Orvosi képfeldolgozás és vizualizáció - Kertész kérdések

Ez az oldal a korábbi SCH wiki-ről lett áthozva. Az eredeti változata itt érhető el.

Ha úgy érzed, hogy bármilyen formázási vagy tartalmi probléma van vele, akkor kérlek javíts rajta egy rövid szerkesztéssel.

Ha nem tudod, hogyan indulj el, olvasd el a migrálási útmutatót

Orvosi képfeldolgozás - Kertész ellenőrző kérdései

• Az egyes feladatoknál a MATLAB kódrészletek felírása előny

1. Milyen formában tároljuk a különböző típusú képeket a számítógépes környezetben. Mik az egyes tárolási formák előnyei? Felbontás és kvantálás fogalmak.

http://www.agt.bme.hu/tutor_h/terinfor/t23.htm

2. Világosság (Brightness), kontraszt, gamma korrekció, színezet (Hue), színtelítettség (Saturation), fényesség (Lightness) fogalmak

• Az ember színlátásában a következő összetevők játszanak szerepet:
  • a színárnyalat vagy színezet (hue) (ezt a hétköznapokban csak színnek szoktuk nevezni), ami a szemünkbe jutó fény hullámhosszától függ,
  • a színtelítettség (saturation), ami az érzékelt fényben megtalálható, fe-hér fény százalékos összetevőjétől függ,
  • és a fényerősség (brightness), amit a szemünkbe érkező fényenergia mennyisége határoz meg.

• A Gamma-korrekcióval a kép fényessége és színeinek élessége szabályozható. Ezáltal a pontos részletek a sötétben játszódó jeleneteknél jobban láthatók, és a kép mélysége is megmarad. Ha a Gamma korrekció értéke magas, a kép világosabb tónusú lesz kevésbé telt színekkel, míg ellenkező esetben sötétebb árnyalatok és valamivel teltebb színek jellemzik a képet.

• A kép világos és sötét részei közötti tónuskülönbség. Ha két kép azonos motívumot ábrázol és az egyiken két adott részlet tónusának különbsége nagyobb mint a másikon, akkor ennek nagyobb a kontrasztja.

• fényesség (Lightness), relatív világosságérzet, a felület becsült reflektanciája vagy transzmittanciája.

• A színtelítettség a szín fehér színnel való „felhígítottságának”, fátyolos-ságának mértéke. A monokromatikus színek nem tartalmaznak fehér összetevőt, ezért ezeket 100%-os telítettségű színeknek is nevezzük. Szemünk egy konkrét színezeten belül kb. 20 telítettségi fokozatot tud megkülönböztetni.

3. Lényegkiemelés lokális információ alapján, 2D konvolúció definíciója, "peremfeltételek problémája".

• http://www.agt.bme.hu/tutor_h/terinfor/t33a.htm#fur

• Peremfeltételek problémája

• Egy DW × DW méretű szűrő esetén a kieső képszél mérete ⌊DW/2⌋. Ha több szűrőt alkalmazunk egymás után, a kieső sáv tovább nőhet. Hogyan töltsük ki a kép szélét? Nincs elméletileg korrekt megoldás, csak heurisztikus megoldások vannak.

• Töltsük ki nullákkal!
  • egyszerű
  • nemkívánatos erős mesterséges éleket kaphatunk
  • megzavarhatjuk a kapott képértékek újranormálását (pl.[0,255]-re)

• Töltsük ki az eredménykép átlagértékével!
  • egyszerű
  • kevésbé erős mesterséges éleket kaphatunk
  • nem változtatjuk meg a kapott kép értéktartományát

• Töltsük ki a legközelebbi kiszámított pixelértékkel!
  • kicsit bonyolultabb
  • megéri?

• Tekintsük a képet periodikusnak (hengernek)!
  • elfogadható, ha amúgy is feltételezzük a periodicitást (pl. Fourier transzformációhoz)
  • egyébként, miért tennénk?

