Методика обработки изображений биомедицинских сигналов

 

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?²1034.35420730.13114379.7938.8396.500206.571

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

-35.76383.74-128.266.002.0067.00-78.51309.49-114.511.002.0041.00-115.45241.51-188.766.001.0057.00-7.57159.93-51.573.002.0051.00-66.32563.04-47.545.002.0056.0026.64147.64-134.981.003.0052.0043.60158.60-63.901.004.0064.00-26.10192.90-133.101.002.0040.00-89.12192.88-63.122.002.0034.00

Результаты классификации=

.5579 (патология)

.4328 (норма)

.0948 (патология)

.7263 (норма)

.2470 (патология)

.8093 (норма)

.5469 (норма)

.2920 (норма)

.5147 (норма)

Задание №3

Для компонент многомерного временного ряда, соответствующего варианту задания, выделите тренды, сезонные и случайные составляющие. Проанализируйте временной ряд. Сделайте прогноз значений временного ряда на 10 шагов вперёд, оцените погрешность прогноза и его достоверность.

Прогноз дневной температуры

Прогноз ночной температуры

Прогноз давления

Прогноз влажности

МИНОБРНАУКИ РФ ПЕНЗЕНСКАЯ ГОСУДАРСТВЕННАЯ ТЕХНОЛОГИЧЕСКАЯ АКАДЕМИЯ Контрольные работы по дисциплине «М

Больше работ по теме: