Главная страница
Навигация по странице:

  • КУРСОВАЯ РАБОТА

  • Шаг 1: Считывание исходного изображения.

  • Шаг 2: Формирование зашумленных изображений.

  • Шаг 3: Использование фильтров для устранения шума.

  • Шаг 4: Сравнение результатов фильтрации.

  • сибирский федеральный университет


    Скачать 0.81 Mb.
    Названиесибирский федеральный университет
    Дата28.05.2018
    Размер0.81 Mb.
    Формат файлаdocx
    Имя файла1.docx
    ТипКурсовая
    #45108

    Федеральное государственное автономное

    образовательное учреждение

    высшего профессионального образования

    «СИБИРСКИЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ»



    Институт космических и информационных технологий

    институт


    Кафедра «Прикладной математики и компьютерной безопасности»

    кафедра


    КУРСОВАЯ РАБОТА


    Обработка изображений на основе шиарлет-преобразований

    Тема









    Преподаватель







    К. В. Симонов







    Дата, подпись




    инициалы, фамилия






    Студент

    КИ15-18Б




    031403111










    А.В.Мальканова




    группа




    Номер зачетной книжки




    Дата, подпись




    инициалы, фамилия

    Красноярск 2018

    Оглавление


    Введение 4

    Глава 1. Теория 6

    Глава 2. Методика 8

    Глава 3. Экспериментальные исследования 11

    Часть 1. Шумоподавление с помощью фильтров в среде MATLAB. 11

    Заключение 15

    Список литературы 16

    Приложения 17


    Введение


    В последнее десятилетие активно развивается аппаратурное обеспечение в медицинских исследованиях, появляются все более совершенные и сложные аппаратно-компьютерные системы. В то же время известные алгоритмические средства не вполне соответствуют требованиям по быстродействию и качеству обработки сложных визуальных данных, регистрируемых вновь создаваемыми приборами, а также решению новых актуальных задач геометрического анализа данных медицинского мониторинга, основанного на шиарлет-преобразованиях.

    Медицинская визуализация - это часть современной медицины, быстрое развитие которой привлекает новых специалистов. Методы обработки изображений играют важную роль в диагностике и выявлении заболеваний и мониторинге пациентов, страдающих этими заболеваниями.

    Компьютерная томография (КТ) – это обследование, которое проводится с помощью рентгеновских лучей. Но если при обычном рентгене лучи проходят сквозь тело и фокусируются на пленке или пластине, давая двумерное изображение, то при выполнении КТ изображение получается объемным. Успешное развитие КТ является самым важным достижением с тех пор, как был изобретен рентген, и теперь он широко используется в клинических исследованиях. Получение или запись КТ-снимков может помочь уточнить подозрения на аномалии, которые происходят в мозге, такие как проявления опухолевого поражения, гематомы, абсцесса, кровотечения в головном мозге. Диагностика КТ широко используется в медицинских исследованиях. Жизнь пациентов зависит от того, верно ли врач поставил диагноз.

    Для того, чтобы иметь лучшие результаты КТ больных, выяснить причину заболевания, повысить эффективность лечения, оригинальные изображения КТ должны быть в дальнейшем обработаны.

    В работе в качестве вычислительного инструментария для анализа изображений предлагается изучить новый подход к решению задачи количественного морфологического (геометрического) представления визуальных данных на основе шиарлет-преобразований.

    Шиарлет-преобразование является новым методом многомерного анализа информации. Этот метод отличается возможностью определения анизотропной составляющей в анализируемых данных, что может быть применимым для решения задач обработки изображений. Идея шиарлет-преобразования опирается на хорошо разработанную теорию вейвлет-анализа и является её естественным расширением. Так, параметрами шиарлет-преобразования являются не только смещение и коэффициент масштабирования, но и сдвиг (shear).

    Целью курсовой работы является повышение качества обработки и интерпретации визуальных данных путем модификации алгоритмического обеспечения решения задач геометрического анализа.

    Методы исследования и фактические данные. При выполнении курсовой работы использовались методы линейной алгебры, теория обработки сигналов и изображений, методы кратномасштабного анализа данных и нелинейной минимизации.


    Глава 1. Теория


    Шиарлет-преобразование является современным методом многомерного анализа пространственных данных и изображений. Этот метод отличается возможностью определения анизотропной составляющей в анализируемых экспериментальных данных, что может быть применимым для решения задач обработки сложных изображений.

    Шиарлет-преобразование можно считать оптимальным для обработки различных снимков. Шиарлеты стали частью обширной исследовательской деятельности с 2006 г., с целью создания нового инструмента для анализа и обработки многомерных данных, которые ранее выходили за рамки традиционного Фурье- и вейвлет-анализа

    В большинстве многомерных задач важные особенности рассматриваемых данных наблюдений сосредоточены в многообразиях малых размерностей. Например, при обработке изображений, край – это одноразмерная кривая, на которой интенсивность изображения резко меняется. В этой связи в последнее время вызывают большой интерес новые разработки, связанные с шиарлетами, где представлены эффективные инструменты для анализа внутренних геометрических черт изображения, использующие анизотропные и направленные оконные функции (рис. 1).



