UNIVERZITET U TUZLI

FAKULTET ELEKTROTEHNIKE
BIOMEDICINSKI INŽENJERING

SEMINARSKI RAD
PREDMET: OBRADA I ANALIZA MEDICINSKIH SLIKA

FILTRIRANJE SLIKA – KREIRANJE GRAYSCALE

SLIKA IVICA/DISKONTINUITETA

STUDENT:

Mustafa Mešić

PREDMETNI NASTAVNIK:

dr.sc. Amira Šerifović-Trbalić, vanr. prof.

Tuzla, januar 2019.

Sažetak
Rješenja problema u oblasti digitalne obrade slike generalno zahtijevaju intenzivan eksperimentalni
rad koji uključuje razne softverske simulacije i testiranja velikog broja slika. U ovom radu obrađen je
uvod u samu digitalnu obradu slike, odnosno date su neke osnove iz oblasti digitalne obrade slika,
kako bi ostatak rada bio razumljiviji i jasniji. U centralnom dijelu rada baza je bila na datoj temi –
kreiranju grayscale slika ivica/diskontinuiteta. U radu su obrađene najčešće primjenjivane metode u
softveru Matlab, a u završnom dijelu rada i konkretni primjeri za neke od njih, gdje se može vidjeti
konkretna primjena istih.

2
Sadržaj:
1. Uvod u digitalnu obradu slike ...................................................................................................................... 5
2. Poboljšanje kvalitete slike ............................................................................................................................ 6
2.1. Filteri u prostornom domenu ................................................................................................................... 7
2.2. Mean filter.................................................................................................................................................. 7
2.3. Median filter .............................................................................................................................................. 7
2.4. Filteri ranga ............................................................................................................................................... 8
2.5. Gaussov filter ............................................................................................................................................. 8
3. Detekcija ivica na slici ................................................................................................................................... 9
3.1. Detektori ivica prvog reda ........................................................................................................................ 9
3.2. Detektori ivica drugog reda .................................................................................................................... 10
4. Segmentacija slike ....................................................................................................................................... 11
5. Kreiranje grayscale slika ivica/diskontinuiteta ........................................................................................ 12
5.1. Primjena detektora ivica ........................................................................................................................ 13
5.2. Primjena Butterworthovog filtera ......................................................................................................... 19
6. Zaključak ..................................................................................................................................................... 23
7. Literatura ..................................................................................................................................................... 24

3
Popis slika:
Slika 1: Ključni koraci u obradi slike .................................................................................................................. 6
Slika 2: Poređenje filtera ...................................................................................................................................... 8
Slika 3: Detektori ivica prvog reda ...................................................................................................................... 9
Slika 4: Poređenje detektora .............................................................................................................................. 10
Slika 5: Laplasov detektor .................................................................................................................................. 10
Slika 6: LoG detektor.......................................................................................................................................... 11
Slika 7 ................................................................................................................................................................... 13
Slika 8 ................................................................................................................................................................... 14
Slika 9: Matlab kod - Canny detektor ivica ...................................................................................................... 14
Slika 10: Prikaz svih slika (Canny metod) ........................................................................................................ 15
Slika 11: Uvećani prikaz slika ivica (Canny metod) ........................................................................................ 15
Slika 12: Matlab kod - Sobel detektor ivica ...................................................................................................... 16
Slika 13: Prikaz svih slika (Sobel metod) .......................................................................................................... 16
Slika 14: Uvećani prikaz slika ivica (Sobel metod) .......................................................................................... 17
Slika 15: Matlab kod – Zero-crossing (LoG filter) detektor ivica .................................................................. 17
Slika 16: Prikaz svih slika (Zero-crossing metod) ............................................................................................ 18
Slika 17: Uvećani prikaz slika ivica (Zero-crossing) ........................................................................................ 18
Slika 18: Matlab kod za funkciju butterworthbpf ........................................................................................... 19
Slika 19: Matlab kod za funkciju fftshow ......................................................................................................... 20
Slika 20: Pozivanje funkcije butterworthbpf.................................................................................................... 20
Slika 21: Primjena Butterwortha na sliku 8 ..................................................................................................... 21
Slika 22: Binarna slika 8 ..................................................................................................................................... 21
Slika 23: Primjena Butterwortha na sliku 7 ..................................................................................................... 22
Slika 24: Binarna slika 7 ..................................................................................................................................... 22

4
 1. Uvod u digitalnu obradu slike
Digitalnu sliku definišemo kao odmjerenu, kvantovanu funkciju dvije varijable koja je generisana
optičkim sredstvima, odmjerena u jednako razmaknutim tačkama i kvantovana jednakim intervalima
amplitude.

