Библиотечный каталог авторефератов Украины

ВІННИЦЬКИЙ НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ УНІВЕРСИТЕТ

НАФЕЗ ОДІ ШХАДІ ШВЕЙКІ

УДК 615.471:681.325

НЕЙРОПОДІБНІ МЕТОДИ ОБРОБКИ СКЛАДНИХ ТЕКСТУРНИХ ЗОБРАЖЕНЬ У КОМП’ЮТЕРНИХ СИСТЕМАХ

Спеціальність 05.13.13 – Обчислювальні машини, системи та мережі

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

Вінниця – 2006

Дисертацією є рукопис.

Роботу виконано у Вінницькому національному технічному університеті,

Міністерство освіти і науки України.

Науковий керівник:        доктор технічних наук, професор

       Злепко Сергій Макарович,

       Вінницький національний технічний університет,

       завідувач кафедри проектування медико-біологічної

       апаратури

Офіційні опоненти:        доктор технічних наук, професор

       Мельник Анатолій Олексійович,

       Національний університет “Львівська політехніка”,

       завідувач кафедри електронних обчислювальних

       машин

       кандидат технічних наук, доцент

       Майданюк Володимир Павлович,

       Вінницький національний технічний університет,

       доцент кафедри програмного забезпечення

Провідна установа: Національний технічний університет України “КПІ”, кафедра спеціалізованих комп’ютерних систем, Міністерство освіти і науки України, м. Київ.

Захист відбудеться “26“ травня 2006 р. о  12-00 год.  на  засіданні   спеціалізованної  вченої   ради Д 05.052.01 у Вінницькому національному технічному університеті за адресою: 21021, м. Вінниця, Хмельницьке шосе, 95, ГУК.

З дисертацією можна ознайомитися у бібліотеці Вінницького національного технічного університету за адресою: 21021, м. Вінниця, Хмельницьке шосе, 95, ГУК.

Автореферат розісланий “25“ 04 2006 р.

Вчений секретар

спеціалізованної вченої ради                                                        Захарченко С.М.

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. У теперішній час переважна більшість діючих систем обробки складних текстурних зображень, до яких зокрема відносяться рентгенівські зображення, здійснюють формування й відображення інформації аналоговим шляхом. На відміну від аналогових, цифрові рентгенографічні системи дозволяють одержувати зображення при мінімально необхідному рівні дози опромінення пацієнта. До переваг цифрових рентгенографічних систем, що вплинуло на вибір теми дисертаційної роботи відносяться чотири фактори: цифрове відображення зображення, знижена доза опромінення, цифрова обробка зображень і цифрове зберігання й поліпшення якості зображень.

При цифровій обробці складних текстурних зображень найбільш важливим застосуванням є субтракційний метод візуалізації, розглянутий у роботах Р.Шмазера й В.Броді. Метод дозволяє усунути більшу частину паразитної фонової структури й тим самим збільшити ймовірність виявлення важливих деталей на рентгенограмах. Вдалим застосуванням субтракційного методу є рентгенографія, у якій кожне з двох зображень одержують на різних довжинах хвиль рентгенівського випромінювання, це розглянуто в роботах Л.Леманна й Р.Алвареза, А.Маковські й В.Броді. Попередня обробка, зокрема виділення контурів, призводить до кращого сприйняття аномальних структур.

У цілому дослідження в галузі визначення характеристик текстурного зображення за допомогою ультразвуку спрямовані на те, щоб зробити його кількісним, тобто засновані на виділенні кількісних характеристик зображення. До потенційних переваг автоматизованих методів кількісного аналізу можна віднести більш точний контроль при вивченні робочих характеристик діагностичної апаратури, можливість одержання більш достовірних результатів завдяки зниженню ролі суб'єктивного фактора (висновку діагноста), а також можливість аналізу досить великого числа характерних ознак, у тому числі таких ознак, що не виявляються при візуальному спостереженні.

Таким чином, із позицій сучасних тенденцій використання комп'ютерної техніки, а також передових інформаційних технологій у галузі цифрової обробки текстурних зображень, дисертаційна робота є актуальною й може бути застосована для поліпшення кількісних і якісних показників при створенні нейроподібних експертних систем для автоматичного аналізу рентгенівських і ультразвукових (УЗ) зображень.

Зв'язок роботи з науковими програмами, планами, темами.

Представлені в дисертаційній роботі результати були отримані автором під час проведення досліджень у рамках виконання науково-дослідних робіт, які проводилися разом із санаторієм “Авангард” м. Немирова (госпдоговірна НДР № 30-Д-174, номер держреєстрації 0197U12880) і НВО “Астрофізика” м. Москва (роботи проводилися для модернізації апаратури, що розроблялася в рамках госпдоговірних тем “Перетворювач” (госпдоговірна НДР № 4236), “Курд” (госпдоговірна НДР № 6703).

Мета й задачі дослідження.

Метою дисертаційної роботи є збільшення точності і швидкості обробляння складних текстурних зображень на основі спеціальних автоматизованих процедур для сегментації і розпізнавання виявлених патологій.

