Содержание к диссертации
Введение
Глава 1. Автоматизация исследования биологических объектов методом газоразрядной визуализации 14
1.1. Анализ процедуры формирования изображения свечения газового разряда 14
1.2. Автоматизированный анализ и обработка изображений ГРВ-грамм 20
1.3. Архитектура автоматизированной системы анализа изображений газового разряда 23
1.4. Постановка задачи исследования 27
Глава 2. Открытая, расширяемая информационная модель системы анализа ГРВ-грамм 29
2.1. Анализ существующих методов разработки информационных моделей 29
2.2. Информационная модель на основе фреймового представления данных 33
2.3. Концепция разработки программных систем на основе шаблонов проектирования 37
2.4. Применение шаблонов проектирования к разработке информационной модели 42
Глава 3. Методы и алгоритмы автоматизированной обработки и анализа динамических ГРВ-грамм 51
3.1. Обобщенный алгоритм обработки динамической ГРВ-граммы...52
3.2. Приведение диапазона значений интенсивностей изображения ГРВ-граммы к эталону (калибровка изображений) 54
3.3. Выявление полезного сигнала и фильтрация шумового фона изображения 59
3.4. Вычисление значимых топологических характеристик изображения 61
3.5. Псевдоокрашивание изображения грв-граммы 62
3.6. Алгоритмы расчета параметров грв-граммы 66
3.7. Обобщенный алгоритм анализа динамической грв-граммы 68
3.8. Сглаживание временных рядов 69
3.9. Анализ трендов временных рядов 73
3.10. Статистический анализ временных рядов 76
3.11. Фрактальный анализ временных рядов 77
3.12. Анализ энтропии временных рядов 79
3.13. Фурье-анализ временных рядов 80
Глава 4. Практическая реализация автоматизированной системы анализа изображений ГРВ-грамм 83
4.1. Общая структура автоматизированной системы 83
4.2. Инструментальные средства разработки 85
4.3. Блок информационной подсистемы 87
4.4. Подсистема грв тестирования 90
4.5. Подсистема параметрической обработки грв-грамм 91
4.6. Блок аналитической подсистемы 95
Глава 5. Практическая апробация и описание экспериментальных исследований с применение автоматизированной системы обработки и анализа динамических ГРВ-грамм 101
5.1. Программа экспериментальных исследований 101
5.2. Логическая структура бтс 102
5.3. Исследование психофизического потенциала высококвалифицированных спортсменов 105
5.4. Исследование нервно-психической устойчивости 113
Заключение 120
Публикации по теме диссертации 123
Литература 126
- Автоматизированный анализ и обработка изображений ГРВ-грамм
- Информационная модель на основе фреймового представления данных
- Вычисление значимых топологических характеристик изображения
- Инструментальные средства разработки
Введение к работе
Актуальность проблемы. В современной медицине, психофизиологии и биофизике все более широкое применение находит новый метод газоразрядной визуализации, получивший название ГРВ-графия [1, 2, 3, 4]. Экспериментально доказана чувствительность этого метода к слабым изменениям свойств исследуемого объекта, позволяющая осуществлять сложные исследования с меньшими затратами времени и средств по сравнению с использованием традиционных методов. Так, в биофизике с помощью ГРВ-графии удается выявить слабые изменения физико-химических свойств биологических объектов [5, 6, 7], в психофизиологии - оценивать психоэмоциональный статус [8, 9, 10], психофизический потенциал [11, 12, 13] и уровень саморегуляции испытуемого [14], в медицине - осуществлять мониторинг общего функционального состояния пациента или оценивать реакцию его организма на те или иные виды терапии без проведения сложных медицинских обследований [15, 16].
В основе метода лежит изучение свойств индуцированного свечения разряда вблизи поверхности объекта, помещенного в электромагнитное поле высокой напряженности. Метод базируется на измерительно-вычислительной системе, включающей прибор «ГРВ камера», разрешенный к применению Комитетом по Новой Медицинской Технике МЗ РФ в качестве прибора медицинского назначения, и пакет программ, осуществляющий управление прибором, регистрацию изображений разряда и последующий их анализ.