• Szűrés elött egy "befestési" (inpainting) eljárással terjesszük ki a képet!
  • bonyolultabb és lassubb
  • nem igatán éri meg, ezért nem is alkalmazzák

4. Heurisztikus szűrőtervezés: 1: Laplace szűrő tervezése, nullátmenet (zero-cross) jelentősége

http://www.agt.bme.hu/tutor_h/terinfor/t33a.htm

5. Élkereső konvolúciós szűrők rövid bemutatása (Laplace, Sobel, Prewitt, Roberts, Canny)

• Roberts

Ezen a helyen volt linkelve a roberts.png nevű kép a régi wiki ezen oldaláról. (Kérlek hozd át ezt a képet ide, különben idővel el fog tűnni a régi wikivel együtt)

• Prewitt

Ezen a helyen volt linkelve a prewitt.png nevű kép a régi wiki ezen oldaláról. (Kérlek hozd át ezt a képet ide, különben idővel el fog tűnni a régi wikivel együtt)

• Sobel

Ezen a helyen volt linkelve a sobel.png nevű kép a régi wiki ezen oldaláról. (Kérlek hozd át ezt a képet ide, különben idővel el fog tűnni a régi wikivel együtt)

Ezen a helyen volt linkelve a oper.JPG nevű kép a régi wiki ezen oldaláról. (Kérlek hozd át ezt a képet ide, különben idővel el fog tűnni a régi wikivel együtt)

6. Canny szűrő mőködése részletesebben, hiszterézis küszöb jelentősége.

http://en.wikipedia.org/wiki/Canny_edge_detector

7. Heurisztikus szűrőtervezés 2: Zaj fogalma és típusai. Zajcsökkentés az egyszerű átlagolástól a súlyozott átlagon keresztül a Gauss szűrőig.

• A zaj több eltérő frekvenciájú és intenzitású jel zavaró összessége. Érdektelen, információ tartalom nélküli adat/jel.

• Additív képfüggetlen, azaz fehér zaj:
  • g(x, y) = f (x, y) + vadd (x, y)
  • f (x, y) az input, g(x, y) az outputkép, v(x, y) a zaj
  • tipikus csatornazaj (jeltovábbítási zaj, transmission noise)
• Nemkorrelált multiplikatív zaj:
  • g(x, y) = f (x, y) · vmult (x, y)
  • amplitudó-moduláció (változás)
  • jellemző TV rasztersorokra

• Kvantálási zaj (hiba):
  • vkvant (x, y) = gkvant (x, y) − feredeti (x, y)
  • az eredeti jelérték folytonos
  • a kvantált jelérték diszkrét
  • a különbség véletlen zajként jelenik meg

• Só-és-borsó zaj (salt-and-pepper, or peak noise):
  • pontszerű, képpel nem korreláló, véletlen
  • legtöbbször szélsőértékű (fekete és fehér)
  • tipikus egyes fajta űrfelvételekre

• Heurisztikus szűrés
  • Nem használunk explicit matematikai zajmodellt.
  • Tudjuk, hogy különböző szűrők különböző zajfajtákra alkalmasak.
    • átlagszűrő: nulla átlagú véletlen zajra
    • mediánszűrő: só-és-borsó zajra

• Átlagszűrő (mean filter ) definíciója:
  • Képtérben működő lineáris simítószűrő (spatial linear smoothing filter )
  • vannak más térben, pl. frekvenciatérben működő szűr ők is
  • fontosak és hasznosak, de nem foglalkozunk velük
  • ⇒ lásd klasszkus jel- és képfeldolgozást
  • A súlyok nemnegatívak, az összegük 1
  • a gyakorlatban a súlyok gyakran egész számok
  • a maszk alkalmazása után a súlyok összegével normálunk

• Doboz szűrő (box filter ) definíciója
  • Egyenlő súlyokkal rendelkező átlagszűrő
  • legegyszerűbb és leggyorsabb átlagszűrő

• Gauss-szűrő
  • A súlyokat a normáleloszlás (Gauss-eloszlás) adja.
  • r 2(x, y) = x2 + y2 a maszk középpontjától való távolság.
  • a maszk körszimmetrikus: csak az r -től függ
  • a maszk harangalakú az exponens miatt
  • A szigma paraméter szabályozza a szűrő méretét.
  • nagyobb szigma ⇒ nagyobb szűrő és erősebb simítás

• http://www.agt.bme.hu/tutor_h/terinfor/t33a.htm

8. A Gauss és Laplace szűrő kombinációja: LoG szűrő tervezése.

http://www.agt.bme.hu/tutor_h/terinfor/t33a.htm

9. Statisztikus szűrés, trimmelt átlag, ennek speciális esete a medián szűrő. A nemlineáris medián szűrő előnyei és hátrányai.

