UNIVERSITATEA “ DUNĂREA DE JOS “ DIN GALATI

FACULTATEA DE ECONOMIE SI ADMINISTRAREA AFACERILOR

SPECIALIZAREA MANAGEMENT

TITLUL LUCRĂRII

Coordonator știintific :

Conf. dr. ……DORIN BIBICU ..

Absolvent ,

…ILIE SĂNDICA

…………

Galați

1
 2021

CAPITOLUL 1

PROCESAREA ELEMENTARĂ SI ÎMBUNĂTĂȚIREA CALITĂȚII

IMAGINILOR DIGITALE

1.1 Introducere

Imaginile constituie una din cele mai importante surse de informații pentru om. Imaginilie
reale sunt percepute direct de către ochiul uman pe baza unui proces optico-neuronal constituit
din direcționarea luminii ( radiații electromagnetice ) prin globul ocular ( pupilă si cristalin ),
descompunerea imaginii în informații ( cu ajutorul sistemului de conuri si bastonașe ) la nivelul
retinei și, in final, interpretarea si memorarrea imaginii la nivelul centrului optic din creier.

Imaginea digitală este o reprezentare artificială a imaginii reale. Aceasta este obtinuta cu
ajutorul unor dispozitive de achiziție, este codificată ca date digitale ( numerice ) si stocată pe
diverse suporturi artificiale.

In algoritmul specific procesării imaginilor, primele doua etape sunt achiziția si

prezentarea ( salvarea ) imaginilor. In funcție de principiul de achiziție, Castleman [1] clasifică
imaginile astfel : imagini abstracte, obținute direct prin modelarea matematică; imagini vizibile,
percepute direct de către ochiul uman sau obtinute prin tehnici de schită, pictură, fotografie; si
imagini non-vizibile, care nu pot fi percepute direct si care sunt achizitionate prin tehnici de
raze X, ultrasunete, rezonantă magnetică si nucleară etc.
Toate aceste operații se pot implementa in aplicații dedicate de asistare si diagnosticare CAD1

1
Computer Aided Diagnosis

2
 1.2 Dimensiunea fractală

Analiza si interpretarea texturii imaginii se poate realiza si prin intermediul fractalilor [6].
Termenul de fractal a fost introdus de Benoit Mandelbrot in anul 1975 si este derivat din
latinescul fractus (fracturat). Fractalul este un obiect care respectă urmatoarele proprietati :

 este reprezentat la scară relativ mică;

 nu poate fi descris cu ajutorul geometriei eclidiene traditionale;
 este auto-similar si poate fi definit recursiv
Dintre fractalii uzuali amintim :
1. curba lui Kock;
2. sita/covorul lui Sierpinski;
3. buretele lui Manger

3
 CAPITOLUL 2

SEGMENTAREA IMAGINILOR DIGITALE

2.5.3 Metoda originală de segmentarea a imaginilor ecocardiografice 2D pe baza

integrarii contururilor active in imaginile de caracteristici

Eficiența operației de filtrare a imaginilor (de-noising process) poate fi investigată

folosind parametrii de zgomot definiți in relațiile (1.9 – 1.12) sunt [13, 15]: raportul semnal-
zgomot sau signal to noise ratio (SNR), valoarea maximă a raportului semnal-zgomot sau
peak to signal noise ratio (PSNR), eroarea pătratica medie sau mean squred error (MSE) si
eroarea absolută medie sau mean absolute error (MAE). Valorile SNR si PSNR au ca unitate
de masură [dB], iar valorile MSE si MAE nu au asociată o unitate de masură.

M N
∑ ∑ f 2(x , y )
x =1 y=1
M N
∑ ∑ ( g( x , y )−f ( x , y ))2
SNR= 10log x=1 y =1 [dB] (1.9)
2
(
MN max f ( x, y)
x, y )
M N
∑ ∑ ( g( x , y)−f ( x, y ))2
PSNR= 10 log x=1 y=1 [dB]
(1.10)
M N
1
MN
∑ ∑ ( g( x , y )−f ( x , y ))2
MSE= X =1 y =1

(1.11)
M N
1
MN
∑ ∑ |g ( x , y )−f ( x , y )|
MAE= x=1 y=1

(1.12)
4
 O filtrare de calitate superioară este caracterizată de valori ridicate ale parametrilor SNR și
PSNR și de valori scazute ale parametrilor MSE si MAE.

In figura 2.9 este prezentată schema etapelor de lucru, iar in figura 2.10 interfața grafică
utilizator a aplicației CAD. Analiza presupune segmentarea inițială de referintă a peretelui
endocard si epicard (Modulul (i)) realizată manual de catre medical specialist, segmentarea
semi-automată a peretelui endocard prin aplicarea metodelor ACM si ACM&SBGFRLS în

imaginea inițală I o (Modulul (ii)) si segmentarea semi-automată a peretelui endocard prin

integrarea contururilor active ACM si ACM&SBGFRLS in imaginile de caracteristici IF k

(Modulul (iii)).

Fig.2.1 Schema algoritmului de lucru

Modulul (I) Modulul (II) Modulul (III) Modulul (IV) Modulul (V)
Segmentarea de Segmentarea ACM Segmentarea Segmentarea Segmentarea
referintă in I ACM&SBGFRLS ACM in IF ACM&SBGFRLS
(manuală) in I in IF

Modulul (VI)

Eficiența de
segmentare

În modulul (vi) au fost calculate matricile de eficiență raportul ratei de eroare a ariei (AER), distanța
Frechet (FD) asociate rezultatelor de segmentare prin modulele (ii) – (v) raportate la rezultatul
segmentării de referintă.

In anexa 2 este prezentat codul sursă Matlab al segvențelor corespunzătoare modulelor (v) si (vi)
corespunzîtoare aplicației CAD de analiză.

2
Laborator elemente de prelucrare si analiza imaginilor , Editura Universitatii (2007)

5
 a a a
S-a notat cu AER 0 , DC 0 , FD 0 , matricile de calitate a segmentării directe pe imaginea originală,
a a a
respective cu AER IF , DC IF , FD IF pentru segmentarea imaginilor de caracteristici. a=1 indică
conturul endocard si a=2 conturul epicard. Rezultatele superioare pentru segmentarea in imaginile de
a a a a
IF k
caracteristici se obtin pentru valori pozitive maxime ale parametrilor AER - AER 0 si FD 0 - FD IF k și
a a
pentru valori negative minime ale parametrului DC 0 - DC IF k . In tabelele 2.3 si 2.4 sunt prezentate
exemple de valori privind eficiența metodelor de segmentare ACM si ACM&SBGFRLS in cazul
imaginilor de caracteristici.

Tabel 2.3 Exemple de valori privind eficiența metodei ACM in segmentarea imaginilor de
caracteristici (rezultatele superioare sunt evidențiate aldin)

AER DC FD
1 1 2 2 1 1 2 2 1 1 2 2
O IF 0 IF 0 IF 0 IF 0 IF 0 IF
AER -AER k AER -AER k DC -DC k DC -DC k FD - FD k FD - FD k
SAX LAX SAX LAX SAX LAX SAX LAX SAX LAX SAX LAX
IFµ 3×3 13.81 24.95 9.04 19.58 -0.15 -0.21 -0.07 -0.15 5.33 2.38 2.19 2.97
5×5 13. 14 19.74 6.35 15.01 -0.14 -0.17 -0.05 -0.11 5.48 2.11 1.95 2.27
7×7 9.48 8.23 2.60 9.04 -0.11 -0.11 -0.03 -0.02 4.50 -5.67 1.21 -1.80
9×9 8.15 -1.69 326 1.33 -0.11 -0.09 -0.03 0.09 3.94 -2.17 0.21 -1.61

IF σ 3×3 6.65 7.51 4.65 6.36 -0.09 -0.02 -0.03 -0.03 1.44 1.63 1.39 0.42
5×5 4.31 2.20 2.45 5.45 -0.02 0.10 0.15 -0.01 -1.07 0.84 1.18 -0.26
7×7 1.48 1.59 1.89 -1.65 0.13 0.21 0.09 0.15 -4.98 0.31 0.69 -2.29
9×9 -1.42 -2.69 -3.35 -7.14 0.11 0.18 0.15 0.13 -4.45 -1.41 -1.85 -3.73

IF u

IFϲ

6
 CONCLUZII SI PROPUNERI

Tematica abordată in cadrul tezei de doctorat se incadrează in domeniul ingineriei privind

procesarea informațiilor conținute de imaginile digitale. Obiectivul general, urmărit pe
parcursul cercetării doctorale, a fost investigarea, aplicarea, si validarea metodelor imagistice
2D/3D in domeniul medical , prin dezvoltarea unor metode, algoritmi si aplicații originale
CAD pentru procesarea și diagnosticarea imaginilor medicale de specialitate.

