CC BY
62
ПОСТРОЕНИЕ АНАЛИЗАТОРА ИЗОБРАЖЕНИЙ ГРАНУЛОМЕТРИЧЕСКОГО ТИПА
А.Е. Никитин (Ярославский государственный университет им. П.Г. Демидова) Научный руководитель - к.т.н., доцент В.В. Хрящев (Ярославский государственный университет им. П.Г. Демидова)
Статья посвящена проблеме построения анализатора изображений, предназначенного для обработки гранулометрических изображений, встречающихся в медицине и материаловедении. Описывается разработка и тестирование опытного экземпляра программно-аппаратного комплекса, в состав которого входят микроскоп, цифровая фотокамера и персональный компьютер.
Введение
Гранулометрия - совокупность научно-технических знаний, связанных с изучением распределения частиц на сложных изображениях. Как правило, такие изображения представляют собой распределение замкнутых областей на некотором фоне либо имеют вид доменной структуры. Наибольшее количество задач, связанных с гранулометрическим анализом изображений, встречается в медицине, смежных с ней биологии и генетике, а также материаловедении, активно используемом в различных отраслях промышленности, имеющих дело с применением или производством порошкообразных или поликристаллических веществ. В медико-биологических исследованиях гранулометрическая обработка используется во время процедур анализа крови, плоидометрии, расчета ядерно-цитоплазматического отношения, гистосчета клеток, эритроцитомет-рии, подсчета числа тромбоцитов и т.п. В материаловедении гранулометрия применяется для анализа порошковых препаратов (алмазов, корундов, карбидов кремния, глинозема, нитридов бора, стеклянных шариков, люминофоров), определения размеров и формы проекций объектов в связанных материалах (металлах, керамике, горных породах).
Гранулометрический анализ, как правило, является достаточно трудоемким процессом и при проведении вручную требует ощутимых временных затрат. Большой практический интерес представляет разработка программно-аппаратного комплекса, который позволит систематизировать процесс получения и обработки изображений гранулометрического типа. Такие комплексы, называемые анализаторами изображений, производятся некоторыми зарубежными компаниями, работающими в области микроскопии. Однако их разработки носят узкоспециализированный характер и не применимы для решения схожих задач в различных предметных областях [1]. Кроме того, их стоимость довольно высока и зачастую оказывается неприемлемой для российского потребителя, особенно для учреждений науки и образования.
Целью проекта является разработка опытного образца анализатора изображений гранулометрического типа, представляющего собой специализированный программно-аппаратный комплекс для работы с микрообъектами в области видимого света. Причем проектируемая система должна обладать свойствами универсальности и низкой себестоимостью.
Теория построения анализатора изображений
Анализатор изображений для световой микроскопии, как правило, имеет модульное строение и состоит из системы ввода изображений (микроскоп, камера), компьютера (ПК) и принтера для документирования полученных результатов на бумажном носителе. Модульность строения обеспечивает гибкость систем анализа изображений, которая с легкостью может быть адаптирована к потребностям пользователя в зависимости от задачи, которую он собирается решать с помощью анализатора. Адаптация может
проводиться не только модернизацией или заменой модуля, но также и установкой специализированного программного обеспечения по обработке изображений.
Система ввода изображений состоит из светового микроскопа и камеры. Она определяет качество получаемого на экране компьютера изображения. Выбор системы ввода - один из важнейших этапов при комплектации анализатора изображений. Применение микроскопа того или иного типа, а также дополнение его устройствами для получения различных методов исследования и контрастирования определяется физико-химическими свойствами объекта наблюдения. Роль камеры заключается в том, чтобы зафиксировать полученное с микроскопа изображение без потери разрешения и искажения цвета. Таким образом, можно проследить взаимосвязь «объект наблюдения -микроскоп - камера». В этой цепочке определяющим является объект исследования и вид анализа, от которых, собственно, и зависит выбор системы ввода.
Для обеспечения работы микроскопа в составе анализатора изображений класс микроскопа должен быть не ниже рабочего, а для некоторых специализированных методик, связанных с цветом объекта и его разрешением, - не ниже лабораторного [1]. Важным условием при сборке являются правильные подбор и установка камеры на микроскоп. Микроскоп должен быть снабжен бинокулярной насадкой с фото-видеовыходом или специальным выходом на штативе, на который с помощью специального видеоадаптера монтируется камера или цифровой фотоаппарат. Основное внимание при выборе цифровой фотокамеры, которую планируется использовать в анализаторе изображений, необходимо уделить следующим параметрам: разрешающей способности, динамическому диапазону, отношению сигнал/шум и качеству цветопередачи. Адаптер должен быть рассчитан таким образом, чтобы обеспечить передачу на матрицу камеры максимальную часть анализируемого поля.
