Санкт-Петербургский Государственный Электротехнический Университет «ЛЭТИ» Кафедра Биотехнических Систем
Автоматизированный анализ изображений
Анна Юрьевна Виллевальде
к.т.н., доц.
4. Анализ признаков изображений
Анализ изображения – это вид преобразования изображения, цель которого – посредством оценки тех или иных параметров анализируемых изображений (информативных признаков) выявить характерные особенности изображения, обеспечивающие возможность отнесения изображения к тому или иному классу
(например, для медицинских изображений – норма, патология, степень патологии).
Трудности:
•Существует множество различных способов получения медицинских изображений одного и того же ОИ, поэтому результаты анализа изображений, полученных разными способами и, следовательно, отличающихся по своей структуре и свойствам, могут оказаться трудносопоставимыми.
•Как правило, четкие критерии нормы и патологии отсутствуют (существуют лишь среднестатистические показатели с весьма размытымиграницами).
Автоматизированный анализ изображений |
2 |
4. Анализ признаков изображений
Задачи анализа изображений:
1.Выявление характерных параметров изображений, наиболее полно отражающих интересующие исследователя особенности присутствующих на нем объектов – информативных признаков.
2. Оценка или измерение этих признаков.
3.Классификация изображений (объектов на изображениях) в соответствии с выбранными признаками.
При анализе медицинских изображений оценивать выбранные параметры этих изображений можно, «внедрившись» в различные подсистемы БТС медицинской визуализации.
Процесс анализа изображения аналогичен последовательности процедур в зрительной системе исследователя при диагностике по медицинским изображениям. На этапах обнаружения, распознавания и идентификации объектов на медицинском изображении выделяются и оцениваются диагностические признаки, информативные для исследователя.
Автоматизированный анализ изображений |
3 |
4. Анализ признаков изображений
Анализ медицинских изображений производится в 3 этапа:
1. Разработка математических моделей информативных признаков.
2.Разработка практической функциональной структуры, реализующей эти модели.
3.Разработка аппаратных средств реализации этой функциональной структуры.
Анализ двумерного статического монохроматического цифрового изображения
BA(x, y) = fA (B(x, y)),
BA(x, y) => {A1, A2,…, Ai}
где BA(x, y) – изображение, полученное в результате анализа; fA – преобразование, реализующее анализ изображения;
B(x, y) – исходное изображение;
{A1, A2,…, Ai} – признаки, полученные в результате анализа изображения.
Автоматизированный анализ изображений |
4 |
4. Анализ признаков изображений
Информативными признаками (или просто признаками) изображения называют определяющие (для решения конкретной задачи) отличительные
свойства/ параметры/ характеристики изображения, по которым может осуществляться его анализ.
Информативность признаков определяется, исходя из поставленных задач анализа изображения, которые, в свою очередь, зависят от конечной цели преобразований.
Основное требование к признакам: сочетание высокой информативности и сравнительно низкой размерности.
Признаки:
•естественные, которые могут оцениваться при восприятии изображения
зрительной системой человека (например, яркость, форма контуров объектов на
изображении), соответствуют экзогенным факторам зрительного восприятия;
•искусственные, которые определяются с помощью специальных изменений
и/или измерений изображения (например, гистограмма распределения яркостей, спектр пространственных частот изображения).
Выделяют признаки-действительные числа и признаки-функции.
Если целью преобразования медицинского изображения является повышение эффективности его зрительного восприятия, то основное внимание при анализе должно уделяться естественным признакам изображения.
Автоматизированный анализ изображений |
5 |
4.1. Признаки в пространственной области 4.1.1. Геометрические признаки изображений
Геометрические признаки изображений – признаки, расчет которых основан на использовании геометрических характеристик представленных на изображении объектов.
Геометрические признаки:
•метрические признаки, характеризующие метрические (размерные) свойства объектов на изображениях;
•топологические признаки, характеризующие их топологические свойства.
11,7 мм
666,8 мм2
10,8 мм
Важность определения геометрических признаков медицинских изображений связана с такими задачами, как определение размеров, формы и расположения относительно окружающих частей изображения (например, органов) объектов интереса врача: новообразований, линий переломов, микроорганизмов и др., а также отслеживание изменений этих признаков.
