Содержание к диссертации
Введение
Глава 1. Автоматизированное проектирование процесса обработки и анализа изображений .
1.1. Автоматизированная обработка и анализ изображений. 11
1.2. Концепция системы автоматизированного проектирования. 16
1.3. Принципы формирования изображения в системах ГРВ. 22
1.4. Формальная модель изображения свечения ГР. 38
1.5. САПР процедур обработки и анализа ГРВ-грамм. 43
1.6. Постановка задачи исследования. 49
Глава 2. Синтез проблемно-ориентированных процедур обработки и анализа изображений .
2.1. Общая постановка задачи. 52
2.2. Определение области компетентности проектных операций.
2.2.1. Алгоритм обучения на основе байесовской теории решений. 55
2.2.2. Алгоритм обучения на основе метода потенциальных функций. 58
2.2.3. Алгоритм обучения на основе метода Фикса-Ходжеса . 62
2.2.4. Обучение на основе априорного задания областей компетентности.
2.3. Оптимизация коллективного решения. 66
2.3.1. Алгоритм оптимизации коллективного решения. 68
2.4. Выводы. 71
Глава 3. Методы и алгоритмы автоматизированной обработки и анализа ГРВ-грамм . 72
3.1. Процедуры предварительной обработки исходного изображения.
3.1.1. Подавление высокочастотной составляющей шума. 74
3.1.2. Фильтрация низкочастотной составляющей шума.
3.1.2.1. Анализ фрагментного спектра изображения . 76
3.1.2.2. Маскирование исходного изображения. 78
3.2. Процедуры специальной обработки изображения. 80
3.2.1. Псевдоокраска ГРВ-грамм. 80
3.2.2. Трансформирование координатных отображений ГРВ-грамм с выделением значимых элементов. 83
3.2.3. Средства метрологического тестирования работоспособности комплекса. 91
3.2.4. Построение угловых секторов в соответствии с диагностическими таблицами. 95
3.3. Операции анализа изображений. 97
3.3.1. Параметры ГРВ-грамм, используемые для анализа. 97
3.3.2. Вычисление интегральных параметров.
3.3.2.1. Общая площадь изображения свечения ГР. 99
3.3.2.2. Плотность изображения. 99
3.3.2.3. Длина периметра изображения свечения ГР. 100
3.3.3. Вычисление спектральных параметров. 102
3.3.3.1. Интегральная яркость изображения. 102
3.3.3.2. Ширина яркостного спектра изображения. 102
3.3.4. Вычисление фрактальных параметров. 103
3.3.4.1. Коэффициент формы изображения. 103
3.3.4.2. Фрактальность по Мандельброту. 103
3.3.5. Вычисление структурных параметров. 104
3.3.5.3. Параметры вписанного эллипса. 104
3.3.6. Вычисление вероятностных параметров. 105
3.3.6.1. Формирование заданной функции развертки. 110
3.3.6.2. Дисперсия и высшие центрированные моменты. 111
3.3.6.3. Энтропия функции. 111
3.3.6.4. Функция автокорреляции. 112
3.4. Анализ фрактальной динамики ГРВ-грамм. 113
3.4.1. Этапы реализации метода. 115
3.4.2. Алгоритм распознавания типа изображения. 1 3.5. Автоматизированное заполнение диагностических секторальных таблиц в соответствии с диагностическими картами. 125
3.6. Выводы. 127
Глава.4. Практическая реализация автоматизированного программного комплекса для применения метода ГРВ .
4.1. Структура программного обеспечения САПР предметно-ориентированных процедур обработки и анализа ГРВ-грамм. 128
4.2. Подсистема синтеза процедур обработки и анализа ГРВ-грамм. 131
4.3. Программная реализация операций обработки и анализа изображений.
