-1-

CAPITOLUL II

II.1. Stadiul actual

Mai multe abordări pentru prelucrarea imaginilor cu caracter dermatologic au fost

propuse în trecut, privind, în principal, imaginile cu leziuni ale pielii precum melanoame sau
psoriazis. Maglogiannis și Ilias [31] propun o metodă hibridă ce utilizează transformarea log-
polară pentru estimarea parametrilor de scalare și de rotație, un criteriu de schimbare a
semnului în combinație cu o schemă de optimizare hill-climbing pentru estimarea unei
scheme de traducere. Ersbøll și colab. [32] lucrează cu analiza formei statistice după
segmentarea leziunii pentru a face o aliniere rigidă, presupunând că scala imaginii ramâne
constantă. Ulterior, deplasările interne mici sunt corectate printr-o schemă combinată de
înregistrare și aliniere. Algoritmul SHARP segmentează leziunile din imagini și utilizează
momente de ordinul întâi și doi a imaginilor binare rezultate pentru a determina parametrii de
rotație și traducere.

Pentru segmentarea melanoamelor se utilizează adesea o operație de segmentare cu

prag automat. Lucrarea lui Round et al [33] cu privire la segmentarea leziunilor cutanate este
în esență o aplicație a algoritmului de divizare și îmbinare . Hance și colab. [33] au realizat o
compararea a șase algoritmi de segmentare a culorii pentru aplicarea specială a frontierelor
tumorale (pragul adaptiv, fuzzy c-means, scindarea pe centru, tăierea mediană, diviziunea și
îmbinarea, segmentarea multirezoluțională).

Pentru segmentarea alunițelor, în lucrarea publicată de Tim K. Lee [36], se propune

folosirea unei filtrări mean shift, urmată de un algoritm de clasificare a claselor pentru
identificarea regiunii de interes.

Sathya și Manavalan [37] studiază efectul algoritmilor de clustering asupra imaginilor,

punând în evidență eficiența acestora, lucru ce pare promițător și în cazul imaginilor clinice cu
hemangioame.

Aceste metode nu sunt potrivite în totalitate pentru segmentarea imaginilor clinice

conținând hemangioame deoarece acestea trebuiesc monitorizate în timp iar pe parcursul
investigațiilor fotografierea se face din diferite unghiuri și la diferite distanțe. De asemenea,
aspectul hemangiomului se schimbă pe parcursul tratamentului, de aceea este nevoie de un

- 10 -
algoritm adaptabil, care să recunoască regiunea de interes atunci când proprietățile fizice se
schimbă.

În cazul hemangioamelor, Sebastian Zambanini [34, 35] propune segmentarea

regiunilor aparținând hemangiomului folosind o pre-segmentare bazată pe un algoritm
perceptron urmat de o etapă de postprocesare în care regiunile cu proprietăți atipice sunt
respinse. Pe un set de 29 de imagini, algoritmul de segmentare a atins o rată fals pozitivă de
15,5% și o rată negativă de 13,1%.

II.2. Etapa de preprocesare

Obiectivele principale ale preprocesării imaginilor inainte de segmentarea acestora sunt

de a obține imagini mai clare, pentru a evidenția detaliile importante, precum și pentru a ușura
etapele ulterioare de procesare și de evaluare automată a imaginii.
Deși preprocesarea imaginilor poate distorsiona sau modifica datele brute din
imaginea inițială, utilizarea inteligentă a tehnicilor de preprocesare poate oferi beneficii
și rezolva probleme care, în cele din urmă, conduc la o segmentare mai bună.
În funție de imaginea originală și de rezultatul dorit se pot alege una sau mai multe
funcții de imbunătățire a calității imaginii.
Tehnicile de îmbunătățire a calității imaginilor au fost utilizate pe scară largă în
multiple aplicații ale procesării de imagini, unde calitatea subiectivă a imaginilor este
importantă pentru interpretarea umană. Contrastul este un factor important în orice evaluare
subiectivă a calității imaginii. Contrastul este creat de diferența de luminanță reflectată de
două suprafețe adiacente. Cu alte cuvinte, contrastul este diferența în proprietățile vizuale
care face ca un obiect să se distingă de alte obiecte și de fundal. În percepția vizuală,
contrastul este determinat de diferența de culoare și strălucire a obiectului cu alte obiecte.
Sistemul vizual este mai sensibil la contrast decât la luminanța absolută; prin urmare,
percepția nu variază odată cu modificarea condițiilor de iluminare.

- 11 -
II.2. Transformări colorimetrice

Imaginile colorate pot fi reprezentate printr-o funcție de intensitate C(x,y,λ),

dependentă de lungimea de undă λ a luminii reflectate. De exemplu, pentru o valoare fixă
λ, C(x,y,λ) reprezintă o imagine monocromă.

