Приложение по обработке фотографий: 15 лучших бесплатных приложений для обработки фотографий

1. Товары
2. Клиенты
3. Случаи использования

1. Переполнение стека Публичные вопросы и ответы
2. Команды Частные вопросы и ответы для вашей команды
3. предприятие Частные вопросы и ответы для вашего предприятия
4. работы Программирование и связанные с ним технические возможности карьерного роста
5. Талант Нанимать технический талант
6. реклама Связаться с разработчиками по всему миру

Загрузка…

Предварительная обработка изображений. В этой статье мы собираемся перейти … | Prince Canuma
В этой статье мы рассмотрим этапы предварительной обработки изображений, необходимые для обучения, проверки и тестирования любой модели AI-Computer Vision.
Одна из технологий, лежащих в основе CGI, используемая в этом удивительном фильме, называется обработкой изображений.
Это тема, в которой не хватает демократизированных учебных ресурсов онлайн. Мне потребовалось много времени на исследования, и, тем не менее, каждая найденная в Интернете информация не отвечает на наши самые важные вопросы:
• Почему мы должны это делать?
• Что на самом деле делает за занавесом?
• И последнее, но не менее важное: как мы можем сделать это сами?
После того, как я жаждал этой информации, чтобы я мог поделиться ею с вами, произошло чудо.Я был в нужном месте в нужное время; где я встретил этот очень умный и скромный факультет в моем университете ( PU ), который обладает всеми знаниями в области обработки изображений и предложил поделиться своими знаниями со мной. Я нашел недостающую часть головоломки, после этого мне очень хотелось выучить это новое заклинание , которое вы делаете на изображениях, чтобы я мог создать эту статью и вернуть свою серию и проект в нужное русло. Я не мог стоять на месте, зная, что есть другие люди, которые ищут эту информацию, и я ничего не делаю, чтобы помочь.Это вам!
«Используйте власть, чтобы помогать людям. Ибо нам дана сила не продвигать свои собственные цели, не делать великое шоу в мире, ни имя. Есть только одно использование силы, и оно служит людям ». — Джордж У. Буш
Но прежде чем я поделюсь с вами тем, что я узнал, и плодами этого нового знания, почему бы нам не начать сначала отвечать на следующее …
Яркий пример варианта использования обработки изображений!
Обработка изображений делится на аналоговую обработку изображений и цифровую обработку изображений.
Примечание : В целях пояснения я буду говорить только о цифровой обработке изображений, поскольку аналоговая обработка изображений выходит за рамки данной статьи. Но если я получу достаточно запросов в разделе комментариев ниже, я сделаю полное руководство по обработке изображений, обращаясь к каждой теме в нем.
Цифровая обработка изображений — это использование компьютерных алгоритмов для обработки изображений на цифровых изображениях. В качестве подполя цифровой обработки сигналов цифровая обработка изображений имеет много преимуществ по сравнению с аналоговой обработки изображений .Это позволяет применять гораздо более широкий спектр алгоритмов к входным данным — целью цифровой обработки изображений является улучшение данных (характеристик) изображения путем подавления нежелательных искажений и / или улучшения некоторых важных функций изображения, чтобы наш AI- Модели Computer Vision могут воспользоваться этими улучшенными данными для работы.
Как мы видим на изображении выше, мы можем использовать обработку изображения на неподвижном изображении, чтобы исправить эти искажения.
Изображение — это не более чем двумерный массив чисел (или пикселей) в диапазоне от 0 до 255.Он определяется математической функцией f (x, y), где x и y — две координаты по горизонтали и вертикали.
Значение f (x, y) в любой точке дает значение пикселя в этой точке изображения.
Я представляю вам все знания, полученные на этом удивительном факультете без фильтров. Все черно-белые.
Время кодировать большое !!!
Для нашего варианта использования (модель сегментации) мы используем набор данных из CamVid, состоящий из 701 изображения…
Это часть , где начинается все веселье , если вы не знаете, программирование, пожалуйста, приготовьтесь, потому что мы увидим какой-то код питона , и я не говорю о гигантской змее .Python очень прост, легок, он похож на чтение английского языка программирования. Я знаю, что вы легко поймете, если нет, просто прочитайте мои комментарии, чтобы понять, что делает блок кода.
Если вы хотите научиться быть задирой и применить предварительную обработку изображений к своему набору данных, следуйте моим указаниям. Необходимо выполнить следующие шаги:
• Считать изображение
• Изменить размер изображения
• Удалить шум (Denoise)
• Сегментация
• Морфология (сглаживание краев)
Примечание : Этап сегментации полезен только для проблем сегментации , если ваша проблема с AI -Computer Vision не включает сегментирование, просто пропустите этот шаг.
Читать изображения.
Чтение
На этом шаге мы сохраняем путь к нашему набору данных изображений в переменную, а затем создаем функцию для загрузки папок, содержащих изображения, в массивы.
Но сначала нам нужно импортировать библиотеки, которые мы собираемся использовать для этого урока.
 импорт os 
 импорт numpy как np 
 импорт matplotlib.pyplot как plt 
 импорт matplotlib.image как mpimg 
 импорт cv2 
 # определение пути к глобальной переменной 
 image_path = "Путь к вашему набору данных" функция 
 