4.3.1. Начальный ввод и сохранение изображения . 134
4.3.2. Операции обработки изображения. 135
4.3.3. Построение внутреннего эллипса. 138
4.3.4. Секторальная разбивка ГРВ-грамм. 139
4.3.5. Развертка изображения. 142
4.3.6. Вычисление числовых характеристик ГРВ-грамм. 144
4.3.7. Метрологический контроль и тестирование. 146
4.3.8. Построение информационных матриц для распознавания типа изображения. 148
4.3.9. Автоматизированное заполнение диагностических секторальных таблиц в соответствии с диагностическими картами. 150
4.3.10. Сравнительный анализ ГРВ-грамм. 152
4.4. Выводы. 155
Глава. 5. Примеры конкретных приложений разработанных методов, алгоритмов и программ в различных предметных областях .
5.1. Программа экспериментальных исследований. 157
5.2. Разработка методики выявления онкомаркеров в образцах крови. 158
5.3. Результаты и перспективы применения ГРВ-графии в терапевтической клинике. 162
5.4. Исследование газоразрядного свечения технологических
элементов микросхем. 165
5.5. Выводы. 169
Заключение 170
Литература
- Принципы формирования изображения в системах ГРВ.
- Алгоритм обучения на основе метода Фикса-Ходжеса
- Анализ фрагментного спектра изображения
- Начальный ввод и сохранение изображения
Введение к работе
Актуальность темы. Автоматизация проектирования (АП) является интенсивно развивающимся направлением современной науки и техники. Подходы, методы и алгоритмы разработанные в рамках создания систем автоматизированного проектирования (САПР) находят применение в различных прикладных областях. Одной из них является метод газоразрядной визуализации (ГРВ) - измерительно-вычислительная система анализа параметров индуцированного свечения объектов в электромагнитных полях высокой напряженности.
В основе метода лежит автоматизированная обработка и анализ изображений свечения газового разряда (ГРВ-грамм) с целью извлечения количественной информации об объектах и процессах, протекающих в поле изображения. ГРВ-грамма представляет собой сложное, фрактальное, ахроматическое изображение, при обработке и анализе которого необходимо учитывать особенности процесса визуализации, причем начальная обработка должна осуществляться на этапе получения изображения. Данная задача характеризуется большим объемом обрабатываемых данных, причем обработку информации необходимо выполнить за приемлемый промежуток времени и с максимальной точностью. Применение метода ГРВ в различных областях науки и техники для исследования объектов самой разнообразной природы (от кремниевых пластин в микроэлектронике и до биологических жидкостей в медицине) требует разработки методов и алгоритмов обработки и анализа ГРВ-грамм, учитывающих специфические особенности конкретной предметной области.
Все это делает необходимым создание библиотеки программ, ориентированных на решение определенных практических задач. Отсюда возникает проблема выбора на основе введенных критериев наилучшего алгоритма с целью формирования оптимальной процедуры решения конкретной задачи.
Необходимость при проверки различных гипотез применимости развитых алгоритмов в процессе решения трудоемких многопараметрических задач делает актуальной разработку системы автоматизированного проектирования предметно-ориентированных процедур обработки и анализа ГРВ-грамм.
Целью работы является разработка метода автоматизированного проектирования предметно-ориентированных процедур и их программная реализация с целью обработки и анализа ГРВ-грамм при обеспечении комплексного характера решаемых задач и инвариантности прикладного программного обеспечения.
Задачи работы. Для достижения сформулированной цели в работе ставятся и решаются следующие задачи:
Разработка метода АП предметно-ориентированных процедур обработки и анализа ГРВ-грамм, удовлетворяющих заданному критерию эффективности. Анализ процесса формирования изображения газового разряда; оценка роли различных факторов, влияющих на параметры получаемых ГРВ-грамм. Развитие математических принципов многофакторнон оценки ГРВ-грамм. Определение комплекса параметров анализа двумерных ахроматических изображений.
Разработка алгоритмов обработки и анализа ГРВ-грамм, учитывающих специфические особенности различных предметных областей и их программная реализация.
Создание на базе библиотеки операций, САПР предметно-ориентированных процедур обработки и анализа ГРВ-грамм.