Raspunsul luminozității unui observator uman la o imagine va fi, prin urmare:

∞
�(�, �) = �(�, �, λ)V(λ)d λ (2.1)
∫
0

unde V (λ) este factorul de răspuns al ochiului uman la frecvența λ.

V (λ) se numește funcția relativă de eficiență luminată a sistemului vizual. [38]

Percepția culorilor este determinată de natura luminii reflectate de către obiect. Prin
urmare, culoarea unui obiect este determinată de lumina incidentă pe obiect și cantitatea de
lumină reflectată și absorbită. Proprietățile de reflexie sunt determinate de:
· Pigmenții chimici
· Structurile fizice ale suprafeței [39]

Datorită acestor caracteristici de absorbţie, culorile sunt observate sub forma unor
combinaţii de variabile primare: roşu, verde şi albastru. Prin combinarea celor trei culori
primare obținem culoarea alb.[38]
Pentru vederea culorilor sunt responsabile celulele cu con. Experimental, s-a
demonstrat faptul că acestea pot fi împărțite în trei categorii principale de detecție,
corespunzătoare culorilor principale, roșu, verde și albastru:

65% din conuri sunt sensibile la roșu

33% la verde
2% la albastru

prin urmare, au trei funcții de reacție la luminozitate:

∞
�𝑅(�, �) = �(�, �, λ)VR(λ)d λ
∫
(2.2)
- 12 -
0

- 13 -
 ∞
�𝐺 (�, �) = �(�, �, λ)VG(λ)d λ (2.3)
∫
0
∞
��(�, �) = �(�, �, λ)VB(λ)d λ
∫(2.4)

Spațiile de culoare se referă la un sistem de coordonate de culoare în care fiecare

punct reprezintă o culoare. Modele diferite sunt definite (standardizate) în scopuri diferite.
[39]

a. RGB (roșu, verde,albastru)

-folosit pentru monitoare color (CRT și LCD) și camere video [40]

Fig. 2 .1 Reprezentare 3D a spațiului de culoare RGB

[https://en.wikipedia.org/wiki/RGB_color_space]

b.HSV (nuanță, saturație și luminozitate)

- este cel mai apropiat de modul în care ochiul uman percepe culorile
- fiecare nuanță este reprezentată de o porțiune radială, centrată în jurul unei axe de culori
neutre (negru- în partea de jos; alb-în partea de sus) [41]

- 14 -
 Fig. 2.2 Reprezentare 3D a spațiului de culoare HSV
[https://www.researchgate.net/figure/HSV-color-space-Hue-saturation-value_fig1_284698928]

c. Lab este cel mai uniform spațiu de culoare

- L reprezintă luminozitatea culorii
-a este componenta care descrie spectrul de culori de la verde (valori negative) la roșu (valori
pozitive)
-b este componenta care descrie culorile de la albastru (valori negative) până la galben (valori
pozitive)
-toate cele trei componente au o plajă de valori predefinită, cu valori absolute [42]

Fig. 2.3 Reprezentare 3D a spațiului de culoare Lab

[https://www.researchgate.net/figure/CIE-LAB-1976-color-space_fig2_263697963]

- 15 -
c. YCbCr (sau YUV) este adesea folosit în sistemele video și fotografia digitală
(sistemul vizual este mult mai sensibil la luminanță decât la culoare) [43]

Fig. 2.4 Reprezentare 3D a spațului de culoare YcbCr

[https://techpubs.jurassic.nl/manuals/hdwr/developer/OctPersVid_PG/sgi_html/ap
d.html]

d.XYZ este cunoscut ca format primar

Este o transformare liniara a valorilor tristimuls RGB astfel încât :
 orice culoare fizică monocromatică să fie caracterizată de valori tristimulus
pozitive
 componenta Y să fie o măsură a eficienței luminoase (deci a luminanței
culorii)
 pentru o lumină albă valorile tristimulus să fie egale. [44]

- 16 -
 Fig. 2.5 Reprezentarea grafică a formatului XYZ
[http://forum.luminous-landscape.com/index.php?topic=37695]

Conversia între spațiile de culoare poate fi liniară sau neliniară. Unele modele pot fi
mai utile atunci când se dorește vizualizarea mai bună a unui obiect.

II.1.1 Alegerea spațiului de culoare

Primul pas pentru scrierea algoritmului de segmentare a imaginilor este stabilirea

spațiului de culoare cel mai potrivit pentru imaginile alese.
În vederea alegerii celui mai potrivit plan de vizualizare s-au trecut un eșantion de
cinci imagini, cu proprietăți diferite, prin toate spațiile de culoare menționate, au fost
descompuse în trei planuri pentru a se putea studia vizibilitatea obiectului de interes pentru
fiecare, în parte.