 'для загрузки в папку массивов и 
, затем возвращает тот же массив '' '
 def loadImages (путь): 
 # Поместить файлы в списки и вернуть их как один список размером 4 
 image_files = sorted ([os.path.join (путь, 'поезд', файл) 
 для файла в os.listdir (путь + "/ поезд"), если file.endswith ('. png')]) 
 
, возвращение image_files 
 
Просто так, мы сохранили папку, содержащую обучающих изображений из набора Camvid Dataset в массив image_files
Resize image.
Изменение размера
На этом шаге, чтобы визуализировать изменение, мы собираемся создать две функции для отображения изображений: первое — одно, чтобы отображать одно изображение, а второе — для двух изображений.После этого мы создаем функцию обработки, которая просто получает изображения в качестве параметра.
Почему мы изменяем размеры нашего изображения на этапе предварительной обработки?
Некоторые изображения, снятые камерой и переданные по нашему алгоритму AI, различаются по размеру, поэтому мы должны установить базовый размер для всех изображений, подаваемых в наши алгоритмы AI.
 # Показать одно изображение 
 def display_one (a, title1 = "Original"): 
 plt.imshow (a), plt.title (title1) 
 plt.xticks ([]), plt.yticks ([]) 
 plt.show () # Показать два изображения 
 def display (a, b, title1 = "Original", title2 = "Edited"): 
 plt.subplot (121), plt.imshow (a) , plt.title (title1) 
 plt.xticks ([]), plt.yticks ([]) 
 plt.subplot (122), plt.imshow (b), plt.title (title2) 
 plt.xticks ([ ]), plt.yticks ([]) 
 plt.show () # Предварительная обработка 
 def обработка (данные): 
 # загрузка изображения 
 # Получение 3 изображений для работы с 
 img = [cv2.imread (i, cv2.IMREAD_UNCHANGED) ) для i в данных [: 3]] print ('Размер оригинала', img [0].shape) 
 # -------------------------------- 
 # установка размера изменения размера 
 высота = 220 
 ширина = 220 
 dim = (ширина, высота) 
 res_img = [] 
 для i в диапазоне (len (img)): 
 res = cv2.resize (img [i], dim, интерполяция = cv2.INTER_LINEAR) 
 res_img.append (res) 
 # Проверка размера печати 
 ("RESIZED", res_img [1] .shape) 
 
 # Визуализация одного из изображений в массиве 
 оригинал = res_img [1] 
 display_one (оригинал) 
 
 
оригинал размер (360, 480, 3) — (ширина, высота, нет.Каналы RGB)
Изменение размера (220, 220, 3)
Вывод кода выше
Удаление шума (Denoise).
Телевизионный шум
Тем не менее, внутри функции Processing () мы добавляем этот код, чтобы сгладить наше изображение и удалить нежелательные шумы. Мы делаем это, используя Gaussian Blur .
Гауссово размытие (также известное как Гауссово сглаживание ) является результатом размытия изображения с помощью функции Гауссово . Это широко используемый эффект в графическом программном обеспечении, обычно для уменьшения шума изображения.Визуальным эффектом этого метода размытия является плавное размытие, напоминающее эффект просмотра изображения через полупрозрачный экран, заметно отличающийся от эффекта боке , создаваемого нефокусным объективом или тенью объекта при обычном освещении. Сглаживание по Гауссу также используется в качестве этапа предварительной обработки в алгоритмах компьютерного зрения для улучшения структур изображения в различных масштабах.
 # ---------------------------------- 
 # Удалить шум 
 # Гауссовский 
 no_noise = [] 
 для i в диапазоне (len (res_img)): 
 размытие = cv2.GaussianBlur (res_img [i], (5, 5), 0) 
 no_noise.append (blur) 
 image = no_noise [1] Отображение 
 (оригинал, изображение, «оригинал», «размыли») 
 # ---- ----------------------------- 
 