Обоснование и экспериментальное подтверждение перспективности применения развитых методов и алгоритмов при решении задач исследования характеристик ГРВ-грамм объектов различной природы.
Методы исследований основаны на теории и методах автоматизации проектирования технических систем, методах математического моделирования и управления, теории вероятностей и математической статистики, теории принятия решений, системного анализа, методах оптимизации, методах цифровой обработки изображений и машинной графики.
Научная иовизна работы и основные положения, выносимые на защиту. В ходе выполнения работы получены следующие новые научные результаты:
Предложен метод автоматизированного синтеза предметно-ориентированных процедур обработки и анализа двумерных ахроматических изображений, в основе которого лежит многокритериальная оптимизация на базе алгоритма вычисления оценок (голосования) и обучения на основе стратегии Байеса.
Разработан алгоритм выбора вариантов на уровне объекта исследования, маршрута проектирования и реализующих его средств САПР, отличающийся возможностью организации направленного перебора на множестве альтернатив.
Разработан подход к анализу двумерных ахроматических изображений ГРВ-грамм на базе САПР процедур обработки и анализа данных.
Разработана методика многофакторного параметрического анализа ахроматических изображений.
Предложена гибкая, легко модифицируемая и адаптируемая структура программного комплекса АП предметно-ориентированных процедур обработки и анализа изображений на базе библиотеки операций.
Практическая ценность работы состоит в разработке алгоритмов и программ, автоматизирующих процесс обработки и анализа ГРВ-грамм, использование которых позволило создать измерительно-вычислительные системы анализа двумерных ахроматических изображений.
Основные результаты работы используются в составе программно-аппаратного комплекса "Корона-ТВ", разрешенного к применению Комитетом по Новой Медицинской Технике МЗ РФ (май-декабрь 1999). Программно-аппаратный комплекс сертифицирован и выпускается серийно, внедрен в медицинских и исследовательских центрах России, Англии, Германии, Индии, Словении, США, Финляндии, Швеции.
Апробация работы. Основные результаты доложены и обсуждены в период 1985-2000 гг. на 21 конференциях и семинарах. Среди них: Всесоюзные и Международные конференции: "Разработка н применение в народном хозяйстве ЕС ЭВМ" (Москва, 1985); "Автоматизация конструкторского проектирования РЭА и ЭВА" (Пенза, 1985, 1986, 1987); "Системы автоматизированного проектирования (САПР-85)" (Москва, 1985); "Проектирование и изготовление РЭА" (Фрунзе, 1986, 1988);
"Системы автоматизированного проектирования в машине- и приборостроении" (Кишинев, 1986); "Проблемы создания и развития интегрированных автоматизированных систем в проектировании и производстве" (Москва, 1987); "Машинная графика и автоматизация проектирования в радиоэлектронике" (Челябинск, 1988); "Проблемы вычислительной математики и автоматизации научных исследований" (Алма-Ата, 1988); "Экспертные системы в решении задач комплексной автоматизации-проектирования и производства РЭА" (Ленинград, 1989); "Создание интеллектуальных САПР СБИС и электронных средств)" (Москва, 1990); "Опыт разработки и применения приборно-технических САПР" (Львов, 1991); "Разработка и эксплуатация САПР в радиоэлектронике" (Челябинск, 1991); "Кирлионика, белые ночи "(СПб, 1998); "Автоматизация проектирования, технология элементов и узлов компьютерных систем " (СПб, 1998); «Биомедприбор-98» (Москва 1998); "Наука, Информация, Сознание" (СПб, 1999). Научно-технических конференциях профессорско-преподавательского состава ПТГМО(ТУ) (СПб, 1997,1999,2000)
Публикации. По теме диссертации опубликовано 23 работы.
Структура н объём диссертации. Диссертация содержит введение, 5 глав, заключение, список литературы. Рукопись содержит 179 страниц текста, 33 рисунка, 3 таблицы.
