7. Дата выдачи задания ____________________________

Руководитель ______________________ Мельников А.В.

(подпись)

Задание принял к исполнению__________________ Романов И.Е.

(подпись)

Содержание

Введение ............................................................................................................6

Теоретическая часть ………………………………………………………...8

Практическая часть………………………………………………………...11

Выводы…………………………………………………………………….. 15

Приложение……………………………………………………………….. 16

Введение

В большинстве случаев изображение представляется для наблюдателя в виде совокупности однородных участков, отличающихся друг от друга теми или иными характеристиками. Количество различных типов, или классов, участков обычно невелико, вся же картина разделена на непересекающиеся области, каждая из которых заполнена изображением одного из типов. Целью анализа таких изображений наблюдателем или автоматической системой является определение геометрических областей и указание для каждой из них номера типа (класса). Иногда такую совокупность сведений об исходном изображении называют ею картой. Обработка изображения, позволяющая получить карту, называется сегментацией.

Количество признаков, по которым могут отличаться друг от друга различные типы участков изображения, может быть достаточно большим. Встречается большое число задач, где участки изображения имеют разный уровень средней яркости. При одинаковом уровне средней яркости участков изображения может различаться их дисперсия флуктуации. Часто можно наблюдать сцену, на которой различие областей проявляется в разном проявлении корреляционных свойств: медленные, плавные колебания яркости на одних участках изображения сменяются существенно более быстрыми перепадами яркости на других. Во многих случаях участки изображения разных типов различаются не по одной какой-либо характеристике, а по нескольким.

Встречаются изображения, в которых вся сцена разбита на области, не отличающиеся друг от друга ни по каким своим характеристикам. Вся информация (карта) в этих случаях представляет собой совокупность границ между отдельными участками. Типичным примером такого типа служит изображение кирпичной кладки. Очевидно, что для сегментации таких изображений непригодны методы, основанные на анализе моментно-корреляционных характеристик, о которых говорилось выше.

Большое разнообразие в задачу сегментации вносит обработка цветных изображений. Одним из важнейших признаков для сегментации в этом случае может служить цвет, который дополняет совокупность характеристик, применяемых при обработке черно-белых изображений. К этому же типу задач относится и сегментация спектрозональных изображений. Отметим, что такие задачи значительно сложнее, а число публикаций в этой области сравнительно невелико. И подчеркнем, что такие задачи представляют очень большой научный и практический интерес и, вероятно, они составляют одно из перспективных направлений развития цифровой обработки изображений.

Методы, используемые при сегментации, еще более разнообразны, чем признаки, по которым различаются отдельные классы. Следует отметить, что единого общепризнанного, эффективного подхода, который бы лежал в основе всех или хотя бы большинства методов, не существует.

Методы сегментации можно разделить на два класса: автоматические – не требующие взаимодействия с пользователем и интерактивные – использующие пользовательский ввод непосредственно в процессе работы. В данной курсовой работе рассматриваются автоматический метод.

Задачи автоматической сегментации делятся на два класса:

1) выделение областей изображения с известными свойствами;

2) разбиение изображения на однородные области.

Между этими двумя постановками задачи есть принципиальная разница. В первом случае задача сегментации состоит в поиске определенных областей, о которых имеется априорная информация (например, мы знаем цвет, форму областей, или интересующие нас области представляют собой изображения известного объекта). Методы этой группы узкоспециализированы для каждой конкретной задачи. Сегментация в такой постановке используется в основном в задачах машинного зрения (анализ сцен, поиск объектов на изображении)

Во втором случае никакая априорная информация о свойствах областей не используется, зато на само разбиение изображения накладываются некоторые условия (например, все области должны быть однородны по цвету и текстуре). Так как при такой постановке задачи сегментации не используется априорная информация об изображенных объектах, то методы этой группы универсальны и применимы к любым изображениям. В основном сегментация в этой постановке применяется на начальном этапе решения задачи, для того чтобы получить представление изображения в более удобном виде для дальнейшей работы.

ТЕОРЕТИЧЕСКАЯ ЧАСТЬ

Для получения гиперспектральных данных существует несколько основных способов, в данной работе рассматриваются и сравниваются два из них. Рассмотрим первый способ. На рис. 1 показана блок-схема микроскопа-гиперспектрофотометра, который использовался для получения гиперспектральных данных о микрообъектах.