Вывод кода выше
Сегментация и морфология.
Пример сегментации
Тем не менее, внутри функции Processing () мы добавляем этот код.
На этом этапе мы шаг за шагом мы собираемся сегментировать изображение, отделяя фон от объектов переднего плана, и мы собираемся еще больше улучшить нашу сегментацию с помощью большего удаления шума.
 # Сегментация 
 grey = cv2.cvtColor (image, cv2.COLOR_RGB2GRAY) 
 ret, thresh = cv2.threshold (серый, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) 
 # отображение оригинала 901 (просмотр сегментированного сегмента 9 (просмотр сегментированного сегмента) 
 thresh, 'Original', 'Segmented') 
 
Вывод кода выше
Мы можем видеть, что изображение выше нуждается в дальнейшем улучшении, поэтому мы применяем еще одно размытие для улучшения внешнего вида с помощью следующего кода:
 # Дальнейший шум удаление 
 ядро ​​= нп.единицы ((3, 3), np.uint8) 
 открытие = cv2.morphologyEx (thresh, cv2.MORPH_OPEN, ядро, итерации = 2) 
 # верный фон области 
 sure_bg = cv2.dlate (открытие, ядро, итерации = 3 ) 
 
 # Поиск уверенной области переднего плана 
 dist_transform = cv2.distanceTransform (открытие, cv2.DIST_L2, 5) 
 ret, sure_fg = cv2.threshold (dist_transform, 0.7 * dist_transform.max (), 255, 0) 
 
 # Поиск неизвестный регион 
 sure_fg = np.uint8 (sure_fg) 
 unknown = cv2.subtract (sure_bg, sure_fg) 
 
 # Отображение сегментированного фонового экрана 
 (оригинал, sure_bg, 'Original', 'Segmented Background') 
 
OK !! ! Теперь этот вывод намного лучше.
Теперь мы разделяем различные объекты на изображении маркерами.
 # Маркировка маркера 
 ret, markers = cv2.connectedComponents (sure_fg) 
 # Добавьте один из них ко всем меткам, чтобы верный фон был не 0, а 1 
 markers = markers + 1 
 
 # Теперь отметьте область неизвестных с помощью ноль 
 маркеров [неизвестно == 255] = 0 
 
 маркеров = cv2.watershed (изображение, маркеры) 
 image [маркеры == -1] = [255, 0, 0] 
 
 # Отображение маркеров на дисплее 
 изображения (изображение, маркеры, 'Original', 'Marked') 
 
Окончательный вывод
 def main (): 
 # вызов глобальной переменной 
 global image_path '' 'Набор данных var представляет собой список со всеми изображениями в папке' '' набор данных = loadImages (image_path) 
 print ("Список файлов первых 3 в папке: \ n", набор данных [: 3]) 
 print ("----------------- --------------- ") 
 
 # отправка всех изображений на предварительную обработку 
 pro = processing (набор данных) 
 
 main () 
 
