![](/user_photo/2706_HbeT2.jpg)
- •1(Часть 1) Разделы дисциплины.
- •1.1Биометрия
- •1.2Этапы истории
- •2Предмет и основные понятия биометрии
- •2.1Группировка первичных данных
- •2.2Признаки и их свойства.
- •2.3Классификация признаков
- •2.4Причины варьирования результатов наблюдений
- •2.5Точность измерений и действия над приближенными числами
- •2.6Способы группировки первичных данных
- •2.7Статистические ряды.
- •2.8Графики вариационных рядов
- •2.9Особенности биообъекта и экспериментальных данных о его свойствах и состоянии. Основные источники медико-биологических данных.
- •3Общая характеристика биологических сигналов и медико-биологических данных
- •3.1Случайный сигнал и случайная величина
- •3.2Одномерные случайные сигналы. Функция распределения и плотность вероятности
- •3.3Усреднение. Моменты случайной величины
- •3.4Равномерное распределение случайной величины
- •3.5Гауссово (нормальное) распределение
- •3.6Статистические характеристики систем случайной величины (Многомерные сигналы)
- •3.7Функция распределения и плотность вероятности.
- •3.8Вычисление моментов
- •3.9Корреляция
- •3.10Статистическая независимость случайных величин.
- •3.11Многомерное Гауссово распределение.
- •3.12Случайные процессы.
- •3.12.1Предварительная обработка сигналов.
- •3.12.2Моментальные функции случайных процессов.
- •3.12.3Взаимная функция корреляции двух случайных процессов.
- •3.13Помехи и их математические модели.
- •3.13.1Виды аддитивных помех.
- •3.13.2Законы распределения помех.
- •3.13.3Отношение сигнала помехи на прмере гауссовских помех.
- •4Основные понятия теории обнаружения сигнала
- •4.1Проверка статистических гипотез.
- •4.2Критерий Неймана-Пирсона.
- •4.3Алгоритмы обнаружения.
- •5Фильтрация сигналов
- •5.1Временная фильтрация.
- •5.2Частотная фильтрация.
- •5.3Связь между фильтрацией и сверткой.
- •5.4Физически реализуемые линейные фильтры частоты.
- •5.5Идеальный фильтр.
- •5.6Реализуемые непрерывные аналоговые фильтры.
- •5.7Узкополосные фильтры.
- •5.8Оптимальная фильтрация.
- •6(Часть 2) Корреляционный анализ
- •6.1Функциональная зависимость и корреляция
- •6.2Параметрические показатели связи. Коэффициент корреляции
- •6.3Вычисление коэффициента корреляции при малых выборках
- •6.4Минимальный объем выборки для точной оценки коэффициента корреляции
- •6.5Вычисление коэффициента корреляции при больших выборках
- •6.6Оценка разности между коэффициентами корреляции
- •7Качественное описание задач распознавания
- •7.1Основные задачи построения системы распознавания
- •7.2Параметрические и непараметрические методы и критерии
- •7.3Параметрические критерии
- •7.4Непараметрические критерии
- •7.5Статистические методы классификации многомерных наблюдений
- •7.6Минимаксный критерий
- •8Вопросы планирования исследований
- •8.1Приближенные оценки основных статистических показателей
- •8.2Определение необходимого объема выборки
- •9Типы медицинских изображений. Способы их обработки
- •9.1Иднтификация пространственных объектов. Схема этапов распознавания
- •9.2Обработка точечных изображений
- •9.3Моделирование процесса идентификации точечных изображений на эвм
- •9.4Основные принципы цифровых операций над изображениями
- •9.5Операции над изображениями. Хранение и представление изображений.
- •9.6Цветные изображения
- •9.7Окружающие и примыкающие пиксели
- •9.8Основные требования к аппаратуре
- •9.9Устройства ввода изображений
- •9.9.1Видеокамеры
- •9.9.2Насадки
- •9.9.3Другие устройства ввода изображений
- •9.10Устройства вывода изображений на дисплей
- •9.11Процессоры
- •9.12Критерий полезности признаков при распознавании объектов
- •9.13Геометрическая модель биологических данных. Система геометрических признаков при распознавании объектов
- •9.14Простые методы обработки изображений
9.3Моделирование процесса идентификации точечных изображений на эвм
Во многих случаях работу алгоритмов идентификации апробируют на ЭВМ без использования натуральной информации. Например, при радиологических наблюдениях можно использовать гипотезу о распределении патологических явлений по закону Пуассона. Тогда в памяти ЭВМ с помощью датчика случайных чисел, равномерно распределенных в диапазоне от нуля до единицы, возможно формирование пуассоновских полей нужных размеров с заранее задаваемыми плотностями оценок.
