Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка icon

Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка




Скачати 88.18 Kb.
НазваУдк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка
Дата22.06.2012
Розмір88.18 Kb.
ТипДокументи

УДК 681.3

АНАЛИЗ ТЕКСТУРЫ УЛЬТРАЗВУКОВЫХ СНИМКОВ
С ИСПОЛЬЗОВАНИЕМ ПРИЗНАКОВ РАЗНОСТНОЙ ГИСТОГРАММЫ ВТОРОГО ПОРЯДКА


В.Г. Адамов1, М.В. Привалов2

В работе разработан и описан подход к анализу текстуры ультразвуковых снимков внутренних органов человека на основе применения признаков разностной гистограммы второго порядка.

Введение

В настоящее время в большинстве систем диагностики для исследования внутренних органов используются снимки, полученные различными способами. К ним относят рентгеновские снимки, магниторезонансные снимки и ультразвуковые эхограммы. В ультразвуковой диагностике различают два вида патологий внутренних органов: очаговые и структурные. Очаговые представляют собой различные образования, а структурные выражаются в изменении ткани всего органа. Для облегчения работы врача-диагноста и улучшения качества диагностирования патологий, особенно структурных, необходимо выполнить анализ текстуры ультразвуковых эхограмм, который включает сегментацию и классификацию текстур.

^ 1. Разработка метода анализа текстуры ультразвуковых снимков

1.1 Постановка задачи. При текстурном анализе производится разделение исходного изображения на области с однородным свойством – текстурой, затем определяются основные параметры этих областей, необходимые для принятия решения. Текстура объектов представляет собой некоторый повторяющийся рисунок, из которого формируются различные участки объекта. Основными этапами обработки текстуры изображений являются:

  1. Предварительная обработка;

  2. Определение признаков текстуры;

  3. Сегментация изображения;

  4. Классификация текстур.

Используемые на этапах определения признаков текстуры и сегментации методы и алгоритмы определяют качество обработки изображений определенного типа. При текстурном анализе должна рассматриваться определенная окрестность каждого пикселя, охватывающая несколько текстурообразующих элементов – элементарных фрагментов, из которых и формируется текстура. С этой целью при снятии входных данных, предъявляемых в дальнейшем для классификации классификатору, можно использовать метод скользящего окна, который часто применяется при обработке изображений. Как правило, окно имеет прямоугольную форму. При этом должна учитываться возможность появления одних и тех же текстур при различных углах поворота относительно краев изображения. Погрешность обработки участков, содержащих стыки двух и более текстур, должна быть невысокой. Однако, при непосредственном предъявлении на вход классификатора пикселей изображения возникают сложности учета углов поворота текстурных участков относительно краев изображения. Сложность состоит в том, что одна и та же текстура может быть захвачена окном, используемым для анализа, по-разному. В данном случае, при обработке текстуры под разными углами, на вход классификатора поступят различные данные, это приведет к тому, что в одном случае рассматриваемая текстура будет распознана правильно, а в другом возможна ошибка распознавания. Чтобы избежать такой ошибки, необходима настройка классификатора на все текстуры, повернутые под различными углами. Однако это резко увеличивает число распознаваемых классов, что приводит к ухудшению точности и быстродействия решения задачи классификации. Таким образом, очевидно, что прямая подача на входы классификатора пикселей изображения не позволяет эффективно решить задачу текстурного анализа ультразвуковых изображений, поэтому необходима предварительная обработка исходного изображения с целью получения признаков, которые слабо зависят от угла поворота текстуры относительно границ окна.

^ 1.2 Анализ существующих методов. Существует целый набор различных признаков текстуры, которые применяются в ряде методов текстурного анализа: признаки на основе моментов низших порядков [Julesz, 1962], признаки, полученные от преобразования Фурье и декомпозиции вейвлет-пакетов [Chang, 1992], [Funn, 1992], признаки микротекстуры Лоза [Laws, 1980], [Hsiao, 1989], признаки, полученные от моделей случайных полей [Beck, 1996], признаки разностной гистограммы второго порядка [Dhawan, 1996], [Sahier, 1996], признаки, рассчитанные на основе фрактальных свойств [Chen, 1989].

Результаты анализа литературных источников, показали, что для решения задачи анализа текстур достаточно эффективны методы, использующие признаки микротекстуры Лоза и признаки, рассчитываемые по разностной гистограмме второго порядка. Однако эти методы обладают некоторыми недостатками. Метод [Hsiao, 1989], использует в качестве текстурного признака энергию текстуры, рассчитываемую с использованием масок микротекстуры Лоза. Признаки Лоза слабо учитывают взаимное пространственное расположение пикселей друг относительно друга, что увеличивает погрешность обработки текстур внутри однородных участков и увеличивает погрешность обработки у границ. От этого недостатка свободны методы [Dhawan, 1996] и [Sahier, 1996], использующие признаки разностной гистограммы второго порядка. Но в данных методах не решена следующая проблема: при обработке пикселей изображения при малом размере окна возможна неверная классификация текстур по всему изображению, а при окне большого размера наблюдается значительное повышение погрешности обработки вблизи границы двух и более участков с различной текстурой.

