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
зубцов
|
интервалы
|
|
Q
|
R
|
S
|
Q-R
|
R-S
|
ЧСС
|
1
|
-103.500
|
296.500
|
-83.500
|
1.000
|
2.000
|
40.000
|
2
|
-78.512
|
309.488
|
-114.512
|
1.000
|
2.000
|
41.000
|
3
|
-97.379
|
539.705
|
-59.611
|
2.000
|
4.000
|
39.000
|
4
|
-48.917
|
403.083
|
-40.417
|
2.000
|
2.000
|
60.000
|
5
|
-71.347
|
432.153
|
-103.847
|
2.000
|
1.000
|
49.000
|
6
|
-8.673
|
42.327
|
-10.173
|
7.000
|
4.000
|
78.000
|
7
|
-66.195
|
313.616
|
-393.301
|
9.000
|
9.000
|
64.000
|
8
|
-32.195
|
365.805
|
-168.195
|
3.000
|
2.000
|
41.000
|
|
|
|
|
|
|
|
μ
|
-63.340
|
337.835
|
3.375
|
3.250
|
51.500
|
σ²
|
1034.354
|
20730.131
|
14379.793
|
8.839
|
6.500
|
206.571
|
Параметры патологических ЭКС
амплитуды
зубцов
|
интервалы
|
Q
|
R
|
S
|
Q-R
|
R-S
|
ЧСС
|
-20.265
|
291.735
|
-66.265
|
7.000
|
5.000
|
51.000
|
-7.569
|
159.931
|
-51.569
|
3.000
|
2.000
|
51.000
|
-34.440
|
223.060
|
-37.440
|
3.000
|
1.000
|
58.000
|
-48.917
|
403.083
|
-40.417
|
2.000
|
2.000
|
60.000
|
-71.347
|
432.153
|
-103.847
|
2.000
|
1.000
|
49.000
|
-8.673
|
42.327
|
-10.173
|
7.000
|
4.000
|
78.000
|
-66.195
|
313.616
|
-393.301
|
9.000
|
9.000
|
64.000
|
-27.085
|
282.415
|
-125.085
|
4.000
|
6.000
|
47.000
|
|
|
|
|
|
|
-35.561
|
268.540
|
-103.512
|
3.750
|
57.250
|
601.580
|
16095.725
|
15083.880
|
7.125
|
7.929
|
105.071
|
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
|
-1.5845
|
0.0467
|
-1.0516
|
-0.2719
|
Среднее значение -1.2890
Стандартное отклонение 0.9123
Значения результативного признака для патологии
0.2475
|
0.2138
|
-0.7199
|
-0.6992
|
-1.5845
|
0.0467
|
-1.0516
|
0.1851
|
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
-35.76
|
383.74
|
-128.26
|
6.00
|
2.00
|
67.00
|
-78.51
|
309.49
|
-114.51
|
1.00
|
2.00
|
-115.45
|
241.51
|
-188.76
|
6.00
|
1.00
|
57.00
|
-7.57
|
159.93
|
-51.57
|
3.00
|
2.00
|
51.00
|
-66.32
|
563.04
|
-47.54
|
5.00
|
2.00
|
56.00
|
26.64
|
147.64
|
-134.98
|
1.00
|
3.00
|
52.00
|
43.60
|
158.60
|
-63.90
|
1.00
|
4.00
|
64.00
|
-26.10
|
192.90
|
-133.10
|
1.00
|
2.00
|
40.00
|
-89.12
|
192.88
|
-63.12
|
2.00
|
2.00
|
34.00
|
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