SISTEME IMAGISTICE MEDICALE

Prelucrarea imaginilor cu niveluri de gri

Cristian Rotariu

Curs 4
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Introducere

Detecţia contururilor joacă un rol important în prelucrarea imaginilor şi

recunoaşterea formelor, fiind un pas de aproape obligatoriu pentru
numeroşi algoritmi de recunoaştere a obiectelor.

Imaginea cu nivele de gri conţine în mod obişnuit o cantitate prea mare

de informaţie pentru a putea fi utilizată imediat în procesul de
recunoaştere.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Detecţia contururilor utilizând operatorii derivativi de ordinul I

Metodele de segmentare permit separarea imaginii în regiuni disjuncte.

Problema principală legată de metodele de segmentare sunt legată de
găsirea pragului (pragurilor) de segmentare.

Acest lucru nu poate fi realizat cu destulă acurateţe în cazurile în care

contrastul dintre obiectele din imagine şi fond este mic sau iluminarea
scenei nu este uniformă. În astfel de cazuri este mai eficient să se recurgă
la o tehnică complementară de segmentare, detecţia contururilor.

Punctele de contur caracterizează zona de frontieră între obiecte sau între

obiecte şi fond. Detecţia lor presupune determinarea zonelor din imagine
în care funcţia nivel de gri are variaţii bruşte.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Detecţia contururilor utilizând operatorii derivativi de ordinul I

Aceste discontinuităţi pot fi puse în evidenţă cu ajutorul unor operatori
diferenţiali locali.

Intensitatea de-a lungul unei linii verticale din imagine şi derivata I

Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Detecţia contururilor utilizând operatorii derivativi de ordinul I

Se observă din grafic că un contur este modelat printr-o creştere lină şi nu
printr-o schimbare bruscă de intensitate.

Prima derivată a unui contur modelat astfel este zero în toate regiunile de
intensitate constantă şi ia valori diferite de zero pe parcursul unei
tranziţii de intensitate.

Din punct de vedere practic problema este complicată datorită

zgomotelor din imagine, efectelor de netezire introduse de senzor şi
aproximaţiilor care apar datorită cuantizării. Mai mult, în cazul unor
obiecte suprapuse, este dificil să se găsească frontiera dintre acestea
întrucât diferenţa de contrast este relativ mică.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

Operatorii de tip gradient încearcă să aproximeze valorile modulului

gradientului prin operaţii de convoluţie cu măşti specifice. Aceste valori
vor fi calculate pentru toţi pixelii din imagine urmând ca apoi să se
utilizeze un prag pentru a se decide care dintre aceştia reprezintă pixeli
de contur.

Gradientul unei funcţii imagine F(x,y) într-un punct (x,y) este definit ca
un vector bidimesional astfel:

F F
 F ( x, y )  i j
x y
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

Este cunoscut faptul că vectorul  este îndreptat în direcţia variaţiei
maxime a funcţiei F în punctul (x,y)

Pentru detecţia contururilor se iau în calcul modulul şi orientarea

vectorului gradient:

2 2
 F   F 
F ( x , y )       ,
 x   y 

F F
F ( x, y )  /
y x
Direcţia gradientului şi direcţia conturului
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

O primă posibilitate de aproximare a derivatelor parţiale în punctul (x,y)

în cazul discret este dată de:

F
( x, y )  D1x  F ( x, y )  F ( x  1, y )
x
F
( x, y )  D1 y  F ( x, y )  F ( x, y  1)
y
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

Dacă ţinem cont că operaţia de convoluţie bidimensională discretă cu o

mască definită într-o vecinătate [-k, k]  [-l, l] poate fi scrisă:

ik j l
G (i, j )    F (m, n)H (i  m, j  n)
m i  k n  j l

 1
operaţiile sunt echivalente convoluţia cu măştile  1 1 respectiv   .
 1
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

Sunt situaţii când se preferă forma de aproximare simetrică. Aceasta este

dată de diferenţele centrate:

D2 x  F(x  1,y)  F(x  1,y )

D2 y  F(x,y  1 )  F(x,y  1)

sau echivalent de convoluţia imaginii cu măştile: D2 x   1 0 1 şi

 1
D2 y   0  .
 1
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

O altă formă de aproximare intens utilizată în practică măsoară variaţiile
funcţiei imagine în două direcţii ortogonale situate la 45 respectiv 135
faţă de axa Ox (operatorul Roberts).

