Диссертация (1144795), страница 48
Текст из файла (страница 48)
Типичными морфологическими элементами являются цепочки контурных точек, образующих границу объекта, связанные области постоянной яркости,цвета и элементарные фигуры (прямоугольники, окружности, треугольники).Область может быть представлена своей границей, а граница − описана с помощью таких характеристик, как длина границы (периметр области), площадь, число вогнутостей границы и др.В нашей работе морфология фаций БЖ описывалась наличием или отсутствием в них различных структурных элементов − диагностических маркеров.
Считается, что морфологический тип фации СК (частично радиаль-292ный, радиальный, асимметричный и др.) определяется, в основном, по характеру Рисунка фации, который обусловлен взаиморасположением основных ее элементов [5; 69; 143].Для морфологической обработки изображений фаций БЖ применялсяаппарат математической морфологии для многочисленных задач обработкиизображений [129]. Множество всех черных пикселей чёрно-белогоизображения (т.е.
содержащего только пиксели со значениями интенсивности0 или 1) является одним из вариантов его полного морфологическогоописания. После получения чёрно-белого (бинарного) изображения объектавыполняется операция выделения объектов на фоне из множества другихобъектов и вычисление признаков интересующего объекта.Бинарное изображение неизбежно включает области, относящиеся кпомехам, поэтому проводились операции, позволяющие исключить илиуменьшить влияние помех. Эти операции относятся к морфологическимоперациям бинарных изображений. Они позволяют разделить соединенныеобъекты или соединить разорванные части объекта, заполнить пустотывнутри областей объекта, исключить отдельные шумовые элементы.В зависимости от исходного вида изображения фации и типов объектов, полученных в результате бинаризации мморфологическая обработкаизображений фаций БЖ (Рисунок 5.22) включала в себя следующие методы,представленные в разных алгоритмах, выполненные рядом авторов:выделение границ [29; 117; 152]; заполнение областей [29; 152]; выделениесвязных компонент [29; 99; 152]; построение выпуклой оболочки [29; 55];утончение и утолщение [29; 152]; эрозию [25; 34; 35]; дилатацию [29; 34; 35].После выполнения таких операций по полученному бинарномуизображению выполнялась селекция связных компонентов [87] и каждыйотдельный связанный объект имел свой номер.
По бинарному изображениюмы определяли и анализировали каждую связную область. На выходеформировалось изображение меток областей. Каждый отсчет изображенияимел значение номера связной области, которой он принадлежит, либо293значение, равное нулю, если элемент принадлежит фону. Эта операцияпозволяла исключить из рассмотрения области, имеющие площади,находящиеся вне заданных пределов интересующих размеров объектов. Приобработке структуры фации это приводило к формированию полутоновогоизображения, каждый уровень яркости которого соответствовал номерусвязной области (объекта). По изображению связных компонентов иисходному полутоновому изображению осуществлялась оценка признаковизображения.исходноеизображениебинаризациявыделение контуровградиентноепреобразованиеРисунок 5.22 ‒ Пример применения морфологической обработкиизображения для выделения внутренней структуры фации БЖВ настоящее время установлены основные структуры (связные области)твёрдой фазы СК [142], образующиеся при клиновидной дегидратации.
Внашей работе, в качестве таких структур мы отнесли следующие элементы(Рисунок 5.23):− радиальные трещины, идущие от периферии капли СК к центру ввиде лучей;− поперечные трещины, расположенные под углом к радиальным;− отдельности – части фации СК, ограниченные со всех сторонтрещинами (радиальными и поперечными);− конкреции – округлые скопления однородного вещества (солевыеструктуры) в фации СК, образующиеся вследствие его стяжения локальнымцентром самоорганизации и сжатием активными (белковыми) элементамиокружающей среды.294вбгаРисунок 5.23 ‒ Фация сыворотки крови здорового человека, основныеструктурные элементы (указаны стрелками): а ‒ радиальная трещина; б ‒поперечная трещина; в ‒ отдельность; г ‒ конкреция. × 10В настоящее время также установлены структуры (связные области)фации СК, образующиеся при накоплении в организме веществ, отнесённых кгруппе аномальных (патологических) элементов [5; 142; 143].
В настоящей работе в фациях СК мы выделили следующие патологические структурные элементы − маркёры (Рисунок 5.24):− маркёры гипоксии головного мозга (Рисунок 5.24−1) – множественные округлые трещины с вставками в них тёмной субстанции, расположенные в центральной зоне фации СК (жгутовые трещины);− маркёры ангиоспазма и нарушения микроциркуляции (Рисунок5.24−2) − волнообразные структуры, расположенные по периферии фации(гребешковые структуры);− маркёры застойных явлений − трехлучевые трещины в различныхобластях фации (Рисунок 5.24−3);− маркёр хронической интоксикации (Рисунок 5.24−4) – двойная (илимногоярусная) фация;− маркёры напряженности адаптационных механизмов гомеостаза (Рисунок 5.24−5) − спиральные закрутки, расположенные вокруг конкреций(трещины «закрутки»);− маркёр нарушения липидного обмена (Рисунок 5.24−6) – множе-295ственная линейная исчерченность в различных отделах фации (белковолипидные складки);21346578Рисунок 5.21 ‒ Фрагменты фаций сыворотки крови с различными видами патологических структур (указаны стрелками): 1 ‒ жгутовые структуры, ×50; 2‒ гребешковые структуры, ×40; 3 ‒ трёхлучевые трещины, ×40; 4 −многоярусная фация, ×10; 5 ‒ трещины «закрутки», ×40; 6 ‒ складки белковолипидных структур, ×40; 7 ‒ листовидные структуры, ×12; 8 ‒ языковыеструктуры, ×40− маркёры процессов склерозирования (Рисунок 5.24−7) – специфические образования, напоминающие лист дерева, охватывающие крупныетрещины в центральных и периферических зонах фации СК, могут отличатся от основного фона более тёмным цветом (листовидные структуры);− маркёры острых и хронических воспалительных процессов (Рисунок 5.24−8) – светлые образования, напоминающие языки пламени, с нали-296чием зубчатых, или гладких краёв (языковые структуры).Для обнаружения в фациях БЖ маркеров с определенной структуройбыли применены математические алгоритмы, которые включали в себя методы, используемые в задачах распознавания изображений.
