Zbornik gozdarstva in lesarstva, 59, 1999, s. 141 - 167 GDK 681.3:621.3 Prispelo/Äemverf: 27. 05. 1999 „ , Sprejeto /Accepted: 24. 06. 1999 Pregledni znanstveni članek Review scientific paper računalniško podprta analiza slike mikro- in makroobjektov Tom LEVANIČ' Izvleček Delo prikazuje možnost uporabe analize slike za preučevanje mikroskopskih m makroskopskih objektov v gozdarski m lesarsk, stroki. Opiše strojno in programsko opremo za postavitev sistema za anaL slike in pove k ko dobimo sliko v računalnik. Ko je slika zajeta in shranjena na računalniški medij jo je potrebno pripraviti zJ nadaljnjo obde avo. Najprej ji je potrebno .zboljšati kakovost, nato .zvesti klasit.kacijo pikslov umerjanje SIS ema ,n na koncu oprav,t, mentve. Men,ve lahko opravljamo na klas.ficirani in neklasiflcirani sliki Na končuje podanih se nekaj teoretičnih in praktičnih pnmerov uporabe analize slike. Ključne besede: računalništvo, avtomatska obdelava podatkov, analiza slike, lesna anatomija, dendrologija, dendrokronologija COMPUTER ASSISTED IMA GE ANAL YSIS OF MICRO- AND MACROOBJECTS Abstract foTest™ --d technology and foresy. Described hardware and software needed to established an operational image analysis system T^L is also descnbed how to convert analogue pictures into a digital fon. and how to enhance Lage quality of h image, mage analysis is a five step process: (1) capturing the image, (2) enhancing Ihe quahty (3 hresholding, (4) calibration of the system and (5) measuring. Measunng could be done on the onjinal Lge for density studies or on thresholded images for different kinds of object analysis. Finally, some theL ,c Zd practical examples are presented. Key words: Computers, data processing, computer assisted image analysis, wood anatomy, dendrology, dendrochronology \ nm r'^' lr^^ lesarstvo, Rožna dolina c. VIII/34 p p 2995 1001 Ljubljana, SVN, e-mail: tom.levanic@uni-lj.si 'bornih gozdarstva in lesarstva, 59 VSEBINA contents UVOD introduction...........................................................................143 UPORABLJENA STROJNA IN PROGRAMSKA OPREMA hardware and software used in the study..........143 PRIPRAVA OBJEKTA ZA ANALIZO SLIKE sample preparation for the image analysis........144 TEORETIČNI IN PRAKTIČNI PRIMERI some theoretical and practical examples..........155 POVZETEK...................................................................................165 S SUMMARY....................................................................................166 7 VIRI references................................................................................166 143 Levanic, T.: Računalniško podprta analiza slike ... 1 UVOD introduction Analiza slike postaja v modemi znanosti vse pomembnejša. Reklo "slika pove več kot tisoč besed" dobiva z uvajanjem modemih računalniško podprtih tehnik v znanosti povsem nov pomen. Vsaka slika nosi v sebi zakodirane informacije, ki jih lahko izluščimo s pomočjo orodja, imenovanega analiza slike. Z analizo slike spreminjamo slikovne informacije v numerične (SMOLEJ 1995). S pomočjo analize slike, ki ima ponavadi več sto kilobajtov, izločimo le podatke, ki so nosilci informacij - ponavadi jih je le za nekaj kilobajtov in predstavljajo bistvo naše raziskave. Tipičen potek luščenja informacije iz slike se začne z zajemom slike, teče preko različnih obdelav slike in se konča v obliki numerične informacije v tabeli. Vse večje raziskovalnih problemov, kjer je potrebno izmeriti večje število parametrov v sorazmemo kratkem času. Če se da analizirane predmete pretvoriti v digitalno obliko, se Jih da tudi analizirati s pomočjo programov za analizo slike. V gozdarstvu in lesarstvu gre večinoma za dva tipa objektov - mikro- m makroobjekte. Med mikroobjekte spadajo mikroskopski preprati lesa, hif gliv, mikorize, koreninskih pletežev mladih drevesc, ipd. Med makroobjekte pa spadajo na primer slike osutosti drevja, slike branike, listi m iglice ipd. V gozdarstvu poznamo sicer še t.i. nano raven kamor spadajo satelitski in letalski posnetki, vendar to področje presega okvir našega prispevka. 2 UPORABLJENA STROJNA IN PROGRAMSKA OPREMA hardware and software used in the study V prispevku smo vse analize objektov opravili s programom UTHSCSA Image Tool v 2 O ki so ga razvili v Health Science Centre of Texas University in je prosto dotopen prek Interneta na naslovu: ftp://maxrad6.uthscsa.edu Za zajem mikroskopskih slik smo uporabili raziskovalni mikroskop NIKON E-800 barvno video kamero SONY mod. DXC-15IP z ločljivostjo 756 x 581 točk in zajemalnik Zbornik gozdarstva in lesarstva, 59 dike' firme Data Translation DT-3153, ki omogoča zajem barvnega RGB signala z video camere. Zajemalnik slike potrebuje za pravilno delovanje ustrezno matično ploščo in Drocesor, zato je pred nakupom dobro vedeti, kakšen računalnik potrebujemo za vgradnjo ;ajemalnika slike. Vlakroskopske slike smo preskemrali s skenerjem PRJMAX 4800 pri ločljivosti 150 in 300 DPll Vse slike smo shranili v TIFF zapisu, ki je splošno priznan in prenosljiv med ■azličnimi programskimi paketi. Značilnost TIFF zapisa je, da ohrani vse informacije, ki jih vsebuje slika. Obdelave so potekale na osebnem računalniku z matično ploščo INTEL SE440ZX, procesorjem PENTIUM II 350 MHz s 128 MB pomnilnika, z 8 GB trdim diskom in 17 palčnim barvnim zaslonom z ločljivostjo 1024 x 768. Na računalniku je tekel operacijski sistem Microsoft Windows 95 0SR2. 