Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Национальный исследовательский ядерный университет «МИФИ»

Факультет «Автоматики и электроники»

Кафедра «Компьютерные медицинские системы»

Научно-исследовательская работа на тему:

«Разработка библиотеки методов предобработки изображения»

Студент группы А9-23: Терещенко Д.П.

Научный руководитель: Кутузова М.А.

Содержание

Содержание 2

Введение 4

1.Постановка задачи 5

1.1Цель работы: 5

1.2Задачи: 5

1.3Исходные данные: 5

2.Предпроектное обследование. 6

2.1Анализ предметной области. 6

2.2Анализ объектной среды 16

3.Требования к системе 17

4.Критерий качества системы 18

5.Концептуальная модель 19

6.Выбор средств разработки. 19

7.Физическая реализация 20

7.1 Загрузка изображения 21

7.2 Линейное усреднение пикселей по соседним 22

7.3 Медианная фильтрация 22

7.4 Размытие по Гауссу 23

7.5 Математическая морфология 24

7.6 Изменение яркости 25

7.7 Изменение контраста 26

7.8 Изменение цветового тона 27

7.9 Фильтр Light-Sharpen 29

7.10Сохранение обработанного изображения 29

8. Тестирование продукта. 30

9. Руководство пользователя 31

10. Руководство разработчика 34

10.1.Вводная часть 34

10.2.Структура библиотеки ImgPreProcessing 36

10.3.Структура программы NIRS9 37

10.4.Использование класса ImgPreProcessing 39

Заключение 42

Список литературы: 43

Глоссарий: 44

Введение

В настоящее время роль и значение обработки изображений в медицине трудно переоценить. Обнаружение опухолей и патологий, объёмов тканей, компьютерная хирургия, диагностика, планирование лечения, изучение анатомической структуры – вот только некоторые из областей, где она используется повсеместно.

Распознавание образов в системах обработки изображений основывается на четырех этапах: предобработка, сегментация, описание, классификация. Этап предобработки играет существенную роль в этом процессе. Изображения низкого качества, содержащие шумы и помехи могут просто не пройти последующие этапы – даже самые мощные алгоритмы распознавания образов имеют свои "минимальные требования" к изображениям.

В ходе настоящей работы разрабатывалась библиотека методов предобработки изображений. На этапе предобработки исходное изображение подвергается преобразованию для улучшения качества. Данный этап включает процедуры фильтрации помех, шумов, контрастирования и реставрации, что может существенно упростить процесс поиска отдельных объектов на изображении.

1. Постановка задачи

1. Цель работы:

Целью данной работы является разработка динамически подключаемой библиотеки DLL, содержащей различные методы предобработки изображений.

1. Задачи:

• Анализ предметной области и объектной среды.

• Разработка требований к системе.

• Выбор критерия качества системы.

• Разработка концептуальной модели системы.

• Физическая реализация.

• Тестирование разработанной системы.

• Разработка методики по работе с системой (руководство пользователя).

• Разработка руководства разработчика.

• Разработка лабораторного практикума.

• Написание отчета по выполненной работе.

1. Исходные данные:

• Изображения клеток крови

• Лекции по курсу СОИвМ и Проектированию компьютерных медицинских систем

• Гонсалес Р., Вудс Р., Цифровая обработка изображений. — М.: Техносфера, 2005, 2006. — 1072 с.

• Лабинская Д.Е., Мартыненко Т.В. Исследование методов предобработки изображений рентгенограмм. — Донецьк, ДонНТУ – 2012, с. 506–511.

2. Предпроектное обследование.

1. Анализ предметной области.

Цель анализа – разработка требований к системе.

Общие положения

Предобработка изображения— процесс улучшения качества изображения, ставящий целью получение максимально точного и адаптированного для автоматического анализа изображения на основе оригинала. Данный этап обработки изображения включает процедуры фильтрации помех, шумов, цветовой коррекции, реставрации.

Среди дефектов цифрового изображения, ведущих к ухудшению его качества, можно выделить следующие виды:

• Цифровой шум

• Цветовые дефекты (недостаточные или избыточные яркость и контраст, неправильный цветовой тон)

• Размытость (расфокусировка)

Цифровой шум изображения— дефект изображения, вносимый фотосенсорами и электроникой устройств, которые их используют. Цифровой шум представляет собой случайные погрешности цвета в каждой точке изображения. Он заметен на изображении в виде наложенной маски из пикселей случайного цвета и яркости.

Для подавления цифрового шума используют следующие методы[3]:

• Линейное усреднение пикселей по соседним

• Медианная фильтрация

• Размытие по Гауссу

• Математическая морфология

Линейное усреднение точекпо соседям - самый простой вид алгоритмов удаления шума. Основная идея их в том чтобы брать среднее арифметическое значение точек в некоторой окрестности в качестве нового значения точки.

