слайд 22Методы визуализации
2 способа формирования изображений: активный и пассивный методы визуализации.
Пассивный

Слайд 23Математическая модель изображения
Для описания изображений и выполнения их анализа и обработки,

Слайд 24Элементарная математическая модель изображения: B(x, y),
B – яркость свечения точки

Слайд 252. Особенности получения и восприятия изображений Особенности медицинских изображений
*
Медицинские изображения – это

Слайд 262. Особенности получения и восприятия изображений История развития медицинской визуализации
*

Автоматизированный анализ

Слайд 28R(pN)
2.1. Биотехническая система (БТС) медицинской визуализации
*

R’(pN’)
U(t)
B{xK, λ, t}

Автоматизированный анализ изображений

Слайд 29Объект исследования(ОИ)
ОИ – орган человеческого тела, ткань или биожидкость; имеет сложное (и

Слайд 30Источники искажений медицинских изображений в системе съема
Точное согласование характеристик излучения R(pN)

Слайд 31Система отображения
Полученный в системе съема сигнал U(t) передается в систему отображения,

Слайд 322.1. БТС медицинской визуализации Постановка диагноза
*

Постановка диагноза на основе анализа медицинских

Слайд 34Постановка диагноза на основе анализа медицинского изображения включает:
1. Обнаружение – принятие

Слайд 37Факторы, определяющие зрительное восприятие:
эндогенные, характеризующие зрительную систему наблюдателя;
экзогенные, характеризующие условия наблюдения

Слайд 38Что воспринимается зрительной системой?
Зрительная система воспринимает контраст между светлыми и

Слайд 39Что воспринимается зрительной системой?
Контраст (физический, яркостной) объекта с фоном или

Слайд 40

2.2. Особенности зрительного восприятия изображений на мониторах
*

Автоматизированный анализ изображений

Слайд 41VS

2.2. Особенности зрительного восприятия изображений на мониторах
*

Автоматизированный анализ изображений

Слайд 42Что воспринимается зрительной системой?
Угловой размер объекта на изображении
ω = 2arctg(d/2D),
для

Слайд 432.2. Особенности зрительного восприятия изображений на мониторах
*

Автоматизированный анализ изображений

Слайд 44Пороговый контраст и частотно-контрастная чувствительность
Объекты интереса на изображении отличимы от фона

Слайд 45Пороговый контраст и частотно-контрастная чувствительность
Частотно-контрастная чувствительность (ЧКЧ) величина, обратная пороговому контрасту:

Слайд 461. С увеличением углового размера объекта пороговый контраст уменьшается.
2. Наличие

Слайд 49Пространственная разрешающая способность зрительной системы и острота зрения
Размер наименьшей различимой детали

Слайд 51Характеристики систем отображения, влияющие на зрительное восприятие изображений
2.2. Особенности зрительного восприятия

Слайд 53Искажения при воспроизведении изображений в системах отображения
В системах отображения возникают искажения

Слайд 54Искажения при воспроизведении медицинских изображений в системах отображения
Изображение на экране монитора

Слайд 552.2. Особенности зрительного восприятия изображений на мониторах Экзогенные факторы
*
Искажения при воспроизведении

Слайд 57Цифровое представление медицинских изображений
Использование цифровых методов при получении медицинских изображений обеспечивают:
возможность

Слайд 582.3. Системы анализа и обработки изображений
*
Большинство систем ориентировано на улучшение медицинских

Слайд 592.3. Системы анализа и обработки изображений Расширенная БТС медицинской визуализации
*

BA,P

Автоматизированный анализ

Слайд 63Характеристики данных ДЗЗ (космических снимков):
Анализ и обработка изображений экологического мониторинга.

