Содержание к диссертации
Введение
1 Анализ методов автоматизации проведения исследований и диагностирования в медицине (обзор) 11
1.1 Методы проведения процедуры диагностирования функционального состояния зубочелюстной системы 19
1.2 Методы обработки изображений в системах технического зрения 27
1.3 Анализ типов баз данных для применения в качестве картотеки пациентов программы измерения гипсовых моделей 42
1.4 Цель и задачи исследования 52
2 Методы обработки графической информации в системе технического зрения автоматического ортопедического артикулятора 53
2.1. Анализ структуры разрабатываемого информационно диагностического комплекса 54
2.2 Бесконтактный метод идентификации динамических координат объекта оригинала 59
2.3 Анализ методов обработки изображений, используемых в системе технического зрения автоматического артикулятора 63
2.4 Процедура измерения гипсовых моделей челюстей как основа алгоритмов обработки информации 69
Выводы 73
3 Алгоритмизация процесса обработки медицинских данных в системе технического зрения автоматического ортопедического артикулятора 74
3.1 Алгоритм идентификации координат реперных точек 74
3.2 Автоматизация процедуры измерения гипсовых моделей челюстей 87
3.3 Информационная модель объекта исследования 98
Выводы 100
4 Практическая реализация алгоритмов обработки информации в системе технического зрения автоматического артикулятора 101
4.1 Функциональное взаимодействие программных модулей идентификации динамических координат объекта оригинала 101
4.2 Программное обеспечение процесса автоматизированного измерения гипсовых моделей челюстей 109
Заключение 112
Литература 113
Приложение 1 Листинг основного модуля программы автоматизированной обработки изображения 121
Приложение 2 Листинг основного модуля программы измерения моделей по фотографии 137
Приложение 3 Акт внедрения в лечебный процесс кафедры ортопедической стоматологии ВГМА им. Н.Н. Бурденко 162
Приложение 4 Акт о внедрении в учебный процесс кафедры ортопедической стоматологии ВГМА им. Н.Н. Бурденко 163
Приложение 5 Акт о внедрении результатов диссертационной работы в учебный процесс кафедры АИТС 164
- Методы обработки изображений в системах технического зрения
- Анализ методов обработки изображений, используемых в системе технического зрения автоматического артикулятора
- Автоматизация процедуры измерения гипсовых моделей челюстей
- Функциональное взаимодействие программных модулей идентификации динамических координат объекта оригинала
Введение к работе
Актуальность темы. В последнее время в области ортопедической
стоматологии все более актуальным становится создание и внедрение
информационно-диагностических комплексов, позволяющих
автоматизировать и максимально облегчить труд врача-ортопеда
Одними из важнейших критериев, определяющих состояние зубочелюстной системы, является траектория движения нижней челюсти (далее объекта оригинала) и состояние зубных рядов пациента Анализ параметров траектории позволяет выявить отклонения от нормы, определить курс лечения и осуществить подгонку зубных протезов
Использование бесконтактной методики анализа состояния зубочелюстной системы уменьшает нагрузку на врача и пациента, сокращая время проведения исследования до нескольких минут, и позволяет провести подгонку зубных рядов без участия пациента и избавиться от целого ряда погрешностей, причиной возникновения которых являются естественные психофизиологические реакции, возникающие при мануальном контакте врача и пациента и неточность ручных измерений
Для решения данной задачи необходима разработка способа бесконтактного определения объемных параметров объекта оригинала, обеспечивающего минимальное воздействие на пациента и высокую достоверность получаемых данных
Реализация бесконтактного способа исследования на практике требует решения задачи разработки и создания аппаратно-программной автоматизированной системы обработки информации, позволяющей проводить диагностирование на основе экспериментальных данных, а также обеспечивающей возможность обработки и хранения результатов, как в графическом, так и в текстовом виде
В этой связи актуальность темы диссертационного исследования продиктована необходимостью разработки средств формализованного описания траектории движения объекта ориіинала алгоритмов идентификации его динамических координат, а также алгоритмов,
позволяющих провести статическое исследование функционального состояния объекта оригинала с учетом следующих требований обеспечения требуемого объёма информации и точности получаемых данных, индивидуализации свойств траектории движения объекта оригинала, размера занимаемой машинной памяти, быстродействия и наглядности получаемых результатов
