CC BY
20
УДК 613.171 DOI 10.51794/27132064-2021-4-37
ОСОБЕННОСТИ ОБРАБОТКИ ТЕПЛОВИЗИОННЫХ ИЗОБРАЖЕНИЙ ДЛЯ ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ
КОНЕЧНОСТЕЙ КРС
Р.А. Мамедова, кандидат технических наук Федеральный научный агроинженерный центр ВИМ E-mail: rozamamedova@mail.ru
Аннотация. Для проведения бесконтактной диагностики заболеваний конечностей КРС широкое применение получила тепловизионная аппаратура. Методы работы с тепловизионными изображениями включают следующие этапы: предварительная обработка термограммы; сегментация изображения; выделение диагностических признаков и классификация термограмм. Чтобы классифицировать каждый пиксель изображения в соответствии с тем, попадает ли он в заданный цветовой диапазон или нет, определяют евклидово расстояние между двумя точками. Методы обработки и анализ распределения тепловых полей конечностей животного на тепловизионных снимках должны включать количественный характер оценки температуры с возможностью отслеживания изменения пространственно-временного распределения температуры на снимке с дальнейшим установлением границ между областями «норма» и «воспаление». Для этого требуется разработка и совершенствование методов цифровой обработки термограмм, направленных на выделение областей с особенностями пространственно-временного распределения температур, что позволит собрать всю информацию о состоянии животного в один снимок, другое название которого - функциональное изображение. Применение функционального изображения для диагностики состояния конечностей КРС позволит более быстро и эффективно отслеживать распределение температурного фона на всей поверхности конечности и при обнаружении температурных изменений с подозрением на воспалительный процесс подавать сигнал на блок управления для осмотра животного ветеринарным специалистом, что позволит сократить расходы на лечение. Ключевые слова: термограмма, методы обработки тепловизионного изображения, сегментация, температура порога, функциональное изображение.
Введение. Применение тепловизионной аппаратуры для диагностики многих заболеваний широко используется как в медицине, так и в ветеринарии. Данный способ позволяет диагностировать заболевания на ранней стадии, когда нет внешних признаков. Принцип работы тепловизионного метода основывается на том, что температура в области заболевания всегда выше по сравнению с нормальным состоянием организма. Эффективность использования тепловизора для бесконтактной диагностики животных зависит от применения методов обработки получаемых изображений термограмм. Насколько оптимально будет применен метод обработки изображения конечности или вымени КРС и получена точность температурного профиля термограммы для определения области заболевания, настолько эффективно будет применение тепловизионного обору-
дования на животноводческой ферме. Методы, позволяющие обрабатывать изображения и находить изменения температур на контуре термограмм с наименьшей погрешностью, позволят диагностировать заболевания на самых ранних сроках.
Для изучения динамики пространственного распределения температуры животного использование тепловизионной техники является наилучшим по сочетанию таких характеристик, как температурное, пространственное и временное разрешение. Для эффективной бесконтактной тепловизионной диагностики животных необходимо создание единообразия в классификации термограмм. Перечень снимков профилей термограмм конечностей КРС, полученных на ферме с помощью тепловизора, необходимо распределить по термофизиологическим категориям для идентификации термограмм различ-
ной структуры. Каждая категория термограмм должна включать признаки, которые обозначают факторы, вызывающие температурные отклонения в организме животного. Термограммы классифицируют по температурным изменениям на профиле конечностей. Перечень снимков в основном располагают в виде таблицы с учетом классификатора признаков заболеваний. В таблице указывается «Категория термограммы» и «Причины температурного отклонения на поверхности конечности».
Методика исследований. Для оценки результатов экспериментальных данных могут применяться следующие статистические характеристики:
- средние значения температуры внутри выделенной области конечности КРС;
- максимальные и минимальные значения температуры на изображениях термограмм профилей конечности;
- среднеквадратичное отклонение температуры по изучаемой области;
- гистограммы.
