Обработка рентгеновских изображений с применением оценки качества и выбора оптимальных параметров коррекции | Статья в журнале «Молодой ученый»

Библиографическое описание:

Куликов А. Ю., Строев В. М., Есаулова К. А., Долгова Ю. Н. Обработка рентгеновских изображений с применением оценки качества и выбора оптимальных параметров коррекции // Молодой ученый. — 2017. — №12. — С. 63-66. — URL https://moluch.ru/archive/146/41092/ (дата обращения: 16.07.2018).



Цифровая обработка рентгеновского изображения позволяет врачу при постановке диагноза опираться уже не только на свой опыт, но и на качественную и количественную меру информации, т. е. информационную способность, которая дает возможность выявлять минимальные изменения в тканевой структуре легких и выполнять диагностику без проведения контрольных снимков на пленке.

Существует множество методов обработки изображений и, чтобы выявить наиболее оптимальные из них для различных видов рентгенограмм, мы провели эксперимент.

Экспериментальная установка состоит из негатоскопа, устройства ввода изображения (цифровая камера), устройства обработки и хранения изображений с необходимым программным обеспечением.

Методика исследования заключается в последовательном получении серии снимков, оценки их качества (контраст, чёткость, гистограмма) и корректировки параметров съемки либо обработки для получения наилучшего качества изображения. Оценка и обработка изображений производились с использованием пакета программ MATLAB.

Для оценки визуального качества изображений применим комплексный метод. Для формирования этой оценки рассматриваются такие параметры изображения как среднеарифметическое значение LQ яркостей, полнота использования градаций яркостей KQ, резкость изображения RQ и его обобщенный контраст KC.

В целом выражение для количественной оценки визуального качества полутоновых монохромных изображений выглядит так [1]:

,

где k — нормирующий коэффициент (принят k = 100).

В дальнейшем будем пользоваться этой формулой для определения оценки качества изображений.

Для обработки рентгеновских изображений воспользуемся различными инструментами пакета программ. Функция imadjust является базовым инструментом пакета IPT при преобразованиях яркости полутоновых изображений. Она имеет следующий синтаксис:

g = imadjust(f, [low_in, high_in], [low_out, high_out], gamma).

С помощью этой функции исходное изображение f отображается в новое изображение g, при котором значения яркости в интервале [low_in, high_in] переходят в значения интервала [low_out, high_out], а значения, меньшие порога low_inили большие порога low_in,обрезаются, т. е. все, что меньше low_in._ отображается в low_in, а все, что больше high_in, отображаются в high_in. Все входные параметры функции imadjust, за исключением f, должны быть вещественными числами в интервале от 0 до 1, независимо от класса f. Если вместо векторов [low_in, high_in] или [low_out, high_out] поставить пустой вектор ([]), то будут использоваться величины по умолчанию, равные [0 1]. Если high_out меньше, чем low_out, то выходные яркости симметрично переворачиваются.

Параметр gamma служит для задания формы кривой, отображающей яркость f в яркость g. Если gamma меньше 1, то яркость отображения смещается вверх в сторону более ярких значений. Если gamma больше 1, то яркость отображения смещается вниз в сторону менее ярких значений. Если параметр gamma опущен, то его значение по умолчанию равно 1 (линейное отображение).

Результат обработки изображений функцией imadjust приведён на рисунке 1.

а) б)

Рис. 1. Рентгеновское изображение: а) исходное (Q = 0.9080), б) преобразованное функцией imadjust (Q = 0.3245)

Вследующей М-функции, которую мы назовем intrans,реализуются следующие преобразования: обращение, log, gamma и растяжение контрастности.

Результат применения функции с параметром 'neg', что приводит к инверсии изображения, показан на рис.2.

Рис.2.Результат применения функции intrans (Q = 1.3477)

Если интенсивности пикселей потенциально информационных областей сосредоточены в узком динамическом диапазоне, тогда можно использовать еще один подход. Он заключается в растяжении динамического диапазона интенсивностей пикселей изображения. Проводятся эти преобразования согласно выражению

(1)

где L, Lres — массив значений соответственно исходного и результирующего изображений;

Lmin, Lmax — соответственно минимальное и максимальное значения исходного изображения.

Преобразования по формуле (1) эффективны в том случае, если интенсивности пикселей потенциально информационных областей сосредоточены в узком динамическом диапазоне. Если применить эти преобразования к исходному изображению, то желаемого эффекта не достигнем, поскольку гистограммы его цветовых компонент занимают весь возможный диапазон.