Тематика диссертационной работы соответствует одному из основных научных направлений Воронежского государственного технического университета «Проблемно-ориентированные системы управления»
Объектом исследования является информационно-диагностический комплекс, включающий систему идентификации координат движения объекта оригинала, используемых в качестве управляющих сигналов системы управления автоматического артикулятора, инструментарий графического представления информации, а также систему диагностирования гипсовых моделей и электронную картотеку
Цель и задачи исследования. Целью диссертационной работы является разработка комплекса алгоритмов обработки медицинской информации, идентификации координат движения объекта оригинала в трёхмерном пространстве, а также средств обеспечения требуемой точности, достаточной для индивидуализации экспериментальных данных Для достижения данной цели в работе поставлены и решены следующие задачи
-
Провести анализ существующих компьютерных информационно-диагностических медицинских комплексов, алгоритмов обработки изображений и типов баз данных
-
Разработать способ измерения параметров объемной поверхности объекта оригинала
-
Разработать алгоритм идентификации динамических координат объекта оригинала на видеокадрах, с учетом требований, предъявляемых к средствам обработки графической информации
-
Разработать алгоритмы отображения сформированных траекторий движения объекта ориіинала в рамках процедуры формирования вектора, задающего воздействия на робот-артикулятор
-
Разработать алгоритм диагностирования зубных рядов пациента на основе измерений, проводимых по фотографиям гипсовых моделей с требуемой степенью точности
-
Разработать электронную картотеку с автоматически загружаемыми данными, формируемыми на основе измерений фотоаналогов гипсовых моделей
Методы исследования. Полученные результаты работы
базируются на использовании методов теории математического
моделирования, численных методов, основных положений теории
обработки изображений, теории объектно-ориентированною
программирования, теории реляционных баз данных
Научная новизна работы. В работе получены следующие результаты,отличающиеся научной новизной
-
Бесконтактный способ измерения параметров объемной поверхности нижней челюсти человека, отличающийся реализацией технологии обработки информации в системе техническою зрения автоматического ортопедического артикулятора
-
Алгоритмы параметрической идентификации графических моделей объекта оригинала, отличающиеся учетом индивидуальных амплитуд движений объекта оригинала
-
Комплексный алгоритм обработки данных, полученных средствами системы технического зрения автоматического артикулятора, отличающийся реализацией альтернативных методов обработки информации
-
Алгоритмизация процедуры измерения гипсовых моделей челюстей, обеспечивающая автоматизированный процесс обработки информации, формирование электронной картотеки и ее взаимодействие с программным комплексом на основе технологии ADO
Практическая значимость. Результать/ диссертационного
исследования являются основой разработки средств математического,
программного и информационного обеспечения аппаратно-технического
комплекса автоматического ортопедического арі икулятора,
предназначенного для диагностирования функционального состояния зубочелюстной системы человека Разработанные алгоритмы идентификации динамических координат объекта оригинала включают инвариантную процедуру, позволяющую применять их в других предметных областях, требуемых обработки графических данных, в том числе не связанных с медициной
Результаты внедрения. Основные теоретические и практические результаты работы внедрены в учебный процесс кафедры «Автомагики и информатики в технических системах» Воронежского государствен ного технического университета в рамках дисциплин «Оптимальные системы управления», «Теория автоматического управления» и «Адаптивные системы управления»
Результаты теоретических и экспериментальных исследований внедрены в Воронежской государственной медицинской академии имени Н Н Бурденко на кафедре ортопедической стоматологии
Апробация работы. Основные положения работы докладывались и обсуждались на Всероссийской научно-технической конференции «Прикладные задачи электромеханики, энергетики, электроники» (Воронеж, 2006), в рамках областного конкурса в области науки и техники «Золотой лев» (Воронеж, 2006), VII Московском международном салоне инноваций и инвестиций (Москва, 2007), Всероссийской научно-технической конференции «Прикладные задачи электромеханики энергетики, электроники Инженерные идеи XXI века» (Воронеж, 2007), ежегодных научно-технических конференциях кафедры АИГС (2004 -2007)
