Изображения с помощью 2d двп разложена на пространственно

Вейвлет – преобразование использован для анализа различных частотных областей изображения при разных масштабах. В рассматриваемом исследование механизм использован для извлечения коэффициентов вейвлет
- преобразования изображений МРТ мозга, который локализует частотную информацию о сигнальной функции и используются при классификации. Применено дискретное 2D вейвлет - преобразование. В результате чего, получены четыре подполосы LL (низко), HL (высоко низко), LH (низко высоко), HH (высоко) с двухуровневым вейвлет - разложением области интереса изображения. Высокочастотная часть изображений представлена изображениями LH1, HL1, HH1, HH1, LH2, HL2, HL2 и HH2, которые дают детальное представление о горизонтальном, вертикальном и диагональном направлениях на первом и втором уровнях, соответственно.
Изображения с помощью 2D ДВП разложена на пространственно
- частотные компоненты. Причем, HL - подполосы имеют более высокую значимость по сравнению с LL, которые использовались как LL, так и HL.
Для лучшего анализа, описывающего особенности изображения предложено выражение

где - коэффициенты компонента в сигнале , соответствующему функции вейвлета;
- приближенное значение компонента в сигнале;
и - соответственно, функции в уравнении, которые представляют коэффициенты высоких и низких частот фильтра;
и - соответственно, индекс параметров вейвлетов и коэффициентам смещения.
Матрица Gray Level Co-Occurrence Matrix (GLCM) – это надежный способ статистического анализа изображений. Используется нами для оценки характеристик изображений относительно статистики второго порядка, рассматривая связь между двумя соседними пикселями в одном смещении в качестве текстуры второго порядка.
По умолчанию GLCM определяется путем вычисления количества пикселей серого цвета, которые находятся горизонтально рядом с пикселями, имеющими уровень серого j. Первый пиксель называется опорным пикселем, а второй пиксель – пикселем соседнего цвета. Однако, можем определить другие пространственные соотношения пикселей, используя различные значения для параметра "offset".
По умолчанию значение смещения равно [0 1], где первое значение соответствует количеству строк между опорным и соседним пикселями, а второе – количеству столбцов между опорным и соседним пикселями. Кроме того, GLCM обычно известна как двумерная матрица вероятностей соединения между парами пикселей [17, 56]. На рисунке 1.5 приведен пример того, как матрица GLCM вычисляет значения GLCM (1, 1).
Видно, что в матрице это положение содержит значение 1, поскольку изображение содержит только один случай, когда оба смежных по горизонтали пиксела имеют значение 1. И, как видно из рисунка 1.5, расположение GLCM (1,
2) содержит значение 2, поскольку на рисунке есть два случая, когда соседние по горизонтали пикселы имеют значения 1 и 2.

Рисунок 1.5 – Пример, показывающий, как построена схема GLCM
Матрица повторяемости представляет собой статистическую модель, которая позволяет использовать ее в различных областях анализа изображений, например, в биомедицине и т.д. [77, 101]. Из матрицы GLCM можно извлечь множество различных статистических характеристик (18 характеристик), таких как энергия, энтропия, дисперсия и т.д. Эти особенности рассчитываются на основе группы статистических данных второго порядка [5].