SISTEME IMAGISTICE MEDICALE

Prelucrarea imaginilor cu niveluri de gri

Cristian Rotariu

Curs 5
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Introducere
Obţinerea unei descrieri pentru imaginea supusa analizei presupune
realizarea unei operaţii de segmentare a imaginii. Aceasta constă în
descompunerea imaginii într-un număr de regiuni disjuncte , fiecare
având un anumit grad de omogenitate în raport cu o anumită proprietate,
nivel de gri, textură, modulul gradientului, etc.

Realizarea unei segmentări corecte şi complete în care regiunile separate

să poată fi puse direct în corespondenţă cu un anumite obiecte din
imagine sunt dificil de realizat.

Pentru a descrie corect obiectele din imagine procesul de segmentare

trebuie sa facă apel la o serie de informaţii suplimentare legate de tipul
imaginii de segmentat şi să coopereze cu alte module de nivel înalt
utilizate ulterior segmentării în analiza imaginii.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Binarizarea imaginii

Binarizarea imaginii reprezintă cea mai simplă metodă de segmentare.

Algoritmii de binarizare pot fi aplicaţi cu succes în cazul în care obiectele

din imagine au un nivel de gri relativ constant ce contrastează faţă de
nivelul de gri asociat fondului.

Aceasta face ca separarea regiunilor din imagine să poată fi realizată fără

prea mari dificultăţi prin impunerea unui prag de binarizare pe baza
căruia fiecare pixel din imagine să poată fi clasificat ca fiind pixel de
fond sau de obiect.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Binarizarea imaginii

Pixelii imaginii destinaţie (binarizate) pot fi etichetaţi conform

următoarei reguli:

 NumGri, dacă src(i, j)  T

dst(i, j)  
0 , în rest

Aşa după cum se poate vedea mai sus operaţia de binarizare are un
caracter local, noua valoare a pixelului curent depinde numai de valoarea
pragului şi de nivelul de gri propriu.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Binarizarea imaginii

Aşa după cum se poate vedea mai sus operaţia de binarizare are un
caracter local, noua valoare a pixelului curent depinde numai de valoarea
pragului şi de nivelul de gri propriu.

O astfel de binarizare este eficientă din punct de vedere computaţional,

uşor de implementat şi de testat.

Ea este adecvată însă pentru o clasă relativ restrânsă de imagini şi anume

acelea pentru care separarea între obiecte şi fond este netă.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Binarizarea imaginii

Alegerea unui prag de binarizare corect este esenţială pentru a obţine

rezultate în concordanţă formele din imagine.

Acest prag poate fi ales interactiv sau poate fi determinat utilizând

diferite proceduri de tipul celor discutate mai jos.

Variaţii relativ mici ale pragului de binarizare pot influenţa semnificativ

rezultatul binarizării (alegerea unui prag prea scăzut pentru binarizare
poate la clasificarea multor pixeli de fond ca fiind pixeli obiect).
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Binarizarea imaginii

În multe imagini, nivelul de gri al obiectelor din scenă are o variaţie mai
pronunţată.

Astfel de cazuri sunt frecvent întâlnite atunci când iluminarea nu este

uniformă, există umbriri sau când dispozitivul de captare are o
sensibilitate variabilă în zona de formare a imaginii.

Alegerea unui prag variabil de binarizare care să depindă de poziţia în

imagine sau de gradul de iluminare poate fi o soluţie în aceste situaţii.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Binarizarea imaginii
O metodă presupune divizarea imaginii într-un număr de cadrane şi
determinarea unui prag de binarizare pentru fiecare subregiune în parte.

În cazul în care histograma imaginii nu are un caracter bimodal, pragul

asociat este calculat prin interpolarea celor învecinate.

Histogramă bimodală
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Metode de determinare automată a pragului de binarizare

Alegerea automată a pragului de binarizare reprezintă a cerinţă

obligatorie pentru cele mai multe sisteme de prelucrare a imaginilor.

În general, această alegere se face pe baza unor informaţii extrase din

imagine.

Există însă şi cazuri când alegerea pragului de binarizare se poate face

dacă se cunosc sau se impun anumite proprietăţi pentru imaginea de
prelucrat, respectiv imaginea rezultantă.

