Диссертация (1174210), страница 18
Текст из файла (страница 18)
После загрузки изображения осуществляется егосегментация и наложение объектов, оставшихся на изображении послесегментации на первоначальное изображение, что необходимо для визуальногоконтроля исключения с изображения в результате сегментации кислотоустойчивыхмикобактерий (рисунок 37).Рисунок 36 – Окно модуля простой сегментации программного комплекса«MexicanHatSegmentation» с загруженным изображением для сегментации115Рисунок 37 – Окно модуля простой сегментации программного комплекса«MexicanHatSegmentation» с загруженным изображением и наложенными на негообъектами после сегментации вейвлет-преобразованием Mexican HatМодульсегментациипозволяетформироватьизспискацифровыхизображений базу объектов, полученных после сегментации изображенийвейвлетом Mexican Hat с заданным параметром «сигма», а модуль автоматическойсегментации позволяет сегментировать указанные цифровые изображениявейвлетом Mexican Hat с различными параметрами «сигма» в заданном диапазоне.Основным недостатком применения вейвлет-преобразования Mexican Hatдля сегментации цифровых изображений является необходимость выбораоптимального параметра σ.
Данный параметр является единственным параметромвейвлета Mexican Hat, который может изменяться в зависимости от задачиприменения данного преобразования. В вышеописанной части данного разделаописано применение вейвлет-преобразования Mexican Hat с σ равной 3,05. Данное116значение определено эмпирически на основе визуальной оценки качествасегментации цифровых микроскопических изображений мокроты, окрашенной пометоду Циля-Нильсена.На дальнейшем этапе произведена оценка соответствия, определенногоэмпирическим путем значения параметра σ, наиболее оптимальным значениямданногопараметранаосновекритериевоценкикачествасегментацииизображений. На рисунке 38 представлено изменение среднего числа объектов напреобразованных вейвлетом Mexican Hat изображениях в зависимости отпараметра σ.45004000Среднее число объектов35003000250020001500100002,002,082,162,242,322,402,482,562,642,722,802,882,963,043,123,203,283,363,443,523,603,683,763,843,924,00500σРисунок 38 – Изменение среднего числа объектов на изображениях в зависимостиот параметра σ вейвлета Mexican HatНеобходимо отметить, что при увеличении параметра σ до 2,40 происходитувеличение среднего числа объектов на изображениях, что приводит к увеличениювремени распознавания объектов на последующих этапах автоматизированногоанализа таких изображений.
При дальнейшем увеличении параметра σ до 3,0117происходит существенное снижение среднего числа объектов на изображениях, апри его изменении от 3,0 до 4,0 наблюдается наименьшее среднее число объектовна изображениях.Снижение числа объектов при увеличении параметра σ приводит кувеличению их размеров, что несколько снижает их однородность, о чемсвидетельствуетизменениесреднихзначенийкритерияоднородностипредставленного на рисунке 39. Так увеличение параметра σ приводит к снижениюсреднего значения критерия однородности по всем цветовым составляющимпикселей изображения. В большей степени данная тенденция проявляется приизменении критерия однородности по составляющему G. Несмотря на снижениесреднего значения критерия однородности по остальным цветовым составляющим1,021,000,980,960,940,920,900,880,862,002,082,162,242,322,402,482,562,642,722,802,882,963,043,123,203,283,363,443,523,603,683,763,843,924,00Средние значения критерия однородсностипикселей изображений, данное снижение является незначительным.RGBYσHSVРисунок 39 – Изменение средних значений критерия однородности качествасегментации изображений в зависимости от параметра σ вейвлета Mexican Hat118Как представлено на рисунке 40, среднее значение критерия F, неучитывающего количество мелких объектов на сегментированном изображении, в60050040030020010002,002,082,162,242,322,402,482,562,642,722,802,882,963,043,123,203,283,363,443,523,603,683,763,843,924,00Средние значения комплексных критериевзависимости от параметра σ практически не меняется.σFF'QРисунок 40 – Изменение средних значений комплексных критериев оценкикачества сегментации изображений в зависимости от параметра σ вейвлетаMexican HatПри этом средние значения критериев F’ и Q, учитывающих количествомелких объектов, при увеличении параметра σ от 2,0 до 2,4 возрастают, а придальнейшем увеличении данного параметра средние значения критериев F’ и Qснижаются, что свидетельствует о повышении качества сегментации изображений.При изменении параметра σ от 3,0 до 4,0 наблюдается постепенное снижениесредних значений критериев качества сегментации F’ и Q.