Задачі дослідження:

• аналіз і порівняння існуючих принципів і методів кількісного аналізу складних текстурних зображень в комп’ютерних системах;
• розробка нейроподібних методів і мережевих моделей автоматичного обробляння складних текстурних зображень;
• розробка методів і обчислювальних структур попередньої обробки складних текстурних зображень засобами паралельно-ієрархічних мереж;
• розробка принципів і засобів компактного представлення складних текстурних зображень;
• удосконалення алгоритмів формального опису окремих частин й автоматичного обробляння рентгенівських і УЗ-зображень;
• розробка апаратно-програмних підсистем комп'ютерної нейромережевої системи класифікації складних текстурних зображень для окремих патологій;
• розробка методики проведення експериментальних досліджень і порівняльний аналіз отриманих результатів автоматичного обробляння рентгенівських і УЗ-зображень за ступенем патологічних змін.

Об'єктом дослідження є процес цифрового обробляння складних текстурних зображень в комп’ютерних системах на основі нейроподібних методів.

Предметом дослідження є похибки цифрової обробки складних текстурних зображень об'єктів різної природи.

Методи дослідження базуються на використанні апарата Q-перетворення, паралельно-ієрархічного перетворення, штучних нейронних мереж, математичної логіки й програмування, теорії графів, математичного аналізу, теорії множин і теорії ймовірностей.

Наукова новизна отриманих результатів.

У дисертаційній роботі отримали подальший розвиток нейроподібні методи цифрового обробляння складних текстурних зображень в комп’ютерних системах, а саме:

1. Вперше запропоновано нейромережеву модель комп’ютерного обробляння складних текстурних зображень, використання якої дало розвиток нових нейроподібних комп'ютерних процедур, що дозволили обчислювати кореляційну функцію з підвищеною точністю й швидкодією й інваріантістю до змін яскравості, контрасту, масштабу й повороту.
2. Вдосконалено методи архітектурної й структурно-функціональної організації паралельно-ієрархічної (ПІ) пам'яті, що дозволило зменшити об’єм пам’яті комп'ютерних систем за рахунок розпаралелювання обчислювального процесу на різних ієрархічних рівнях кодування-декодування мережі ПІ перетворення складних текстурних зображень.
3. Вдосконалено нейроподібні методи попереднього обробляння й опису окремих частин складних текстурних зображень, застосування яких дозволило підвищити точність визначення із загального зображення об'єкта для подальшого діагностування.
4. Вперше запропоновано нейромережевий метод для розпізнавання рентгенівських зображень сегментів хребта й УЗ-зображень жовчного міхура (ЖМ), що дозволяє значно підвищити вірогідність діагнозу.
5. Удосконалено метод компактного представлення рентгенівських і УЗ-зображень, що дозволяє формувати складні текстурні зображення у вигляді бінарної матриці для подальшого їхнього розпізнавання відомими методами.

Практичне значення отриманих результатів роботи полягає у створенні апаратно-програмних підсистем для обробки складних текстурних зображень. Наукові дослідження, викладені в дисертаційній роботі, дозволили:

1. Сформулювати рекомендації для розробки апаратно-програмного забезпечення систем аналізу рентгенівських і УЗ-зображень.
2. Розробити методику здійснення експериментальних досліджень для спільної автоматичної обробки рентгенівських і УЗ-зображень.
3. Розробити обчислювальну структуру з ефективною організацією оперативної пам’яті для реалізації ПІ обробляння рентгенівських й УЗ-зображень сегментів хребта.
4. Удосконалити систему проведення комп'ютерного дослідження рентгенівських і УЗ-зображень, що дозволило автоматизувати процес розпізнавання патології внутрішніх органів.
5. Розробити фрагменти апаратно-програмних засобів обчислювальної системи для ефективної обробки біомедичних зображень.

Особистий внесок здобувача.

Основні положення й результати дисертаційної роботи отримані автором самостійно. У роботах, опублікованих у співавторстві, здобувачеві належать: розробка математичної моделі визначення порогу препарування та формального опису зображень, розробка методики проведення експериментальних досліджень [1]; розробка алгоритму представлення організації пірамідальних мереж, отримання результатів експериментального дослідження паралельно-ієрархічної мережі [2]; запропонована обчислювальна схема для автоматичної обробки ультразвукового зображення жовчного міхура [3]; впроваджена обчислювальна схема для автоматичного оброблення плямових зображень лазерних пучків [4]; проведено дослідження паралельно-ієрархічної мережі при обробці біомедичних зображень [5]; розроблений підхід до визначення центру зв'язності зображення, який використовується як вторинна ознака для розпізнавання біомедичних образів [6]; запропоновано й розроблено метод навчання паралельно-ієрархічної мережі на основі популяційного кодування, який застосований для розпізнавання патологій сегментів хребта [7]; запропоновано й розроблено метод паралельно-ієрархічного способу запису біомедичних зображень [8].

Апробація результатів дисертації. Наукові й практичні результати роботи доповідалися й обговорювалися на: міжнародному семінарі IEEE/EURASIP з обробки нелінійних сигналів і зображень "NSIP'99" (Анталія, Туреччина, 1999), міжнародній конференції SPIE "Machine Vision and Three-Dimensional Imaging Systems for Inspection and Metrology" (Бостон, США, 2000), медико-технічної конференції (Вінниця, 2000), міжнародній конференції "Photonics ODS 2000" (Вінниця, 2000), міжнародній конференції SPIE “Applications of Digital Image Processing XXV”(Сиетл, США, 2002).