Planul de culoare trebuie ales în funție de aplicația dorită. Nu se poate afirma despre un
anumit plan de culoare faptul că oferă mai multe informații decât celelalte. Gradul de utilitate
al fiecăruia depinde de tipul imaginii, de informația din imagine, de coloristica imaginii și de
datele care se doresc a fi extrase.[45]

- 17 -
 În aplicația curentă, extragerea zonelor de hemangiom din imagini clinice, se așteaptă
să dea informații concludente un plan de roșu, deoarece acesta ar minimiza detaliile zonei de
background, unde culoarea roșie se găsește în proporții foarte mici față de regiunea de interes.

a b c d
Fig. 2.6 Imagine cu hemangiom reprezentat în diferite spații de culoare
a) spațiile de culoare de culoare RGB, HSV, Lab, YCbCr; b) planurile R, H, L și Y;
c) planurile G, S, a și Cb; d) planurile B, V, b și Cr;

În imaginea prezentată mai sus se poate observa o imagine cu hemangiom trecută prin
patru spații de culoare: RGB, HSV, Lab și YcbCr, în această ordine. Pe prima coloană sunt
imaginile în spatiile de culoare menționate, apoi cele trei planuri ale fiecărui spațiu, separat.

Figura 2.7, în particular, are claritate bună atat pe dimensiunile G și B ale spațiului
RGB, cât și pe componenta de saturație din spațiul HSV însă în imaginile unde hemangiomul
nu are o culoare foarte pronunțată regiunea de interes nu se distinge, după cum se observă în
imaginea de mai jos:

- 18 -
 a b c
Fig. 2.7 a) Imagine cu hemangiom în format RGB; b) Componenta de saturație a imaginii ;
c) Planul green-red din Lab al imaginii;

Figura 2.7 reprezintă imaginea originală, în comparație cu planul de saturație din HSV
și axa verde-roșu din spațiul Lab. În imaginea de saturație hemangiomul nu are conturul foarte
bine definit, spre deosebire de cea de-a doua.
Rolul schimbării spațiului de culoare este de a pune in evidență hemangiomul în
favoarea altor obiecte ce pot apărea în imagine. Chiar dacă, la prima vedere, calitatea imaginii
și contrastul par mai scăzute după această modificare, atât timp cât nu sunt afectate merginile
hemangiomului contrastul poate fi îmbunătățit ulterior.

a b
Fig. 2.8 a) Imagine RGB cu hemangiom; b)Imagine în Lab, planul a

În figura 2.8 se poate observa cel mai bine faptul că forma hemangiomului rămâne
intactă, în timp ce celelelte zone se contopesc, formând un fundal comun. Micșorarea
numărului de moduri al histogramei este un pas important în preprocesarea imaginilor
deoarece cu cât
- 19 -
histograma este mai simplă, cu atât segmentarea este mai precisă.

- 20 -
 a b
Fig. 2.9 a) Histograma imaginii 2.8.a; b)Histograma imaginii 2.8.b;

Pentru testarea teoriei s-a incercat segmentarea unei imagini în două spații de culoare
diferite, folosind același algoritm de segmentare.

a b

c d
Fig. 2.10 a) Planul S al unei imagini HSV; b) Segmentarea imaginii a; c) Planul a al unei imagini Lab;
d) Segmentarea imaginii c;

- 21 -
 Deși, vizual, prima variantă a imaginii pare mai clară, algoritmul de segmentare nu
poate distinge zona de hemangiom de cea non-hemangiom, rezultatul fiind o imagine
aproapeneagră. Imaginea cu dimensiunea a a spațiului Lab deși pare destul de ștearsă oferă,
totuși, o segmentare net superioară.
Astfel, pentru ca algoritmul să poată fi folosit pe o varietate cât mai mare de imagini se
va alege spațiul de culoare Lab, planul a.

II.2.1 Transformări punctuale

Transformările punctuale modifică fiecare pixel al imaginii inițiale conform unei

operații impuse și folosește rezultatele pentru a crea o imagine nouă.[46]
Transformările logaritmice [46] pot fi folosite pentru a intensifica intensitățile unei
imagini. Mai des, este folosit pentru a mări detaliile (sau contrastul) în imaginile cu
luminozitate scăzută. În mediul MatLab, ecuația folosită pentru a obține transformarea
logaritmică a imaginii este:
𝑀−1
��� =
(2.5)
log(𝑀)log(1+�)

unde M este numărul de nivele de gri din imaginea inițială, iar u reprezintă imaginea inițială.

