WikiDer > Лакунарность

Рис. 1. Основные фрактальные модели, увеличивающиеся в лакунарность слева направо.

Те же изображения, что и выше, повернуты на 90 °. В то время как первые два изображения выглядят по существу так же, как и выше, третье выглядит иначе, чем исходное изображение без поворота. Эта особенность отражена в показателях лакунарности, перечисленных в верхней части рисунков и рассчитанных с использованием стандартного программного обеспечения для подсчета боксов биологической визуализации. FracLac, Образ.

Лакунарность, от латинского лакуна, означающее «разрыв» или «озеро», является специализированным термином в геометрия ссылаясь на меру того, как модели, особенно фракталы, заполнить пространство, где узоры с большим или большим количеством промежутков обычно имеют более высокую лакунарность. Помимо того, что лакунарность является интуитивной мерой пробелов, она может количественно определять дополнительные характеристики паттернов, такие как «инвариантность вращения» и, в более общем смысле, неоднородность.^[1][2][3] Это проиллюстрировано на рисунке 1, где показаны три фрактальных модели. При повороте на 90 ° первые два достаточно однородных рисунка не изменяются, но третий, более неоднородный рисунок, изменяется и, соответственно, имеет более высокую лакунарность. Самое раннее упоминание этого термина в геометрии обычно приписывается Мандельброту, который в 1983 или, возможно, уже в 1977 году ввел его как, по сути, дополнение к фрактальный анализ.^[4] Анализ лакунарности теперь используется для характеристики паттернов в самых разных областях и применяется в мультифрактальном анализе.^[5][6] в частности (см. Приложения).

Измерение лакунарности

Во многих паттернах или наборах данных лакунарность трудно ощутить или измерить количественно, поэтому для ее расчета были разработаны компьютерные методы. Как измеримая величина, лакунарность часто обозначается в научной литературе греческими буквами. ${ displaystyle Lambda}$ или ${ displaystyle lambda}$ но важно отметить, что не существует единого стандарта и существует несколько различных методов оценки и интерпретации лакунарности.

Ящик с неточностью подсчета

Рисунок 2а. Рамки накладываются на изображение в виде фиксированной сетки.

Рисунок 2b. Рамки скользили по изображению в наложении.

Один хорошо известный метод определения лакунарности паттернов, извлеченных из цифровых изображений, использует подсчет коробок, тот же основной алгоритм, который обычно используется для некоторых типов фрактальный анализ.^[1][4] Подобно просмотру предметного стекла через микроскоп с изменяющимся уровнем увеличения, алгоритмы подсчета прямоугольников рассматривают цифровое изображение со многими уровнями разрешения, чтобы изучить, как определенные характеристики изменяются в зависимости от размера элемента, используемого для проверки изображения. В основном расположение пикселей измеряется с использованием традиционно квадратных (т. Е. Прямоугольных) элементов из произвольного набора ${ displaystyle mathrm {E}}$ размеры, условно обозначаемые ${ displaystyle varepsilon}$с. Для каждого ${ displaystyle varepsilon}$, блок последовательно размещается по всему изображению, и каждый раз, когда он устанавливается, записывается количество пикселей, попадающих в блок.^{[примечание 1]} В стандартный подсчет коробок, коробка для каждого ${ displaystyle varepsilon}$ в ${ displaystyle mathrm {E}}$ размещается так, как если бы он был частью сетки, наложенной на изображение, так что прямоугольник не перекрывает сам себя, а в алгоритмы скользящей коробки прямоугольник перемещается по изображению так, чтобы он перекрывал себя, и вычисляется «лакунарность скользящего прямоугольника» или SLac.^[3][7] На рисунке 2 показаны оба типа подсчета ящиков.

