SEGMENTACJA OBRAZU UWAGI WSTĘPNE

Transkrypt

1 UWAGI WSTĘPNE Schemat naturalnego przetwarzania obrazu. Analiza obrazu Świat zewnętrzny Akwizycja obrazu narząd wzroku Wstępne przetwarzanie obrazu Analiza obrazu Ludzki mózg Pamięć Podejmowanie decyzji Działanie Reszta organizmu człowieka UWAGI WSTĘPNE Segmentacja obrazu. Segmentacja Proces segmentacji obrazu jest czynnością spinającą poziom wstępnego przetwarzania obrazu z programami analizy poszczególnych obiektów. WSTĘP Segmentacja Liczba rekordów w bazie IEEE Xplore dotycząca segmentacji obrazów Segmentacja jest techniką przetwarzania obrazu, umożliwiającą wydzielenie obszarów obrazu spełniających pewne kryteria jednorodności. Takimi kryteriami mogą być np. kolor obszaru, poziom jasności, faktura. Proces segmentacji polega na podziale obrazu (uprzednio przefiltrowanego) na fragmenty odpowiadające poszczególnym widocznym na obrazie obiektom. Towarzyszy temu zwykle opisana dalej indeksacja obiektów (labelling), czyli przypisanie do wszystkich pikseli tych obiektów identyfikatorów (etykiet), wskazujących, do którego obiektu który piksel można przypisać. 1

2 Segmentacja najczęściej służy do wydzielenia obiektu od tła bez względu na szczegóły obiektu Przykład rozpoznawanej sceny a) zdjęcie satelitarne: z wyekstrahowanymi budynkami, b) układ budynków Wykreowana wektorowa mapa Inny przykład zadania segmentacji Obrazy przed i po segmentacji Dalsze przykłady segmentacji 2

3 Przykłady segmentacji dla obrazów medycznych Przykłady segmentacji dla obrazów medycznych Przykłady segmentacji dla obrazów medycznych Przykłady segmentacji dla obrazów medycznych W najprostszym ujęciu segmentacja jest techniką służącą do lokalizacji i wydzielania poszczególnych obiektów występujących na złożonym obrazie Korzystne jest jeśli przy segmentacji możliwe jest wydzielenie części obrazu zawierających wizerunek rozważanych obiektów przy minimalnym tylko udziale elementów tła 3

4 Przykład segmentacji obrazów preparatów histologicznych Wśród obiektów wydzielonych w wyniku segmentacji trzeba czasem przeprowadzić selekcję ze względu na kształt Segmentacja obrazu często związana jest z wydzieleniem na obrazie tak zwanych regionów zainteresowania (ROI) Inny przykład ROI Taksonomia metod wyznaczania progu segmentacji obrazu Najprostszy sposób segmentacji polega na zastosowaniu podziału pikseli obrazu na zbiór należący do badanego obiektu oraz na zbiór należący do tła w zależności od tego, czy ich jasność jest większa czy mniejsza od założonego progu T. 4

5 number of pixels Zasada segmentacji przez progowanie Przykładowy obraz medyczny dla którego wykonano binaryzację ze zmieniającym się progiem background object T levels of image intensity Inny przykład efektów progowania adaptacyjnego TECHNIKI SEGMENTACJI Segmentacja przez progowanie Przykład segmentacji za pomocą binaryzacji z pojedynczym progiem. T Przykład segmentacji z podwójnym progiem. Ustalenie górnego i dolnego progu w celu wyizolowania koloru skóry Barta. T l T u Wyniki segmentacji przykładowych obrazów pokazują, że najlepsze wyniki uzyskuje się przy bardzo różnych wartościach progu (podany pod odpowiednimi obrazami) 5

