автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.05, диссертация на тему:Некоторые вопросы повышения эффективности систем обработки и распознавания изображений

МОСКОВСКИЙ ГОСУДАРСТВ ЕНЫЙ ИНСТИТУТ ЭЛЕКТРОНИКИ И МАТЕМАТИКИ

1Ь правах рукописи УДК 681.32

АРНОС БА1ПИР ДЛИ

НЕКОТОРЫЕ ВОПРОСЫ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ СИСГСМ ОБРАБОТКИ И РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

Специальность 05.13.03 элемент н устроПсти птислнтелыюй тсяикн н снстсы управления

Автореферат диссертации на соискаюге учаюЛ стелен» кандидата тсхшмескнх тук

Москва 1996

Работа выполнена во Владимирском государственном университете.

техническом

Научный руководитель - кандидат технических наук,

доцент Жирков В.Ф.

Официальные оппоненты- доктор технических наук.

профессор Домраче» В. Г. доктор технических наук, доцент Капсрко А.Ф.

Ведущее предприятие - Научно-исследовательский просктно-конструкторский и технологический нкеппут электромашиностроения, г. Владнынр.

Защит» состоится 2S.06.1996 года » 14 час 00 мнн на заседании специализированного concia К 0 63,68.01 в Московском государственном институте электроники и математики по адресу 109028 . Москва , Б. Трехсвятнтельский пер., д. 3/12 .

С диссертацией можно ознакомиться в библиотеке МГИЭМ. Автореферат разослан 1996 г.

Ученый секретарь

слепиаличнропанного iobl-iu кандидат технических наук

Общая характеристика работы

Актуальность темы. Развитие приложений, связанных с распознаванием, опираете* на технический прогресс в облает вычислительной техники Графические системы лучших компьютеров оснащаются сложными процессорами, позволяющими вводить в ЭВМ и отображать на дисплее полноцветные реалистические изображения за приемлемое врем*. Вместе с тем работа с нзображешдаш в реальном времени требует иного ресурсов п возможна лишь в самых простых случаях.

Распознавание изображений - сложная задача, в которой иного нерешенных вопросов. В диссертации рассмотрены два т шк:

1. Разработка быстрых алгоритмов геометрических преобразований, их программной и , аппаратной реализации.

2. Исследование вопросов распознавания изображений с использовании цветовых прганаков. . , •

Первый вопрос связан с устранением геометрических различий сравниваемых изображений приведением вводимого изображения к аналогичному эталону расположен!« в пространств, масштабу и углу наклона. Геометрические преобразования широко используются в графических системах . В графических редакторах их применяют для редактирования модели шображенка и дгмонстргцни с разных точек наблюдения. В снстсшх анимации они используются для создания дшшасш уттрзздягяых фрагментов относительно фонового изображения. Геометрические пресбразоваша пртыенгются при решения задач распознавания в робототехнике и медицина. Применение классических методов для выполнения таких преобразований над матрицами данных, описывающих изображения, занимает много времени, что сказывался на производительности системы. Поэтому очень важной и актуальной является задача ускоренна процесса геометрических преобразований.

Предаоженный в диссертации подход позволяет существенно повысить скорость ''выполнения геометрических преобразований наблюдаемой сдам. Разработанное аппаратное решение позволяет выполнять такие преобразования в темпе регенерации изображения дисплейной системой.

Другой немаловажный вопрос связан о обработкой и распознаванием цветных изображений, которые, в отличие (Я чгрно-белых изображений менее изучены. Цвет

является высококнфоркатнвным признаком, его использование в задачах обработки и. распознавания повышает эффективность таких систем. Основная трудность, с которой сталкиваются при проектировании системы, нспользуккцей цвет в качестве одного из признаков распознавания, связана с освещением. Воспринимаемый цвет сильно зависит сге освещай», а оно на практике часто меняется. Эта зависимость и сложная природа цвета, а также способы его регистрации и выявления могут стоить полезность его применения в качестве одного из признаков сравнения изображений. Необходима методика использования цветовых признаков, обеспечивающая наилучшую разделимость эталонов. Разработка такой методики, позволяющей применять наиболее эффективную систему цветовых координат, является важной и актуальной задачей. Результаты можно использовать в задачах обработки и распознавала изображений, в которых цветовые признаки являются одшош из важнейших , например, при обработке бномедицинехнк видеоданных.

