Professional Documents
Culture Documents
FAKULTET ELEKTROTEHNIKE
BIOMEDICINSKI INŽENJERING
SEMINARSKI RAD
PREDMET: OBRADA I ANALIZA MEDICINSKIH SLIKA
STUDENT:
Mustafa Mešić
PREDMETNI NASTAVNIK:
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.
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).
- akvizicija slike
- poboljšanje slike
- restauracija slike
- morfološka obrada
- segmentacija
- predstavljanje i opis
- prepoznavanje objekata
- kompresija slike
5
Slika 1: Ključni koraci u obradi slike
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.
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:
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.
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.
9
Slika 4: Poređenje detektora
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.
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.
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.
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
- 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
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
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.
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.
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.
17
Slika 16: Prikaz svih slika (Zero-crossing metod)
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.
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:
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