Диссертация (1144795), страница 49

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 49)

Дескрипторы одной и тойже ключевой точки на образце и на сцене должны примерно совпадать. Метод расчета дескриптора таков, что он не зависит от вращения и масштаба.В этом случае октава должна содержать не менее трех фильтров, иначемы не сможем определить факт нахождения локального максимума гессианавнутри октавы. Фильтры октавы считаются не для всех пикселов подряд.Первая октава считается для каждого второго пиксела изображения. Вторая –для каждого четвертого, третья – для каждого восьмого и так далее. Смыслпонятен – две точки с расстоянием 2 не могут содержать более одногомаксимума масштаба 2, 3 или более высоких масштабов. Поэтому нет смыслаперебирать все точки изображения, для нахождения максимума масштаба 3,например.Для вычисления дескриптора, вокруг ключевой точки мы формировалипрямоугольную область, имеющую размер 20s, где s – масштаб в котором299была найдена ключевая точка.

Для первой октавы, область имеет размер40x40 пикселов. Квадрат ориентировался вдоль приоритетного направления,вычисленного для ключевой точки. Эта квадратная область включала объекты, содержащие маркеры. К маркерам мы относили фрагменты площади фации с определенным текстурным Рисунком. Область, окружающая ключевуюточку (брались области размером до 40х40 пиксел), также имела текстуру,схожую с текстурой окрестности ключевой точки.Статистические ТП, как характеристики многомерного вероятностногораспределения яркости полутонового изображения, вычислялись с помощьюматриц смежности (матриц распределения градиентов) [98].

Матрицаучитывает, как уровни яркости отсчётов, так и относительное расположениеотсчётов с определённой яркостью на изображении. Отсчёты двумернойматрицы смежности для изображения показывают оценку вероятностисовместного появления на изображении на расстояния друг от друга,задаваемомопределённымсоответственнымиобеспечиваетзначениямиинвариантностьвекторомуровнейсмещенияотсчётов,сяркости. Матрица смежностипризнаковкповороту,сдвигуимасштабированию.Матрица смежности содержит относительные частоты p(i,j) наличия наизображении соседних элементов, расположенных на расстоянии d друг отдруга, с яркостями f(i,j).

Рассматривались горизонтальные (α = 0o), вертикальные (α = 90o) и поперечно-диагональные (α = 45o и α= 135o) пары элементов. Следует отметить, что эти матрицы симметричны, а именно P(i,j,d,α)= P(j,i,d,α).В общем случае лишь очень немногие текстуры имеют небольшоечисло достаточно четких отличительных признаков.

Чаще всего прираспознаваниитекстурприходитсяучитыватьсложныекомбинациибольшого количества признаков [176; 280]. C использованием матрицсмежности вычислялись текстурные признаки, такие как контраст, инерция,энергия, энтропия и однородность, учитывающие взаимное расположение300соседних пикселей в скользящем окне, и, соответственно, являющиесяэффективными для описания текстур с выраженной пространственнойрегулярностью.

Вычисляя признаки для различных изображений, мыполучали многомерный вектор признаков текстур фации. Такие признакичетко связаны с визуальными особенностями текстуры. При этом измерялосьлибо расстояние между изображениями, либо мера их близости.На основе вычисленных матриц смежности были произведенычисленные расчеты ниже перечисленных текстурных признаков:1. Средняя яркость (первый момент) по всему изображению:M   i p(i, j ) .(5.20)i, j2. Энергия (второй угловой момент) – характеризует степень однородности:f1    p (i, j )  .2(5.21)i, j3. Однородность (момент обратной разности) представляет собой меруравномерности и тесно связан с контрастом и отражает степень разброса элементов матрицы градиентов вокруг главной диагонали. Этот признак является альтернативой контрасту в случае влияния краевых структур, посколькуотносительно большие разности в значениях яркости вносят минимальныйвклад в конечный результат:f2  i, jp(i, j )1  i  j 2.(5.22)4.

Контраст – характеризует степень контрастности изображения,определяется величиной локальных вариаций яркости изображения. С увеличением числа локальных вариаций контраст возрастает:f3   i  j p(i, j ) .i, j(5.23)5. Инерция – характеризует наличие резких границ:f 4    i  j  p (i, j ) .2(5.24)i, j6. Энтропия является статистической характеристикой случайного301процесса. Энтропия выражает неравномерность распределения яркостныхсвойств элементов изображения:f5   p(i, j )ln  p(i, j )  .i, j(5.25)7. Корреляция – характеризует степень статистической зависимостиотсчетов изображения и служит мерой линейности регрессионной зависимости яркости на изображении:f 6    i  M  j  M  p (i, j ) .i, j(5.26)8.

