Глава 3. Экспериментальная апробация выбранного метода
В ходе экспериментальной апробации выбранного метода были получены результаты представленные ниже. На рисунке 8 и рис. 12, рис 18. представлены зависимость интенсивности от длины волны для клетки, оболочки и межклеточного матрикса. Проведя анализ этих результатов можно выделить интервалы, где наблюдается наиболее выраженное изменение интенсивности. На основе этого можно прийти к пониманию, на каких длинах волн происходит заметное изменение картины, а какие серии изображений не несут полезной для нас информации, применительно к решению задачи кластеризации.
Рис.8. Спектры пропускания клетки крови (зеленая линия), межклеточного матрикса (синяя линия) и оболочки (красная линия) (б)
Ниже на рис. 9. приведены три исходных кадра на различных длинах волн взятые из исследуемого гиперспектрального куба.
(a) (б) (в)
Рис 9. Исходные кадры, полученные на длинах волн: 420 (а), 600 (б), 900 (в) нм.
На рис. 10. приведены результаты применения адаптивного цветового контрастирования к исходному гиперспектральному кубу, а конкретнее, три кадра взятые на разных длинах волн. На всех трех изображениях хорошо наблюдается повышение резкости границ неоднородных участков, что играет важную роль в выполнении задачи сегментации, т.к. это обеспечивает более детальный анализ микрообъектов. Кроме того, что цветовое контрастирование позволяет «окрасить» особенности спектра, т.е. появляется возможность судить о различном составе разных участков микрообъекта.
Цветовое контрастирование полезно также в ситуациях, когда нет возможности выполнить окраску микрообъекта или она нежелательна для изучения микрообъекта. Метод может применяться в комбинации с визуализацией спектров, записанных в инфракрасной области, не только для качественного анализа состава микрообъектов, но и для количественного анализа.
Согласно наиболее распространенной методике определения количественного состава веществ-препаратов, вначале их окрашивают, и количество вещества определяют исходя из того, что чем больше искомого вещества, тем больше препарат окрашивается, поскольку большее количество окрашивающего вещества прореагировало с исследуемым веществом [11].
(a) (б) (в)
Рис. 10. Исходные кадры, полученные на длинах волн: 420 (а), 600 (б), 900(в) нм, после адаптивного цветового контрастирования
Далее к исходному гиперспектральному кубу был применен алгоритм сокращения размерности. На рис.11. можно наблюдать, как изменились изображения.
(a) (б) (в)
Рис. 11. Изображения, полученные после применения алгоритма сокращения размерностей
На рис. 12(а). можно наблюдать изображение, полученное объединением изображений, представленных на рис. 11.
(a) (б)
Рис. 12. (а) Изображение, полученное объединением изображений на Рис. 11; (б)результат сегментации
Конечный результат сегментации изображения клетки крови с использованием гиперспектральных данных представлен на рис.12(б). Ключевым моментом является использование алгоритма сокращения размерности, который не только повышает скорость выполнения сегментации, но так же и качество. Для сравнения ниже на рис 13. приведены результаты сегментации без использования данного алгоритма и результат, полученный после применения его. Разница видна невооруженным взглядом.
(а) (б)
Рис. 13. Результат, полученный с применением алгоритма сокращения размерности (а) и результат без применения (б)
Для демонстрации работоспособности, разработанной программы и проверки эффективности выбранного метода, используем два других гиперспектральных куба.
Рис.14. Спектры пропускания ткани (зеленая линия), межклеточного матрикса (синяя линия) и оболочки (красная линия)
Ниже на рис. 15. приведены три исходных кадра на различных длинах волн взятые из второго исследуемого гиперспектрального куба.
(a) (б) (в)
Рис 15. Исходные кадры, полученные на длинах волн: 420 (а), 600 (б), 900 (в)
На рис. 16. приведены результаты применения адаптивного цветового контрастирования к гиперспектральному кубу, а конкретнее, три кадра взятые на разных длинах волн. Как и в первом случае, рассмотренном до этого, мы наблюдаем повышение резкости границ на всех трех кадрах.
(a) (б) (в)
Рис 16. Исходные кадры, полученные на длинах волн: 420 (а), 600 (б), 900(в) нм, после адаптивного цветового контрастирования
Далее ко второму гиперспектральному кубу был опять применен алгоритм сокращения размерности. На рис. 17. можно наблюдать, как изменились изображения.
(a) (б) (в)
Рис. 17. Изображения, полученные после применения алгоритма сокращения размерностей
На рис. 18(а) можно наблюдать изображение, полученное объединением изображений представленных на рис. 17. Конечный результат сегментации представлен на рис. 18 (б).
(а) (б)
Рис. 18. Изображение, полученное объединением изображений на Рис. 17 (а);
результат сегментации (б)
Рис.19. Спектры пропускания сегментоядерной клетки крови (зеленая линия), межклеточного матрикса (синяя линия) и оболочки (красная линия)
(a) (б) (в)
Рис 20. Исходные кадры, полученные на длинах волн: 420 (а), 600 (б), 800 (в) нм
(a) (б) (в)
Рис. 21. Изображения, полученные после применения адаптивного цветового контрастирования
(а) (б)
Рис. 22. Изображение, полученное объединением изображений на Рис. 21(а); результат сегментации (б)
Выводы по главе 3