Целью работы являлось повышение эффективности систем обработки—л., распознавания изображений, что достигалось проведением исследований в двух направлениях. Первое состояло в разработке методов и средств ускорения геометрических преобразований, используемых при устранении геометрических различий между эталонным и распознаваемым изображениями, второе - в разработке методики , использования цветовых пршнакоя, обеспечивающей лучшую разделимость эталонов с применением алгоритмов преобразований систем цветовых координат.

Няучиая новизна работы заключается в следующем:

1. Предложен новый под ход к выполнению двумерных геометрических преобразований изображения при выводе его на дисплей ЭВМ, снижающий требования к ресурсам ЭВМ по сравнению с классическими методами.

2. Разработаны алгоритмы базовых операции быстрых двумерных геометрически? преобразований , выполнена их программная проверка и реализация.

3. Разработаны вопросы аппаратной реализации геометрических операций на Основе предложенных алгоркшов.

4.Предложена методика использования цаегоаых признаков при распознавании, Обеспечивающая повышение эффективности распознающей системы.

5.Разработши система признаков и классификатор на ее основе для диагностирования заболеваний крови.

Практическая значимость . Полученные в хсде исследований новые результаты были применены и опробованы в прикладной задаче распознавания болезней крови по изображениям, наблюдаемый в микроскоп. Применение быстрых алгоритмов геометрических преобразований повышает эффективность систем обработки и распознавания гоображений. Кроме того, быстрые алгоритмы геометр1песюя преобразований мотут быть использованы в графических редакторах, в системах атшлщт. Предложенные аппаратные решения для геометрических преобразований могут быть использованы при проектировании геометрического процессора для видеосистемы , работающей в реальном времени.

Применения методики использования цветовых прюиакоз эффекпшю в задачах, где цветовые признаки являются существенными для распознавания, например при анализе биомедицинских видеоданных. Использование цветовых признаков при распознавании обеспечивает наилучшую разделимость эталонов) что повышает эффективность систем обработки и распознавай« изображений.

Апробация работы. Основные положения и результаты дкссертациошюЛ работы докладывались и обсуждались! на НТК "Перспективные информационные технологии в анализе ■ изображений и распозшвании образов" ( г. Ташкент, 1992), на Всероссийски* НТК: " Опшко-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации" ( г. Курск, КПИ, 1993), • Разработка н применение САПР ВЧ и СВЧ электронной аппарагуры" ( г. Владимир, 1994Х "Фгоика и радиоэлектроника в медицине и биотехнологии"(г. Владимир, 1994), на ежегодных научно-технических конференциях ВлГТУ "Дни Науки" (1992,1993,1994,1995,1996).

Публикации. По результатам выполненных исследований имеется 8 публикаций , в том числе описания к трем патентам, по которым получены положительные решена.

Структура н объем работы. Диссертация состоит из введения, четырех глав , заключения , списка литературы и приложений. Работа изложена на 115 страницах основного текста, 55 страницах приложений, содержит 10 таблиц, 29 рисунков. Список литературы включает 90 наименований.

Содержание работы

Во введении обосновывается актуальность темы диссертации, формируются цель и задачи исследований, ее научная новизна и практическая ценность.

В первой главе выполнен анализ состояния проблемы распознавания цветных изображений. Сделана общая постановка задачи распознавания, приведены основные функции, используемые в качестве игры сходства. Даны некоторые оценки полезности выбранного признака, а также критерии выбора множества признаков.

IIa рис. 1 представляй обобщенная схема системы распознавания. Блоки этой схемы взаимно связаны между собой, а промежуточные результаты работы каждого блока определяют надежность всей системы. Второй блок является очень важным в распознавании, так как в нем происходит улучшение качества вводимого юображения и устраняются различия условий ввода. Кроме того, в нем выполняются следующие операции: подавление шума, усиление контуров, сегментация, преобразование системы цветовых координат, геометрические преобразования (перенос, масштабирование и поворот) для геометрического приближения вводимого шображения к образу.