6 W przypadku obrazów medycznych prosta segmentacja przez progowanie zwykle prowadzi do powstania nadmiernej liczby pseudo-segmentów, które jednak można uporządkować poprzez ich sklejanie Ciekawe możliwości w zakresie doboru progu segmentacji dają histogramy wielorozdzielcze Najskuteczniejszym sposobem wyboru optymalnej wartości progu do segmentacji jest użycie kryterium -entropii Załóżmy, że histogram obrazu ma postać: p 1, p 2,..., p n gdzie n jest liczbą poziomów szarości, a p i oznacza prawdopodobieństwo występowania poziomu szarości i. Podział (segmentacja) obrazu będzie optymalna, jeśli dla danego progu t * osiągnięte będzie maksimum sumarycznej -entropii: Rozbijmy ten histogram na dwa podzbiory punktów należących odpowiednio do badanego obiektu oraz do tła. Kryterium podziału jest związane z progiem t. Wtedy można zdefiniować -entropię odpowiednio dla obiektu i dla tła: Potem trzeba wykonać jeszcze kilka kosmetycznych zabiegów i segmentacja jest gotowa. Schemat blokowy kompleksowego algorytmu segmentacji obrazu medycznego Przykład segmentacji obrazu medycznego obraz mammograficzny z widocznym rakiem 6

7 Przykład segmentacji obrazu medycznego (komórka Purkinjego) Przykład segmentacji obrazu w przestrzeni barw (wydobywanie znaków drogowych z obrazu drogi) Wydobycie obiektów zainteresowania z trudnego obrazu Najbardziej znanymi metodami segmentacji obiektów i wydzielania ich konturów są algorytmy: Canny Sobela Prewitta Laplacian Obiekt wydzielony w następstwie segmentacji może być potem poddany szczegółowym analizom bez utrudnień wynikających z konieczności uwzględniania innych obiektów Często się zdarza, że niedobrze dobrana metoda segmentacji wydziela nadmiernie dużo rzekomych obiektów 7

8 Do ustalenia lokalizacji obiektu w obrębie obrazu można użyć funkcji podobieństwa Dobrze przeprowadzona segmentacja pozwala na wydobycie z obrazu jego istotnej dla rozważań części (tu zmiany nowotworowej w obrazie mammograficznym) Wyszukiwany obiekt Funkcja podobieństwa z wyraźnym maksimum w miejscu lokalizacji obiektu Segmentacja powinna być poprzedzona filtracją obrazu. Zadania segmentacji mogą się cechować różnym stopniem złożoności Wydobywanie konturów z zaszumionych obrazów jest utrudnione, a wyniki są mniej dokładne Wyszukiwanie na obrazie komórki poprzez rozpoznawanie przynależności pikseli do trzech klas: tło, wnętrze i brzeg Problem segmentacji nadmiarowej 8

9 Problem rozdzielenia stykających się obiektów Lokalizowanie komórek Porównanie miejsca radiacji obliczonego za pomocą największego wpisanego okręgu (zaznaczone kolorem niebieskim), za pomocą środka geometrycznego (zielonym) oraz za pomocą przecięcia osi głównych (czerwonym). Lokalizowanie komórek Lokalizowanie komórek Porównanie miejsca radiacji obliczonego za pomocą największego wpisanego okręgu (zaznaczone kolorem niebieskim), za pomocą środka geometrycznego (zielonym) oraz za pomocą przecięcia osi głównych (czerwonym). Porównanie miejsca radiacji obliczonego za pomocą największego wpisanego okręgu (zaznaczone kolorem niebieskim), za pomocą środka geometrycznego (zielonym) oraz za pomocą przecięcia osi głównych (czerwonym). Wyjątkowo wyrafinowany przykład segmentacji wydobycie z obrazu mózgu wyłącznie dróg połączeń nerwowych Segmentacja obrazu może mieć różne zastosowania. Pokazany na następnym slajdzie przykład dotyczy użycia segmentacji do ujawnienia wewnętrznej struktury kości (beleczkowania trabecula). Na wyodrębnionym obrazie beleczkowania ujawniona zostaje linia, która przecina najmniejszą liczbę najcieńszych beleczek. Jest to linia najbardziej prawdopodobnego złamania. 9