Улучшения визуального качества исходного изображения можно достигнуть, если модифицировать выражение (1), т. е. сделать растяжение динамического диапазона интенсивностей пикселей изображения нелинейным

,

где α — коэффициент нелинейности.

Результат растяжения диапазона показан на рис.3.

Рис. 3. Результат растяжения динамического диапазона (Q = 0.8677)

Стержневой функцией пакета для обращения с гистограммами служит функция imhist со следующим синтаксисом:

h = imhist(f,b),

где f — это входное изображение,

h — его гистограмма,

b — число корзин, использованных при формировании гистограммы (если аргумент b отсутствует, то по умолчанию принимается b = 256).

Корзиной называется подразделение шкалы яркости. Например, если при работе с изображениями класса uint8 переменная b = 2, то шкала яркости делится на две подобласти (корзины): от 0 до 127 и от 128 до 255. Итоговая гистограмма будет иметь два значения: h(l), равное числу пикселов изображения, величины которых находятся в интервале [0,127], и h(2), которое равно числу пикселов со значениями в интервале [128,255]. Чтобы получить нормированную гистограмму, надо просто выполнить действие:

р = imhist(f, b)/numel(f).

Функция numel(f) дает число элементов массива f, т. е. число пикселов изображения. В результате получим новое изображение, представленное на рис.4.

Рис. 4. Результат равномерного преобразования гистограммы (Q = 1.3863)

Эквализация гистограмм реализована в пакете IPT функцией histeq, которая имеет синтаксис:

g = histeq(f, nlev),

где f — это входное изображение,

nlev — число уровней интенсивности, установленное для выходного изображения. Если nlev равно L (общему числу возможных уровней входного изображения), то histeq просто реализует функцию преобразования Т(rk). Если число nlev меньше, чем L, то histeq стремится перераспределить уровни так, чтобы они приближали плоскую гистограмму. В отличие от imhist, значением nlev в histeq по умолчанию является 64 (рис.5).

Рис. 5. Результат экспоненциального преобразования гистограммы (Q = 0.5476)

Наилучший результат при обработке затемненных изображений даёт комбинация высокочастотной фильтрации с последующей гистограммной эквализацией. Результат фильтрации с усилением высоких частот приведён на рис.6.

Рис. 6. Результат фильтрации с усилением высоких частот (Q = 2.4338)

В ходе эксперимента было отснято и обработано 48 светлых, темных и нормальных рентгеновских снимков. Применение метода оценки к обработанным изображениям показало следующие результаты.

Для тёмных и нормальных изображений наибольшее значение критерия качества получили следующие методы:

‒ фильтрация с усилением высоких частот подходит для затемненных и нечетких изображений;

‒ эквализация гистограммы и равномерное преобразование гистограммы применяется при узком динамическом диапазоне;

‒ пространственная фильтрация фильтром Лапласа, применяется для повышения четкости размытых изображений, но искажает цветовые составляющие.

Для светлых изображений наибольшее значение интегрального критерия показали методы:

‒ фильтрация с усилением высоких частот делает снимок более контрастным и повышает четкость;

‒ равномерное преобразование гистограммы применяется при узком динамическом диапазоне;

‒ эквализация гистограммы применяется при узком динамическом диапазоне.

Литература:

  1. Воробель Р. А., Журавель И. М., Опыр Н. В., Попов Б. О., Дереча В. Я., Равлик Я. М. Метод количественной оценки качества рентгенографических изображений // Труды Третьей Украинской научно–технической конференции “Неразрушающий контроль и техническая диагностика — 2000. — Днепропетровск. — С. 233–236.
  2. Яне Б. Цифровая обработка изображений — М.: Техносфера, 2007. — 584 с.
Основные термины (генерируются автоматически): узкий динамический диапазон, IPT, исходное изображение, изображение, входное изображение, равномерное преобразование гистограммы, функция, динамический диапазон интенсивностей пикселей изображения, рентгеновское изображение, визуальное качество.


Похожие статьи

Обработка рентгеновских изображений в среде MATLAB

Рис. 1. Исходные рентгеновские изображения и их гистрограммы. Как видно из рисунков, исходные изображения являются достаточно темными, т. к. имеют очень низкий динамический диапазон. Их гистограммы целиком расположены в темном участке спектра.

