- •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
9.9Устройства ввода изображений
Для того, чтобы оптическое изображение можно было записать в память и обработать, его необходимо сначала преобразовать в электрические сигналы, которые затем должны быть оцифрованы. Для этого используются самые различные устройства. Однако гораздо чаще других в качестве универсального прибора для систем обработки и анализ изображений используется видеокамера.
9.9.1Видеокамеры
Видеокамеры универсальны и просты в обращении. С их помощью можно оцифровывать уже выполненные двумерные изображения (фото), а также трехмерные образы и эпизоды. Кроме того видеокамеру можно присоединить к различным приборам, например, к световому микроскопу.
Однако видеокамеры обычно не обладают прямым цифровым выходом, поэтому их необходимо доукомплектовывать оцифровывающим устройством. Это устройство включено в накопитель кадра.
9.9.2Насадки
Это сравнительно дешевые кольца, которые помещаются между камерой и дополнительной линзой для уменьшения фокусного расстояния. Они применяются в тех случаях, когда объект должен находится на расстоянии менее двадцати сантиметров, например, при исследовании мелких объектов или оцифровки фотодиапозитивов.
Для получения качественных изображений необходима хорошая осветительная аппаратура и полный набор качественных линз.
9.9.3Другие устройства ввода изображений
Наиболее распространенным является универсальный прибор – микроденситометр. При его использовании фотоснимок или другое плоскостное изображение сканирует, причем пространственное и яркостное разрешение может быть очень высоким (более 1024х1024х8 бит).
Однако подобные устройства обладают минусами:
С их помощью можно вводить лишь плоскостное изображение.
Наладка самой установки занимает много времени.
Сканирование с помощью микроденситометра – длительная процедура.
Такие приборы могут иметь как цифровой, так и аналоговый выходы. В последнем случае необходим блок оцифровки. Им может служить недорогой АЦП.
9.10Устройства вывода изображений на дисплей
Обычно для вывода изображений применяются стандартные видеомониторы с высоким разрешением. В таких видеомониторах используются стандартные электроннолучевые трубки с длительным послесвечением, что позволяет понизить мигание изображения при пробеге луча электронов по экрану.
Вертикальное разрешение растровых дисплеев определяется числом строк в растре. Существуют мониторы с 1024 горизонтальными строками. Однако они дороги. Новые перспективы в этой области открываются с разработкой дисплеев на жидких кристаллах.
9.11Процессоры
Используют для обработки и анализа изображения. Бывают разными по размерам и мощности. За рубежом используют и суперкомпьютеры Cray2, Cyber205. Время, необходимое для обработки изображений, зависит от сложности этой обработки и имеющейся аппаратуры и составляет от долей секунды до нескольких часов. В тех случаях, когда нет возможности использовать сверхмощные машины, для понижения этого времени применяют дополнительные аппаратные устройства для обработки изображений.
9.12Критерий полезности признаков при распознавании объектов
Выделение наиболее информативных (полезных) признаков при синтезе распознающих систем – одна из важнейших задач теории и практики распознавания.
Определение информативных признаков преследует три цели
Понижение до минимума количества необходимого для описания классов признаков без существенного повышения вероятности ошибки распознания.
Возможность использования относительно простых алгоритмов распознавания.
Понижение вероятности ошибки распознавания.
К построению эффективной системы признаков могут быть два подхода:
С самого начала берется установка на отыскание малого числа признаков большой информативности, т.е. выбор признаков определяется интуицией, опытом или воображением разработчика (эвристика, эмпирика).
Однако как бы удачно не была сконструирована система признаков, при использовании этого подхода нельзя доказать, что она лучше другой.
Из большого числа исходных признаков, согласно некоторому критерию эффективности признаков, отбирается как можно меньшее число наиболее полезных для распознания признаков. Более конструктивный, чем первый подход, хотя и обладает существенным минусом: при обязательном наличии связи между критериями эффективности признаков и вероятностью ошибки распознания функциональной зависимости между этими величинами нет.
Усугубляющим фактором здесь является и то, что вероятность ошибки определяется не только системой признаков, но и принятым решающим правилом, а также зависит от погрешностей, возникающих в реальной системе распознавания. На основе второго подхода к выбору полезных признаков можно функционально связать критерий эффективности признаков с вероятностью ошибки распознавания. Полезность некоторого признака в исходной совокупности n признака определяют по приращению полной вероятности ошибки ∆Рош. При исключении этого признака из исходной совокупности:
где Рош – это полная вероятность ошибки распознания классов А1 и А2 для исходной совокупности n.
а - это полная вероятность ошибки распознания классов А1 и А2 при исключении k-го признака из исходной совокупности.
В зависимости от знака могут иметь место следующие случаи:
<0 , т.е. k-й признак полезен, т.к. его исключение из исходного описания приводит к увеличению вероятности ошибки.
=0 , – k-й признак бесполезен, т.к. его исключение не влияет на вероятность ошибки.
>0 , k-й признак вреден, т.к. без него вероятность ошибки распознания ниже.