1. Программа, разработанная с применением выбранного алгоритма сокращения размерности, дает экспериментальные результаты лучше, чем программа без него. Тем самым подтверждая эффективность использования данного алгоритма при решении задач типа сегментации изображений биологических препаратов с применением гиперспектральных данных.

2. Как видно из таблицы алгоритм сокращения размерности сокращает время выполнения сегментации биологических препаратов разработанной программой.

3. Использование адаптивного цветового контрастирования существенно повысило качество исходных изображений. Из рис 8, 14, 19 видно, что различие между спектрами пропускания разных объектов увеличилось. Тем самым контрастирование показало свою эффективность, как способо предобработки экспериментальных данных.

Заключение

При выполнении работы были разработан и исследован метод сегментации биологических препаратов с использованием гиперспектральных данных в видимом и ближнем инфракрасном диапазонах спектра и получены следующие результаты:

1. Выбранный метод получения гиперспектральных данных о микрообъектах в видимой и ИК областях спектра обеспечил регистрацию спектральных свойств локальных особенностей микрообъектов с высоким пространственным и спектральным разрешением.

2. Гиперспектральные данные содержали избыточное количество информации, обработка которой могла занять продолжительное время. Для решения этой проблемы был использован алгоритм сокращения размерностей на основе анализа независимых компонент. Время выполнения сегментации изображений без использования выбранного нами алгоритма сокращения размерности составляет 118 сек., а с ним 56 сек.

3. Предложенный алгоритм позволяет проводить сегментацию гиперспектральных данных в полностью автоматическом режиме.

4. Использование адаптивного цветового контрастирования в качестве предобработки существенно повысило качество исходных изображений. Из рис 8, 14, 19 видно, что различие между спектрами пропускания разных объектов увеличилось.

5. Программа, разработанная с применением выбранного алгоритма сокращения размерности, дает экспериментальные результаты лучше, чем программа без него. Тем самым подтверждая эффективность использования данного алгоритма при решении задач типа сегментации изображений биологических препаратов с применением гиперспектральных данных.

   Список использованной литературы

1. Грузман, И.С. Цифровая обработка изображений в информационных системах / И.С. Грузман, В.С. Киричук, В.П. Косых, Перетягин Г.И. Перетягин, А.А. Спектор. – Новосибисрк: НГТУ, 2002. - 352 c.

2. Nieke J., Schwarzer II. Neumann A., Zimmermann G., Imaging Spaceborne and Airborne Sensor Systems in the Beginning of the Next Century // Proc. SPIE. – 1997. – V. 3221. – P. 581–592.

3. Руководство по эксплуатации микроскопа-спектрофотометра МСФУ-К, производитель ОАО «ЛОМО».

4. Мельников А.В. Формирование и анализ изображений в микроскопии видимой и ИК области спектра методами спектрофотометрии: дис. … канд. тех. наук: 05.13.01: защищена 18.12.2012 – СПб., 2012. – 107 с.

5. Апенко, М. Прикладная оптика / М. Апенко, А. Дубовик. – М.: Наука, 1982. – 612 с.

6. Smith R. Introduction to hyperspectral imaging// NY.:MicroImages, 2006Arzuaga-Cruz E., Jimenez-Rodriguez L.O., and Velez-Reyes M. Unsupervised Feature Extraction and Band Subset Selection Techniques Based on Relative Entropy Criteria for Hyperspectral Data Analysis // Proc. SPIE, 2003. Vol. 5093. P. 462-473.

7. Потапов, А.С. Технологии искусственного интеллекта: Учебное пособие / А.С. Потапов – СПб., 2010. – 218 с.

8. Бутиков, Е.И. Оптика / Е.И. Бутиков. – М.: Высшая школа, 1986. – 515 с.

9. Hyvarinen, A. (1999). "Fast and robust fixed-point algorithms for independent component analysis" // IEEE Transactions on Neural Networks 10 (3): 626–634

10. Hyvärinen, A.; Oja, E. (2000). "Independent component analysis: Algorithms and applications" // Neural Networks 13 (4–5): 411–430.

11. Лопатин, А.И., Мельников А.В. Цветовое контрастирование изображений микрообъектов с использованием модификаций спектра / А.И. Лопатин, А.В Мельников // Научно-технический вестник. – 2007. – Т.43. – С. 272–275.

12. Shinitser P.I., Agurok I.P., Sandomirsky S., Avakian A. Spectrally adaptive imaging camera for automatic target contrast enhancement // Proc. SPIE. – 1999. – V. 3717. – P. 185-195.

13. Jiménez L., Landgrebe D.A. Supervised Classification in High Dimensional Space: Geometrical, Statistical, and Asymptotical Properties of Multivariate Data // IEEE Transactions on Systems, Man, And Cybernetics-Part C: Applications and Reviews, 1998. Vol. 28. No. 1. P. 39-53.

14. "Pathological leucocyte segmentation algorithm based on hyperspectral imaging technique", Opt. Eng. 51(5), 053202 (May 07, 2012).