Из этих полей выделяют соответствующие кадры помех, нелинейных искажений и т.п.
9.4Основные принципы цифровых операций над изображениями
Все виды компьютерных операций делятся на четыре группы:
Обработка изображения.
Анализ.
Реставрация.
Реконструкция.
Обработка изображения– это тонкая операция над изображением, при котором в результате его изменения, получаются новое, в чем-то лучшее, чем оригинал.
В качестве примера можно привести использование цвета или выделение контуров в рентгеновских снимках. Это позволяет клиницистам рассматривать детали изображения.
Обработка изображений используется для решения многих биомедицинских задач и в процессе анализа изображений.
Анализ изображений – это процесс извлечения из изображения количественной или качественной информации. В большинстве случаев этому процессу предшествует обработка изображения. Она называется предобработкой и используется для выделения деталей изображения, которые будут в дальнейшем анализироваться компьютером.
Анализ изображения применяется тогда, когда необходимо подсчитать большое число элементов (например, количество эритроцитов).
Т.к. при визуальном подсчете часто допускаются ошибки и наблюдается большой разброс данных. В этих случаях компьютерный анализ изображения обеспечивает надежность и воспроизводимость результатов, а также существенно экономит время.
Реставрация изображений – восстановление поврежденного или плохого изображения. Этот метод используется тогда, когда известны причины ухудшения изображения. Примером реставрации изображения служит улучшение рентгеновских снимков в тех случаях, когда они оказались смазанными из-за движения пациента.
Реконструкция изображения – это процесс создания двумерных изображений или их набора по данным, получаемым в каком-либо другом виде.
В качестве примера можно привести получение проекции при компьютерной томографии.
9.5Операции над изображениями. Хранение и представление изображений.
Для того чтобы изображение можно было обработать или проанализировать, его заносят в какой-либо участок памяти компьютера. Для этого каждой точке изображения присваивается определенное число, соответствующее ее уровню яркости, такое преобразование изображения называют оцифровкой. При оцифровке все изображение разбивают на множество мелких элементов (пикселей), а для каждого из них вычисляют уровень яркости.
2 |
5 |
6 |
4 |
3 |
4 |
5 |
8 |
7 |
8 |
1 |
7 |
9 |
5 |
8 |
9 |
2 |
4 |
7 |
3 |
При этом получается массив чисел, который компьютер преобразовывает, анализирует и выдает в результате какие-либо новые количественные данные или новые изображения. При обработке и анализе изображений пиксели нумеруются сверху вниз и слева направо.
Однако в некоторых компьютерных графических системах нумерация ведется снизу вверх и слева направо. Объем памяти, необходимый для заполнения пикселя, зависит от градации яркости, использованных в каждом конкретном случае. Если на каждый пиксель отводится n бит, то уровни яркости принимают значения от 0(наименьший уровень яркости, принято считать, что это черный)до 2n-1(максимальный уровень яркости – белый).
Обычно для представления изображений используют шесть или восемь бит на пиксель, т.е. 64 или 256 уровней яркости соответственно. Если при хранении изображения используется один бит на пиксель, то уровень яркости каждой точки обозначается как 0 или 1. При этом использует либо абсолютно черный, либо белый цвета без серых оттенков. Такие изображения называют двоичными. Изображения, в которых имеются промежуточные серые оттенки, называются градуированными по яркости. Число уровней яркости в таких изображениях называют их яркостным разрешением.
Под пространственным разрешением изображения понимают число оцифрованных точек оригинального изображения, т.е. число пикселей, приходящихся на каждую проекцию изображения. В настоящее время используются системы с проекционным разрешением от 256 на 256 и до 4096 на 4096 пикселей и 64 уровня яркости. Данные об изображении обычно занимают большой много места в памяти компьютера, поэтому объем памяти машин, решающих подобные задачи должен быть большим.