ИССЛЕДОВАНИЕ АЛГОРИТМОВ КЛАССИФИКАЦИИ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ АНАЛИЗА ПРОСТРАНСТВЕННОГО СПЕКТРА

1, 1, 2

1Самарский государственный аэрокосмический университет им. академика (национальный исследовательский университет),

2Институт систем обработки изображений РАН

E-mail: *****@***com

Анализ изображений медицинских кристаллограмм – это важная часть медицинской диагностики. Медицинские кристаллограммы – это структуры, образованные при кристаллизации солей вследствие высушивания биологической жидкости. Автоматизация обработки изображений кристаллограмм позволит повысить качество диагностики и сократит затраты времени на её проведение.

Информация, содержащаяся в изображении кристаллограмм, является структурно избыточной. Если на исходном изображении преобладали параллельные полосы определённого направления, тогда и на Фурье-преобразовании исходного изображения будут преобладать полосы с таким же направлением. Это свойство можно использовать для анализа кристаллограмм [1-2].

В данной работе рассматриваются и применяются факторы формы, а так же сегментные признаки спектра.

Факторы формы:

·  Malinowska Factor

·  Blair-Biss Factor ,

·  Compactness Factor ,

·  Circulation Factor ,

·  Shape Factor

где P – периметр фигуры, S – площадь фигуры, ri– расстояние от точки области до центра масс фигуры.

Если рассматривать функцию изображения в пространственной области и её преобразование Фурье F(u, v), тогда величина |F(u, v)|2 определяет энергетический спектр изображения. Область энергетического спектра изображения можно исследовать непосредственно целиком или частично.

НЕ нашли? Не то? Что вы ищете?

Сегментные признаки получаются с помощью вычисления общей энергии в каждой из областей, в соответствии с разделением, по формуле: , где , θ1 и θ2 – углы, ограничивающие сектор.

В данной работе была проведена классификация текстурных изображений кристаллограмм слёзной жидкости. Так же была найдена зависимость значения ошибки от классификатора для различных признаков.

Значение ошибки рассчитывалось как доля неверно классифицированных объектов.

На рисунке 1а приведены значения ошибки для классификатора по k ближайшим соседям. Значения k равны 3, 5 и 7. Лучший результат показал классификатор по 3 ближайшим соседям – наименьшая ошибка составляет 21%. На рисунке 1б приведены значения ошибки классификации для обоих классов при использовании байесовского классификатора и классификатора по 3 ближайшим соседям. При использовании байесовского классификатора наименьшая ошибка составила 18%.

а) б)

Рис. 1 – Зависимость значения ошибки от выбора классификатора

В таблицах 1 – 3 приведены результаты классификации для всех возможных разбиений с количеством колец от 1 до 8 и с количеством секторов от 1 до 8. Наименьшая ошибка классификации для обоих классификаторов составила 6%.

Таблица 1 – Зависимость ошибки от разбиения, метод 3 соседей

Кол-во секторов

1 кольцо

2 кольца

3 кольца

4 кольца

5 колец

6 колец

7 колец

8 колец

1

13

12

12

12

12

11

12

12

2

9

9

8

8

8

7

7

7

3

9

8

8

8

7

8

8

8

4

9

8

7

7

6

6

6

6

5

8

8

8

7

7

7

7

7

6

8

8

8

8

7

7

7

7

7

8

7

7

7

7

7

7

7

8

7

7

7

7

7

7

7

7

Таблица 2 – Зависимость ошибки от разбиения, метод 5 и 7 соседей

5 ближайших соседей

7 ближайших соседей

Секторы

1 кольцо

2 кольца

3 кольца

4 кольца

5 колец

6 колец

7 колец

8 колец

1 кольцо

2 кольца

3 кольца

4 кольца

5 колец

6 колец

7 колец

8 колец

1

13

12

12

12

12

11

12

12

13

13

12

12

12

11

12

12

2

10

9

9

9

8

8

8

8

10

10

9

9

9

9

8

8

3

9

9

9

8

8

8

8

8

10

9

9

9

8

8

8

8

4

9

8

7

7

7

6

6

6

9

8

8

8

7

7

7

6

5

9

8

8

7

8

7

7

7

9

8

8

8

8

8

7

7

6

9

8

8

8

8

7

7

7

9

8

8

8

8

7

7

7

7

8

8

8

8

8

7

7

7

8

8

8

8

8

7

7

7

8

8

8

8

7

7

7

7

7

8

8

8

8

8

7

7

7

Таблица 3 – Зависимость ошибки от разбиения, классификатор Байеса

Кол-во секторов

1 кольцо

2 кольца

3 кольца

4 кольца

5 колец

6 колец

7 колец

8 колец

1

10

12

11

11

11

11

12

12

2

9

7

8

8

8

8

7

8

3

9

7

7

7

7

7

7

7

4

9

7

7

6

6

6

6

6

5

7

7

7

7

7

7

7

7

6

8

7

7

7

7

7

7

7

7

8

7

7

7

7

7

7

7

8

7

7

7

7

7

7

7

7

Использование сегментных признаков позволяет уменьшить значение ошибки классификации с 18% для факторов форм, до 6% при использовании сегментных признаков. Точность классификации не зависит от выбора классификатора.

Библиографический список

1.  Kupriyanov, A. V. Statistical Features of Image Texture for Crystallogram Classification [Текст] / A. V. Kupriyanov, A. G. Khramov, N. Yu Ilyasova // Pattern Recognition and Image Analysis. – 2001. – Vol. 11, № 1. – P. 180-183.

2.  Ильясова, Н. Ю. Классификация кристаллограмм с использованием методов статистического анализа текстурных изображений [Текст] / , , // Компьютерная оптика.– 2000.– № 20.– С. 122-127.

3.  Разработка методов классификации изображений дендритных кристаллограмм на основе оценивания факторов формы пространственного спектра [Текст] / , , // Труды Международной научно-технической конференции / под ред. . – Самара: Издательство Самарского научного центра РАН. – 2015. – С. 74-78.

Сведения об авторах

– студент, г.

– аспирант, .

– д. т.н., профессор, .

Вид доклада: стендовый