2444

контура четко обозначена резким перепадом яркости. Это достигается установкой порога на RGB компоненты пикселов изображения, т.е. данная процедура, сканируя изображение, считывает значения RGB компонент текущего пикселя и записывает в них значение равное 255, если они превосходят заданный порог и 0 в противном случае.

4.9.3. Алгоритм выделения контура

После процедуры пороговой обработки изображения указывается отправная точка. Отправная точка – это точка, у которой ордината совпадает с ординатой верхней точки искомого контура. Эта точка задается пользователем произвольно и от неѐ начинается построение контура.

После указания отправной точки программа обводит контур лица тремя разноцветными линиями. Первая линия обводит непосредственно контур лица. В общем, принцип еѐ построении можно описать следующим образом: берѐтся пиксель изображения соседний с отправной точкой и измеряется угол наклона касательной к нему, который затем сравнивается с углом касательной отправной точки. Значения углов могут быть 0, 45 или минус 45 градусов. Если угол 0 градусов то эта часть контура обводится прямой линией чѐрного цвета, если угол между двумя соседними пикселями составляет 45 градусов то это соответствует изгибу вправо и рисуется линия зелѐного цвета, если угол равен минус 45 градусов – это изгиб влево и рисуется линия красного цвета.

Алгоритм выделения контура, т.е. обводка контура первой цветной линией приведѐн в приложении А.

Координаты найденного контура записываются в массив, который обозначен в программе как x_line, y_line.

Более подробно следует остановиться на функции white_arround. Еѐ вид приведѐн в приложении А.

Собственно эта функция и обводит контур в рабочем окне.

Принцип работы этой функции можно объяснить так: имеется исходный пиксель с координатами х, у, который находится на границе перепада яркости (т.е. на контуре лица). Функция вычитает из координаты х единицу (делает шаг на соседний пиксель слева) и определяет есть – ли вокруг него пиксели белого цвета. Если нет, то функция

165

вычитает из координаты х единицу, а к координате у прибавляет единицу (ось у направлена в противоположную сторону относительно мировой системы координат) и т.д. в соответствии со схемой приоритетов, пока не найдѐт пиксель у которого имеется соседний пиксель белого цвета. Функция соединяет его линией определѐнного цвета (см. выше) с исходным. И так до тех пор пока не будет достигнута граница рабочего окна.

4.9.4. Алгоритм построения производной и кривой скользящей средней

Вторая линия – это производная от первой. Еѐ цвет равен производной от цвета первой линии. Она рисуется, для того чтобы построить третью, т.н. скользящую среднюю линию.

Среднескользящую линию математически можно описать формулой:

k 5

пикселя;

c[k] – значение яркости пикселя; n – нормировочное число.

Алгоритм построения и вывода на экран скользящей средней приведѐн в приложении А

На рисунке 4.11. представлен результат работы алгоритма.

166

Рис. 4.11.

4.9.5 Пороговая фильтрация скользящей средней и определение координат реперной точки

Далее пользователем устанавливается порог для скользящей средней линии.

167

Рис. 4.12

На рис. 4.12. представлен результат установки порога на скользящую среднюю линию. Получаются предполагаемые области нахождения реперных точек которые выделяются красным цветом. Могут возникнуть такие ситуации, когда получается более двух областей похожих на реперные точки. Поскольку пользователь заранее знает где находятся эти точки, то для первого кадра съѐмки он сам выбирает область изображения, соответствующую искомым реперным точкам. Если же подобная ситуация возникнет в ходе выполнения дальнейшего цикла, программа либо возьмѐт точку, координаты которой

ближе к координатам реперной точки предыдущего кадра, либо, если подозрительная область находится посередине настоящих реперных точек, потребует заново переустановить порог для скользящей средней.

После выделения контура и нахождения реперных точек программа определяет их координаты.

168

ЗАКЛЮЧЕНИЕ

Медицинская наука в последнее время все интенсивнее изучает вопросы применения компьютерной техники для обработки больших потоков информации. На сегодняшний день известно много вариантов применения ЭВМ для формирования историй болезни, учетно-отчетной документации, дифференциальной диагностики, статистического анализа, прогнозирования течения заболеваний. Медицинские приложения ЭВМ условно можно разделить на шесть уровней:

-коммуникация и ввод данных;

-хранение и поиск;

-автоматизация и вычисления;

-распознавание и диагностика;

-лечение и управление;

-исследование и разработка.