10 Metoda prognozowania linii złamania Wyniki prognozowania linii złamania Inny przykład medyczny: wydobywanie naczyń krwionośnych na obrazie dna oka Segmentacja połączona z interpretacją fragmentów obrazu Przykład segmentacji wraz z klasyfikacją Przykład segmentacji wraz z klasyfikacją 1

11 Przykład segmentacji wraz z klasyfikacją Obiekty wydobyte w wyniku segmentacji stają się lepiej widoczne i łatwiejsze do interpretacji Obraz tomograficzny przekroju klatki piersiowej z uwidocznionym przekrojem serca Po wydobyciu w wyniku segmentacji wyłącznie naczyń krwionośnych serca ich analiza i obserwacja nieprawidłowości staje się znacznie łatwiejsza TECHNIKI SEGMENTACJI Techniki Segmentacji Wyróżniamy następujące techniki segmentacji: - segmentacja przez podział obszaru (region splitting) - segmentacja przez rozrost obszaru (region - growing) - segmentacja metodą wykrywania krawędzi (contour based) (stosowany jest operator gradientu) Generalnie segmentacja obrazu wykonywana przez człowieka (wynik na rysunku środkowym) jest zorientowana na wydzielenie rozpoznanych wcześniej obiektów, podczas gdy segmentacja automatyczna (po prawej) koncentruje się na lokalnych właściwościach fragmentów obrazu - segmentacja oparta na statystyce opisującej wnętrze regionów (texture based) Czasem prowadzi to dekompozycji obrazu na ogromną liczbę do niczego nieprzydatnych segmentów Problem nadsegmentacji 11

12 Wyznaczanie konturów na podstawie histogramów kierunkowych Zamiana obrazu na graf Przy segmentacji obrazu ważne jest, żeby tworzone metody były niewrażliwe na kontury nieistotnych szczegółów obiektów W następstwie wyznaczania konturów nie powinno dochodzić do zlewania się obiektów Kolejny przykład obiektów, które podlegają sklejeniu przy prostej segmentacji oraz mogą zostać rozdzielone gdy się zastosuje wcześniej procedurę wydobywania konturów (Sobela) 12

13 Segmentacja mikroskopowego obrazu wnętrza komórki Segmentacja na podstawie kolory skóry jest ważnym elementem w systemach rozpoznawania twarzy Skuteczność segmentacji zależy w dużym stopniu od przyjętego modelu barw. Na kolejnych fotografiach pokazane są segmentacje uzyskane w przestrzeniach RGB, HSV, TSL, HIS, YCrCb TECHNIKI SEGMENTACJI Segmentacja przez podział obszaru TECHNIKI SEGMENTACJI Segmentacja przez podział obszaru Segmentacja przez podział obrazu (region splitting, clustering), zwana też iteracyjną (rekursywną), polega na stopniowym podziale dużych obszarów obrazu na mniejsze, w których piksele mają odpowiednią własność (kolor, jasność, teksturę), jednakową lub bardzo zbliżoną w granicach wydzielonego obszaru a jednocześnie znacznie różniącą się od własności pikseli w innych obszarach. W metodzie tej wartość jasności każdego elementu obrazu porównywana jest z wartością progową, po czym element jest przydzielony do jednej z dwóch kategorii o wartości progowej przekroczonej lub nie przekroczonej. Wyboru wartości progowej dokonuje się przeważnie na podstawie histogramu. Problemy pojawiające się przy tej metodzie to wybór progu dyskryminacji (gdy krzywa rzeczywistego histogramu jest wielogarbna, a wierzchołki są trudne do wyróżnienia) oraz powstawanie fałszywych obiektów (izolowanych punktów o wartości 1 gdy dookoła są wyłącznie punkty tła). Algorytm segmentacji rekursywnej wygląda następująco: 1. Rozważyć cały obraz jako jeden obszar i policzyć dla niego histogram, biorąc pod uwagę odpowiednią cechę (np. odcienie, jasność, nasycenie) 2. Znaleźć najwyższy szczyt histogramu i wyznaczyć progi z jego obu stron. Dokonać segmentacji na dwa regiony. 3. Wygładzić zbinaryzowany obraz, aby został tylko pojedynczo-połączony podregion. 4. Powtarzać kroki 1-3 dopóki nie da się utworzyć kolejnych podregionów, tzn. żaden histogram nie posiada znaczących szczytów. Liczba pikseli Region 2 Region 1 Region 2 Wartość cechy TECHNIKI SEGMENTACJI Segmentacja przez podział obszaru TECHNIKI SEGMENTACJI Segmentacja przez rozrost obszaru Obiekty podlegające segmentacji. W metodzie rozrostu obszaru poszukuje się grup elementów o zbliżonej jasności. Najprostsza postać tej metody to rozpoczęcie od jednego elementu i sprawdzenie czy elementy sąsiednie mają podobną jasność. Jeśli tak, są one grupowane w obszar. Wykonujemy tu tylko zlepianie (merging). Obraz po poprawnej segmentacji: Segmentacja nieprawidłowa. Źle dobrany próg dyskryminacji. 13