Расчеты по подсчету коробок

Данные, собранные для каждого ${ displaystyle varepsilon}$ манипулируют для вычисления лакунарности. Одна мера, обозначенная здесь как ${ displaystyle lambda _ { varepsilon}}$, находится из коэффициента вариации (${ displaystyle { mathit {CV}}}$), рассчитанное как стандартное отклонение (${ displaystyle sigma}$) деленное на среднее (${ displaystyle mu}$) для пикселей в коробке.^[1][3][6] Поскольку способ выборки изображения будет зависеть от произвольного начального местоположения, для любого изображения, выбранного в любом ${ displaystyle varepsilon}$ там будет какое-то число (${ Displaystyle { mathit {G}}}$) возможных ориентаций, каждая из которых обозначена здесь как ${ displaystyle { mathit {g}}}$, что данные могут быть собраны, что может по-разному влиять на измеренное распределение пикселей.^{[5][заметка 2]} Уравнение 1 показан основной метод расчета ${ displaystyle lambda _ { varepsilon, g}}$:

${ displaystyle lambda _ { varepsilon, g} = (CV _ { varepsilon, g}) ^ {2} = left ({ frac { sigma _ { varepsilon, g}} { mu _ { варепсилон, g}}} right) ^ {2}}$

(1)

Распределения вероятностей

В качестве альтернативы, некоторые методы сортируют количество пикселей, подсчитанных в распределение вероятностей, имеющее ${ displaystyle B}$ бункеров и используйте размеры бункеров (массы, ${ displaystyle m}$) и соответствующие им вероятности (${ displaystyle p}$) вычислять ${ displaystyle lambda _ { varepsilon, g}}$ согласно уравнениям 2 через 5:

${ displaystyle mu _ { varepsilon} = sum _ {i = 1} ^ {B} {m_ {i, varepsilon} p_ {i, varepsilon}}}$

(2)

${ displaystyle { mathit {v}} _ { varepsilon} = sum _ {i-1} ^ {B} { left (m_ {i, varepsilon} - mu _ { varepsilon} right) ^ {2} р_ {я, varepsilon}}}$

(3)

${ displaystyle sigma _ { varepsilon} = { sqrt {{ mathit {v}} _ { varepsilon}}} = sum _ {i = 1} ^ {B} {m_ {i, varepsilon} ^ {2} п_ {я, varepsilon} - mu _ { varepsilon} ^ {2}}}$

(4)

${ displaystyle lambda _ { varepsilon} = { frac { sum _ {i = 1} ^ {B} {m_ {i, varepsilon} ^ {2} p_ {i, varepsilon} - mu _ { varepsilon} ^ {2}}} { mu _ { varepsilon} ^ {2}}} = { frac { sigma _ { varepsilon} ^ {2}} { mu _ { varepsilon} ^ {2}}}}$

(5)

Устный перевод λ

Лакунарность на основе ${ displaystyle lambda _ { varepsilon, g}}$ был оценен несколькими способами, в том числе с использованием вариации или среднего значения ${ displaystyle lambda _ { varepsilon, g}}$ для каждого ${ displaystyle varepsilon}$ (см. уравнение 6) и используя вариацию или среднее значение по всем сеткам (см. уравнение 7).^[1][5][7][8]

${ displaystyle { overline { lambda _ { varepsilon, g}}} = { frac { sum _ { varepsilon = 1} ^ { mathrm {E}} lambda _ { varepsilon, g}} { mathrm {E}}}}$

(6)

${ displaystyle Lambda _ { mathit {g}} = { frac { sum _ { mathit {g}} = 1} ^ { mathit {G}} { overline { lambda _ { varepsilon , g}}}} { mathit {G}}}}$

(7)

Связь с фрактальной размерностью

Анализ лакунарности с использованием типов значений, описанных выше, показал, что наборы данных, извлеченные из плотных фракталов, из шаблонов, которые мало меняются при повороте, или из шаблонов, которые являются однородными, имеют низкую лакунарность, но по мере того, как эти характеристики увеличиваются,^{[требуется разъяснение]} так вообще бывает лакунарность. В некоторых случаях было продемонстрировано, что фрактальные размерности и значения лакунарности коррелировали,^[1] но более поздние исследования показали, что это соотношение не распространяется на все типы паттернов и мер лакунарности.^[5] Действительно, как первоначально предполагал Мандельброт, лакунарность оказалась полезной для различения паттернов (например, фракталов, текстур и т. Д.), Которые имеют схожие или похожие фрактальные измерения в различных областях науки, включая неврологию.^[8]