Автоматизированный анализ изображений |
6 |
4.1. Признаки в пространственной области 4.1.1. Геометрические признаки изображений. Метрические признаки
Метрические признаки изображений:
•геометрические размеры объектов на изображении по вертикали или горизонтали;
•расстояние между наиболее удаленными точками на изображенном объекте;
•периметр и площадь изображенного объекта;
•компактность объекта (соотношение между его периметром и площадью);
•числовые характеристики описанных вокруг объекта на изображении или вписанных в него геометрических фигур (окружностей, многоугольников и т. д.);
•признаки, связанные с представлением геометрии контура объекта.
* HU=Hounsfield units
Автоматизированный анализ изображений |
7 |
4.1. Признаки в пространственной области 4.1.1. Геометрические признаки изображений. Метрические признаки
Расстояние между точками
Расстояние между точками на плоскости изображения – Наиболее простым метрическим признаком изображений, вещественная функция d{(xi, yi), (xj, yj)} координат двух точек (xi, yi) и (xj, yj), обладающая следующими свойствами:
d{(xi , yi );(x j , y j )} 0
d{(xi , yi );(x j , y j )} d{(xj , y j );(xi , yi )}
d{(xi , yi );(x j , y j )} d{(xi , yi );(xk , yk )} d{(xi , yi );(xk , yk )}
Метрики, которые обычно применяются при анализе изображений:
•евклидово расстояние |
dE (x |
i |
x |
j |
)2 ( y |
k |
y |
j |
)2 |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
•абсолютное расстояние |
dM |
xi x j |
yk y j |
|
|
|
|
|
|
||||||||
|
|
max xi |
|
|
|
|
|
|
|
|
|
||||||
•максимальное расстояние |
dX |
x j |
|
, |
|
yk |
y j |
|
|||||||||
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Установив метрику, можно найти различные метрические признаки изображения (площадь, периметр и т.д.).
Следует учитывать, что для цифровых изображений разности координат представляют собой целые числа, а евклидово расстояние обычно нецелочисленное; округление в этих случаях приводит к ошибкам определения расстояния.
Автоматизированный анализ изображений |
8 |
4.1. Признаки в пространственной области 4.1.1. Геометрические признаки изображений. Метрические признаки
Метод Монте-Карло
Площадь объекта на изображении можно приблизительно определить с помощью метода Монте-Карло.
Пусть неизвестна площадь объекта сложной |
|
|
формы на изображении A. |
AS |
|
Впишем этот объект в простую геометрическую |
||
|
||
фигуру, площадь которой легко вычислить, |
|
|
например в прямоугольник площадью AS. |
A |
|
Представим, что площадь прямоугольника (и |
|
|
площадь вписанного в него объекта) |
|
|
равномерно покрывается слоем снега. |
|
Для моделирования снегопада применяется генератор случайных чисел, задающих координаты «снежинок». В этом случае количество «снежинок» N, которые упали на объект, будет пропорционально количеству «снежинок» M, которые упали в контур прямоугольника.
A N |
|
|
|
A |
N |
||
AS M |
M |
AS |
|
Точность определения площади объекта методом Монте-Карло зависит от количества снежинок, упавших в прямоугольник.
Автоматизированный анализ изображений |
9 |
4.1. Признаки в пространственной области 4.1.1. Геометрические признаки изображений. Метрические признаки
Пороговое разделение
Периметр и площадь объектов на изображении удобно находить для бинарных изображений, т. е. изображений с двумя градациями яркости, например для черно-белых.
Бинарное изображение можно получить из исходного полутоновогос помощью порогового разделения исходного изображения.
Исходное |
Преобразованное |
Гистограмма изображения |
|
изображение |
изображение |
||
|
|||
|
|
Пороговый |
|
|
|
интервал |
0 |
166 |
255 |
Пороговое разделение: яркость изображения B(x, y) полагается равной 0 в точках, где она больше некоторого порогового значения («фон»), и 1, где она не превосходит его («объект»), или наоборот.
Автоматизированный анализ изображений |
10 |