14 TECHNIKI SEGMENTACJI Segmentacja przez rozrost obszaru Ogólnie segmentacja przez rozrost bazuje na technice dzielenia i zlepiania obrazu (split and merge), której algorytm przebiega następująco: 1. Ustalić test jednolitości. Kryteriami mogą być jasność, kolor itp. 2. Podzielić obraz na obszary o takich samych rozmiarach. 3. Zastosować test jednolitości dla każdego regionu. 4. Jeśli obszar jest jednolity należy zlepić go z jego ewentualnym sąsiadem (sąsiadami). Jeśli obszar nie spełnia kryterium jednolitości dokonać ponownego podziału. 5. Proces kontynuować, aż wszystkie obszary zdadzą test jednolitości. Efekt segmentacji obrazu powierzchni skały uzyskany metodą drzewa czwórkowego I 1 I 2 I I 41 I 42 I 3 4 I 43 I 43 I 44 Pierwszy Zlepienie Drugi Cały podział. obraz. (Merge). Drzewo obrazu (picture tree). TECHNIKI SEGMENTACJI Wyznaczanie kryterium jednolitości Obszar jest jednolity, gdy dla ustalonego progu T jest spełniony poniższy warunek : max L( m, n) S T m, n R gdzie, L(m,n) - elementu obrazu #R - wielkość (liczba pikseli) obszaru R. T - próg S to średnia jasność obszaru: S 1 R # m, n R L( m, n) Elementem segmentacji obrazu jest także selekcja, pozwalająca odróżnić rzeczywiste interesujące elementy od elementów podobnych do nich, ale nie niosących wymaganych informacji Ustalając próg T ustala się więc także prawdopodobieństwo tego, że do wydzielonego obszaru włączone będą obiekty nie należące do niego. Jeśli obszar obiektu jest jednolity, to wartość średnia S jest optymalnym oszacowaniem wartości jasności tego obszaru. W takim przypadku odchylenie wartości elementu od średniej S będzie zależało jedynie od zakłóceń. Prawdopodobieństwo, że jasność elementu 2 z L(m,n) różni się od jego średniej S o więcej 2 2 niż pewna wielkość x wyraża się wzorem jak I n e 2 dz pokazano po lewej stronie, w którym 2 x - odchylenie standardowe zakłóceń Obraz oryginalny ze wskazaniem podejrzanej struktury Obraz po segmentacji wydobywającej wszystkie regiony podobne do podejrzanej struktury Obraz z wyodrębnieniem samej podejrzanej struktury (rak sutka) W zastosowaniach medycznych dosyć wygodną metodą segmentacji jest analiza profili densytometrycznych wzdłuż wybranych linii (np. promieni wychodzących z pewnego ustalonego punktu) Segmentacja wododziałowa Zalewanie z minimów Wyodrębnione zwapnienia (zielona obwódka) w pobliżu ścian naczynia krwionośnego (niebieska obwódka) Zalewanie z markerów 14