Полученные результатысвидетельствуют о том, что применение критерия F для оценки качества119сегментации цифровых изображений мокроты, окрашенной по методу ЦиляНильсена нецелесообразно ввиду отсутствия учета данным критерием количествамелких объектов и отсутствия существенного изменения при изменении параметраσ вейвлета Mexican Hat.Анализ изменения доли пропущенных кислотоустойчивых микобактерий взависимости от параметра σ вейвлета Mexican Hat (рисунок 41) показывает, что приизменении его значения до 3,1 на изображениях не происходит пропусккислотоустойчивых микобактерий.100,095,1 96,087,8Доля пропущенных объектов, %90,079,680,071,565,870,060,052,450,040,026,430,020,014,010,00,62,002,102,202,302,402,502,602,702,802,903,003,103,203,303,403,503,603,703,803,904,000,04,4 6,4σРисунок 41 – Доля пропущенных кислотоустойчивых микобактерий взависимости от параметра σ вейвлета Mexican HatПри увеличении параметра σ с 3,1 до 4,0 происходит существенный рост долипропущенных кислотоустойчивых микобактерий, что, несмотря на улучшение120значений критериев качества классификации на данном интервале не позволяетиспользовать такие значения параметра σ, так как при анализе в целом качестваавтоматизированного анализа изображения будет наблюдаться существенноеувеличение ложноотрицательных результатов.Таким образом, с использованием критериев оценки качества сегментациицифровых изображений был проведен анализ качества сегментации изображениймокроты, окрашенной по методу Циля-Нильсена с использованием вейвлетпреобразования Mexican Hat с различными значениями параметра σ.
Данныйанализ показал, что при увеличении параметра σ происходит незначительноеснижение значение критерия однородности. При этом увеличение параметра σ с 2,4и более на основании критериев F’ и Q происходит повышение качествасегментации изображений, но увеличение параметра σ от 3,1 и более приводит кпропуску кислотоустойчивых микобактерий с изображения.Наиболее оптимальными значениями параметра σ вейвлета Mexican Hat длясегментации цифровых изображений мокроты, окрашенной по методу ЦиляНильсена, являются значения в интервале от 2,90 до 3,09.
При таких значенияхпараметраσнаблюдаются:преобразования,наименьшаянаименьшеедолясреднеечислопропущенныхобъектовпослекислотоустойчивыхмикобактерий на всех изображениях от имеющихся на них кислотоустойчивыхмикобактерий и наименьшие средние значения критериев F’ и Q. В связи с этимможно констатировать, что используемое эмпирически подобранное значениепараметра σ вейвлета Mexican Hat соответствует диапазону оптимальных значенийданного параметра, определенного на основе критериев качества сегментациицифровых изображений.Использование двумерного вейвлет-преобразования Mexican Hat цифровыхмикроскопических изображений мокроты, окрашенной по методу Циля-Нильсена,позволяет сегментировать данные изображения.
Данное преобразование можетбытьиспользованодляпоследующегораспознаваниянаходящихсянаизображениях объектов кислотоустойчивых микобактерий и разработки системавтоматизированной бактериоскопической диагностики туберкулеза. Причем121использование алгоритма сегментации с использованием вейвлет-преобразованияMexican Hat позволяет осуществить сегментацию в один проход по цифровомуизображению.Врезультатереализацииданногоэтапаисследованияразработанакомпьютерная программа «QualitySegmentation» (свидетельство о регистрациипрограммы для ЭВМ в Федеральной службе по интеллектуальной собственности№2018664450 от 16.11.2018 г.). Данная программа для ЭВМ не имеет визуальногоинтерфейсаипозволяетвавтоматизированномрежимерассчитыватьвышеописанные критерии качества сегментации цифровых изображений.3.3. Сравнение работы алгоритмов сегментации цифровыхмикроскопических изображений мокроты, окрашенной по методу ЦиляНильсенаПомимо оценки качества сегментации цифровых изображений, котороеможет оцениваться как визуально, так и с применением критериев качествасегментации, важнейшим условием применимости метода сегментации в реальнойзадаче распознавания цифровых изображений является время работы алгоритма.
Вданном разделе произведено сравнение времени работы рассматриваемыхалгоритмов [119].Времясегментациицифровыхизображений,имеющихразличноеразрешение, с помощью модифицированного алгоритма пороговой бинаризации,состоящего из нескольких этапов, представлено в таблице 8. Как видно изпредставленной таблицы при уменьшении размера сегментируемого изображенияпроисходит существенное снижение времени сегментации. При сегментациииспользуемыхнамивработеизображенийсразрешением572х422модифицированным алгоритмом пороговой бинаризации затрачивалось в среднем0,025 сек, из них 0,010 сек затрачивалось на перевод изображения в оттенки серого122и определение среднего коэффициента яркости изображения, 0,006 – наопределение стандартного отклонения коэффициента яркости изображения и 0,009– непосредственно на саму сегментацию изображения.Таблица 8 – Время работы модифицированного алгоритма пороговой бинаризациив зависимости от размера изображения (в сек.)Перевод изображенияРазрешениеизображенияв оттенки серого иопределение среднегокоэффициентаяркости изображенияОпределениестандартногоотклоненияБинаризация Общеекоэффициентаизображения времяяркостиизображения800х6000,0200,0130,0180,050700х5250,0150,0100,0130,038640х4800,0130,0080,0110,032500х3750,0080,0050,0070,020400х3000,0050,0030,0040,013300х2250,0030,0020,0030,007200х1500,0010,0010,0010,003100х750,0000,0000,0000,001Результаты учета времени выполнения вейвлет-преобразования Mexican Hatс использованием изображений с разрешением 572х422 пикселя представлены втаблице 9.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
