Processamento de Imagem

7/21/2019 Processamento de Imagem

http://slidepdf.com/reader/full/processamento-de-imagem-56d9c6c6bcb77 1/41

Curso de Engenharia Biomédica

Discipl ina de Processamento de Imagens Médicas

Ano Lectivo de 2013/2014

Trabalho PráticoNº1

Executado por:27181-Cláudia Sofia Viana Moreira

27215-Sara Flor da Silva Queirós

Ori entado por Fernando Monteiro

Entregue em

11 de Maio de 2014



Modelo para execução de Relatórios

Fernando Monteiro - ESTiG/IPB 1

1. Resumo

Na área de Engenharia Biomédica, o processamento de imagens médicas é de grande

importância, e cada vez mais existem novos métodos capazes de permitir aos profissionais de

saúde uma melhor analise e visualização de imagens que são de elevada relevância para o

diagnóstico e prevenção de doenças.

Este trabalho realizado no âmbito da disciplina de Processamento de Imagens Médicas, tem

como finalidade principal a manipulação de determinadas imagens, para que se possa ver com a

melhor clareza, qualidade e perceção a informação contida nas mesmas. Para a realização destas

manipulações utilizou-se o MATLAB, que nos permite a melhoria de imagens, e ajuste de ruídos

recorrendo a diversos filtros.

Palavras Chave: Processamento, Imagem, MATLAB, Ruídos





2. Índice1. RESUMO ........................................................................................................................................................... 1

2.

ÍNDICE............................................................................................................................................................... 2

3. INTRODUÇÃO .................................................................................................................... ............................. 4

4. PRINCIPIOS BÁSICOS ........................................................... ................................................................. ....... 5

4.1. IMAGEM ............................................................. ................................................................. ............................. 5

4.2. PROCESSAMENTO DE IMAGEM ............................................................................................ ............................. 6

4.2.1. Modelo RGB e HSV (HSI) ........................................................ ............................................................. 6

4.3. HISTOGRAMA ................................................................................................................................................... 7

4.3.1. Definição ............................................................ ................................................................. .................. 7

4.3.2. Equalização Global do histograma ............................................................... ........................................ 8

4.3.3. Equalização Local do Histograma ................................................................ ........................................ 8

4.3.4. Expansão do histograma .......................................................... ............................................................. 9

4.4. OPERAÇÕES ARITMÉTICAS............................................................................................................................. 10

4.5. FILTROS ............................................................. ................................................................. ........................... 10

4.5.1. Filtros de Média ............................................................ ................................................................. ..... 10

4.5.2. Filtros de Mediana ........................................................ ................................................................. ..... 11

4.5.3. Filtro Gaussiano ................................................................................ ................................................. 12

4.5.4.

Filtro Bilateral ......................................................................................................... ........................... 12

4.5.5. Filtro Alpha Trimmed.................................................... .............................................................. ........ 13

4.5.6. Filtro de Kuwahara ................................................................. ............................................................ 13

4.6. GERAÇÃO DO Í NDICE ..................................................................................................................................... 13

5. RESULTADOS E DISCUSSÃO .......................................................... ........................................................... 14

5.1. EXERCÍCIO 1 – MANIPULAÇÃO DE IMAGEM ................................................................................................... 14

5.1.1. Acrescentar uma moldura branca, com uma largura de 10 pixels, à imagem original ...................... 14

5.1.2. Dividir a Imagem Original em 4 regiões iguais. Alterar a posição de cada região, de acordo com o

esquema seguinte: ............................................................................................................................................. 15

5.2. EXERCÍCIO 2- OPERAÇÕES ARITMÉTICAS ................................................................................................ ...... 17

5.3. MELHORIA DA IMAGEM ................................................................................................................................. 20

5.3.1. Na Perceção dos Vasos Sanguíneos (Fig4.tif) .................................................................................... 20

5.3.2. Na perceção geral da imagem............................................................................................. ................ 25

5.4. ATENUAÇÃO DE R UÍDO ............................................................ ................................................................. ..... 28

5.4.1. “Fig6.tif” ............................................................................................................................................ 28

5.4.2. “Fig7.tif” ............................................................................................................................................ 31

5.5. ATENUAÇÃO DE R UÍDO- MODIFICAÇÃO DE CÓDIGO FONTE ........................................................................... 34

6. CONCLUSÃO ................................................................................................................................................. 39





7. REFERÊNCIAS BIBLIOGRÁFICAS .......................................................... ................................................. 40





3. Introdução

O ser humano tem a necessidade de observar tudo aquilo que está à sua volta, e tudo isso

só é possível devido ao sentido da visão isto é, os nossos olhos. São os nossos olhos que nos

permitem ter a percepção das cores, dos tamanhos e tudo aquilo que vemos diariamente.