Публикации. По теме диссертационной работы опубликовано 14 научных работ, в том числе 2 - в изданиях, рекомендованных ВАК РФ
Получен патент на изобретение «Способ измерения параметров объемной поверхности нижней челюсти человека» (патент РФ №2284750, 2005)
В работах, опубликованных в соавторстве и приведенных в автореферате, лично соискателю принадлежат [2] - анализ основных причин, возникающих при определении координат реперных точек СТЗ, [3] - выбор и обоснование использования аппаратной базы, используемой для построения оптимизационных моделей, [4] - практическая реализация рассматриваемой модели решения обратной кинематической задачи, [7, 8] - разработка алгоритма измерения гипсовых моделей по фотографии, [11, 13, 14] - аппаратное и программное обеспечение комплекса СТЗ
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 91 наименования и приложений Основная часть изложена на 164 страницах, содержит 48 иллюстраций
Методы обработки изображений в системах технического зрения
Поскольку одним из программных модулей разработанной системы технического зрения является программа определения координат движения реперных точек (собственно АСОИ), необходимо разработать определённый алгоритм в соответствии с которым следует провести обработку видеоизображения (например, провести пороговую обработку, фильтрацию, сглаживание или подавление шумов). При этом необходимо выбрать алгоритм, позволяющий получить максимально высокие результаты обработки видеосъемки. Т.е. необходимо, чтобы во время работы АСОИ не возникали сбои при определении координат реперных точек. Сейчас существует масса алгоритмов обработки изображений. Проанализируем наиболее часто применяемые из них, а также их достоинства и недостатки.
Обработка изображений является многоплановой задачей [1, 2, 3, 8, 21, 37, 51, 63, 64]. Сюда включают решение задач фильтрации шумов, геометрической коррекции, градационной коррекции, усиления локальных контрастов, резкости, восстановления изображений и др. Методы обработки изображений разделяют на два класса. Первый - методы обработки в частотной области, второй - методы обработки в пространственной области.
Методы обработки изображений в частотной области базируются на соответствующих моделях зрения человека, например, модели Стокхема, Ч.Холла и Э.Холла. Эти модели показывают, что эффективное изменение визуального качества изображения можно проводить через изменение двух основных составных частей изображения - низкочастотной (фоновой) и высокочастотной (детальной). Алгоритмы обработки в частотной области имеют большую вычислительную сложность, которая ограничивает их использование для обработки изображений в масштабе реального времени. Однако линейная фильтрация широко используется в когерентных оптических системах обработки информации, где как и в цифровой обработке, сигналов она базируется на использовании быстрых алгоритмов свертки и спектрального анализа. Параметры необходимых фильтров преимущественно определяют, пользуясь принципами оптимальной (винеровской) фильтрации, разработанной для среднеквадратического критерия качества фильтрации. Достижения теории фильтрации широко используют при обработке изображений. Так, согласующая фильтрация применяется в обработке изображений с позиций не просто повышения качества, а для выявления объектов на изображениях. Реальные системы формирования изображений не являются идеальными из-за аберрации, смазывания изображения во время экспозиции, низкого контраста, наличия атмосферных неоднородностей и т.п. Поэтому для этих систем в предположении их линейности и стационарности можно значительно улучшить качество изображений, применяя технику инверсной фильтрации.
Метод инверсной фильтрации никак не учитывает шумовых эффектов, поэтому не удивительно, что он дает плохие результаты при наличии шума. Методы винеровской фильтрации учитывают априорное значение статистических свойств шума и потому позволяют повысить качество возобновляемых изображений. При использовании метода пространственной реставрации изображений на основе регрессии шумовое поле моделируют некоторой реализацией двумерного случайного процесса с неизвестными средним и ковариационной функцией. Тогда применяют винеровское оценивание в предположении, что идеальное изображение также является реализацией двумерного случайного процесса с известными первым и вторым моментами. Представляя результирующее изображение как свертку входного изображения с импульсной передаточной характеристикой или функцией размывания точки оптической системы, которая вносит искажение, для восстановления изображения используют также итерационный алгоритм Бугера-Ван-Циттера.
