CC BY
53
УДК 004.9:576.311.33:577.115.3:577.171.54
©М.Ю. Чернышов, В.Н. Нурминский, Н.В. Абасов, Е.Н. Осипчук
МЕТОД КОЛИЧЕСТВЕННОГО АНАЛИЗА ОБЪЕКТОВ НА ВИДЕОИЗОБРАЖЕНИЯХ, РАССЧИТАННЫЙ НА ИСПОЛЬЗОВАНИЕ В ГИС-ТЕХНОЛОГИЯХ И АНАЛИЗЕ МИКРОСКОПИЧЕСКИХ ВИДЕОИЗОБРАЖЕНИЙ
Разработан метод количественного анализа состава видеоизображений удаленных макроскопических объектов в ГИС-технологиях и микроскопических видеоизображений клеточных препаратов в медикобиологических исследованиях. Его программная реализация предполагает применение аналитических процедур фильтрации, сегментации видеоизображения и вычитания фона. Метод воплощен в форме компьютерной программы.
Ключевые слова: метод количественного анализа, ГИС-технологии, микроскопические медикобиологические препараты, видеоизображение, сегментация видеоизображения, количественный анализ состава видеоизображения, программа количественного анализа.
М. Yu. Chernyshov, V.N Nurminsky, N. V. Abasov; E.N. Osipchuk
THE METHOD OF QUNTITATIVE ANALYSIS OF OBJECTS ON VISEOIMAGES, WHICH IS INTENDED FOR APPLICATIONS IN GIS-TECHNOLOGIES AND IN ANALYSIS OF MICROSCOPIC VISEOIMAGES
A method for quantitative analysis of video-images of distant macroscopic objects in GIS-technologies and microscopic video-images of cell preparations in medical-biological investigations has been elaborated. Its software implementation presumes application of analytical procedures of filtering, segmentation of the video-image and subtracting the background. The method has been implemented in the form of a software system.
Keywords: method of quantitative analysis, GIS-technologies, microscopic medical-biological preparations, video-image, video-image segmentation, quantitative analysis of video-image content, software for quantitative analysis.
1. Введение
Решение задач, стоящих сегодня перед наукой, требует привлечения инновационных методов и алгоритмов, позволяющих выполнять 1) качественный и количественный анализ объектов, наблюдаемых на Земле из космоса средствами ГИС-технологий (картография, анализ полезных ископаемых, мониторинг лесных пожаров и т.д.); 2) медико-биологическую морфометрию (структурный и количественный анализ) состава микрообъектов, развитие методов которой способствует получению средств качественной медицинской диагностики заболеваний; 3) исследование микроструктуры металлов и иных наноматериалов. Решение этих задач связано с качественным и количественным анализом растровых видеоизображений и требует разработки методов, алгоритмов и программ, обеспечивающих распознавание образов, программ компьютерной обработки, сегментации и последующего анализа растровых и цифровых изображений, алгоритмов обработки одномерных сигналов, статистической обработки данных. Известно множество подходов к решению этих задач, предложены алгоритмы обработки, сегментации и анализа изображений, но их нельзя признать простыми и надежными.
Например, согласно традиционной практике, прежде выполнения операций морфометрии, объекты на медико-биологических препаратах обычно выделяют, например, путем окрашивания с помощью специальных зондов-красителей. За счет окрашивания достигается цвето-яркостное различение объектов на окружающем фоне при облучении препарата лазером в полосе длин волн X от
10"5 до 1 нм. Но эта задача решается проще, если изображение содержит микрообъекты, которые близки по размеру и с точки зрения восприятия.
В работе описан метод морфометрии при минимальной априорной информации об объектах. Метод предполагает последовательное применение алгоритмов выделения поля объектов на растровом видеоизображении и оценки количества микроскопических объектов на нем.
2. Вычислительная технология количественного анализа растровых микроскопических видеоизображений
Для получения количественной информации об объектах на видеоизображении выполняется компьютерная обработка, предполагающая применение многопроцедурного алгоритма: 1) обработка видеоизображения; 2) фильтрация видеоизображения для устранения наводок и повышения контраста; 3) классификация объектов на изображении; 4) бинаризация; 5) количественный анализ числа объектов на видеоизображении.
2.1. Многошаговый алгоритм количественного анализа растровых видеоизображений. Изображения микрообъектов анализируемого препарата получали средствами цейтраферной компьютерной видеосъемки [2]. Установка ЦКВ, оборудованная микроскопом Биолам П-1 (х153), позволяет получать изображения поверхности кюветы с пробой размером 1820x1365 мкм, что соответствует размеру изображения в 1600x1200 пикселей. При этом можно отслеживать динамику изменения количества клеток на последовательности изображений (рис. 1).
