| |
Введение: |
| |
Программа «BioImage Сovering» предназначена для автоматизации процесса сегментации цифровых изображений биологических объектов. Она написана на языке высокого уровня Borland Delphi 7.0 ( Object Pascal ). В программе реализованы функции предварительной обработки изображений, основанных на двухмерном фильтре скользящего среднего с изменяющейся апертурой. Также для генерации обучающей выборки по приведенному изображению реализовано ручное выделение областей статистически неоднородного фона и исследуемого проективного покрытия. Решающая функция (функция сегментации) позволяет быстро получить результат в зависимости от порога принимаемого решения. Для объективной оценки работы программы, на каждом этапе реализованы функции визуализации данных, которые помогают принимать решения.
Кроме того, существует возможность сохранить изображение с каждого этапа обработки, а также получить отчет в виде отдельного файла. Данная программа выполнена с использованием графических возможностей операционной системы MS Windows , что делает интерфейс программы легко понимаемым и удобным для пользователя. |
|
|
Схема работы программы: |
| |
| На приведенной схеме изображена поэтапная обработка изображения в программе «BioImage Covering» |
| |
|
| |
| В данной программе на каждом этапе приходиться решать отдельную задачу для того, чтобы получить исходный результат. Эти задачи целесообразно разбивать на отдельные подпрограммы, которые формируют структуру приведенной программы |
| |
|
| |
|
|
Фильтрация изображений: |
| |
Для снижения разного рода шумов (флуктуационных, яркостных) в исследуемых изображениях нужно применять низкочастотный фильтр скользящего среднего. Параметры фильтра задаются изменением апертуры, это нечетные числа 3,5,7: |
| |
|
| |
| Результатом работы данного фильтра будет изображений приведенное на рисунке |
| |
|
| |
|
|
Расчет модели изображения |
| |
После того, как изображение отфильтровано необходимо, рассчитать модель изображения по критерию максимального правдоподобия. Для этого в программе необходимо выделить с помощью специального инструмента области, относящиеся к фону и лиственному покрову. На рисунке изображена данная операция: |
| |
|
| |
На основании выделенных данных строиться обучающая выборка в RGB пространстве. Поскольку пространство является трехмерным, то целесообразно перевести его в двухмерный прототип, используя секущую плоскость и проекции на неё. Результат проекции обучающей выборки на секущую плоскость можно посмотреть с помощью модуля визуализации данных |
| |
|
| |
|
|
Модель изображения |
| |
После того как обучающая выборка создана, рассчитываем модель изображения с помощью потенциальной функции. Алгоритм расчета формирует изображение с 256 уровнями серого. На рисунке, отображен результат работы данного алгоритма.
|
| |
|
| |
| С помощью модуля визуализации данных можно построить гистограмму яркости для получившегося изображения и оценить динамический диапазон яркости |
| |
|
| |
|
Сегментация изображения |
| |
Так как рассчитанное изображение имеет 256 градаций серого, то при данных условиях оптимальным порогом разделения двух объектов будет значение 127, что соответствует автоматической сегментации изображения. Все остальные значения порога, которые могут быть заданы в диапазоне от 0 до 255, являются ручным методом сегментации, поскольку могут быть заданы пользователем, в зависимости от исследуемого изображения. Диалог установления определенного значения порога показан на рисунке, также изображена гистограмма яркости изображения после применения порога. |
| |
|
| |
Результатом работы порогового алгоритма является сегментированное изображение, отображенное на рисунке |
| |
|
| |
|
Определение процента проективного покрова |
| |
После того, как результат пороговой обработки изображения готов, применяется алгоритм определения процента проективного покрова. Результат данной операции изображен
на рисунке: |
| |
|
| |
|
Дополнительные функции |
| |
| Закрашивание сложных областей |
При сегментации реальных изображений проективного покрова возникают ситуации, когда необходимо не учитывать определенные области изображения в подсчете проективного покрова. Для этого был разработан инструмент закрашивания этих областей, результат его работы отображен на рисунке: |
| |
|
| |
| Сетка для изображения |
| Для удобства работы с каждым изображением можно использовать автоматизированную сетку для него. Применения данного инструмента смотри на рисунке |
| |
|
| |
|
Алгоритм работы программы |
|
Видеопрезентация работы программы |
|
| |