Изображение свечения газового разряда (ГРВ-грамма) представляет собой сложное, фрактальное, монохромное изображение, при программной обработке и анализе которого выявляются количественные и качественные характеристики объекта, индуцирующего свечения [17]. Данная задача характеризуется большим объемом обрабатываемых данных, а применение ме- тода ГРВ в различных областях науки для исследования объектов самой разнообразной природы требует разработки методов и алгоритмов анализа ГРВ-грамм, учитывающих специфические особенности конкретной предметной области, что влечет за собой изменение структуры алгоритмов, входящих в систему обработки изображений ГРВ-грамм.
Вместе с тем, существующий на сегодняшний день метод статической ГРВ-графии, основанный на анализе отдельных изображений газового разряда [18], получаемых в случайный момент времени от начала экспонирования, обладает рядом существенных ограничений на его применение. Кроме того, существующая методика математической обработки статических ГРВ-грамм подразумевает ручную корректировку параметров процедур обработки в целях получения наиболее информативных данных, что неизбежно влечет за собой влияние человеческого фактора на результаты анализа снижающее объективность метода.
Развитие вычислительной мощности персональных компьютеров и каналов передачи данных, позволило в последние годы разработать методику динамической ГРВ-графии, основанной на видеоизображениях ГРВ разряда. Применение для этой методики идей системного подхода к медико-биологическим исследованиям [19, 20] открыло новые качества и возможности в ГРВ-графии. Сущностью метода динамической ГРВ-графии [21] является изучение временных рядов характеристик газового разряда, индуцируемого объектом, помещенным в электромагнитное поле высокой напряженности, в течение времени экспозиции.
Обобщенно процедуру динамического ГРВ-тестирования можно представить следующей последовательностью шагов: получение цифровых динамических изображений газоразрядных свечений, компьютерная обработка ГРВ-грамм и расчет временных рядов их количественных параметров, занесение результатов в базу данных, запуск процедуры анализа временных рядов и расчет аналитических показателей, выработка заключения. Дополни- тельно, выполняются статистические расчеты на основании различных выборок из базы данных для формирования новых диагностических правил. Представленная процедура подразумевает многовариантный анализ ГРВ-грамм. Программно-методическая база математической обработки ГРВ-грамм, предназначенных для расчета параметров динамических видеоизображений свечения ГРВ-разряда постоянно расширяется. Таким образом, набор параметров для проведения анализа может изменяться и наращиваться.
Исследование закономерностей и взаимосвязи между характером свечения объекта и его свойствами во многом носит экспертный характер, в ходе которого исследователь формирует специфическую последовательность этапов обработки ГРВ-грамм и аналитические правила выработки заключения. Поэтому, чрезвычайно важным является вопрос унификации методики обработки экспериментального материала, а также реализация оболочки экспертных систем в рамках автоматизированной системы анализа ГРВ-грамм. Хранение экспериментальных данных связано с проблемой отсутствия четкого набора и структуры параметров ГРВ-грамм. Так, с появлением нового параметра ГРВ-изображения его следует добавить к уже имеющимся в базе данных данным, то есть структура данных должна быть гибкой и открытой. В экспериментах также могут использоваться дополнительные методы тестирования для осуществления верификации результатов эксперимента и выявления корреляций параметров ГРВ-грамм с другими методами исследования. Эти методы имеют свои наборы числовых параметров, которые должны быть внесены в ту же базу данных, что и ГРВ параметры. Кроме того, существуют иерархические и семантические взаимосвязи между различными параметрами, и без отображения этих взаимосвязей в информационной модели автоматизированный анализ и выработки заключений практически невозможны.
Приведенные факты позволяют сделать вывод об актуальности темы диссертации, которая определяется: значимостью метода ГРВ-графии, как одного из новейших и чрезвычайно чувствительных методов исследования человека и биологических объектов, особенностями предметной области, усложняющими задачу, принципиальной нозизной метода динамической ГРВ-графии, отсутствием решений по автоматизации процессов регистрации и анализа динамических изображений ГРВ-грамм.
Необходима разработка автоматизированной системы обработки и анализа экспериментальных данных ГРВ-графии обеспечивающей: регистрацию и сохранение в базе данных цифровых изображений статических и динамических ГРВ-грамм исследуемых объектов, автоматизированную обработку и расчет параметров изображений статических и динамических ГРВ-грамм, сохранение в базе данных наборов параметров со специфической структурой для различных областей исследований, функционирование экспертной системы для решения задач автоматизированного анализа свойств исследуемого объекта.
Целью диссертационной работы является создание информационных, алгоритмических и программных средств для автоматизированного исследования и анализа состояния человека и биологических объектов методом динамической газоразрядной визуализации на базе технологии искусственного интеллекта.