Izvori slika su:

- elektromagnetski energetski spektar
- ultrasonični
- elektronički
- sintetičke slike proizvedene pomoću računara

Danas postoji čitav niz područja primjene obrade slike. Metode digitalne obrade slike moguće je
primijeniti u svim područjima gdje se informacija može prikazati slikom (ili u više dimenzija).

Glavna područja primjene obrade slike su:

- medicinske primjene (CT, MR…)

- komunikacije (televizija, fax, multimedija…)
- daljinska snimanja (geologija, sateliti, meteorologija…)
- industrijske primjene (nadzor, kontrola kvalitete, upravljanje proizvodnih procesa…)
- potrošačka elektronika (digitalne kamere, skeneri, mobiteli…)
- nuklearna fizika
- biologija
- mikroskopija
- radari
- vojne i policijske primjene
- astronomija

Ključni koraci u obradi digitalne slike su:

- akvizicija slike
- poboljšanje slike
- restauracija slike
- morfološka obrada
- segmentacija
- predstavljanje i opis
- prepoznavanje objekata
- kompresija slike

5
 Slika 1: Ključni koraci u obradi slike

2. Poboljšanje kvalitete slike

Jedan od osnovnih ciljeva poboljšanja slike je obrađivanje slike tako da se što bolje mogu uočiti i
ocijeniti vizuelne informacije koje ona sadrži. Poboljšanje slike je subjektivno, jer ovisi od toga koje
specifične informacije korisnik želi izdvojiti iz slike. Ipak, glavni cilj poboljšanja slike je obraditi sliku
na na način da ona bude vizuelno prihvatljivija.

Neke od tehnika poboljšanja slike su: uklanjanje šuma, izoštravanje ivica itd. Ove operacije mogu biti
postignute kroz proces filtriranja u prostornom domenu. Filtriranje u prostornom domenu indicira da se
proces filtriranja izvodi direktno nad stvarnim pikselima slike. Filteri djeluju na sliku tako da mijenjaju
vrijednosti piksela na neki specifični način i mogu se generalno klasificirati u dvije kategorije: linearni
i nelinearni filteri. Bez obzira na tip korištenog filtera, svi filteri u prostornom domenu rade na sličan
način: vrijednosti određenih piksela slike zamjenjuju se na novim vrijednostima u ovisnosti od
vrijednosti piksela u određenom susjedstvu posmatranog piksela. Dva piksela povezana su ako postoji
putanja između njih. Regija je povezani podskup svih piksela slike. Granice regije je podskup regije
gdje svaki piksel na granici ima barem jednog susjeda koji je izvan regije.

Kod linearnih prostornih filtera, nova ili filtrirana vrijednost posmatranog piksela dobija se kao neka
linearna kombinacija vrijednosti piksela u njegovoj okolini. Specifična linearna kombinacija susjednih
piksela koji se koriste je određena kernelom filtera. Filtriranje slike izvodi se pomjeranjem kernela
filtera tako da se lokacija centra kernela podudara sa lokacijom posmatranog piksela, a zatim se računa
filtrirana vrijednost piksela kao težirana kombinacija susjednih piksela. Dakle, filtriranje se izvodi

6
pomjeranjem kernela filtera preko slike, jedan po jedan piksel, te računanjem novih vrijednosti piksela
i njihovim snimanjem u novu (filtriranu) sliku. Mehanizam linearnog prostornog filtriranja se može
izraziti u diskretnom obliku kao konvolucija, pa se zato mnogi kerneli filtera nazivaju konvolucioni
kerneli.

Nelinearni filteri u prostornom domenu rade na sličan način kao i linearni. Razlika je u tome što je
filtrirana vrijednost rezultat neke nelinearne operacije nad susjednim pikselima. Neki od filtera koji se
koriste u Matlab softveru su: filteri u prostornom domenu, mean filter, median filter, filteri ranga,
Gaussov filter itd.