Cercetarile in domeniul procesarii automate a imaginilor medicale pot continua cu

dezvoltarea sistemelor CAD de investigare si diagnosticare automată a imaginilor tomografice
si imagini de endoscopie gastro-intestinală. Acestea din urmă pot fi folosite in scopul
dezvoltarii unui system CAD de asistență mobilă integrat la sursă (de exemplu la bordul navei
maritime) sau de tip telemedicină (integrat in laboratorul de specialitate si cu primire a datelor
de la distantă).

7
 BIBLIOGRAFIE

[1] K.R.Castleman, Digital Image Processing, Prentice Hall, Englewood Cliffs, NJ, (1996)

[2] C.Vertan, Prelucrarea si analiza imaginilor, Editura Printech, București, 1999

[3] C.Grava, V.Buzoiu, Elemente de prelucrare și analiza imaginilor, Editura Universitații din
Oradea, (2007)

[4] D.Bibicu, S.Moldovanu, L.Moraru, Automatic System for Analysis of Metabolic Disease,
JOSA, vol.3(16),pp. 247-353, (2010)

[5] A.McAndrew, An Intoduction to Digital Image Processing with Matlab, Publisher Course
Technology, (2004)

8
 ANEXE
Anexa 1. Codul sursă utilizat la segvența 1.5 pentru investigarea eficienței
metodei FFT cu filtrele ILPF, BLPF, GLPF.

clear all

clc

close all

%imaginea experimentală

L=imread(‘imagexp\1.bmp’);

If(size(1,3)==3)

I=rgb2gray(l);

end

%valorile de prag DO, analizate

TT=[1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1]

X=l

X=double(x)

% adaugare zgomot auditiv Gaussian cu variația 10 și media 0

Uu=10*randn(size(xz));

nr=1

for i=1:length(TT)

DO=TT(i)

T=DO*PQ(1);

9
 %tipul de filtru………………………………………………………………………

H=Ipfilter(‘gaussian’,PQ(1),PQ(2),T);

%H=Ipfilter(‘ideal’, PQ(1),PQ(2),D0);

%H=Ipfilter(‘btw’, PQ(1),PQ(2),D0);

%Calculare Trasformată Fourier rapidă inversă si conversia la

CUPRINS

CAPITOLUL 1………………………………………………………………..…2

PROCESAREA ELEMENTARĂ SI IMBUNĂTĂȚIREA CALITĂȚII IMAGINILOR DIGITALE………..…..2

1.1 Introducere……………………………………………………………………………………………….……2
1.2 Dimensiunea fractală…………………………………………………………………………………….…….3

CAPITOLUL 2………………………….………………………………………………………….……….4

SEGMENTAREA IMAGINILOR DIGITALE…………………………………………………………...……….4

2.5.3 Metoda originală de segmentare a imaginilor ecocardiografice 2D pe baza integrării contururilor active în
imaginile de caracteristici……………………………………………………………………………………….....4

CONCLUZII SI PROPUNERI……………………………………………………………………………………..7

BIBLIOGRAFIE……………………………………………………………………………………...……………8

ANEXE………………………………………………………………………………………………...…………..9

Anexa 1.C Codul sursă utilizat la segventa 1.5 pentru investigarea eficienței metodei FFT cu filtrele ILPF,
BLPF, GLPF………………………………………………………………………………………………………..9

OBSERVAȚIE FINALĂ…………………………………………………...………………………………...…..10

10
OBSERVAȚIE FINALĂ

Regulile de redactare a lucrarii de licentă sunt specifice fiecarei facultați in parte.Acestea sunt
publicate de-obicei pe site-ul facultații/specializării.

11