Методика обработки изображений биомедицинских сигналов
Контрольная работа - Компьютеры, программирование
Другие контрольные работы по предмету Компьютеры, программирование
МИНОБРНАУКИ РФ
ПЕНЗЕНСКАЯ ГОСУДАРСТВЕННАЯ ТЕХНОЛОГИЧЕСКАЯ АКАДЕМИЯ
Контрольные работы по дисциплине
Методы обработки биомедицинских сигналов и данных
Выполнила: студентка группы 8БМ3зи
Малышева (Шарова) Е.Н.
Проверил: к.т.н., доцент.,
Киреев А.В.
Пенза - 2011г.
Задание №1
Для изображения, соответствующего варианту задания устраните посторонние шумы и скорректируйте искажения типа дисфокусировки. Обрежьте сильно искаженные края изображения. Постройте яркостную гистограмму изображения, на основании которой повысьте его контрастность. Затем преобразуйте изображение в индексный формат с 8 цветной палитрой. (Задание выполняется в пакете Matlab).
Загрузка изображения в переменную А производится по команде
>> A=imread('10imag.jpg');
Просмотр изображения выполняется по команде
>> imshow(A)
В результате выводится исходное изображение:
Для фильтрации сначала создаётся пустое изображение, такого же размера, как и исходное
>> B=uint8(zeros(453,460,3));
Затем выполняется медианальная фильтрация отдельно для каждого слоя
>> B(:,:,1)=medfilt2(A(:,:,1));
>> B(:,:,2)=medfilt2(A(:,:,2));
>> B(:,:,3)=medfilt2(A(:,:,3));
Результат фильтрации выводится на экран по команде
>> imshow(B)
Для устранения размытия изображения создаётся функция размытия точки
>> PSF=fspecial('disk', 1);
и выполняется восстановление отдельно для каждого слоя
>> C=uint8(zeros(453,460,3));
>> C(:,:,1)=deconvwnr(B(:,:,1), PSF);
>> C(:,:,2)=deconvwnr(B(:,:,2), PSF);
>> C(:,:,3)=deconvwnr(B(:,:,3), PSF);
Ниже приведены результаты восстановления для r=1, 2 и 3.
Наилучшие результаты получаются с радиусом размытия r=1.
Обрезка краёв изображения выполняется по команде
>> D=C(10:440,10:450,:);
Вывод результата на экран выполняется по команде
>> imshow(D)
Яркостные гистограммы для красного, зелёного и синего цветов строятся по командам
>> imshow(D)
>> imhist(D(:,:,1))
>> figure
>> imhist(D(:,:,2))
>> figure
>> imhist(D(:,:,3))
Анализируя гистограмму изображение, можно заключить, что повышение его контраста возможно в результате усечения динамического диапазона изображения, что выполняется по команде
>> Q=D;
>> Q(:,:,1)=imadjust(D(:,:,1), [0.2 0.8]);
>> Q(:,:,2)=imadjust(D(:,:,2), [0.2 0.8]);
>> Q(:,:,3)=imadjust(D(:,:,3), [0.2 0.8]);
Новые гистограммы имеют вид
Изображение после улучшения цветового контраста
>> imshow(Q)
Преобразование изображения в индексное с 8 битной палитрой выполняется по команде
>> [I,map] = rgb2ind(Q, 8);
Результат преобразования выводится по команде
>> imshow(I,map)
Задание №2
коррекция изображение дисфокусировка палитра
Для электрокардиосигналов, соответствующих варианту задания постройте усреднённый участок кардиоцикла и определите амплитуды Q, R, S, T, U зубцов и длительности интервалов между ними; постройте частотный спектр, определите амплитуды и частоты его характерных участков. Определите внутригрупповые и межгрупповую дисперсии вычисленных информативных признаков для нормальных и патологических ЭКС. Выберите наиболее информативные признаки, и по ним определите тип неизвестных электрокардиосигналов. Оцените достоверность классификации.
Внешний вид и обозначения основных элементов кардиосигнала
Форма усреднённого кардиоцикла нормального ЭКС
Форма усреднённого кардиоцикла патологического ЭКС
Параметры нормальных ЭКС
амплитуды зубцовинтервалыQRSQ-RR-SЧСС1-103.500296.500-83.5001.0002.00040.0002-78.512309.488-114.5121.0002.00041.0003-97.379539.705-59.6112.0004.00039.0004-48.917403.083-40.4172.0002.00060.0005-71.347432.153-103.8472.0001.00049.0006-8.67342.327-10.1737.0004.00078.0007-66.195313.616-393.3019.0009.00064.0008-32.195365.805-168.1953.0002.00041.000?-63.340337.835-121.6953.3753.25051.500?1034.35420730.13114379.7938.8396.500206.571
Параметры патологических ЭКС
амплитуды зубцовинтервалыQRSQ-RR-SЧСС-20.265291.735-66.2657.0005.00051.000-7.569159.931-51.5693.0002.00051.000-34.440223.060-37.4403.0001.00058.000-48.917403.083-40.4172.0002.00060.000-71.347432.153-103.8472.0001.00049.000-8.67342.327-10.1737.0004.00078.000-66.195313.616-393.3019.0009.00064.000-27.085282.415-125.0854.0006.00047.000-35.561268.540-103.5124.6253.75057.250601.58016095.72515083.8807.1257.929105.071
Для вычисления линейного дискриминанта Фишера находится общая ковариационная матрица данных
>> CM=cov(m)=
.0e+004 *
.0969 -0.3016 0.1146 0.0035 0.0003 0.0211
.3016 1.8466 -0.3254 -0.0181 -0.0048 -0.1098
.1146 -0.3254 1.3838 -0.0176 -0.0228 -0.0021
.0035 -0.0181 -0.0176 0.0008 0.0006 0.0024
.0003 -0.0048 -0.0228 0.0006 0.0007 0.0011
.0211 -0.1098 -0.0021 0.0024 0.0011 0.0154
Обратная ковариационная матрица
>> ICM=inv(CM)=
.0029 0.0002 -0.0003 -0.0279 0.0137 0.0010
.0002 0.0001 0.0000 0.0027 -0.0010 0.0004
.0003 0.0000 0.0003 0.0065 0.0038 -0.0006
.0279 0.0027 0.0065 1.5055 -0.9402 -0.1043
.0137 -0.0010 0.0038 -0.9402 1.0396 0.0437
.0010 0.0004 -0.0006 -0.1043 0.0437 0.0205
Коэффициенты дискриминантной функции
>> A=ICM*(mo1-mo2)'=
.0357
.0021
.0003
.0354
.1175
.0006
Значения результативного признака для нормы
-2.8694-1.9585-1.9236-0.6992-1.58450.0467-1.0516-0.2719
Среднее значение -1.2890
Стандартное отклонение 0.9123
Значения результативного признака для патологии
0.24750.2138-0.7199-0.6992-1.58450.0467-1.05160.1851
Среднее значение -0.4203
Стандартное отклонение 0.6475
Распределение значений результативного признака в классах нормы и патологии
Оптимальное значение порога p=-0.8
Параметры неизвестных ЭКС
-35.76383.74-128.266.002.0067.00-78.51309.49-114.511.002.0041.00-115.45241.51-188.766.