В работе использовался метод Speeded Up Robust Features (SURF), так как среди различныхметодов он является одним из самых эффективных и быстрых алгоритмов.Он относится к методам, которые направлены на вычисление абстрактнойинформации и принятие решений для каждой локальной точки. В результате обработки, особенности изображений становились подмножеством областей изображения в виде изолированных точек, кривых и связанных областей.Локальная особая точка изображения (local image feature) − это точка схарактерной окрестностью, которая имеет признаки, существенно отличающие её от основной массы точек в методе SURF она называется ключеваяточка. Поскольку локальные точки сильно отличались от основной массы точек, то их число было существенно меньше, чем общее число точек образа.После нахождения ключевых точек SURF с помощью детекторов, рассчитывали дескрипторы – вектора, описывающие структуру окрестности точечной особенности.
Эти вектора формировались на основе набора значений первых и вторых производных изображения в точке. Около каждойключевой точки рассматривалась окрестность из 8 соседних пикселей. Дескриптор для каждой ключевой точки представляет собой набор из 64 (8х8)безразмерных чисел, величина которых меняется от −1 до +1. Эти числаотображали флуктуации градиента яркости вокруг ключевой точки.Для поиска и распознавания точечных особенностей изображений былииспользованы локальные дескрипторы – набор информативных признаков ообласти изображения вокруг ключевой точки.Методом SURF, с помощью матрицы Гессе, решались две задачи –поиск ключевых точек изображения и создание их дескрипторов, инвариантных к масштабу и вращению.
Детерминант матрицы Гессе (гессиан) до-297стигает экстремума в точках максимального изменения градиента яркости.Поскольку ключевая точка представляет собой максимум гессиана, то вокрестности точки были участки с разными направлениями градиентов. Онхорошо детектирует пятна, углы и края линий. Гессиан инвариантен относительно вращения, но не инвариантен масштабу, поэтому SURF использует разномасштабные фильтры для нахождения гессианов.Для каждой ключевой точки считалось направление максимальногоизменения яркости (градиент) и масштаб, взятый из масштабного коэффициента матрицы Гессе. Градиент в точке вычислялся с помощью фильтровХаара.Поскольку гессиан является производной и зависит только от перепадаяркости, но не от абсолютного ее уровня, то он инвариантен по отношению ксдвигу яркости изображения.
Следовательно, изменение уровня освещенияобразца не влияет на обнаружение ключевых точек. Кроме того, свойства гессиана таковы, что он достигает максимума как в точке белого пятна на черном фоне, так и черного пятна на белом фоне. Таким образом, метод обнаруживает и темные, и светлые особенности изображения.Для каждого типа особенностей использовался свой детектор.
Дляопределения углов и линейных структур использовался детектор Харриса(Harris corner detector).Изображение фации не рассматривалось целиком, а бралась лишьнекоторая область интереса: либо центр + промежуточная зона, либопериферия + промежуточная зона. Размер области чаще всего выбирался512х512 или 1024х1024 пиксел.Как отмечалось в главе 1, гессиан не инвариантен относительномасштаба. Это значит, что для одного и того же пиксела, гессиан можетменяться при изменении масштаба фильтра.
Из соображений симметрии идискретизации,размерфильтраFast-Hessianнеможетприниматьпроизвольные значения. Мы использовали следующие допустимые размерыэтого фильтра (начиная с минимального): 9, 15, 21, 27 и так далее, с шагом 6.298Поэтому метод SURF разбивает все множество масштабов на так называемыеоктавы. Каждая октава покрывает определенный интервал масштабов, иимеет свой характерный размер фильтра.При этом если бы на октаву приходился только один фильтр, это былобы слишком грубым приближением. Кроме того, нельзя было бы найти локальный максимум гессиана, среди разных масштабов, в разных октавах, т.к.одна и та же точка может иметь несколько локальных максимумов гессиана,в разных масштабах.Шаг размера фильтра в первой октаве – составляет 6, во второй – 12, втретьей – 24 и так далее.
При этом октавы значительно перекрывают другдруга. Это увеличивает надежность нахождения локальных максимумов. Дляпокрытия этого диапазона масштабов было достаточно четырех октав. Плюсдобавляется одна или две октавы для покрытия больших масштабов. Итого,используется 5 − 6 октав, что вполне достаточно для покрытия всевозможныхмасштабов на изображении 1024x1024 пикселов.Дескриптор ключевой точки представлял собой массив из 64 чисел,позволяющих идентифицировать ключевую точку.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