3 PRIPRAVA OBJEKTA ZA ANALIZO SLIKE sample preparation for the image analysis 3.1 ZAJEM SLIKE IMAGE ACQUISITION Sliko, ki jo želimo analizirati s pomočjo računalnika, moramo najprej prevesti v digitalno obliko in jo shraniti na računalniški medij. Na medij jo lahko prenesemo na dva načina -posredno, s skeniranjem fotografij, negativov ali diapozitivov ter neposredno s pomočjo video kamere in zajemalnika slike, kije vgrajen v računalnik. Posreden način je enostaven in ga lahko opravimo z razmeroma poceni strojno in programsko opremo. Daje dokaj dobre rezultate, njegova slaba stran pa je, da moramo slike objekta najprej posneti s fotoaparatom, film razviti in slike poskenirati. Zaradi tega ' Zajemalnik slike ali po angleško frame grabber - kos računalniške strojne opreme za zajem video signala. DPI (an. Dots Per Inch) po slovensko pike na palec, prevedeno v mednarodni sistem merskih enot je 150 DPI 59 pik na cm, 300 DPI pa 118 pik na cm. Za primerjavo, laserski tiskalniki dosegajo ločljivosti od 300 - 1200 DPI. 145 1 Levanič, T.: Računalniško podprta analiza slike ... je celoten postopek precej dolgotrajen. Dodatno se lahko postopek podaljša, če se fotografije ne posrečijo in moramo celoten postopek ponoviti. Neposreden načm zajema slike poteka prek različno zmogljivih digitalmh kamer, kabla, zajemalnika slike m računalmka. Poznamo več tipov digitalnih kamer, ki se med seboj razlikujejo v zmogljivosti in ceni. Njihove osnovne značilnosti prikazuje preglednica 1. Vidimo, da imajo digitalne kamere za zajem slike zelo različne ločljivosti in sposobnosti zajema barv oziroma sivih odtenkov. Uporabne so skoraj vse kamere, razen multimedijskih, ki imajo premajhno ločljivost. Pregledmca 1: Različni tipi digitalnih kamer imajo različne ločljivosti zajete slike. Večja ko je ločljivost, bolj kakovostna je slika in več prostora na disku zavzema Table 1: Different type of digital cameras - they differ in the resolution of the captured image TIP KAMERE TYPE OF CAMERA LOCUIVOST V PIKSLIH' RE SOL UTION IN PIXELS VELIKOST Ii DATOTEKE FILE SIZE Kamera s programsko nastavljivo ločljivostjo Camera with a selectable resolution programme 3000 X 2000 V 16-milijonih barv 3000 X 2000 in 16 million colours 18 MB Slow scan kamera na scanning elektronskem mikroskopu Slon scan camera on scanning electron microscope 4096 X 4096 V 256 sivih odtenkih 4096X 4096 in 256 grey shades 16 MB 1 2-bitna slow scan CCD kamera /2-bit slow scan CCD camera 1280 X 1024 V 4069 sivih odtenkih 1280 X 1024 in 4069 grey shades 2 MB SEM Frame Store kamera SEM frame store camera 1024 X 1024 V 256 sivih odtenkih 1024 X 1024 in 256 grey shades 1 MB Barvna TV kamera Colour TV camera 768 X 512 V 16 milijonih barv 768 X 512 in 16 million colours 400 kB Multimedijska računalniška kamera Multimedia computer camera pribl. 200x 100 approx. 200 X 100 40 kB piksel (an. pixel) je slikovm element digitalno zajete slike, nosi mformacijo o barvi m koordinatah X m Y, s pomočjo katere se ga da umestiti v sliko. Glede na informacijo o barvi ločimo piksle z 8-, 16- m 24-bitno barvno globino. Odvisno od števila bitov v barvni globmi lahko piksel predstavlja 256, 65.536 in 16,777.216 različnih barv, s tem pa je slika 8-, 16- oziroma 24 krat večja kot enostavna čmo-bela slika. V slovenščini za piksel se m ustrezne besede, mnogokrat se prevaja kot slikovni element ali kot točka Zbornik gozdarstva in lesarstva, 59 / praksi najpogosteje uporabljamo čmo-bele ali barvne TV kamere, ki ne dosegajo /elike ločljivosti so pa cenovno zelo sprejemljive. Najdražje so SLOW SCAN kamere in camera s programsko nastavljivo ločljivostjo, ki stanejo več tisoč dolarjev. S Dovečevanjem ločljivosti kamere in s povečevanjem barvne globine pikslov se zahteva po Drostem pomnilniškem prostoru povečuje s tretjo potenco, zato je z nakupom kvalitetne camere tesno povezan tudi nakup ustrezno zmogljivega računalnika. Sliko, ki jo vidi kamera, preko posebnega kosa strojne opreme imenovane zajemalnik ilike, prenesemo v računalnik. Tu teče posebna programska oprema, ki iz video signala izlušči sliko in jo shrani na magnetni medij v standardnem slikovnem formatu (TIFF ali BMP). Formatov za shranjevanje slike je veliko, največ se uporabljata formata TIFF in BMP, v zadnjem času pa so razvili tudi posebne formate za shranjevanje slik v programih za analizo slike (YING / CHEUNG 1999). Koje slika zajeta jo lahko shranimo in kasneje analiziramo ali pa jo takoj analiziramo in shranimo samo rezultat analize. Neposredni zajem slike nam omogoča hitro delo, zato lahko analiziramo več slik v krajšem času. Slabost neposrednega zajema slike je v precej visoki ceni strojne in programske opreme - potrebujemo namreč zajemalnik slike, video kamero, zmogljiv računalnik in poseben program za zajem video signala. 