Публікації. Результати дисертації опубліковано в 8 наукових працях, в тому числі в 5 статтях у збірниках наукових праць із переліку ВАК України, 2 статтях у наукових журналах, 1 матеріалах і тезах конференцій.

Обсяг і структура дисертації. Дисертаційна робота складається зі вступу та 4 розділів, списку використаних джерел і 9 додатків. Загальний обсяг дисертації 234 сторінки, з яких основний зміст викладено на 139 сторінках друкованого тексту, містить 59 рисунків, 12 таблиць. Список використаних джерел складається з 154 найменувань. Додатки містять деякі теоретичні аспекти організації багатоступінчастого процесу обробляння текстурних зображень, результати експериментальних досліджень попередньої обробки УЗ-зображень жовчного міхура й рентгенівських зображень, інструкції до розробленого програмного забезпечення на основі паралельно-ієрархічного перетворення, акти впровадження.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі до дисертації обґрунтовано актуальність проблеми досліджень, сформульовано мету роботи та задачі досліджень. Наведено характеристику наукової новизни та практичної цінності отриманих результатів. Показано зв'язок роботи з науковими програмами, планами, темами.

У першому розділі розглянуто модель зображення як об'єкта комп'ютерного обробляння й проаналізовано особливості організації цифрових методів обробки отриманих складних текстурних зображень у системах діагностики, які виходять від специфічності самих оброблюваних зображень і задач розпізнавання. Аналіз показав, що найбільшого успіху досягнуто в розробці алгоритмів попереднього обробляння зображень, спрямованого на усунення перешкод і поліпшення якості вихідного зображення. Більш скромні результати отримано при аналізі зображень. Однією з основних причин такого відставання є відсутність формалізації процесу виділення первинних ознак при опису образа. Текстурні зображення відрізняються великою складністю, мають не структурований характер і в них об'єкт розпізнавання представлений не в явному вигляді. У переважній більшості випадків об'єкт обробляння заздалегідь відомий й задача розпізнавання ставиться в такий спосіб: чи перебуває досліджуваний об'єкт у нормі або є його певна патологія.

Зроблений аналіз сучасного стану розвитку систем цифрової обробки складних текстурних зображень показав, що при їхньому використанні висувається задача автоматизованого розпізнавання, при якому система здійснює автоматичне попереднє обробляння, спрямоване на поліпшення якості зображення, виділення інформативних ознак, а фахівець-медик безпосередньо здійснює саму ідентифікацію.

При цьому досить важливим фактором є відсутність еталона норми через індивідуальні особливості кожного організму й еталона патології при величезному розмаїтті її форм. Ці обставини надзвичайно ускладнюють виконання двох останніх етапів автоматичної класифікації й часом роблять взагалі неможливим розв'язання задачі за допомогою сучасного рівня техніки.

Зроблений у дисертаційній роботі аналіз літературних джерел показав, що автоматизовані методи аналізу складних текстурних зображень знаходять все більше застосування в клінічній практиці. Вони допомагають лікареві-діагностові прийняти вірне рішення і серед цих методів особливо слід зазначити дослідження, засновані на використанні апарата штучних нейронних мереж. Тому розробка нових нейроподібних методів і засобів спільного обробляння ультразвукових і рентгенівських зображень є досить актуальною задачею.

Другий розділ присвячено розробці мережевої моделі обробляння й аналізу складних текстурних зображень із застосуванням методу надлишкового зрівноважування в ПІ нейромережі. Обробляння складних текстурних зображень організовувалася у вигляді багатоступінчастого процесу.

Основний етап при формуванні символьного опису зображення полягає у визначенні геометричних співвідношень і зв’язності між елементами за припущення по належності їх до одного класу.

Запропонований метод визначення центру зв’язності засновано на способі зрівноваження сум зв’язності. Із загального випадку багатоградаційних зображень розглядається деякий елемент, що пов'язаний з вісьма сусідніми (рис. 1а.). Для дослідження використано бінарні зображення у вигляді плоских геометричних фігур у декартовій системі координат (рис. 1б.). Спочатку визначається сума зв’язностей всіх елементів, які мають значення “1” (рис. 1в.), потім зв’язність кожного елемента “0” з елементами “1” (рис. 1г.). Далі зображення з’єднуються й обчислюється сума всіх елементів бінарного зображення по горизонталях і вертикалях окремо
(рис. 1д.).

Методом зрівноважування визначається рівність сум зв’язностей по вертикалях і горизонталям. Отримані дві взаємоперпендикулярні лінії й фіксують координати центра зв’язності ( ) з координатами: =55,53; =55,53, а центр ваги (0) -  =55,846; =55,846 (мал. 2.).

Рис.1. Визначення центру зв’язності зрівноваженням сум зв’язності

На основі вищерозглянутого методу будується математична модель зрівноважування отриманих елементів бінарного зображення. Позначимо через - зв’язність одиничного елемента , , а через - зв’язність нульового елемента , . Потрібно визначити для яких координат , буде справедливою рівність сум зв’язностей одиничних і нульових бінарних елементів.