^ 1.3 Разработка метода текстурного анализа. С учетом результатов анализа и классификации методов обработки текстуры, приведенных в подразделе 1.1, а также сказанного выше в данном подразделе, можно сделать вывод, что рассмотренные методы обладают рядом недостатков, которые снижают эффективность обработки текстуры ультразвуковых эхограмм. В связи с этим целесообразно разработать метод, свободный от указанных недостатков и позволяющий эффективно проводить анализ текстур ультразвуковых эхограмм внутренних органов. Основным отличием предлагаемого метода от существующих является комплексное решение задачи учета угла поворота участков эхограмм с различной текстурой и задачи выбора размера окна для расчета признаков. Такое решение предполагает использовать способ расчета признаков, обеспечивающих наилучшее описание текстур ультразвуковых снимков, а также решение проблемы выбора размера окна для расчетов с помощью сглаживания пространств текстурных признаков и проведения по полученным признакам классификации текстур. Функционирование разрабатываемого метода текстурного анализа ультразвуковых эхограмм может быть представлено в виде схемы, показанной на рис. 1. Для реализации данного метода необходимо выполнить следующее:


Расчет признаков текстуры для малого окна

Сглаживание пространств признаков

Классификация


Рис. 1. Схема функционирования метода текстурного анализа



  1. Определить размер окна для блочных манипуляций с изображением.

  2. Выбрать параметры вектора входных данных, подлежащих классификации (метод расчета текстурных признаков, набор признаков).

  3. Выбрать систему идентификации текстур и определить параметры выходного вектора.

  4. Выбрать фильтр для сглаживания пространств текстурных признаков и его параметры.

  5. Выбрать классификатор, который способен решить задачу текстурного анализа в данных условиях наиболее эффективно.

  6. Подготовить классификатор к распознаванию текстур (Данная процедура зависит от типа выбранного классификатора).


В качестве фильтра, сглаживающего контуры, может быть использован квадрантный фильтр, сохраняющий контуры, а также медианный, рассмотренный ранее.

Алгоритм работы квадрантного фильтра, сохраняющего контуры, заключается в следующем. При фильтрации точки изображения рассматриваются четыре квадранта, расположенных вокруг нее. Для каждого квадранта рассчитываются два параметра: математическое ожидание и дисперсия . Для первого квадранта эти параметры рассчитываются следующим образом:

, (1)

. (2)


После расчетов выбирается квадрант с минимальной дисперсией:


. (3)

Значение яркости пикселя с координатами заменяется величиной , которая представляет собой математическое ожидание яркости пикселей в квадранте с минимальной дисперсией. Это производится исходя из тех соображений, что в квадранте, в котором будет присутствовать граница двух текстур, а, стало быть, будут присутствовать статистики для обеих текстур, никогда не будет минимальной дисперсии. Наоборот, минимальной будет дисперсия в том квадранте, в котором будут присутствовать статистики только одной текстуры.

^ 1.4 Выбор признаков для анализа ультразвуковых снимков. Эффективность функционирования разработанного метода во многом зависит от используемых признаков текстуры. Как было сказано ранее, наиболее приемлемыми методами получения признаков текстуры являются метод Лоза [Laws, 1980] и методы, использующие разностную гистограмму второго порядка [Dhawan, 1996], [Sahier, 1996].

Принцип работы метода Лоза заключается в следующем. Пространство текстурных признаков является результатом свертки исходного изображения и некоторой маски микротекстуры, представляющей собой узкополосный фильтр. В качестве такой маски может использоваться одна из масок E5L5, R5R5, E5S5, L5S5, как это сделано в методе [Hsiao, 1989]. Результаты свертки служат для расчета различных макростатистических признаков текстуры. Наиболее эффективным макростатистическим признаком Лоза для решения задачи текстурной сегментации является стандартное отклонение математического ожидания [Hsiao, 1989]:

, (5)

Однако, как было сказано выше, признаки Лоза обладают следующим недостатком: они слабо учитывают взаимное пространственное расположение пикселей друг относительно друга. Свободны от этого недостатка признаки разностной гистограммы второго порядка. К ним относятся статистики различия градаций серого (GLDS – Gray Level Difference Statistics) и статистики пространственной зависимости градаций серого (SGLD – Spatial Gray Level Dependence). К признакам GLDS относятся контраст (6), второй угловой момент (7), математическое ожидание (8) и энтропия (9):


(6)

(7)

(8)

(9)


Для выбора конкретного набора признаков требуется выполнить исследования их разрешающей способности при обработке текстуры ультразвуковых снимков, а также их быстродействия.

^ 2. Основные результаты и выводы

Разработан метод анализа текстуры изображений, отличающийся от существующих комплексным решением задачи обработки текстур с различными углами поворота относительно краев изображения и задачи выбора размера окна для анализа текстуры.