Методы работы с тепловизионными изображениями включают следующие этапы.
1. Предварительная обработка термограммы. Применяется для улучшения качества диагностического термоснимка (контрастность и устранение шумов). Для устранения шумов применяется пространственная и частотная фильтрация. Для предобработки термоснимков используют пространственные методы улучшения изображения (пространственная фильтрация) [1]. Методы пространственной фильтрации тепловизионных снимков применяют фильтр анизотропной диффузии, где используется коэффициент диффузии в зависимости от градиента изображения, что позволяет контролировать размытие границ объектов и при этом существенно понижать уровень шума на термоснимках. Метод подавления шума на термоснимках с помощью вейвлет-преобразова-ния. Из традиционных методов выделения границ для предобработки термограмм выбирают метод Собеля и Кэнни [1, 2].
2. Сегментация термограммы. Сегментация термограммы сводится к выделению об-
ласти интереса (ROI). Область интереса термограммы ROI (region of interest) представляет собой зоны, в которых наблюдаются интересующие значения температуры. Эти зоны могут быть в виде любой произвольной геометрической формы (круг, овал, прямоугольник и т. д.). Проводя линию вдоль или поперек интересующей области на термограмме, можно построить температурный профиль, отображающий значения температуры в каждой точке проведенной линии. Отделение участка конечности КРС от фона осуществляется с помощью методов пороговой бинаризации, например, метод Оцу и его модификации. Сложность обработки тепло-визионных изображений заключается в выделении определенных областей на профиле термограммы конечности КРС. Для этого должны быть использованы комбинации методов, которые включают алгоритмы выделения границ, алгоритмы кластеризации определенных участков с очагами воспаления, алгоритмы разрастания областей с учетом определенного промежутка времени [2]. Алгоритмы выделения границ включают такие методы, как метод функции уровня (используется в медицине); метод ^-средних, метод нечеткой кластеризации с-средних, метод «жука» (применяется в военной области) [3].
3. Выделение диагностических признаков. В основном извлечение признаков из термоизображений осуществляется с помощью различных вейвлет-преобразований. Для выделения диагностических признаков также используется метод с применением паттернов. Например, указан паттерн конечности «норма» и паттерн «воспаление», определяется температурная разница между двумя типами изображений на основе фрактального анализа термоснимков. Для решения проблемы сегментации при нахождении границ участков с воспалением возможно применение вместе с тепловизионными снимками и обычных оптических снимков, сделанных сразу после термограммы. Оптический снимок позволяет сформировать границы исследуемой области конечности, которые потом можно наложить на профиль термограммы и тем самым выделить интере-
сующую область на тепловизионном изображении [4]. Диагностика состояния конечностей КРС в норме и при воспалении подразумевает сбор данных в большом количестве. Увеличение объема данных влияет на скорость работы алгоритмов. Поэтому необходимо провести снижение размерности данных, например, с помощью метода анализа главных компонентов (преобразование Кар-хунена-Лоэва) [5].
4. Классификация термограмм. Исследование профилей термограмм заключается в отнесении снимка конечности КРС в базу «норма» или «воспаление». Решение задачи сводится к определению отдельных пикселей на изображении к категории «норма» или «воспаление». На рисунке 1 представлена блок-схема определения состояния конечностей КРС с помощью тепловизионной диагностики.
Снимок термограммы профиля поверхности конечностей КРС
Идентификация животного (личная карточка)
Обработка изображений, сегментация, выделение диагностических признаков, классификация
I________
Программа «Определение состояния конечностей КРС по тепловизионным изображениям»
______— J
Сигнал о состоянии
конечностей КРС «норма/воспаление»
Использование любого языка программирования или прикладной программы
Рис. 1. Блок-схема определения состояния конечностей КРС с помощью тепловизионной диагностики
Как видно из схемы на рисунке 1, для бесконтактной диагностики заболеваний конечностей КРС вводится идентификационный номер каждого животного, с помощью определенных программ происходит обработка полученного термоснимка конечности, затем подается сигнал о состоянии животного «норма» или «воспаление». При получении сигнала «воспаление» требуется осмотр животного ветеринарным специалистом.