Hoje em dia com a era digital, e com o Processamento de Imagem Digital é possível fazer

a alteração de imagens, melhorando assim a quantidade de ruido, a luminosidade entre outros

factores que por vezes nos impedem de visualizar determinadas imagens que desejamos.

Todas estas novas tecnologias foram adaptadas à área da saúde, permitindo assim através

da Engenharia Biomédica o Processamento de Imagens Médicas que tem como objetivo a

manipulação de imagens de forma a que se possa retirar mais facilmente a informação

existente nas mesmas, e assim proporcionar uma melhor visualização aos profissionais.

Este trabalho tem como principais objetivos criar algoritmos que nos permitam manipular

uma imagem, aplicar algoritmos de processamento de imagem que permitam melhorar uma

imagem, criar algoritmos de processamento de imagem que permitam diminuir o ruído

presente numa imagem, isto utilizando a ferramenta virtual MATLAB.





4. Principios básicos

4.1. Imagem

A imagem digital é a representação de uma imagem bidimensional usando números binários

codificados, de forma a permitir o seu armazenamento, reprodução e processamento através de

meios eletrónicos. A imagem digital é composta por uma matriz onde as linhas e colunas

reconhecem determinados pontos sendo o mais pequeno designado por pixel, á soma de todos os

pixels obtemos uma imagem definida.

As imagens normalmente utilizadas são de 8 bits, onde existem 256 níveis de cor, na qual o

valor 0 significa à cor preta e o valor 255 a cor branca.

Dependendo do número de pixels de uma imagem, esta pode conter qualidade diferente, a

esta qualidade designa-se por resolução, isto é a capacidade de se distinguirem detalhes numaimagem digital.

Em relação às imagens médicas, a resolução significa a quantidade de informação que a

imagem possui por unidade de comprimento, ou seja, a relação entre o tamanho do pixel e a área

em milímetros.

Fig.1-Representção de pixel numa imagem





4.2. Processamento de Imagem

4.2.1. Modelo RGB e HSV (HSI)

O modelo RGB é um modelo aditivo, que descreve as cores num sistema digital como uma

combinação das três cores primarias, isto é na existe uma mistura de cores, vermelho (R), verde

(G), azul (B).

O modelo RGB pode também ser representado por um cubo, em que as cores se encontram

divididas pelos vértices do cubo.

O modelo HSV é definido pelas grandezas tonalidade (H), saturação (S) e valor (V). A

tonalidade é a cor pura com saturação e luminosidade máximas que se exprime num valor

angular entre 0º e 360º. A saturação indica a maior ou menor intensidade da tonalidade, ou seja,

se se trata de uma cor esbatida (cinzenta) ou forte (pura).Uma cor saturada ou pura não contém

a cor preta nem a branca.

O valor traduz a luminosidade (luz refletida) ou o brilho (luz emitida) de uma cor, isto é, se uma

cor é mais clara ou mais escura, indicando a quantidade de luz que a mesma possui.

Fig.2-Modelo RGB Fig.3-Modelo RGB em forma de cubo





4.3. Histograma

4.3.1. Definição

Através do histograma podemos fazer analises e representação de dados quantitativos,

agrupados em classes de frequência. O histograma de uma imagem é um diagrama que

representa a frequência de ocorrência dos pixels dessa imagem que apresentam determinado

nível de cinza, isto é, o histograma evidencia a relação entre o nível de cinzento e a quantidade

de pixels com esse nível. O histograma tem dois limites na qual o do lado esquerdo diz respeito

ao valor zero, isto é à cor preta; já olimite direito corresponde à cor branca, ou seja, 255.

Fig.4-Modelo HSV

Fig.5-Histograma





4.3.2. Equalização Global do histograma

Equalizar o histograma significa obter a máxima variancia do histograma de uma imagem,

obtendo assim uma imagem com o melhor contraste. O contraste é uma medida qualitativa e que

está relacionada com a distribuição dos tons de cinza em uma imagem. Numa equalização

global, os pixels são modificados por uma função de transformação baseada na distribuição de

intensidade da imagem inteira.