Главной задачей при проектнроваюш системы обработки и распознавания изображения является выбор признаков , описывающих каждый эталон, и решающей функции, по которой определяется принадлежность изображения к определенному классу. Признаки делятся Iи естественные и искусственные. Естественными считаются те признаки , которые устанавливаются вшуальным анализом шображения. К ним относятся цвет, яркость, размер, форма и др. Искусственные получаются в результате специальной обработки изображения. К ним относятся гистограммы, спектры пространственных частот ИДР-

Блок идентификации служит для вычисления меры сходства изображения с эталонами. Рассмотрены основные функции, используемые в качестве меры сходства, и способы их вычисления, способы и критерии разбиения пространства явлений на классы , даны некоторые сиенки полезности выбранного признака, а также критерии выбора множества признаков.

На рис.2 приведены результаты экспериментов по использованию цветовой координаты в качеств? разделяющего признака при распознавании. Сравнение производилось для клеток крови одного рада пяти видов в разных стадиях созревания

База данных

I

Ввод 1 Предварит. 2

обработка

¡Объект ( |Фнлътрают |

¡Камера 1 1 Перепое I

: Г Масштабно!

•Контроллер | I Поаолст |

Баск 3

распознавания

Выделение

мгатгат»

¡Идетнфн-

ринягно решений

Решение

Рис. 1

4

X

Н

ав ] ис,

Рис. 2

Предварительно по гне то гранке определялось ердоее значение дая каждого типа клетки и каждого признака ( Н, Ь, в, й. О, В ). График показывает, что наилучшие результат получены дм цветовых координат в и Н, а то время как по Ь, В и Я клетки практически неразличимы. На рисунке X • тип клетки, У* относительное расстояние между одним ю типов клеток и остальными.

Во второй глав* предложен новый подход к преобразованию юображений при выводе их не дисплей ЭВМ, основанный на преобразовании системы координат фрагмента сцены к текущей целочисленной системе дисплейных координат, на основе почти полностью целочисленных операций. При отображении сцены в качестве задающего устройства вослропвсдсння. используется видеосистема, а ее линейный целочисленный растр проецируется на юспротводнмую сцену. На основе этого поддала разработаны быстрые

лягор8ЕШЫ кпкшкнт Оззобы» опсрлщШ Д5умср»£ых ггонегрнчесмк преобразовав! ( перенос -Т, шгскоабкравяшс- Е и поворот- Р,). Основное дасто:тгтга быстрых алгорипша- возможность их выполнения в ЭВМ неяосредствешэ с цикле регакрлцги матрицы изображаю» Гфи сосгЕбсгстпую «ей аппаратной подцфхзсе.

В классическое цетодо гсоцетрическиз лресбразогашз выгалтэшг пухга укножашг ыетрш®?, содержащей фу135?ю сркостм/цэстз изображение ил матрицу коэффициентов преобразомняя. С учзтои тою, что изображение описывается матрицей, содержащей, кж правила, сотнн ты.сач элемигтод, выполнение геоиетрнчесиЕХ прсэ£разопашй пи классичссим методах требует много времени и его невозможно выполнить в рсагыюм масштабе пргменп ( в тзкге развертки ) для воспротоеде; 15 к д?2шяжз1 сцены. При ервшгешн! изображеюи с эталонами прюоднтсл прсаиразовш^ть гаображешк к уелот&я , геометрически сходным с теш;, при которых получен кг&дый этадогь Эта операцшг позторястсг многократно, что в конечном «чете сказывается ца гфеизшдоеяыюсга сюэтевд расаозиазагкз. Операции йыдсглкия ьиешшк котурез объемов н иасБ»з>овашгя Ешггются о&д»мм ди предложенных алгоритмов. Результате.! этих операций валяется метрики фрагмента и маски. Фрагментом называем объект г шшншлшон охватывающем прямоугольнике (оболочке) Р[к, I] , к=1,..., кга; 1=1,..., 1т. Мажа - ашлопгашй наосгв , жетгш которого ЩМ] раош 0, если Г[к,1] принадлежит объему, находящемуся внутри фрагмента, либо 1 в противном случае.

Два быэтрых алгоритмов геометрических преобразований предварительно

классическим методам вычисляются координаты угловых точек оболочки. Полученные координаты «итого маркеракн начала и конца извлечении элементов матрицы значений кодов 'фрагмента. В процессе воспроизведения экрана данные либо ечнтываются ш фона, либо кз объекта. При принадлежности координаты прямоугольнику, охватывающему объект, чтение производится из фрагмента только при условии, что соответствующий элемент из матрицы маски равен 0, иначе чтение производится из фона.