Transformarea putere [46] poate fi dată de expresia:

��� = (𝑀 − 1)
� (2.6)

(𝑀−1)�
unde M este numărul de nivele de gri, u imaginea original și r puterea.
Pentru diferite valori ale exponentului pot fi obţinute diferite nivele de îmbunătăţiri.
Această tehnică este destul de frecvent numită corecţie gamma. Monitoarele de afişare diferite
afişează imagini la diferite nivele de claritate deoarece fiecare monitor are built-in un modul
de corecţie Gamma cu anumite intervale Gamma şi astfel un monitor bun corectează automat
toate imaginile afişate.
Diferenţa dintre funcţia logaritmică şi funcţiile de putere este că, folosind funcţia de
putere o familie de curbe de transformare posibile pot fi obţinute doar prin diferențe de λ.
Funcția exponențială [46] vizează extinderea nivelurilor superioare de gri, în
detrimentul nivelurilor inferioare gri, care vor apărea mai compacte pe histogramă spre
deosebire de funcția logaritmică. Pentru realizarea transformării este utilizată formula:

- 20 -
rez=MM−1 (2.7)

- 21 -
unde M este numărul de nivele de gri și u imaginea inițială.
În cazul imaginilor cu hemangiom niciuna din operațiile menționate nu aduce
imbunătățiri semnificative. În timp ce funcțiile de transformare de tip logaritmic și exponențial
deteriorează imaginea până la punctul în care zona de hemangiom aproape nu mai poate fi
distinsă de piele, funcția putere păstrează calitatea imaginii însă nu aduce îmbunătățiri
semnificative.

Fig. 2.11 Imagine cu hemangiom supusă celor trei modificări de contrast punctuale: logaritmică,

exponențială și putere

II.2.2 Egalizarea de histogramă

Histograma este o reprezentare grafică a distribuției nivelurilor de gri ale unei imagini.
În termeni simpli, reprezintă numărul de pixeli pentru fiecare valoare de intensitate
considerată. [47]

- 22 -
 Fig. 2.12 Histogramă bimodală

În figura 2.12, axa X reprezintă scala tonală (negru la stânga și alb la dreapta), iar axa
Y reprezintă numărul de pixeli dintr-o imagine. Aici, histograma arată numărul de pixeli
pentru fiecare nivel de luminozitate (de la negru la alb), iar atunci când există mai mulți
pixeli, vârful la nivelul anumit de luminozitate este mai mare. Se poate observa faptul că
histograma are două moduri, reprezentând zona de hemangiom și pielea.
Egalarea histogramei este o tehnică de imbunătățire a calității imaginilor prin
intensificarea contrastului. Deoarece unele imagini conțin pixeli cu valori aproapiate, pentru a
se distinge mai bine anumite zone este nevoie de întinderea nivelurilor de gri pe o plajă mai
mare. Întinderea maximă de contrast este atinsă atunci când pixelii din imagine au valori
cuprinse între 0 și 255. [46]
Egalizarea adaptivă de histogramă diferă de egalizarea histogramei obișnuite în sensul
că metoda adaptivă calculează mai multe histograme, fiecare corespunzând unei secțiuni
distincte a imaginii, și le folosește pentru a redistribui valorile de luminozitate ale imaginii.
Prin urmare, este potrivită pentru îmbunătățirea contrastului local și pentru îmbunătățirea
vizibilității contururilor din fiecare regiune a imaginii.
Histograma adaptivă, limitată de contrast (CLAHE) diferă de egalizarea histogramei
adaptive în limita de contrast. În cazul CLAHE, procedura de limitare a contrastului este
aplicată fiecărei vecinătăți din care derivă o funcție de transformare. CLAHE a fost dezvoltat
pentru a preveni amplificarea zgomotului pe care o poate genera egalizarea histogramei
adaptabile.[48]

- 23 -
 Fig. 2.13 Histograma 2.12 după operația de egalizare de histogramă

Figura 2.13 reprezintă histograma unei imagini dupa egalizarea adaptivă a histogramei,
limitată de contrast. Se observă faptul că cele două moduri nu se mai disting, nivelurile de gri
se extind pe toată zona, inclusiv zona goală dintre moduri, formând unul singur.

a b
Fig. 2.14 a) Aspectul imaginii înainte de egalizarea histogramei; b) Imagine după egalizarea
histogramei

Diferența dintre imaginea originală și imaginea după egalizarea histogramei este destul
de mare. După egalizare, zona din jurul hemangiomului se deschide ușor, iar zona de interes
se distinge mult mai bine din fotografie.

- 24 -
 a b
Fig. 2.15 a) Aspectul unei imagini cu contrast mic înainte de egalizarea histogramei;

b) Imagine după egalizarea histogramei

Deși într-o imagine unde hemangiomul deja se distinge destul de bine egalizarea de
histograma nu este un pas absolut necesar, în cazul imaginilor unde diferența de contrast între
piele și hemangiom nu este foarte mare acest pas poate ușura procesul de segmentare. Figura
2.15 este cel mai bun exemplu pentru acest caz. Deși la imaginea anterioară diferența era
vizibilă, dar nu semnificativă, în cazul acestei imagini se poate observa faptul că hemangiomul
se distinge mult mai bine.

- 25 -