4.3.3. Equalização Local do Histograma

A equalização local utiliza-se uma janela de tamanho definido pelo usuário para varrer a imagem e,

onde em cada lugar , estuda-se apenas os tons de cinza dentro da janela. Neste caso apenas o pixel

central da janela é equalizado, e para tal o deslocamento da janela é feito ponto a ponto. A

equalização local não é realizada sobre toda a imagem, apenas serve para realçar detalhes.

Normalmente é utilizada com o objectivo de diferenciar partes da imagem que correspondem a

diferentes tipos de estruturas, isto é que são mais brilhantes ou mais escuras do que o resto da

imagem.

Fig.6-Imagem original e Imagem com Equalização Global e

seus histogramas





4.3.4. Expansão do histograma

A extensão do Histograma consiste em dividir as frequências de aparecimento dos pixéis pela

largura do histograma. Sendo assim trata-se de uma operação que consiste em alterar o

histograma de maneira a dividir o melhor possível as intensidades na escala dos valores

disponíveis. Isto significa estender o histograma para que o valor de intensidade mais

fraco fique a zero e que o mais elevada fique no valor máximo.

Desta maneira, se os valores do histograma forem muito próximos uns dos outros, a expansão vai

permitir fornecer uma melhor distribuição para tornar os pixéis claros ainda mais claros e os

pixéis escuros próximos do preto.

Fig.7-Imagem Original e suas Equalizações

Fig.8-Expansão do Histograma





4.4. Operações Aritméticas

Em processamento de imagem as operações aritméticas usadas são a soma, subtracção,

multiplicação e divisão. Todas as estas operações em imagem digital são efectuadas pixel a

pixel. Estas são essenciais para ajustar e suavizar imagens, particularmente em aplicações que

têm um baixo sinal ou imagens muito ruidosas. De forma geral, utiliza-se a operação de adição

para realçar a similaridade entre diferentes imagens, e as outras operações para realçar diferenças

espectrais.

O principal objetivo da subtração é encontrar diferenças entre duas imagens, sendo que esta

remove da imagem diferente, todas as características que são semelhantes, realçando assim os

detalhes da imagem, como por exemplo a incidência da luminosidade.

4.5. Filtros

Em processamento de imagem o ruído corresponde a determinadas partes da imagem que

não é relevante para o objetivo do processamento a efetuar e que degrada o desempenho desse

processamento. A principal fonte de ruído em imagens digitais ocorre durante o processo deaquisição e/ou durante a transmissão.

A filtragem, é uma forma de processamento que transforma ou melhora a informação existente

na imagem, realçando ou removendo características da mesma.

Existem vários tipos de ruído, Ruído Gaussiano, Ruído Aleatório, entre muitos outros. Os filtros

são utlizados de acordo com o tipo de ruído existente numa imagem, uma vez que cada filtro está

direcionado para cada tipo de ruido. A diminuição do ruido é fundamental para que se possa

adquirir bons efeitos no processamento de imagens.

4.5.1. Filtros de Média

A suavização da imagem é conseguida através da variação da janela utilizada, quanto maior é a

dimensão da janela maior é a suavização conseguida à custa de qualidade da imagem. Mais uma

vez a escolha do valor do parâmetro depende apenas do resultado desejado, mas se o objectivo





for a eliminação do ruído com a mínima perda de qualidade da imagem este filtro consegue um

resultado satisfatório.

4.5.2. Filtros de Mediana

Tem como objetivo a suavização da imagem original, que será tanto maior quanto maior for

o tamanho da janela utilizada. A implementação do filtro Mediana atribui a cada ponto visitado ovalor mediano da janela utilizada. Comparativamente com o filtro Média, o filtro Mediana

apresenta melhores resultados , pois para além de eliminar o ruído, as orlas são preservadas com

maior qualidade do que com o filtro Média.

Fig.9-Filtro de Média

Fig.10-Filtros de Mediana





4.5.3. Filtro Gaussiano

O filtro gaussiano é muito utilizado para suavização de imagens, com a diferença de não

preservar as arestas uma vez que não considera a diferença das intensidades. Ele possui dois

parâmetros, a dimensão da janela e um valor para o desvio padrão máximo sigma. A quantidade

da imagem que será suavizada está relacionado ao desvio padrão sigma, isto é, quanto maior o

sigma, mais a imagem é suavizada, não dependendo muito do parâmetro referente a dimensão da

janela. Quanto maior o sigma, maior o número de pixels cujo valor é diferente de zero, o que

leva os pixels vizinhos a terem maior influência em cada ponto, realizando uma suavizaçãomaior na imagem.