Вот наш окончательный вывод, это не идеально, но это шаг к правильные направления.
Набор данных доступен для скачивания здесь .
Если вы нажмете на ссылки, вы сможете увидеть полный код, работающий в реальном времени, и получить лучшее понимание, нажмите здесь для Colab или Github .
Теперь вы знаете, как выполнять предварительную обработку изображения и создавать метки сегментации, разделяющие различные объекты на изображении. Вы применяете эти методы к любой проблеме Computer Vision.
«Революция — это не яблоко, которое падает, когда оно созрело.Ты должен заставить его упасть. — Че Гевара
Вы тоже можете это сделать, начните с проверки этого Colab, тестирования с различными изображениями и практики. Я верю в тебя!
исследований в области медицинской визуализации с использованием методов обработки изображений
1. Введение
Медицинская визуализация — это процесс получения видимых изображений внутренних структур тела для научных и медицинских исследований и лечения, а также видимого представления о функционировании внутренних тканей. , Этот процесс преследует выявление и управление расстройствами. Этот процесс создает банк данных регулярной структуры и функции органов, чтобы упростить распознавание аномалий.Этот процесс включает в себя как органическую, так и радиологическую визуализацию с использованием электромагнитных энергий (рентгеновское и гамма-излучение), сонографию, магнитную микроскопию, оптическую томографию и тепловую и изотопную визуализацию. Есть много других технологий, используемых для записи информации о местонахождении и функции тела. Эти методы имеют много ограничений по сравнению с теми модуляторами, которые производят изображения. Ежегодно миллиарды изображений были сделаны во всем мире для различных диагностических целей. Около половины из них используют модуляторы ионизирующего и неионизирующего излучения [1].Медицинская визуализация позволяет получать изображения внутренних структур тела без инвазивных процедур. Эти изображения были получены с использованием быстрых процессоров и благодаря арифметическому и логическому преобразованию энергий в сигналы [2]. Эти сигналы позже преобразуются в цифровые изображения. Эти сигналы представляют различные типы тканей внутри тела.
Цифровые изображения играют необходимую роль ежедневно. Обработка медицинских изображений относится к обработке изображений с помощью компьютера.Эта обработка включает в себя много типов методов и операций, таких как получение изображения, хранение, представление и связь. Изображение — это функция, которая обозначает меру характеристик, таких как освещенность или цвет видимого взгляда. Цифровые изображения имеют ряд преимуществ, таких как более быстрая и дешевая обработка, простота хранения и связи, немедленная оценка качества, многократное копирование с сохранением качества, быстрое и дешевое воспроизведение и адаптируемые манипуляции. Недостатками цифровых изображений являются эксплуатация авторских прав, невозможность изменения размера с сохранением качества, необходимость большой емкости памяти и необходимость более быстрого процессора для манипулирования [3].
Метод обработки изображений — это использование компьютера для манипулирования цифровым изображением. Этот метод имеет много преимуществ, таких как эластичность, адаптивность, хранение данных и связь. С ростом различных методов изменения размера изображений, изображения могут быть сохранены эффективно. Эта техника имеет много наборов правил для синхронного выполнения изображений. 2D и 3D изображения могут быть обработаны в нескольких измерениях. Техника обработки изображений была основана в 1960-х годах. Эти методы использовались для различных областей, таких как космос, клинические цели, искусство и улучшение телевизионного изображения.В 1970-х годах с развитием компьютерной системы стоимость обработки изображений стала меньше и быстрее. В 2000-х годах обработка изображений стала быстрее, дешевле и проще [4].
Зрительная система человека является одной из самых сложных схем, которые когда-либо существовали. Эта система позволяет живым существам организовывать и понимать множество сложных элементов в их внешней среде. Зрительная система состоит из глаза, который преобразовывает свет в нервные сигналы, и связанных с ним частей мозга, которые обрабатывают эти сигналы и извлекают важные данные.Человеческий глаз представляет собой двусторонние цилиндрические структуры, расположенные спереди в черепе. Глаза 2,5 см как поперечного, так и продольного диаметров. В середине глазного яблока есть почерневшая структура, называемая зрачком. Эта система позволяет свету пересекать глаза. Эта система сужается при воздействии более тяжелого источника света. Это уменьшает свет на сетчатку и улучшает зрительный процесс. Вокруг глаза много мышц, которые контролируют расширение зрачка. Глаз всегда имеет некоторые поддерживающие структуры, называемые склерой.Хрусталик представляет собой связочную часть, расположенную за роговицей. Форма хрусталика постоянно меняется из-за сокращения мышц [4, 5]. На рисунке 1 показано поперечное сечение глазного яблока.
Рисунок 1.
Глазное яблоко.
