Основы медико-биологических исследований

МИНОБРНАУКИ РОССИИ

Федеральное государственное бюджетное

образовательное учреждение высшего образования

«Юго-Западный государственный университет»

(ЮЗГУ)

Кафедра биомедицинской инженерии

УТВЕРЖДАЮ

Проректор по учебной работе

____________О.Г. Локтионова

«______»____________2017 г.

ОСНОВЫ МЕДИКО-БИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ

Методические указания к практическим занятиям по дисциплине «Организация медико-биологических исследований»

Курск 2017

основы медико-биологических исследований - student2.ru УДК 004.93:61

Составители: О.В. Шаталова, К.Д.А. Кассим.

Рецензент

Доктор технических наук, профессор А.Ф. Рыбочкин

Основы медико-биологических исследований: методические указания к лабораторным работам / Юго-Зап. гос. ун-т; сост.: О.В. Шаталова, К.Д.А. Кассим. Курск, 2017. 28 с.

Предназначено для студентов направления подготовки 12.04.04 «Биотехнические системы и технологии» по дисциплине «Организация медико-биологических исследований». Может быть использована аспирантами, обучающимися по направленностям 05.11.13 – Системный анализ, управление и обработка информации и 05.11.17 – Приборы, системы и изделия медицинского назначения.

Текст печатается в авторской редакции

Подписано в печать . Формат 60×84 1/16. Бумага офсетная.

Усл. печ. л. 1,63. Уч.-изд. л. 1,5. Тираж 100 экз. Заказ .

Юго-Западный государственный университет.

305040, г. Курск, ул. 50 лет Октября, 94.

Практическая работа №1

Обработка двумерных изображений в MATLAB

Практическая работа №2

Анализ двумерных изображений в Matlab. Выделение границ

Анализ изображений

Применяя технику анализа, можно говорить о структуре изображений. Рассмотрим некоторые функции, которые используются при анализе изображений, а также их текстуры.

Выделение границ

Для определения границ объектов изображения можно использовать функцию «edge». В качестве одного из критериев для определения края используется резкий перепад интенсивностей пикселей изображения. Отметим, что некоторые методы выделения границ, в зависимости от своих особенностей, в большей степени выделяют вертикальные, горизонтальные или все границы одинаково.

Одним из наиболее эффективных методов выделения границ является метод Канни. Метод Канни отличается от других известных методов тем, что при определении границ использует два порога (для слабых и сильных границ). Слабые границы отмечаются в результирующем изображении только тогда, когда они соединены с сильными. Для зашумленных изображений данный метод обеспечивает наилучшее обнаружение границ по сравнению с остальными методами, но требует существенно большего времени.

Рассмотрим пример применения метода выделения границ Канни, а также сравним его с другим известным методом выделения границ:

Считаем и отобразим исходное изображение (рисунок 2.1).

I=imread('coins.png');

imshow(I)

основы медико-биологических исследований - student2.ru

Рисунок 2.1 – Исходное изображение

Далее это изображение будет обработано операторами выделения границ Собела и Канни с последующей визуализацией (рисунок 2.2).

BW1 = edge(I,'sobel');

BW2 = edge(I,'canny');

imshow(BWl)

figure, imshow(BW2)

основы медико-биологических исследований - student2.ru

Рисунок 2.2 – Результат применения фильтров Собела и Канни к изображению

Для интерактивной демонстрации работы операторов выделения границ в приложении используется функция «edgedemo».

Отслеживание границ

Приложение включает две функции, которые могут быть использованы для поиска границ объектов на бинарном изображении. Это функции «bwtraceboundary» и «bwboundaries».

Функция «bwtraceboundary» возвращает координаты строк и столбцов всех пикселей, которые принадлежат границе объектов изображения. Также необходимо описать начальную (стартовую) точку при отслеживании границ объектов изображения.

Функция «bwboundaries» также возвращает координаты сток и столбцов всех пикселей, которые принадлежат границе объектов изображений.

Для обеих функций ненулевые пиксели на бинарном изображении принадлежат объекту, а пиксели со значением 0 составляют фон.

Рассмотрим пример применения функции «bwtraceboundary» для отслеживания границ некоторого объекта бинарного изображения, а затем используем функцию «bwboundaries» для отслеживания границ всех объектов изображения (рисунок 2.3).

Считаем и визуализируем изображение.

I=imread('coins.png');

imshow(I)

Преобразуем это изображение в бинарное. Функции «bwtraceboundary» и «bwboundaries» работают только с бинарными изображениями.

BW=im2bw(I); imshow(BW)

Определим координаты строки и столбца пикселя на границе объекта. Функция «bwboundary» использует эту точку в качестве начальной при отслеживании границ.

dim=size(BW)

col=round(dim(2)/2)-90;

row=min(find(BW(:,col)))

Функция «bwtraceboundary» выполняет отслеживание границ от начальной точки. В качестве обязательных аргументов необходимо ввести само бинарное изображение, координаты начальной точки и направление первого шага. В примере использовано северное направление («N»).

boundary=bwtraceboundary(BW,[row, col],'N');

Отобразим сначала исходное полутоновое изображение, а потом координаты, которые возвращаются функцией «bwtraceboundary».

imshow(I) hold on;

plot(boundary(:,2),boundary(:,1),'g','LineWidth',3);

Для отслеживания границ всех монет на изображении используется функция «bwboundaries». По умолчанию функция «bwboundaries» определяет границы всех объектов на изображении, включая вложенные объекты. В нашем примере на бинарном изображении некоторые монеты содержат темные области, которые функция «bwboundaries» интерпретирует как отдельные объекты. Для того чтобы функция «bwboundaries» отслеживала только границы монет, используется функция «imfill» для заполнения областей внутри каждой монеты.

BW filled=imfill(BW,'holes');

boundaries=bwboundaries(BW filled);

Функция«bwboundaries»возвращает массив значений, где каждая ячейка содержит координаты пикселей объекта изображения. Отобразим границы всех монет на исходном полутоновом изображении, используя координаты, возвращаемые функцией «bwboundaries».

for k=1:10

b=boundaries{k};

plot(b(:,2),b(:1),’g’,’LineWidth’,3);

end

основы медико-биологических исследований - student2.ru

Рисунок 2.3 – Выделение границ на изображении

Задание

Выделить границы в любом медицинском изображении, заданные преподавателем, аналогично рассмотренному в теории.

Контрольные вопросы

1. Какие особенности метода Канни?

2. Какие функции Matlab используются при поиске границ на изображении?

3. Для чего используется функция «bwboundarles»?

4. Каковы особенности функции «edge»?

Практическая работа №3

Вейвлет анализ

Задания

1. Сформировать сигнал в виде прямоугольного импульса с шумом. Построить график сигнала и вельвет-спектра. В качестве вейвлета использовать mhat.

2. Провести вейвлет-анализ с помощью картин вейвлет-коэффициентов для сигналов, заданных функцией Вейерштрасса с параметрами N=6, D=1,8 и N=6, D=1,2. Построение проекций картин значений вейвлет-коэффициентов осуществлять при фиксированных значениях коэффициента a=8, 12. Объясните различия в структуре сигналов. Провести анализ на основе вейвлета «мексиканская шляпа».

3. Определить глобальный спектр энергии вейвлет-преобразования функции Вейерштрасса с параметрами N=6, D=1,2 и дать ему объяснение. Определить меру локальной перемежаемости для заданного сигнала.

Задание сигналов в wavemenu вычислительного пакета WaveToolbox среды MATLAB осуществляется с помощью файлов с расширением mat.

Для создания mat-файла нужно воспользоваться следующей процедурой:

savefile = 'test001.mat';

Z=математическая формула сигнала; save(savefile,'Z')

В результате создается файл с именем test001 и расширением mat, в который будет записан сигнал Z.

Контрольные вопросы:

1. Как производится разложение сигнала по вейвлетам?

2. Приведите примеры вейвлетообразующих функций.

3. Что позволяют определить меры контрастности и локальной перемежаемости?

4. Приведите определение скалограммы.

5. Как определяются локальный и глобальный спектр энергии?

6. Что такое скелетон вейвлет-преобразования сигнала?