Принципы формирования изображения в системах ГРВ.
Стремительное развитие вычислительной и телевизионной техники, методов и алгоритмов автоматизированной обработки данных породило новые научно-технические направления, среди которых наибольшее развитие получило исследование изображений с целью извлечения количественной информации об объектах, явлениях и процессах, протекающих в поле изображения. Здесь изображение выступает объектом исследования [1,2].
Исследование изображений основывается на их обработке и анализе. Обработка сигналов изображения предшествует процедуре анализа и заключается во внесении в формируемое изображение тех или иных изменений по сравнению с оригиналом. Вначале под обработкой изображений понимались некоторые преобразования, улучшающие его качество, причем эффективность преобразований определялась визуально человеческим глазом [3]. В процессе развития теории и практики работы с изображениями под обработкой изображений стали понимать такие преобразования, которые приводят изображение к виду, удобному для дальнейшего анализа или понимания. Таким образом в результате обработки изображений вновь получается изображение [4].
Задачи обработки изображений включают в себя: подавление шумов (низкочастотная фильтрация); изменение диапазона яркостей; коррекция геометрических искажений; преобразование гистограмм; выделение перепадов яркостей и границ; компенсация искажений; высокочастотная и нелинейная фильтрация; медианная и процентильная фильтрация. К задачам обработки изображений также относятся различные виды сегментации и топологические преобразования [5].
Анализ изображения предусматривает изучение отдельных характеристик, составных частей, фрагментов или отдельных объектов в поле изображения. К настоящему времени в литературе нет устоявшегося понимания термина - анализ изображения. В нашем случае под анализом изображения будем понимать измерительный аспект обработки видеоданных. Следовательно, анализ изображения будет заключаться в: 1) измерении различных количественных данных изображения; 2) классификации и распознавании образов; 3) понимании изображения, т.е. анализ изображения будем интерпретировать как класс задач понимания изображений
Основу задач понимания изображений составляют описания изображений. В целом описание изображения, предусматривает выделение его признаков в целом, фрагментов или объектов в поле сканирования и определяется задачами исследования. Т.о. в результате анализа изображений из него выделяется неизобразительная информация [1].
Системы анализа и обработки изображений широко используются при изучении космического пространства, в навигации, биологии и медицине, в промышленности при автоматизации производственных процессов и в других областях.
Задачи обработки и анализа изображений имеют ряд специфических черт [7]: 1. Это информационные задачи, которые решаются применением к доступным исходным данным преобразований, состоящих из двух основных этапов: а) приведение исходных данных к стандартному виду, удобному для анализа - синтез формализованного описания ситуации (объекта) на основе имеющейся разнородной информации (эмпирических данных, результатов измерений, знаний о логических аспектах изучаемых явлений (процессов), сведений о конструкции, назначении и эксплуатационных характеристиках объекта, экспертных данных); б) /з преобразование формализованного описания в стандартизованную матрицу ответов, соответствующую выбору в качестве ответа одной из конечного фиксированного набора возможностей (указание принадлежности ситуации (объекта) определенному классу). 2. Для этих задач трудно строить формальные теории и применять классические математические методы, поскольку в ситуациях, в которых они возникают, имеет место один из двух случаев: а) уровень формализации соответствующей предметной области и (или) доступная информация таковы, что не могут составить основу для синтеза математической модели, отвечающей классическим математическим канонам и допускающей изучение классическими аналитическими или численными методами; б) математическая модель в принципе может быть построена, однако ее синтез или изучение связаны с такими затратами (сбор необходимой информации, вычислительные ресурсы, время), что они существенно превышают выигрыш, приносимый решением, либо выходят за пределы существующих технических возможностей, либо делают решение задачи просто бессмысленным. 3. В этих задачах "по определению" существует "плохая" исходная информация, характеризующая сложную в семантическом и структурном отношении ситуацию (объект в некоторой среде), - это ограниченная, неполная, разнородная, косвенная (характеристики внешних проявлений процесса), нечеткая, неоднозначная, вероятностная. 4. В этих задачах можно вводить понятие подобия между объектами (ситуациями), точнее между их описаниями, формулировать обобщенное понятие близости. 5. В этих задачах можно оперировать набором прецедентов - примеров, классификация которых (в смысле решаемой задачи) известна и которые (в виде стандартных формализованных описаний) могут быть предъявлены процедуре обработки и анализа изображения для настройки на задачу в процессе обучения. Системы анализа и обработки изображений можно разделить на два класса [1]:
Системы, в которых осуществляется анализ и обработка динамических изображений в реальном времени (к таким системам относятся телевизионные). Реальное время понимается как режим, обеспечивающий регистрацию явлений и выработку решений (измерений) без вторжения в динамику явлений.