15 Przykład segmentacji za pomocą działów wodnych Segmentacja zmiany na obrazie mammograficznym za pomocą losowych pól Markowa Oryginalny obraz Obraz gradientu Obraz z zaznaczona zmianą Rekonstrukcja wybranych elementów obrazu Rekonstrukcja obrazu pozwala na otrzymanie z pierwotnego obrazu niektórych, zawartych w nim struktur wskazywanych przez lokalizację znaczników (markerów). W rezultacie otrzymuje się obraz będący pewnym podzbiorem pierwotnego obrazu W kolejnych krokach rekonstrukcji następuje rozrost obszarów wokół znaczników, realizowany poprzez operacje dylatacji. W celu uniemożliwienia rozrostu obszaru poza granice pożądanych struktur po każdej operacji dylatacji obrazu wyznaczana jest wspólna cześć otrzymanego w jej efekcie wyniku z oryginalną wersją obrazu, usuwająca fragmenty wykraczające poza strukturę. Pierwotny obraz oraz lokalizacja markerów Początkowa oraz końcowa faza rekonstrukcji 15

16 Segmentacja metodą wykrywania krawędzi Wykrywanie krawędzi jest metodą segmentacji polegającą na poszukiwaniu granic między obszarami, które niebezpośrednio definiują obiekt. Metoda ta rozpoczyna się od znalezienia tych pikseli, które mogą należeć do krawędzi. Punkty te są następnie zlepiane do pojedynczych segmentów linii, a te z kolei są łączone i tworzą granicę obiektu. Znajdowanie punktów nagłych zmian, co może oznaczać krawędź, odbywa się z zastosowaniem omawianych już gradientów Sobela, Prewitta itp. Piksele te reprezentują lokalne nieciągłości występowania pewnych cech, jak jasność, kolor, tekstura itp. Przykładowa technika segmentacji metodą wykrywania krawędzi Przykładowa prosta metoda łączenia krawędzi zaproponowana przez Forsena. Obszar z brakującymi krawędziami. Na początku łączymy linią prostą dwa punkty końcowe A i B. Następnie szukamy najbardziej oddalonego punktu (C) od odcinka AB. Jeśli separacja tego punktu od odcinka AB jest wyraźna, to tworzymy odcinki AC i BC, a odrzucamy odcinek AB. Procedura jest kontynuowana, aż zostanie uznane, że segmenty utworzonej linii łamanej dobrze reprezentują wszystkie posiadane punkty konturu. Po wykryciu krawędzi dokonuje się progowania wybierając najgłębszą dolinę na histogramie, a w przypadku bardzo zakłóconych obrazów jako próg można przyjąć 1-2 % wartości szczytu. Etap 1 Etap 2 Etap 3 Segmentacja oparta na krawędziach zmusza do decyzji, które krawędzie należy brać pod uwagę (na przykład oparte na wartości laplasjanu lub gradientu) Obraz medyczny (a) oraz krawędzie ustalone na nim różnymi metodami: metodą ważoną (b), metodą laplasjanu (c), metodą wartości gradientu (d) i metodą kierunku gradientu (e). Obraz z wykrytymi krawędziami (gradient Sobela) Budowa linii granicznej z użyciem algorytmu LW (Living Wires) Niekorzystne (u góry) i korzystne (u dołu) warianty metody LW używanej do segmentacji obrazu 16