Задачи исследования. Для достижения поставленной цели в диссертации необходимо решить следующие задачи:
Разработка концепции архитектуры автоматизированной системы анализа изображений динамических ГРВ-грамм.
Анализ процесса формирования динамического изображения газового разряда; оценка роли различных факторов, влияющих на параметры получаемых динамических ГРВ-грамм.
Разработка гибких информационных моделей предметной области.
Разработка средств представления и описания знаний предметной области и системы экспертного анализа исследуемых объектов.
Разработка структуры базы данных, обеспечивающей хранение нечетко-структурированных данных предметной области.
Разработка математических принципов и алгоритмов анализа динамических ГРВ-грамм.
Разработка программного обеспечения для задач автоматизации исследований методом динамической ГРВ-графии.
Методы исследования. Для решения поставленных задач в теоретической и практической части диссертационной работы использовались теория синтеза биотехнических систем, метрология, методы структурного системного анализа, теория вероятностей и математической статистики, методы и модели искусственного интеллекта в медицинских системах, методы реляционных баз данных, методы цифровой обработки изображений и машинной графики, а также теория и методы автоматизации проектирования объектно-ориентированного программного обеспечения.
Экспериментальные исследования проводились на базе Санкт-Петербургского научно-исследовательского института физической культуры, в училищах олимпийского резерва №1 и №2 и на базе Государственного института точной механики и оптики (технического университета). Для проведения экспериментов и анализа результатов использовалась разработанная автоматизированная система.
Научные положения, выносимые на защиту: 1. Повышение эффективности ГРВ-исследования достигается за счет анализа динамики изменения свойств изображений ГРВ-грамм в течение всего времени экспозиции разряда.
2. Новый метод динамической ГРВ-графии, основыванный на многофак торном анализе временных рядов геометрических, яркостных, фрак тальных и энтропийных параметров изображений ГРВ-грамм.
3. Научно-практические основы гибкой информационной модели данных ГРВ-исследования, использующей фреймовое представление информа ции, которое позволяет интегрировать различные структуры данных в единое информационное пространство для комплексного анализа. Научная новизна работы заключается в разработке компонентов ин формационного, методического, метрологического и программно- алгоритмического обеспечения биотехнической системы, позволяющего ис следовать биологические объекты и состояние человека методом динамиче ской ГРВ-графии. Получены следующие научные результаты:
Архитектура автоматизированной биотехнической системы обработки и анализа газоразрядных изображений (БТС АГИ), имеющей блочно-функциональную структуру, обеспечивающую гибкую информационную модель процессов исследования, математической обработки данных и экспертного анализа.
Разработана реляционно-фреймовая модель представления нечетко структурированных данных и знаний предметной области.
Метод анализа видеоизображений динамических ГРВ-грамм, на основе статистического и спектрального анализа временных рядов параметров ГРВ-грамм.
Информационная модель обобщенного протокола исследования биологических объектов и человека методом динамической ГРВ- графии на основе фреймового представления данных. Практическая ценность работы. Путем реализации компонентов ав томатизированной системы доказана релевантность и перспективность мето да динамической ГРВ-графии, как развитие существующей методики стати- ческой ГРВ-графии. Получены следующие практические результаты:
Концепция архитектуры системы, являющаяся основой для проектирования целого класса биотехнических систем, включающих прибор «ГРВ камера» и программно-математическое обеспечение для анализа изображений динамических ГРВ-грамм.
Разработана гибкая структура базы данных, позволяющая интегрировать результаты различных методов обработки и анализа ГРВ-грамм в единую базу данных, которая обеспечивает возможность формирования базы знаний для функционирования экспертной системы, реализованной в рамках БТС АГИ.
Предложены типовые схемы обработки и анализа динамических ГРВ-грамм для исследования биологических объектов и человека.
На базе БТС АГИ разработана и программно реализована система анализа психофизического потенциала высококвалифицированных спортсменов и система оценки нервно-психической устойчивости и уровня стресса человека.
Внедрение результатов. Результаты исследований, включающие БТС АГИ, специализированную для анализа психофизического состояния спортсменов, и методическое обеспечение, переданы для использования в училища олимпийского резерва № 1 и № 2 города Санкт-Петербурга. БТС оценки нервно-психической устойчивости и уровня стресса прошла апробацию в Государственной инспекции безопасности дорожного движения городского управления внутренних дел Санкт-Петербурга.