Перемещение фрагментов относительного фонового изображения обеспечивается формированием исполнительного адреса записи каждого элемента сцены как суммы кодов адреса элементов фрагмента с кодом смещения. В случае перемещения нескольких фрагментов задается значение приоритета для каждого фрагмента , которое позволяет

определят, начало и конад юалечешсг данных m кеяздсй «атргщи фрагметгтсв, при этом возможно нашжениз фрагментов ¿эуг на друга и кассирование фрагмента друганн.

При мгсштабирсзшки фрзгмекта шаги чтения гягмлггоз фрагмент каекгг значения, обратные коэффициентам иесштзбирсвгнна, з 5Кпоянигеяы!Ый иерее гашвси получается ашлэпгаю предыдущему. Прп этом операции укшжеган заменяется операцией сложен!и, чгоусйс^иетпрсиес: вытаяиеиия.

При повороте фрагмента шзг чтения вычисляется способом, (йдаруккпнмся in целочисленном алгоритме рисования msstft Вычислкотса коорджош изчзла и кон?» адр««а чтгиия, затем по получекнш! отрезкам Еыпоянгютса виго vxtizm для ядащого здеаетга разложенна. Быстрый алгоритм поворота - достакучт скояаяай витериты, детальные бдогг-схемы занимают с дассертацан 10 лзгетов.

Математическое оиисзмк группы преобразований задастся формулой Х/Чх,у,1) = Х(х,у,1)* Т * R * S, где ХА(х,у,1) и Х(я,у,1) - точки, принадлежащие кзтзевдн X и Хл отображаемых нв гкрзнв исходны* и полученного фрлгааггоз, a T,R н S - мзтркцм быстрых алгсргггаоя геометрических преобразований.

ХЛ-Х*Т- операция переноса, в которой татрнцз Т опредягяетм сяздугощга! образом:

1 0 0, .Т- 0 1 о

dx dy 1 ,

ГЦ5 dx,dy > координаты смещения фрагмента в поле зрения.

X^X'R- операция поворота, выполняемая как последовательность шагов. Предварительно классическим методом' вы>шсзшотся координаты базовых гргшгпелх точек фрагмента (xl,yl ),(х2,у2),(хЗ,уЗ),(х4,у4) следующим образом : х** х)* cos (ang)> (yn-j)*rni(^Y, У*= У+(*п.- Ю* ¿I (sng) - (y»-y)*cos(ang); ТЩг ХвдУа - коордннзш центра поворота, ang - угол поаорота; 0°<=* ang < 360°. Затем, в зависимости от угла. поворота, инициализируются гкргиеюыа: длв тярпого квадранта ytl=yl; vt2=y2; yt3 -y3; yt4=y4; xtl=xl; xi2=x2; xt3=x3; Я4=х4: jrw=xml; ywyrnj: xwk=xml; yw&=ym2; xnv=sml; ym=ysnl; xA=sml; yrii«ym2; yn'yml; хп-тт»1; yk-yml; xk=xm2;

дав второго кмqnoa yU-y2; уЙру4; yl3»=yl; yt4«y3; xt2»x4; xt3«xl;

x44=*3; xw=xml; yvrym2; xwk=xrol; ywfc=ym2; sm=xml; yro*ym2; x&=xml; yik=ytn2; yn=yml; хо=хш2а*=уш1; xk=xm2; лдя третьего квадра»тга ytl=y3; yt2»y<; yt3=y4; yt4-=y2; xJl=x2; xt2=xl; xt3*=x4;

204^x2; xw=xm2; yw=yrul; xwk=4cm2; ywk-ymi; xm=xm2; ym:,!yml; xrt=xm2; yifc="yml; yn=ym2; хп=хпИ yk=ym2; xk^xsrii; два четвертого квадрата ytl="y3; yt2=yl; yt3=y4; yt4=y2; *ti«*2; я2=х1; xt3=x4;

Я4=х2; xw=*m2; yw=yml; xwk3*!^ ywicyml; xm=xm2; ym^yml; xrk"Tan2; yik=yml; yn~ym2; n=*xml;yk=ym2; xk-xm2; гда (xtl, ytl), (xt2,yt2), (xt3,yt3), (xl4,yt4) - воордиизт маркера фрагмента изображения после поворота;,

(ип1,ут1),(хт2,ут2>- координаты прямоугольника, содержащего фрагмент; *w,yw -Начальная коордкшта начала записи; xwk,ywk - начальная координата конца записи; хп^уш - начальная коердишга начала чтения; xik,yifc - начальная координата конца чтения.