Физически такая фильтрация реализуется с помощью обхода пикселей изображения матрицей свертки, имеющей такой вид:

Рисунок 1. Матрица свертки фильтра Blur (размер 3x3)

Медианный фильтрпредставляет собой оконный фильтр, последовательно сканирующий изображение, и возвращающий на каждом шаге один из элементов, попавших в окно (апертуру) фильтра. Выходной сигнал скользящего медианного фильтра шириной 2n+1 для текущего отсчета k формируется из входного временного ряда в соответствии с формулой:

где Xm – элементы вариационного ряда, т.е. ранжированные в порядке возрастания значений:

Таким образом, медианная фильтрация осуществляет замену значений отсчетов в центре апертуры медианным значением исходных отсчетов внутри апертуры фильтра.

Размытие по Гауссу— это свертка изображения с функцией, где параметр σ задает степень размытия, а параметр A обеспечивает нормировку. Фактически, это то же усреднение, только пиксель смешивается с окружающими по определенному закону, заданному функцией Гаусса. Матричный фильтр, посчитанный по указанной формуле, называется гауссианом; чем больше его размер, тем сильнее размытие (при фиксированном σ). Поскольку данный фильтр сепарабелен, то есть представим в виде, то свертку можно производить последовательно по строкам и по столбцам, что приводит к значительному ускорению работы метода при больших размерах фильтра. Вблизи границ (контуров на изображении) такой фильтр применять нельзя, чтобы не смазать детали изображения. Как следствие вдоль границ остается зашумленный контур.

Физически такая фильтрация реализуется с помощью обхода пикселей изображения матрицей свертки, имеющей такой вид:

Рисунок 2. Матрица свертки фильтра Gaussian (размер 5x5)

Морфология (от греч. morphe – форма) может расшифровываться как «форма», «структура». Математическая морфология предназначена для исследования структуры некоторых множеств однотипных объектов. Любое изображение в компьютерной графике также обычно представляется в виде набора пикселов, поэтому операции математической морфологии могут быть применены и к изображению.

Входными данными для аппарата математической морфологии являются два изображения: обрабатываемое и специальное, зависящее от вида операции и решаемой задачи – структурный элемент. Структурный элемент - это некоторое двоичное изображение (геометрическая форма – shape). Он может быть произвольного размера и произвольной структуры.Как правило, структурный элемент много меньше обрабатываемого изображения, а его пиксели установлены в единицы.Чаще всего используются симметричные элементы, как прямоугольник фиксированного размера (BOX(l,w)), или круг некоторого диаметра (DISK (d)). В каждом элементе выделяется особая точка, называемаяначальной(origin). Она может быть расположена в любом месте элемента, хотя в симметричных это обычно центральный пиксел.

Рисунок 3. Различные виды структурных элементов.

Перед выполнением морфологической операции выходное изображение заполняется нулями, образуя полностью черную поверхность. Затем осуществляется зондирование (probing) или сканирование исходного изображения пиксель за пикселем структурным элементом. Для зондирования каждого пикселя на изображение «накладывается» структурный элемент так, чтобы совместились зондируемая и начальные точки. Затем проверяется некоторое условие на соответствие пикселей структурного элемента и точек изображения «под ним». Если условие выполняется, то на результирующем изображении в соответствующем месте ставится 1 (в некоторых случаях будет добавляться не один единичный пиксель, а все единицы из структурного элемента).

Необходимо отметить, что при сканировании изображения осуществляется выход за его границы, при этом все «внешние» пиксели имеют нулевые значения.

Данные, необходимые для выполнения операций:

A – исходное бинарное изображение.

B – структурный элемент.

C – выходное бинарное изображение, инициализированное нулевыми значениями..

Операции математической морфологии:

• Наращивание (Dilation)

Обозначается как

Во время сканирования A, если начальная точкаBсовмещается с пикселем, имеющим значение 1, то пиксели изображенияCв области, соответствующей текущему положениюB, принимают значение, равноедизъюнкции (логическому ИЛИ) значений соответствующих пикселейAиB, т.е. заполняются единицами.

Рисунок 4. Таблица истинности дизъюнкции

Эту же операцию можно провести другим способом – при сканировании A, пиксель изображенияC, соответствующий текущему положению начальной точки B, принимает максимальное из всех значений пикселей изображенияA, находящихся под областьюB:

C=Dilation(A,B):C(x,y) =max(A(x+x',y+y') ), гдеx' иy' – координаты пикселя относительно начальной точкиB.

В этом случае значения пикселей структурного элемента теряют своё значение, т.к. он используется только для ограничения области, в которой происходит поиск пикселя с максимальным значением. При выполнении наращивания цветного изображения анализируется и, следовательно, изменяется значение каждой цветовой компоненты пикселя.