R1  F ( x  1, y  1)  F ( x, y )
R2  F ( x, y  1)  F ( x  1, y )

Aceasta poate fi exprimată echivalent prin convoluţia cu măştile:

 0 1 1 0 
R1    şi R2  
  1 0 0  1
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

Pentru a atenua efectul zgomotelor au fost propuse numeroase alte
proceduri de aproximare, care încearcă să realizeze o netezire a valorilor
imaginii înainte de a efectua operaţia de diferenţiere.

Dacă operaţia de netezire este făcută pe o direcţie perpendiculară faţă de

direcţia pe care se face diferenţierea se obţine operatorul Prewitt:

1
F 3 x(x,y)  F(x,y  1 )  F(x,y)  F(x,y  1 )
3
1
Px ( x, y )  F ( x  1, y  1)  F ( x  1, y ]  F ( x  1, y  1) 
3
1
 F ( x  1, y  1)  F ( x  1, y ]  F ( x  1, y  1)
3
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

1
F 3 y (x,y)  F(x  1,y)  F(x,y)  F(x  1,y)
3
1
Py ( x, y )  F ( x  1  1, y  1)  F ( x, y  1]  F ( x  1, y  1) 
3
1
 F ( x  1, y  1)  F ( x, y  1]  F ( x  1, y  1)
3

Aceasta poate fi exprimată echivalent prin convoluţia cu măştile:

 1 0 1 1 1 1
1 1
Px   1 0 1 Py   0 0 0  (măştile Prewitt)
3 3
 1 0 1  1  1  1
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

Operatorii Sobel şi Frei-Chen, diferă de operatorul Prewitt prin aceea că
ponderea vecinilor de pe direcţiile orizontală şi verticală sunt modificate.
Astfel, operatorii pot fi implementaţi prin convoluţia cu măştile:

  1 0 1 1 2 1
1 1
S x   2 0 2 S y   0 0 0  (Sobel)
4 4
  1 0 1   1  2  1

 1 0 1  1 2 1 
1  1  
Fx    2 0 2  Fy  0 0 0  (Frei-Chen)
2 2 2 2 
  1 0 1   1  2  1
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

În imaginea gradient, obţinută prin aplicarea acestor măşti valoarea
fiecărui pixel reprezintă o aproximare a modulului gradientului.

Calculul modulului gradientului cu ajutorul operaţiilor de ridicare la

putere şi radical, operaţie care trebuie realizată pentru toţi pixelii din
imagine, este o modalitate de implementare ineficientă din punct de
vedere al timpului de execuţie. Din acest motiv, în practică se utilizează
aproximări de forma:

F ( x, y )  P3 x  P3 y

Se constată că practice, aproximările discrete ale operatorilor diferenţiali

prezintă un inconvenient legat de precizia localizării pixelilor de contur.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

Operatorii diferenţiali de ordinul I ridică încă o serie de probleme a căror
rezolvare nu este întru-totul clară.

Prima dintre ele se referă la găsirea nivelului de prag pe baza căruia să se

facă clasificarea pixelilor imaginii gradient. Uzual această problemă se
rezolvă prin impunerea unui procent din totalul pixelilor din imagine care
să fie atribuiţi clasei pixelilor de contur (valorile utilizate în general sunt
de 3%-5%). Valorile acestui prag pot avea influenţe semnificative asupra
calităţii detecţiei şi prelucrărilor ulterioare.

Cea mai dificilă problemă din punct de vedere practic rămâne însă cea
legată de detecţia incompletă a fragmentelor de contur corelată cu
detecţia unor falşi pixeli aparţinând conturului.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip gradient

Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Imagine cu niveluri de gri a), imaginile obţinute în urma aplicării pe

imaginea sursă a măştilor Sobel 5x5 b) şi c), imagine gradient Sobel d)
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip compas

Operatorii de tip gradient prezentaţi anterior realizează calculul

gradientului după două direcţii ortogonale. O altă abordare presupune
calculul gradientului după un număr mai mare de direcţii (uzual 8) şi
alegerea ca rezultat a valorii maxime a modulului gradientului
direcţional.

Operatorii de tip compas măsoară valorile gradientului într-un număr dat

de direcţii.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip compas

Măştile Kirsch
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatori de tip compas

G (i, j )  MAX G1 (i, j ) , G2 (i, j )  G8 (i, j ) , unde
Gk (i, j )  F (i, j )  H k (i, j ) , k  1 8
Pentru cele opt imagini gradient obţinute se selectează valoarea maximă
a răspunsului şi se decide existenţa unui pixel de contur pe baza utilizării
unui nivel de prag.

Performanţele acestor metode sunt similare celor anterioare iar

dificultăţile referitoare la implementare se menţin în privinţa alegerii
pragului.