Устанавливаем координата начала и конца записи: ixQ , ecjfflang- 901180 1 270 1 360; xpl » |xJl в противном случае; xp2 = xtl;

{yt2 ,eng= 901180 1 270 1 360;

ytl в противном случае; yp2 « ytl.

Точки xpl,xp2,ypl,yp2 получаются как целочисаешы» значения отрезков [(xtl,ytl), 0d3jrtJ)] и [ДОоОД (st4,yt4)] - для xpl.ypl. [(xtl,ytl), (xt2,yt2)] и [(xi2,yt2X (хй,у!4)] -дшиОДрХ

Дм получена координат чтения иаюжьэусхся аналогичная процедура: отрезки KxnljnnlX (xmi,ym2)l И ((xml,yra2), (xm2,ym2)] • дня вычисления хп,уо; ((xml,ymlX (xm2,yml)] и [(xm2,yml), (xm2,ym2)]-для вычисления Л,ук.

Зяю ха, уп - коордаиата начала «пения, xk,yk - координата конца чкния, xpl,ypl -координата начала записи, хр2 vp2 - координата конца записи. Затем послсдс мятльно вычисляют

d* =|xk-xn|; dy = |yk-ynfc dxp = |xp2rxpl I;

¿х/дхр; при дх > йу & ¿хр > йх; кх - бхр/дх; при йх > <1у & 4* > <2хр; ку

йу/4ф; 14т 4х > <!у; В конце вычислив!« 81»¡яэп(хк-хп)*кх н в2 = 8!глСук-уп)*ку. В результате получаете! матрица преобразовлшп поворота

йу/йхр; кри<1у>Йх; йх/йхр; прнйу > йд &йтр>йх; йхр/йх *, при ду > «Зж Л й» > йхр.

образом:

1 О О О 1 О »1 82 1

- операнда касшгаЗироваиио, где матрица в спредгдагс! следующим

1 О О

8= 0 10 а ¡1 1

где а = 1/ах; Ь = 1/яу, а «х,ку - коэффиценты масштабирования. По приведенным алгоритмам выполнены программы и исследованы их характеристики.

КОМПЛЕКСНЫЕ ПРЕОБРАЗОВАНИЯ

Время, ^мнп]

Классические

Быстрые

10 10 30 40 оо те <0 »0 ю*

Число этавояов. N

Время,

ПРОСТЫВ ПРЕОБРАЗОВАНИЯ

5 Классические Т

Размерность NхМ

Рис. 3

Проведаю* сргзгаггекькы© измеряй» времен» i2pt®6paio»a] ый. псетолззсщяе говорить о сдагетвскиоа повышении бы сорсдйктеия по сравнению с классическими методашг( для переноса в 7 раз, даа иасштгбироггки в 4 раза, дая поворота в 2 раза) (рис. 3).

С далью наиболее noratoro пользования преимуществ быстрих алгоритмов РчХшетричЕских пргсбразсмккй ¡иссжпреш возможность ' рсалкзгцни быстрых алгоритмов геомгтричеазк преобразований аппаратным путем . В диссертации выполнена их аппаратная разработка в кда отдельных устройств ( переноса, поворота и шиятбировакиа), позволяющих в совокупности выполнять движение объектов в р&азыкш масштабе времени ( в такте развертки ). По кзаедому из устройств поданы aaasiat иа выдачу патентов, по всем заявкам" имеются подозшелыще решении. Обобщенная структурам схема геометрического преобразователя пшэедена на рис. 4. Модули управления оперта}«гми ( перенос, масштабирование, поворот) находятся в составе геометр!¡чс&кого преобразователя адресов, остальные блоки одинаковы даа всех операций.