Рядом с этими методами широко используются методы линейной фильтрации для улучшения изображений. Основой большинства методов линейной фильтрации в пространственной области являются ортогональные преобразования. Существует три основных области применения двумерных ортогональных преобразований для обработки изображений. Во-первых, преобразования используют для выделения характеристик признаков изображения. Второй областью применения является кодирование изображений, когда ширина спектра уменьшается за счет отбрасывания или грубого квантования малых по величине коэффициентов преобразования. Третья область применения - это сокращения размерности при выполнении вычислений. К таким преобразованиям принадлежат преобразования Фурье, синусные, косинусные, волновые преобразования, а также преобразования Карунена-Лоева, Уолша, Хаара и Адамара. Однако и эти преобразования не обеспечивают обработки изображений в масштабе реального времени из-за своей вычислительной сложности.
Другой подход к обработке изображений с целью улучшения их визуального качества состоит в непосредственном использовании разных фильтров. Область их функционирования - в основном частотная и реже -пространственная. Для этого используют разные методы синтеза фильтров, как одномерных, так и двумерных, чем обеспечивают реализацию заданных частотных характеристик.
Основываясь на литературных данных [21,24,30] можно говорить, что для решения задачи поиска и определения координат реперных точек все методы условно можно разделить на три группы. Первая группа основывается на применении статистических методов обработки изображений. Вторая группа методов использует признаки изображений. Методы третьей группы представляют собой методы согласованной фильтрации и сопоставления с эталоном.
Среди методов основанных на преобразовании изображения [2] (которые можно применить для поиска реперных точек) можно выделить сегментацию изображения, двумерное преобразование Фурье[33].
Статистический метод обнаружения реперных точек
Операция обнаружения таких объектов в обобщенной форме может быть определена в виде сравнения с некоторым числом — порогом другого числа, полученного в результате преобразования математического описания анализируемого образца изображения, заданного, например, функцией яркости.
При выполнении условия (1.1) принимается решение о наличии искомого объекта, в противном случае — об отсутствии его. Качество обнаружения характеризуется двумя показателями:
1) вероятностью правильного обнаружения, которая равна вероятности выполнения условия (1) при наличии на анализируемом изображении искомого объекта;
2) вероятностью ложной тревоги, равной вероятности выполнения условия (1.1) при отсутствии на анализируемом изображении искомого объекта. Обработка изображения методом согласованной фильтрации и сопоставления с эталоном
В этом методе для обнаружения объектов используется корреляционная обработка, согласно [44, 57, 72]. При этом обеспечивается максимизация отношения сигнал/шум, хотя форма, исходного сигнала на выходе такого фильтра не сохраняется. Частотная характеристика такого фильтра является комплексно сопряженной по отношению к спектру фильтруемого сигнала.
Анализ методов обработки изображений, используемых в системе технического зрения автоматического артикулятора
Рассмотренные в предыдущей главе алгоритмы обработки изображений широко применяются в различных прикладных областях, где необходимо выполнение соответствующих операций над графическими данными, однако они обладают рядом недостатков, которые препятствуют их использованию для решения поставленной задачи.
Недостатком статистического метода обнаружения реперных точек является сложность формирования плотности вероятности и как следствие оператора L (см. формулу 1.1). Применение для обработки изображения метода согласованной фильтрации и сопоставления с эталоном затруднено большой сложностью построения согласованного фильтра (формула 1.3) и зависимостью уровня возникающих помех от качества изображения (в нашем случае качества видеосъёмки).
Использованию метода обнаружения точек с использованием признаков изображения мешает необходимость выставления точного значения порога, поскольку при слишком высоком уровне порога не будут обнаружены структурные элементы с низким контрастом и наоборот, слишком низкий уровень порога явится причиной того, что шум будет ложно принят за перепад.
Применение преобразования Фурье для поиска перепадов яркости изображения сдерживается тем обстоятельством что, анализ спектра Фурье-преобразования на предмет поиска перепадов яркости затруднителен. Недостатком обработки изображения методом Розенфельда является необходимость подбора размера маски, который, например, в нашем случае должен варьироваться в зависимости от качества съёмки. Необходимость высокой точности при подборе размера апертуры фильтра делают затруднительным обработку изображения методом преобразования локальных контрастов, кроме того, экспериментальные исследования и компьютерное моделирование данного метода показали его недостаточную эффективность, поскольку результирующее изображение, как правило, получается размытым.