4.5.4. Filtro Bilateral

O filtro bilateral é considerado um filtro não-linear que combina filtros no domínio e no

espaço de cores da imagem. A sua fórmula é simples, sendo que a intensidade de cada pixel é

trocada pela média pesada dos pixels vizinhos. Este filtro considera, ao contrário do filtro

gaussiano, a variação de intensidades para a preservação das arestas, bem como a estrutura da

imagem, uma vez que apenas interfere sobre a vizinhança que faz parte da mesma região do

núcleo. O filtro bilateral depende de dois parâmetros, a similaridade e a distância.





4.5.5. Filtro Alpha Trimmed

O filtro Alpha-Trimmed é baseado em estatísticas de ordem e varia entre um filtro de mediana e

um filtro de média. É usado quando uma imagem contém tipos de curta e longa cauda de ruído

(por exemplo Gaussiano).

4.5.6. Filtro de Kuwahara

O Filtro Kuwahara: preserva bem os contornos da imagem original. Este filtro analisa um pixelna qual vão existir 4 regioes à sua volta onde se calcula a média e a variância. O valor atribuído

ao pixel central é o valor médio da região que possui menor variância.

4.6. Geração do Índice

Insira o cursor na área do índice, seleccione a opção Índices e tabelas no menu Inserir e prima

OK, o actual índice será substituído pelo que reflecte o conteúdo do seu documento.

Para alterar directamente no índice já gerado, seleccionar o índice, clicar o botão direito do rato e

escolher “Actualizar campo”; depois pode optar por “actualizar todo o índice”.





5. Resultados e Discussão

Aqui, explicaremos o que foi feito em cada exercício, tendo em conta o raciocínio aplicado

em cada um. Faremos referência aos códigos de Matlab utilizados, no entanto, enviaremos todos

eles à parte deste relatório.

5.1. Exercício 1 – Manipulação de Imagem

Neste primeiro exercício foi-nos proposto a realização de operações, recorrendoapenas a estruturas de programação do Matlab, isto é, independentes de manipulação de imagem.

5.1.1. Acrescentar uma moldura branca, com uma largura de 10 pixels, àimagem original

Atendendo ao que nos foi pedido, optamos inicialmente por identificar o tamanho

da imagem original, obtendo o número de linhas e colunas desta. Isto é-nos importante uma

vez que, precisaremos de criar uma matriz, com tamanho superior à original de modo a

conseguirmos a moldura.

Assim, depois de identificado o tamanho da imagem original, criamos uma matriz

de “uns”. Esta matriz, tal como já foi explicado , será a moldura com uma largura de 10

pixels. Para esse fim, resolvemos somar 20 linhas e 20 colunas, ao número de linhas e

Figura 12- Imagem (“Fig1.tif”)





Alterada

colunas da imagem original. Depois de termos o tamanho correto, dá-mos a cor à moldura,

usando o valor “255” que corresponde à cor branca.

Por fim, depois de termos a imagem original e a moldura, separadamente, juntamo-

las através de um ciclo for. Posto isto, obtivemos o resultado:

5.1.2. Dividir a Imagem Original em 4 regiões iguais. Alterar a posição decada região, de acordo com o esquema seguinte:

A B

C D

Original

Inicialmente, antes de se separar a imagem nas quatro regiões, voltamos a

identificar o número de linhas e colunas da imagem. Posto isto, para separar em

quatro regiões, dividimos as linhas e colunas em metade de ambas, de modo a ficar

as regiões pretendidas. Tivemos o cuidado de utilizar uma função que nos

B C

D A

Figura13-Resultado Obtido





lo 1

assegurasse que a divisão desse um valor inteiro, utilizamos então a função

“round”.

1 co1 c

De seguida, atribuímos as letras A,B,C,e D tal como nos indicava no esquema Original. Posto

isto, era necessário que a imagem se alterasse para o esquema pedido (esquema Alterado), então para

isto, criamos uma matriz de “uns” com o mesmo tamanho que a imagem original. Depois disto, era

necessário que se converte-se esta matriz criada, numa matriz de valores não fracionários sem sinal

de 8 bits, para isto, usamos o comando uint8, assim conseguimos logo a seguir dar a cada região a

nova atribuição de letras correspondentes. A nossa imagem ficou assim com a alteração pretendida.

