Вид рабочего пространства MATLAB (рис.9)
Код алгоритма предварительной обработки реализованный в MATLAB:
I = imread ('1. jpg');=graythresh (I);=im2bw (I, threshold);=retinex_frankle_mccann (Ib,
);=fspecial ('gaussian', 5, 0.7);=filter2 (H, Ib);= edge (If, ‘canny’);= max (Ik (:)) - Ik;=bwmorph (In, 'thicken',
);=bwmorph (I2, 'close',
);(I4)
Пошагово разберем этап выполнения кода
%считывание изображения= imread ('1. jpg');
%вычислени глобального порога=graythresh (I);
%преобразование изображения в полутоновое=im2bw (I, threshold);
%выравнивание освещения=retinex_frankle_mccann (Ib,2);
%создание фильтра Гаусса=fspecial ('gaussian', 5, 0.7);
%фильтрация с заданным фильтром=filter2 (H, Ib);
%выделение границ методом Канни= edge (If, ‘canny’);
%инвертирование цветов изображения= max (Ik (:)) - Ik;
%морфологическая операция "утолщение"=bwmorph (In, 'thicken',5);
%морфологическая операция "закрытие" I3=bwmorph (I2, 'close',2);
%морфологическая операция "утоньшение" I4=bwmorph (I3, 'thin',
);
%вывод изображения imshow (I4)
Изображение, подаваемое на вход (рис.10) и после обработки (рис.11).
Вид рабочего пространства Mathcad (рис.12)
Реализация алгоритма распознавания линий и расчет их радиальных и тангенциальных составляющих в Mathcad.
Функция READBMP производит считывание обработанного изображения. Функция Rad выполняет распознавание линии и рассчитывает её радиальную проекцию по всему изображению. Значению R присваивается сумма всех радиальных проекций в пределах заданного сегмента. График R отражает количество радиальных проекций по сегментам (см. рис.13).
Функция Tan выполняет распознавание линии и рассчитывает их тангенциальные проекции по всему изображению. Значению T присваивается сумма всех тангенциальных проекций в пределах заданного сегмента. Построены графики Tan и T (см. рис.15).
Функция ft, аналогично функции fr рассчитывает распределение амплитуд функции Tan (см. рис. 16)j,l суммирует значения T и R по параметрам j и l, которые задают разбиение на сегменты. Kj,l - отражает распределение плотности линий в сегментах разбиения (рис.17). Для наглядности строится трехмерный график (рис.18).
В главе рассмотрен процесс тестирования разработанной системы
распознавания, произведен анализ тестирования и интерпретация полученых данных.
Проверка системы производится в два этапа. Первый этап - испытание алгоритма предварительной обработки на изображениях различного качества и проверка работоспособности функции выделения края в зависимости от формы и количества линий.
Второй этап - проверка алгоритма распознавания линий и расчета их радиальных и тангенциальных проекций. Применение системы к изображениям кристаллограмм и регистрация данных на выходе.
Для тестирования было выбрано четыре изображения (рис. 19, 20, 21, 22).
Все изображения обладающих полным набором характеристик необходимых для проверки системы: разрешение 1500х1500 точек, различные виды краев, различная степень зашумленности, разность освещения, различная структура разломов и трещин, меняющаяся по направлению и в пределах сегментов.
Первый этап.
Для проверки работы системы с изображениями разного разрешения создаются копии с разрешениями 1000х1000, 700х700, 400х400 пикселей. Примеры, полученные в ходе проверки, отображены на рисунках 23, 24, 25, 26. Рис.23 Разрешение 1500х1500
Итог применения алгоритма предварительной обработки к тестовым изображениям (рис.27, 28, 29, 30).
Второй этап.
Результат распознавания на тестовых изображениях линий и расчета их радиальных и тангенциальных проекций. Ниже представлены данные, полученные для каждого изображения. График распределение плотности линий в сегментах для первого тестового изображения:
График распределение плотности линий в сегментах для второго тестового изображения:
График распределение плотности линий в сегментах для третьего тестового изображения:
График распределение плотности линий в сегментах для четвертого тестового изображения:
На основе результатов, полученных в ходе первого этапа тестирования, можно сделать вывод, что алгоритм предварительной обработки работает при условиях зашумления среднего уровня, разности освещенности и структуре линий и трещин любой сложности. Единственное ограничением для данного алгоритма служит разрешение исходного изображения. Это следует из анализа рисунков 23, 24, 25, 26. При разрешении 700х700pix появляются утолщения в местах пересечения линий и артефакты "заливки" замкнутых областей. При дальнейшем снижении разрешения искажения значительно усиливаются. Метод анализа данных, полученных в ходе второго этапа тестирования, заключался в соотнесении картины тестового изображения к значениям функций радиальных и тангенциальных проекций линий, а так же графиком распределения плотности линий в сегментах.