2.1. Filteri u prostornom domenu

Ovi filteri najčešće se koriste za blurring ili redukciju šuma. Blurring se često koristi pri
preprocesiranju slike, kako bi se uklonili mali detalji sa slike prije ekstrakcije većih objekata.
Redukcija šuma se može postići sa linearnim i nelinearnim filterima.

2.2. Mean filter

Mean filter je vjerovatno najjednostavniji linearni filter koji daje jednake težine svim pikselima unutar
kernela. Za cijelo susjedstvo veličine NxM korištena težina je 1/(N*M), tako da se svaki piksel u
izlaznoj slici zamjenjuje sa srednjom vrijednosti piksela iz njegovog susjedstva, pa tako ima efekat
zaglađivanja slike. Ovakva težinska shema osigurava da će suma svih težina unutar kernela biti
jednaka 1 za bilo koju veličinu susjedstva. Ovaj filter koristi se kao metoda za potiskivanje šuma, mada
se često koristi i kao preliminarni korak u obradi slike kako bi se slika zagladila, te na taj način dobio
bolji rezultat sa narednim operacijama u obradi slike. Nedostatak je da nije robustan na velike
devijacije šuma na slici. Mean filter je razumno efikasan pri uklanjaju Gaussovog šuma, ali uz gubitak
visokofrekventnih detalja slike (tj. ivica). Premda veći dio Gaussovog šuma može biti uklonjen, on je
još uvijek vidljiv na slici. Kerneli veće veličine bi dodatno potisnuli šum, ali uz značajnu degradaciju
kvaliteta slike.

2.3. Median filter

Median filter prevazilazi osnovna ograničenja mean filtera, ali na račun većih proračunskih troškova.
Pri filtriranju, svaki piksel ulazne slike je zamijenjen sa statističkim medianom njegovog MxN
susjedstva. Ovaj filter bolje čuva detalje na ivicama, uklanja šum, posebno izolovane pojave šuma.
Median vrijednost m skupa brojeva predstavlja broj za koji je polovina brojeva manja od m i polovina
brojeva veća od m, odnosno to je broj u sredini niza sortiranih brojeva. Ovaj filter je mnogo robusniji
na outliere i ne kreira nerealne nove vrijednosti piksela. Na ovaj način se sprječava zamagljenje ivica, a
time i gubitak detalja slike. Median filter je kao i mean filter, razumno efikasan pri uklanjanju
Gaussovog šuma, ali uz degradaciju kvaliteta slike.

7
 2.4. Filteri ranga
Median filter predstavlja specijalnu vrstu filtera generalizovanog reda ili ranga. Filter reda je nelinearni
filter koji se sastoji od sljedećih koraka:

- definisanje susjedstva piksela

- rangiranje susjeda u rastućem redoslijedu
- odabir reda filtera
- postavljanje filtrirane vrijednosti tako da bude jednaka vrijednosti piksela izabranog ranga

Primjeri ovakvih filtera su Min i Max filteri.

2.5. Gaussov filter

Gaussov filter je vrlo važan iz teoretskih i praktičnih razloga. Kernel je izveden iz radijalnog
simetričnog oblika kontinualne 2D Gaussove funkcije, pri čemu je diskretna aproksimacija
specificirana sa dva parametra:

- željene veličine kernela

- vrijednosti σ, standardne devijacije Gaussove funkcije

Kontinualna 2D Gaussova funkcija definisana je kao:

1 x2+y2
f(x,y)=2𝜋σ2exp(- )
2σ2

Primjena Gaussovog filtera ima efekat zaglađivanja slike, ali na nešto drugačiji način nego mean filter
Prvo, stepen zaglađivanja je kontrolisan izborom parametra standardne devijacije σ, a ne apsolutne
veličine kernela, kao u slučaju mean filtera. Drugo, Gaussova funkcija koristi osobinu da je Fourierova
transformacija također Gaussova funkcija, što je čini prikladnom i za filtere u frekventnom domenu.
Gaussova funkcija sa velikom vrijednošću σ predstavlja niskopropusni filter koji potiskuje dio slike sa
visokofrekventnim sadržajem.