A B

C D

Original Alterada

l

Fig14- Esquema usado para ajudar na execução do código de Matlab

Fig15-Resultado Obtido





5.2. Exercício 2- Operações Aritméticas

Neste segundo exercício pretende-se, através de operações aritméticas, obter o melhor

resultado da angiografia, entre as duas imagens (“Fig3” e “Fig4”).

Fig3(A)

Começamos por ver as imagens iniciais, acompanhadas pelos seus histogramas. Pelosseus histogramas conseguimos identificar, que a imagem está a cores, ao contrário do que

aparenta.

Fig3(B)

Fig16- As duas imagens resultantes de Angiografia, “Fig3.tif”(A) e “Fig4.tif”(B)

Fig17- As duas imagens “Fig3.tif”(A) e “Fig4.tif”(B) e respetivos Histogramas





De várias operações aritméticas que temos conhecimento e que poderiam ter sido

aplicadas, escolhemos a subtração. A subtração ao ser aplicada nas duas imagens, irá realçar as

diferenças entre ambas, sendo este o objetivo pretendido.

Analisando o histograma da imagem com subtração, este encontra-se concentrado apenas

numa extremidade (esquerda), daí a imagem estar muito escura e, por isso, pouco percetível.

Então, com o objetivo de ter uma melhor imagem e com um maior realce dos vasos sanguíneos,

aplicamos a Expansão (imadjust). De seguida aplicamos os dois tipos de Equalização (Local e

Global) para termos de comparação. Ocorreu o que esperávamos, obtendo assim um melhor

resultado com a Equalização Local (adapthisteq) que nos permitiu um maior realce dos vasos

sanguíneos.

Fig18- Resultado Obtido da Subtração e respetivo Histograma





Obtivemos então o seguinte resultado:

Fig19-Resultados Obtidos da Expansão e Equalização (Local e Global) e os respetivos

Histogramas





Fig20- Imagem de Retina“Fig4.tif”

5.3. Melhoria da Imagem

5.3.1. Na Perceção dos Vasos Sanguíneos (Fig4.tif)

É-nos proposto a realização de um conjunto de operações de modo a melhorar a perceção

dos vasos sanguíneos da Fig4.tif . Para atingir o nosso objetivo fizemos dois testes, usando

diferentes operações, de modo a selecionar um como o mais eficaz.

5.3.1.1. Teste 1 – Componentes RGB com Equalização Local

Neste primeiro teste, resolvemos ir pelas componentes Vermelha, Verde e Azul (RGB)

da imagem que nos foi dada (Imagem Original- Fig4.tif).

Inicialmente, aplicamos as componentes RGB à imagem original, com a finalidade de

comparar e “pegar” na que apresenta uma melhor perceção dos vasos sanguíneos. Analisando, a

original com as três componentes, através das imagens e os respectivos histogramas,

apercebemo-nos que a componente verde é a que nos permite uma melhor visualização daquilo

que nos é pedido.





(*)

(*)

Fig21- Imagem Original e as suas três componentes RGB

Poderíamos ter escolhido a componente Vermelha, uma vez que, olhando, até parece ser percetível toda a imagem em si, no entanto, optamos pela componente Verde porque demonstra

ser melhor para o processamento da imagem, pois contém toda a informação de maneira

minimamente “definida”, mais do que a Vermelha (exemplo: os vasos sanguíneos estão mais

percetíveis na parte branca, em forma de circulo, do que na componente Vermelha (*)) . Então,

após a escolha, procedemos à equalização local da mesma, utilizando o comando adapthisteq.

Utilizamos esta função uma vez que, este é uma equalização que é utilizada para realçar detalhes

em pequenas áreas, que é exatamente o que nos é proposto.





O resultado obtido foi o seguinte:

Fig22- Resultado Final





5.3.1.2. Teste 2- Conversão da Imagem Original em níveis de

Cinzento e Equalização Local

Começamos este teste, com a utilização do comando rgb2hsv, de modo a colocar a

imagem original a níveis de cinzento.

Fig23- Imagem a níveis de cinzento e respectivo histograma

Com a ajuda do histograma verificamos que não há necessidade de recorrer a

operações como a Expansão, uma vez que, este já abrange todos os valores. O que

poderemos usar neste caso, e porque conhecemos a imagem original e sabemos que os

vasos sanguíneos se destacam na imagem, é a Equalização Local (adapthisteq) que nos

irá realçar os vasos sanguíneos, tal como no teste 1.





