Кириченко Маргарита Николаевна |
 |
Факультет: КИТиА | |
Группа: КСД-01 | |
Научный руководитель: доцент, к.т.н. Омельченко А.А. | |
Тема магистерской работы: | |
"Модели и алгоритмы СКС фокусировки микроскопа" |
| Автобиография | Ссылки | Индивидуальное задание | Библиотека | Отчет о поиске |
Автореферат к магистерской работе
На английском языке
выполнить анализ существующих методов фокусировки оптических приборов;
определить критерии качественного изображения;
выделить тестовый объект на снимке мазка крови;
создать модель расчета характеристик тестового объекта;
разработать алгоритм фокусировки микроскопа, а именно определить направление движения объектива;
создать программное обеспечение, реализующее алгоритм.
Создание системы «Фокус-микро 1.0» позволит получить качественное изображение снимка мазка крови при минимальных временных затратах, а также улучшить условия труда оператора, а именно, снизить нагрузку на его зрительный аппарат за счет исключения необходимости длительного рассмотрения препарата через окуляр микроскопа посредством разработки моделей и алгоритмов автоматической фокусировки микроскопа, и создания на их основе СКС.
Вверх
Фокусировку микроскопа можно отнести к одному из классов задач о распознавании образа. Требуется отличить хорошо сфокусированное изображение объекта от того же объекта с размытыми очертаниями. В качестве такого объекта предлагается условная точка на снимке мазка крови - бактерия, отличающаяся от внешней среды более темным цветом, заполняющим контур с четко очерченными границами. Существует большой градиент между областью, принадлежащей интересующему объекту, и внешней средой. Исходя из этого, на первом шаге необходимо найти бактерию (далее условную точку). Для анализа будет предложен ряд изображений одного и того же препарата крови, полученных при различном фокусном расстоянии (т. е. при различных положениях макро- и микровинтов микроскопа). Для всех условных точек, найденных на каждом снимке, предлагается сделать анализ по трем признакам:
- площадь объекта;
- средняя (или интегральная) яркость;
- контрастность по контуру объекта.
Для оценки этих характеристик необходимо достаточно точно определить контур условной точки (клетки).
При построении СКС фокусировки микроскопа необходимо учитывать ряд факторов. В первую очередь следует обратить внимание на то, что в подавляющем большинстве изображения, полученные посредством микроскопа, характеризуются наличием шума, возникающего из-за неравномерного освещения, недостаточной очистки лабораторного оборудования, собственных шумов фотоприемных устройств и других причин. При автоматизированном анализе необходимо учитывать и компенсировать присутствие шума. В противном случае влияние шума может исказить результат.
Вверх
Обзор существующих исследований и разработок
Цифровая обработка изображений представляет собой самостоятельную область знания, которая быстро развивается во многих странах. С обработкой изображений приходится иметь дело специалистам различного профиля. По вопросам из этой области опубликовано много работ и литературы, например, Оппенгейм А.В., Шафер Р.В. «Цифровая обработка сигналов», Сойфер В.А. «Компьютерная обработка изображений» и др. Пакет MatLab оснащен рядом функций, позволяющих производить обработку сигналов и изображений.
Для обработки изображений применяются также вейвлет-преобразования, которые стали необходимым математическим инструментом во многих исследованиях. В частности, их можно использовать для фокусировки микроскопа. Это сравнительно легкая задача для вейвлетов, так как вычисляемые вейвлет-коэффициенты велики при хорошо сфокусированном изображении и сильно падают при дефокусировке микроскопа. На некотором уровне разрешения, соответствующем естественной шкале изображения предмета, этот эффект дефокусировки становится особенно сильным. На других уровнях он выражен менее ярко, но зато становится более асимметричным в зависимости от того, находится микроскоп выше или ниже точки фокусировки. Это свойство асимметрии было использовано с целью автоматизации процесса фокусировки микроскопа, поскольку оно четко задает направление его движения в сторону фокусирующего положения. Такой метод можно успешно применять и во многих других областях, а не только в медицине.
Вверх
Цель и задачи магистерской работы
Тема магистерской работы – «Модели и алгоритмы СКС фокусировки микроскопа». Проектирование СКС будет проводиться на базе научно-исследовательской лаборатории НИИ медицинских проблем семьи.
Целью данного проекта являются:
- объективизация процесса получения качественного изображения для решения поставленной задачи;
- сокращение времени получения качественного снимка крови;
- улучшение условий труда оператора, а именно, снижение нагрузки на его зрительный аппарат за счет исключения необходимости длительного рассмотрения препарата через окуляр микроскопа за счет разработки моделей и алгоритмов автоматической фокусировки микроскопа, и создания на их основе СКС.