I ш§
Рис. 1. Фрагмент последовательности изображений фракции изолированных вакуолей, полученной с помощью цейтраферной компьютерной видеосъемки
Предварительная обработка видеоизображения. Еще в исследовании В О. Петрова, В А. Камаева и С.В. Поройского [3] было выяснено, что в рассматриваемом случае традиционные подходы, предполагающие простой учет пространственных или статистических характеристик, не годятся. Этап предварительной обработки исходного видеоизображения предполагает улучшение яркости, контраста, т.е. различимости микрообъектов на нем. Пусть х(/, /) = Щ и
соответственно, значения яркости исходного изображения и изображения, получаемого на выходе после обработки, в пикселе кадра, имеющем декартовы координаты (/,у) (которые могут сохраняться в матрице как номера строк (/') и столбцов (/)). Поэлементная обработка изображения подразумевает, что строится функциональная зависимость между значениями яркости такая, что V’(/,./) = ./Л-''..). которая по значению исходного сигнала позволяет определить значение выходного сигнала. Очевидно, что значения функции /и(хи) зависят от координат, т.е., в общем случае, обработка кадра видеоизображения может быть неоднородной. Но для простоты в наших расчетах мы предполагали, что указанная зависимость между яркостями исходного и обработанного изображений является однородной, т.е. описывается функцией, значения которой одинаковы во всех точках кадра: у = кх(хтл^ — х), где хтх - максимальное значение исходного сигнала; к -константа, позволяющая управлять динамическим диапазоном преобразования изображения. Функция у, описывающая данное преобразование, описывается параболой. Если у^ — хшад, то при к — 4/ Л'|п.1Х динамические диапазоны видеоизображений совпадают.
Задачу такой предварительной обработки видеоизображения можно решить, например, с помощью программы Ас1оЬе РЬои^Ьор. Но она не дает удовлетворительной декомпозиции изображения. Кроме того, микрообъекты имеют сфероидальную форму, и необходима фокусировка на "срезе микрообъектов посередине” (а не в их верхней или нижней части).
Фильтрация видеоизображения выполняется в целях устранения наводок, улучшения контраста, яркости и, следовательно, различимости микрообъектов. Был построен алгоритм выделения группы клеток для их подсчета (рис. 2).
Одна из проблем может быть связана с определением порога яркости я?й, с которым сравнивается яркость исходного видеоизображения и, таким образом, определяются значения яркости в каждой точке выходного изображения. Эффективным способом фильтрации изображения по яркости является Винеровская фильтрация. Подробное описание решения задачи фильтрации изображений с использованием оптимизационного подхода и решением уравнения Винера - Хопфа дано в статье М.С. Кириченко и С.В. Панина [1].
ш h • ff J
б
1ЯЯ1
в г
Рис. 2. Алгоритм выделения группы клеток для их подсчета (а - исходное изображение; б - итог первичной фильтрации; в - вычитаемый фон; г - результат бинаризации).
Решение этой задачи позволяет оценить результат линейной фильтрации полезного сигнала:
x{hj)= X
(iJ)sS
где х (i,j) = X j j - результат фильтрации полезного сигнала x(i,j) = х . в точке видеоизображения с координатами (/, j); S - множество координат точек, образующих окрестность точки изображения; a(i., /,) - весовые коэффициенты, совокупность которых дает двумерную импульсную характеристику фильтра. В свою очередь, это позволяет, например, оценить изменение средней яркости видеоизображения при его линейной фильтрации путем вычисления математического ожидания результата фильтрации полезного сигнала:
fggffsS
где предполагается, что средняя яркость Шх входного изображения Й не зависит от координат*
и, как следствие, средняя яркость Ш изображения у (•) на выходе фильтра тоже постоянна во
всех точках кадра. В ходе анализа важно поддерживать среднюю яркость кадра. Это достигается при выполнении равенства
Z I>(Wi) = 1-
Р,/)еХ
Задача бинаризации видеоизображения для выделения объектов по морфологическим (текстурным) особенностям может быть решена путем его представления на языке теории множеств и соответствующих преобразований. Ее решение проще, если можно избежать сравнительного анализа цветов (объекты однородны по цвету). Тогда полутоновое изображение преобразуется в бинарное, и это все упрощает.
Поясним содержание процедуры бинаризации. Представим распределение яркости полутонового изображения на видеоизображении функцией f(x,y'}, принимающей только неотрицательные значения, и предположим для простоты, что она имеет целые и равномерно разнесенные амплитуды яркости т = 0,1,2,_____Эта фу нкция может быть реинтерпретирована как сумма бинар-
ных функций fb (i,j), принимающих только пороговые (бинарные) значения, соответствующие исходному полутоновому видеоизображению, т.е.
78
f(x,y)= X Yufb (iJl
где
1 при f(x,y)>mth, О при f(x,y)<mth,
Иными славами, каждая бинарная функция /ь (/,/) может быть представлена с помощью пороговых множеств Хь на плоскости, причем, каждая точка бинарного изображения:
В результате этого преобразования растровое полутоновое изображение преобразуется в бинарное (рис. 2г), которое соответствует матрице, содержащей только нули и единицы. Оно может быть сохранено в виде файла формата .txt, который затем используется на этапе количественного анализа, реализуемом с помощью специальной подпрограммы, вычисляющей относительную площадь изображения, занятую микрообъектами. Для решения задачи бинаризации может быть использована, например, система Mathcad 2000, преобразующая электронные изображения формата .bmp в матрицу, состоящую из чисел от 0 до 255, соответствующих пикселям монохромного видеоизображения. Пороговым ограничением амплитуды яркости та является некоторое число из указанного диапазона. В нашем случае значение этого порога было подобрано экспериментально и составило = 24 .