Рис. 1. Блок-схема микроскопа-гиперспектрофотометра.

Излучение от осветителя направляется на входную щель монохроматора, который выделяет часть излучения в узком спектральном интервале. С помощью волоконного жгута излучение с выходной щели монохроматора направляется на микрообъект. В зависимости от выбранного типа микроскопа, работающего в режиме пропускания или отражения, излучение, прошедшее через образец или отраженное от него, направляется в объектив микроскопа, который формирует в плоскости видеоматрицы увеличенное изображение микрообъекта в установленном спектральном интервале. При последовательной перестройке длины волны выходящего из монохроматора излучения формируется набор изображений микрообъекта, полученных на разных длинах волн, которые образуют гиперспектральный куб.

Отличие второго способа от использованного в работе состоит в применении микроскопа с перестраиваемым акустооптическим светофильтром, установленным перед видеоматрицей, который выделяет заданный спектральный интервал.

Рис. 2. Схема установки для получения гиперспектральных данных с помощью микроскопа с переключаемым акустооптическим светофильтром: АОПС – акустооптический перестраиваемый светофильтр.

Описанный способ (см. рис.2) получения гиперспектральных данных позволяет достигнуть высокого пространственного разрешения, которое определяется количеством и размером элементов видеоматрицы. Однако, спектральное разрешение, определяемое полушириной спектра пропускания светофильтра, остается на уровне несколько десятков нанометров, что не достаточно для решения многих задач качественного и количественного анализа состава микрообъектов.

На основе выводов и результатов выполненного анализа, целесообразно использовать первый способ получения гиперспектральных данных. Ниже представлена иллюстрация (см. рис.3) структуры гиперспектральных данных.

Рис. 3. Структура гиперспектральных данных

ПРАКТИЧЕСКАЯ ЧАСТЬ

Для достижения поставленной цели была разработана компьютерная программа с помощью среды программирования «Matlab».

Алгоритм, реализующий эту программу, состоит из следующих последовательных операций:

1. Определение исходных данных: определение начальной и конечной длин волн, шага длины волны между соседними изображениями, высоты и ширины изображения.

2. Определение эталонных спектров пропускания составляющих исследуемого объекта.

3. Поиск по всем данным гиперспектрального куба, используя сравнение с эталонным спектром, и окрашивание соответствующих точек изображения микрообъекта выбранным цветом.

Результаты и описание работы компьютерной программы:

Ниже (см. рис.4) представлено монохромное изображение клетки крови из набора кадров, образующих гиперспектральный куб.

Рис. 4. Изображение клетки крови на длине волны 680нм

На основе анализа всех изображений, составляющих гиперспектральный куб, можно выявить набор значений коэффициентов пропускания клетки крови и межклеточного матрикса. Определив спектры коэффициента пропускания для клетки крови и межклеточного матрикса, принимаем их за эталонные (см. рис.5).

Рис. 5. Спектры пропускания: 1 - клетка крови; 2 - межклеточный матрикс

Сравнивая спектр, соответствующий каждому пикселу изображения, с эталонными спектрами по отклонению значения дисперсии, можно окрашивать пикселы изображения в разные цвета, соответствующие разным элементам структуры микрообъекта. Результат работы данного алгоритма представлен на рис. 6., где белым цветом выделены клетки крови, а черным – межклеточный матрикс.

.

Рис.6. Результат сегментации клетки крови

На рис 7. приведен результат сегментации, выполненной с помощью алгоритма, которой описан в работе [4]. Сравнивая результат, полученный в проведенном исследовании (см. рис.6), с результатами в работе [4] (см. рис.7), можно установить, что разработанный алгоритм является результативным.

Рис. 7. Результаты сегментации, показанные в работе [4]

ВЫВОДЫ

В результате выполненной работы был произведен анализ литературных источников по методам получения и обработки гиперспектральных данных для выделения однородных участков изображения. На основе выводов и результатов выполненного анализа, был сделан выбор в пользу определенного способа получения гиперспектральных данных и разработана компьютерная программа для сегментации изображения клетки крови с использованием гиперспектральных данных в среде программирования «Matlab». Сравнив полученные результаты работы разработанной программы с результатами, опубликованными в работе [4] , можно утверждать, что разработанный алгоритм результативен.