Зрівноважування по стовпцях і рядкам повинне задовольняти такій системі умов:

Розглянутий підхід нескладно застосувати для напівтонових зображень.

На жаль, реальні складних текстурних зображення піддаються різного роду деформаціям, пов'язаним з різними факторами. Це призводить до необхідності коригування моделі їхньої обробки. У роботі запропоновано навчальний алгоритм для визначення координат точки прив'язки – уточненого центру ваги для складних текстурних зображень. Він дозволяє здійснювати оброблення в реальному масштабі часу з порівняно простим апаратним забезпеченням, що досягається за допомогою використання коефіцієнтів апроксимації крайових ліній, таких як c2, c3 і c7, а також шляхом застосування при навчанні декількох систем рівнянь, і знаходженні звичайного енергетичного центру. Результати проведеного моделювання дають максимальну помилку визначення точки прив'язки ±1,5 піксела, що за тих самих умов приблизно в 1,5 рази менше, ніж при використанні традиційних методів апроксимації.

Рис. 2. Сформовані центри зв’язності ( ) і ваги (0)

Останні дослідження в нейробіології вказують на багаторівневий характер обробки інформації, що відбуває в коркових зонах головного мозку, ідучи по якому можна буде створити нові мікропроцесорні системи й комп'ютери нової архітектури. Формування багаторівневої ПІ мережі припускає процес послідовного перетворення просторових областей корельованих і утворення декорельованих у часі елементів нейронної мережі при переході її з одного стійкого стану в інше.

Розглянутий мережевий метод ПІ перетворення зображень, який дозволяє за рахунок попереднього обробляння, не тільки здійснювати адаптивний їхнє переведення у двоградаційне, зручне для обробки методами “картинної” логіки, але й обчислювати кореляційну функцію з підвищеною точністю й швидкістю й інваріантістю до зміни яскравості, контрасту, масштабу й повороту, що важливо при роботі з рентгенівськими й УЗ-зображеннями.

На відміну від відомих підходів перетворення зображень, ПІ перетворення відбувається по адаптивній системі базисних мережевих функцій, заданих у вигляді рядків, формування яких залежить від структури самого зображення, що істотно спрощує процедуру перетворення, знижує середньоквадратичну помилку перетворення й поліпшує його збіжність. Дана модель ПІ перетворення може бути також використана для виділення характерних ознак зображення, його кодування й скорочення розмірності.

Власне кажучи мережева критеріальна функція визначає міру відмінності порівнюваних образів на основі мережевого -перетворення. Інваріантість до повороту зображень у пропонованому підході досягається завдяки виконанню важливої властивості:

                       (1)

Виконання співвідношення (1) призводить до того, що при зміні орієнтації об'єкта, наприклад, його повороту, енергетичний спектр складових його елементів із заданим наближенням залишається постійним.

Забезпечення прийнятної якості розпізнавання біомедичного зображення вимагає безперервного динамічного контролю характеристик його поверхні. У практично важливих випадках необхідне порівняння поверхонь U(х, у) і W(х, у) може бути реалізоване за допомогою методу перетинів, що дає наближені значення коефіцієнтів форми й для сигналів U(х, у) і W(х, у) відповідно;

і - сумарне значення амплітуд сигналів U(х, у) і W(х, у), менших рівнів 0,5 hu і 0,5 hw відповідно. При розпізнаванні поверхонь замість поелементного порівняння здійснюється порівняння коефіцієнтів форми й .

Важливою перевагою коефіцієнта для деяких типів поверхонь є його незалежність від коефіцієнта масштабу, зсуву й орієнтації відповідної поверхні. Для поліпшення результатів класифікації біомедичних зображень необхідно здійснити корекцію коефіцієнта форми, для чого потрібно поліпшити якість представлення площ для рівновіддалених перетинів, використовуючи їх як вхідні масиви інформації в ПІ нейромережі.

Для організації навчання для однієї галузі ПІ нейромережі скористаємося математичною моделлю пірамідальної обробки такого виду:

де , - розмірність даної множини, при цьому запровадивши вагові коефіцієнти навчання.

У цьому випадку математична модель, що описує алгоритм обробки для однієї зони ПІ нейромережі запишеться в такому вигляді:

де , , - вагові коефіцієнти.

Якщо - коефіцієнти навчальної вибірки, , то процедура настроювання гілки ПІ нейромережі може бути сформульована у вигляді такого завдання оптимізації: знайти такі набори коефіцієнтів , , ,, що забезпечують мінімум:

.

Вирішення цього завдання здійснюється шляхом послідовного настроювання коефіцієнтів , , , .

Відповідно до ідеї популяційного кодування розпізнаваний поточний образ повинен порівнюватися з деяким усередненим відображенням еталонного образа. Для формування еталонів зображення норми й зображень із патологіями необхідно провести для них навчання в межах навчальної вибірки. Для чого необхідно при кожному навчанні робити усереднення по елементах ділянки кожного рівня, тобто формувати усереднені елементи , , ,…, далі переходячи до бінаризованих препаратів , , . Сформувавши ПІ нейромережі з еталонними параметрами для зображень норми й зображень із різними патологіями можна робити її порівняння з ПІ нейромережею з поточними параметрами.