Для достижения поставленных целей в магистерской работе необходимо решить ряд задач: анализ существующих исследований и разработок; определение критериев сфокусированного изображения, на основе чего проводится расчет необходимых характеристик и свойств.
Вверх
Теоретический анализ и математическая модель объекта исследования
Рис. 1. Схема формирования входных данных
Подготовленный препарат крови помещают на предметный стол микроскопа. При различных положениях макро- и микровинтов микроскопа получают ряд снимков одного и того же препарата. Для разрабатываемой СКС используется видеокамера OSCAR, подключенная к ПК с помощью видеокарты фирмы ASUS, имеющей телевизионный вход. Для захвата видеоизображения используется программа ASUSLIVE, которая формирует кадр изображения мазка крови в формате *.bmp и выводит его на экран монитора. Примеры полученных изображений:
Рис. 2. Полученные изображения мазков крови
Вверх
Обработка изображений и получение параметров клетки
Реальные изображения наряду с полезной информацией содержат различные помехи. Источниками помех являются собственные шумы фотоприемных устройств, зернистость фотоматериалов, шумы каналов связи. Пусть f (x,y) – некоторое изображение, х, у – координаты. Реальное растровое изображение имеет конечные размеры и состоит из отдельных пикселов, расположенных с некоторым шагом в узлах прямоугольной сетки. Линейное преобразование изображения можно описать выражением:
(1)
Выражение (1), где интегрирование ведется по всей области определения x и y, характеризует преобразование всего изображения целиком - глобальную фильтрацию. Ядро преобразования h1 (x,y,x',y') в оптике именуют функцией рассеяния точки (ФРТ). Это изображение точечного источника на выходе оптической системы, которое уже является не точкой, а некоторым пятном. В соответствии с (1), все точки изображения f (x',y') превращаются в пятна, происходит суммирование (интегрирование) всех пятен. Не следует думать, что эта процедура обязательно приводит к расфокусировке изображения, наоборот, можно подобрать такую ФРТ, которая позволит сфокусировать расфокусированное изображение.
Вверх
На практике глобальная фильтрация применяется редко. Чаще используют локальную фильтрацию, когда интегрирование и усреднение проводится не по всей области определения x и y, а по сравнительно небольшой окрестности каждой точки изображения. Функция рассеяния точки при этом имеет ограниченные размеры. Достоинством такого подхода является хорошее быстродействие. Линейное преобразование принимает вид:
(2)
При обработке растровых изображений, которые состоят из отдельных пикселов, интегрирование заменено суммированием. Проще всего реализовать ФРТ конечных размеров в виде прямоугольной матрицы форматом NхN. N может быть равным 3, 5, 7 и т.д. Суммирование ведется по окрестности D точки (i, j); akl - значения ФРТ в этой окрестности. Яркости пикселов f в этой точке и в её окрестности умножаются на коэффициенты akl, преобразованная яркость (i,j)-го пиксела есть сумма этих произведений. Элементы матрицы удовлетворяют условию пространственной инвариантности, поэтому a11= a13 =a31= a33, a12 = a21= a23 = a32. Только три элемента матрицы размером 3х3 независимы, в этом случае матрица инвариантна относительно поворотов, кратных 90 градусам. Опыт обработки изображений показывает, что отсутствие более строгой осевой симметрии ФРТ слабо сказывается на результатах. Иногда используют треугольные матрицы, инвариантные относительно поворотов на 45 градусов.
Вверх
Медианная фильтрация относится к нелинейным методам обработки изображений и имеет следующие преимущества перед линейной фильтрацией: сохраняет резкие перепады; эффективно сглаживает импульсный шум; не изменяет яркость фона. Медианная фильтрация осуществляется путем движения некоторой маски вдоль дискретного изображения и замены значения центрального элемента маски медианным значением (среднее значение упорядоченной последовательности) исходных элементов внутри апертуры. На практике чаще всего применяется квадратная апертура.
Вверх
Методы расчета средней (интегральной) яркости
Изменения яркости и контрастности можно обобщить выражением «изменение баланса изображения», так как оба понятия – и яркость, и контрастность, – схожи и относятся к сфере восприятия изображения человеком. Повышение/снижение яркости – это, соответственно, сложение/вычитание значения каждого канала с некоторым фиксированным значением (также в пределах от 0 до 255); при этом обязательно необходимо контролировать выход нового значения канала за пределы диапазона 0..255. Повышение/снижение контрастности – это, соответственно, умножение/деление значения каждого канала на некоторое фиксированное значение (в том числе действительное), что приводит к изменению соотношений между цветами и, соответственно, к более чётким цветовым границам. На практике же существует такой принцип: изменение контрастности не должно приводить к изменению средней яркости по изображению, поэтому пользуются следующей формулой:
, (3)
где NewY – новое значение одного из каналов, K – коэффициент контрастности (K=(0..1) – снижение, K<1 – повышение контрастности), OldY – текущее значение того же канала, AveY – среднее значение того же канала по изображению (таким образом, алгоритм фактически является двухпроходовым). Обязательна всё та же коррекция нового значения при выходе его за границы 0..255.