Недостатком метода исключения фона является неустойчивая работа в условиях, когда новые объекты внедряются в сцену и становятся частью фона. Кроме того, данный метод чувствителен к бликам, возникающем на фоновом изображении, которые могут быть интерпретированы как искомые области, или произойдёт их наложение на движущееся изображение, что явится причиной возникновения шумов и помех.
Для решения поставленной задачи идентификации координат реперных точек наиболее целесообразным представляется использование комбинированного многошагового алгоритма обработки видеоизображения включающего в себя метод сегментации изображения по яркости, использование процедур прореживания и сжатия. Использование подобного комбинированного алгоритма позволит максимально снизить количество возникающих помех и уровень шума, а также обеспечит возможность обработки даже сильно зашумленного видеоизображения, на котором присутствуют блики, или съёмки проведённой в помещении с плохим освещением. Рассмотрим более подробно, что представляют собой методы обработки изображения, используемые в разработанном алгоритме. Сегментация видеоизображения в системе технического зрения по яркости
Сегментация изображения представляет собой [62-64] разделение или разбиение изображения на области по сходству свойств их точек. Наиболее часто сегментацию проводят по яркости для одноцветного изображения и цветовым координатам для цветного изображения. В процессе сегментации производится лишь подразделение изображения. Не делается попытки распознать отдельные сегменты, установить взаимные соотношения между ними и пометить их соответствующими символами. Как метод сегментации изображения можно рассматривать пороговое ограничение изображения. Многие изображения можно охарактеризовать тем, что они содержат интересующий нас объект достаточно однородной яркости на фоне другой яркости. Если объект имеет белый цвет и расположен на черном фоне или наоборот, то определение точек объекта представляет собой задачу установления порога по средней яркости.
Если значение Т в уравнении (2.1) зависит только oif(x, у), то, порог называется глобальным. Если значение Г зависит как от/(Зс, у), так и отр(х, у), порог называется локальным. Если, кроме того, Т зависит от пространственных координат х и у, в этом случае он называется динамическим порогом. Глобальные пороги применяются в ситуациях, когда имеется явное различие между объектами и фоном. Методы обратной и структурированной освещенности, обычно дают изображения, которые также могут быть сегментированы путем применения глобальных порогов.
Одним из наиболее важных аспектов при выборе порогового уровня является возможность надежно идентифицировать модовые пики гистограммы данного изображения. Это важно при выборе порогового уровня в ситуациях, когда характеристики образа меняются вследствие большого разброса интенсивности.
Одним из подходов для улучшения вида гистограмм является рассмотрение только тех пикселов, которые лежат на границе (или около нее) между объектами и фоном. Одно из очевидных улучшений состоит в том, что этот подход позволяет получать гистограммы менее зависимыми от отношения между объектом и фоном. Например, гистограмма интенсивности образа, составленного из маленького объекта на большой площади постоянного фона, определялась бы большим пиком вследствие концентрации пикселов фона. С другой стороны, результирующие гистограммы имели бы пики с более сбалансированными высотами, если бы рассматривались пикселы, лежащие только на (или около) границе между объектом и фоном. Кроме того, вероятность расположения пиксела на границе объекта практически равна вероятности того, что он лежит на границе фона, что улучшает симметрию гистограммных пиков.
Изложенное выше связано с определением порогового уровня для единственного переменного значения интенсивности. В некоторых приложениях можно использовать более одной переменной для характеристики каждого пиксела образа, увеличивая таким образом не только степень различия между объектом и фоном, но и между объектами. Одним из наиболее значимых примеров является цветное зрение, где используются красные, зеленые и голубые компоненты (RGB от английского red - красный, green - зелёный, blue - голубой) для формирования составного цветного образа [17, 21, 41, 87]. В этом случае каждый пиксел характеризуется тремя переменными. Это аддитивная цветовая модель: для получения искомого цвета базовые цвета в ней складываются. Цветовым пространством является единичный куб, изображённый на рис. 2.8. Главная диагональ куба, характеризуемая равным вкладом трех базовых цветов, представляет серые цвета: от черного (0,0,0) до белого (1,1,1).