Вход

Управление разьерткой видеопамяти

Фон

OJ.M1 £

OnjMnfc

Т

Селектор-мультиплексор

Выход

4 Геометрический преобразователь адресов

Рис. 4

В третьей главе рассматривается вопросы, связанные с обработкой и распознаванием цветных изображений в часто использования цветовых признаков. Рассмотрены методы вычисления координат цвета, системы цветовых координат, распознавание. цветных изображений пэ цветовому тону и насыщенности Исследование показало высокую информативность этих цветовых признаков.

Функция , описывающая цветное изображение, сложнее той , которая описывает полутоновое. Это усложняет прздесс обработки, но повышает качество распознавания, тах как расширяется массив признаков, по которым классифицируются объекты изображения,

н позволяет сократить объси взлчнслажЯ п?а ншояыовзнгш дасждоватеяыюЯ кяэсснфгазцпп.

Дая достизкйшя наилучшей разделимости эталоиоз предложена гцювдура использования цветовых признаков. На пергом ее шгте прдапводггез гкреяад в цветовое пространство HLS. При этом непользуготез разработажме аягериткгл взангашз преобразований снстта KoojvaMïT RGB « HLS. Мятеигагюскэе «яикажв эткк аягорптмехв имеет слеэдадяяй вид:

L^î.3* R-fO.59*0+0.11 *В; S- ') Îl'+O'+D2- 1.154 *L (R+G+B)+L г; T= srecos Z ; где cas 2 = <B+<3-2»R) / Z445 * S ; нрг« R=raax(R,G,B) ; cos Z=<B+R-2'»G) / 1446 * S ; при G=max(R,G,B) ; cos Z = (R+G-2*B) / 2.446 * S ; пря B=max(R,G,B) ;

R=U-/3 +./Ш *S * cos T; G-./ S5/2+L2-VT*S*L *c«T ;

S1 /2 4L' -^¡2 *S*L*cos T ' raig где co3g = (L+ vT *8*созТ)/^3/2«32+,/6 *S*L*cos T .

На следующем шаге выявляются наиболее информативные цветовые ivp» атаки. Результаты экспериментов позволяют сравнить »$«|>ективиостъ распознавали цвета в системах координат HLS и RGB .

На третьем шаге формируются эталоны путем разбиаша множества объектов на классы и определенна центра тяжести для каждого класса.

В таблице приведены результаты этого эксперимента. Результаты проведенных экспериментов позволяют говорить о существенном повышении средне rû рзсстоянш ( в 1,5 - 3 раза \ а также абсолютного расстопаы (в 4 - 10 раз ) между классами при использовании цветового тона в качестве признака распознавания (см. таблицу).

Исследуемый эталон Среднее расстояние между классами Абсолютное расстояние между классами

RGB HLS RGB HLS

kl 0,32 0,54 0,03 0,38

k2 0,1 0,45 0,04 0,29

кз 0,17 0.5 0,06 0,24

к4 0,31 0,54 0,02 0,3

С нслользовлгапи атак прообразовать*! проводились эксперименты по вддзчам фильтрации, сегмеитацш, классификация и распознавали.

■ В четвертой глава предложенные я «¡ссертаююлнсй работе методы н алгоритмы используются б прикладной задач Излагаются основы системы для анализа биомедшгинских видеоданных. Медицина была н остался областью приложения теории алгоритмов автоматической обработки информации в прикладных задачах. Создание экспертиш: медкцшвягх систем, систем диагностки и терапии гдрювано оказать врачу помощь ь постановке диагноза и освободить его от трудоемких работ, в частности в задачах распознавания болезней крови.

Для компыотеркшдш процесса распознавания болезни крови целесообразно сначала проанализировать состав крови и процгнтное соотноше1ше разных типов ее клеток как в норме, так и « Патологии. Так же необходимо понимать технику диагностики, по которой работает человек для распознавания состояния кров::.

Существуют различные методы исследования крови. На практике чаще всего болезни диагностируются путек нахождения патологических клеток визуальным образом с помощью микроскопа. Разграничение между типами клеток крови базируется на характерных пртнаках для каждого топа. Наиболее важными признаками для распознавания болезни кроси я^лях^гса размер, цвет, структура, форма (для клеток и для их. ядер ), толщина цитоплазмы, отношение площади ядра к цитоплазме, цвет перннуклеарной зоны, число ядрышек, содержание гемоглобина и относительное количество различных клеток. Разграничение между пэтологическими и нормальными клетками основано на том, что отдельные клетки при заболевании изменяются по некоторым признакам.