Апробация работы. Научные и практические результаты диссертационной работы докладывались и обсуждались в 2000-2002 годах на ежегодных международных конгрессах по биоэлектрографии «Наука-Информация-Сознание» (Санкт-Петербург 2000-2002гг.), конференциях европейского колледжа спортивных наук (Кёльн 2001 г., Афины 2002 г.), кон- ференции по медицинской технике (Минск 2002 г.).
Публикации. По теме диссертации опубликовано пятнадцать печатных работ, из них три статьи, тезисы к двенадцати докладам на международных и российских научно-технических конференциях. Две статьи находятся в печати.
В первой главе диссертации рассмотрены особенности исследования биологических объектов и человека методом статической и динамической ГРВ-графии. Сформированные в первой главе задачи и требования позволяют рассмотреть возможность практического создания БТС АГИ и оценить адекватность и функциональную полноту выдвигаемой концепции архитектуры системы. Выполнена постановка задачи исследования для диссертационной работы. Предложена концепция архитектуры автоматизированной биотехнической системы анализа изображений динамических ГРВ-грамм.
Вторая глава посвящена вопросам разработки информационной модели, обеспечивающей гибкость структуры данных и интеграцию экспертных знаний в единое информационное пространство БТС АГИ. Предложен анализ методов проектирования информационных моделей. Описана новая реляционно-фреймовая модель представления данных и знаний предметной области. Описаны средства шаблонного проектирования для задач автоматизации работы информационной подсистемы.
В третьей главе рассмотрены вопросы регистрации, обработки и расчета временных рядов параметров динамических изображений ГРВ-грамм. Описаны алгоритмы фильтрации шумов и вычисления значимых топологических характеристик изображений динамических ГРВ-грамм. Описан алгоритм анализа временных рядов, основанный на методах статистического, фрактального, энтропийного и спектрального Фурье-анализа.
Четвертая глава посвящена вопросам практической программной реализации всех блоков, входящих в структуру БТС АГИ. Рассмотрена структура программного обеспечения, вопросы проектирования и выбора инструментальных средств разработки.
В пятой главе приведены результаты экспериментальных исследований, проведенных в рамках диссертационной работы по практическому применению БТС АГИ для анализа психофизического потенциала спортсменов. Приводятся результаты экспериментальных исследований и разработки биотехнической системы анализа нервно-психической устойчивости и уровня стресса, которая может использоваться для задач профессионального отбора для работы в условиях повышенного риски и нагрузок на организм человека.
Автоматизированный анализ и обработка изображений ГРВ-грамм
Исходным информационным сигналом в ГРВ-графии, подлежащем обработке и анализу, является набор полутоновых растровых изображений свечения газового разряда [28]. Для обеспечения эффективного автоматизированного анализа свойств исследуемого объекта методом ГРВ-графии, необходимо осуществить параметрическое описание полученных экспериментальных изображений с целью извлечения количественной информации о явлениях и процессах, протекающих в поле изображения. Методы обработки изображений направлены на повышение качества исходного изображения (приведение его к некоторому заданному эталону), параметрическое описание (векторизация) изображения и вычисление набора признаков изображения, позволяющие сопоставить его с каким либо классом образов [29].
Анализ изображения предусматривает изучение отдельных характеристик, составных частей, фрагментов или сегментов изображения [30]. К настоящему времени в литературе нет устоявшегося понимания термина - анализ изображения. В ГРВ-графии под анализом изображения имеется в виду измерительный аспект обработки видеоданных. Следовательно, анализ изображения будет заключаться в измерении различных количественных данных изображения в целях выявления свойств свечения газового разряда, то есть анализ изображения, в данном случае, можно интерпретировать как задачу измерения характеристик газового разряда [31].
Системы анализа и обработки изображений можно условно разделить на два класса [32]: Системы, в которых осуществляется анализ и обработка динамических изображений в реальном масштабе времени (к таким системам относятся, например, телевизионные и мониторинговые видеосистемы). Реальный масштаб времени понимается как режим, обеспечивающий регистрацию явлений и выработку решений (измерений) без вторжения в динамику этих явлений. Системы, используемые для детального анализа статических и динамических изображений. Они характеризуются сложными процедурами обработки, требующими большого объема памяти и времени обработки сигналов.