• Эрозия (Erosion)

Обозначается как

Во время сканирования A, если область изображения совмещается с B, и значения всех пикселей в этой области не равны 1, пиксель исходного изображения, расположенный под начальной точкойB, принимает значение, равноеконъюнкции (логическому И) своего значения и значения соответствующего пикселя изображенияC, т.е. заполняется нулем.

Рисунок 5. Таблица истинности конъюнкции.

Эту же операцию можно провести другим способом – при сканировании A, пиксель изображенияC, соответствующий текущему положению начальной точки B, принимает минимальное из всех значений пикселей изображенияA, находящихся под областьюB:

C=Erosion(A,B):C(x,y) =min(A(x+x',y+y') ), гдеx' иy' – координаты пикселя относительно начальной точкиB.

В этом случае значения пикселей структурного элемента теряют своё значение, т.к. он используется только для ограничения области, в которой происходит поиск пикселя с минимальным значением. При выполнении наращивания цветного изображения анализируется и, следовательно, изменяется значение каждой цветовой компоненты пикселя.

• Замыкание (Closing)

Замыкание бинарного изображения А структурным элементом В обозначается и задается выражением:

Операция представляет собой последовательное выполнение наращивания и эрозии. Она «закрывает» небольшие внутренние «дырки» в изображении, а также позволяет убрать углубления по краям области.

• Размыкание (Opening)

Размыканием бинарного изображения А структурным элементом В обозначается и задается выражением:

Операция представляет собой последовательное выполнение эрозии и наращивания. Размыкание отсеивает все объекты, меньшие чем структурный элемент, но при этом помогает избежать сильного уменьшения размера объектов. Также размыкание идеально подходит для удаления линий, толщина которых меньше, чем диаметр структурного элемента. Кроме того, после этой операции контуры объектов становятся более гладкими.

Цветокоррекция— это такое преобразование изображения, объекта или фрагмента, когда новый цвет обрабатываемого пикселя зависит от старого значения этого пикселя и не зависит от соседних пикселей. Цветокоррекция применяется для изменения яркости, контраста или цветового тона изображения.

Изменение яркости позволяет, говоря в терминах визуального восприятия, сделать изображение светлее или темнее. Повышение/снижение яркости – это, соответственно, сложение/вычитание значения яркости с некоторым фиксированным значением (в пределах от 0 до 255). Триплет {R,G,B} преобразованием яркости с параметромKпреобразуется в {KR,KG,KB}.

Задача контрастирования заключается в изменении диапазона яркостей

[,] изображения. Контрастирование можно осуществить при помощи линейного поэлементного преобразования вида:

,

параметры которого иопределяются желаемыми значениями  минимальнойи  максимальнойвыходной яркости. Решив систему уравнений:

относительно параметров преобразования  и, нетрудно привести формулу преобразования к виду:

Кроме того, при выполнении контрастирования можно воспользоваться формулой с одним параметром – коэффициентом . Второй параметротносится напрямую к изменению яркости всех пикселей изображения и не является необходимым.

Изменение цветового тона изображения производится сложением/вычитанием параметра с выбранным цветовым каналом (компонентой) всех пикселей изображения.

Причиной размытости изображений могут быть различные факторы. Это может быть перемещение камеры в процессе захвата изображений, большое время экспозиции, расфокусировка, атмосферная турбулентность, рассеяние света в конфокальных микроскопах и т. д.

Одним из способов улучшения качества размытого изображения является применение к нему фильтра "Sharpen", присутствующего во многих графических редакторах. Фильтр использует следующую матрицу свертки:

Рисунок 6. Матрица свертки фильтра Sharpen (размер 3x3)

Она может быть заменена на аналогичную с меньшим количеством влияющих пикселей, для того чтобы уменьшить эффект, накладываемый на изображение. Это может быть полезным, если в необходима большая точность:

Рисунок 7. Матрица свертки фильтра Light-Sharpen (размер 3x3)

Обзор существующих систем

Средства, описанные выше, давно не являются специфическими и реализованы практически во всех растровых графических редакторах. Многие из них предлагают также более богатый функционал и используют более сложные алгоритмы. Однако, их всех объединяет один недостаток (применительно к системе распознавания образов) – эти решения поставляются в виде отдельного ПО (зачастую проприетарного и дорогостоящего).

Например, одна из самых популярных программ для обработки изображений AdobePhotoshop10.0 (стоимость полной версии – 26000 руб.) реализует 11 фильтров для размытия, 5 фильтров для резкости и 4 фильтра для уменьшения шума.

Специализированные инструменты (такие как программа Neat Image v7) разработаны специально для уменьшения шумов и показывают отличные результаты, но их интеграция в систему распознавания образов невозможна.

В ходе анализа предметной области не было найдено ни одной программы, которая бы представляла собой динамически подключаемую к проекту библиотеку DLL. Отсутствие сопоставимых аналогов представляет собойнерешенную проблему. В качестве ее решения предлагается разработать собственную библиотеку, решающую возложенные на нее задачи.