    Рисунок – Вейвлет- и шиарлет-представления

    а б

    а) – вейвлет-покрытие: изотропные элементы для описания линии;

    б) – шиарлет-покрытие: анизотропные элементы для описания линии


    Края - характерные особенности изображений и их обнаружение и анализ являются важной целью компьютерного обработки изображений. Действительно, определение и локализация ребер - задача низкого уровня в различных приложениях, таких как 3D-реконструкция, распознавание образов, сжатие изображений, улучшение и восстановление. Чем выше интенсивность, тем более заметны различия в разностном объекте. Распознавание края объекта также является одной из основных операций обработки изображения, которые важны при распознавании объектов, содержащихся в изображении. Основные методы обнаружения края изображения: оператор Прюитт, Оператор Собеля, Оператор Кэнни, перекрёстный оператор Робертса, оператор Лапласа и оператор Кирша.

    Шиарлет-преобразование в некотором смысле может считаться оптимальным для разложения изображений и, следовательно, может быть просто разложением по частоте во времени, которое мы ищем. Первичная зрительная кора не только заполнена клетками, по существу кодирующими линейные фильтры, так называемыми простыми клетками, но также и клетками, поведение которых, по-видимому, является нелинейной интеграцией простых клеточных реакций, так называемых сложных клеток. Было обнаружено, что эти сложные клетки изберательны к изменениям в частоте. Вейвлеты стали известен в 1980-х годах. Условие допустимости вейвлета и шиарлета основаны исключительно на значении преобразования Фурье функции-кандидата. Кроме того, действие масштабирования или сдвига шиарлет-преобразования может быть охарактеризовано соответствующими изменениями в частотной плоскости. Типичная (дискретная, одномерная) вейвлет-система имеет вид



    Так как расширение по 2n и cдвиг на k вокруг функций ψ, глядя на скалярное произведение a, t> при a> 0, дает локальную многомасштабную информацию о о функции f в точке t. Это контрастирует с коэффициентами Фурье 2πik>, которые дают информацию о том, что функция f является периодической. В течение прошлого десятилетия был предложен ряд подходов для извлечения геометрической информации из двух- и трехмерных данных. Вейвлеты оказались очень полезными во многих приложениях, даже для обработки изображений, где 2-мерные системы часто формируются тензорной конструкцией. Однако изотропный характер вейвлет-систем означает, что невозможно извлечь какую-либо направленную информацию об объектах в 2D. По сути, вейвлеты являются превосходно подходят для обработки для одномерных данных, но не являются оптимальными для двух- и трехмерных данных. Ширлеты имеют прекрасную математическую основу, которая строится с использованием унитарных представлений некоторых классов групп, которых нет в других системах. Наиболее важным аспектом развития шиарлетов является то, что - в отличие от любой другой системы - они имеют открытый исходный код. Основными параметрами шиарлет-преобразования являются: параметр масштабирования a> 0, параметр сдвига s ∈ R и параметр смещения .

    Оператор смещения ���� вводится обычным образом: .

    Обозначим за Аа параболическую матрицу масштабирования, а за Ss матрицу сдвига:

    и .

    Тoгда шиарлет-преобразование выражается через формулу:


    Глава 2. Методика


    Разработана вычислительная методика, позволяющая решать задачу обработки сложных медицинских изображений на основе шиарлет-преобразования. В настоящее время методика тестируется на пространственно-временных рядах данных наблюдений различных сложных явлений и процессов. Вычислительная методика состоит из несколько этапов:

    • подготовительное, исходное изображение форматируется под расчетный шаблон и намечается последовательность расчетных процедур для наиболее оптимального решения поставленной задачи;

    • запуск и настройка алгоритмического обеспечения в shearletlab, выбор конкретного алгоритма для поставленной задачи;

    • загрузка и обработка исходных изображений для различных расчетных условий в соответствии с поставленной задачей;

    • анализ получаемых расчетных изображение в результате шиарлет-преобразования, контрастирование изображения, в итоге получаем атлас расчетных изображений с интерпретацией изучаемого явления.

    Качество изображений, полученных с помощью медицинских устройств, может влиять на результат обработки (анализа) при решении диагностических медицинских проблем. В большинстве случаев полученные изображения (или наборы изображений) имеют заметный шум, вызванный технологическими особенностями работы устройств. Учитывая это, авторы предлагают следующую процедуру обработки медицинских изображений. По предварительным данным полученные изображения преобразуются в полутоновый формат. Затем выполняются следующие этапы вычислений:

    1. Извлечение зеленого канала изображения;

    2. Применение фильтров для уменьшения шума;

    3. Реальнозначный четно-симметричный шиарлет ψ(e), различные параметры;

    4. Вычислите ψ с помощью преобразования Гильберта и , путем замены переменных;

    5. Вычислить hf, ψa, s, ti для определенных значений (a, s) в каждой точке t;

    6. В каждой точке t оценить направление возможного края;

    7. В каждой точке t вычислите меру ребра / линии, сравнив значения четного и нечетно-симметричного коэффициентов сдвига в предпочтительном направлении. При определении направления линии также оценить ее толщину;

    8. Предел пороговой линии;

    9. Тонкий край.