С этой целью выполнен анализ проблем визуального исследования заболеваний крови машинными методами и предложен перечень признаков. Классификация клеток производится на двух уровнях. На первом клетки классифицируются то типам, на втором-по болезням.

При традиционном способе человек тратит много времени на один аналю крови. Кроме того, работа под микроскопом является утомительной и небезвредной. Имеется база данных, состоящая из эталонных изображений элементов, используемых в диагностике

кроветворных клеточных элементов, ыорфолоптческнх вариантов ростков костного мозга при нормальных и патологических условиях костного мозга н периферической крот. Прн различных заболеваниях кроветворной системы, лимфатических узлов, селезенки н печени, часто вовлекающихся в патологический процесс прн гемобластозах или являющихся ареной для различных заболеваний, требуется дифферент ильная днагнослжа болезней системы кроветворения.

Переведя эту базу донных на компьютер, можно постаять вопрос об аэтомзтгвации процедуры анализа с целью снижения трудоемкости, повышения точности обнаружения болезни крови в ш'илыюй стад иI заболевания. Понимая алгоритм, по которому человек распознает болезни крови, можно представить структурно-функциональную схему системы для распознавания болезни крови на базе машинного зрения. Система состоит из микроскопа, видеокамеры с контроллером и адаптером ЭВМ, специального системного и прикладного программного обеспечения для решения задач, возникающих при диагностике.

Изучив признаки, характерные для каздого типа клеток крови, можно выбрзть подходящий метод для автоматического изменения данного признака с целью классификации клеток по типам. Также, »пучив признают разграничения пзтологнчеемк н нормальных клеток, можно найти подходящий метод для автоматического швлечения этих признаков с целью классификации уже по болезтш.

В работе системы можно выделить две основные задачи: справочио-тшформацнонную и диагностическую. Для реализации первой создается база данных в форме справочника, содержащая классификационное дерево и визуальные образы перечисленных выше элементов эталонных изображений, связанных с различными формами заболеваний крови. Эти изображения вводятся в ЭВМ с помощью сканера. Прн инициализации справочника с помощью меню классификатор обеспечивает практически мгновенный доступ к выбранному образцу и их подмножеству с выдачей изображений на экран. При решении диагностической задачи изображение установленного в микроскопе образца снимается с помощью телекамеры, оцифровывается, сжимается е применением одного из фафических форматов и записывается в дисковую магнитную память. Впоследствии с помощью специального программного обеспечения происходит диагностика заболеваний, например по следующему алторипгу:

1 .Читается файл, в котором записан образец, при этом вычисляется отношение красной составляющей к синей ( R/B ), в результате чего можно определить, больна кровь или нет, в зависимости от значение определенного порога. В случае, если значение отличается от нормального больше, чем на величену порога, продолжаем обработку. В противном случае обработка прекращается, система дает заключение о том, что кровь нормальная, и переходит к обработке следующего образца.

2.Предварителы1ая обработка проводится с целью повышения качества вводимого изображения, что улучшает и ускоряет процесс автоматического подбора признаков. В ней выполняются следующие операции: фильтрация, бинаризация, выделение внешних контуров, маскирование и геометрические преобразования. Результатом этой обработки будет список с координатами клеток.

3. Подсчет клеток и классификация клеток по типам с помощью различных признаков (форма, размер, цвет и т. д. ). Подсчет количества различных типов клеток выполняется с применением специальной фильтрации, в результате которой на' первом шаге формируются компактные труппы. На втором шаге выполняется процедура сжатия. Полученное в результате изображение состоит из точек. Подсчет их количества завершает задачу. Если задача выполняется над выделенными клетками, то в результате подсчета измеряется их количество.

.4. Подсчет процента клеток по классам и их сравнение с допустимыми нормами

5. Классификация по болезням выполняется корреляционными методами последовательным сравнением каждой из клеток внутри класса с элементами эталонов различных форм заболевания.

6. Отнесение типа клеток к определенному классу и вывод диагноза.

В качестве примера на рис. 5 приведена схема классификации клеток периферической крови. Разработана методика распознавания некоторых болезней крови. Разработан и реализован алгоритм подсчета клеток крови.

