CC BY
85
Актуальные проблемы авиации и космонавтики - 2015. Том 1
УДК 004.932.72'1
АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ К ОБРАБОТКЕ СНИМКОВ ГЛАЗНОГО ДНА
А. А. Достова Научный руководитель - М. Н. Фаворская
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: [email protected]
Рассматриваются вопросы предварительной обработки изображений глазного дна. Проводится анализ существующих подходов к обработке снимков глазного дна.
Ключевые слова: сегментация, мониторинг изображений глазного дна, алгоритмы цветокоррекции, алгоритмы шумоподавления.
ANALYSIS OF EXISTING APPROACHES TO PROCESSING FUNDUS IMAGES
A. A. Dostova Scientific Supervisor - M. N. Favorskaya
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
The papers consider the questions of the pretreatment images of the fundus. The analysis of the existing approaches to the treatment of ocular fundus images is given.
Keywords: segmentation, monitoring images of the fundus, algorithms for color correction, noise reduction algorithms.
В настоящее время информационные технологии получают все большее применение в медицинской диагностики. Одним из важнейших направлений в офтальмологии является мониторинг глазного дна. Процесс выявления отклонений включает ряд этапов: предварительная обработка, сегментация элементов и последующее принятие решений о текущем состоянии пациента. Данная работа посвящена анализу существующих подходов к обработке снимков глазного дна.
При обработке большинства медицинских изображений возникают проблемы связанные с существенной вариабельностью и слабой контрастностью снимков, наличием шумов и нечеткостью. Изменение контрастности не должно приводить к изменению средней яркости по изображению. Поэтому в работе использовалась следующая формула:
NY = K • (Y-AY) + AY,
где NY - новое значение контрастности; K - коэффициент контрастности; Y - текущее значение; AY - среднее значение контрастности по изображению [1].
Настройка контрастности позволяет выявить внутренние скрытые элементы изображения, практически невидимые без обработки.
Использование методов шумоподавления позволяет избавиться от излишков и шумов, тем самым решая проблему вариабельности и наличия шумов. Многие алгоритмы шумоподавления основаны на вычислении порядковых статистик. Отклик такого фильтра определяется предварительным упорядочиванием значений пикселей, покрываемых матрицей фильтра, и последующим выбором значения, находящегося на определенной позиции упорядоченной последовательности. Фильтрация сводится к замещению исходного значения пикселя на полученное значение отклика фильтра [3]. Примером такого алгоритма является медианный фильтр, который реализуется согласно выражению
Секция «Программные средства и информационные технологии»
/(х,y) = med teS (g(s,t)}
где f - значение восстановленного изображения в произвольной точке (х, y), g(x, y) - зашумленное изображение в окрестности S^.
Медианный фильтр приспособлен для подавления импульсных шумов, также он приводит к меньшему размытию кадра, что важно для медицинских изображений.
Для моделирования результатов субъективных оценок изображений используются метрики объективного качества. В данной работе будут рассмотрены метрики MSE и PSNR.
Принцип работы метрики MSE (Mean Squared Error) для двух изображений заключается в следующем выражении
m-1 n-1
1 m-1 n-1
MSE = — XX I(i, j) - K(i, j)2
mn ,=0 , J
i=0 j=0
где X - оригинальное изображение размером M*N; Y - другое изображение такого же размера; X(i, j) - значение пикселя изображения Xс координатами (i, j). Значение MSE будет равно нулю в том случае, если эти два изображения полностью совпадут. Очевидно, значение метрики возрастает с количеством искажений в изображении [4].
Метрика PSNR (Peak Signal to Noise Ratio), связана с MSE следующим отношением
PSNR = 10 log
10
( MAX] ^ MSE
= 20 log
10
MAXj
4mse
где МАХ! - это максимально возможное значение яркости для пикселя. В случае полного совпадения изображений значение метрики Р8КЯ будет бесконечно.
Рассмотренные метрики широко применяются из-за низкой вычислительной сложности, а также простой физической интерпретации.
В данной работе для визуализации и усиления тонких структур глазного дна используется оператор Собеля [2], основанный на сверстке изображения небольшими целочисленными фильтрами в вертикальном и горизонтальном направлениях. Точнее, оператор использует значения интенсивности Ох и Оу в окрестности 3^3 каждого пикселя, с которыми сворачивают исходное изображение для вычисления приближенных значений производных по горизонтали и по вертикали
"-1 0 1" "-1 - 2 -1"
Gх = -2 0 2 , G, = 0 0 0
-1 0 1 1 2 1
При раздельном наложении этих масок на изображение можно получить оценку градиента по каждому из направлений Ох и Оу. Конечное значение градиента определяется по формуле
g = jg2 + g2
Таким образом, проведен анализ существующих подходов к обработке снимков глазного дна, позволяющие улучшить качество изображения, выделить ценные элементы глазного дна, тем самым упростить диагностический процесс.
Библиографические ссылки
1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2005. 1070 с.
2. A review of Medical Image segmentation: Methods and available software / Whitey D. J., Koles Z. J. et al. // International Journal of Bioelectromagnetism. 2008. № 3 (10). P. 125-148.
3. Improving vessel segmentation in ultra-wide field-of-view retinal fluorescein angiograms, in: Engineering in Medicine and Biology Society / Perez-Rovira A., Zutis K., Hubschman J. P., Trucco E. // 2011 Annual International Conference of the IEEE. 2011. P. 2614-2617.
4. Senthilkumaran N. Study on Edge Detection Methods for Image Segmentation / Senthilkumaran N., Rajesh R. and others // Proceedings of the International Conference on Mathematics and Computer Science. 2009. Vol. 1. P. 255-259.
© Достова А. А., 2015
