АВТОМАТИЧЕСКАЯ СЕГМЕНТАЦИЯ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ МЕДИКО-БИОЛОГИЧЕСКИХ ПРЕПАРАТОВ МЕТОДОМ КЛАСТЕРНОГО АНАЛИЗА

Привалов О.О., Бутенко Л.Н.

Источник: Научный журнал "Современные наукоемкие технологии", №10, 2007 год

     В работе рассматривается алгоритм автоматической сегментации цветных изображений медико-биологических препаратов, с использованием методов кластерного анализа. Представлены результаты исследования различных цветовых пространств на предмет кластеризации методом k-средних.
     Качество распознавания отдельных объектов изображения, значительно зависит от этапа сегментации. Существующие методы предусматривают полуавтоматический режим определения порогов сегментации с последующим сохранением выбранных значений от препарата к препарату. Как правило, эффективное значение порога от препаратов к препарату не сохраняется, что приводит к искажению результатов. Поэтому использование методов со статическими значениями порогов сегментации при автоматизированном анализе нежелательно.
     Алгоритмы сегментации цветных изображений позволяют выявлять объекты, отличающиеся по яркостным, цветовым и текстурным характеристикам. Количество настроечных параметров алгоритмов растёт пропорционально количеству разделяемых признаков. Увеличение количества настроечных параметров приводит к потере автоматической составляющей алгоритма, либо требует дополнительных методов для их автоматической коррекции.
     Анализ изображений медико-биологических препаратов позволяет сделать вывод о слабо выраженных текстурных признаках объектов изображения, следовательно, для сегментации достаточно оперировать цвето-яркостными характеристиками.
     Для сегментации цифровых изображений был выбран алгоритм кластерного анализа с самообучением. Задача кластерного анализа обеспечить редукцию некоторого множества данных в более компактную классификацию объектов.
     Для обеспечения качества кластеризации и избежания возможного нахождения псевдо - центров, предложен метод предварительного анализа яркостных зон изображения с целью выявления начального значения центроидов, каждого кластера.
     Для оценки качества сегментации использовалась среднеквадратическая ошибка отклонения исходного множества значений от центров кластеров и оценка эксперта (выраженная в процентах отражающих относительное качество детализации).
В качестве количественной метрики кластерной принадлежности было выбрано Евклидово расстояние:

где: i - индекс текущего наблюдения, k - индекс кластера, N - количество признаков цветового пространства (N=3), x={x1,x2,x3} - вектор в выбранном цветовом пространстве.
     Более качественные результаты удалось получить после перевода метрик цветового пространства HSV, в декартову систему координат XhsYhsZv .
     Результаты кластеризации в разных цветовых пространствах представлены в таблице 1. Следует отметить, что исследования проводились также в пространствах YES, PHS, CMYK но из-за неудовлетворительных результатов показатели не внесены в таблицу.
Как видно из таблицы максимально приемлемым можно считать результат кластеризации в пространстве XhsYhsZv.
Таблица 1. Результаты кластеризации для тестового изображения
Цветовое пространство Среднеквадратическая ошибка отклонения Качество сегментации оцененное экспертом
HSL 19.03 70%
HSV 8.09 70%
RGB 13.25 70%
LAB 0.36 75%
X(hs)Y(hs)Z(l) 12.7 75%
X(hs)Y(hs)Z(v) 0.041 99%

Рис. 1. Программное обеспечение для сегментации изображений медико-биологических препаратов (внешний вид).
     В результате работы определенно цветовое пространство обеспечивающее достаточное качество сегментации медико-биологических препаратов методом кластерного анализа. Предложена методика предварительного вычисления значений центроидов. Приведены формулы перевода метрик цветового пространства HSV. Эффективность применения предлагаемого метода заключается в автоматическом выявлении объектов интереса на совокупном изображении, настроечными параметрами алгоритма является число, задающее количество выделяемых сегментов. Для исследования методов на практике было разработано программное обеспечение (см. рис.1).

СПИСОК ЛИТЕРАТУРЫ:


1. Грузман И.С., Киричук В.С., и др. Цифровая обработка изображений в информационных системах Учебное
пособие. Новосибирск 2000
2. Павлидис Т. Алгоритмы машинной графики и обработка изображений. - М.: Радио и связь, 1988. Курс лекций по дисциплине «Введение в компьютерную графику". ВМиК МГУ, 2003