Системы, используемые для анализа статических изображений. Они характеризуются сложными процедурами обработки, требующими большого объема памяти и времени обработки сигналов.
История задач обработки и анализа изображений начинается с 1963 г., с появления первого реального эффективного пакета программного обеспечения машинной графики SKETCHPAD, разработанного Сазерлен-дом [8].
На первом этапе развития возникло множество методов и алгоритмов, применявшихся без серьезного обоснования для решения практических задач. При исследовании задачи на базе "правдоподобных" рассуждений предлагался нестрогий, но содержательно разумный метод решения и основанный на нем алгоритм; обоснование производилось непосредственно в эксперименте с задачами.
Далее стало очевидным, что появление каждого эвристического алгоритма можно рассматривать как эксперимент, а со всем множеством экспериментов и их результатов работать как с новым для математики множеством объектов, т.е. изучать с помощью строгих математических методов множество некорректных процедур решения плохо формализованных задач.
Алгоритм обучения на основе метода Фикса-Ходжеса
В настоящее время не существует законченной общей теории систем подобного класса, поэтому и нет общей модели таких систем. Вместе с тем анализ задач, которые должны решаться в системах синтеза оптимальных маршрутов проектирования, показывает, что [14]:
Формальный аппарат, описывающий процессы распознавания ситуаций, выработки и принятия решений в меняющейся обстановке, должен быть чрезвычайно гибким.
Процессы выработки и принятия решений базируются не только на количественных характеристиках, но и на факторах, не всегда имеющих количественные меры. Поэтому подготовку информации для принятия решения следует рассматривать как творческий акт выбора из совокупности возможных решений, в котором количественные факторы сочетаются с эвристическими.
Необходимо предусмотреть специальную процедуру обучения или адаптации разработанной системы к предметной области.
Существующие в настоящее время подходы к автоматизации проектирования процедур принятия решений основываются на теоретико-игровом, семиотическом принципах, методах планирования эксперимента, теории идентификации, классификации или распознавания [48].
В работе использован метод, основанный на алгоритме распознавания, относящейся к классу алгоритмов вычисления оценок. Подход основан на естественном эвристическом принципе, которым пользуется человек, - принцип прецедентное, т.е. принятие решения по аналогии, а именно - в аналогичных ситуациях следует действовать аналогично.