Графическая лаконичность

Другие методы оценки лакунарности по данным подсчета ящиков используют взаимосвязь между значениями лакунарности (например, ${ displaystyle lambda _ { varepsilon, g}}$) и ${ displaystyle varepsilon}$ разными способами, чем указано выше. Один из таких методов рассматривает ${ displaystyle ln}$ против ${ displaystyle ln}$ график этих значений. Согласно этому методу, сама кривая может быть проанализирована визуально, либо наклон на ${ displaystyle { mathit {g}}}$ можно рассчитать из ${ displaystyle ln}$ против ${ displaystyle ln}$ линия регрессии.^[3][7] Поскольку они имеют тенденцию вести себя определенным образом для моно-, мульти- и нефрактальных паттернов соответственно, ${ displaystyle ln}$ против ${ displaystyle ln}$ Графики лакунарности использовались в качестве дополнения к методам классификации таких паттернов.^[5][8]

Чтобы построить графики для этого типа анализа, сначала необходимо преобразовать данные подсчета ящиков, как в уравнении 9:

${ displaystyle f lambda _ { varepsilon, g} = lambda _ { varepsilon, g} +1}$

(9)

Это преобразование позволяет избежать неопределенных значений, что важно, поскольку однородные изображения будут иметь ${ displaystyle sigma}$ некоторые ${ displaystyle varepsilon}$ равным 0, так что наклон ${ displaystyle ln}$ против ${ displaystyle ln}$ линию регрессии найти невозможно. С участием ${ displaystyle f lambda _ { varepsilon, g}}$, однородные изображения имеют наклон 0, что интуитивно соответствует идее отсутствия вращательной или поступательной инвариантности и отсутствия промежутков.^[9]

Методика подсчета одного ящика с использованием "скользящего" ящика вычисляет лакунарность в соответствии с:

${ displaystyle { mathcal {L}} (r) = { frac { sum _ {i = 1} ^ {r ^ {2}} S_ {i} ^ {2} Q (S_ {i}, r )} { left ( sum _ {i = 1} ^ {r ^ {2}} S_ {i} Q (S_ {i}, r) right) ^ {2}}}.}$

(10)

${ displaystyle S_ {i}}$ - количество заполненных точек данных в поле и ${ Displaystyle Q (S_ {я}, г)}$ нормированное частотное распределение ${ displaystyle S_ {i}}$ для коробок разного размера.

Лакунарность префактора

Другой предложенный способ оценки лакунарности с использованием подсчета ячеек, Префактор метод основан на значении, полученном в результате подсчета ящиков для фрактальной размерности (${ displaystyle D_ {B}}$). В этой статистике используется переменная ${ displaystyle A}$ из правила масштабирования ${ Displaystyle N = А varepsilon ^ {D_ {B}}}$, где ${ displaystyle A}$ вычисляется из точки пересечения оси y (${ displaystyle { mathit {y}}}$) линии регрессии ln-ln для ${ displaystyle varepsilon}$ и либо счетчик (${ displaystyle N}$) блоков, в которых вообще были какие-либо пиксели, либо ${ displaystyle m}$ в ${ displaystyle g}$. ${ displaystyle A}$ особенно зависит от размера изображения и способа сбора данных, особенно от нижнего предела ${ displaystyle varepsilon}$s используется. Окончательная мера рассчитывается, как показано в уравнениях 11 через 13:^[1][4]

${ displaystyle A_ {g} = { frac {1} {e ^ {{ mathit {y}} _ {g}}}}}$

(11)

${ displaystyle { overline {A}} = { frac { sum _ {g = 1} ^ {G} A_ {g}} {G}}}$

(12)

${ displaystyle P Lambda = { frac { sum _ {g = 1} ^ {G} { left ({ frac {A_ {g}} { overline {A}}} - 1 right) ^ {2}}} {G}}}$

(13)

Приложения

Ниже приводится список некоторых областей, в которых лакунарность играет важную роль, а также ссылки на соответствующие исследования, иллюстрирующие практическое использование лакунарности.

• Экология^[2]
• Физика^[10]
• Археология^[11]
• Медицинская визуализация^[6][12]
• Городской пространственный анализ^[13][14]
• Сейсмические исследования^[15]
• Стоматология^[16]
• Наука о еде^[17]

Примечания

использованная литература

внешняя ссылка

• «Руководство пользователя FracLac». Онлайн-руководство по теории лакунарности и анализу с использованием бесплатного программного обеспечения для визуализации биологических объектов с открытым исходным кодом.