Применительно к задачам динамической ГРВ-графии могут быть востребованными как первый класс задач (работающий в реальном масштабе времени), так и второй. В первом случае речь идет о средствах визуализации динамических ГРВ-грамм. С одной стороны, видеосигнал газового разряда должен отображаться без искажений, в реальном масштабе времени, с другой стороны - для эффективного визуального анализа необходимо осуществить определенную обработку видеоизображения, повышающую его информативность (фильтрация шумов, цветовое выделение значимого сигнала и пр.) [33]. То есть, необходимы эффективные алгоритмы визуализации, работающие в реальном масштабе времени. Во втором случае речь идет об алгоритмах анализа изображения и расчета множества его характеристик, решающих задачу параметрического описания ГРВ-граммы. Эта задача может потребовать значительных вычислительных ресурсов и оперативной памяти. Таким образом, анализ и обработка динамических ГРВ-грамм должны выполняться за два этапа: обработка в реальном масштабе времени для визуализации видеосигнала и анализ параметров изображения ГРВ-граммы [34].
Для задач ГРВ-графии в целом различные виды обработки изображений ГРВ-грамм включают в себя следующие виды вычислений [35]: Преобразование диапазона и значений интенсивностей, входящих в изображение (калибровка); Анализ гистограмм, выделение перепадов яркостей и границ, фильтрация и подавление шумов; Построение списка информативных фрагментов изображения; Вычисление центра свечения газового разряда; Векторизация контура изображение и его параметрическое описание; Различные виды сегментации и топологические преобразования. Расчет множества параметров преобразованного изображения его сегментов и фрагментов; Визуализация в заданной цветовой палитре.
Следует отметить следующие особенности исследования биологических объектов и человека методом ГРВ-графии, усложняющие задачу анализа изображений динамических ГРВ-грамм:1. Не существует, в настоящий момент, формального теоретического описания процессов, определяющих развитие газового разряда во времени на аналитическом уровне. Следовательно, выбор параметров для описания ГРВ-грамм носит эмпирический характер и подтверждается экспериментально для каждого объекта исследования.2. Процесс формирования изображения свечения газового разряда имеет случайный характер, в условиях сильной зашумленности сигнала. Поэтому, процедура анализа должна быть адаптивной под конкретную задачу исследования, имеющую особые условия регистрации изображения и природу взаимодействия объекта исследования и газового разряда.3. Существует необходимость анализировать изображения ГРВ-грамм объектов, принадлежащих одному классу, но имеющих различные геометрические и электропроводные характеристики (например, пальцы рук человека, образцы материалов нестандартной формы и структуры). Параметры ГРВ-грамм таких объектов должны отражать не форму их свечения, а исследуемые свойства и состояния.
Информационная модель на основе фреймового представления данных
Исходя из анализа реляционной и объектной моделей данных, а также требований открытости структуры автоматизированной системы анализа изображений, сформулирован состав входящих в нее терминальных объектов и их свойства: на всех этапах работы БТС АГИ данные объекта исследования могут быть представлены с помощью моделей атрибутивного (признакового) типа; допускается переменный состав признаков, характеризующих состояние исследуемого объекта; различные подсистемы БТС АГИ могут находиться в семантической зависимости друг от друга; признаки образуют иерархическую структуру с переменным количеством уровней вложенности.
Перечисленные свойства относятся главным образом к функционированию информационной подсистемы. В данной работе предложено применить для представления подобных типовых объектов систему фреймов, определенную Минским как «структуру данных для представления стереотипных ситуаций» [43]. Эту структуру он наполнил самой разнообразной информацией: об объектах, событиях и о том, как использовать информацию,
имеющуюся во фрейме. Идея состояла в том, чтобы сконцентрировать все знания и данные о данном классе или экземпляре объектов в единой структуре, а не распределять их между разрозненными файлами, таблицами, правилами, процедурами и пр. Такие знания либо сосредоточены в самой структуре, либо доступны из этой структуры (хранятся в другой структуре, связанной с фреймом). По существу, фрейм связывает декларативные, процедурные знания и данные в структуру записей, которая состоит из слотов и наполнителей. Слоты играют ту же роль, что и поля в записи, а наполнители - это значения, хранимые в слотах. Каждый фрейм имеет специальный слот, заполненный наименованием сущности, которую он представляет. Другие слоты заполнены значениями разнообразных атрибутов, ассоциирующихся с объектом. Это могут быть и процедуры, которые необходимо активизировать всякий раз, когда осуществляется доступ к фрейму или его обновление. Идея состоит в том, чтобы выполнение большей части вычислений, связанных с решением проблемы, явилось побочным эффектом передачи данных во фрейм или извлечения данных из него.