Pentru imagini zgomotoase, valori ridicate ale pragului vor duce la

absenţa unor fragmente de contur, iar valori mici ale acestuia la detecţii
false.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Imagine cu niveluri de gri a), imagine gradient Kirsch b)

Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Metode de detecţie a contururilor utilizând operatorii derivativi de

ordinul II

Operatorul Laplacian

Pentru detecţia contururilor sunt necesari operatori care accentuează

frecvenţele înalte, operatori de diferenţiere.

Având în vedere contururile ce urmează a fi detectate pot avea orice

direcţie, operatorul de diferenţiere trebuie să fie izotrop (invariant la
rotaţie).
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatorul Laplacian

Un astfel de operator care satisface condiţiile de izotropie este operatorul

Laplacian:

2 2F 2F
 F ( x, y )  2  2
x y

Aproximările discrete bazate pe diferenţele finite necentrate duc la

următoarea formulă de calcul pentru operatorul Laplacian:
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatorul Laplacian

 2 F ( x, y )  1x F ( x  1, y )  1x F ( x, y )  1 y F ( x, y  1)  1 y F ( x, y ) 
 F ( x  1, y )  F ( x, y )  F ( x, y )  F ( x  1, y )  F ( x, y  1)  F ( x, y ) 
 F ( x, y )  F ( x, y  1)  F ( x  1, y )  F ( x  1, y )  F ( x, y  1) 
 F ( x, y  1)  4 F ( x, y )

0 1 0 
sau de o convoluţie cu masca: L1  1  4 1 .
0 1 0
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatorul Laplacian

Efectul de accentuare a contururilor este dat de ecuaţia:

F x, y    2 F x, y   5  F x, y   F x  1, y   F x  1, y  

 F x, y  1  F x, y  1

 0 1 0 
sau de o convoluţie cu masca: L2   1 5  1 .
 0  1 0 
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatorul Laplacian

Se pot defini alte măşti care realizează accentuarea contururilor, de tipul:

 1  1  1  1 2 1 
L3   1 9  1, L 4   2 5  2
 1  1  1  1  2 1 

Toate măştile date, care realizează accentuarea contururilor, realizează o

filtrare trece sus şi au proprietatea comună că suma tuturor elementelor
matricelor de convoluţie este unitară, pentru a evita introducerea unei
componente suplimentare în imaginea prelucrată.
 Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Toate măştile date, care realizează accentuarea contururilor, realizează o

filtrare trece sus şi au proprietatea comună că suma tuturor elementelor
matricelor de convoluţie este unitară, pentru a evita introducerea unei
componente suplimentare în imaginea prelucrată.

Există două posibilităţi pentru utilizarea valorii Laplacianului în

detectarea punctelor de muchie.

Prima se bazează pe detecţia valorilor de maxim local prin compararea cu

un prag stabilit.

Cea de-a doua utilizează punctele de trecere prin zero ale valorii
Laplacianului. Deşi în acest caz problema detectării unui nivel de prag
pare a fi eliminată, în practică, datorită zgomotului, o simplă detecţie a
punctelor de trecere prin zero nu este suficientă pentru a obţine un grad
acceptabil de acurateţe.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatorul Laplacianul Gaussianului (LoG)

Deoarece măştile de convoluţie prezentate anterior reprezintă aproximări

discrete a derivatei a doua, acestea sunt foarte sensibile la zgomote.
Pentru eliminarea acestui inconvenient, adesea imaginea este netezită cu
un nucleu de convoluţie Gaussian, înainte de aplicarea filtrului
Laplacian.

Această etapă de preprocesare reduce componentele de frecvenţă înaltă

din zgomot, înainte de aplicarea operatorului de diferenţiere.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Operatorul Laplacianul Gaussianului (LoG)

Pornind de la aceste considerente s-a încercat ca operaţia de netezire
(efectuată înaintea aplicării operatorului de detecţie a contururilor pentru
a elimina zgomotele) să poată fi făcută cu un operator capabil să lucreze
la diferite rezoluţii. Un astfel de operator este operatorul Gaussian:
1  x2  y2 
  
1 2   2 
g ( x, y )  2
e 
2

Este important de asemenea de remarcat faptul că operaţia de netezire

Gaussiană nu deplasează punctele de trecere prin zero ale operatorului
Laplacian. Efectul de netezire obţinut poate fi controlat prin valorile
parametrului . Valorile mari ale lui  asigură detecţia muchiilor la o
scară mai mare.
 Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de detecţie a contururilor

Imagine cu niveluri de gri a),

imaginile obţinute în urma
aplicării pe imaginea sursă a
operatorului Laplacian 3x3,
respectiv 5x5 b) şi c),
imagine obţinută în urma
aplicării operatorului LOG