В проектируемой системе необходимо будет оценивать яркость изображения в градациях серого. Средняя яркость определяется как среднее арифметическое яркости каждого пиксела объекта.
Вверх
Поиск объектов на изображении и вычисление их признаков осуществляется на основе бинаризации полутоновых изображений.
Для определения геометрических характеристик элементов
полутоновое изображение необходимо перевести в бинарное. Бинарное
изображение - это изображение, пиксели которого могут принимать только
два значения: 0 и 1, которые обозначают соответственно черный и белый
цвета.
Бинаризация по площади. Для каждого элемента изображения, который является центром некоторой окрестности, вычисляется среднее и дисперсия по этой окрестности. Присвоение значения выходному элементу выполняется по правилу:
Q(i,j) = U если A(i,j) < (S(i,j) + 0,3 D(i,j)),
Q(i,j) = 0, если A(i,j) >= (S(i,j) + 0,3 D(i,j)),
где A(i,j) - значение яркости элемента исходного изображения;
Q(i,j) - значение бинарного изображения;
S(i,j) - значение среднего в зоне анализа исходного изображения;
D(i,j) - значение дисперсии в зоне анализа исходного изображения.
Бинарное преобразование на основе анализа гистограммы распределения яркости элементов изображения. Данный алгоритм использует гистограмму распределения яркости элементов исходного изображения. Алгоритм работает следующим образом. В начале выполняется построение гистограммы яркости элементов изображения, затем анализируется ее форма. Если в результате анализа выявлена двухмодальная форма гистограммы, то локальный минимум впадины выбирается в качестве порога бинарного преобразования. Затем выполняется бинарное преобразование исходной матрицы данных аналогично первому алгоритму (бинаризации по площади), принимая в качестве среднего найденный порог, а дисперсию равной нулю. По окончании работы алгоритма выходная последовательность будет состоять только из нулей и единиц.
Если же анализ гистограммы не определил двухмодальную форму, то в этом случае на гистограмме выполняется поиск точки, в которой от начала гистограммы до этой точки сосредоточено примерно 40 процентов элементов исходного изображения. Значение этой точки принимаем в качестве порога бинарного преобразования, затем выполняется преобразование, как и предыдущем случае. По окончании работы алгоритма выходная последователь-ность будет состоять только из нулей и единиц.
Для определения характеристик объектов изображения предварительно необходимо отделить их от фона, т.е. найти их границы. Эти границы представляют собой кривые на изображении, вдоль которых происходит резкое изменение яркости или ее производных по пространственным переменным. Наиболее интересны такие изменения яркости, которые отражают важные особенности изображаемой поверхности. К ним относятся места, где ориентация поверхности меняется скачкообразно, либо один объект загораживает другой и т.п. В любом случае нужно локализовать места разрывов яркости или ее производных, чтобы узнать нечто о вызвавших их свойствах изображенного объекта.
Краем называется граница между двумя областями, каждая из которых имеет равномерную яркость. Часто края на изображениях возникают как результат наличия силуэтных линий объектов. В этом случае две упомянутые области являются изображениями двух разных поверхностей. Края также возникают из-за отсутствия непрерывности в ориентации поверхности и разрывов в ее отражательных свойствах.
Точка считается принадлежащей контуру, если одновременно выполняются два условия:
Эта точка принадлежит объекту
Эта точка имеет хотя бы одну соседнюю точку, которая не принадлежит объекту.
При этом существуют два варианта определения соседних точек: включая диагональные (4) и не включая диагональные (5).
, (4)
(5)
Точка "5" является рассматриваемой нами точкой и должна принадлежать объекту (согласно первому из двух условий).
Распознавание (сегментация) изображений - один из главных компонентов многих систем компьютерного зрения. Любая такая система должна выделить область изображения, связанную с объектом, перед выполнением изме-рений свойств этого объекта, таких как размер, форма, положение, ориентация и т.п.
Под термином "сегментация" понимается разделение изображения на несколько областей или зон, которые отличаются друг от друга элементарными признаками, такими как яркость, цвет, текстура, форма. Сегментация позволяет выделить участки изображения, которые могут рассматриваться однородными.
