im - imagistica medicalausers.utcluj.ro/~simona/im/im8.pdf · im8 - 12 tresholding optim •...
Post on 02-Jan-2020
6 Views
Preview:
TRANSCRIPT
IM8 - 1
Segmentarea imaginilor
IM8 - 2
Ce este segmentarea?
• segmentarea = impartirea unei imagini in regiuni cu o
anumita semnificatie
• regiuni cu o anumita semnificatie = obiecte sau zone de
interes
• cel mai simplu – imagine binara - obiectul si fundalul
• segmentarea este primul pas in sistemele de recunoastere
a formelor
• dupa izolarea obiectelor de interes se pot efectua
masuratori pentru caracterizare (pattern recognition) ->
clasificarea obiectelor in clase si grupuri
IM8 - 3
Generalitati • definirea regiunilor se face pe baza nuantelor de
gri sau a altor proprietati cum ar fi textura sau
culoarea
• uneori se poate utiliza pseudo colorarea
IM8 - 4
Utilizari
• detectarea organelor (creier, plamani, inima,
ficat, etc.) in imagini tomografice si RMN
• diferentierea tesutului patologic de tesutul
normal
• planificarea tratamentului
• etc.
IM8 - 5
Clasificarea metodelor
• trasaturile utilizate:
– valorile de gri
– textura
– valoarea gradientului
• tehnicile utilizate:
– necontextuale (tresholding)
– contextuale (bazate pe regiuni, bazate pe
frontiere, bazate pe muchii, contururi active,
watershed)
IM8 - 6
Tresholding
• segmentarea imaginii utilizand pragul stabilit pe baza
histogramei = probabil cea mai des utilizata metoda
• usor de implementat
• necesita putine resurse UCP
• metodele presupun minimizarea sau maximizarea
unei functii criteriu
• prag global sau local
IM8 - 7
Tresholding (2)
• dezavantaj: nu se tine cont de contextul spatial
in care valorile intensitatii apar
• utilizate frecvent pentru o segmentare initiala a
imaginii, inaintea aplicarii unor metode mai
sofisticate de segmentare -> reducerea
timpului de convergenta
IM8 - 8
Tresholding (3)
• Succesul metodei depinde de selectia valorii de prag (treshold)
IM8 - 9
Tresholding
(4)
IM8 - 10
Tresholding (5) • Cazul ideal - histograma cuprinde doua distributii
separate (obiectele si fundalul), fara suprapuneri ->
valoarea de prag T se alege oriunde intre cele
doua distributii
• Cazul real – cele doua distributii se suprapun -> T
intre T1 si T2
IM8 - 11
Conditii de ingreunare a determinarii
valorii de prag
• contrast slab al imaginii -> suprapunerea varfurilor
• fundal de intensitate variabila -> imposibilitatea
utilizarii unei singure valori de prag
• rezolutie spatiala slaba
• iluminare variabila
• obiecte cu niveluri diferite de luminozitate
IM8 - 12
Tresholding optim • alegerea ca prag a valorii corespunzatoare fundului vaii dintre
cele doua varfuri nu este o valoare optima
• in tresholding-ul optim histograma = o suma ponderata a doua sau mai multe densitati probabilistice
• valoarea de prag este setata la nivelul de gri care duce la cel mai mic numar de pixeli clasificati gresit = intersectia celor doua distributii normale
• introdusa de Otsu
• functie discriminanta de determinare a pragului optim pentru segmentarea imaginii in regiuni aproape uniforme
IM8 - 13
Tresholding optim (2)
IM8 - 14
Tresholding optim (3)
IM8 - 15
Tresholding optim (4) • zgomotul -> clasificare eronata a pixelilor
• imaginile sunt initial netezite cu filtre de mediere sau mediane
IM8 - 16
Minimul variatiei
• exista mai multe abordari in implementarea treshholding-ului
optim
• scopul = alegerea unei valori de prag astfel incat fiecare pixel
de fiecare parte a pragului sa fie mai apropiat in valoare de
media pixelilor din partea respectiva a pragului decat de media
pixelilor din cealalta parte
• metoda minimului variantiei (Otsu)
• utila pentru imagini cu regiuni cu distributii de intensitate de
variatie egala
IM8 - 17
Functiile de distributie
• Functie de distributie probabilistica discreta p(i)
, ni – nr. de pixeli de intens. i
M – nr. total de pixeli din im.
N – nr. de niveluri de gri
IM8 - 18
Probabilitatile claselor • Se calculeaza probabilitatile claselor:
IM8 - 19
Media si variatia claselor
• Se calculeaza media claselor:
• Se calculeaza varianta claselor
IM8 - 20
Variatia totala
• varianta totala:
• varianta in clasa:
• varianta intre clase:
unde:
IM8 - 21
Maximizarea variatiei intre clase
• Pragul optim (t*) – max. variantei intre clase:
• Pentru imagini multimodale (k clase):
• Sau minimizarea variantei in clasa
IM8 - 22
Exemplu
IM8 - 23
Functii criteriu echivalente
• propus de Kurita
• functia maximizeaza probabilitatea distributiei
conditionale a unui model de populatii mixte care
consta in doua distributii normale cu medii diferite si
cu variatie comuna
unde: pj – probabilitatea clasei j
IM8 - 24
Exemplu
IM8 - 25
Imagine trimodala
IM8 - 26
Metoda isodata (alg. de clasificare
media –K) 1. Se aplica pragul calculat ca media varfurilor sau ca
media pixelilor
2. Se calculeaza valoarea medie a pixelilor cu valori
sub valoarea de prag, m1, si a celor deasupra valorii
de prag, m2
3. Se calculeaza noua valoare de prag T1=(m1+m2)/2
4. Se repeta pasii 2-3 pana cand valoarea de prag
ramane neschimbata sau diferenta dintre valorile de
prag este mai mica decat o valoare impusa
IM8 - 27
Metoda isodata (alg. de clasificare
media –K) • in general, in primul pas al algoritmului se considera
ca valoare media e primei clase valoarea medie a
pixelilor din colturile imaginii (ca facand parte din
fundal) si ca valoare media a celei de a doua clase
media celorlalti pixeli
• Pentru media celorlalti pixeli se folosesc doar 5% din
pixelii ramasi, acestia fiind alesi aleatoriu
IM8 - 28
Exemplu
• Prima iteratie
m1=(2+2+2+1)/4=1.75
m2=5.46
T=3.61
• Prima clasa {0,1,2,3} si a doua clasa {4,...,12}
• A doua iteratie
m1=2.44
m2=6.44
T=4.44
IM8 - 29
Exemplu
• Prima clasa {0,1,2,3,4} si a doua clasa {5,...,12}
• A treia iteratie
m1=2.86
m2=6.96
T=4.91 -> clasele raman neschimbate
IM8 - 30
Exemplu
Modelare mixta
IM8 - 31
Exemplu
Seg. Otsu Seg.izodata Entropie max.
top related