Обработка и сегментация тепловизионных изображений

В статье рассматривается проблема сегментации тепловизионных изображений (в инфракрасном диапазоне). Представленный метод использует систему рангов изображения для выделения и построения границ областей, а также определения особых точек интереса.

Преобразование Фурье как основополагающий частотный метод...

Повышение качества изображения остается открытой проблемой современных технологий.

Для данного образа можно легко получить исходную функцию, воспользовавшись формулой для обратного преобразования Фурье [2]

Методы определения выдержки для светочувствительной матрицы...

Cтроится функция преобразования освещенности пикселя в яркость пикселя.

Функция ошибки преобразования — разница между пикселями на изображении.

Рис.1. Разбиение гистограммы яркости изображения на зоны.

Методы предварительной фильтрации изображения

Обычно интенсивность (цвет) каждого пикселя результирующего изображения обусловлена интенсивностями (цветами) пикселей, расположенных в некоторой его окрестности в исходном изображении.

Особенности применения фильтров обработки изображений...

Матрица перемещается по изображению, при этом весовая функция в процессе перемещения остаётся неизменной [1–7, 10, 12]. В каждой точке весовая функция поэлементно умножается на значение соответствующих пикселей исходного изображения и произведения суммируются.

Анализ методов сегментации изображений | Статья в журнале...

Разбиение изображения моделируется разрезами графа. Обычно в методах теории графов вводится функционал «стоимости» разреза, отражающий качество полученной сегментации.

- методы динамического программирования; - алгоритм Дейкстры; - метод Normalized

Матрица результатов попарных сравнений изображений

Основываясь только на наборе таких данных цифрового изображения можно с достаточно высокой точностью позволить компьютеру работать с визуальными образами подобно человеку.

Рассматривается симметричная матрица , количество входных изображений.

Обработка изображений в системе технического зрения робота...

Рис. 3. Исходное цветное изображение (а) и результат применения медианной фильтрации к обрабатываемому изображению в СТЗ робота для рекламного стенда кафедры (б).

При этом выбор порога основывался на визуальном изучении гистограммы изображения.

Обсуждение

Социальные комментарии Cackle

Похожие статьи

Обработка рентгеновских изображений в среде MATLAB

Рис. 1. Исходные рентгеновские изображения и их гистрограммы. Как видно из рисунков, исходные изображения являются достаточно темными, т. к. имеют очень низкий динамический диапазон. Их гистограммы целиком расположены в темном участке спектра.

Обработка и сегментация тепловизионных изображений

В статье рассматривается проблема сегментации тепловизионных изображений (в инфракрасном диапазоне). Представленный метод использует систему рангов изображения для выделения и построения границ областей, а также определения особых точек интереса.

Преобразование Фурье как основополагающий частотный метод...

Повышение качества изображения остается открытой проблемой современных технологий.

Для данного образа можно легко получить исходную функцию, воспользовавшись формулой для обратного преобразования Фурье [2]

Методы определения выдержки для светочувствительной матрицы...

Cтроится функция преобразования освещенности пикселя в яркость пикселя.

Функция ошибки преобразования — разница между пикселями на изображении.

Рис.1. Разбиение гистограммы яркости изображения на зоны.

Методы предварительной фильтрации изображения

Обычно интенсивность (цвет) каждого пикселя результирующего изображения обусловлена интенсивностями (цветами) пикселей, расположенных в некоторой его окрестности в исходном изображении.

Особенности применения фильтров обработки изображений...

Матрица перемещается по изображению, при этом весовая функция в процессе перемещения остаётся неизменной [1–7, 10, 12]. В каждой точке весовая функция поэлементно умножается на значение соответствующих пикселей исходного изображения и произведения суммируются.

Анализ методов сегментации изображений | Статья в журнале...

Разбиение изображения моделируется разрезами графа. Обычно в методах теории графов вводится функционал «стоимости» разреза, отражающий качество полученной сегментации.

- методы динамического программирования; - алгоритм Дейкстры; - метод Normalized

Матрица результатов попарных сравнений изображений

Основываясь только на наборе таких данных цифрового изображения можно с достаточно высокой точностью позволить компьютеру работать с визуальными образами подобно человеку.

Рассматривается симметричная матрица , количество входных изображений.

Обработка изображений в системе технического зрения робота...

Рис. 3. Исходное цветное изображение (а) и результат применения медианной фильтрации к обрабатываемому изображению в СТЗ робота для рекламного стенда кафедры (б).

При этом выбор порога основывался на визуальном изучении гистограммы изображения.

Задать вопрос