Foi então o que fizemos, obtendo:

Posto isto, e analisando cuidadosamente os dois testes, escolheríamos o teste 1 para fazer

a melhoria desta imagem, dando este um maior realce aos vasos sanguíneos da retina.

Fig24- Imagem Final





Fig25-Imagem “Fig5.tif”

5.3.2. Na perceção geral da imagem

Estamos perante uma imagem a cores e com muita luminosidade, portanto, usamos o

comando rgb2hsv deste modo, retira-se a componente do brilho.

Fig26-Imagem Original e respetivo Histograma





Analisando o histograma da imagem, podemos verificar que este está maioritariamente

numa gama de valores, pelo que nos leva a utilizar a Expansão ( imadjust ), para que a gama

de valores que este abrange seja maior.

Após efetuada a expansão, verifica-se uma melhor percepção da imagem uma vez que o

histograma apresenta uma gama de valores mais distribuída nos níveis de cinzento.

Seguidamente, e numa tentativa de melhorar a imagem, tentamos a equalização mas, no entanto,

assumimos que não será uma mais valia pois o histograma não apresenta uma tão “boa”

distribuição como apenas na Extensão da imagem.

Fig27-Imagem com Expansão e respetivo Histograma





Fig27- As três fases de Processamento pela qual a Imagem Original foi sujeita e os respetivos Histogramas





5.4. Atenuação de Ruído

Tendo em conta ambas as imagens, é-nos proposto que usemos sequências de operações

de modo a atenuar o ruído.

Tal como é percetível, as imagens apresentam características muito distintas entre elas, e

como tal tivemos que usar operações diferentes.

5.4.1. “Fig6.tif”

Começando pela primeira imagem, “Fig6.tif”, decidimos aplicar dois tipos de filtros,

inicialmente em separado e posteriormente fizemos a sua combinação.

Decidimos aplicar então o filtro Gaussiano, tentamos vários tamanhos de máscara, no final,

optamos pela 7x7.

Fig28-Imagens Originais “Fig6.tif” (A) e “Fig7.tif”(B)

(A) (B)





Obtemos o seguinte:

Depois do filtro Gaussiano, a nossa segunda opção foi o Filtro Mediana, em que, optamos

igualmente (após analisar todas as outras) por uma máscara 7x7, pois foi esta que mais atenuou o

ruído:

Fig29-Imagem Original e Imagem com Filtro Gaussiano

Fig30-Imagem Original e Imagem com Filtro de Mediana





Analisando ambos os resultados, podemos verificar que com o Filtro Mediana, embora haja

um maior esbatimento da imagem, comparando com o Filtro Gaussiano, há também mais

atenuação do ruído.

Visto que um mantinha uns melhores contornos (não há esbatimento) e outro melhorou o

ruído, decidimos fazer a combinação de ambos:

Assim, a imagem continua com contornos relativamente bem definidos e, como proposto,com menos ruído.

Fig31-Imagem Original e Imagem com Combinação de Filtros escolhida: Gaussiano e Mediana





5.4.2. “Fig7.tif”

Neste segunda imagem, tivemos mais margem de manobra, pois conseguimos aplicar

todos os filtros que foram abordados nas aulas de Processamento de Imagens Médicas. Como

tal, recorremos aos Filtros de Mediana, Gaussiano, de Média e Bilateral.

Nesta imagem, recorremos também à técnica de Extensão porque analisando o

histograma apercebemo-nos de que este estava situado essencialmente numa gama de

valores, pelo que, para uma melhor perceção da imagem e Extensão iria ajudar muito.

Fig32-I magem Or igi nal e Imagem com Expansão e respetivos H istogramas





Posto isto, fomos então aplicar os Filtros. Obtivemos então os seguintes resultados:

Depois de analisadas todos os resultados, optamos por escolher as duas melhores de modo a

tentar uma combinação entre ambas. Pegamos então no Resultado dos Filtros Gaussiano e

Mediana.

Fig.33- Imagem dos quatro filtros aplicados





Em comparação à imagem original, no filtro Mediana embora haja uma atenuação do ruído,

houve um ligeiro esbatimento da imagem:

A nível do filtro Gaussiano, notamos algumas diferenças no ruído.

Combinando ambos os filtros, verificamos que embora os contornos não estejam tão

salientes como antes, há menos ruído que era o que se pretendia.