    Глава 3. Экспериментальные исследования

    Часть 1. Шумоподавление с помощью фильтров в среде MATLAB.


    Шаг 1: Считывание исходного изображения.

    Считаем изображение из файла в рабочее пространство Matlab и отобразим его на экране монитора.

    Рисунок . Исходное изображение

    Шаг 2: Формирование зашумленных изображений.

    В системе Matlab существует возможность формирования и наложения на изображение шумов. Для этого используется встроенная функция imnoise, которая предназначена, в основном, для создания тестовых изображений, используемых при выборе и исследовании методов фильтрации шума. Рассмотрим несколько примеров наложения шума на изображения.

    А) Б) В) Г)

    А) – Гауссовский шум; Б) – Пуассоновский шум;

    В) – Speck Noise; Г) – Шум соль и перец

    Шаг 3: Использование фильтров для устранения шума.

    Одним из эффективных путей устранения импульсных шумов на изображении является применение фильтров. В работе использовались следующие: фильтр Гаусса, фильтр Винера и медианный фильтр. Для наглядного сравнения результатов фильтрации приведем для каждого шума все три результата вместе.

    Гауссовский шум:

    c:\users\user\appdata\local\microsoft\windows\inetcache\content.word\gnoisewf.bmp

    А) Б) В)

    А) – фильтр Гаусса

    Б) – фильтр Винера

    В) – медианный фильтр

    Пуассоновский шум:

    c:\users\user\appdata\local\microsoft\windows\inetcache\content.word\poinoisegf.bmp

    А) Б) В)

    А) – фильтр Гаусса

    Б) – фильтр Винера

    В) – медианный фильтр

    Зернистый шум:
    c:\users\user\appdata\local\microsoft\windows\inetcache\content.word\snoisegf.bmp

    А) Б) В)

    А) – фильтр Гаусса

    Б) – фильтр Винера

    В) – медианный фильтр
    Шум «соль и перец»:

    c:\users\user\appdata\local\microsoft\windows\inetcache\content.word\spnoisegf.bmp

    А) Б) В)

    А) – фильтр Гаусса

    Б) – фильтр Винера

    В) – медианный фильтр

    Как видно, восстановленные изображения лишь незначительно отличаются от исходного изображения и значительно лучше, с точки зрения визуального восприятия, зашумленного изображения.

    Теперь для каждого шума надо найти фильтр, который лучше восстанавливает зашумленное изображение.

    Шаг 4: Сравнение результатов фильтрации.

    Для того, чтобы понять, результат работы какого фильтра лучше подходит для данного зашумления, мы используем Пиковое отношение сигнала к шуму (PSNR) и  средний квaдрат ошибки (MSE). Дaнные параметры можно вызвать в MATLAB c помощью встроенных функций. Эффективность фильтра возрастает с возрастанием параметра PSNR и уменьшением параметра MSE.

    Для каждого зашумления выделим столбец с наиболее эффективным фильтром.

    Шум

    Параметр

    Изображение с шумом

    После фильтрации

    Фильтр Гаусса

    Фильтр Винера

    Медианный Фильтр

    Гауссовский шум

    PSNR

    19.6102

    18.6246

    22.7895

    19.5839

    MSE

    711.3190

    892.5243

    342.0786

    715.6395

    Пуассоновский шум

    PSNR

    32.0492

    20.9158

    32.1078

    22.6963

    MSE

    40.5657

    526.6208

    40.0224

    349.4988

    Зернистый шум

    PSNR

    23.8875

    19.6446

    27.8583

    20.8609

    MSE

    265.6619

    705.6935

    106.4764

    533.3218

    Шум «Соль и перец»

    PSNR

    16.7413

    15.6884

    25.4259

    15.9330

    MSE

    1377.0411

    1754.8514

    186.4178

    1658.7322


    Заключение


    1.

    2.

    3.

    Список литературы


    1. Айфичер Э., Джервис Б. Цифровая обработка сигналов: практический подход. 2-е изд. – М.: Вильямс, 2004.

    2. Блаттер К. Вейвлет-анализ. Основы теории. – М.:УРСС, 2004. – 280 с.

    3. Воробьев В.И., Грибунин В.Г. Теория и практика вейвлет-преобразования. – СПб.: Изд-во ВУС, 1999. – 208 с.

    4. Кириллова С.В., Симонов К.В., Кадена Л. Алгоритм дискретного шиарлет-преобразования // Труды Пятой международной конференции «Системный анализ и информационные технологии». Т. 2. – Красноярск: ИВМ СО РАН, 2013. – C. 356-361.






    Приложения



    написать администратору сайта