В разработанном методе целесообразно применять признаки разностной гистограммы второго порядка. Для выбора набора признаков, способного обеспечить требуемое качество описания текстур необходимо выполнить исследование их разрешающей способности.

^ Список литературы

[Julesz, 1962] B. Julesz, «Visual pattern discrimination», IRE Trans. Inform. Theory, vol. IT-8, pp. 84-92, Feb. 1962.

[Chang, 1992] T. Chang and C.-C. Jay Kuo, “Texture analysis and classification with tree-structured wavelet transform”, UCS-SIPI Report #198, Feb. 1992.

[Funn, 1992] D. F. Funn, W. E. Higgins, J.Wakeley “Determining Gabor filter parameters for texture segmentation”, Proc. SPIE Intelligent Robots and Computer Vision XI, vol. 1,826, pp.51-63, 1992.

[Laws, 1980] K. I. Laws, “Textured images segmentation”, Ph. D. dissertation, Univ. Southern California, Los Angeles, CA, USCIPI Rep. 940, 1980.

[Hsiao, 1989] J. Hsiao, A. Sawchuk, Supervised textured image segmentation using feature smoothing and probabilistic relaxation techniques, IEEE Transactions on pattern analysis and machine intelligence, vol. 11, no. 12, December 1989.

[Beck, 1996] J. S. Bleck, U. Ranft and al. «Random field models in the textural analysis of ultrasonic images of the liver», IEEE Trans. on Medical Imaging, vol. 15, no. 6, pp. 796-804, 1996.

[Dhawan, 1996] Atam P. Dhawan, and al. «Analysis of Mammografic Microcalcifications Using Grey-Level Image Structure Features», IEEE Trans. on Medical Imaging, vol. 15, no. 3, June 1996.

[Sahier, 1996] B. Sahier, and al., «Classification of Mass and Normal Breast Tissue: A Convolution Neural Network Classifier with Spatial Domain and Texture Images», IEEE Trans. on Medical Imaging, vol. 15, no. 5, Oct. 1996.

[Chen, 1989] C. C. Chen, J. J. Daponite, M. D. Fox, “Fractal feature analysis and classification in medical imaging”, IEEE Trans. Med. Imag., vol. 8, no. 2, pp. 133-142, 1989.

1 83000, Донецк, ул. Артема, 58, ДонНТУ, adamov@kita.dgtu.donetsk.ua

2 83000, Донецк, ул. Артема, 58, ДонНТУ, max@kita.dgtu.donetsk.ua

Схожі:

Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка iconСинергетический фазовый переход второго рода с комплексным параметром порядка а. В. Хоменко, доц
Лоренца. При этом отдельный интерес представляет изучение влияния величины разности частот изменения параметра порядка и сопряженного...
Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка icon§3 Линии второго порядка
При этом начнем с рассмотрения различных объектов на координатной плоскости ху и будем тем самым рассматривать уравнения с двумя...
Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка icon§3 Линии второго порядка
При этом начнем с рассмотрения различных объектов на координатной плоскости ху и будем тем самым рассматривать уравнения с двумя...
Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка icon§5 Цилиндрические поверхности с образующими, параллельными координатным осям; поверхности второго порядка
Перед тем как начать изучение пространственных геометрических образов, соответствующим уравнениям 2-й степени, рассмотрим один специальный...
Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка icon§5 Цилиндрические поверхности с образующими, параллельными координатным осям; поверхности второго порядка
Перед тем как начать изучение пространственных геометрических образов, соответствующим уравнениям 2-й степени, рассмотрим один специальный...
Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка iconСмкэс-2004 удк 681. 32: 681. 518. 54 Применение плис в диагностирующих системах для сжатия информации
Недостатком метода является необходимость хранения и обработки большого количества информации. Словарь должен содержать эталонные...
Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка iconМіністерство освіти І науки україни кременчуцький національний університет імені михайла остроградського
Анализ признаков классификации распознаваемых фрагментов цветных растрових изображений
Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка icon§4 Преобразование координат на плоскости. Применение преобразования координат к упрощению уравнений кривых второго порядка
Рассмотрим, во-первых, как изменяются координаты точек плоскости ху при преобразовании параллельного переноса, то есть таких преобразований,...
Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка icon§4 Преобразование координат на плоскости. Применение преобразования координат к упрощению уравнений кривых второго порядка
Рассмотрим, во-первых, как изменяются координаты точек плоскости ху при преобразовании параллельного переноса, то есть таких преобразований,...
Удк 681. 3 Анализ текстуры ультразвуковых снимков с использованием признаков разностной гистограммы второго порядка iconУдк 681. 518: 658. 386 Тарасюк А. П., Спасский А. С
Использование генетических алгоритмов в экспертных системах диагностики уровня качества подготовки специалистов
Додайте кнопку на своєму сайті:
Документи


База даних захищена авторським правом ©zavantag.com 2000-2013
При копіюванні матеріалу обов'язкове зазначення активного посилання відкритою для індексації.
звернутися до адміністрації
Документи