СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЙ КРОВЕНОСНЫХ СОСУДОВ ГЛАЗНОГО ДНА С ПРИМЕНЕНИЕМ НЕЧЁТКОГО ПРЕДСТАВЛЕНИЯ ИЗОБРАЖЕНИЯ

Сегментация изображений является важной задачей при обработке изображений. Среди наиболее распространённых методов - методы, основанные на кластеризации пикселей, гистограммные методы, морфологические методы, сегментация водоразделом, многомасштабная сегментация и другие. Пер-спективным направлением в обработке изображений является использование методов нечёткой логики и теории нечётких множеств. Их применение позволяет повысить качество обработки за счёт пред-ставления информации в нечётком виде. В статье предлагается новый метод сегментации изображений с применением выделения границ на основе нечёткого представления изображения и нечётких пикселей. Предлагаются функции принад-лежности для описания нечётких пикселей, приводятся требования к их форме и виду. Наиболее подхо-дящими функциями принадлежности для нечёткого представления изображения являются s-функция и ????-функция. Приводится описание нового метода выделения границ на основе оператора Собеля и разработанной нечёткой формы изображения. При этом стандартные вычисления градиента яркости изображения дополняются их нечёткими версиями, которые затем комбинируются для получения итого-вого результата. Проведена экспериментальная проверка разработанного метода на примере изобра-жений глазного дна. Кроме нечёткого выделения границ для выделения кровеносных сосудов изображения подвергались предобработке (получение полутонового изображения, наложение маски, операция контра-стирования), использовались морфологические операторы (утоньшение границ, дилатация), а также применялся алгоритм удаления мелких деталей. В ходе тестирования разработанный алгоритм показал приемлемые результаты в задаче сегментации кровеносных сосудов. В дальнейшем нечёткая модель изображения может быть расширена до использования нечётких признаков второго и более высоких типов.

нечёткие пиксели, нечёткое представление изображения, сегментация изображе-ний, нечёткие признаки, кровеносные сосуды, fuzzy pixels, fuzzy imaging, image segmentation, blood vessels, fuzzy features

1. Macqueen J. Some methods for classification and analysis ofmultivariate observations. In 5-th Berkeley Symposium on Mathematical Statistics and Probability. 1967. С. 281-297.

2. Fuzzy c-means clustering with spatial information for image segmentation / K.-S. Chuang [et al.] // Computerized medical imaging and graphics. 2006. Т. 30, № 1. С. 9-15.

3. Ray S., Turi R. H. Determination of number of clusters in k-meansclustering and application in colour image segmentation // Proceedings of the 4th international conference on advances in pattern recognition and digital techniques. Calcutta, India, 1999. С. 137-143.

4. Bezdek J. C., Ehrlich R., Full W. FCM: The fuzzy c-means clusteringalgorithm // Computers & Geosciences. 1984. Т. 10, № 2/3. С. 191-03.

5. Tobias O. J., Seara R. Image segmentation by histogram thresholdingusing fuzzy sets // IEEE transactions on Image Processing. 2002. Т. 11, № 12. С. 1457-1465.

6. Ohlander R., Price K., Reddy D. R. Picture segmentation usinga recursive region splitting method // Computer Graphics and Image Processing. 1978. Т. 8, № 3. С. 313-333.

7. Contour detection and hierarchical image segmentation / P. Arbelaez [et al.] // IEEE transactions on pattern analysis and machine intelligence. 2011. Т. 33, № 5. С. 898-916.

8. Zhu S. C., Yuille A. Region competition: Unifying snakes, regiongrowing, and Bayes/MDL for multiband image segmentation // IEEE transactions on pattern analysis and machine intelligence. 1996. Т. 18, № 9. С. 884-900.

9. Soille P. Morphological image analysis: principles and applications. Springer Science & Business Media, 2013.

10. Bleau A., Leon L. J. Watershed-based segmentation and regionmerging // Computer Vision and Image Understanding. 2000. Т. 77, № 3. С. 317-370.

11. Жизняков А. Л., Гай В. Е. Сегментация изображений на базе использования адаптивной локальной области // Вестник компьютерных и информационных технологий. 2008. № 1. С. 16-21.

12. Жизняков А. Л., Гай В. Е. Адаптивный алгоритм сегментации изображений // Инфокоммуникационные технологии. 2008. Т. 6, № 4. С. 96-101.

13. Жизняков А. Л. Алгоритмы адаптивного многомасштабного преобразования изображений // Информационные технологии моделирования и управления. 2007. № 1. С. 63-70.

14. Privezentsev D. G., Zhiznyakov A. L. Use of characteristic image segments in tasks of digital image processing // 2015 International Conference ”Stability and Control Processes” in Memory of V.I. Zubov (SCP). Institute of Electrical, Electronics Engineers (IEEE), 10/2015.