3.2 IZBOLJŠEVANJE KAKOVOSTI SLIK ENHANCING IMAGE QUALITY Pri prenosu slike na digitalni medij se zaradi pretvorbe analognih informacij v digitalne kakovost slike poslabša (KVAMME et al. 1997). Zaradi tega je potrebno pred nadaljnjo analizo kakovost slike izboljšati. Postopke za izboljševanje kakovosti slik uporabimo takrat, kadar želimo izboljšati kakovost popačenih slik, a ne poznamo matematičnega modela vzroka za njihovo popačenje, ali kadar želimo pudariti določene lastnosti slik (Matko 1996). Za odpravljanje napak uporabljamo tehniko digitalnega filtriranja. Digitalno filtriranje je postopek, kjer s pomočjo posebnih matematičnih algoritmov izboljšujemo lastnosti slike - povečujemo njeno informativnost in odstranjujemo nepomembne informacije - šume. Digitalni filter je ponavadi matrika lihih dimenzij (npr. 3 X 3, 5 X 5 ali več), ki ima v sredini največjo vrednost, proti robovom pa vrednosti upadajo. Če s takim filtrom "prečistimo" sliko, lahko poudarimo robove, sliko izostrimo 147 --- Levanic, T.: Računalniško podprta analiza slike ... odstranimo naključne napake - smeti. Postopki digitalnega filtnranja so matematično dokaj intenzivni in zahtevajo močne procesorje. Z digitalnimi filtri največkrat izboljšujemo kontrast, svetlost in ostrino slike. Pri povečevanju kontrastnosti izravnavamo ravni sivine v histogramu. Poznamo dva načina popravljanja kontrasta, (1) z izravnavo in (2) s hiperbolizacijo histograma (MATKO 1996). Ko popravljamo ostrino slike, s filtrom povečamo vrednosti sivih odtenkov na mejah med slikovnimi področji, drugod pa jih zmanjšamo. Zaradi tega dobi histogram sivih odtenkov po izboljšavi izrazitejšo sedlasto obliko. Rezultat izboljševanja kakovosti slik je viden na histogramu porazdelitve sivm. Ta predstavlja grafičen prikaz frekvenčne porazdelitve pikslov na sliki. Piksli imajo vrednosti med O (črn piksel) m 255 (bel piksel). Program avtomatsko naredi analizo slike m v grafični obliki prikaže deleže pikslov z določeno sivo vrednostjo. Histogram porazdelitve sivin je tudi osnova za kasnejšo klasifikacijo pikslov. Nekaj primerov izboljševanja kakovosti slike prikazuje preglednica 2. Podaja najpogostejše tipe napak, ki se pojavljajo pri prenosu slik v računalnik, to so neostra, pretemna in slabo kontrastna slika. V zgornji vrstici preglednice je opis napake, sledi ji slika z vidno napako, na koncu pa je prikazan histogram porazdelitve sivin. Na desni strani preglednice je prikazana digitalno izboljšana slika z opisom izboljšave, sliko in histogramom odtenkov sivin. Razlike v histogramu porazdelitve sivin na levi in desni strani tabele so posledica digitalnega filtriranja slike. 'bornik gozdarstva in lesarstva, 59 'reglednica 2: Najpogostejše napake pri skeniranju slik so neostrina, preslaba osvetlitev in premajhna kontrastnost. Levo je pomanjkljiva in desno z digitalnim filtrom izboljšana slika. "able 2: The most frequent problems when scanning images are blurred and scans that are dark and lacking contrast. In the table the problem is shown on the left, and on the right, the solution OSTRINA / SHARPNESS Neostro / Blurred Ostro / Sharp Meje med lumnom in celično steno so zabrisane, slika niostra, klasifikacija je otežena, dostikrat nemogoča The borders between the lumen and the cell wall are blurred, the picture is out of focus, and classification is impeded - or often impossible. Sliko smo izostrili s fitlrom, ki poveča vrednosti ravni sivine na mejah med slikovnimi področji, drugod pa jih zmanjša. Celične stene so postale jasne in dobro vidne. Klasifikacija tako pripravljene slike je enostavna. The picture has been focussed using a fdter that intensifies the shades of grey at the borders between the depicted areas, and reduces their intensity elsewhere. The cell walls have thus become easily recognisable allowing simple classification. Illiy ■iiiiiw 255 III I J iiiiiiliiliiiii*^^^ 255 Preglednica 2: Nadaljevanje Table 2: Continued 149 Levanič, T.: Računalniško podprta analiza slike ... KONTRAST IN SVETLOST CONTRAST / BRIGHTNFSfi Temno / nekontrastno Too dark/bad contrast Svetlo / kontrastno Bright/high contrast Razlika v svetlobnem odčitku med celično steno in lumnom je majhna, klasifikacija je močno otežena. The difference in brightness depicted between the cell wall and the lumen is small, therefore classification is greatly impeded Z izravnavo histograma sivin slike smo dosegli večjo razliko v svetlobnem odčitku med celično steno in lumnom. Klasifikacija je enostavna. By balancing the histogram of shades of grey, a greater difference in brightness depicted between the cell wall and the lumen was reached. Classification is simoUried j-Cl ij Z digitalnimi filtri se da kakovost slike precej izboljšati, nikakor pa ne moremo iz slabe slike narediti dobro, zato še vedno velja, da je kakovosten zajem slike nujen pogoj za uspešno delo. 