Автоматизация процедуры измерения гипсовых моделей челюстей
Ниже приведены методы диагностирования состояния зубочелюстной системы, положенные в основу обобщенного алгоритма процесса измерения гипсовых моделей челюстей, приведенного на рисунке 3.18.
Большинство методов исследования построено на основе данных, полученных при измерении ширины зубов и расстояния между определёнными точками зубов в саггитальной плоскости. Рассмотрим более подробно методы диагностирования, которые включает автоматизированная процедура измерения гипсовых моделей.
Метод Болтона
Метод Болтона основан на соотношениях размеров зубов верхней и нижней челюстей. Упомянутые соотношения выражаются формулами: где Si23H4 и Si23B4 - ширина 12 зубов нижней и верхней челюсти соответственно. Зубы считаются начиная от резцов, по 6 зубов с каждой стороны. Далее полученное соотношение х (называемое полным соотношением) сравнивается с х„орм=91,3%. х„орм - это коэффициент присущий зубочелюстной системе без отклонений. где Sfem и Ббзвч - ширина 6 зубов нижней и верхней челюсти соответственно. Зубы считаются начиная от резцов, по 3 зуба с каждой стороны. Далее полученное соотношение у (называемое передним соотношением) сравнивается с унорм=П,2%. унорм - коэффициент присущий зубочелюстной системе без отклонений.
Диагноз ставится исходя из следующих соображений: если х=хНОрм, то отклонений у пациента нет; если х хнорм или х хнорм, налицо отклонения от нормы.
Структурная схема алгоритма измерения по методу Болтона приведена на рисунке 3.13.
Метод Герлаха
Расчёт по методу Герлаха заключается в изучении пропорциональности зубных рядов верхней и нижней челюстей по соотношению определённых сегментов: переднему, включающим 4 резца, и двум боковым (левому и правому). Это иллюстрирует рис. 3.10.
Пользование этой формулой помогает установить причину тесного положения зубов, обусловленного несоответствием величины их коронок, сужением или укорочением зубного ряда, а также уточнить ортодонтические показания к удалению отдельных зубов.
На рисунке 3.14 приведена структурная схема алгоритма измерения по методу Герлаха
Индекс Тона
Взаимоотношение размеров постоянных резцов верхней и нижней челюстей определяют по индексу Тона, который в норме равен 1,33 (формула 3.4).
На рисунке 3.15 приведена структурная схема алгоритма определения взаимоотношения резцов по индексу Тона
Молярный индекс Лона
Пон вывел молярный индекс, по которому можно определить показатели ширины зубных рядов в области моляров в зависимости от суммарной ширины четырёх верхних резцов. Индекс рассчитываются по следующим формулам
В среднем премолярный индекс Пона равен 80 и молярный 64. Пон составил таблицу, в которой представлены нормальные размеры ширины зубных рядов в области премоляров и моляров, соответствующие определенной ширине четырех верхних резцов. Сравнивая данные, полученные при измерении ширины зубных рядов, с данными таблицы Пона, можно определять отклонения от нормы и учитывать их при составлении плана лечения.
На рисунке 3.16 приведена структурная схема алгоритма определения молярного индекса Пона.
Премолярный индекс Линдер-Харта
Линдер и Харт проверили метод Пона и внесли некоторые дополнения. Кроме изучения ширины зубных рядов в области моляров они также предложили изучать ширину зубных рядов в области клыков по вершинам их режущих краёв (рис. 3.12) и рассчитывать ширину зубных рядов в области моляров по следующей формуле
В структурных схемах алгоритмов, приведённых выше, использовались следующие переменные:
ComboBoxl- ItemIndex - метод диагностирования; і - количество отмеченных точек; z - количество зубов; ch_x[i], ch_y[i] - массивы координат точек; RadioGroupl- ItemIndex - верхняя или нижняя челюсть; v_ch_bol[z] -длина линии (размер очередного зуба); v_ch (n_ch) - ширина верхней (нижней челюсти); sr- ширина резцов.
Выше приведены переменные, общие для всех алгоритмов. Далее рассматриваются переменные, характерные для какого - либо определённого алгоритма.