Формально задачу принятия коллективного решения можно представить следующим образом: если Si, l=l,2,...,L - индивидуальные решения, принимаемые членами коллектива - решающими правилами Ті, l=l,2,...,L , то коллективное решение определяется как некоторая функция индивидуальных решений: S = F(ShS2,...,SL,X). (2.1) Здесь F - алгоритм принятия коллективного решения. Решение задачи S состоит в выборе номера одного из классов Aj, j=l,2,...,J, для каждой конкретной ситуации X, для которой правила Ті принимают различные решения: Sl:XeAj=Tl(X); l=l,2,...,L;j=l,2,...,J. Рассматриваемые последовательности решающих правил можно рассматривать как голосующие алгоритмы. Пусть д7 - голосующая функцияу-го класса: ф = 2/4, W[SH],j=l,2,...J. (2.2) Где jui - соответствующим образом нормированный вес / -го решающего правила; суммирование ведется по тем /, для которых Si=j. f3 Решение о принадлежности ситуации X к одному из классов Aj, І=1,2,... ,J принимается по следующему правилу: XGAJ , если qj = max Oj, j = 1,2,...,«/. Введем понятие области или множества компетентности решающего правила. Под этим будем понимать совокупность ситуаций X, для которых данное правило коллектива в некотором смысле наиболее компетентно, например, в смысле минимума вероятности ошибки, машинного времени или требуемого объема памяти. Обозначим эти множества Bi, 1=1,2,...,L. Введем зависимость ці от распознаваемой ситуации X: ці=ці(Х) fl ,если XeBj [0 ,если X Bi причем YJHI (X) = 1; \/XeQn; 1=1,2,... ,L; Qn - -мерное пространство признаков (Х],Х2,... ,Хц). Подставляя выражение (2.3) в (2.2), получаем, что решение коллектива решающих правил S определяется решением того правила 7), к области компетентности которого Bi принадлежит распознаваемая ситуация X:S=Si.
Предлагаемый подход относится к иерархическим и представляет собой двухуровневую процедуру. На первом уровне осуществляется распознавание принадлежности ситуации X к той или иной области компетентности Bi, 1=1,2, ...,L; на втором - решение правила, соответствующего данной области, отождествляется с решением всего коллектива.
Введем понятие коэффициента компетентности решающего правила. Пусть F - алгоритм распознавания областей компетентности В і, 1=1,2,...,L; тогда можно построить следующее правило отнесения ситуации X к той или иной области компетентности: F X В, , если v (JO=max v ЛХ) 1-1,2,... ,L
Величину vi (X) будем называть коэффициентом компетентности /-го решающего правила в ситуации X.
Синтез коллективного решающего правила (процедуры) F (2.1) сводится к определению оценок областей компетентности каждого решающего правила - члена коллектива, т.е. к распознаванию в конкретной ситуации X номера правила, которое в этой ситуации следует применять. В системе данная задача решается с помощью процедуры обучения [51]. Задача автоматизированного синтеза процедуры обработки и анализа изображений может решаться следующим образом.
Можно искать зоны компетентности решающих правил, используя вероятностные свойства правил и восстановления плотности распределения вероятностей компетентности или используя гипотезу компактности и вводя потенциальные поверхности компетентности для каждого решающего правила.
Можно все пространство признаков заранее разбить на достаточно мелкие подобласти, в которых в процессе обучения следует определить коэффициенты компетентности каждого правила, что позволит определить решение коллектива во всем пространстве признаков.
Анализ фрагментного спектра изображения
Существенное упрощение анализа изображений рассматриваемого типа происходит при переходе в обобщенную систему координат, построенную таким образом, чтобы контур отпечатка в физическом пространстве совпадал с одной из координатных линий в пространстве обобщенных координат. Такой подход обеспечивает отображение рассматриваемого изображения на прямоугольник, что существенно упрощает процедуру соотнесения точек в зоне свечения с контуром пальца. Исходя из характера рассматриваемого объекта, представля и
Соотнесение оконной и связанной системы координат. ется рациональным при построении этих сеток осуществлять разрез в физической плоскости, предполагая, что точки, лежащие на AT и CD в расчетной области, совпадают. Общим уравнением в частных производных, используемым для построения сеток, является уравнение Пуассона, записываемое в виде где Р (,г) и Q (,,т) - известные функции, используемые для контроля за сгущением внутренних точек сетки. Решение данной системы ищется в расчетной области переменных. В этой области соотношение (3.3) преобразуется к виду g22 tfXJdg - 2 g12 &Х/д$&г\ + gu ІЇХ/дц2 + J2 ( Р дХЩ + Q дХІдц ) = 0 g22 &УІд - 2 g12 ІЇУЩдц + gn ІЇУІдц2 + J2 (Р дУ/д + Q дУ/дц) = 0 (3.4) Здесь компоненты метрического тензора записываются в виде g„ = X + Y 2, gll = X 2 + Yr,2, gi і = X Xr, + Y Yr\, J = Х Хл - Y Yn Граничные условия определяются распределением точек на контуре. При необходимости могут быть использованы подходящие функции растяжения.