Результаты и обсуждение. Для корректной обработки тепловизионного изображения основным критерием является определение температуры порога [6]. Необходимо рассчитать порог температуры, чтобы определить, когда выделенная область на термограмме относится к состоянию «норма» или «воспаление». По следующей формуле определяем пороговое значение температуры на термограмме:
Г^тах tmin . п \ *■
=-* L + t
255
Q __tcp — tmin
minз
(t
max vmin
tmin)/255
где T- температура порога, °C; tmax - максимальное значение температуры на тепловизионном изображении, °C; tmin - минимальное значение температуры на теплови-зионном изображении, °C; C - коэффициент температуры порога; t^ - среднее значение температуры на тепловизионном изображении, °C.
Тепловизионный снимок конечности КРС представляет собой RGB изображение (рис. 2). На нем необходимо выделить цвет, который лежит в определенном диапазоне. Затем требуется классифицировать каждый пиксель изображения в соответствии с тем, попадает ли он в заданный цветовой диапазон или нет. Для этого в цветовом пространстве
вводится мера сходства, как правило, евклидово расстояние [7].
Евклидово расстояние между точками А и В определяется следующим выражением: d(A,B) = ||Л - Я|| = [(А - В)Т(А - В)]1/2 = [(AR - BR)2 + (Ag - BG)2 + (Ав - Вв)2]1/2,
где d(A, B) - расстояние между точками А и В; Ar , Ag , Ab - RGB (red, green, blue) компоненты вектора A; Br , Bg , Bb - RGB (red, green, blue) компоненты вектора B
а)
б)
Рис. 2. Тепловизионное изображение (термограмма) конечности КРС: а - общий вид; б - фрагмент выделенной области
На рисунке 3 представлены тепловизион-ные снимки задних конечностей КРС, обработанные с помощью программы MathLab 2019, на которых видна область с воспаленным участком. В программе MathLab2019 распределение значений RGB (red, green, blue) позволяет выделять необходимую область на снимке в определенном температурном диапазоне [8, 9].
а б в г
Рис. 3. Тепловизионные изображения конечностей КРС, обработанные в программе MathLab: а - общий вид термограммы; б, в, г -термограммы с выделенной областью
Выводы. Методы обработки и анализ распределения тепловых полей на теплови-зионных снимках конечностей животного должны включать количественный характер оценки температуры с возможностью отслеживания изменения пространственно-временного распределения температуры на снимке с дальнейшим установлением границ между областями «норма» и «воспаление».
Для этого требуется применение методов цифровой обработки термограммы, направленных на выделение областей с особенностями пространственно-временного распределения температур. Цифровая обработка последовательности термограмм позволяет собрать всю информацию о пространственно-временной динамике температур объекта в один кадр (функциональное изображение).
Функциональное изображение представляет собой пространственное распределение временных признаков, отслеживаемое по динамической последовательности термограмм. Например, в медицине [10] диагностика функционального состояния организма на основе единст-венного функционального изображения является более предпочтительным, удобным и привычным, чем анализ временнь1х зависимостей температуры отдельных зон динамических термограмм. Предполагается провести дальнейшие исследования методов обработки термограммам конечностей КРС для создания функциональных изображений заболеваний на ранних стадиях без внешних признаков.
Литература:
1. Яне Б. Цифровая обработка изображений. М., 2007. 584 с.
2. Прэтт У. Цифровая обработка изображений. М., 1982. 790 с.
3. Фисенко В.Т. Компьютерная обработка и распознавание изображений. СПб., 2008. 192 с.