07
Этап количественного анализа числа объектов на видеоизображении. Решение этой задачи существенно упрощается, если микрообъекты имеют приблизительно равный диаметр, т.к. тогда достаточно вычислить площадь (в пикселях) выделенной области, занятой микрообъектами, и соотнести ее с общей площадью анализируемого видеоизображения.
Для определения количества М микрообъектов, идентифицируемых в полезном поле видеоизображения, осуществляется в два шага: (1) площадь полезного поля Su определяется как количество пикселей п переднего плана (т.е. тех, которым соответствует значение fb = 1) на общем поле видеоизображения, содержащем N пикселей, т.е. Su=n = rjN ; (2) Su делится на структурообразующий параметр 8 , соответствующий размеру объекта в пикселях: М = t]N/S .
2.2. Программная реализация метода. Данный метод реализован как программный продукт в средах MATLAB (программа CellsPro) и Visual Studio C++ с использованием процедур обработки изображений библиотеки OpenCV (программа CellsProCV) [4].
В целях экспериментально апробации алгоритма, на его основе были выполнены более 140 экспериментов с исследованием микроизображений клеточных вакуолей и эритроцитов крови в рамках программ исследований, проводимых в СИФИБР СО РАН. Результаты оказались весьма убедительными: (1) оценка вариабельности результатов, даваемых алгоритмом при повторных количественных анализах того же объекта составила ±5%; (2) изменения размеров видеоизображения в 2-4 раза практически не влияли на результаты количественного анализа; (3) анализ результатов работы алгоритма при изменении цвето-яркостных характеристик видеоизображения на 20-50% оказался удовлетворительным: вариабельность количественных результатов составила не бо-
Все сказанное позволяет утверждать, что программный комплекс, разработанный коллективом, руководимым М.С. Тарковым [4], предназначенный для количественного анализа микрообъектов на видеоизображениях, подходит для решения вышеуказанных задач.
(Л У) е Хь ■ если fb QJ) = 1 и (jj) £ Xb, если (/,./) = 0.
3. Заключение
лее 5-15%.
Литература
1. Кириченко М.С., Панин С.В. Разработка адаптивного алгоритма оценки информативности динамических признаков для обработки и анализа изображений // Вычислительные технологии. 2005. Т. 10. № 1. С. 58-70.
2. Стабильность вакуолярных мембран растений при осмотическом стрессе и воздействии редокс-агентов / В.Н. Нурминский и др. // Биологические мембраны. 2011. Т. 28, № 3. С. 224-229.
3. Петров В.О., Камаев В.А., Поройский С.В. Алгоритм текстурной сегментации растровых изображений при решении прикладных задач медико-биологического анализа // Современные проблемы науки и образования. 2009. № 6. С. 105-110.
4. Технология оценивания состава изображений клеточных препаратов для медико-биологических исследований / М. С. Тарков и др. // Математическое моделирование и вычислительно-информационные технологии в междисциплинарных научных исследованиях: тез. докл. всерос. конф. (Иркутск, 15-17 июня, 2011 г.). - Иркутск: Изд-во ИГЛУ, 2011. С. 109.
Чернышов Михаил Юрьевич, канд. филол. наук, почетный проф. Кембриджского ун-та (с 1991 г.), действительный иностранный член Британской королевской академии наук (Royal Society) (с 1998 г.), зав. научно-методической частью Президиума Иркутского научного центра СО РАН, г. Иркутск, тел. (3952) 425878. E-mail: [email protected].
Нурминский Вадим Николаевич, канд. биол. наук, старший научный сотрудник, Сибирский институт физиологии и биохимии растений СО РАН, г. Иркутск, сл.т. (3952) 425878. E-mail: [email protected].
Абасов Николай Викторович, канд. техн. наук, ведущий научный сотрудник, Институт систем энергетики им. Л.А. Мелентьева СО РАН, г. Иркутск. E-mail: [email protected].
Осипчук Евгений Николаевич, аспирант, Институт систем энергетики им. Л.А. Мелентьева СО РАН, г. Иркутск. E-mail: [email protected]
Chernyshov Mikhail Yurievich, candidate of philological sciences (mathematical linguistics, artificial intelligence), head of the research-methodological division, Presidium of Irkutsk Scientific Center, Siberian Branch of RAS, Irkutsk.
Nurminsky Vadim Nikolayevich, candidate of biological sciences, senior researcher, Siberian Institute of Plant Physiology and Biochemistry Siberian Branch of RAS, Irkutsk, phone (3952) 425878. E-mail: [email protected].
Abasov Nikolay Viktorovich, candidate of engineering sciences (computational technologies), leading researcher, Melentyev Institute of Energy Systems, Siberian Branch of RAS, Irkutsk.
Osipchuk Evgeny Nickolayevich, postgraduate, Melentyev Institute of Energy Systems, Siberian Branch of RAS, Irkutsk.
