Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://dspace.opu.ua/jspui/handle/123456789/11126
Название: Vector-difference texture segmentation method in technical and medical express diagnostic systems
Другие названия: Векторно-різницевий метод сегментації зображень текстур в системах технічної і медичної експрес діагностики
Векторно-разностный метод сегментации изображений текстур в системах техничной и медицинской экспресс диагностики
Авторы: Volkova, Natalya P.
Волкова, Наталія Павлівна
Волкова, Наталья Павловна
Krylov, Viktor N.
Крилов, Віктор Миколайович
Крылов, Виктор Николаевич
Ключевые слова: texture segmentation
texture features
spectral-statistical texture;
detector methods;
classification methods;
confusion matrix;
vector-difference method
текстурна сегментація
текстурні ознаки
спектрально-статистична текстура
детекторні методи
класифікаційні методи;
матриця неточностей;
векторно-різницевий метод
текстурная сегментация;
текстурные признаки;
спектрально-статистическая текстура;
детекторные методы;
классификационные методы;
матрица неточностей;
векторно-разностный метод
Дата публикации: 20-Ноя-2020
Издательство: Odessa National Polytechnic University
Краткий осмотр (реферат): The study shows the need for express systems, in which it is necessary to perform the analysis of texture images in various areas of diagnosis, for example, in medical express diagnostics of dermatologic disorders. Since the reliability of decision-making in such systems depends on the quality of image segmentation, which, as a rule, have the nature of spectral-statistical textures, it is advisable to develop methods for segmentation of such images and models for their presentation. A model of spectral-statistical texture is proposed, which takes into account the random nature of changes in the field variations and quasi-harmonics. On its basis, a vector-difference method of texture segmentation has been developed, which is based on the vector transformation of images of spectral and statistical textures based on vector algebra. The stages of the vector-difference method are the following: an evaluation of the spectral texture feature; an evaluation of the statistical texture feature; vector-difference transformation of texture images; a boundary detection of the homogeneous regions. For each pixel of the image in the processing aperture, the features of the spectral and statistical texture are evaluated. Statistical texture evaluation was performed by the quadratic-amplitude transformation. At the stage of vector-difference transformation of texture images, a vector of features of each pixel of an image is constructed, the elements of which are estimates of features of a spectral and statistical texture, and the modulus of the difference of two vectors is calculated. At the stage of boundary detection of homogeneous regions, Canny method was applied. The developed vector-difference texture segmentation method was applied both to model images of spectral-statistical texture and to texture images obtained in technical and medical diagnostics systems, namely, for images of psoriasis disease and wear zones of cutting tools. To compare the segmentation results, frequency-detector and amplitude-detector methods of texture segmentation were applied to these images. The quality of segmentation of homogeneous textured regions was evaluated by the Pratt's criterion and by constructing a confusion matrix. The research results showed that the developed vector-difference texture segmentation method has increased noise tolerance at a sufficient processing speed.
Показана потреба в експрес системах, в яких необхідно виконувати аналіз текстурних зображень в різних областях діагностики, наприклад, при медичній експрес діагностиці дерматологічних захворювань. Оскільки достовірність прийняття рішень в таких системах залежить від якості сегментації зображень, що мають, як правило, характер спектральностатистичних текстур, то доцільно розроблять методи сегментації таких зображень ті моделей для їх представлення. Запропоновано модель спектрально-статистичної текстури, яка враховує випадковий характер зміни варіацій поля та квазігармонік. На її основі розроблено векторно-різницевий метод текстурної сегментації в основі якого лежить векторне перетворення образів спектральної і статистичної текстур на основі векторної алгебри. Етапами векторно-різницевого методу є: оцінка ознаки спектральної текстури; оцінка ознаки статистичної текстури; векторно-різницеве перетворення образів текстур; виділення границь однорідних областей. Оцінка ознак спектральної і статистичної текстури виконується для кожного пікселя зображення в апертурі обробки. На етапі оцінки статистичної текстури виконувалася шляхом квадратично-амплітудного перетворення. На етапі векторно-різницевого перетворення образів текстур будується вектор ознак кожного пікселя зображення, елементами якого є оцінки ознак спектральної і статистичної текстури, і виконується розрахунок модуля різниці двох векторів. На етапі виділення границь однорідних областей застосовано метод Канні. Розроблений векторно-різницевий метод текстурної сегментації було застосовано як до модельних зображень спектральностатистичної текстури, так і до зображень текстур, які отримані в системах технічної і медичної діагностики, а саме для зображень захворювання псоріаз і зон зносу ріжучих інструментів. Для порівняння результатів сегментації до даних зображень були застосовані частотно-детекторний і амплітудно-детекторний методи текстурної сегментації. Проведено оцінку якості сегментації однорідних текстурних областей на основі критерію Прета і шляхом побудови матриці неточностей. Результати дослідження показали, що розроблений векторно-різницевий метод текстурної сегментації має підвищену завадостійкістю при достатній швидкості обробки.
Показана необходимость в экспресс системах, в которых необходимо выполнять анализ текстурных изображений в различных областях диагностики, например, при медицинской экспресс диагностике дерматологических заболеваний. Поскольку достоверность принятия решений в таких системах зависит от качества сегментации изображений, имеющих, как правило, характер спектрально-статистических текстур, то целесообразно разрабатывать методы сегментации таких изображений и моделей для их представления. Предложена модель спектрально-статистической текстуры, учитывающая случайный характер изменения вариаций поля и квазигармоник. На ее основе разработан векторно-разностный метод текстурной сегментации, в основе которого лежит векторное преобразование образов спектральной и статистической текстур на основе векторной алгебры. Этапами векторно-разностного метода являются: оценка признака спектральной текстуры; оценка признака статистической текстуры; векторно-разностное преобразование образов текстур; выделение границ однородных областей. Для каждого пикселя изображения в апертуре обработки выполняется оценка признаков спектральной и статистической текстуры. Оценка статистической текстуры выполнялась путем квадратично-амплитудного преобразования. На этапе векторно-разностного преобразования образов текстур строится вектор признаков каждого пикселя изображения, элементами которого являются оценки признаков спектральной и статистической текстуры, и выполняется расчет модуля разности двух векторов. На этапе выделения границ однородных областей применен метод Канни. Разработан векторно-разностный метод текстурной сегментации был применен как к модельным изображениям спектрально-статистической текстуры, так и к изображениям текстур, полученных в системах технической и медицинской диагностики, а именно для изображений заболевания псориаз и зон износа режущих инструментов. Для сравнения результатов сегментации к данным изображениям были применены частотно-детекторный и амплитудно-детекторный методы текстурной сегментации. Проведена оценка качества сегментации однородных текстурных областей на основе критерия Прэтта и путем построения матрицы неточностей. Результаты исследования показали, что разработанный векторно-разностный метод текстурной сегментации обладает повышенной помехоустойчивостью при достаточной скорости обработки.
URI (Унифицированный идентификатор ресурса): http://dspace.opu.ua/jspui/handle/123456789/11126
ISSN: 2663-0176
2663-7731
Располагается в коллекциях:2020, Vol. 3, № 4

Файлы этого ресурса:
Файл Описание РазмерФормат 
2_Volkova.pdf1.77 MBAdobe PDFПросмотреть/Открыть


Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.