Slika 2: Poređenje filtera

8
 3. Detekcija ivica na slici
Mean filter sumira vrijednosti piksela unutar definisanog susjedstva što kao rezultat ima zaglađivanje
ili zamrljanje slike. U osnovi, ovaj filter predstavlja integraciju u diskretnom obliku. Suprotno u
odnosu na ovaj filter, derivativni filteri mogu biti korišteni za detekciju diskontinuiteta na slici, te
imaju centralnu ulogu u izoštravanju slike. Derivativni filteri vraćaju značajnu vrijednost za tačke koje
se nalaze na diskontinuitetima na slici i ne vraćaju nikakvu vrijednost za savršeno zaglađene regione
slike, detektujući tako samo ivice.

Detekcija ivice u osnovi predstavlja metod segmentacije slike na regione na osnovu diskontinuiteta.
Ona praktično omogućava posmatraču da uoči one osobine na slici gdje postoje manje ili više izražene
promjene u nivou sivila ili teksturi na slici, indicirajući na taj način kraj jednog regiona i početak
drugog. Poboljšavanje postojanja diskontinuiteta na slici omogućava poboljšanje kvalitete slike pod
određenim uslovima. Ovdje je potrebno naglasiti da je, kao i druge metode za analizu slike, i detekcija
ivica osjetljiva na šum.

Detekcija ivica koristi diferencijalne operatore za detekciju promjena u gradijentima sive ili nivoima
boje na slici. Može se podijeliti u dvije glavne kategorije: detekcija ivica prvog reda i detekcija ivica
drugog reda. Kao što samo ime sugeriše, detekcija ivica prvog reda zasnovana je na izvodima slike
prvog reda, dok je detekcija ivica drugog reda zasnovana na izvodima slike drugog reda.
Diferenciranje je linearna operacija, tako da diskretna aproksimacija derivativnog filtera može biti
jednostavno implementirana primjenom metode kernela. Kernel filter mora zadovoljiti uslov da njegov
odziv za potpuno glatk regione bude jednak nuli. Ovaj uslov može biti zadovoljen tako da suma svih
težina maske kernela bude jednaka nuli.

3.1. Detektori ivica prvog reda

Postoji veliki broj detektora ivica prvog reda. Ipak, najčešće korišteni su Robertovi, Prewittovi,
Cannyevi i Sobelovi kerneli za filtere detektore ivica. Svaki od navedenih filtera dobijen je
kombinacijom dva kernela: jedan za izvod po x i jedan za izvod po y.

Slika 3: Detektori ivica prvog reda

9
 Slika 4: Poređenje detektora

3.2. Detektori ivica drugog reda

Jedan od najčešćih načina za poboljšanje slike jeste primjena operatora izvoda drugog reda –
Laplasijana. Osobina drugog izvoda koja omogućava Laplasijanu da detektuje ivice na slici je
mogućnost detekcije promjene u izvodu. Ipak, ovakvi kerneli su osjetljiviji na šum na slici u odnosu na
detektore ivica prvog reda.

Kako bi se riješio problem sa velikom osjetljivošću na šum Laplasovog filtera, standardni Laplasov
kernel se kombinuje sa Gaussovim kernelom, kako bi se dobila robusna metoda filtriranja. Ova dva
kernela mogu biti sekvencijalno primijenjeni na sliku kao dvije odvojene konvolucione operacije –
prvo zaglađivanje slike sa Gaussovim kernelom, a drugo konvolucija sa Laplasijanom. Obzirom da je
konvolucija asocijativna, moguće je kombinovati ova dva operatora u jedan kernel: filter Laplasijana
Gausijana (LoG). Odziv filtera će biti jednak nuli u područjima uniformnog intenziteta, dok će biti
različit od nule u područjima tranzicije. Na datoj ivici, operator će dati pozitivan odziv na tamnijoj
strani i negativan odziv na svjetlijoj strani.

Slika 5: Laplasov detektor

10
Obzirom da Laplasijan daje odziv samo za fine detalje slike, a ima nulti odziv za konstantne regione i
regione sa glatkim gradijentom na slici, moguće je uzeti originalnu sliku i dodati joj ili oduzeti
Laplasijan. Na taj način je moguće vještački naglasiti ivice i detalje na slici.