Получение цифрового изображения
Исследуемый Микроскоп Цифровая Персональный
образец камера компьютер
а)
Обработка и анализ изображения
Предобработка Анализ Экспертная
изображения система
6)
Рис. 1. Общая схема анализатора изображений
Программное обеспечение, входящее в состав анализатора изображений, определяет технологию его работы. В зависимости от специализации анализатора набор имеющихся функций ПО может сильно варьироваться, но в самом общем виде этот набор включает в себя блоки предобработки и анализа (распознавания объектов), сопряженные с экспертной системой. Общая схема программно-аппаратного анализатора представлена на рис. 1.
Аппаратная часть
Для получения достоверных гранулометрических изображений необходимо использовать качественное оборудование, которое является широко доступным и имеет относительно невысокую совокупную стоимость. На основе проведенного исследования различного оборудования, применяемого для гранулометрической обработки, было принято решение использовать в качестве системы ввода разрабатываемого анализатора набор, состоящий из микроскопа МБС-10 (рис. 2) и цифровой фотокамеры Olympus Camedia C-7070 (рис. 3). Бинокулярный стереоскопический микроскоп МБС-10 с увеличением до 100 крат предназначен для наблюдения миниатюрных деталей объемных предметов как при искусственном, так и при естественном освещении в отраженном и проходящем свете. Через специальный переходник окуляр микроскопа соединяется с объективом фотоаппарата Olympus Camedia C-7070 WIDE ZOOM, который благодаря высокому разрешению снимков (3072*2304 пикселей) позволяет передать даже мельчайшие детали объекта. Исследуемый образец (медицинский препарат, алмазный порошок и т. п.) помещается в микроскоп, оператор делает снимок, который через интерфейс USB поступает в компьютер и дальше обрабатывается программной частью комплекса.
Рис. 2. Микроскоп МБС-10
Рис. 3. Фотоаппарат Olympus C-7070
Программная часть
Процесс гранулометрической обработки и классификации полученных снимков автоматизированным комплексом ведется с помощью программной части, работу которой можно разделить на следующие основные стадии: предобработка исходного изображения, анализ изображения, принятие решения экспертной системой.
Предобработка включает в себя удаление шума и различных искажений, которые в ряде случаев возникают при регистрации снимков. Для восстановления изображения предлагается использовать линейную и медианную цифровую фильтрацию, выравнивание гистограммы, настройку яркости и контрастности [2]. В результате первого этапа работы алгоритма улучшенное изображение готово к анализу.
На этапе анализа производится выделение кластеров на изображении [3]. Процедура выделения кластеров включает операции детектирования краев объектов, утолщение контуров, заполнение объектов. Предлагается перевести исходное изображение в бинарное представление с помощью фильтра Собеля [4] и затем обработать с помощью морфологических операций [5], среди которых особо можно выделить алгоритм морфологической скелетонизации, применяемый для разделения «слипшихся» объектов.
Алгоритм этого преобразования основан на базовых морфологических операциях эрозии и дилатации, являясь идейным наследником методики сегментации по водоразделам [2].
На первом этапе работы алгоритма многократно проводится эрозия изображения до тех пор, пока объект не выродится в точку или закончится Ы-ая итерация эрозии (число N задается до начала работы процедуры скелетонизации). Это позволяет достигнуть максимально возможной степени разделения объектов.
На второй стадии множества точек, принадлежащих различным объектам, обозначаем через Ми, М2 ,..., Мп. Распределение точек по множествам происходит с помощью алгоритма заливки. Затем к множествам Ми М2 и т.д. многократно применяем операцию дилатации, которая приводит к постепенному расширению исходных множеств. На некоторой к-ой итерации дилатации может возникнуть пересечение постоянно растущих множеств Мх и Му, где х, у е (1,..,и). Это пересечение мы будем считать частью скелета изображения, и обозначать через Объединение всех множеств даст полный скелет изображения. Таким образом, скелет С можно определить по формуле
N
О = и Ок Ок = Мх, п Мук х, у е (1,.., и),
к=0
где
мХ1 = ыХ1 в хк хк-1
Скелетонизация прекрасно сегментирует изображение, разделяя его на ряд связанных областей. Получившийся в результате преобразования скелет накладывается на исходное бинарное изображение. В тех местах, где скелет пересекает объекты, ставится граница между слипшимися предметами. На рис. 4 показаны основные этапы применения морфологической скелетонизации к гранулометрическому изображению.
"V
с.
а) исходное изображение б) эрозия исходного изо- в) результат 5-й итерации
бражения
скелетонизации
г) результат 15-й итерации д) сегментированное изо- е) наложение скелета на
скелетонизации
бражение
изображение
Рис. 4. Этапы алгоритма морфологической скелетонизации
После того, как объекты выделены, часть их можно отсеять, произведя измерительные процедуры, описывающие форму, размеры, оптические свойства. В результате мы можем оставить лишь изучаемые объекты, которые в дальнейшем можно классифицировать, т.е. отнести объект к нужному классу.