15. Zhiznyakov A. L., Privezentsev D. G., Zakharov A. A. Using fractal features of digital images for the detection of surface defects // Pattern Recognition and Image Analysis. 2015. Jan. Vol. 25, no. 1. P. 122-131.

16. Zadeh L. A. Fuzzy sets // Information and Control. 1965. Vol. 8, no. 3. P. 338-353.

17. Fuzzy image segmentation based upon hierarchical clustering / D. Gómez [et al.] // Knowledge-Based Systems. 2015. Oct. Vol. 87. P. 26-37.

18. Fuzzy filters for image processing. Vol. 122 / M. Nachtegael [et al.]. Springer, 2013.

19. Huntsherger T., Jacobs C., Cannon R. Iterative fuzzy image segmentation // Pattern Recognition. 1985. Jan. Vol. 18, no. 2. P. 131-138.

20. Othman A. A., Tizhoosh H. R., Khalvati F. EFIS Evolving Fuzzy Image Segmentation // IEEE Transactions on Fuzzy Systems. 2014. Feb. Vol. 22, no. 1. P. 72-82.

21. Tolias Y., Panas S. Image segmentation by a fuzzy clustering algorithm using adaptive spatially constrained membership functions // IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans. 1998. May. Vol. 28, no. 3. P. 359-369.

22. An Improved Method for Edge Detection and Image Segmentation Using Fuzzy Cellular Automata / R. Shahverdi [et al.] // Cybernetics and Systems. 2016. Apr. Vol. 47, no. 3. P. 161-179.

23. Zhang D.-Q., Chen S.-C. A novel kernelized fuzzy C-means algorithm with application in medical image segmentation // Artificial Intelligence in Medicine. 2004. Sept. Vol. 32, no. 1. P. 37-50.

24. Pham D., Prince J. Adaptive fuzzy segmentation of magnetic resonance images // IEEE Transactions on Medical Imaging. 1999. Vol. 18, no. 9. P. 737-752.

25. Fuzzy Techniques in Image Processing / ed. by E. E. Kerre, M. Nachtegael. Physica-Verlag HD, 2000.

26. Yuksel M., Borlu M. Accurate Segmentation of Dermoscopic Images by Image Thresholding Based on Type-2 Fuzzy Logic // IEEE Transactions on Fuzzy Systems. 2009. Aug. Vol. 17, no. 4. Pp. 976-982.

27. A modified interval type-2 fuzzy C-means algorithm with applicationin MR image segmentation / C. Qiu [et al.] // Pattern Recognition Letters. 2013. Сент. Т. 34, № 12. С. 1329-1338.

28. Molodtsov D. Soft set theory-First results // Computers & Mathematics with Applications. 1999. Vol. 37, no. 4. P. 19-31.

29. Pawlak Z. Rough sets // International Journal of Computer and Information Sciences. 1982. Oct. Vol. 11, no. 5. P. 341-356.

30. Zuiderveld K. Contrast Limited Adaptive Histogram Equalization // Graphics Gems IV / ed. by P. S. Heckbert. - San Diego, CA, USA: Academic Press Professional, Inc., 1994. P. 474-485.

31. Canny J. A Computational Approach to Edge Detection // Pattern Analysis and Machine Intelligence, IEEE Transactions on. 1986. Nov. Vol. PAMI-8, no. 6. P. 679-698.

32. Otsu N. A threshold selection method from gray-level histograms // IEEE Trans. Sys., Man., Cyber. 1979. Vol. 9. P. 62-66.

33. Vincent L. Morphological grayscale reconstruction in image analysis: Applications and efficient algorithms // IEEE transactions on image processing. 1993. Т. 2, № 2. С. 176-201.

34. A review on MR vascular image processing: skeleton versusnonskeleton approaches: part II. / J. S. Suri [et al.] // IEEE transactions on information technology in biomedicine: a publication of the IEEE Engineering in Medicine and Biology Society. 2002. Т. 6, № 4. С. 338-350.

35. Алгоритмы сегментации изображений, полученных по результатам аэрофотосъемки / C.Г. Емельянов, Ю.Д. Орлов, А.Я. Клочков, М.В. Акинин // Известия Юго-Западного государственного университета. 2014. № 6 (57). C. 47-52.

36. Завалишин С.С., Бехтин Ю.С. Алгоритм эквивалентных отрезков для параллельной маркировки связных компонент бинарного изображения // Известия Юго-Западного государственного университета. 2014. № 5 (56). C. 50-57.

37. Спектральные технологии морфологического описания сегментов в задачах классификации сложноструктурируемых изображений / Р.А. Томакова, В.В. Серебровский, Л.В. Шульга, А.А. Насер // Известия Юго-Западного государственного университета. 2012. № 1 (40). C. 22-28.