Затенение – степень равновероятного появления темных и светлыхобластей, есть ли тень у светлых областей:f 7    i  j  M  p (i, j ) .3(5.27)i, jТаким образом, для каждого изображения имеем набор признаков:F   f1 , f 2 , f 3 , f 4 , f 5 , f 6 , f 7  .(5.28)Средняя яркость M была в дальнейшем исключена из набора признаков,поскольку она базируется фактически на одномерном распределении яркости,а это нее несет никакой информации о текстурных свойствах изображения иопределяется условиями его регистрации.Основная задача при построении системы признаков заключалась в том,чтобы определить, какие и сколько признаков необходимо выделить длянадежной классификации объектов изображении фации [342]. При этом мыруководствовались принципом учета свойств регулярности объекта – есликлассифицируемый объект обладает некоторой регулярностью, то эту регулярность необходимо положить в основу формирования системы признаков.Более того, необходимо было предусмотреть, чтобы эта регулярность былаприсуща всем объектам, принадлежащим данному классу.Формальной процедуры задания исходной системы признаков для фаций БЖ пока не существует.

Признаки задаются лишь на основании опыта иинтуиции специалиста. Из выбранной таким способом исходной системы выбирается, тем или иным формальным путем, более экономичная и наиболее302информативная подсистема описания образов. Сам же процесс задания исходной системы никак не формализован. Существует мнение, что нужно задавать все, что только можно заподозрить в информативности. Однако напрактике чрезмерное раздувание исходной системы признаков не безвредноиз-за того, что степень представительности выборки одного и того же объемаобратно пропорциональна размерности пространства признаков. В случае использования некоторых решающих функций добавление признаков при малой обучающей выборке может не только не улучшить, но даже ухудшитькачество обучения устройства.

Разумеется, при неограниченной выборке добавление признака, даже не несущего никакой информации, никогда не может ухудшить качество распознавания.С помощью ключевых точек на изображении фации выявлялисьструктурные элементы. По координатам ключевых точек выводились этиструктурыкаксамостоятельныеизображения,чтовдальнейшемквалифицировались нами как маркеры разных патологических состояний организма человека. Из-за малого числа образцов каждого класса, изображенияфаций БЖ были разделены на информативные области, из которых былисформированы новые изображения. Полученные текстурные изображениябыли достаточно велики, чтобы быть представителями различных типов фаций. Для каждого образца вычислялся вектор набора признаков F.

В дальнейшей обработке использовалось множество полученных векторов из F.Все множество векторов случайным образом делилось на две равныегруппы – тестовую и обучающую выборки так, чтобы обе выборки содержалиравное число образцов из каждого класса. Был использован метод классификации k − средних.

k – число кластеров. В качестве метрики использовалосьЕвклидово расстояние:d (i, j )  xnk 1ik x jk  .2(5.29)Эта метрика является наиболее используемой и отражает среднее различие между объектами.303Для каждого образца из тестовой выборки вычислялись расстояния до kего ближайших соседей. Первые попытки классификации выполнялись привсех возможных значениях числа соседей k. Выбор максимального значенияравного 6 связан с тем, что минимальное число образцов для класса равнялось 10, следовательно, только шесть из них можно было использовать в обучающей выборке.

Результаты, полученные при классификации по шести соседям, были наилучшими, поэтому проводился анализ классификации именно с таким значением параметра.Было исследовано 54 образца фаций СК больных с разной формой патологических элементов, размер исходных изображений фаций составлял от512х512 до 1024х1024 пиксел. Они включали в себя 8 видов маркеров (Рисунок 5.24), примерно по четыре изображения фации, включающих один видмаркера. Ниже приведены результаты обработки изображений фаций БЖдвумя способами с помощью рассмотренных алгоритмов (Рисунки 5.25 –5.38).На Рисунках 5.25 – 5.31 показан результат морфологической обработкиизображений фаций СК и выявление объектов на фрагменте фации,имеющий маркер патологии по связным областям. Каждый фрагментизображений определен в плоскости фации и выделен красным эллипсом.Числа под изображением соответствуют номеру фрагмента, выделенного нафации (рисунок над таблицей).Для каждого изображения вычислены четыре ТП (однородность, контраст, энтропия и энергия).

Характеристики

Список файлов диссертации