De exemplu, în multe cazuri se poate preciza care este proporţia din

totalul pixelilor din imagine care aparţin obiectelor.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Metode de determinare automată a pragului de binarizare

Determinarea pragului de binarizare poate fi realizată destul de uşor
printr-un procedeu iterativ ce face apel la histograma imaginii.
/* calculează numărul pixelilor din imagine */
sum = 0;
for i=0,NumGri do
sum = sum + hist(i);
endfor

/* determină numărul de pixeli pentru din imagine

pentru care src(i,j)>T */
nPixel = sum*(100-procent)/100;

/* iterează până la valoarea de prag

corespunzătoare */
sum = 0;
for i =0, NumGri do
sum = sum +hist(i);
if(sum > nPixel)
break;
endif
endfor

treshold = i;
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Metode de determinare automată a pragului de binarizare

Practic, această valoare de minim nu este uşor de determinat deoarece:

- există posibilitatea ca cele două grupări să se suprapună, astfel încât

zona convexă situată între cele două maxime să dispară;

- histograma poate avea un caracter multimodal; nu există în acest caz

un criteriu pentru alegerea unuia dintre minimele existente în
imagine.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Metode de determinare automată a pragului de binarizare

Practic, această valoare de minim nu este uşor de determinat deoarece:

- zona cuprinsă între două maxime este suficient de întinsă şi nu

permite localizarea precisă a poziţiei de minim;

- există mai multe puncte de minim local; alegerea celui mai bun dintre
aceste minime nu se poate face pe baza unui criteriu bine motivat;

- histograma imaginii are o alură zgomotoasă ceea ce îngreunează

procesul detectării unei valori de minim semnificativ (situată dincolo
de valoarea unui prag de zgomot);
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Metode de determinare automată a pragului de binarizare

Pentru a putea rezolva aceste cerinţe, majoritatea algoritmilor de detecţie
automată a pragului de binarizare nu încearcă găsirea unui punct de
minim situat între cele două maxime (moduri) ale histogramei.

O variantă mai eficientă de determinare a unui prag optim de binarizare

constă într-o abordare de natură probabilistică.

Vom considera P(1), P(2), ...P(NumGri) probabilităţile ca variabila

aleatoare corespunzătoare nivelului de gri din imagine să aibă valorile 1,
2, .. NumGri, probabilităţi egale cu valorile date de intrările
corespunzătoare din tabloul histogramei:

P( g )  Card (i, j) / src(i, j)  g /nRows  nCols, g = 1,2,…NumGri

Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Metode de determinare automată a pragului de binarizare

Vom presupune că dorim clasificarea celor nRows  nCols pixeli în două

clase: C1 – clasa pixelilor obiect şi C2 – clasa pixelilor de fond. Fiecare
nivel de prag t determină separarea pixelilor în două grupuri.

Omogenitatea fiecărui grup poate fi caracterizată de varianţa grupului.

Cu cât cele două grupuri separate sunt mai omogene cu atât se poate
presupune că separarea făcută este corectă.

Criteriul propus are în vedere minimizarea unei sume ponderate a

varianţelor grupurilor separate.
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Metode de determinare automată a pragului de binarizare

Fie t un nivel de prag ce separă cele două grupuri. Putem caracteriza
probabilitatea de apariţie a fiecărui grup q1 (t ) şi q2 (t ) folosind
informaţiile date în histogramă, astfel:
t NumGri
q1 (t )   P (i ) q2 (t )   P(i)
i 1 i  t 1

iar mediile respectiv varianţele celor două grupuri 1 (t ) ,  2 (t ) ,  12 (t ) ,

 22 (t ) prin:
1 t 1 NumGri
1 (t )  
q1 (t ) i 1
iP (i )  2 (t )  
q 2 (t ) i t 1
iP (i )

1 t 1 NumGri
2
 1 (t )  
q1 (t ) i 1
2
[i  1 (t )] P(i )  2 2

q2 (t ) i t 1
[i   2 (t )]2 P(i )
Prelucrarea imaginilor cu niveluri de gri Curs 5

Metode de segmentare a imaginilor

Metode de determinare automată a pragului de binarizare

Funcţia criteriu propusă, care minimizează varianţa ponderată a celor

două clase, este:

 w2 (t )  q1 (t ) 12  q 2 (t ) 22 (t )

Algoritmul de găsire a nivelului optim utilizează relaţiile de mai sus în

forma prezentată pentru o căutare exhaustivă a valorii t ce minimizează
 w2 (t ) pe cele NumGri nivele de gri.