К медицинским приложениям первого и второго уровня относятся интеллектуальные системы, ориентированные на использование в больницах, амбулаториях, аптеках, библиографические системы, а также системы хранения видеоданных (рентгенограмм). Примерами медицинских приложений третьего уровня являются системы автоматизированной регистрации и анализа физиологических сигналов, изображений, рентгенографии. В последнее десятилетие подобные системы получили широкое распространение, что связано с большой популярностью ЭВМ. Четвертый и пятый уровень представлены системами медицинской диагностики и принятия решений. Указанные системы основаны на логических и статистических моделях или используют методы искусственного интеллекта. Чрезвычайно актуальной проблемой является создание автоматизированных систем диагностики, представленных на стыке третьего и шестого уровней. При этом врач, решая некоторую проблему, обретает функции исследователя, апробируя и оценивая новые медицинские методы, основанные на перспективных научных технологиях в различных областях медицины. В частности, это относится к стоматологическим исследованиям. Известно, что при утрате большого количества зубов возникают ситуации, когда отсутствуют определяющие антропометрические ориентиры позволяющие врачу с достаточной степенью верности воссоздать утраченные параметры зубочелюстной системы. В таких ситуациях необходима подборка различных вариантов имеющихся данных для наиболее объективного их анализа.

Известные фотометрические методы исследования позволяют в статике и динамике наблюдать за ростом и формированием лица в процессе ортодонтического лечения. Количественная оценка позволяет сравнить качественные изменения в строении и форме лица в норме и патологии. При этом используются черно-белые и цветные фотографии, диапозитивы, диафильмы и кинофильмы. На лице пациента обозначают специальные точки, анализ которых позволяет судить о величине и траектории изменений положения элементов лица и одновременно учитывать незначительные повороты головы. Обработка фотоматериалов проводится измерительным инструментом вручную и чрезвычайно трудоемка.

Одним из наиболее значимых достижений в автоматизации стоматологических научных

169

исследований явилось применение регистрирующих компьютерных систем с целью анализа движений

нижней челюсти. Так, известно использование внеротового и внутриротового пантографа для регистрации движений нижней челюсти. Электронно-компьютерный пантограф по сравнению с механическим сократил время затрат с часов до нескольких минут. Он фиксирует трехмерное движение электронных штифтов, связанных со стержневыми осями и мандибулярными фиксаторами, в то время, когда пациент двигает челюстью. Компьютер анализирует информацию и немедленно вычисляет данные индивидуальных деталей для адаптированного артикулятора. Привлечение некоторых дополнительных данных, например анализаторов звуковых колебаний, позволило провести анализ результатов протезирования беззубых больных и сделать некоторые выводы в определении центрального соотношения челюстей. Существенным недостатком указанных подходов является достаточная сложность и, что самое главное, неточность ручных измерений, снижающая эффективность оригинальной методики покадрового исследования процесса движения. Рациональная методика диагностики динамических характеристик зубочелюстной системы должна строиться при выполнении самых ответственных этапов исследования на естественном жевательном аппарате без какого-либо воздействия извне.

Поэтому чрезвычайно важно использование регистрирующих компьютерных систем как для получения более объективной информации о170функциональном состоянии зубочелюстной169 системы, так и для автоматизации процесса расчета результатов измерений.

В целях повышения эффективности и качества диагностики функциональных характеристик зубочелюстной системы предлагался автоматизированный процесс съема и обработки динамического набора координат (например, движения нижней челюсти), позволяющий проводить измерения бесконтактным способом и получать более достоверную информацию о физиологическом состоянии элементов зубочелюстной системы. В основу данного метода положены разработка и применение специализированной автоматизированной СТЗ для диагностики функциональных характеристик зубочелюстной системы, в частности центральной окклюзии, на основе ПЭВМ, совмещенной с телевизионной установкой, и гибкой программной среды обработки экспериментальных данных.