Слайд 64Система сбора данных ДЗЗ:
Источник э/м-излучения: от 10-10 (космические лучи) до 1010

Слайд 65Влияние атмосферы на данные ДЗЗ:
Рассеяние энергии: излучение отражается и преломляется

Слайд 68Передача данных ДЗЗ
*
Анализ и обработка медицинских изображений

2. Хранение данных на борту

Слайд 70Передача данных ДЗЗ. Параметры орбит ИСЗ
*

Ориентация плоскости орбиты ИСЗ относительно осей

Слайд 71Передача данных ДЗЗ. Параметры орбит ИСЗ
*

Геостационарные орбиты: круговые с периодом обращения

Слайд 72Системы ДЗЗ:
Пассивные (сканирующие оптико-электронные), регистрирующие естественное излучение.
Активные (радиолокационные, лазерные), сами генерирующие

Слайд 73Характеристики изображений ДЗЗ

*
Автоматизированный анализ изображений

Слайд 74Характеристики изображений ДЗЗ
*

Автоматизированный анализ изображений

Слайд 75Характеристики изображений ДЗЗ
*

Изображения сверхвысокого и высокого разрешения формируются спутниками с оптической

Слайд 76Характеристики изображений ДЗЗ
*
Анализ и обработка медицинских изображений

Изображения среднего разрешения формируются КА

Слайд 77Характеристики изображений ДЗЗ
*

Автоматизированный анализ изображений

Слайд 78Характеристики изображений ДЗЗ
*

Автоматизированный анализ изображений

Слайд 79Бондур В.Г., Резнев А.А. Конференция «Суперкомпьютерные технологии СКТ – 2012»
1. Предварительная

Слайд 80Обработка изображений ДЗЗ:
Предварительная обработка: удаление радиометрических и геометрических ошибок.
Улучшение изображений: преобразование

Слайд 81Способы получения изображений в химии
*

Автоматизированный анализ изображений
Разрешающая способность микроскопа –

Слайд 82Способы получения изображений в химии
*

Автоматизированный анализ изображений
Сканирующая зондовая микроскопия (в

Слайд 83Способы получения изображений в химии. Принцип работы АСМ
*

Автоматизированный анализ изображений

Слайд 84Способы получения изображений в химии
*

Автоматизированный анализ изображений
Адекватность интерпретации изображений зависит

Слайд 85Способы получения наноизображений
Атомно-силовая
микроскопия
Регистрация силового взаимодействия между поверхностью исследуемого

Слайд 86Сила трения, упругости, адгезии, перемещение, удаление атомов с поверхности.
Обработка изображения:

Слайд 87Сканирующая туннельная
микроскопия
Способы получения наноизображений
Структура поверхности тел
Расположение отдельных атомов
Сканирующий

Слайд 88Туннельная сканирующая микроскопия
Изображение поверхности кремния при различных напряжениях в образце
изображение кремния,

Слайд 89Просвечивающий электронный микроскоп
Представляет собой вакуумную камеру, изготовленную в виде вертикально расположенной

Слайд 90Просвечивающий электронный микроскоп
Электронные изображения биологической ткани.На первом изображении с увеличением в

Слайд 91Растровая электронная микроскопия
В основе лежат физические явления, наблюдающиеся при бомбардировке поверхности

Слайд 94Последовательность действий при анализе и обработке изображений

3. Общий подход к анализу

Слайд 95Цель преобразования изображения
Анализ и обработка изображений предполагают выполнение различных операций преобразования

Слайд 96Анализ изображения
После того как цель выбрана, необходимо проанализировать изображение, т.е. выделить

Слайд 97Признаки, применяющиеся при анализе изображений, и методы обработки изображений
3. Общий подход

Слайд 98Признаки изображений:
признаки, полученные в пространственной области анализа изображений (геометрические и

Слайд 100Задачи анализа изображений:
1. Выявление характерных параметров изображений, наиболее полно отражающих интересующие

Слайд 101Анализ медицинских изображений производится в 3 этапа:
1. Разработка математических моделей

Слайд 104Метрические признаки изображений:
геометрические размеры объектов на изображении по вертикали или горизонтали;
расстояние

Слайд 105Расстояние между точками
Расстояние между точками на плоскости изображения – Наиболее