17 Automatyczna segmentacja wątroby Wykrycie konturów obiektów na obrazie medycznym jest często kluczem do prawidłowej diagnozy. Mało czytelny obraz mammograficzny (u góry) staje się łatwiejszy do interpretacji, gdy algorytm wydzielania konturów zaznaczy widoczne na nim obiekty (na zdjęciu są to mikro-zwapnienia będące najwcześniejszym symptomem raka). Segmentacja obrazu płuc Znajdowanie konturów spoidła wielkiego na obrazie przekroju mózgu metodą rozciągania węża Tą samą metodą wydobywa się kontury wnętrza komór serca Segmentacja połączona z indeksacją 17

18 Segmentacja obrazu ułatwia wnioskowanie na jego temat. Pokazano porównanie konturów tego samego narządu (prostata) u dwóch pacjentów Dosyć popularną metodą segmentacji jest metoda oparta na koncepcji działów wodnych Zmniejszanie nadmiernej segmentacji poprzez progowanie obrazu gradientowego Przekrój obrazu (po gradientowaniu) wzdłuż jednej ustalonej linii Nieostrożne stosowanie tej metody prowadzi zwykle do wydzielenia nadmiernej liczby segmentów nadmiernie posegmentowany obraz (297 zlewisk) Czasem zachodzi potrzeba wydobywania z całego obrazu bardzo specyficznych elementów, będących przedmiotem analizy Efekt segmentacji opartej na fakcie, że interesująca linia położona jest w określonej odległości od centrum obrazu To jest obraz zapisu z autobusowego tachografu. Przedmiotem analizy ma być wyłącznie ta linia 18

19 Punkty będące przedmiotem analizy wydobyte z obrazu Algorytm segmentacji elementów obrazu metodą działów wodnych Segmentacja obrazu na podstawie barwy obszarów (preparat geologiczny) Segmentacja obrazu na podstawie barwy obszarów (preparat geologiczny) Brain/Non-brain Separation: Przykład nieudanej segmentacji obrazu medycznego original image filtered image skull-stripped brain image Trzy wyodrębnione klasy nie mają prawidłowej identyfikacji anatomicznej 19

20 Przykład poprawnej segmentacji obrazu medycznego Wynik segmentacji uzyskanej metodą nie nadzorowanego grupowania (z lewej) oraz opartej na modelowaniu obszarów (po prawej) Cztery wyodrębnione klasy mają prawidłową identyfikację anatomiczną TECHNIKI SEGMENTACJI Segmentacja przez rozrost (Regiony atomowe) Inną procedurą segmentacji przez rozrost jest procedura, która scala najpierw tak zwane regiony atomowe, badając wartość średnią określonego atrybutu w stosunku do określonego zakresu progowania. Zastosowany w tym etapie próg T może być inny, mniej szczegółowo wyznaczany niż przy ekstrakcji regionów atomowych. Następne scalenia są oparte na względnych własnościach atrybutu dwóch sąsiednich obszarów. TECHNIKI SEGMENTACJI Segmentacja przez rozrost (Regiony atomowe) W pierwszym etapie piksele o podobnej jasności oraz te, które łączą się ze sobą czterema krawędziami są grupowane w regiony atomowe. Następnie stosowana jest metoda omówiona poniżej w celu zlikwidowania słabych granic. Niech R 1 i R 2 będą dwoma sąsiadującymi obszarami o obwodach P 1 i P 2 i każdy z nich powstał ze zlepienia mniejszych podobszarów, które mogą różnić się jasnością. Niech C oznacza długość wspólnej krawędzi i niech D reprezentuje tę część C, dla której różnica jasności Y i wzdłuż krawędzi jest istotnie mniejsza od wybranego współczynnika 1. D Regony R 3 1 i R 2 zostaną zlepione jeśli spełniona jest nierówność C przy 2 =1/2 D Drugi warunek mówi, że regiony styczne zostaną zlepione gdy 2 dla MIN{ P1, P2 } 3 =3/4 Jeśli jeden obszar w dużym stopniu otacza inny, to są one także scalane (likwidacja słabych granic). Odmienną grupę problemów rodzi segmentacja oparta na statystyce Technika ta stosowana jest w przypadku gdy obszary jednorodne wypełnione są pewnym stałym wzorcem (teksturą). Pojedyncze obszary znacznie różniące się od siebie stanowią jeden obszar. W procesie tym określa się pewne statystyczne własności obszarów i przeprowadza się segmentację o nie opartą. Segmentacja trójwymiarowa Nowoczesne techniki obrazowania medycznego dostarczają często informacji o kształcie badanego narządu w wielu przekrojach, tworzących sekwencję. Przy próbie rekonstrukcji trójwymiarowego obiektu (na przykład przestrzennego obrazu narządu) dochodzi do konieczności segmentacji przeprowadzanej w sposób powiązany na kilku kolejnych przekrojach. Przy stosowaniu tej techniki zaczyna się zwykle od wyznaczenia konturu na jednym przekroju, a następnie przenosi się ten kontur na sąsiednie przekroje stosując kryterium bliskości położenia konturu pierwotnego i konturów na kolejnych przekrojach. 2