Необходимо отметить, что обработка изображений - быстро развивающееся новое научное

направление с чрезвычайно широким полем потенциального применения. Системы обработки и анализа видеоданных в нашей стране объединяют под названием автоматизированных систем обработки изображений (АСОИ, частью которых является и СТЗ). За рубежом область применения АСОИ для обработки биомедицинских данных называют медицинской визуализацией. Компьютерные системы обработки изображений требуют предельных технических характеристик аппаратных средств вычислительной техники (быстродействия, емкости оперативной и видеопамяти и т.д.), и до недавнего времени были достоянием только крупных научно-исследовательских центров.

Появление персональных компьютеров позволяет переместить центр тяжести на создание специализированных систем настольной обработки изображений. Наступает новая стадия развития АСОИ. При этом компьютер оснащается дополнительными устройствами расширения и превращается в настольную рабочую станцию. Системы медицинской визуализации применяются в микробиологии и цитологии (анализ снимков с микроскопов, анализы крови, хромосомный анализ), рентгенологии, ультразвукоскопии, инфраскопии (обработка двух и трехмерных изображений внутренних органов, анализ распределения температур тела, томография), сравнительных исследованиях (идентификация отпечатков пальцев, идентификация состояний больных). При этом медицинская визуализация позволяет получать как качественную информацию (например, о форме, общем состоянии органа и типе ткани), так и количественные сведения (например, о размерах органа и т.п.). Использование АСОИ в задачах медицинского диагностирования для получения (с помощью рентгеновских лучей, ультразвука, компьютерной томографии, ядерного магнитного резонанса, цифровой ангиографии) и анализа изображений позволяет: значительно повысить информативность и качество регистрируемой информации, что приведет повышению достоверности постановки диагноза; существенно снизить вмешательство в организм пациента, уменьшив суммарную дозу облучения, и время обследования; создавать компактные с возможностью быстрого доступа и передачи по каналам связи архивы (банки) изображений на магнитных носителях, связанные с текстовыми медицинскими документами (медицинскими картами); получать принципиально новые диагностические данные за счет возможности совершать большой набор операций с изображениями (например, контрастировать, увеличивать отдельные фрагменты, вычитать фон, накладывать, сравнивать, определять геометрические параметры изображений), что во многих случаях повышает обоснованность любого медицинского диагноза.

Принципиальным шагом вперед в области диагностирования является кинематизация изображений, т.е. возможность легко манипулировать наборами данных, полученными в различные моменты времени (например, наблюдать динамику изменения некоторого органа и одновременно контролировать показания необходимых датчиков). В США, например, уделяют повышенное внимание применению АСОИ в медицинских исследованиях. Проводятся работы по синтезированию динамических изображений сердечной деятельности, необходимых172 для планирования и оценки возможных исходов хирургических операций на открытом сердце. Проводятся исследования по созданию систем биовизуализации, предназначенных для создания и работы с базами трехмерных изображений для моделирования хирургических операций, элементов конструкций протезов, ортопедических аппаратов и лицевой пластики. Применение методов теории распознавания образов и искусственного интеллекта в задачах обработки изображений позволит автоматически обрабатывать большие массивы видеоданных для выявления определенных патологий, разрабатывать новые методики обследования больных.

Практически любая автоматизированная система обработки экспериментальных (диагностических) данных должна содержать в своем составе подсистему статистической обработки поступающей информации. Обработка данных с использованием статистических методов неотъемлемый компонент любой исследовательской деятельности, и доступность этого средства возрастает с распространением ПЭВМ. Математические методы статистической обработки клинических и экспериментальных данных делятся на три основные группы. Первая группа методов применяется для характеристики (описания) типичной величины какого-либо признака и пределов его колебаний (изменений). Вторая - для установления достоверности различий в сравниваемых группах. Третья группа методов позволяет оценить достоверность и степень зависимости между различными признаками.

Вышеописанные группы методов в сочетании с дополнительными данными клинических исследований откроют возможность получения новых знаний о взаимосвязях и взаимозависимостях элементов173 зубочелюстной системы, что в свою очередь позволит прогнозировать процессы и восстанавливать утраченные функции.

