Керування видом та розмірами сегментів

Параметри для керування алгоритмом дозволяють отримати досліднику різні результати сегментування. Керуючи діапазоном чутливості алгоритму є можливість аналізувати не все зображення цілком, а окремі сегменти за яскравостями. Збільшення кроку сітки призводить до виявлення найбільш характерних мікрокластерів, що використовується для формування скелетону зображення.

Керування головною та діагональною відстанями. Керування значенням відстані d між кластерами, дозволяє формувати зв’язні області, що відповідають реальним фрагментам зображенння. Зокрема, розподіл відстаней на головну та діагональну корисний для опрацювання зображень із кільцевою структурою – відбитку пальця з “ярами” та “пагорбами”.

На рис. 3.16 наведені приклади керування головної та діагональної відстаней у алгоритмі формування зв’язних областей: а – відстань = 1, отримано областей – 20; б – відстань = 2, областей – 16.

На рис. 3.17 наведено вхідне зображення (а) та кластеризовані із наступними параметрами: б – відстань = 1, отримано 7 областей; в – відстань = 2, отримано 3 області.

а б

Рис. 3.16. Декомпозиція відбитку пальця

а б в

Рис. 3.17. Керування відстанню між кластерами

На рис. 3.18 наведені результати керування головною та діагональною відстанями в алгоритмі формування регіонів при опрацюванні зразка крові: рис. 3.18, а – відстань становить 1, отримано областей 333, виділена область Q має 4 регіони; рис. 3.18, б – відстань становить 2, областей – 235, виділена область Q має 2 регіони.

а б

Рис. 3.18. Приклади керування формуванням регіонів

Керування обмеженням на яскравість кластера. Критерій об’єднання двох об’єктів містить два обмеження: на інтенсивність І насичення сірого кольору, в межах якого сприймаються (відчуваються) мікрооб’єкти чи кластери, та на яскравість кластера B_k (3.6), що утворюється в результаті об’єднання сусідніх кластерів на кроці алгоритму. Інтенсивність – це поріг чутливості алгоритму до відтінків сірого кольору. Завдяки спектру вихідного зображення можна керувати значенням порогу чутливості, вибираючи для нього верхню і нижню межі (рис. 3.4). Обмеження на яскравість В кластера також впливає на кількісні та якісні показники декомпозиції зображення.

На рис. 3.19 наведено процес кластеризації фрагменту кольорового зображення, перетвореного за допомогою фільтру у відтінки сірого. На рис. 3.19, a позначені інтенсивності всіх мікрооб’єктів (визначені під час накладання сітки), рис. 3.19, б – результати формування кластерів у разі допустимого нижнього значення інтенсивності утвореного кластера B = 10%, рис. 3.19, в – B = 15%.

На рис. 3.20 виокремлено фрагмент зображення для ілюстрації результатів згортання кластерів за наявності різних обмежень на яскравість кластера без зазначення їх інтенсивності. Зокрема, рис. 3.20, б має менше кластерів і розміри a_{i 1}, a_{i 2}їх більші відносно до кластерів на рис. 3.20, а. Логічно ілюстрація на рис. 3.20, а відповідає ілюстрації на рис. 3.19, б, а ілюстрація на рис. 3.20, б відповідає фрагменту на рис. 3.19, в.

а б в

Рис. 3.19. Керування обмеженням на яскравість кластера

а б

Рис. 3.20. Приклади згортання кластерів

Рис. 3.21 демонструє можливості опрацювання образів керуванням процесу згортання за допомогою обмежень на яскравість кластера. У цьому разі значення порогу чутливості алгоритму до сірого кольору = 10%.

а б в г

Рис. 3.21. Керування обмеженням на яскравість кластера

а – B = 5%; б – B =15%; в – B = 25%; г – B = 40% (поріг чутливості = 10%)

Рис. 3.22 демонструє керування порогом інтенсивності сірого кольору (порогом чутливості алгоритму) коли задане обмеження на яскравість кластера, що формується у процесі згортання.

а б в г

д е є ж

Рис. 3.22. Вплив порогу чутливості на результат (B = 5%)

a – вихідне зображення; б – = 5%; в – = 7%; г – = 11%;

д – = 15%; е – = 18%; є – = 21%; ж – = 40%

Інтенсивність кластера. Застосування алгоритму до зразків крові дозволяє віділити як всі складові фрагменти (рис. 3.21, б), так і окремий регіон за вказаними характеристиками (рис. 3.21, в). Дослідження проводилися для визначення кількості лімфоцитів, еритроцитів та інших клітин крові, що відрізняються кольорами.

На рис. 3.23 проілюстровано вибір регіонів із обмеженням на яскравість B = 5, 10, 40%, для порогу чутливості (інтенсивності сірого кольору) = 5%. Зі збільшенням межі інтенсивності кластеру контрастність і чіткість зображення змінюється. У результаті на зображенні залишаються лише регіони, що задовольняють критерій вибору.

а б в г

Рис. 3.23. Вибір об’єкта за яскравістю кластера для = 5%

a − вихідне зображення; б − B = 5%; в − B = 10%; г − B = 40%

Іншим застосуванням алгоритму є виділення окремих спектрів на зображенні, отриманого спектральним аналізом. У цьому разі отримуємо елементи спектра та якісні його характеристики (довжини хвиль, яскравість).

точності алгоритму триступеневої кластеризації. Яскравість кластера є ключем до:

1) Кількості кластерів, що не взяли участі в жодному об’єднанні з іншими об’єктами згортання;

2) Кількості білих пікселів, що належать до кластерів кінцевого розбиття образу;

3) Кількості кластерів, на які він розбивається.

Розглядаємо точність алгоритму кластеризації для зображення покритого регіонами або покритого зв’язними областями:

E_CR = CR_b / CR _100, E_IA = IA_b / IA ₁₀₀, (3.19)

де CR_b – кількість регіонів, отриманих кластеризацією із заданим користувачем параметром інтенсивності b, CR ₁₀₀ – кількість регіонів, отриманих кластеризацією із параметром інтенсивності b = 100%, IA_b – кількість зв’язних областей, отриманих кластеризацією із заданим користувачем параметром інтенсивності b, IA ₁₀₀ – кількість зв’язних областей, отриманих кластеризацією із параметром інтенсивності b = 100% (табл. 3.2).

Таблиця 3.2.
Точність алгоритму для значення інтенсивності b = 75, 85 і 100%.