Fig34-Imagem Original em comparação com Imagem filtrada com o Filtro Mediana

Fig35-Imagem Original em comparação com Imagem filtrada com o Filtro Gaussiano





5.5. Atenuação de Ruído- Modificação de código fonte

Neste exercício foi-nos proposto que utilizássemos o código fonte da função kuwahara.

Teremos de alterar o código, de modo a que mantendo a mascara principal de 5x5, sejam

utilizadas 8 submáscaras.

Pegando no código inicial, podemos ver que o que encontramos é uma mascara 5x5 com

4 submáscaras 3x3. No entanto, o que nos é pedido é nessa mesma máscara de 5x5 consigamos

colocar 8 submáscaras com o mesmo pixel central. Tendo em conta que

W1,W2,W3,W4,W5,W6,W7 e W8 são as nossas submáscaras; que o “WINSZ”,tal como é

apresentado no código, corresponde ao tamanho da matriz (temos o numero de linhas e colunas

total da mascara); e que, “PADDING” é igual à metade de “WINSZ” sendo este transformado

num valor inteiro, se a divisão der um numero fracionário. Isto acontece porque existe o

comando floor no código (PADDING=floor(WINSZ/2)).

Posto isto, tendo em conta o nosso raciocínio vem que:

Fig36-Imagem Original em comparação com Imagem filtrada com a Combinação de Filtros: Gaussianoe Mediana





Fig37- Posição das 8 submáscaras na máscara 5x5

Ao código inicial, o que foi acrescentado foi:





inicialmente a leitura de imagem e a sua apresentação;

as restantes submáscaras, uma vez que só tinha 4 no código inicial, assim como as suas

posições na máscara 5x5;

no final, a apresentação da imagem final com a utilização de “kuwahara”.

Fig38-Código Kuwahara modificado





b) “Man”

Para testar a alteração do código, recorremos a duas imagens (ambas com ruído):

a) ”Lenna”

Fig39-Imagens Escolhidas para verificar o código modificado kuwahara





Obtivemos os seguintes Resultados:

Fig40-Resultados Obtidos





6. Conclusão

Numa avaliação geral, o objetivo que nos foi proposto foi alcançado. Deparamo-nos ao

longo deste trabalho com diversas situações em que conseguimos ter a perceção em como

cada vez mais a tecnologia nos permite uma melhor, e mais pormenorizada, análise daquilo

que não somos capazes de analisar a olho nu. Esta, também acaba por ser uma mais-valia

para os profissionais de saúde que lidam diariamente com a imagiologia como auxilio ao

diagnostico. O Processamento de Imagem Digital constitui assim um importante

desenvolvimento nas áreas de visualização de imagens, e o MATLAB é uma importante

ferramenta que permite que este tipo de Processamento seja possível. Deste modo, é

importante que nós futuros Engenheiros Biomédicos, estejamos familiarizados com este tipo

de ferramenta. Este tipo de trabalhos é então muito útil para a nossa obtenção de

conhecimento nesta área. Com este, foi-nos possível uma maior exploração quer de funções

de MATLAB, como de software que nos permite um mais eficaz e rápido tratamento de

imagens.

Concluindo, neste trabalho lidamos com uma área que cada vez é mais explorada, onde

há muito por desvendar ainda. E, de modo geral, conseguimos atingir os objetivos deste

trabalho, adquirindo simultaneamente um maior “à vontade” com esta ferramenta de

Processamento de Imagem, que é o MATLAB.




7. Referências bibliográficas

[1]http://ai-b.blogs.sapo.pt/5104.html

[2]http://dfmesteves.blogspot.pt/2012/11/modelo-hsv.html

[3]http://www.di.ufpe.br/~if143/projetos/99_2/equali/Equalizacao.html

[4]http://paginas.fe.up.pt/~mandrade/tvd/2006/trabalhos1-2006/TD-trab1-grupo02.pdf

[5]http://lvelho.impa.br/ip09/demos/jbu/filtros.html

[6]http://www.blackice.com/Help/Tools/Document%20Imaging%20SDK%20webhelp/WebHelp

/Alpha-Trimmed_Mean_Filter.htm

[7]http://www.dei.isep.ipp.pt/~ana/ROBOTICA/docs/PDI-MestEEC.pdf

[8] Sebenta de Processamento de Imagens Médicas, Fernando Monteiro

Processamento de Imagem

Documents

Transcript of Processamento de Imagem