Rozpatrywane w naszych pracach zagadnienie polega na analizie obrazow mikroskopowych, w któiych w polu widzenia liczy się i klasyfikuje obiekty oraz określa ich parametry morfologiczne. Liczba publikacji dotyczących analizy komputerowej obrazu mikroskopowego jest znaczna, a samo zagadnienie stało się elementem klasycznym w dziedzinie przetwarzania obrazów; w terminologii informatycznej określane bywa mianem digital microscopy i jest przedmiotem specjalistycznych kursów [19], Opisane w dostępnej nam literaturze systemy z zakresu digital microscopy możemy podzielić w kilku kategoriach:
1. ze względu na format obrazu:
obraz barwny;
obraz monochromatyczny (lub barwny, w którym informacja o kolorze nie jest istotna);
2. ze względu na statyczność obrazu:
obraz nie mc ho my;
obraz ruchomy (lub sekwencja obrazów) - badanie ruchliwości komórek:
3. ze względu na zawartość obrazu:
obraz tkanki: celem analizy jest identyfikacja i badanie morfologii struktury tkanki;
obraz jednej komórki: cel analiz}' - identyfikacja i badanie morfologii komórki w celu wykrycia zmian patologicznych;
obraz wielu takich samych komórek - liczenie komórek w polu widzenia -najczęściej analiza komórek krwi
Lektura publikacji dotyczących algorytmów segmentacji i identyfikacji obrazów mikroskopowych pozwala stwierdzić, że najczęściej spotyka się różnorodne kombinacje istniejących. klasycznych algorytmów zastosowanych w pierwotnej formie bądź zmodyfikowanych tak, aby zwiększyć ich skuteczność dla wybranej klasy obrazu. W tym celu wprowadza się zmodyfikowane algorytmy przetwarzania wstępnego, nowe kiyteria, miaiy, współczynniki, również w ograniczonym stopniu same algorytmy.
Dla potrzeb przetwarzania wstępnego używa się zwykle algorytmów:
• wy równania j asności tła w obrazie;
• detekcji braku ostrości i wyrównania ostrości;
• usunięcia szumów związanych z procesem akwizycji obrazu:
• konwersji obrazu na obraz monochromatyczny lub transformacji składowych barwy.
Dla potrzeb segmentacji stosuje się najczęściej podejścia:
• progowanie obrazu (obraz monochromatyczny);
• klasyfikacja pikseli poprzez metody klasteiyzacji, lub poprzez klasyfikatoiy (najczęściej sztuczne sieci neuronowe):
• analiza tekstury;
• metody wykrywania obszarów, najczęściej metody rozrostu:
• nieco rzadziej - algorytmy wykrywania konturu.
W trakcie naszych prac badawczych zaprojektowaliśmy przy współpracy z Akademiami Medycznymi w Łodzi oraz we Wrocławiu dwa systemy wizyjne. Oprócz rozwiązań sugerowanych przez autorów innych prac przetestowaliśmy pewne własne rozwiązania. Naszym wkładem własnym jest: ulepszony filtr medianowy [10. 11], zaprojektowanie algorytmu klasyfikacji pikseli [14], zmodyfikowany algorytm Bemsena [17], prace nad algorytmem watershed [15] i wreszcie połączenie tych algorytmów w optymalny sposób.