Функциональное взаимодействие программных модулей идентификации динамических координат объекта оригинала
Рассмотрим процесс взаимодействия программных модулей идентификации динамических координат объекта оригинала в рамках пользовательского интерфейса, представленного на рис. 4.1
Первоначальная обработка изображения
После указания кадра видеопоследовательности, с которого необходимо начать обработку съёмки, пользователь должен выставить величину порога яркости изображения. Иначе говоря, пороговая обработка является сегментацией изображения по яркости.
На рис. 4.1 в левом окне показано исходное изображение, а в правом окне то же самое изображение после установки порога на яркость изображения. Как видно на рис. 4.1 границы областей-кандидатов четко обозначены резким перепадом яркости.
На рис. 4.1 видно, что крайнее левое белое пятно вполне сопоставимо по размерам с искомыми точками. Кроме того, белая область в левом нижнем углу и часть точек сверху и с правой стороны изображения являются помехами, которые обязательно необходимо убрать, дабы избежать ошибочной интерпретацией их программой как искомых реперных точек. Для этого необходимо выполнить редактирование геометрических размеров обрабатываемого изображения
Редактирование области изображения выполняется при помощи вспомогательного окна, показанного на рис. 4.2
В данном окне задаются ограничения на область просмотра изображения с четырёх сторон. При указании границ все части изображения, находящиеся за указанными пределами заполняются чёрным цветом. Результат работы данной процедуры приведён на рис. 4.3
Как видим на рис. 4.3, после редактирования области просмотра обрабатываемого изображения, нам практически полностью удалось устранить помехи и добиться чёткого различения областей искомых реперных точек. Однако на изображении всё ещё присутствует несколько пикселей белого цвета, которые не принадлежат, необходимым нам областям. Чтобы избавиться от них необходимо провести фильтрацию областей-кандидатов по размеру.
Фильтрация областей-кандидатов по размеру
Следующим действием пользователя после пороговой обработки и редактирования области просмотра изображения, является фильтрация областей-кандидатов по размеру, с целью окончательного выбора необходимых нам реперных точек. Данный шаг является ещё одной ступенью очистки изображения от помех.
Стоит ещё раз подчеркнуть причину столь многошаговой обработки изображения. Причина состоит в том, что каждый раз качество проводимой съёмки будет различное. Это обусловлено множеством причин, например освещённостью, фоном, индивидуальными параметрами лица пациента, используемым оборудованием, даже размер и способ нанесения реперных точек может оказать существенное влияние. Таким образом, даже после, например, пороговой обработки изображения может оставаться несколько областей вполне сопоставимых по форме и размеру с подлинными реперными точками. Можно ещё раз обратиться к рисунку 4.1, на котором видно, что блик от серьги идентичен по геометрическим параметрам искомым реперным точкам. Именно вышеперечисленные причины делают необходимым условием реализацию многоступенчатой и многокритериальной обработки изображения.
При фильтрации областей-кандидатов по размеру, пользователю необходимо указать шаг, в соответствии с величиной которого будет сканироваться изображение (принцип работы данной процедуры иллюстрирует рис. 3.5).
Поскольку размеры белых пикселей помех, оставшихся после выполнения предыдущих шагов алгоритма, несопоставимо малы по сравнению с областями реперных точек, в результате выполнения данной процедуры помехи будут окончательно удалены с изображения.
Алгоритм фильтрации областей-кандидатов по размеру я вляется алгоритмом прореживания изображения, принцип действия и назначение которого описаны в п. 2.3.
Удаление лишних точек
Для того, чтобы определить координаты реперных точек, необходимо обнаруженные ранее области свести к пикселам, которые и будут считаться искомыми реперными точками и координаты которых будут определены в дальнейшем. Данная операция выполняется при помощи алгоритма сжатия (см. п.2.3) выполняемого после указания пользователем константы, задающей размер области, анализируемой вокруг первого пиксела белой области реперной точки (см. рис. 3.7).
На рисунке 4.4 в увеличенном виде показан окончательный результат обработки изображения.
Вывод координат нулевого кадра обрабатываемого изображения
Далее определяются координаты полученных в результате обработки изображения белых пикселей. Эти координаты являются проверочными, поскольку они сравниваются с координатами точек, полученными после завершения цикла обработки всех видеокадров.
Диалоговое окно вывода проверочных координат показано на рисунке 4.5
