2.5. Керування видом та розмірами сегментів

Параметри для керування алгоритмом дозволяють отримати досліднику різні результати сегментування. Керуючи діапазоном чутливості алгоритму є можливість аналізувати не все зображення цілком, а окремі сегменти за яскравостями. Збільшення кроку сітки призводить до виявлення найбільш характерних мікрокластерів, що використовується для формування скелетону зображення.

Керування головною та діагональною відстанями. Керування значенням відстані d між кластерами, дозволяє формувати зв’язні області, що відповідають реальним фрагментам зображенння. Зокрема, розподіл відстаней на головну та діагональну корисний для опрацювання зображень із кільцевою структурою – відбитку пальця з “ярами” та “пагорбами”.

На рис. 3 .16 наведені приклади керування головної та діагональної відстаней у алгоритмі формування зв’язних областей: а – відстань = 1, отримано областей – 20; б – відстань = 2, областей – 16.

На рис. 3 .17 наведено вхідне зображення (а) та кластеризовані із наступними параметрами: б – відстань = 1, отримано 7 областей; в – відстань = 2, отримано 3 області.

а б

Рис. 3.16. Декомпозиція відбитку пальця

а б в

Рис. 3.17. Керування відстанню між кластерами

На рис. 3 .18 наведені результати керування головною та діагональною відстанями в алгоритмі формування регіонів при опрацюванні зразка крові: рис. 3 .18, а – відстань становить 1, отримано областей 333, виділена область Q має 4 регіони; рис. 3 .18, б – відстань становить 2, областей – 235, виділена область Q має 2 регіони.

а б

Рис. 3.18. Приклади керування формуванням регіонів

Керування обмеженням на яскравість кластера. Критерій об’єднання двох об’єктів містить два обмеження: на інтенсивність І насичення сірого кольору, в межах якого сприймаються (відчуваються) мікрооб’єкти чи кластери, та на яскравість кластера B_k ( 3 .9), що утворюється в результаті об’єднання сусідніх кластерів на кроці алгоритму. Інтенсивність – це поріг чутливості алгоритму до відтінків сірого кольору. Завдяки спектру вихідного зображення можна керувати значенням порогу чутливості, вибираючи для нього верхню і нижню межі (рис. 3 .8). Обмеження на яскравість В кластера також впливає на кількісні та якісні показники декомпозиції зображення.

На рис. 3 .19 наведено процес кластеризації фрагменту кольорового зображення, перетвореного за допомогою фільтру у відтінки сірого. На рис. 3 .19, a позначені інтенсивності всіх мікрооб’єктів (визначені під час накладання сітки), рис. 3 .19, б – результати формування кластерів у разі допустимого нижнього значення інтенсивності утвореного кластера B = 10%, рис. 3 .19, в – B = 15%.

На рис. 3 .20 виокремлено фрагмент зображення для ілюстрації результатів згортання кластерів за наявності різних обмежень на яскравість кластера без зазначення їх інтенсивності. Зокрема, рис. 3 .20, б має менше кластерів і розміри a_i1, a_i2 їх більші відносно до кластерів на рис. 3 .20, а. Логічно ілюстрація на рис. 3 .20, а відповідає ілюстрації на рис. 3 .19, б, а ілюстрація на рис. 3 .20, б відповідає фрагменту на рис. 3 .19, в.

а б в

Рис. 3.19. Керування обмеженням на яскравість кластера

а б

Рис. 3.20. Приклади згортання кластерів

Рис. 3 .21 демонструє можливості опрацювання образів керуванням процесу згортання за допомогою обмежень на яскравість кластера. У цьому разі значення порогу чутливості алгоритму до сірого кольору = 10%.

а б в г

Рис. 3.21. Керування обмеженням на яскравість кластера

а – B = 5%; б – B =15%; в – B = 25%; г – B = 40% (поріг чутливості = 10%)

Рис. 3 .22 демонструє керування порогом інтенсивності сірого кольору (порогом чутливості алгоритму) коли задане обмеження на яскравість кластера, що формується у процесі згортання.

а б в г

д е є ж

Рис. 3.22. Вплив порогу чутливості на результат (B = 5%)

a – вихідне зображення; б – = 5%; в – = 7%; г – = 11%;

д – = 15%; е – = 18%; є – = 21%; ж – = 40%

Інтенсивність кластера. Застосування алгоритму до зразків крові дозволяє віділити як всі складові фрагменти (рис. 3 .21, б), так і окремий регіон за вказаними характеристиками (рис. 3 .21, в). Дослідження проводилися для визначення кількості лімфоцитів, еритроцитів та інших клітин крові, що відрізняються кольорами.

На рис. 3 .23 проілюстровано вибір регіонів із обмеженням на яскравість B = 5, 10, 40%, для порогу чутливості (інтенсивності сірого кольору) = 5%. Зі збільшенням межі інтенсивності кластеру контрастність і чіткість зображення змінюється. У результаті на зображенні залишаються лише регіони, що задовольняють критерій вибору.

а б в г

Рис. 3.23. Вибір об’єкта за яскравістю кластера для = 5%

a − вихідне зображення; б − B = 5%; в − B = 10%; г − B = 40%

Іншим застосуванням алгоритму є виділення окремих спектрів на зображенні, отриманого спектральним аналізом. У цьому разі отримуємо елементи спектра та якісні його характеристики (довжини хвиль, яскравість).

точності алгоритму триступеневої кластеризації . Яскравість кластера є ключем до:

1. Кількості кластерів, що не взяли участі в жодному об’єднанні з іншими об’єктами згортання;

2. Кількості білих пікселів, що належать до кластерів кінцевого розбиття образу;

3. Кількості кластерів, на які він розбивається.

Розглядаємо точність алгоритму кластеризації для зображення покритого регіонами або покритого зв’язними областями:

E_CR = CR_b / CR_100, E_IA = IA_b / IA₁₀₀, (3.19)

де CR_b – кількість регіонів, отриманих кластеризацією із заданим користувачем параметром інтенсивності b, CR₁₀₀ – кількість регіонів, отриманих кластеризацією із параметром інтенсивності b = 100%, IA_b – кількість зв’язних областей, отриманих кластеризацією із заданим користувачем параметром інтенсивності b, IA₁₀₀ – кількість зв’язних областей, отриманих кластеризацією із параметром інтенсивності b = 100% (табл. 3 .2).

Таблиця 3.2. Точність алгоритму для значення інтенсивності b = 75, 85 і 100%.

Коефіцієнт	Яскравість b
	75%	85%	100%
CR	2101	3007	3664
IA	42	60	64
ECR	0,57	0,82	1
EIA	0,66	0,94	1