'bornik gozdarstva in lesarstva, 59 .3 KLASIFIKACIJA SLIKE TRESHOLDING - CONVERTING GRAY-SCALE IMAGE TO A BINARY IMAGE 'red računalniško analizo slike moramo sliko, sestavljeno iz različnih odtenkov sive larve, prevesti v črne (1) in bele (0) piksle. Postopek se imenuje klasifikacija ali >inarizacija''. Klasifikacijo izvedemo zato, da pikslom določimo pripadnost. Ta faza je v malizi slike najpomembnejša, saj se odločimo, kateri piksli nosijo informacijo in kateri le. Odvisno od raziskovalnega problema nas enkrat zanima število belih, drugič pa tevilo črnih pikslov (enkrat nas zanima na primer lumen celice, drugič celična stena slika 1)). Bistvo računalniške analize slike je v štetju črnih in belih pikslov. Vsi nadaljnji zračuni temeljijo na tem preprostem principu. r'oseben problem klasifikacije je pravilna določitev meje med črnim in belim, oziroma Tied tem kateri sivi odtenki se bodo pretvorili v belo in kateri v črno barvo. To je posebno :ežavno v slabo kontrastnih območjih, kot je na primer pri kasnem lesu, ki ima debele :elične stene in majhne lumne in je zato težko ločiti, kaj je celična stena in kaj lumen ;slika 2). Posledica teh težav pri klasifikaciji je napaka, ki nastane, ker so se nekateri lumni napačno pretvorih v črne piksle, v resnici pa predstavljajo celično steno. V slovenščini še nimamo uveljavljenega izraza za pretvorbo slike v sivih odtenkih v binarno sliko, ki je sestavljena samo iz črnih in belih slikovnih elementov. Ker se dejansko odločamo, v katero skupino bo kakšen slikovni element spadal, opravljamo neke vrste klasifikacijo, rezultat pa je binarna slika. 151 levanič. T.: Računalniško podprta analiza slike ... b) Shka 1: Na sliki a (glej prejšnjo stran) je klasifikacijski histogram. Meja med svetlimi m temnimi slikovnimi elementi je postavljena ročno na mesto, kjer dosegamo najboljše razločevanje med lumnom in celično steno (puščica). Na spodnjem delu slike je na levi strani (b) originalna preskenirana slika pred klasifikacijo, na desni strani (c) pa je že klasificirana slika, sestavljena samo iz belih in čmih pikslov. Figure 1: On the figure a (see previous page) is a thresholding histogram which is used to threshold the picture - to convert it from greyscale into a binary format. Thresholding was performed by hand (see arrow). On the left side of the picture (a) is an original scanned image and on the right side (b) is a thresholded image. Zbornik gozdarstva in lesarstva, 59 a) iPlililišiill ««i 31ika 2: Na sliki je kasni les pred klasifikacijo (a) in po njej (b). Določen delež lumnov kasnega lesa je bil pri klasifikaciji napačno preveden v celično steno. Figure 2: A special problem is the tresholding of a dense latewood with thick cell walls. Some parts of the cell lumen are wrongly recognised as the cell wall. 3.4 UMERJANJE MERITEV IMAGE CALIBRATION Umerjanje ah kalibracija meritev je prvi pogoj za pravilne in uporabne meritve. Z umerjanjem uskladimo meritve na zaslonu s standardnim merskim sistemom (milimetri, centimetri ali mikrometri). Pri umerjanju moramo upoštevati ločljivost zaslona, ločljivost vhodne enote (skenerja ali video kamere) in povečavo mikroskopa ali lupe. Uporabljamo različna merila za umerjanje mikro in makroposnetkov. Za umerjanje makroposnetkov uporabljamo mreže različnih dimenzij (npr. 1 x 1 cm ali 10 x 10 cm), za umerjanje mikroposnetkov pa uporabljamo milimetrsko skalo, razdeljeno na 100 delov in narisano na objektno stekelce. Umerjanje poteka tako, da na ekranu izmerimo znano dolžino, nato pa programu povemo, koliko je ta razdalja dejansko dolga. Tako smo na primer na zaslonu z ločljivostjo 1024x768 izmerili razdaljo 20 mm in ugotovili, da je enaka 116 pikslom. V posebno pogovorno okno moramo le še vtipkati, daje 116 pikslov dejansko 20 mm, in umerjanje je opravljeno (slika 3). Ker je sistem umerjanja odvisen od ločljivosti ekrana, povečave mikroskopa ali lupe in od ločljivosti vhodne enote (skenerja ali video kamere), je potrebno umerjanje opraviti vsakič, ko se eden od teh parametrov spremeni. V praksi sistem najprej umerimo za različne povečave objektivov in različne kombinacije skenerja ali video kamere ter podatke shranimo v posebne datoteke. Nato pa po potrebi pokličemo tisto datoteko, ki ustreza trenutnim delovnim pogojem. 