У третьому розділі досліджується нова тривимірна мережа і її застосування для аналізу образів. Це – багатоступінчаста архітектура, що досліджує часткові кореляції між структурними компонентами зображення у зв'язку із чим становить інтерес використання ПІ мережі на основі -ряду. Позначаючи оператор - перетворення через математична модель ПІ перетворення на основі -розкладання запишеться в такому вигляді:

де – число ієрархічних рівнів, – хвостові елементи ПІ мережі, побудованої на основі -ряду.

При математичному дослідженні запропонованої моделі ПІ -перетворення була встановлена наявність фільтруючих властивостей ПІ -перетворення порівняно з такими відомими розкладаннями по неусереднених локальних характеристиках, як ряд Тейлора й т.п.

Послідовно застосовуючи зазначене перетворення, можна одержати шукані й - послідовності ПІ мережі:

де

Для відновлення вихідної інформації, перетвореної відповідно до частинної методики ПІ перетворення, у процесі обробляння масивів біомедичних даних необхідно на кожному кроці перетворення запам'ятовувати на яких позиціях у масиві ( - номер масиву, - номер рівня) перебувають елементи, рівні елементу . Сформуємо для цього двійкове слово, розрядність якого дорівнює розмірності масиву , а "одиниці" стоять у тих позиціях коду, в яких позиціях масиву перебуває елемент, рівний обраному. Всі інші позиції двійкового коду заповнюються "нулями". Цей двійковий код, сформований на кожному кроці перетворення масиву, назвемо маскою - маска масиву по елементу . Оскільки маски є результатом перетворення масиву, то їх для будь-якого масиву повинне бути не більше, ніж елементів у масиві:

де - кількість масок, сформованих при перетворенні -го масиву на -ому рівні; - розмірність вихідного -го масиву на -ому рівні.

При декодуванні масиву необхідно враховувати, що якщо маски немає, то весь масив складається з однакових елементів.

У більшості випадків проблема організації обробки рентгенівських або УЗ-зображень розглядалася в рамках послідовних алгоритмів обробки. Нового змісту вона набуває при переході до паралельних структур біопроцесорів і відповідно до паралельних процесів обробки. Наприклад, при організації пам'яті необхідно застосовувати паралелізм із метою досягнення її прийнятної пропускної здатності.

На рис. 3 показано структуру ПІ пам'яті, що реалізує процес кодування-декодування рентгенівських і УЗ-зображень, алгоритми яких на рівні окремих зонах ПІ мережі розглянуті вище. Мережа ПІ перетворення призначена для кодування інформації при записі й декодуванні - при читанні інформації з пам'яті.

Адресний блок реалізує функції формування внутрішніх адрес для блоків запам'ятовувального середовища залежно від зовнішньої адреси й стану мережі ПІ перетворення. У лінійній послідовній пам'яті визначальну роль у виборі розрядності адреси грає обсяг пам'яті , тобто число адресованих елементів даних (комірок).

Залежність

де - число двійкових розрядів коду адреси; - операція взяття цілої частини.

Таким чином, опис звертання до звичайної пам'яті має, як правило, двокомпонентну структуру , що включає керуючий код і код адреси.

У наведеній схемі використовується не адреса комірки, а адреса масиву, або пакета масивів, а керуючий код включає в структуру адреси інформацію про режим роботи пам'яті. При організації адресного блоку ПІ пам'яті виникають істотні труднощі, пов'язані з тим, що адресація блоку пам'яті хвостових елементів значно відрізняється від адресації блоку пам'яті масок, тому що масок при обробці пакета масивів відповідно до методу ПІ перетворення набагато більше, ніж хвостових елементів.

Паралельно-ієрархічна оперативна пам'ять із попередньою обробкою одномірного масиву може мати один блок ОЗП (рис. 4), в якому паралельно записуються (зчитуються) під тією ж самою адресою значення обраного елемента (дані - 1) і маска цього елемента (дані - 2). Число тактів запису (читання) для цього випадку визначається за формулою:

де - кількість однакових слів у масиві; - кількість груп з однаковими словами.

Для запису в ПІ пам'ять інформації про один масив необхідний обсяг пам'яті:

       (2)

Для звичайної пам'яті необхідний обсяг:

                                       (3)

Віднімаючи (2) з (3), одержуємо :

               (4)

а)

б)

Рис. 3. ПІ пам'ять із використанням мережі ПІ перетворення

а) структура ПІ пам'яті; б) структура адресного блоку

З (4) витікає, що, якщо

                       (5)

З (5) витікає, що обсяг ПІ пам'яті в порівняно з традиційними структурами пам'яті буде тим менше, чим вище значення й , і менше значення й .

(A- розрядність шини адреси; m - розмірність масиву; n - розрядність слова в масиві)

Рис. 4. Структурна схема ПІ пам'яті для одномірних масивів

Ефективність скорочення обсягу ПІ пам'яті можна оцінити співвідношенням

Для автоматизації процесу визначення на УЗ-зображенні жовчного міхура, як об'єкта для дослідження, розроблено процедури локалізації, сегментації й рекурсивного контурного препарування, в результаті застосування яких вихідне зображення на першому рівні ПІ мережі перетвориться в трирівневе, а на наступних рівнях – у бінаризоване.