Фрейм можно рассматривать как сложный узел особого вида графа. Как правило фреймы организованы в виде «ослабленной иерархии» или «ге-терархии» (ациклический граф, в котором узлы могут иметь боле оного предшественника) в которой фреймы, расположенные ниже в сети, могут наследовать значения слотов разных фреймов, расположенных выше [44].
Другой фундаментальной особенностью систем фреймов является их способность представлять экспертные знания единообразно с данными [45]. Иерархическое представление объектов предметной области позволяет описывать понятия общности-частности и достоверности данных, что необходимо для оценки качества решений, предлагаемых экспертной системой [46]. Свойства и процедуры, ассоциированные с фреймами, расположенными выше в системе фреймов, являются более или менее фиксированными. Они представляют те объекты или понятия, которые в большинстве случаев яв ляются истинными для интересующей нас сущности. В то время как фреймы более нижних уровней имеют слоты, которые должны быть заполнены наиболее динамической информацией, подверженной частым изменениям. Если такого рода динамическая информация отсутствует, то фреймы более нижних уровней заполняются данными от фреймов более верхних уровней, которые носят глобальный характер. Данные, которые передаются в процессе функционирования системы от внешних источников во фреймы нижних уровней, имеют более высокий приоритет, чем данные, унаследованные от фреймов более верхних уровней [47].
Адаптация теории фреймов к задачам представления и хранения данных и знаний в рамках автоматизированной системы анализа изображений ГРВ-грамм позволила разработать концепцию информационной реляционно-фреймовой модели БТС АГИ. В основе модели лежит двухуровневое представление данных. На каждом уровне определяется простейшая грамматика описания данных и язык трансляции формата представления данных с одного уровня на другой [48].
Информационная модель низкого уровня Мр, ориентирована на реализацию в виде реляционных таблиц данных и предназначена для создания типизированного хранилища признаков объектов системы. Модель должна: включать реляционные таблицы признаков каждого простейшего типа, где каждый признак представляется в виде пары о6ъект, значениё , включать реляционные таблицы, описывающие структуру объектов системы, где каждый объект представлен таблицей вида идентификатор, объект, имя, тип , обеспечить возможность трансляции запросов в формате модели высокого уровня в свой формат, выборку из базы данных и выдачу данных в виде упорядоченных списков, для инициализации модели более высокого уровня.
Информационная модель высокого уровня Мф обеспечивает представление данных в виде набора фреймов, представляющих иерархию признаков исследуемых объектов. Каждая функциональная подсистема БТС АГИ может иметь свою ветвь в этой иерархии или обращаться к произвольному признаку, исходя из правил и методов интерпретации данных, входящих в подсистему.
Модель вида Мф должна обеспечивать возможность использования данных при решении задач описания признаков исследуемого объекта в структурах знаний (нижний уровень иерархии знаний включает наборы числовых характеристик ГРВ-грамм, а верхний - количественную оценку какого-либо аналитического параметра), экспертного анализа свойств объекта исследования или состояния испытуемого, принятия решения о достаточности и достоверности проведения тестирования.
Вычисление значимых топологических характеристик изображения
Для исследования методом ГРВ используются объекты некоторой «стандартной» формы для обеспечения статистической воспроизводимости результатов. Например, для твердотельных объектов обычно это цилиндр, для порошкообразных веществ - цилиндрическая емкость, для жидкостей -мениск - вывешенная над электродом капля. При медицинских и психофизиологических исследованиях регистрируют свечение вокруг пальцев рук человека, которые имеют овальную форму. Поэтому, на изображении выделяется специальная точка, называемая центром свечения, которая соответствует геометрическому центру плоскости исследуемого объекта участвующей в формировании газового разряда, и внутренний овал, соответствующий контору плоскости объекта, расположенной на электроде прибора. Координаты центра свечения используются при вычислении некоторых ГРВ-параметров [58, 59]. Кроме того, часто применяется секторный анализ для изучения особенностей свечения в отдельном угловом секторе изображения, с центром в этой точке.
