Гибридные методы и алгоритмы для интеллектуальных систем классификации сложноструктурируемых изображений

• Автор: Томакова, Римма Александровна
• Шифр специальности: 05.13.17
• Научная степень: Докторская
• Год защиты: 2013
• Место защиты: Курск
• Количество страниц: 341 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. МЕТОДЫ И СРЕДСТВА КЛАССИФИКАЦИИ СЛОЖНЫХ ОБЪЕКТОВ НА ОСНОВЕ АНАЛИЗА
СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗОБРАЖЕНИЙ
1.1. Сложные объекты и методы их описания
1.2. Математические модели изображений
1.3. Анализ методов и алгоритмов сегментации сложноструктурируемых изображений
1.3.1. Сегментация на основе пороговой обработки
1.3.2. Методы сегментации, основанные на кластеризации
1.3.3. Методы сегментации, основанные на градиентных операторах
1.3.4. Сегментация с помощью модели
1.4. Математическая морфология и обработка изображений
1.5. Процедуры и методы классификации изображений
1.6. Цели и задачи исследований
ГЛАВА 2. ИНТЕЛЛЕКТУАЛЬНЫЕ ОПЕРАТОРЫ ДЛЯ СЕГМЕНТАЦИИ СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗОБРАЖЕНИЙ
2.1. Обобщенный алгоритм сегментации сложноструктурируемых изображений
2.2. Синтез морфологического оператора для препарирования изображения Ш
2.3. Нечеткая модель формирования бинарного изображения границы сегмента
2.4. Выводы второй главы
ГЛАВА 3. МЕТОДОЛОГИЯ СПЕКТРАЛЬНОГО ОПИСАНИЯ 8? КРИВЫХ СЛОЖНОЙ ФОРМЫ
3.1. Метод морфологической обработки бинарных изображений
3.2. Исследования методов спектрального представления контуров минимальной толщины
3.3. Выбор и оптимизация числа используемых дескрипторов Фурье при анализе границ сегментов сложноструктурируемых изображений
3.4. Выводы третьей главы

ГЛАВА 4. РАЗРАБОТКА И ИССЛЕДОВАНИЯ СЕТЕВЫХ ТЕХНОЛОГИЙ, ПРЕДНАЗНАЧЕННЫХ ДЛЯ КЛАССИФИКАЦИИ СЕГМЕНТОВ НА СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗОБРАЖЕНИЯХ
4 Л. Разработка универсальной сетевой структуры для задач двухальтернативной классификации
4.2. Нейросетевые структуры для сегментации изображений по параметрам пикселей и их окрестностей
4.2.1. Структура первого решающего модуля
4.2.2. Структура второго решающего модуля
4.3. Алгоритмическое и программное обеспечение моделирования решающих модулей
4.4. Выводы четвертой главы
ГЛАВА 5. РАЗРАБОТКА АЛГОРИТМОВ ИДЕНТИФИКАЦИИ СЕГМЕНТОВ НА ИЗОБРАЖЕНИЯХ МАЗКОВ ПЕРИФЕРИЧЕСКОЙ КРОВИ
5.1. Алгоритм измерения межклеточных соотношений
в периферической крови
5.2. Модуль анализа цветного изображения сегмента
5.3. Модуль анализа сегментов черно-белого изображения
5.4. Структура базы данных для настройки модуля принятия решений
5.5. Программное обеспечение интеллектуальной системы классификации форменных элементов крови
5.5.1. Общая структура программного обеспечения
5.5.2. Программный модуль сегментации микроскопических изображений мазков крови
5.5.3. Программный модуль для классификации форменных элементов крови
5.5.4. Схема формирования файлов обучающих выборок
5.5.5. Алгоритм формирования интегрированных моделей решающих модулей для классификации форменных элементов крови
5.6. Экспериментальные исследования разработанной системы анализа микроскопических изображений форменных элементов крови
5.7. Выводы пятой главы

ГЛАВА 6. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ АНАЛИЗА СЛОЖНЫХ ОБЪЕКТОВ И СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗОБРАЖЕНИЙ В ОФТАЛЬМОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ.. 223 6 Л. Структура автоматизированной системы поддержки принятия решений врача-офтальмолога
6.2. Экспериментальные исследования эффективности классификации извилистости сосудов сетчатки
6.3. Нейронные сети с макрослоями для классификации и прогнозирования сосудистой патологии глазного дна
6.4. Формирование нелинейных отображений на входах НСМ для диагностики и прогнозирования тромбоза центральной вены
сетчатки и ее ветвей
6.5. Оценка эффективности правил прогнозирования и диагностики степени тяжести тромбозов центральной вены сетчатки и
ее ветвей
6.6. Разработка нейросетевых моделей принятия решений по результатам анализа фотографий флюоресцентных ангиограмм
глазного дна
6.7. Экспериментальные исследования качества сегментации изображения глазного дна при различных видах патологий
6.8. Экспериментальные исследования автоматизированной системы анализа изображений сетчатки глаза диагностики диабетической ретинопатии
6.9. Выводы шестой главы
ЗАКЛЮЧЕНИЕ
СПИСОК ПРИНЯТЫХ ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ А
ПРИЛОЖЕНИЕ Б

Среди методов, позволяющих выбрать величину порога, наиболее известны гистограммные методы.
Суть гистограммного метода состоит в том, чтобы построить бимодальную гистограмму изображения, выбрать порог в точке минимума и сегментировать изображение с выбранным пороговым значением [135].
В зависимости от условий получения изображения пороговое значение может выбираться однократно, или адаптивно для каждой локальной области изображения. При этом гистограмма может иметь несколько пиков для соответствующего количества объектов.
Методы с использованием гистограммы наиболее эффективны в сравнении с другими методами сегментации изображений, поскольку при их реализации осуществляется лишь один проход по пикселям.
Одним из недостатков данных методов является то, что в условиях неравномерности освещения или наличия большого числа объектов гистограмма яркости не имеет бимодальной структуры. Поэтому для применения гистограммного метода необходимо произвести локализацию объекта. Для этих целей используют сканирующие маски, или разбиения изображений.
Важнейшим достоинством пороговых методов является их вычислительная эффективность. Поэтому пороговые методы целесообразно применять для быстрой, пусть и грубой обработки изображения на начальной фазе сегментации. При этом важнейшим достоинством гистограммных методов является их адаптивность к распределению яркости объекта и фона, которая выражается в возможности адекватного выбора порогового значения для сегментации, причем в различных условиях получения исходных данных [20].
Однако такая адаптивность в большинстве практически значимых случаев носит локальный характер и возможна лишь в некоторой окрестности объекта после его локализации. Для достижения устойчивости сегментации целесообразно вначале адаптироваться к наблюдаемому