4. Golestani N. Level set method for segmentation of infrared breast thermograms // EXCLI J. 2014. V. 13. P. 241.
5. Etehadtavakol M. Separable and non-separable discrete wavelet transform based texture features and image classification of breast thermograms // Infrared Phys. Tech-nol. 2013. Vol. 61. P. 274-286.
6. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и распознавание изображений // Распознавание, классификация, прогноз. Вып. 2. М., 1989. С. 5-72.
7. Тропченко А.А. Методы вторичной обработки и распознавания изображений. СПб., 2015. 215 с.
8. Обработка изображений в системе MATLAB / Ба-тура В.А. и др. СПб., 2019. 41 с.
9. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М., 2006. 616 с.
10. Методы обработки и анализа термограмм для экспресс-диагностики новообразований молочных желез / Кожевникова И.С. и др. // Журнал мед.-биол. исследований. 2017. Т. 5, № 2. С. 56-66.
Literatura:
1. YAne B. Cifrovaya obrabotka izobrazhenij. M., 2007. 584 s.
2. Prett U. Cifrovaya obrabotka izobrazhenij. M., 1982. 790 s.
3. Fisenko V.T. Komp'yuternaya obrabotka i raspoznava-nie izobrazhenij. SPb., 2008. 192 s.
4. Golestani N. Level set method for segmentation of infrared breast thermograms // EXCLI J. 2014. V. 13. P. 241.
5. Etehadtavakol M. Separable and non-separable discrete wavelet transform based texture features and image classification of breast thermograms // Infrared Phys. Tech-nol. 2013. Vol. 61. P. 274-286.
6. ZHuravlev YU.I., Gurevich I.B. Raspoznavanie obra-zov i raspoznavanie izobrazhenij // Raspoznavanie, klassi-fikaciya, prognoz. Vyp. 2. M., 1989. S. 5-72.
7. Tropchenko A.A. Metody vtorichnoj obrabotki i raspo-znavaniya izobrazhenij. SPb., 2015. 215 s.
8. Obrabotka izobrazhenij v sisteme MATLAB / Batura V.A. i dr. SPb., 2019. 41 s.
9. Gonsales R., Vuds R., Eddins S. Cifrovaya obrabotka izobrazhenij v srede MATLAB. M., 2006. 616 s.
10. Metody obrabotki i analiza termogramm dlya ekspress -diagnostiki novoobrazovanij molochnyh zhelez / Kozhe-vnikova I.S. i dr. // ZHurnal med.-biol. issledovanij. 2017. T. 5, № 2. S. 56-66.
FEATURES OF THERMOVISION PICTURES' PROCESSING OF THE CATTLE LEGS' DISEASES DIAGNOSIS R.A. Mamedova, candidate of technical sciences Federal Scientific Agroengineering Center VIM
Abstract. Thermovision equipment has been widely used for cattle legs' diseases non-contact diagnostics. Methods working with thermovision pictures include the following stages: this thermogram preliminary processing; thermogram's segmentation; diagnostic signs identification and thermograms classification. In order to each thermograms pixel classify according to whether it falls within a given color range or not, the Euclidean distance between two points is determined. Methods of animal legs processing and thermal fields' distribution analysis on thermovision pictures should include the temperature assessment's quantitative nature at the ability changes tracking of the space-and-time temperature distribution on the picture with further the "norm" and "inflammation" areas between boundaries establishing. This requires the thermograms digital processing's development and improvement methods aimed the temperatures' spatial and temporal distribution areas features identifying, which will allow all information the animal condition about in one picture to collect, another name of it is a functional picture. This functional picture will use to the cattle legs' condition diagnosing more quickly as possible, the entire legs background surface temperature's distribution monitoring efficiently and, if temperature changes are detected with an inflammatory process suspicion, send a signal to the control unit the animal by a veterinary specialist inspecting, that will treatment costs reducing.
Keywords: thermogram, thermovision processing's methods, segmentation, threshold temperature, functional picture.
