Методика обработки изображений биомедицинских сигналов

Размещено на http://www.allbest.ru/

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

Параметры патологических ЭКС

Для вычисления линейного дискриминанта Фишера находится общая ковариационная матрица данных

>> CM=cov(m)

CM =

1.0e+004 *

0.0969 -0.3016 0.1146 0.0035 0.0003 0.0211

-0.3016 1.8466 -0.3254 -0.0181 -0.0048 -0.1098

0.1146 -0.3254 1.3838 -0.0176 -0.0228 -0.0021

0.0035 -0.0181 -0.0176 0.0008 0.0006 0.0024

0.0003 -0.0048 -0.0228 0.0006 0.0007 0.0011

0.0211 -0.1098 -0.0021 0.0024 0.0011 0.0154

Обратная ковариационная матрица

>> ICM=inv(CM)

ICM =

0.0029 0.0002 -0.0003 -0.0279 0.0137 0.0010

0.0002 0.0001 0.0000 0.0027 -0.0010 0.0004

-0.0003 0.0000 0.0003 0.0065 0.0038 -0.0006

-0.0279 0.0027 0.0065 1.5055 -0.9402 -0.1043

0.0137 -0.0010 0.0038 -0.9402 1.0396 0.0437

0.0010 0.0004 -0.0006 -0.1043 0.0437 0.0205

Коэффициенты дискриминантной функции

>> A=ICM*(mo1-mo2)'

A =

0.0357

0.0021

0.0003

-0.0354

0.1175

0.0006

Значения результативного признака для нормы

Среднее значение -1.2890

Стандартное отклонение 0.9123

Значения результативного признака для патологии

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

Результаты классификации

r =

1.5579 (патология)

-1.4328 (норма)

1.0948 (патология)

-0.7263 (норма)

1.2470 (патология)

-1.8093 (норма)

-0.5469 (норма)

-2.2920 (норма)

-1.5147 (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

Размещено на Allbest.ru