Выявление изображений-выбросов на наборе двухмерных изображений

Выявление изображений-выбросов на наборе двухмерных изображений

 

Герк Е.А. (ММ-12-2, gerkevgeny@gmail.com)

Кафедра перспективных компьютерных технологий

Институт информационных технологий и автоматизированных систем управления

Информационные технологии

 

Стоит задача предварительной кластеризации некоторого множества монохромных изображений. Пусть \(X\) – множество изображений, \(Y\) – множество номеров кластеров. Необходимо разбить исходное множество на два кластера: готовые к последующей обработке изображения и изображения-выбросы, а именно найти такую функцию \(f:X\rightarrow Y \), которая любому объекту \(x\in X\) ставит в соответствие номер кластера \(y\in Y\).

Предполагается воспользоваться одним из наиболее эффективных методов кластерного анализа – методом k-means. В контексте данного метода каждый элемент \(x_i\in X\) должен представлять собой вектор признаков i-ого изображения. Действие алгоритма таково, что он стремится минимизировать суммарное квадратичное отклонение точек кластеров от центров этих кластеров:

\(V=\sum_{i=1}^{k}\sum_{x_j\in S_i} (x_j-\mu_i)^2 \) ,

где \(k\)  – число кластеров, \(S_i\) – полученные кластеры, \(\mu_i\) – центры масс векторов \(x_j\in S_i\).

Как известно, простейшими характеристиками случайной величины являются ее среднее значение и дисперсия. Среднее значение дает меру средней яркости той области, по которой оно вычисляется, а дисперсия дает меру среднего отклонения в этой области. Поэтому предполагается формировать вектор признаков конкретного изображения из указанных характеристик, рассчитанных по некоторой равномерной сетке изображения.

Решение задачи можно разбить на следующие этапы:

1. Загрузка множества изображений и перевод их в полутоновый формат.
2. Разделение изображения равномерной сеткой фиксированного размера.
3. Формирование вектора признаков для каждого изображения: подсчет среднего значения уровня яркости и дисперсии по всем ячейкам сетки.
4. Применение алгоритма k-means.
5. Анализ результатов классификации.

Разработанный программный комплекс был протестирован на трех множествах изображений, полученных методами микроскопии. На изображениях присутствуют некоторые объекты, фон, шум и различные искажения. В качестве распознаваемых объектов выступают наночастицы золота, иммобилизованные на поверхности диоксида церия. Выбранный метод позволил выявить 3 выброса на наборе из 30 изображений.

Научный руководитель: с.н.с Центра распределенных вычислений ИППИ РАН, к.т.н. Курочкин И.И.