У четвертому розділі описуються дослідження й оціннювання завадостійкості розроблених методів на прикладах локалізації зображення жовчного міхура до різних шумових компонентів.

Порівняння методів контурного препарування й запропонованих методів препарування за критерієм відносини істиного/помилкового піків для масивів випадкових і синусоїдальних відліків тла при різному ступені зашумлення масивів рівномірним і гаусовим шумом і різній довжині рангового вектора продемонстрували високу завадостійкість методу при зашумленні до 20% фонового об'єкта.

Експериментальні дослідження режиму автоматичного визначення показують, що здійснюється розрахунок порога для процедури препарування УЗ-зображень. Причому, застосовуючи запропонований критеріальний вираз для оцінювання розподілу контурних препаратів, можна з достатньою точністю описати контурне представлення УЗ-зображень.

Результати автоматичного виявлення зображення ЖМ на основі пірамідального узагальнено-контурного препарування представлено на рис.5. На першому рівні, що відповідає автоматичному виявленню на основі контурного препарування, виділяються контурні препарати й формуються відповідним цим препаратам темні, світлі й проміжні до них за рівнем яскравості ділянки неконтрастованого й контрастованого УЗ-зображення.

Рис. 5. Результати попередньої обробки зображення жовчного міхура

Для контрастованих УЗ-зображень результати автоматичного виявлення зображення ЖМ на 10% точніше порівняно з напівавтоматичним методом. Крім того, запропонований метод автоматичної обробляння зображень ЖМ дозволяє робити експрес діагностику захворювань ЖМ, що істотно зменшує час дослідження.

При розпізнаванні процес кореляції двох УЗ-зображень на основі методу надлишкового зрівноважування можна представити у вигляді фазової діаграми, кожна фаза якої відповідає певному куту повороту порівнюваних ділянок УЗ-зображень. При цьому необхідно визначити деяку характеристичну точку у виділених ділянок бінаризованих вихідних двох УЗ-зображень. Такою характеристичною точкою може бути, зокрема, геометричний центр, центр ваги або будь-який інший центр іншої природи. Використовуючи дану точку можна визначити розміри УЗ-зображення, які повинні бути оброблені.

З даних фазової діаграми витікає, що середнє значення коефіцієнта кореляції при обробці ділянок, повернених УЗ-зображень на основі методу надлишкового зрівноважування становить 0,14. Цей показник є більш точним, чим метод порівняння по однієї, двох, трьох або чотирьох кривих, що врівноважують, тому що відбиває усереднене значення коефіцієнта кореляції по 8 фазах.

Порівняльний аналіз показує, що якщо для розпізнавання зображень використати одну криву, що врівноважує, то скорочення часових витрат розробленого методу, порівняно із традиційним, буде у 43 рази; якщо для розпізнавання зображень використати дві криві, що врівноважують, то скорочення часових витрат буде у 22 рази; якщо для розпізнавання зображень використати шість кривих, що врівноважують, то скорочення часових витрат буде у 7,2 рази; якщо для розпізнавання зображень використати вісімнадцять кривих, що врівноважують, то скорочення часових витрат буде у 3,6 рази.

У результаті експериментальних досліджень встановлено, що, на відміну від кореляційних методів порівняння, мережна міра порівняння зображень дозволяє більш вірогідно оцінювати клінічний стан сегментів хребта.

Для оцінювання якості розпізнавання зображень між хребтових отворів розроблені алгоритм і програмне забезпечення на основі паралельно-ієрархічного перетворення.

Розроблений програмний пакет для обробки рентгенограм “Vertebrodiagnostics” дозволяє з'ясувати нозологічну форму патології хребта, визначити ступінь порушень, виявити основні травмуючи елементи й зональні зміни.

ВИСНОВКИ

У дисертаційній роботі наведено теоретичне узагальнення й нове розв’язання актуальної наукової задачі, що дозволяє збільшити точність і швидкість обробляння рентгенівських і УЗ-зображень за рахунок використання нейроподібних методів сегментації й розпізнавання виявлених об’єктів.

Отримано такі основні наукові та практичні результати:

1. Проаналізовано загальні підходи до синтезу автоматизованих процедур для розв’язання задач кількісного аналізу рентгенівських і УЗ-зображень, обґрунтована актуальність проблеми організації їх цифрової автоматичної обробки. Показано доцільність проведення спільної обробки цих зображень для виявлення патологій, пов'язаних із впливом сегментів хребта на внутрішні органи.
2. Для аналізу складних текстурних зображень і визначення орієнтації фігури вперше запропоновано ознаку - вісь між центрами зв’язності й ваги, що дозволяє описувати й ідентифікувати різні геометричні фігури, вперше розроблено навчальний алгоритм для визначення координат точки прив'язки – уточненого центру ваги для текстурних зображень, який дозволяє робити обробку в реальному масштабі часу із максимальною помилкою визначення точки прив'язки ±1,5 пікселя, що у 1,5 рази менше, ніж при використанні традиційних методів.
3. Удосконалено принцип узагальненого просторово-зв’вязаного препарування, що дозволяє здійснити переопис багатоградаційного зображення в бінарне, зручне для нейроподібної обробки методами картинної логіки, а також на основі ПІ перетворення обчислювати кореляційну функцію з підвищеною точністю, завадостійкістю й інваріантістю до повороту, і одержати структурний опис зображення, незначні зміни в якому не впливають на перші векторні компоненти.
4. Уперше отримано методику формування сукупності нормованих хвостових препаратів паралельно-ієрархічної мережі, що формує ознаки, за якими можна диференціювати текстурні зображення, а організація навчання для ділянок ПІ мережі, сформульована у вигляді завдання оптимізації, дозволяє знайти такі набори вагових коефіцієнтів навчання, що забезпечують мінімум середньоквадратичної помилки шляхом послідовного настроювання коефіцієнтів форми поверхонь зображень.
5. Запропоновано архітектурні і структурно-функціональні принципи організації ПІ пам'яті і способи представлення в ній масок, що забезпечують з одного боку оптимальний метод формування масок, а з іншого - масштабування паралелізму на різних ієрархічних рівнях кодування-декодування мережі ПІ перетворення.
6. Розроблено завадостійкий метод локалізації зображення жовчного міхура, що дозволяє здійснювати операцію сегментації з підвищеною точністю.
7. Імітаційне моделювання показало, що для контрастованих УЗ-зображень результати автоматичного виявлення зображення ЖМ на 10% точніше результатів напівавтоматичного методу, а метод автоматичної обробки зображень ЖМ дозволяє робити експрес-діагностику захворювань ЖМ, що істотно зменшує час дослідження.
8. При реалізації розробленого методу локалізації положення зображення ЖМ абсолютна похибка виміру розмірів і загальної його площі в автоматичному режимі, в порівнянні з ручним режимом сегментації, не перевищує 2%. При цьому коефіцієнт кореляції визначався в межах 0,84 ÷ 0,99.
9. На відміну від кореляційних методів порівняння, мережна міра порівняння зображень дозволяє точніше оцінювати клінічний стан сегментів хребта, що підтверджується проведеними експериментальними дослідженнями, у яких проводилася кореляційна обробка кривих зрівноважування тих же міжхребтових отворів. Відсоток коректного розпізнавання зображень міжхребтових отворів досліджуваної бази даних склав 88,6%.

Список опублікованих праць за темою дисертації

1. Швейкі Нафез, Тимченко Л.І., Загоруйко Л.В., Ладуба Ю.М., Злепко С.М. Комп’ютерна формалізація ознак для обробки біомедичних зображень
   // Вісник Вінницького політехнічного інституту. - 2001. №3. - С. 82-86.
1. Швейкі Нафіз, Байбак Ю.В., Тимченко Л.І., Фурдіяк Н.Ю. Особливості організації пірамідальних мереж для розпізнавання зображень
   // Вимірювальна та обчислювальна техніка в технологічних процесах. - 2000. - №2. - С. 136 - 140.
1. Кожем’яко В.П., Колісник П.Ф., Швейкі Н., Хілес Ш.М., Тимченко Л.І. Метод автоматичної обробки ультразвукового зображення жовчного міхура //Український журнал медичної техніки і технології. - 2001. - №2. - С. 57-61.
1. Тимченко Л.И., Кутаев Ю.Ф., Герций А.А., Швейки Н.О., Байбак Ю.В. Система координатной привязки для нестационарных сигналов // Известия РАН, сер. физическая. - 2001. - №6. - С. 886-890.
1. L. Timchenko, Shweiki Nafez Ode, E. Khodiakov, J. Baybak. Parallel Hierarchical Network Images Processing // Proc. International SPIE on Optoelectronic Information Technologies. -"Photonics -ODS 2000". - Vinnytsia (Ukraine). - 2000. -- Р. 61-62.
1. Кормановський С.І., Швейкі Нафез, Тимченко Л.І. Підхід до визначення центру зв’язності зображення // Вісник Вінницького політехнічного інституту. -2001. - №4. - С. 71-73.
1. Тимченко Л.І., Фурдіяк Н.Ю., Швейкі Н.О., Гринчишин Р.М. Метод навчання паралельно-ієрархічної мережі на основі популяційного кодування // Вісник Вінницького політехнічного інституту. -2002. - №1. - С. 43 -46.
1. Швейкі Нафез, Тимченко Л.І., Гринчишин Р.М., Івасюк Ю.Д. Реалізація паралельно-ієрархічного способу запису зображень // Вимірювальна та обчислювальна техніка в технологічних процесах. - 2001. - №2. - С. 107 – 112.

АНОТАЦІЯ

Нафез Оді Шхаді Швейкі. Нейроподібні методи обробки складних текстурних зображень у комп’ютерних системах. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.13 - Обчислювальні машини, системи та мережі.
- Вінницький національний технічний університет, Вінниця - 2006.

Дисертацію присвячено реалізації комп'ютерних методів і засобів для поліпшення якості обробки складних текстурних зображень. У роботі обґрунтована актуальність проблеми організації цифрової автоматичної обробки ультразвукових і рентгенівських зображень, зроблено аналіз існуючих принципів і методів обробки складних текстурних зображень і особливості їх реалізації.