Координаты центра свечения (хс,ус) вычисляются одним из несколькихспособов: гдеіУ - общее количество точек с ненулевой интенсивностью;4. Центр тяжести всех точек оразующих внутренний контур свечения;5. Центр тяжести всех точек образующих внешний контур свечения;6. Центр тяжести точек, принадлежащих фрагменту, ближайшему к середине изображения.
Иногда, удобно провести дополнительный этап фильтрации шума для удаления всех точек свечения, которые лежат далее заданного расстояния (называемого рабочим радиусом) от центра свечения. Например, при исследовании жидкостей, может происходить разбрызгивание мелких капель по поверхности электрода. Дополнительная фильтрация в этом случае помогает убрать свечение капель и исследовать только свечение самого образца.
Для осуществления визуального изучения ГРВ-грамм применяется техника псевдоокрашивания. Принцип псевдоокрашивания основан на разбиении яркостного спектра изображения на несколько частей. Каждому участку присваивается определенный цвет, вследствие чего все точки, интенсивность свечения которых лежит в заданном интервале, отображаются на экране одинаковым цветом. Таким образом, можно подчеркивать различные визуальные особенности ГРВ-грамм.
В программе предусмотрены следующие типы псевдоокрашивания:1. Исходное изображение - изображение в том виде, в котором оно получено от видеокамеры. Используются серая цветовая гамма, содержащая 256 оттенков серого (от черного до белого). Точки с минимальной интенсивностью свечения отображаются темными (почти черными) оттенками серого, точки с максимальной интенсивностью свечения отображаются светлыми (почти белыми) оттенками;2. Инвертированное изображение — используется инвертированная серая цветовая гамма, содержащая 256 оттенков серого (от черного до белого). Точки с минимальной интенсивностью свечения отображаются светлыми (почти белыми) оттенками серого, точки с максимальной интенсивностью свечения отображаются темными (почти черными) оттенками. При использовании этой палитры более четко, чем на исходном изображении видны отдельные мелкие детали свечения и тонкие стримеры;3. Интенсивная палитра - точки изображения окрашиваются в один из восьми цветов. Самые яркие точки свечения окрашиваются в оттенки синего, менее яркие точки окрашиваются в оттенки красного, в желтый цвет окрашиваются точки, интенсивность которых выше уровня шума, но ниже автоматически вычисляемой базовой интенсивности шума для данного кадра. Все точки изображения удаленные алгоритмом фильтрации шума отображаются белым цветом.4. Монотонная палитра - все точки изображения удаленные алгоритмом фильтрации шума отображаются черным цветом, остальные точки отображаются ярким однотонным цветом. Эта палитра используется при анализе площади свечения по секторам и всего изображения в целом, для того чтобы избежать "обмана зрения", который может возникнуть, если некоторые точки свечения будут плохо видны из-за окраски близкой к окраске "шумовых" точек.5. Синяя палитра - используется цветовая гамма, содержащая 256 оттенков синего цвета (от черного к ярко-синему). Точки с минимальной интенсивностью свечения отображаются темными (почти черными) оттенками, точки с максимальной интенсивностью свечения отображаются яркими (почти синими) оттенками. Эта палитра отображает свечение в том виде близком к тому, в котором его можно видеть невооруженным взглядом на электроде прибора. Для оценки «зашумленности» изображения можно маскирование шумовой части изображения ГРВ-граммы. Сравнение изображения с наложением шума и баз него позволяет судить о качестве съемки ГРВ-граммы и на полученное изображение внешних факторов. На рисунках 12-16 представлены различные варианты отображения ГРВ-грамм с маскированием и наложением шума на изображение.
Инструментальные средства разработки
Удачный выбор инструментальных средств для разработки новых программных систем во многом обуславливает успех этой разработки. При проектировании современных систем используются готовые свободно распространяемые или коммерческие компоненты, библиотеки функций, число которых в системе может достигать до десятка и более. С одной стороны, использование готовых блоков позволяет ускорить разработку систем, а с другой, функциональные возможности новой системы значительно расширяются за счет функций предоставляемых библиотеками.
Проектирование и разработка БТС АГИ велись с учетом ряда требований будущих пользователей системы. Первое и наиболее важное требование связанно с тем, что системы должна эксплуатироваться на имеющейся у пользователя вычислительной базе. Заранее невозможно определить, какую операционную систему использует пользователь. Таким образом, системный инструментарий для БТС АГИ ГРВ-грамм должен работать на всех наиболее распространенных платформах, что позволит с минимальными усилиями перенести БТС АГИ с одной платформу на другую. Следующее по важности требование, это расширение системы. Скорость разработки новых модулей системы от разнообразия функциональных возможностей используемых библиотек.