21 Sposób przenoszenia punktów z przekroju na przekrój podczas rekonstrukcji obrazu 3D z serii obrazów 2D Metoda przenoszenia konturu z przekroju na przekrój może wiązać się z ryzykiem pomyłek Przykład pary sąsiednich przekrojów, z których jeden ma już zaznaczony obrys interesującego obiektu (płuca) Sekwencja przekrojów z zaznaczonym badanym elementem Sekwencja przekrojowych obrazów medycznych (stawu kolanowego) z konturem wydzielonej struktury anatomicznej (kości udowej) i uzyskana na tej podstawie trójwymiarowa rekonstrukcja tej struktury Inny przykład: rekonstrukcja przestrzenna płuc 21

22 TECHNIKI SEGMENTACJI Segmentacja obiektów stykających się Sporym problemem przy segmentacji jest zawsze rozdzielanie obiektów, które powinny być rozpatrywane oddzielnie, ale których obrazy stykają się ze sobą Obraz wejściowy. wyrzucenie pikseli o indeksie takim samym negacja jak indeksacja Zapełnienie piksel dylatacja erozja i indeksacja przy krawędzi Krok Czyszczenie Zamknięcie Erozja Wykonanie Operacja Obcięcie warunkowa gałęzi SKIZ jednej i brzegów. wypełnienie aż i do operacji i stanu otworów. powstanie dylatacji ustalonego, przemnożenie dla obrazu po Każdego logiczne każdej znaczników dylatacji obrazu dla po każdego zerodowanego obraz obcięciu mnożony erodowanego z obrazem obiektu.. logicznie oryginalnym. obiektu. z obrazem Usunięcie wejściowym. fiordów. Finalny obraz zawiera obiekty rozseparowane i posegmentowane TECHNIKI SEGMENTACJI Uwaga: opisane metody trzeba stosować z umiarem, bo automatyczna segmentacja obiektów stykających się bywa czasem wadliwa! Etykietowanie obiektów Dzieleni obiektów, które powinny pozostać integralne Błędnie wyznaczone granice obiektów Indeksacja polega na przeglądaniu zbinaryzowanego obrazu linia po linii, aż do napotkania punktu obiektu wartości 1. Po napotkaniu takiego punktu (piksela), oznaczonego dalej jako X, nadaje mu się etykietę analizując wartości pikseli A, B, C, D, stanowiących tę część jego otoczenia, która była już wcześniej analizowana. A B C D X Indeksacja obiektów (labelling) Gdy A = B = C = D = to X=L+1 (to znaczy, że nowy punkt należy do nowego, wcześniej nieznanego obiektu) Przykłady sytuacji, w których wykrywa się, że kolejny punkt należy do obiektu, który już miał przypisaną etykietę. L L L L L L L L L L L L L L L L L L L 22