Особенность первого тестового изображения заключается в преобладании линий идущих радиально или с минимальным отклонением и симметрии относительно центра. Для удобства и наглядности будем рассматривать угловой сектор изображения. Значения функции Rad (сумма радиальных проекций) представлены графиком на рисунке 31. Рост значений функции на участке "1" можно соотнести с тем, что на сегмент "1" сектора тестового изображения приходится больше линий, а уменьшение значений на участке "2" можно соотнести с уменьшением линий и их утоньшением в сегменте "2". Данные соотношения применимы для большинства изображений (рис.32, рис.33).
На рисунке 34 представлен график значений функции Tan (тангенциальные проекции линий). Острые пики на данном графике можно соотнести с линиям, минимально отклоняющиеся от радиуса. Данный эффект возникает из-за того что все пиксели лежащие на радиусе при проекции на нормаль суммируются функцией Tan. Обойти его на данном этапе разработки не представляется возможным, но из-за малой протяженности данные возмущения вносят минимальный вклад в среднее значение функции. С другой стороны эти возмущения пригодны для описания радиальных линий, они несут информацию о длине и распределении по угловым секторам. Данное соотношение применимо и к другим изображениям, имеющим радиальные линии (рис.35). Для остальных изображений установить соотношение между картиной разломов и функцией Tan не удалось, что говорит о необходимости корректировки расчета тангенциальных проекций.
Графики распределения плотности линий в сегментах для всех изображений похожи. Из визуального соотнесения картин разломов и графиков, можно предположить, что форма линий уровня, их количество, величина градиента и локальные особенности графика плотности несут информацию о структуре разломов.
Проверка данной гипотезы требует автоматизации работы
алгоритмов и наличие достаточно большой выборки изображений.
Подведем итог нашей работы.
Нами была изучена литература по кристаллографическим методам исследования, что позволило нам рассмотреть вопрос об особенностях описания результатов кристаллизации биологических жидкостей.
Выполнено изучение литературы по обработке изображений, распознаванию образов и методов реализации, на основе которых был разработан алгоритм распознавания формы трещин на изображении кристаллограммы. Алгоритм реализован в программных средах MATLAB и Mathcad.
Произведено тестирование алгоритма на специально отобранных изображениях кристаллограмм. Также били проведены анализ и интерпретация данных, полученных в ходе тестирования, сформулирован вывод о применимости алгоритма.
В итоге проведенных исследований выдвинутая нами гипотеза экспериментально подтвердилась. Поставленная цель была достигнута.
Таким образом, есть перспективы и далее продолжать работу по
разработке и исследованию системы распознавании формы микрообъектов (на примере
кристаллограмм) с целью решения проблемы автоматизации анализа данных
кристаллографических исследований.
1. Биокристалломика: общие представления, методология и методы исследования. [Текст] Учеб. пособие / сост. А.К. Мартусевич, А.А. Гришина. - Киров: Типография ВГСХА, 2009. - 26 с.
2. Воробьев, А.В., Кристаллогенез биологических жидкостей и субстратов в оценке состояния организма [Текст] / А.В. Воробьев, А.К. Мартусевич, С.П. Перетягин - Н. Новгород: ФГУ "ННИИТО Рос-медтехнологий", 2008. - 384 с.
. Мартусевич А.К. Физиология и патология кристаллостаза: общая парадигма и перспективы изучения [Текст] / Вестник Нижегородского университета им Н.И. Лобачевского. - 2010. - №1. - С.135‒139.
. Булатов, А. Изучение физико-биологических свойств плазмы крови онкогематологических больных с трансфузией тромбоцитов [Текст]: Выпускная квалификационная работа [Текст] / А. Булатов. - Киров, 2012. - 180 с.
5. И.М. Журавель "Краткий курс теории обработки изображений" [Электронный ресурс]. - Режим доступа: http://matlab. exponenta.ru/imageprocess/book2/index. php <http://matlab.exponenta.ru/imageprocess/book2/index.php>
. Курс "Введение в компьтерное зрение 2013" [Электронный ресурс]. - Режим доступа: http://courses. graphics. cs. msu.ru/course/view. php? id=4 <http://courses.graphics.cs.msu.ru/course/view.php?id=4>
. Анисимов, Б.В. Распознавание и цифровая обработка изображений: Учебное пособие для студентов вузов [Текст] / Б. В Анисимов, В.Д. Курганов, В.К. Злобин - М.: Высш. шк., 1983. - 295 с. ил.
. Распознавание образов. Состояние и перспективы. Пер. с англ. [Текст] / под редакцией Гуревича И.Г. М.: Радио и связь, 1985.
. Гонсалес, Р. обработка изображений в среде MATLAB. Перевод с английского В.В. Чепыжова [Текст] / Р. Гонсалес, Р. Вудс, С. Эддинс - М.: Техносфера, 2006. - 616с.
. Фу, К. Структурные методы в распознавании образов [Текст] / К. Фу. - М.: Мир, 1977.