ИССЛЕДОВАНИЕ АЛГОРИТМОВ КЛАССИФИКАЦИИ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ АНАЛИЗА ПРОСТРАНСТВЕННОГО СПЕКТРА

ИССЛЕДОВАНИЕ АЛГОРИТМОВ КЛАССИФИКАЦИИ
ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ АНАЛИЗА
ПРОСТРАНСТВЕННОГО СПЕКТРА
Н.С. Кравцова1, Р.А. Парингер1, А.В. Куприянов2
1
Самарский государственный аэрокосмический университет им. академика
С.П. Королёва (национальный исследовательский университет),
2
Институт систем обработки изображений РАН
E-mail: nataliaskravtsova@gmail.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
 Circulation Factor
,
 Blair-Biss Factor
,
 Shape Factor
 Compactness 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.
Сегментные признаки получаются с помощью вычисления общей
энергии в каждой из областей, в соответствии с разделением, по формуле:
r2
2
Cr1 r2 12    F  r ,  , где
r  r1  1
2
r  u 2  v2 , 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
1
2
3
4
5 колец 6 колец 7 колец 8 колец
секторов кольцо кольца кольца кольца
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
1
2
3
4
1
2
3
4
Секто
5
6
7
8
5
6
7
8
кольц кольц кольц кольц
кольц кольц кольц кольц
ры
колец колец колец колец
колец колец колец колец
о
а
а
а
о
а
а
а
1
2
3
4
5
6
7
8
13 12 12 12 12 11 12 12 13 13 12 12 12 11 12
10 9 9 9 8 8 8 8 10 10 9 9 9 9 8
9 9 9 8 8 8 8 8 10 9 9 9 8 8 8
9 8 7 7 7 6 6 6 9 8 8 8 7 7 7
9 8 8 7 8 7 7 7 9 8 8 8 8 8 7
9 8 8 8 8 7 7 7 9 8 8 8 8 7 7
8 8 8 8 8 7 7 7 8 8 8 8 8 7 7
8 8 8 7 7 7 7 7 8 8 8 8 8 7 7
12
8
8
6
7
7
7
7
Таблица 3 – Зависимость ошибки от разбиения, классификатор Байеса
Кол-во
1 кольцо 2 кольца 3 кольца 4 кольца 5 колец 6 колец 7 колец 8 колец
секторов
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. 180183.
2. Ильясова, Н.Ю. Классификация кристаллограмм с использованием
методов статистического анализа текстурных изображений [Текст] /
Н.Ю. Ильясова, А.В. Куприянов, А.Г. Храмов // Компьютерная
оптика.– 2000.– № 20.– С. 122-127.
3. Кравцова Н.С. Разработка методов классификации изображений
дендритных кристаллограмм на основе оценивания факторов формы
пространственного спектра [Текст] / Н.С. Кравцова, Р.А. Парингер, А.В.
Куприянов // Труды Международной научно-технической конференции
/ под ред. С.А. Прохорова. – Самара: Издательство Самарского
научного центра РАН. – 2015. – С. 74-78.
Сведения об авторах
Кравцова Наталья Станиславовна – студент, дата рождения:
10.02.1994г.
Парингер Рустам Александрович – аспирант, дата рождения:
22.01.1990.
Куприянов Александр Викторович – д.т.н., профессор, дата рождения:
23.09.1978.
Вид доклада: стендовый