Таким образом, можно объединит описанные структуры автоматизированной системы обработки изображений для диагностики функциональных характеристик зубочелюстной системы, автоматизированного рабочего места врача и систему анализа, обработки и графического представления экспериментальной информации, представленной различными программными средствами в единую модель.

В основу построения аппаратных и программно-алгоритмических средств этих систем заложена идеология, которая позволяет сформировать план обработки визуальной и числовой информации в виде универсальной Среды автоматизированных процессов обработки видеоинформации на основе конвейерной технологии, эффективность применения которой обусловлена высокой мобильностью и гибкостью программного инструментария.

Важным условием успешного развития физиологических основ стоматологии является наличие в арсенале средств совершенных объективных методов исследования.

Применение компьютерной системы обработки изображений бесконтактным способом позволяет объективизировать процесс получения информации о функциональном состоянии зубочелюстной системы, так как исключает мануальный контакт врача - исследователя с пациентом, не зависит от психологического состояния того и другого и от профессиональных знаний и навыков врача. Данный способ диагностики позволяет получить истинную ответную рефлекторную реакцию на раздражитель, которым является тестовый продукт.

Таким образом, основываясь на литературных данных, можно говорить о том, что проблема изучения функционального состояния зубочелюстной системы представляется достаточно актуальной и связана она с разработкой способов и методов получения, накопления и обработки объективной информации.

126

175

9.Апанасович В. В., Лебедев В. И. Генерация изображений на ЭВМ//Республиканская конференция математиков Белоруссии, 29—31 октября 1980 г. Гродно, 1980, ч. I. С. 84.

10.Апанасович В. В., Чернявский А, Ф. Об одном методе моделирования пуассоновского потока случайных событий//Вестн. Белорусского ун-та. Сер. 1, 1982, № 2. С. 3—5.

11.Аркадьев А. Г., Браверман Э. М. Обучение машины классификации объектов. М.: Наука, 1971. 192 с.

12.Арутюнов В. А., Котов177Б. А., Сорокин О. В. Фотоэлектрический линей ный преобразователь «Квант-2»//Электронная промышленность, 1981, вып. 9. С. 23.

13.Арутюнов В. А., Грибов А, С,, Коссов В. Г. Факсимильные линейные ПЗС с повышенным быстродействием//Координатно-чувствительные фотоприемники и оптико-электронные устройства на их

основе. Барнаул, 1985, ч. I. С. 8—9.

14.Афанасьев Г. К., Лебедев В, И. Метод выявления и классификации изображений дефектов изделий электронной техники//Проблемы применения современных радиофизических методов для повышения

эффективности производства и автоматизации научных исследований. Минск. 1981, ч. III. С. 63—74.

15.Афанасьев Г. К., Малашонок В. А., Михайлов В. П, Выполнение опера ций вычитания изображений с помощью фазовой голограммы//Вестн. Белорусского ун-та. Сер. 1, 1979, № 3. С.

61—63.

16.Афанасьев Г. К., Лебедев В. И., Оранский А. М. К измерению расстояния между точкой и

отверстий сложной формы на жидкопленочном преобразователе в миллиметровом диапазоне волн//Радиотехника

и электроника, 1982, т. XXVII, № 9. С. 1849—1851.

24.Белобрагина Л. С., Елисеев В. К. Статистическое исследование алгоритма распознавания машинописных знаков//Кибернетика, 1967, № 6. С. 65—72.

25.Белозерова Л. И., Лапук А. Г., Михайлов-Теплое И. Н. Новый высоко чувствительный видикон ЛИ486//ТКТ, 1981, № 3. С. 47—50.

29.Белячиц А. Ч., Кухарчик П. Д., Семенчик В. Г. Формирование мно гочастотных радиоизображений при сканировании по окружности. Минск: ДАН БССР, 1986, т. XXX, № 7. С. 619—621.

30.Белячиц А. Ч., Кухарчик П. Д., Семенчик В. Г. Формирование радиоизображений при сканировании по окружности. Минск: ДАН БССР, 1984, т. XXVIII, № 2. С. 123—126.

31.Верхаген К., Дейн Р., Грун Ф. Распознавание образов: Состояние и перспективы. М.: Радио и

192с.