Можно выделить два общих подхода к решению задачи сегментации:
"зональный" подход - прямое выделение зон на основе объединения подходящих пикселов изображения;
"граничный" подход, основанный на обнаружении контуров объектов.
Наиболее простой метод сегментации - разделение по порогу. При этом значение яркости каждого пикселя сравнивается с некоторым порогом, и в зависимости от результата сравнения этот пиксель относится к одной из двух групп. Определение порога в таких алгоритмах является ключевой задачей. Собственно, больше ничего и не надо - после определения порога задача становится тривиальной.
Часто порог выбирается равным среднему значению яркости. Для изображения, которое исходно является двухуровневым (например, текст), такой порог обеспечивает приемлемое качество сегментации. Для более сложных ситуаций порог выбирается по гистограмме распределения яркости, которая в ряде случаев имеет два пика. Порог устанавливается соответствующим минимуму гистограммы, находящемуся между этими пиками.
Однако, определению порога по минимуму гистограммы присущи определенные недостатки. Во-первых, минимумов может быть несколько (даже при двух четко выраженных пиках). Во-вторых, само положение минимума изменяется в зависимости от шага гистограммы. Третий недостаток определения порога по минимуму гистограммы связан с тем, что положение минимума вовсе не обязано соответствовать реальному уровню, разделяющему объекты на изображении.
В общем случае автоматическое определение порога - задача нетривиальная. Наличие четких пиков на гистограмме - далеко не рядовой случай. Гораздо чаще пик либо один, либо побочные пики очень слабо выражены, и определение подходящих порогов представляет значительную трудность.
Вверх
Обнаружение границ методом SUSAN
Основная идея SUSAN в том, что соседи каждой точки в однородной области имеют близкую к ней яркость, а вблизи границы число соседей с одинаковой яркостью уменьшается. Кроме границ этот метод обнаруживает и другие особенности на изображении (углы, тонкие линии и т.п.).
Вокруг каждого пикселя изображения строится маска, центральный пиксель которой называется ядром (используется круглая маска с радиусом 3.4 пикселя, которая включает 37 пикселей или традиционная квадратная маска 3x3). Пиксели в пределах маски, имеющие сравнимую с ядром яркость, образуют область USAN (Univalue Segment Assimilating Nucleus – однородный сегмент, ассимилируемый ядром). Для обнаружения двумерных особенностей и границ используются размер, центр тяжести и вторые моменты USAN. Такой подход обнаружения особенностей отличается от рассмотренных методов тем, что не использует производных изображения и, следовательно, нет необходимости в предварительном подавлении шума.
Площадь USAN максимальна, когда ядро находится в однородной (или почти однородной) области изображения, она уменьшается до половины этого максимума вблизи прямой границы и уменьшается еще больше вблизи угла и достигает локальных минимумов точно на границе и в углах. Это свойство площади USAN используется как главный критерий присутствия границ и двумерных особенностей.
Яркость каждого пиксела в пределах маски сравнивается с яркостью ядра (средней точки) согласно выражению:
, (6)
где ro — положение ядра,
r— положение любой другой точки в пределах маски,
I(r)— яркость пиксела r,
c- результат сравнения.
Результаты сравнения для всех пикселов в пределах маски суммируются:
, (7)
Полученная сумма представляет собой число пикселей в USAN, т.е. ее площадь.Затем, n сравнивается с фиксированным геометрическим порогом g. При обнаружении границ в отсутствии шума, этот порог не нужен.
Вверх
Обобщение результатов научного поиска и анализа
В результате выполнения магистрской работы были рассмотрены существующие методы, алгоритмы и системы фокусировки микроскопа посредством распознавания изображения. Их анализ позволил определить основные математические методы, которые используются при создании специализированной компьютерной системы для фокусировки микроскопа по снимкам мазков крови, целью которой является сокращение времени и объективизация процесса получения качественного изображения. Найдены эффективные пути и методы для решения поставленной задачи.
Вверх
Прэтт У.К. "Цифровая обработка изображений". - М.: Мир, 1982. T.I.-2. 792 с.
Рудаков П.И., Сафонов В.И. "Обработка сигналов и изображений". - М.: ДИАЛОГ-МИФИ, 2000. - 416 с.
Сойфер В.А. Компьютерная обработка изображений. Часть 2 Методы и алгоритмы // Соровский образовательный журнал, №3,1996
Хуанг Т.С. Обработка изображения и цифровая фильтрация. М.: Мир, 1979. 274 с.
Хорн Б.К.П. Зрение роботов. Москва "мир", 1989 г, 484 стр.
http://www.ksu.ru/nilkto/cell/rasdel1/r1_p3_s1.html
Вверх