153 Levanič, T.: Računalniško podprta analiza slike ... Length flČf Units ^ Nanomeleii ^ Micfons Milfimeters ^ Centimeters Meters Kilomefers Itithei r Light Years ^ Feet C AstronormcalUnit; C Mites C p«eis OK Cancel Slika 3: S pomočjo enostavnega pogovornega okna programu za analizo slike povemo, kolikšna je bila dejanska izmerjena razdalja. Figure 3: A simple dialog box is used to enter the calibration data. 3.5 MERITVE V PROGRAMIH ZA ANALIZO SLIKE IMAGE MEASUREMENT V programih za analizo slike lahko opravljamo meritve na originalni ali na klasificiram sliki. Na originalni sliki opravljamo meritve, pri katerih je pomembno dobiti popolno informacijo o preučevanem objektu, na primer gostotni profil branike ali pogostnost pojavljanja sivih odtenkov na sliki. Poleg tega lahko tudi kaj preštejemo in označimo, ne moremo pa opravljati kakšnih drugih meritev. Za prepoznavanje objektov in za meritve na njih pa je potrebno sliko najprej klasificirati. Na klasificiram sliki je mogoče opraviti različne meritve. Med najpogostejše spadajo merjenje dolžin, kotov, površm m obsegov. Poleg osnov,h meritev lahko določamo še deleže črnih m belih pikslov ter štejemo m združujemo objekte glede na izbrani kriterij. V večmi programov za analizo slike imamo tudi možnost pisanja lastnih računskih algoritmov. bornik gozdarstva in lesarstva, 59 podnja preglednica prikazuje najbolj tipične obdelave, ki jih zmorejo vsi programi za nalizo slike. Del analiz se lahko opravi le na neklasificirani sliki (npr. gostotni profil), za ečino meritev pa je potrebno sliko prej klasificirati (preglednica 3). 'reglednica 3: Najpogostejši tipi analiz in meritev v programih za analizo slike "able 3: The most typical procedures for analysis and measurements in programmes for image analysis MERITVE IN ANALIZE OBJEKTOV NA SLIKI MEÄSURMENTS AND ANALYSIS ON THE IMAGE Slika V sivih odtenkih Klasificirana slika Grayscale image Tresholded image • gostotni profil • dolžina grayscale profile length • histogram pogostnosti pojavljanja pikslov • koti določenega odtenka sivine angles grayscale histogram • površine surface • obseg perimeter • % deleži belih in črnih pikslov percent of black and white pixels • klasificiranje po izbranem kriteriju classification of the objects • štetje counting J 35 Levanič, T.: Računalniško podprta analiza slike ... 4 TEORETIČNI IN PRAKTIČNI PRIMERI some theoretical and practical examples Prikaz delovanja programov za analizo slike najlaže opravimo na dveh preprostih teoretičmh primerih, podanih na slikah 4 m 5. Obe sliki smo narisali v risarskem programu Adobe PHOTOSHOP LE m shranili v TIFF obliki. Program za analizo slike je objekte prepoznal m oštevilčil, rezultate analize pa izpisal v tabelo. V večini programov za analizo slike lahko izberemo, katere parametre naj prikaže tabela. Osnovna podatka o analiziranih objektih sta obseg in površina. Podatki o kotu in naklonu najdaljše in najkrajše osi nam posredujejo koristno informacijo o možni obliki analiziranega objekta. Če dobljene podatke prenesemo v kakšen drug program za analizo podatkov (npr. MS EXCEL ah SPSS) lahko dodatao izračunamo še številne druge parametre (npr, fraktalno dimenzijo, centroid...). Na obeh analiziranih slikah smo uporabili avtomatsko prepoznavanje objektov, lahko bi uporabili tudi ročno prepoznavanje in analizirali samo izbrane objekte. I ■ l'ä (M m Slika 4: Program za analizo slike je prepoznal 13 enostavmh objektov, jih obrisal označil z zaporedno številko. Figure 4: Image analysis program has recognised 13 simple objects. Recognised objects are outlined and marked with a number. Zbornik gozdarstva in lesarstva, 59 'reglednica 4: Podatki o analiziranih objektih s slike 4 (meritve niso umerjene) ''able 4: Results of the analysis on picture 4 (measurements are not calibrated) OBJEKT OBJECT POVRŠINA AREA OBSEG PERIME. DOLŽINA NAJDALJ. OSI MAJOR AXIS LENGTH KOT NAJDALJ. OSI MAIN AXIS ANGLE DOLŽINA NAJKRAJ. OSI MINOR AXIS LENGTH KOT NAKRAJ. OSI MINOR AXIS ANGLE 'ovprečje ^ean 125,63 49,18 19,08 53,05 8,40 -37,04 itd.odklon M Dev. 77,10 22,63 10,53 31,54 4,63 31,35 #1 69,49 30,67 9,43 11,31 9,26 -78,49 #2 210,41 77,31 M,51 78,69 6,53 -11,89 #3 218,74 59,16 20,68 45,00 20,68 -45,00 #4 130,64 42,43 12,93 8,97 12,77 -80,91 #5 270,49 90,76 38,77 79,76 6,99 -9,69 #6 153,04 50,08 17,68 53,89 12,88 -35,97 #7 157,28 69,24 29,54 79,84 5,31 -10,95 #8 56,49 30,25 10,53 51,48 8,37 -38,48 #9 151,68 70,25 30,31 9,25 4,95 -80,22 #10 39,40 27,66 11,77 88,36 4,04 -2,39 #11 49,83 27,15 10,29 85,31 5,90 -4,90 #12 101,83 46,39 18,07 18,43 6,01 -72,07 #13 23,87 17,97 5,47 79,38 5,47 -10,62 Slika 5: Program za analizo slike je prepoznal 5 zaprtih poligonov, jih obrisal in označil z zaporedno številko. Figure 5: Image analysis program has recognised 5 complex objects. Recognised objects are outlined and marked with a number. 