Slika 6: LoG detektor

4. Segmentacija slike
Segmentacija dijeli sliku na njene sastavne regione ili objekte. Za kompleksne slike, segmentacija
predstavlja jedan od najtežih zadataka u obradi slike. Preciznost segmentacije slike često određuje
uspjeh ili neuspjeh daljnje računarske procedure za analizu slike. Svaki region slike predstavlja
smisaoni dio slike. Regioni treba da ispunjavaju sljedeće uslove: trebali bi bit uniformni i homogeni u
odnosu na neke karakteristike, kao što je vrijednost intenziteta, boja ili tekstura; unutrašnjost regiona
treba biti jednostavna i bez praznina; susjedni regioni trebaju imati značajno različite vrijednosti;
granice svakog segmenta trebaju biti jednostavne i prostorno precizne. Postizanje ovih uslova je obično
jako teško.

Segmentacija se u medicini koristi za:

- detekciju organa (mozak, srce, pluća itd.) na CT ili MRI slikama

- razlikovanje različitog patološkog tkiva (npr. tumor) od normalnog tkiva
- planiranje tretmana

Originalnim slikama dodaje se pseudoboja na osnovu segmentiranih regiona. Segmentacija je

zasnovana na dvije osnovne osobine gray-level vrijednosti:

- diskontinuitet (dijeljenje slike zasnovano na naglim promjenama intenziteta, npr. ivice)

- sličnost (dijeljenje slike na slične regione prema nekom određenom kriteriju)

Tehnike segmentacije, u ovisnosti od primijenjenog principa mogu biti podijeljene u nekoliko klasa.
Klasifikacija zasnovana na regionima:

- thresholding
- region growing split-merge

11
 - watershed – flodings
- Mark-Gibbs random fields

Lokalne metode:

- jednostavni thresholding
- watershed segmentacija
- metode zasnovane na detekciji ivica praćebe sa region growing metodom

Globalne metode:

- K-means clustering
- maksimizacija očekivanja
- graph cuts

Metode zasnovane na granicama:

- detekcija ivica/linija
- aktivne konture

Geometrijske:

- watershed
- grafovi sa težiranim distancama
- skupovi nivoa

Varijacione metode:

- aktivne konture
- skupovi nivoa
- deformabilni template-i

Kad su u pitanju kriteriji segmentacije, za segmentaciju slike moguće je koristiti tri osnovne osobine:

- boja – najjednostavniji i najočitiji način za razlikovanje između objekta i pozadine. Objekti koji
su okarakterisani sa određenom bojom mogu biti izdvojeni od pozadine
- tekstura – podrazumijeva tipičnu prostornu varijaciju intenziteta ili boje
- pomjeraj – pomjeranje objekta u nizu frame-ova

5. Kreiranje grayscale slika ivica/diskontinuiteta

Neke od osnovnih naredbi koje se koriste u Matlabu, tj. Matlab image processing toolboxu, softveru
koji je korišten u procesu kreiranja grayscale slika ivica/diskontinuiteta, su:

- imread – učitava sliku sa diska

- imshow – prikazuje sliku

12
 - size – daje veličinu slike u pikselima
- impixel – prikazuje vrijednost piksela u (x,y)
- imfinfo – prikazuje informacije o slici
- imhist – računa i prikazuje histogram slike
- rgb2gray – pretvara RGB sliku u boji u sliku sa sivim nivoima (grayscale)
- imresize – mijenja veličinu slike
- figure – otvara novi prozor za sliku
- dicomread – učitava DICOM sliku
- dicominfo – vraća zaglavlje DICOM slike
- colormap – mijenja colormap trenutno prikazane slike

5.1. Primjena detektora ivica

U nastavku slijede Matlab kodovi za kreiranje grayscale slika ivica/diskontinuiteta primjenom nekih od
spomenutih detektora, kao i analiza istih, za slike 7 i 8.

Slika 7

13
 Slika 8
Na slici 9 nalazi se Matlab kod za kreiranje grayscale slika ivica/diskontinuiteta primjenom Canny
detektora, koji je ranije spomenut u radu.

Slika 9: Matlab kod - Canny detektor ivica

14
Naredbom imread očitavamo naše originalne slike sa diska. Označili smo ih varijablama I i J. Nakon
toga, naredbom rgb2gray originalne slike pretvaramo u grayscale slike, a njih označavamo varijablama
K i L. Detekciju ivica vršimo naredbom edge, sa datom sintaksom na slici i te slike označavamo
varijablama M i N. Prikaz svih slika (originalne, grayscale i slike ivica) vršimo sa subplot i datim
kodom, što možemo vidjeti na slici 10, a na slici 11 je uvećani prikaz dobijenih slika ivica.

