Шаг 11: Вычисление статистических свойств объектов изображения
Функции системы MATLAB могут использоваться для вычисления статистических свойств объектов. Сначала используется функция «max» для поиска наибольшего зерна. (В нашем примере наибольшими являются два зерна риса, которые соприкасаются.)
max([graindata.Area])
Результат представляется в виде
ans =404
Далее с помощью функции «find» найдем те компоненты, которыми отмечены зерна риса с этой площадью.
biggrain = find([graindata.Area]==404)
Результат представляется в виде
biggrain=59
Найдем средний размер всех зерен риса.
mean([graindata.Area])
Результат будет представлен в виде
ans =175.0396
Рисунок 1.6 – Гистограмма распределения зерен по их размеру
Постоим на рисунке 1.6 гистограмму распределения зерен риса по их размеру (при этом будем использовать 20 позиций при градации по оси площади). Из гистограммы видно, что основная часть зерен риса имеет площадь от 150 до 250 пикселей.
hist([graindata.Area],20)
Задания к работе
Написать программный модуль обработки изображения мазка крови и подсчета количества лейкоцитов или эритроцитов.
Контрольные вопросы
С использованием какой функции определяется число объектов на изображении? Каковы особенности данной функции?
Для чего анализируется матрица меток?
Каким образом измеряются объекты на изображении?
С помощью какой функции изображение загружается в Matlab? В каком формате изображенное изображение интерпретируется Matlab’ом?
Практическая работа №2
Анализ двумерных изображений в Matlab. Выделение границ
Анализ изображений
Применяя технику анализа, можно говорить о структуре изображений. Рассмотрим некоторые функции, которые используются при анализе изображений, а также их текстуры.
Выделение границ
Для определения границ объектов изображения можно использовать функцию «edge». В качестве одного из критериев для определения края используется резкий перепад интенсивностей пикселей изображения. Отметим, что некоторые методы выделения границ, в зависимости от своих особенностей, в большей степени выделяют вертикальные, горизонтальные или все границы одинаково.
Одним из наиболее эффективных методов выделения границ является метод Канни. Метод Канни отличается от других известных методов тем, что при определении границ использует два порога (для слабых и сильных границ). Слабые границы отмечаются в результирующем изображении только тогда, когда они соединены с сильными. Для зашумленных изображений данный метод обеспечивает наилучшее обнаружение границ по сравнению с остальными методами, но требует существенно большего времени.
Рассмотрим пример применения метода выделения границ Канни, а также сравним его с другим известным методом выделения границ:
Считаем и отобразим исходное изображение (рисунок 2.1).
I=imread('coins.png');
imshow(I)
Рисунок 2.1 – Исходное изображение
Далее это изображение будет обработано операторами выделения границ Собела и Канни с последующей визуализацией (рисунок 2.2).
BW1 = edge(I,'sobel');
BW2 = edge(I,'canny');
imshow(BWl)
figure, imshow(BW2)
Рисунок 2.2 – Результат применения фильтров Собела и Канни к изображению
Для интерактивной демонстрации работы операторов выделения границ в приложении используется функция «edgedemo».