Свет концентрируется в средней части глаза и фокусируется от роговицы и хрусталика на сетчатке. Ямка подчеркивает изображение в сетчатке. Наконец, мозг формирует детали и цвета, используя его восприятие через множество процессов.
2.Классификация цифровых изображений
Цифровые изображения имеют два основных типа изображений. Растровое изображение описывается как четырехстороннее расположение часто выбираемых значений, известных как пиксели. Цифровые изображения, как правило, являются недоступными изображениями и включают в себя многогранное различие цветов. Цифровые изображения имеют фиксированное разрешение из-за размера их пикселей. Цифровые изображения теряют свое качество в процессе изменения размера из-за некоторых недостающих данных. Цифровые изображения используются в основном в фотографиях из-за их хороших цветовых оттенков.Прибор для получения изображения контролирует разрешение. Цифровые изображения включают в себя множество форматов, таких как BMP (растровое изображение Windows), TIFF (Tag Interleave Format), PCX (Paintbrush), PNG (Portable Network Graphics) и т. Д. [6, 7].
Вектор описывается как сморщенный и изогнутый объект, который точно определяется компьютером. Вектор имеет много качеств, таких как ширина линии, размерность и оттенок. Векторы являются легко масштабируемыми изображениями и могут быть воспроизведены в различных величинах без изменения их качества.Векторы подходят для дизайна, рисования линий и диаграмм.
3. Приложения цифровой обработки изображений
Цифровая обработка изображений имеет множество применений в области медицины, таких как:
3.1 Медицина
В медицине используются многие методы, такие как сегментация и анализ текстуры, который используется при раке и другие расстройства идентификации. Методы регистрации изображений и слияния широко используются в настоящее время, особенно в новых модальностях, таких как PET-CT и PET-MRI.В области биоинформатики для дистанционной передачи изображения используются телемедицина и методы безформатного сжатия [1, 2, 3, 4, 5].
3.2 Криминалистика
Распространенными методами, используемыми в этой области, являются обнаружение границ, сопоставление с образцом, удаление шума, безопасность и биометрические цели, такие как идентификация, лицо и документация по отпечаткам пальцев. Криминалистика основана на базе данных о лицах. Криминалистика сопоставляет входные данные (отпечаток пальца, глаз, фотография и т. Д.) С базой данных для определения личности человека [2].
4. Системы медицинской визуализации
Системы медицинской визуализации используют сигналы, полученные от пациента, для получения изображений. В медицинских системах визуализации используются как ионизирующие, так и неионизирующие источники.
4.1 Системы рентгеновской визуализации
С момента открытия рентгеновских лучей немецким ученым Рентгеном рентгеновские лучи используются для визуализации частей тела в диагностических целях. В рентгеновской трубке электроны образуются в катоде в процессе термоэмиссии и ускоряются при разности потенциалов 50–150 кВ.Электроны попадают на анод, чтобы произвести рентгеновское излучение. Только 1% этой энергии преобразуется в рентгеновские лучи, а оставшееся количество изменяется на тепло (рис. 2) [3].
Рисунок 2.
Рентгеновская трубка.
В рентгеновских аппаратах изображения производятся в двухмерных планах исследуемой части тела. Система рентгеноскопии используется для сканирования движущихся органов. Полученные изображения могут быть отображены, сохранены и переданы через различные машины. Компьютерная рентгенография (КТ) использует рецептор изображения для получения изображения.Рентгеновские снимки сопровождают экран, покрытый накопительным люминофорным устройством. Маммография используется для дифференциации тканей молочной железы и различных заболеваний. Маммографическое изображение использует более низкую энергию по сравнению с изображением костной структуры. Используемый диапазон разности потенциалов составляет 15–40 кВ (рис. 3) [2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16].
Рисунок 3.
Маммографическое изображение.
4.2 Компьютерная томография (КТ)
В этом методе изображения получаются в нескольких измерениях, а не в обычной рентгенографии.КТ-сканер производит несколько срезов тканей организма в разных направлениях. В томографе пациент помещается внутрь апертуры и сканируется вращающейся рентгеновской трубкой во всех направлениях (рис. 4) [6].
Рисунок 4.
КТ-сканер.
4.3 Ядерная медицина
Этот метод визуализации использует радиоизотопы для получения изображений о функциях различных структур, таких как сердце, почка и печень. Радиоизотопы помечены фармацевтическими материалами для направления в определенные органы.Испускаемые пациентом фотоны поступают в детекторы и преобразуются в сигналы. Эти сигналы преобразуются в интерпретируемые цифровые изображения. Существует много типов методов сканирования ядерной медицины, таких как планарная, томографическая и позитронная эмиссия. Плоское излучение создает двумерные изображения. Как томографическое, так и позитронное излучение дают трехмерные изображения (рис. 5) [5].
Рисунок 5.
Изображения ядерной медицины.
4.4 Ультразвук