Slika 10: Prikaz svih slika (Canny metod)

Slika 11: Uvećani prikaz slika ivica (Canny metod)

15
Na slikama 12, 13 i 14 nalaze se Matlab kod za kreiranje grayscale slika ivica/diskontinuiteta
primjenom Sobel detektora, zatim prikaz svih slika iz koda, kao i uvećani prikaz slika ivica,
respektivno. Sam kod se ne razlikuje značajno od prethodnog (slika 9), jedina razlika je što se unutar
naredbe edge imenuje metoda Sobel umjesto Canny.

Slika 12: Matlab kod - Sobel detektor ivica

Slika 13: Prikaz svih slika (Sobel metod)

16
 Slika 14: Uvećani prikaz slika ivica (Sobel metod)
Na slikama 15 i 16 nalaze se Matlab kod za kreiranje grayscale slika ivica/diskontinuiteta primjenom
Zero-crossing detektora sa LoG filterom, zatim prikaz svih slika iz koda, kao i uvećani prikaz slika
ivica, respektivno. U komentarima u samom kodu je kod i pojašnjen.

Slika 15: Matlab kod – Zero-crossing (LoG filter) detektor ivica

17
 Slika 16: Prikaz svih slika (Zero-crossing metod)

Slika 17: Uvećani prikaz slika ivica (Zero-crossing)

18
 5.2. Primjena Butterworthovog filtera
Za primjenu Butterworthovog filtera na slike, potrebno je najprije kreirati potrebne funkcije. Na
slikama 18 i 19 nalazi se Matlab kod za kreiranje funkcija koje smo nazvali butterworthbpf i fftshow,
koje su nam potrebne kako bi primijenili Butterworthov filter na naše slike.

Slika 18: Matlab kod za funkciju butterworthbpf

19
 Slika 19: Matlab kod za funkciju fftshow

Kreirane funkcije zatim pozivamo u komandnom prozoru i primjenjujemo na naše slike koristeći kod
sa slike 20.

Slika 20: Pozivanje funkcije butterworthbpf

Naredbom imread učitavamo našu sliku sa diska, a naredbom rgb2gray tu sliku pretvaramo u
grayscale. Nakon toga pozivamo našu funkciju butterworthbpf u varijablu koju smo imenovali sa
filtered image. Kao rezultat dobijamo sljedeće slike (slika 21):

20
 Slika 21: Primjena Butterwortha na sliku 8
Nakon toga, filtriranu sliku pretvaramo u binarnu sliku pomoću naredbe im2bw na način da u
komandni prozor upisujemo kod ispod, a kao rezultat se dobija slika 22:

>> d=im2bw(filtered_image, 0.3);

>> figure, imshow (d);

Slika 22: Binarna slika 8

21
Ako isti postupak primijenimo i na sliku 7, dobijamo sljedeće rezultate:

Slika 23: Primjena Butterwortha na sliku 7

Slika 24: Binarna slika 7

22
 6. Zaključak
Vid predstavlja najnaprednije ljudsko čulo i zbog toga nije iznenađujuće da slike igraju najvažniju
ulogu u ljudskoj percepciji stvari. Ipak, ljudsko oko ima svoja ograničenja unutar elektromagnetnog
spektra, što nije slučaj kod računara, koji pokriva gotovo cijeli spektar. Zbog toga nam digitalna obrada
slika pruža različite mogućnosti i razne korisne primjene.

Kada je riječ o segmentaciji slike i, konkretno, detekciji ivica, ona predstavlja preliminarni korak u
većini analiza problema vezanih uz slikovno prepoznavanje različitih uzoraka. U ovom radu obrađene
su neke različite tehnike i metode. Sam izbor tehnike i metode zavisi od konkretnih karakteristika
datog problema koji se razmatra. Spomenute i obrađene metode i tehnike predstavljaju najčešće
korištene metode i tehnike u praksi.

23
7. Literatura
- Materijali sa predavanja, predmet Obrada i analiza medicinskih slika (FET Tuzla), prof. Amira
Šerifović-Trbalić, dr.sc.
- Materijali sa vježbi, predmet Obrada i analiza medicinskih slika (FET Tuzla)
- www.mathworks.com
- Digital image processing using Matlab, R. Gonzales, R. Woods, S. Eddins

24