- •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
9.14Простые методы обработки изображений
Гистограммы уровней яркости – это обычные гистограммы, по оси у которых отложены число пикселей, а по оси х – уровней яркости. В ЭВМ они обычно хранятся в виде массива, в котором n-ый элемент представляет собой число пикселей изображения с уровнем яркости n. Темным изображениям будут соответствовать гистограммы с максимальным смещением в сторону нижних диапазонов n, а светлым – в сторону больших значений n.
Ширина гистограммы тесно связана с контрастностью изображения. Для изображения с малой контрастностью характерны гистограммы с очень узким распределением, а для контрастных изображений – широкие распределения, достигающие нуля лишь в крайнем значении уровня яркости.
Существует и такой эффект, как срезание. Он наблюдается тогда, когда изображение слишком контрастно и диапазон градации его яркости выходит за пределы, которые позволяет оцифровка. Информация о крайних значениях яркости теряется. При этом появляется высокие узкие пики в области крайних значений яркости.
Точечные преобразования. При их использовании всем пикселям с низким уровнем яркости в соответствии с определенной функцией преобразования присваивают другой уровень яркости. Обычно же функция преобразования представлена в виде таблицы, в которой представлены старые и новые значения уровня яркости. В идеальном случае функция преобразования должна быть такой, чтобы получающаяся гистограмма была как можно ближе к линейной, чтобы все значения пикселей были равномерно распределены в данном диапазоне яркости.
Согласно теории информации, количество информации, заключенной в изображение будет максимальной. Однако, практически, поскольку гистограмма представляет собой дискретную функцию, мы можем лишь аппроксимировать ее линейную функцию. Подобная обработка изображений называется выравниванием гистограммы.
Локальный оператор. Это метод, при котором новое значение пикселя определяется исходя из его старого значения и величин окружающих пикселей. При этом могут использоваться как примыкающие четыре и восемь пикселей, так и более крупное окно в изображении.
Практически для минимизации расчетов используют окна 3х3 и 5х5.
Сглаживание изображения – это обработка изображения, при которой оно становится как бы несколько более размытым. Это делается для того, чтобы понизить нежелательные шумы и зернистость оригинала, что позволяет в дальнейшем лучше осуществлять сегментацию изображения.
Обычно для этих целей используются локальные операторы или взвешенный по Гауссу фильтр 3х3.
Выявление краев изображения (оператор Собеля) – еще один пример локального оператора. Его используют для того, чтобы обнаружить в изображении резкие переходы, при этом значение каждого пикселя изображения устанавливается в зависимости от градиента (крутизны изменения) яркости в данной точке.
Маски оператора Собеля
B |
C |
D |
A |
P |
E |
H |
G |
F |
Р – исходное значение пикселя
После конволюции (соотнесение букв и чисел значений пикселей) оба частных результата возводятся в квадрат и суммируются, из суммы извлекается квадратный корень. Полученная величина составляет новое значение пикселя. Этот оператор подавляет шумовые эффекты при распознавании изображений.