157 Levanič, T.: Računalniško podprta analiza slike ... Preglednica 5: Numerični podatki o objektih s slike 5 (meritve niso umerjene) Table 5: Results of the analysis from the picture 5 (measurements are not calibrated) OBJEKT OBJECT POVRŠINA AREA OBSEG PERIMET. DOLŽI. NAJDALJ. OSI MAJOR AXIS LENGTH KOT GLAVNE OSI MAIN AXIS ANGLE DOLŽI. NAJKR. OSI MINOR AXIS LENGTH KOT NAJKR. OSI MINOR AXIS ANGJ F Povprečje Mean 932,15 154,28 58,46 -4,35 24,53 i iJ T K i i t i . 13,72 Std. odklon Std. Dev. 935,15 66,46 23,57 42,63 17,16 65,24 #1 800,40 173,61 76,55 6,71 14,51 -83,12 #2 #3 #4 MC 497,39 123,10 48,36 65,41 18,57 -24,51 2570,76 259,12 85,57 -37,57 55,11 52,51 269,74 85,37 26,05 -32,93 16,88 57,01 Ud 522,45 130,20 55,75 -23,37 17,58 66,70 4.1 ANALIZA SLIKE IN MIKROOBJEKTI IMAGE ANALYSIS ON MICROSCOPIC LEVEL Merjenje širine kambijeve cone Merjenje širine kambijeve cone na vzorčkih, odvzetih v različnih obdobjih rastne sezone, je izjemno zahtevna naloga, ki bi bila brez programov za analizo slike zelo težko rešljiva' Kambijeva cona zdravega drevesa je na višku rastne sezone zelo široka in delež hitro delečih se celic zelo visok. Značilnost teh celic kambijeve cone je, da imajo tanke celične stene in velike lumne, zaradi česar jih je zelo težko pripraviti za mikroskopsko analizo in nadaljnje meritve. Kljub zelo skrbnem odvzemu in pripravi zorcev se velikokrat zgodi, da je kambijeva cona nekoliko stisnjena ali zamaknjena. V takem primeru meritev' ne moremo opraviti preko merilnega okularja na svetlobnem mikroskopu, ampak je potrebno poseči po analizi slike. Tako se da meriti dolžine poligonov in v bistvu ni problem izmeriti širine nekoliko zamaknjene ali potlačene kambijeve cone. Pri slabih vzorcih pa niti analiza slike ne da uporabnega rezultata. Slika 6 prikazuje merjenje širine kambijeve cone na nekoliko deformiranem, a še vedno uporabnem vzorcu. Poligon (bela črta) smo brez težav natančno vodili ob radialnem nizu kambijevih celic in na osnovi treh meritev ugotovili, da je kambijeva cona debela med 0,09 in 0,12 mm. Za meritve Zbornik gozdarstva in lesarstva, 59 cambijeve cone smo uporabili raziskovalni mikroskop NIKON E-800, video kamero in lajemalnik slike ter osebni računalnik. Slike smo obdelovali neposredno po zajemu. Slika 6: S pomočjo poligonov se da izmeriti širino nekoliko deformirane kambijeve cone. Kambijeva cona jelke (Abies alba Mill) pri 40 kratni povečavi (slika je zajeta z video kamere). Figure 6: Slightly deformed cambial zone could be measured with a polygon tool in the image analysis program (Abies alba Mill. 40 x). Merjenje različnih parametrov celic v ranem in kasnem lesu Lesne anatome velikokrat zanimajo različni podatki o zgradbi lesa pri iglavcih in listavcih. S pomočjo analize slike lahko dobimo precej numeričnih podatkov o zgradbi lesa. Slika 7 prikazuje samo nekaj možnosti, ki jih nudi analiza slike na radialnem prerezu branike. Za analizo smo uporabili črno-bele fotografije, preskenirane pri ločljivosti 150 DPI in shranjene v TIFF formatu. 159 Levanič, T.: Računalniško podprta analiza slike ... ümm immm m^jrnmm , /-vAlMi 3 ^Bf Mm X fr .««i "MMI N=51 CELIC N=92 CELIC POVRŠINA OBSEG POVRŠINA OBSEG AREA PERIMETER AREA PERIMETER (im Hrn^ um II Povprečje Mean 9,02 11,69 Povprečje Mean 2.72 6,48 Std. odklon Std. Dev. 5,54 3,73 Std. odklon Std. Dev 2,41 2,16 #\ 0,76 3,85 m 7,20 11,02 #2 10,65 12,80 #2 1,07 5,82 #3 9,26 12,07 #3 1,58 6,03 #4 5,73 10,46 #4 0,85 4,18 #49 1,47 5,42 #89 1,05 4,34 #50 1,44 5,45 #90 1,50 5,56 #51 0,93 5,52 #91 1,47 5,52 1 #92 0.93 5.52 Slika 7: Avtomatska analiza celic ranega (levo) m kasnega (desno) lesa branike iglavca (Abies alba pri 40 kratni povečavi) Figure 7: The fully automatised procedure for measuring cells of earlywood (a) and latewood (b) in the tree ring of the conifer (Abies alba 40 x) Na sliki 7 smo opravili analizo površine m obsega celic v ranem m kasnem lesu jelke. Sorazmerno lahko smo ugotovili, da je povprečna površina celic ranega lesa 9,02 ^im^ in obseg 11,69 um, kasnega lesa pa 2,72 ^m' in obseg 6,48 ^m. Zbornik gozdarstva in lesarstva, 59 Jgotavljanje deleža lumna in celične stene Dokaj pogost problem v lesni anatomiji je problem razmerja med celično steno in umnom. Od tega razmerja je odvisna gostota lesa in s tem povezane fizikalne, kemijske n mehanske lastnosti. Analizo smo opravili na preskenirani čmo-beli fotografiji. Sliko ;mo preskenirali z ločljivostjo 150 DPI in shranili v TIFF formatu. Slika 8: Na binarizirani sliki lahko preštejemo črne in bele piksle in določimo delež celične stene (beli piksli) in lumna (črni piksli) Figure 8: On a thresholded picture program black and white pixels can easily be counted and the percentage of pixels can be calculated S štetjem črnih in belih pikslov smo ugotovili, da vsebuje preiskani vzorec 54 % celičnih sten in 45 % lumnov. Primer kaže analizo celotne branike, če pa bi nas zanimalo, kakšno je razmerje med celično steno in lumnom v ranem in kasnem lesu, bi morali analizirati vsakega posebej. Gostotni profil branike lesa iglavca S pomočjo gostotnega profila branike lahko ugotovimo, kje je meja med ranim in kasnim lesom v braniki. Rezultat analize je grafikon odtenkov sivin gostotnega profila. S 161 Levanič, T.: Računalniško podprta analiza slike ... posebnimi programi lahko iz podatkov preračunamo debeline celičnih sten in premere lumna. Ta tip analize je zelo uporaben, kadar preučujemo razvoj branike v vegetacijski sezoni. Z analizo gostotnega profila lahko ugotavljamo različne anomalije pri nastajanju branike, oziroma identificiramo posledice zunanjih dejavnikov na strukturo branike, na razmerje med ranim m kasnim lesom, na pojavljanje lažnih branik in na številne dmge posebnosti v anatomski zgradbi branike. Gostotni profil smo dobili tako, da smo preskenirali čmo-belo fotografijo branike jelke pri 40 kratni povečavi, Skenirali smo pri ločljivosti 300 DPI in sliko shranili v TIFF formatu. 300 - Rani les Kasni les 200 j: : r- r- 100 - O 4-0 200 400 600 Slika 9: Gostotni profil branike lesa iglavca Figure 9: Density profile of the single tree ring in conifers 4.2 ANALIZA SLIKE IN MAKROOBJEKTI IMAGE ANALYSIS ON MACROSCOPIC LEVEL Preučevanje variabilnosti listne površine Gre za primer, ki ga v praksi dostikrat srečamo pri iskanju morfoloških razlik znotraj različnih rodov (npr. rod Quercus) in je povezan s precej zamudnim planimetriranjem površine listov (BATIČ et al. 1995, BREZNIKAR / HORVAT-MAROLT 1998). Ta problem se da z analizo slike relativno enostavno rešiti, saj poleg (poceni!) skenerja ne potrebujemo praktično nobene posebne strojne opreme. Ročno lahko izmerimo številne Zbornik gozdarstva in lesarstva, 59 parametre listne površine, avtomatsko pa dobimo podatka o površini in obsegu listne površine. V zadnjem času se s pomočjo analize slike preučuje tudi simetričnost določenih rastlinskih delov in na osnovi tega sklepa, ali so rasüine v razvoju motene ali ne. POVRŠINA AREA OBSEG PERJM. DOLŽINA NAJD. OSI MAJOR AXIS LENGTH DOLŽINA NAJKR. OSI MINOR AXIS LENGTH RAZPOTE-GNJENOST ELONGATI OKROGLOST ROUNDNESS GORSKI JAVOR (ACER PSEUDOPLATANUS) Povprečje / Mean 1941,50 278,72 61,23 49,60 1,23 0,30 Std. odklon / Std. Dev. 770,15 47,38 13,01 8,38 0,05 0,01 NAVADNI KOSTANJ {CASTANEA SATIVA) Povprečje / Mean 1282,48 227,21 69,74 25,77 2,71 0,31 Std. odklon / Std. Dev. 469,27 49,24 14,12 5,21 0,17 0,05 Slika 10: Listi gorskega javorja (Acer pseudoplatanus) in navadnega kostanja (Castanea sativa) ter njihova variabilnost Figure 10: Variability of the leaves of the maple (Acer pseudoplatanus) and chestnut (Castanea sativa) '63 Levanic, T.: Računalniško podprta analiza slike ... Sliko listov smo dobil, v računalnik tako, da smo jih položili na skener m jih preskenirali v računalnik. Ločljivost skeniranja je bila 150 DPI v odtenkih sivin, sliko smo hranil, na magnetni medij v TIFF formatu. Povprečna površina 4 listov gorskega javorja je 1942 mm^ obseg pa 278 mm, medtem ko ima pet listov navadnega kostanja listno površino 1282 mm^ in obseg 227 mm. Zanimiv je tudi podatek o razpotegnjenosti^ listne površine pri gorskem javorju in navadnem kostanju. Kostanjevi listi so bolj razpotegnjeni v primerjavi z javorjevimi m to se vidi tudi IZ rezultatov analize - pri gorskem javorju je razpotegnjenost 1,23 pri navadnem kostanju pa 2,71. Preučevanje koreninskega pleteža mladih drevesc Analiza razvitost, koremnskega sistema mladih drevesc je zelo pomemben kazalec kakovosti sad,k in je v tesni povezanost, s sposobnostjo mladega drevesca za preživetje. Avtomatska analiza koreninskega pleteža nam omogoča, da sorazmerno hitro ocenimo njegovo velikost m ugotovimo relat,vna razmerja med preučevammi drevesc. Primer na sliki 11, je povzet iz študije vpliva mehanskih obrememtev na koreninski pletež mladih dreves (BOHINC et al. 1996). Z analizo slike se da relativno enostavno oceniti velikost koremnskega sistema m izvesti primerjavo med "tlačenimi" m "netlačenirm" smrečicami. Na slik, 11 levo je delež korenm pri "netlačeni" smreki 3,80 %, pri "tlačeni" desno pa 2,53 %. Relativno pa dosega koreninski sistem "tlačene" smreke le 66% velikosti koremnskega sistema "netlačene". Zajem slike koreninskega pleteža je potekal nekoliko drugače kot pri listih. Koreninske pleteže smo najprej fotokopirali, nato pa fotokopije skenirali pri ločljivosti 150 DPI. ' Razpotegnjenost je koeficient med najdaljšo in najkrajšo osjo analiziranega objekta. 