35.Роджерс Д. Алгоритмические основы машинной графики. – М.: Мир, 1989. – 504 с.

36.Прэтт У. Цифровая обработка изображений в 2-х книгах. – М.: Мир, 1982. – 781 с.

37.Е.А. Бутаков, В.И. Островский. И.П. Фадеев. Обработка изображений на ЭВМ. – М.: Радио и связь, 1987. – 234 с.

38.Системы технического зрения. // Под редакцией А.Н. Писаревского, А.Ф. Чернявского. – Л.: Машиностроение, 1988. – 409 с.

39.В. Яншин, Г. Калинин. Обработка изображений на языке СИ для IBM PC – М.: Мир, 1994. – 239 с.

40.Б.К.П. Хорн. Зрение роботов. – М.: Мир, 1989. – 483 с.

41.Б.В. Анисимов, В.Д. Курганов, В.К. Злобин. Распознавание и цифровая обработка изображений. – М.: Высшая школа, 1983. – 292 с.

180

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ…………………………………………….…… 2

ГЛАВА 1: ОБЩИЕ ВОПРОСЫ СТРУКТУРНОГО ПОСТРОЕНИЯ СИСТЕМ ТЕХНИЧЕСКОГО ЗРЕНИЯ……… 9

1.1.Основные характеристики систем восприятия изображений

……………………………………………………... 9

1.2.Общие принципы функционирования систем

технического зрения …………………………………………….. 19

1.3.Структурная организация систем технического зрения.. 41

1.4.Особенности алгоритмов преобразования информации в системах технического зрения………………………………….. 60

2.2. Проекции………………………………………………. 92

2.3 Дискретные бинарные изображения…………………. 96

2.4Кодирование с переменной длиной кодовой последовательности……………………………………………….. 97

2.5Бинарные изображения: топологические характеристики 101 2.5.1 Сложные объекты………………………………………. 102 2.5.2 Разметка компонент…………………………………….. 102 2.5.3 Связность……………………………………………….. 104

2.5.4 Последовательный алгоритм разметки……………….. 107

2.6Локальные вычисления и итеративная модификация…. 110

2.6.1 Локальные вычисления………………………………… 111

2.6.2Свойство аддитивности………………………………… 113

2.6.3Итеративная модификация…………………………….. 118

ГЛАВА 3: ОБРАБОТКА ИЗОБРАЖЕНИЙ…………………. 127 3.1 Методы порогового разделения……………………..….. 127 3.2. Построение гистограммы……………………………….. 129 3.3 Пространственная взаимосвязь…………………………. 135 3.4 Сегментация изображений………………………………. 137

4.1Статистичекий метод обнаружения реперных точек…. 143

4.2Согласованная фильтрация и сопоставление с эталоном 144

4.3Обнаружение с использованием признаков изображения 145

4.4Линейные методы контрастирования…………………. 147

4.5Нелинейные методы контрастирования……………..... 149

4.6Предварительная обработка (фильтрация) изображения 151

4.6.1Медианный фильтр…………………………………… 151

4.6.2Подчеркивание границ……………………………….. 152

4.7 Методы, основанные на преобразовании изображения 153

4.7.1 Преобразование Фурье………………………………. 153

4.7.2 Сегментация изображения…………………………… 155

4.7.3 Метод Розенфельда…………………………………… 155

4.8 Решение задачи поиска реперных точек………………. 156

4.8.1 Предварительная обработка (фильтрация)

изображения..……………………………………………………. 157

4.9 Решение задачи выделения контура и определения координат реперных точек……………………………………… 162

4.9.1 Ввод данных и параметров в программу…………… 163

4.9.2Пороговая обработка изображения…………………. 164

4.9.3Алгоритм выделения контура……………………….. 165

4.9.4Алгоритм построения производной и кривой скользящей средней…………………………………………………………… 166

4.9.5Пороговая фильтрация скользящей средней и определение координат реперной точки……………………………………… 167

ЗАКЛЮЧЕНИЕ……………………………………………... 169

БИБЛИОГРАФИЧЕСКИЙ СПИСОК……….…………….. 177