Выбор вида функций Р ( ,г) и Q (,,г) определяется характером рассматриваемой области. В первом приближении Р (,г) = Q ( Л) = 0, а при последующих итерациях Р (,,г) и Q ( ,Г) выбираются так, чтобы обеспечить требуемое сгущение линий в радиальном направлении, сохраняя постоянным шаг координатной сетки в физической плоскости.
Предварительный анализ контура отпечатка пальца показал, что он хорошо аппроксимируется псевдоэллипсом, уравнение которого в системе Х 0 Y описывается полиномом 4 степени І4ц=о WjjXV = 0. (3.5) При переносе начала координат в полюс псевдоэллипса в точку (Xo ,Yo ) и ориентации оси координат вдоль линии симметрии псевдоэллипса уравнение (3.5) существенно упрощается и приводится к виду W,X4 + W2Y4 + W3X2Y2 + W4X3 + W5XY2 + W6X2 + W7Y2 = о где W - аппроксимационные коэффициенты. Во многих случаях, когда коэффициенты при старших членах оказываются малыми, возможна аппроксимация контура отпечатка эллипсом, что существенно упрощает последующий анализ. Общий вид уравнения эллипса можно записать как ацХ2 + 2a]2XY + a22Y2 + 2ai3X + 2a23Y +a33 = 0 (3.6) Координаты центра эллипса при этом определяются соотношениями Х о = - 1/D аіз аі2/а23 а22 І , Y 0 = -l/D ац ai3/a2i а231 , где D один из инвариантов квадратичной формы (3.6) . D= Un ai2/a2i а22 , а главные оси имеют направление собственных векторов матрицы [а ], что приводит к следующему выражению для угла между положительным направлением оси ОХ и главной осью кривой tg (2ф) = 2 an / (an - а22) Уравнение нормали к контуру эллипса в точке (Х„ Y,) имеет вид (X - X0/(ailXi + auY, + an) = (Y - YO/ Xj + a Yj + a23) . Приведенные выше соотношения определяют систему координат и сетки, в которых производится количественное определение параметров изображений, полученных методом газоразрядной визуализации, как в автоматическом, так и в интерактивном режимах. Эти характеристики могут определяться как для изображения в целом, так и для отдельных секторов, выделяемых в соответствии с диагностическими картами с учетом общего типа изображения.
Основным преимуществом перехода к обобщенным координатам при анализе рассматриваемых изображений является возможность применения к решению данной задачи без дополнительной доработки широкого арсенала средств обработки одномерных сигналов. Рассмотрим один из таких вариантов.
Как указывалось выше, основная идея секторной диагностики состоит в определении на изображении наличия феноменов, описанных выше. Феномен, как правило, проявляется в изменении радиуса и характера свечения на фоне нормального свечения, имеющего сравнительно постоянные размеры. Таким образом, для обширного класса случаев изображений, можно автоматически зафиксировать участки нормального свечения и принять их уровень за фон. Определение наличия феномена в данном случае будет осуществляться на основе определения статистически значимого отклонения огибающей свечения от фона. Таким образом, требуется разделить исходный сигнал f(t) на составляющие f(t)=b(t)+p(t)+n(t), где b(t) и n(t) низко- и высокочастотные составляющие фона, a p(t) - информативная компонента. Для выделения фоновой компоненты в автоматическом режиме была использована идея, предложенная в [63]: базовая компонента выделяется на основе требования построения функции, огибающей грубый контур f(t) снизу, но меняющаяся более плавно, чем f(t). В качестве меры осцилляции можно использовать отношение 2-й производной к ее длине C(x)=fVV(l+f(x)2).