Запропоновано нейромережеву модель комп’ютерного обробляння текстурних зображень, використання якої дало розвиток новим нейроподібним комп'ютерним процедурам, що дозволили обчислювати кореляційну функцію з підвищеною точністю й швидкодією й інваріантістю до змін яскравості, контрасту, масштабу й повороту. Розроблено рекомендації щодо архітектурної й структурно-функціональної організації ПІ пам'яті, що забезпечує високу ефективність перетворення складних текстурних зображень.

Розроблено нові нейроподібні методи попереднього обробляння й опису окремих частин текстурних зображень, застосування яких дозволило автоматизувати процес визначення об'єкта для подальшого дослідження. Вперше запропоновано нейромережевий метод для розпізнавання рентгенівських зображень сегментів хребта й УЗ-зображень ЖМ, що дозволяє значно підвищити вірогідність діагнозу.

Практична цінність отриманих результатів роботи полягає в створенні експериментальної бази для розробки методів компактного представлення і розпізнавання складних текстурних зображень. Теоретичні і практичні дослідження, викладені в дисертаційній роботі, впроваджені на підприємстві і в навчальному процесі.

Ключові слова: текстурне зображення, нейроподібні методи, паралельно ієрархічна мережа, нейромежева модель,  система цифрової обробки, комп’ютерне обробляння.

ABSTRACT

Nafez Odeh Sheahdeh Shweiki .  Neurolike methods of complex texture images processing in computer networks,- Maniscript.

Dissertation for the degree of candidate of science (engineering) on specialty 05.13.13 –Computing devices ,systems and networks. Vinnytsia national technical university – Vinnytsia - 2006

The dissertation considers the implementation of computer methods and means intended for improvement of quality of complex texture images processing . The dissertation substantiates the importance of the problem dealing with automatic digital processing of ultrasonic and x-ray images, analysis of existing principles and methods of complex texture images processing and specific features of their implementation is carried  out.

Neuronetwork model of computer processing of texture images is suggested, the application  of such model stimulated  the development of new  neurolike computer-based procedures enabling  to calculate correlative function with higher accuracy, speed and invariance regarding brightness change, contrast, scale, structural-functional organization.

Recommendations on architecture and structural-functional organization of pi memory to provide hight  efficiency of complex texture images conversion are claborated.

New neurolike methods of preliminary processing and description of separate parts of texture images, the usage of  with enabled to automate the process of object determination for further research. For the first time neuronetwork method intended for recognition of x-ray images of  backbone segments and us-images of gallbladder was suggested, that improves the probability of correct diagnosis practical value of the results obtained is the following creation of experimental base needed for elaboration of methods of compact presentation and recognition of complex textural images.

Theoretical and practical research, presented in the dissertation are implemented in industrial sphere and in education process.

Key words: textural image, neurolike methods, paralelly-hierazchial network, neuronetwork model, system of digital processing, computer processing.    

АННОТАЦИЯ

Нафез Оди Шхади Швейки. Нейроподобные методы обработки сложных текстурных изображений в компьютерных системах. - Рукопись.

Диссертация на соискание научной степени кандидата технических наук по специальности 05.13.13 - Вычислительные машины, системы и сети. - Винницкий национальный технический университет, Винница - 2006.

Диссертация посвящена реализации компьютерных методов и средств для улучшения качества обработки сложных текстурных изображений. В работе обоснована актуальность проблемы организации цифровой автоматической обработки ультразвуковых и рентгеновских изображений, произведен анализ существующих принципов и методов обработки сложных текстурных изображений, а также приведены примеры и особенности компьютерных систем для автоматизированной обработки этих изображений.

Усовершенствован метод компактного представления сложных текстурных изображений, что позволяет представлять их в простой форме для распознавания. Разработаны новые методы предварительной обработки и описания отдельных частей текстурных изображений, применение которых позволило автоматизировать процесс определения объекта. Усовершенствованы нейроподобные компьютерные процедуры и сетевая модель автоматической обработки рентгеновских и УЗ-изображений, позволившие вычислять корреляционную функцию с повышенной точностью и быстродействием, хорошей помехоустойчивостью и инвариантностью к изменению яркости, контраста, масштаба и поворота.

Практическая ценность полученных результатов работы состоит в создании экспериментальной базы для разработки методов компактного представления и распознавания текстурных изображений.

Теоретические и практические исследования, изложенные в диссертационной работе, позволили: осуществить синтез аппаратно-программного обеспечения для анализа рентгеновских и УЗ-изображений; разработать методику проведения экспериментальных исследований для совместной автоматической обработки рентгеновских и УЗ-изображений; сформулировать требования и произвести сравнительный анализ полученных результатов автоматической обработки рентгеновских изображений сегментов позвоночника и УЗ-изображений на примере классификации патологий желчного пузыря и сегментов позвоночника; выработать рекомендации для практического использования разработанных методов при проведении биомедицинских исследований.

Отдельные разработки диссертационной работы внедрены на предприятиях и используются в учебном процессе.

Ключевые слова: текстурное изображение, нейроподобные методы, параллельно иерархическая сеть, нейросетевая модель, система цифровой обработки, компьютерная обработка.