Теоретические основы кибернетики. Лекция 20. Теория распознавания образов. Сегментация изображений

1.

Федеральное государственное бюджетное образовательное учреждение высшего профессионального
образования "Красноярский государственный медицинский университет имени профессора В.Ф. ВойноЯсенецкого" Министерства здравоохранения Российской Федерации
Кафедра медицинской кибернетики и информатики
Дисциплина:
ТЕОРЕТИЧЕСКИЕ ОСНОВЫ КИБЕРНЕТИКИ
Семестр 7
Лекция 20
Шадрин Константин Викторович

2.

Сегментация
—
процесс
разделения
цифрового
изображения
на
несколько
сегментов (суперпикселей), соответствующих
структурным единицам изображения.
2

3.

Анализ
пикселей
Анализ текстур
(поиск схожести)
(наиболее просты)
Анализ границ
(поиск различий)
3

4.

5.

(работа с порогом)
Изображение костного мозга
Изображение получается путем
пороговой обработки исходного
изображения при значении,
порога 0,34
Гистограмма
интенсивностей
5

6.

Градиентный метод
• Если пиксели с промежуточными значениями
интенсивности находятся очень близко к
предполагаемому порогу, то они могут
«маскировать»
оптимальное
пороговое
значение.
• Фильтры Собеля и Кенни – градиентчувствительные фильтры.
• Определяют промежуточные точки, которые
можно удалить с изображения и построить новую
гистограмму интенсивностей и определить новое
пороговое значение.
6

7.

(работа с порогом)
Градиентный метод
Изображение клеток
крови
Если
гистограмма
интенсивности, бимодальна
(или мультимодальна), то
выбор
порога
осуществляется
путем
нахождения самой нижней
точки на гистограмме, т.е.
минимума интенсивности.
7

8.

(работа с порогом)
После применение пороговой функции на
рисунке справа меньше пикселей, не
являющихся клетками.
8

9.

(работа с порогом)
Изображения контуров клеток крови
Правое изображение было предварительно
фильтровано гауссовым фильтром низких
частот.
9

10.

(непрерывные методы)
• Изображение, состоящее из двух областей,
имеющих разные средние уровни серого цвета.
• Используя лишь пороговую функцию, нельзя
полностью отделить два региона из-за шума.
10

11.

(непрерывные методы)
Левый рисунок – фильтрация с использованием
низкочастотного фильтра.
Правый рисунок – фильтрация с использованием
11
пороговой функции.

12.

12

13.

(как работать с текстурами)
• Изображение содержит три области.
• Все
области
имеют
примерно
одинаковую интенсивность.
• Области имеют различные структуры.
В то время как эти области можно
отличить визуально, разделение на
основе интенсивности или границ
невозможно.
(Гистограмма далее)
13

14.

(как работать с текстурами)
• То же изображение, но после
применения
после
применения
операции
нелинейного
выделения
структур.
• Операция
преобразует
текстурные
свойства
исходного изображения в
различие интенсивностей.
Три региона теперь отчетливо
видны и к ним можно
применить
пороговую
14
функцию.

15.

(как работать с текстурами)
• Гистограмма
исходного
рисунка
до
процедуры
нелинейной
фильтрации
(процедура range).
• После
фильтрации
наблюдаются три области
разной
интенсивности
отчетливо видны. Пороги,
указаны
вертикальными
линиями.
15

16.

(как работать с текстурами)
• Отдельные сегменты.
• Хотя есть некоторые артефакты, сегменты довольно
хорошо видны, учитывая исходное изображение.
16

17.

(как работать с текстурами)
Различна только ориентация структур
• Горизонтальные
и
вертикальные
узоры
имеют
одинаковые
текстурные
характеристики.
• Различается только их
ориентация.
17

18.

(как работать с текстурами)
Различна только ориентация структур
• Изображение до
низкочастотной фильтрации
(только с использованием
оператора range).
• Изображение после
предварительной
низкочастотной фильтрации.
18

19.

(как работать с текстурами)
Различна только ориентация структур
• Отдельные
сегменты,
полученные
путем
предварительной фильтрации низких частот с
последующим применением пороговой функции.
19

20.

(Множественные пороги)
• Изображение клеток рака простаты на
сером фоне.
• Необходимо бинаризовать изображение.
20

21.

(Множественные пороги)
• Отдельные
сегменты
клеток.
• Верхние
изображения
были созданы с помощью
пороговой функции.
• Нижнее
правое
изображение
получено
путем
добавления
к
пороговой
функции
анализа текстур.
21

22.

(Морфологический анализ)
Оператор opening
Удаляются мелкие объекты без изменения контуров больших объектов
• Пример
операции
opening для удаления
мелких артефактов.
• Окончательное
изображение
имеет
меньше
фоновых
пятен (шумов), но
теперь в мембране
одной
из
клеток
появилось отверстие.
22

23.

(Морфологический анализ)
Оператор closing
Расширяются границы больших объектов
• Пример
операции
closing для «заполнения
промежутков»
в
клеточной мембране.
• Некоторые промежутки
заполнены верно, но
некоторые
из
промежутков
между
клетками
заполнены
ошибочно.
23

24.

• Для проведения сегментации по анализу
границ,
необходимо
сгруппировать
границы в цепочку, которая соответствует
какой-либо стороне
объекта, т.е. его
контуру.
• Важна начальная информация в частности о
разнообразии форм возможных объектов.
• Методы: эрозия (сжатие) и дилатация
(расширение).
24

25.

• Операция заполнения отверстий.
• Ни контуры клеток (верхняя часть изображения),
ни клетки в центре не заполнены, так как они не
являются в полном смысле разрывными.
25

26.

Методы сегментации
1. Анализ пикселей (определение порога) – pixelbased methods.
2. Анализ текстур (исследование интенсивности
или ориентации) – continuity-based methods.
3. Морфологический анализ (анализ формы).
4. Выделение границ – edge-based segmentation.
26

27.

1. Шульгин, В.И. Основы обработки изображений.
Моделирование на ЭВМ с использованием пакета
Matlab: Лабораторный практикум / Харьков, 2010.
2. Фисенко, В.Т. Компьютерная обработка и распознавание
изображений: учеб. пособие / В.Т. Фисенко, Т.Ю.
Фисенко. - СПб: СПбГУ ИТМО, 2008. –192 с.
3. Гонсалес, Р. Цифровая обработка изображений в среде
Matlab / Р. Гонсалес, Р. Вудс, С. Эддинс. – М: Техносфера,
2006. – 616 с.
4. Semmlow, J.L. Biosignal and Biomedical Image Processing:
Matlab-Based Applications / CRC Press., 2004. – 448 p.