В заключении отмечается, что использование быстрых алгоритмов геометрических преобразований существенно сокращает время на щтведение сравниваемых изображений к одинаковым условиям. Аппаратная реализация геометрического преобразователя позволяет выполнять сборку синтезируемой сцены на лету в темпе работы развертки дисплея.

1-11

Цвет

2-И Размер

3-11

Я/Ц

4,5 Структура ЯнЦ

г-ПФор!

цдра 1

8-11

Структура «ДРа

6,7 Число :егментов

8,9 Число сегментов

10,11 Число

:егаенпов

1.Эр1гтрощгг

2. Тромбоцит

З.Моноцнт

_ц 4.Лимфоцит

->{ 5.Плазмоцнт I

6.С Я Эозинофил

7.П Я Эозинофил

-»{ 8.С Я Базофил

9.11 Я Базофил

10.С Я Нейтрофил

И.П Я Нейтрофил

СЯ - сегментоядерный. 11Я - палочкоядерный, Я - ядро, Ц - цитоплазма '

Рис. 5

Использование эффективных цветовых координат повышает расстояние между классам!. В совокупности использование предложенных решений повышает -эффективность системы распознавания. Также следует отметить, что проблема обработки и распознавания цветных изображений и использования цвета как одного из признаков распознавания все еще недостаточно изучена и для полного ее раскрытия потребуется еще иного усилий.

Приложении включают методы распознавания, используемые в работе, текст разработанных программ для исследования предложенных методов и алгоритмов и копт« положительных решений о выдаче патентов.

Огповиыр оетупьтяты паботы в диссертационой работе получета следующие результаты:

1. Разработан новый педаод к преобразованию изображений при выводе их на дисплей •• ЭВМ, основанный на преобразовании координат фрагментов сцены к целочисленной системе дисплейная координат. При отображении сцены, в которой в качестве задающего устройства воспроизведения используется видеосистема, ликейшй целочисленный растр проецируется на изображения фрагментов воспроизводимой сцены , обеспечивая переход,

от чыаакИшх и нсцелочислешкм преобразований координат , сопровождающих. геометрические преобразовать к простейшим целочисленным операциям.

2. На основе этого подхода разработаны алгоритмы базовых операций двумерных геометрических преобразований , выполнены их программная реализация и исследование карактеристих. Представлены результаты сравшггельного исследования позволяющие говорить о существенном повышении быстродействия по сравнению с классическими методами.

3.. Разработаны вопросы аппаратной реализации предложенных алгоритмов. На три устройства ( переноса, масштабирования и поворота) поданы заявки на выдачу патентов . По всей ваявкдм получены положительные решети о выдаче патентов.

4. Проведены исследования, связанные с распознаванием цветных изображений в части использования цветовых признаков. Разработаны алгоритмы взаимных преобразовании систем координат RGB и HLS. Разработана методика отбора цветовых признаков при pacTuoiiaBaiurii, обеспечивающая наилучшую разделимость эталонов.

Выполнен шшло задачи визуальною исследования заболеваний крови машинными методами. Предложен перечень признаков и схема классификации периферической крови. Разработай и реализован алгоритм гюдьчета клеток крови. В рамках этой задачи опробованы алгоритмы обработки изображений, предложешшые в главах 2 и 3. диссертации.

' Список основных работ,опубушкоеитых по теме диссертации

1. Арное Б.А., Булаикин В.Б. Формирование изображений с перемещением управляемого фрагмента И Оттшко-злектрошше приборы и устройства в системах распознавания образов, обработки изображений и символьной информации: Тез. докл. / КПИ. К>рск, 1993. С. 19. 20.

2. Жирков В.Ф. , Арное Б.А. Выбор оптимального базиса преобразования Фурм а задаче распознавания визуальных образов //Перспективные информационные технологии в аналюе юображения и распознавания образов: Тез. докл. / УзНПО "Кибернетика" , АН peca Узбекистан. Ташкент, 1992. С. 9, 10.

3.Жирков В,Ф. , Арное RA. Д|умерные преобразовать при синтезе изображений // Разработка к применение САПР ВЧ и СВЧ электронной аппаратуры: Тез. докл. Владимир, 1994. С. 84-86.