Перед измерением размеров объект ориентируется подобающим образом. После проведения операции поворота не представляет трудности классифицировать выделенные объекты в программе с помощью дескрипторов площади, периметра, компактности, диаметра, большой и малой оси, а также цвета. Пользователю предоставлена возможность определять собственные дескрипторы на основе уже имеющихся базовых. Например, в соответствии с ГОСТ 9206-80 - стандартом качества алмазных порошков -размер алмаза определяется как полусумма длины и ширины прямоугольника, условно описанного вокруг проекции зерна так, что большая сторона прямоугольника соответствует наибольшей длине проекции зерна [6]. Такого рода дескриптор может быть записан через сумму большой и малой оси объекта, деленную на два.
В зависимости от наперед заданных оператором установок на предмет отнесения объекта к тому или иному классу может происходить отсеивание лишних предметов, не полностью удовлетворяющих требованиям по своим дескрипторам.
В подавляющем большинстве гранулометрические задачи требуют не только получения данных о распределении объектов по некоторым параметрам, но также и экспертного заключения о качестве рассматриваемого образца. На последнем этапе анализа изображения предлагается использовать нейросетевую экспертную систему, которая обеспечивает адекватную оценку образца и выносит решение о качестве. Ее разработка пока не завершена, но в ближайшей перспективе планируется.
Тестирование разработанного анализатора
В ходе работы был создан пробный образец программно-аппаратного анализатора изображений гранулометрического типа (рис. 5), на котором проверяются реализованные в ходе работы методики цифровой обработки, тестируются внедряемые программные модули.
Рис. 5. Опытный образец анализатора изображений гранулометрического типа
Тестирование системы на распознавание объектов проводилось для набора характерных изображений гранулометрического типа, в качестве которых были выбраны снимки микропорошков и субмикропорошков алмазов. Эти наборы содержат равное количество удовлетворяющих и не удовлетворяющих ГОСТ изображений. Неправильными считаются ошибочные ответы системы и неопределенные состояния (когда экспертная система затрудняется дать точный ответ). Тестирование проводилось не только
для законченной системы, но и для различных ее модификаций. При этом модифицированная система отличается от исходной изменением всего в одном блоке. В таблице приведены результаты тестирования (доля правильной оценки экспертной системы) в зависимости от используемых компонентов комплекса. В графе «модификация» курсивом выделены элементы, позволяющие более точно выносить экспертную оценку.
Использование блоков программного пакета МлсгоУь эюи Микропорошки Субмикропорошки
Предобработка
Без блока предварительной фильтрации 79 75
С блоком предварительной фильтрации 90 92
Морфологический анализ
Без процедуры морфологической скелотонизации 85 85
С процедурой морфологической скелотонизации 94 96
Опознавание объектов
Без проведения отсеивания объектов по дескрипторам 91 90
С проведением отсеивания объектов по дескрипторам 96 98
Таблица. Доля правильной оценки экспертной системы, %
Результаты проведенной процедуры тестирования автоматизированной экспертной системы показывают, что:
1. предварительная обработка изображения (обработка медианным фильтром, сглаживание линейным фильтром, регулировка яркости и контрастности методом модификации гистограмм) существенно влияет на точность распознавания объекта;
2. доля правильной оценки экспертной системы для микропорошков увеличивается на 11%, а для субмикропорошков на 17%;
3. введение алгоритма морфологической скелетонизации в систему увеличивает долю правильной оценки системы на 9-11%;
4. проведение процедуры отсеивания объектов по дескрипторам позволяет устранить 5-8% ошибок, допущенных на предыдущей стадии.
Заключение
Разработанный программно-аппаратный комплекс проведения автоматизированного гранулометрического анализа изображений позволяет значительно сократить вре-
мя и трудозатраты, необходимые для решения гранулометрической задачи, а также снизить вероятность ошибки при экспертной оценке, так как данный алгоритм свободен от человеческого фактора. Следует отметить, что алгоритмическое ядро комплекса является универсальным, т.е. при соответствующей настройке и переобучении нейро-сетевой экспертной системы его можно использовать для решения схожих гранулометрических задач, возникающих в различных сферах деятельности.
Литература
1. Пантелеев В.Г., Клыкова Е.И., Егорова О.В. Компьютерная микроскопия. - М.: Техносфера, 2005. - 304 с.
2. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2006. -1072 с.
3. Андреев С.Е. Выделение сегментов на изображении // Докл. 6-й междунар. конф. «Цифровая обработка сигналов и ее применение», Москва, 2004. Т.2. С. 100-103.
4. Методы компьютерной обработки изображений. Учебное пособие (2-е издание) / Под ред. Сойфера В. А. - М.: Физматлит, 2004. - 317 с.
5. Soille P. Morphological Image Analysis: Principles and Applications, 2nd ed. / SpringerVerlag. - NY, 2003. - 391 p.
6. Хрящев В.В., Апальков И.В., Соколенко Е.А., Куйкин Д.К. Обработка изображений алмазных порошков в Matlab Image Processing Toolbox // Тр. всерос. науч. конф. «Проектирование научных и инженерных приложений в среде MATLAB», Москва, 2004. С.1671-1675.