23 Indeksacja obiektów (labelling) Gdy w otoczeniu badanego punktu X pojawią się punkty należące do dwóch różnych obiektów o indeksach L1 i L2, to znaczy, że należy utożsamić z jednym obiektem dwa regiony wcześniej rozważane jako dwa różne obiekty. W takim przypadku przyjmowana jest zasada, że punktowi X przypisuje się mniejszy z wchodzących w grę indeksów (na rysunku założono, że L1 < L2). Błędny podział obiektu na fragmenty w trakcie wstępnej indeksacji. Obszary różniące się odcieniem szarości otrzymały różne etykiety L1 L2 L1 L1 L1 L2 L1 Przykład etykietowania obrazów w wyniku którego doszło do błędnego podziału obiektów A(i) B(i) C(i) C(i+1) D(i) X(i) X(i+1) Do eliminacji takich błędów w indeksacji stosowana jest tzw. tablica sklejeń Tablica sklejeń: przykład zastosowania Zawartość tablicy sklejeń przed znalezieniem jakiegokolwiek obiektu Przypisanie pierwszego wolnego miejsca dla nowego obiektu Obraz po błędnym etykietowaniu podczas pierwszego przebiegu algorytmu Ten sam obraz po zastosowaniu tablicy sklejeń zostaje poprawnie podzielony, co widać po prawidłowym etykietowaniu Zgodne etykietowanie, nic się nie zmienia (znaleziono trzy obiekty) Aby zapobiec kolizji (wystąpienie w sąsiedztwie piksela L1=1 i L2=3) większemu z kolidujących indeksów przypisuje się etykietę mniejszego.... Wykryto, że obiekty 1 i 3 są tym samym obiektem! Inny przykład obiektu podczas etykietowania (stułbia) Przykład segmentacji bardziej skomplikowanego obrazu 23

24 Przykład segmentacji bardziej skomplikowanego obrazu Przykład segmentacji obrazu CT: a) obraz źródłowy, b) wynik modyfikacji wartości okna i poziomu, c) wynik segmentacji (4 klasy) W segmentacji obrazów medycznych pożądane jest, by poszczególne klasy pikseli odpowiadały tkankom rozróżnialnym w badaniu danego typu i zostały wyodrębnione w sposób automatyczny. Przykład zastosowania segmentacji obrazu: a) źródłowy obraz MRI, b) wynik separacji tkanek mózgu Często segmentacja jest połączona z (w miarę możliwości automatyczną) identyfikacją poszczególnych klas pikseli i przypisywaniem im etykiet znaczących w kontekście rozwiązywanego problemu (np. nazw tkanek). Segmentacja wydzielająca na obrazie przekroju czaszki osobno substancję białą, osobno korę mózgową i osobno struktury nie należące do mózgowia Czasem celem segmentacji jest wydobycie jakiegoś konkretnego szczegółu na obrazie. Obraz MNR podlegający segmentacji Obraz po segmentacji wydobywającej oczy 24

25 Dla polepszenia jakości segmentacji można czasem użyć dwóch (lub więcej) dopasowanych obrazów źródłowych, na których wykonuje się niezależną binaryzację, a wyniki poddaje się operacji AND. Jako podstawy do segmentacji obrazu można też użyć histogramu dwuwymiarowego a) Wynik segmentacji obrazu MRI T1, b) Wynik segmentacji obrazu MRI PD, c) wynik logicznej operacji AND między dopasowanymi obrazami a) i b) TECHNIKA INDEKSACJI OBRAZU Zastosowanie w medycynie. Zastosowanie segmentacji i indeksacji obrazu Labbeling w MATLAB 6. obraz=imread( wej.bmp'); X=bwlabel(obraz,4); map=[ ;jet(3)]; figure, imshow(x+1,map,'notruesize') 25