Лидером среди языков программирования по количеству изданной литературы, разработанных библиотек, областей применения" является язык C++ [74, 75]. Этот язык поддерживается на всех платформах, для него разработаны десятки компиляторов, оболочек проектирования, и, что самое важное, для языка C++ существует стандарт, гарантирующий воспроизведение его функциональных возможностей для различных версий компиляторов. Язык C++ является языком компилирующего типа, что обеспечивает его высокую производительность, однако C++ не поддерживает в явном виде пол ностью парадигму объектно-ориентированного проектирования.
Альтернативным C++ средством разработки можно назвать активно развивающийся и широко используемый в настоящее время язык Python, который является некоммерческим средовом быстрой разработки для широкого круга задач [76, 77]. Наибольшее применение Python нашел в задачах искусственного интеллекта. Также как и C++, Python функционирует на всех основных платформах и для него разработано большое количество прикладных библиотек. Python - это язык интерпретирующего типа, что снижает его производительность в системных задачах. Но для задач анализа и интерпретации данных, этот язык превосходит C++ по возможностям, так как непосредственно поддерживает различные парадигмы программирования (функциональное, императивное, объектно-ориентированное) [78], полностью реализует принципы объектно-ориентированного проектирования и позволяет выполнять динамически формируемый программный код.
Следует отметить, что для C++ и Python разработана библиотека, позволяющая совместно использовать оба этих языка в одном проекте, предоставляя тем самым инструментарий с наиболее широкими на сегодняшний день возможностями.
Учитывая вышесказанное, для реализации программного обеспечения БТС АГИ были выбраны языки программирования C++ и Python с использованием ряда библиотек, разработанных для этих языков. Выбор гетерогенной структуры программного обеспечения обусловлен также и спектром требований, накладываемых на БТС АГИ ГРВ-грамм. В качестве системного средства разработки выбран язык C++, являющийся в настоящий момент наиболее гибким и производительным инструментом. Однако, для реализации в БТС АГИ встраиваемых расширений, использован язык Python, так как он предоставляет разработчику ряд существенных преимуществ, среди которых: короткий цикл разработки, «чистая» объектно-ориентированная парадигма программирования, возможность исполнения сценариев пользователя, под держка метапрограммирования и интроспективных объектов, интерпретация кода и прочие. Кроме того, язык Python в настоящий момент является развитым инструментарием для разработки приложений в области ИИ.
За счет гетерогенной природы системы и реализации в ее рамках информационной модели данных на базе фреймового представления обеспечена открытость системы по отношению к структуре хранимой информации и расширению набора тестирующих и аналитических модулей. Этот аспект позволяет адаптировать работу системы к анализу свойств различных объектов исследования.
Информационная подсистема является центральной в структуре БТС АГИ, она обеспечивает управление информационными потоками между компонентами системы и вызов других подсистем. Блок информационной подсистемы реализован в виде трех основных программных модулей: Система управления реляционно-фреймовой базой данных; Интерфейс пользователя для работы с базой данных, тестирующими и аналитическими компонентами системы; Интерфейс пользователя для работы с записью базы данных, соответствующей одному исследуемому объекту или испытуемому. Функции экспорта и импорта данных для взаимодействия с другими системами набора и анализа данных.
Алгоритмы системы управления реляционно-фреймовой базой данных (СУРФБД) описаны в главе два. Программный интерфейс СУРФБД доступен для всех компонентов автоматизированной системы и является единственным способом обмена данными в системе.
Интерфейс пользователя для работы с базами данных реализован в ви де окна (рис. 19), автоматически вызываемого при запуске БТС АГИ. Это окно является главным окном системы. Программа автоматически открывает том базы данных, с которым пользователь работал последний раз.
Пользователь, с помощью меню и панели инструментов главного окна, может создавать, удалять и редактировать тома базы данных, называемых также «папки данных». Каждая такая папка содержит набор записей об объектах исследования, отображаемых в виде списка в нижней части главного окна. Интерфейс главного окна позволяет добавлять и удалять записи данных, а также открывать для каждой записи специальное окно, называемое карточкой. Одновременно может быть открыто несколько окон для одновременной работы и визуального сравнения данных для различных исследуемых объектов или испытуемых. На рисунке 20 представлен интерфейс карточки
