Скачать бесплатную работу можно по короткой ссылке. Ознакомится с содержимым можно ниже.
Введение 3
Глава 1. Методформированиягиперспектральныхданных вмикроскопииввидимом иикдиапазонахспектра……………………………………………….7
1.1. Структурная схема микроскопа-гиперспектрофотометра…………………7
1.2. Метод формирования гиперспектральных данных…………………………9
Выводы к главе 1 12
Глава 2. Обработка гиперспектральных данных с использованием алгоритмов обучения без учителя 13
2. 1. Метод k внутригрупповых средних с использованием принципа минимальной длины описания 13
2. 2. Выборв признаков для построения обучающей выборки на основе анализа независимых компонент 16
Выводы к главе 2 22
Глава 3. Экспериментальная апробация разработанного метода 23
Выводы по главе 3 31
Заключение 32
Список использованной литературы 33
Обычно изображение представляется для наблюдателя в виде совокупности однородных участков, которые отличаются друг от друга некоторыми характеристиками. Количество различных типов или классов в большинстве случаев невелико. Целью анализа подобных изображений наблюдателем или автоматической системой является определение этих областей и ей последующая классификация. Обычно такую совокупность сведений об изображении называют его картой. Получают карту изображения путем решения задачи сегментации.
Количество признаков, по которым могут отличаться друг от друга участки изображения может быть достаточно большим. Существует большое количество задач, где участки изображения имеют разный уровень средней яркости. При одинаковом уровне средней яркости может различаться их дисперсия флуктуации. Так же иногда наблюдается такие картины, на которых присутствует медленные, плавные колебания яркости на одних и тех же участках. В большинстве случаев участки изображения различных типов отличаются друг от друга не по одной характеристике, а по нескольким. В тоже время встречаются и такие картины, где вся сцена разбита на области, которые не отличаются друг от друга ни по каким своим характеристикам. Вся информация (карта) в этих случаях представляет собой совокупность границ между отдельными участками. Например, изображение кирпичной стенки.Методы, используемые при сегментации, еще более разнообразны, чем признаки, по которым различаются отдельные классы. Следует отметить, что единого общепризнанного, эффективного подхода, который бы лежал в основе всех или хотя бы большинства методов, не существует[1].
Известные методы сегментации можно разделить на два класса: автоматические – методы, которые не требуют взаимодействия с пользователем и интерактивные – методы, которые используютпользовательский ввод непосредственно в процессе работы. Целью данной работы является автоматический метод.
Задачи автоматической сегментации разделяются на два класса:
1)выделение областей изображения с известными свойствами;
2)разбиение изображения на однородные области.
Между этими двумя постановками задачи есть важная разница. В первом случае задача сегментации состоит в поиске определенных областей, о которых имеется информация известная заранее (например, цвет, форму областей). Методы этой группы узко специализированы для каждой конкретной задачи. Сегментация в данном случае используется в основном в задачах машинного зрения. Например, поиск объектов на изображении.
Во втором случае мы не имеем никакой заранее известной информации, зато на само разбиение изображения накладываются некоторые условия (например, все области должны быть однородны по цвету и текстуре). Так как при такой постановке задачи сегментации не используется априорная информация об изображенных объектах, то методы этой группы универсальны и применимы ко многим изображениям. Обычно сегментация в данном случае применяется на начальном этапе решения задачи, для того чтобы получить представление изображения в более удобном виде для дальнейшей работы с ним [2].
Изучение свойств микрообъектов, в частности биологических препаратов, направлено на получение качественной и количественной информации об их структуре и составе. Из известных методов изучения микрообъектов таких, как метод темного поля, светлого поля, дифференциально-интерференционного контраста, фазового контраста, наиболее подходящими для одновременного получения данных о структуре и составе являются методы, основанные на использовании гиперспектральных данных с их последующей обработкой. Гиперспектральные данные могут быть сформированы с высоким пространственным и спектральным разрешением, что приводит к большому количеству времени их обработки. Для многих задач, которые решаются при обработке гиперспектральных данных, например, выделение каких-то участков поверхности микрообъекта, имеющих идентичное строение, допускается использование данных с меньшим спектральным разрешением, что позволяет сократить время выполнения таких операций. В настоящей работе предложен метод сегментации изображений биологических препаратов на основе алгоритма сокращения размерности гиперспектральных данных.
Целью данной работы является разработка метода сегментации изображений биологических препаратов с помощью гиперспектральных данных, полученных в видимом и БИК спектральных диапазонах, на основе алгоритма сокращения размерности. Для достижения поставленной цели требуется решить следующие задачи:
- Провести анализ методов сегментации гиперспектральных данных о микрообъектах;
- Разработать метод сегментации изображений биологических препаратов с помощью гиперспектральных данных на основе алгоритма сокращения размерности;
- Разработать компьютерную программу, реализующую разработанный метод сегментации изображений микрообъектов;
- Выполнить экспериментальную апробацию разработанного метода с помощью компьютерной программы;
- Проведение сравнительного анализа полученных результатов с результатами без использования алгоритма сокращения размерности;
В первой главе рассматривается устройство прибора и методформированиягиперспектральныхданных вмикроскопииввидимом иикдиапазонахспектра, с помощью которого были получены исходные гиперспектральные данные.
Во второй главе рассматривается метод обработки гиперспектральных данных с использованием алгоритма обучения без учителя.
В третьей главе представлены результаты апробации разработанного метода на экспериментальных данных. Показаны преимущества выбранного алгоритма перед результатами, полученными без него.
При выполнении работы были разработан и исследован метод сегментации биологических препаратов с использованием гиперспектральных данных в видимом и ближнем инфракрасном диапазонах спектра и получены следующие результаты:
- Выбранный метод получения гиперспектральных данных о микрообъектах в видимой и ИК областях спектра обеспечил регистрацию спектральных свойств локальных особенностей микрообъектов с высоким пространственным и спектральным разрешением.
- Гиперспектральные данные содержали избыточное количество информации, обработка которой могла занять продолжительное время. Для решения этой проблемы был использован алгоритм сокращения размерностей на основе анализа независимых компонент.Время выполнения сегментации изображений без использования выбранного нами алгоритма сокращения размерности составляет 118 сек., а с ним 56 сек.
- Предложенный алгоритм позволяет проводить сегментацию гиперспектральных данных в полностью автоматическом режиме.
- Использование адаптивного цветового контрастирования в качестве предобработки существенно повысило качество исходных изображений. Из рис 8, 14, 19 видно, что различие между спектрами пропускания разных объектов увеличилось.
- Программа, разработанная с применением выбранного алгоритма сокращения размерности, дает экспериментальные результаты лучше, чем программа без него. Тем самым подтверждая эффективность использования данного алгоритма при решении задач типа сегментации изображений биологических препаратов с применением гиперспектральных данных.