'bomik gozdarstva in lesarstva, 59 Slika 11: Primerjava koreninskega sistema "netlačene" (levo) in "tlačene" mlade smreke (desno) figure 11: A comparison of the root system of "compressed" (left) and "uncompressed" young spruces (right) Preučevanje letnega nihanja gostote lesa v braniki - densitometrija Densitometrija je posebna veja dendrokronologije, ki se ukvarja s preučevanjem nihanja gostote lesa v braniki (SCHWEINGRUBER et al. 1978). Za razliko od klasične dendrokronologije, ki meri le širino branike, se pri densitometriji meri prosojnost lesa branike in analizira sliko, ki nastane pri presevanju z rentgenskimi žarki. Rentgensko sliko prenesemo v računalnik in s programom za analizo slike dobimo grafično in numerično informacijo o gostotnem profilu vzorca. Tako dobimo podatke o gostoti ranega in kasnega lesa, o njihovih odstotnih deležih in tudi podatek o širini ranega in kasnega lesa ter širini branike. Primer, predstavljen na sliki 12, je samo prikaz možnosti, ki jih nudijo programi za analizo slike. Vzorec lesa na sliki 12 zgoraj, smo preskenirali v računalnik in na prikazani črti opravili vrednotenje sivih odtenkov. Rezultat je v nekalibrirani obliki na sliki 12 spodaj. Če pa bi želeli dejansko izmeriti gostotni profil lesa, bi bilo potrebno opraviti dokaj zahteven postopek kalibracije, kajti prepustnost lesa za rentgenske žarke ni enostavno povezana z gostoto lesa. 165 Levanič, T.: Računalniško podprta analiza slike ... 100 200 300 400 500 600 700 Dolžina profila I Length of the pronie Slika 12: Skemram vzorec lesa (zgoraj) m njegov gostotni profil (spodaj) Figure 12: Density profile (bottom) of the scanned wood sample (top) 5 POVZETEK Delo prikazuje možnost uporabe analize slike za preučevanje mikroskopskih m makroskopskih objektov v gozdarski in lesarski stroki. Opiše strojno m programsko opremo za postavitev sistema za analizo slike m pove, kako dobimo sliko v računalnik Ko je slika zajeta m shranjena na računalmški medij jo je potrebno pripraviti za nadaljnjo obdelavo. Najprej ji je potrebno izboljšati kakovost, nato izvesti klasifikacijo pikslov umerjanje sistema m na koncu opraviti meritve. Meritve lahko opravljamo na klasificiram m neklasificirani sliki. Na koncu prispevek še podaja nekaj teoretičnih in praktičnih primerov uporabe analize slike. Zbornik gozdarstva in lesarstva, 59 > SUMMARY ^resented are possibilities of image analysis of micro- and macro object in wood echnology and forestry. Described is hardware and software needed to established operational image analysis system. It is also described how to convert analogue picture nto a digital form and how to enhance image quality of the image. Image analysis is a Ive step process: (1) capturing the image, (2) enhancing the quality, (3) tresholding, (4) calibration of the system and (5) measuring. Measuring could be done on original image For density studies or on tresholded image for different kind of object analysis. Finally, some theoretical and practical examples are presented. 7 VIRI references BATIČ, F. / SINKO VIČ, T. / JAVORNIK, B., 1995. Morphological and genetic variability of pedunculate oak {Quercus robur L.) populations in Slovenia.- Zbornik gozdarstva in lesarstva, 46, s. 75-96. BOHINC, B. / KRAIGHER, H. / ROBEK, R., 1996. Quantification of root system under stress.- V; Life sciences J996, Ljubljana, Society for Stereology and Quantitative Image Analysis, s. 37-38. BREZNIKAR, A. / HORVAT-MAROLT, S., 1998. Morfološka in fenološka variabilnost doba (Quercus robur L.) in gradna {Quercus petraea (Matt.) Liebl.) na robnih območjih njunih naravnih rastišč v SV Sloveniji.- Zbornik gozdarstva in lesarstva, 57, s. 59-92. KVAMME, K. / OŠTIR-SEDEJ, K. / STANČIČ, Z. / ŠUMRADA, R., 1997. Geografski informacijski sistemi,- Ljubljana, Znanstvenoraziskovalni center SAZU, 476 s. MATKO, D., ed. 1996. Uporaba vesoljskih tehnologij.- Radovljica, Didakta, 312 s. SCHWEINGRUBER, F. H. / FRITTS, H. C. / BRAKER, O. U. / DREW, L. G. / SCHAR, E., 1978. The X-ray technique as applied to dendrochronology.- Tree Ring Bulletin, 38, s. 61-91. SMOLEJ, v., 1995. Avtomatska analiza slike - praktikum. Ljubljana, Društvo za stereologijo in analizo slike. YING, X. / CHEUNG, L., 1999. Image file formats for digital Microscopy.- Microscopy and analysis, 57, s. 9-12. J T ----Levamc, T.: Računalniško podprta analiza slike ... SCHWEINGRUBER, F. H. / FRITTS, H. C. / BRAKER, O. U. / DREW, L. G. / SCHAR, E., 1978. The X-ray technique as applied to dendrochronology.- Tree Ring Bulletin, 38, s. 61-91. SMOLEJ, v., 1995. Avtomatska analiza slike - praktikum. Ljubljana, Društvo za stereologijo in analizo slike. YING, X. / CHEUNG, L., 1999. Image file formats for digital Microscopy.- Microscopy and analysis, 57, s. 9-12.