Ezen a helyen volt linkelve a median.JPG nevű kép a régi wiki ezen oldaláról. (Kérlek hozd át ezt a képet ide, különben idővel el fog tűnni a régi wikivel együtt)

• A mediánszűrő eredménye az ablakban levő értékek mediánja:
  • szortírozzuk az értékeket növekvő sorrendben
  • kiválasztjuk a szortírozott sorozat közepén levő értéket
  • ha az ablakméret páratlan, a sorozat közepe egyértelmű

• A medián robusztus statisztikai mennyiség (robust statistics)

• tulajdonságai
  • Eltávolítja a só-és-borsó zajt.
  • nem mossa el az éleket
  • nem csökkenti a kontrasztot
  • Töröl vékony vonalakat,
  • ha vonalvastagság kevesebb mint a szűrőméret fele.
  • ⇒ háttérpixelek többségben vannak az ablakban
  • ⇒ ők adják a mediánt
  • Lekerekíti a sarkokat.

11. Lényegkiemelés globális információ alapján: Diszkrét Fourier-transzformáció és annak gyors változata. Komplex képek kezelése, logaritmikus ábrázolása. Fourier transzformáció alkalmazásának előnyei, hátrányai.

• http://e-oktat.pmmf.hu/kepeshang_8_fejezet

[X,Y] = meshgrid(1:1024,1:1024);
I=exp(-j*(0.01*X+0.02*Y));
K=imag(I);
figure(1),imagesc(K)
F=fft2(K);
F=fftshift(F);
figure(2),imagesc(real(log(F)))

12. Fourier transzformáció néhány vizsgálójelre, pont, elforgatott síkhullám transzformáltja. Írja le szavakkal, milyen eredményeket kapunk és mi ennek az oka?!

N=1024
n_cyc = 256
x = (1:N)*n_cyc/N;
I_sin(1,:)=0.5*sin(2*pi*x)+0.5;
for i=1:N
	I(i,:)=im2uint8(I_sin);
end  
figure(1),imshow(I)
I = imrotate(I,45,'crop');
figure(2),imshow(I)
F=fft2(I);
F=fftshift(F);
figure(3),imagesc(real(log(F)))
colormap('default')

13. Élkiemelő és zajszűrő tervezése frekvenciatartományban. Aluláteresztő szűrő alkalmazása veszteséges tömörítésben.

• Ha zajszűrést szeretnénk végezni a frekvencia tartományban, akkor aluláteresztő szűrőket, ha élkiemelést, akkor felüláteresztő szűrőket kell alkalmazni.

• Alul áteresztő szűrőnél a nagyfrekvenciás komponenseket hagyjuk el, amik a gyors változásokat tárolják a képen, így a kép elmosódottabb lesz (veszteség) viszont fontosabb információkat megőriztünk tömörebben.

14. Konvolúció alkalmazása mintaillesztésre, a konvolúció és korreláció viszonya. Ugyanez a mintaillesztés frekvenciatartományban.

• http://e-oktat.pmmf.hu/kepeshang_8_fejezet

C = imread('CT.bmp');
A = imread('A.bmp');
Ar = imrotate(A,180);
F_CT = fft2(C);
F_Ar = fft2(Ar,size(C,1),size(C,2));
F = F_CT.*F_Ar;
I = ifft2(F);
[j,i]=find(I>14*10^5)
imshow(C), hold on, plot(i,j,'r+')

-- KovacsDavidBalazs - 2009.11.16. -- obrien - 2009.11.16. -- Mike - 2009.11.17.