Начальный ввод и сохранение изображения
Метрологический контроль и тестирование. Назначение: Расчет параметров и организация регулярного тестирования ГРВ изображения тест-объекта. Последовательность операций: На первом этапе на экране появляется диалоговое окно для ввода 10-ти ГРВ-грамм тест-объекта, полученных на испытуемом приборе. Далее в динамическом режиме представлен процесс обработки изображений и расчет параметров тест-объекта. Результирующая панель содержит результаты расчетов в виде диаграммы, на которой красным цветом изображаются параметры текущего тест-объекта, а синим-параметры, используемые в системе по умолчанию, либо вычисленные при предыдущих тестированиях. Справа на панели выводятся статистические характеристики текущего тест-объекта. Если при выходе из диалоговой панели выбрать кнопки "Save & Exit", то вновь вычисленные параметры будут сохранены для дальнейшего использования. Выход из диалоговой панели при нажатии на кнопку "Exit" сохраняет старые установки. Панель результатов работы программы показан на рис. 4.9.
Построение информационных матриц для распознавания типа изображения. Назначение: Формирование информационных матриц с помощью разложения ГРВ-граммы на 8 строк-овалов для последующего применения метода анализа фрактальной динамики. Последовательность операций:
Для построения матриц необходимо выбрать пункт Menu\Analysis YFramework. В диалоговом окне пользователь выделяет линии из приведенного списка.
Для построения линии Brightness Var необходимо выставить диапазон яркости в окне Brightness либо с помощью задания значения в окнах изменения параметра, либо "мышкой" установить нужный интервал. Нажатие на клавишу "Render" приводит к построению линии; строится график функции яркости от угла и радиуса от угла. В окно главной панели выводится список построенных овалов и их графики. Для каждого овала строится 2 матрицы размером 1024x1 для радиусов и яркостей. Нажатие на кнопку "Save Data" приводит к сохранение созданных матриц и выполнению процедуры распознавания типа изображения. Пример работы программы показан на рис. 4.10.
Процедура предназначена для проведения мониторинга состояния главных органов и систем человека, основанного на параметрах ГРВ-грамм, полученных с десяти пальцев рук человека и вычисления параметров в диагностических секторах. Для каждого сектора вычисляется логарифмический параметр Wk(F) для правой и левой руки, оценивающий степень отклонения данной ГРВ-граммы от равновесной ГРВ-граммы тест-объекта.
Для вычисления параметра Wk могут использоваться любые параметры F вычисляемые в процедурах. В настоящее время используется площадь свечения и коэффициент формы. Последовательность операций:
На первом этапе на экране появляется предварительное Меню, где устанавливаются параметры обработки ГРВ-грамм. Далее осуществля /f/ ется ввод и обработка ГРВ-грамм 10 пальцев. Возможно увеличение картинки ГРВ -граммы и вызов диалогового окна для более точной корректировки внутреннего эллипса. В следующем окне представлены вычисленные параметры в виде круговых диаграмм для левой и правой руки. Область значений условно разделена на три окружности: средняя: -0,75 Wk + 0,75; внешняя: + 0,75 Wk +2,0; и внутренняя: - 10 Wk - 0,75.
Норме соответствует среднее кольцо зеленого цвета. Гиперфункция органов и систем проецируется на внешнее кольцо, гипофункция - на внутреннее. Диаграммы делятся на сектора, связанные с определенной частью организма человека (рис. 4.11).
Выбранная для параметра Wk функция делает его независящим от размеров конкретного пальца, а использование в качестве F различных параметров ГРВ-грамм позволяет анализировать подобным образом нюансы их архитектоники.
Данная процедура очень удобна для оценки степени неравновесия правое-левое, слежения за изменением состояния пациента в процессе терапии, оценки стабильности и воспроизводимости ГРВ-грамм. На одном графике можно проанализировать до 10 состояний, которые отличаются цветом кривой.