Ультразвук — это метод, в котором используются высокочастотные звуковые волны для получения изображений внутренней структуры тела из отраженных эхо-сигналов.Ультразвук похож на метод определения местоположения, который используется некоторыми животными, такими как летучие мыши и киты, в природе. Ультразвук передается высокочастотными импульсами в организм с помощью датчика, когда эти волны проходят через ткани организма. Некоторые из этих волн поглощаются, а некоторые отражаются назад. Отраженные волны принимаются преобразователем и преобразуются в электрические сигналы. Эти электрические сигналы преобразуются в цифровые и проходят через компьютерную систему. Компьютерная система использует арифметические и логические вычисления для формирования 2D-изображения отсканированных структур.В ультразвуковой системе тысячи импульсов отправляются за каждую миллисекунду. Существует много методов визуализации, используемых для улучшения ультразвуковых изображений (рис. 6) [1, 2, 3, 4, 5, 6].
Рисунок 6.
Диаграмма ультразвукового изображения.
5. Основы цифровой обработки изображений
Изображения классифицируются по различным качествам, таким как освещенность, контрастность, энтропия и отношение сигнал / шум. Гистограмма — это самая простая техника обработки изображений. Отображение изображения не меняет качество изображения.Гистограмма в градациях серого учитывает базовый тип изображений, которые используются для оценки и улучшения изображений. Гистограмма — это схема, показывающая значения пикселей, а не их расположение. Гистограмма уровня серого показывает, является ли изображение в целом теневым или ярким (рисунок 5). Среднее значение пикселя получается из гистограммы путем суммирования полученных значений пикселей и согласованной высоты бина и деления на все количество пикселей [7, 8]. Выравнивание гистограммы используется для сравнения многих изображений, полученных на определенных основаниях.Техника работает путем изменения гистограммы, чтобы она стала гладкой, идентичной и сбалансированной (Рисунок 7).
Рисунок 7.
Сагиттальное МРТ-изображение головы было улучшено с помощью (i) настройки изображения, (ii) выравнивания гистограммы и (iii) адаптивного выравнивания гистограммы [8].
Среднее значение интенсивности центрального пикселя соответствует идеальной яркости. Любая интенсивность выше или ниже делает изображение темнее или ярче. Отношение сигнал / шум (SNR) изображения используется, чтобы связать уровень ожидаемого сигнала с уровнем контекстного сигнала.Отношение сигнал / шум (ОСШ) определяется как отношение интенсивности сигнала к интенсивности шума. Отношение сигнал / шум (SNR) рассчитывается по изображению прямым методом. Средняя интенсивность изображения выражается в виде квадрата среднего значения пикселя (уравнение (1)).
SNR = PsignalPnoiseE1
где p — средняя мощность.
5.1 Улучшение изображения
Улучшение изображения — это метод, который используется для улучшения качества и восприятия изображения с помощью программного обеспечения с помощью компьютера.Эта техника включает в себя как объективные, так и субъективные улучшения. Эта техника включает в себя точки и локальные операции. Локальные операции зависят от значений входного пикселя округа. Улучшение изображения имеет два типа: методы пространственной области и области преобразования. Пространственные методы работают непосредственно на уровне пикселей, в то время как метод преобразования работает на Фурье, а затем на пространственном методе (см. Рисунки 8 и 9) [9].
Рис. 8.
Локальная манипуляция с краем с учетом сканирования сканированных изображений щитовидной железы (a), (b) пороговое значение края, (c) исходное изображение и (d) снижение контраста -0.5 [12].
Рис. 9.
Локальная контрастная манипуляция с распознаванием краев изображений клеток лейкемии (а) и (в) исходное изображение, (б) пороговое значение краев и (г) снижение контраста -0,5 [13].
5.2 Сегментация изображения
Сегментация изображения — это метод разделения изображения на множество частей. Основная цель этого разделения состоит в том, чтобы облегчить анализ и интерпретацию изображений с сохранением качества. Этот метод также используется для отслеживания границ объектов на изображениях.Этот метод маркирует пиксели в соответствии с их интенсивностью и характеристиками. Эти части представляют все исходное изображение и приобретают такие характеристики, как интенсивность и сходство. Техника сегментации изображения используется для создания трехмерного контура тела в клинических целях. Сегментация используется в машинном восприятии, анализе злокачественных заболеваний, объемах тканей, анатомическом и функциональном анализах, технике трехмерной визуализации, визуализации виртуальной реальности и анализе аномалий, а также в определении и обнаружении объектов (рис. 10) [12, 13, 14].
Рисунок 10.
Процесс сегментации (а) щитовидной железы и сердца [3].
Сегментация изображения делится на виды: (i) локальная сегментация и (ii) глобальная сегментация. Локальная сегментация работает, в частности, в одном подразделе изображения. Этот метод имеет меньшее количество пикселей по сравнению с глобальным типом. Глобальная сегментация работает в целом изображении как одна единица. Эта техника имеет больше пикселей для манипуляции. Сегментацию можно разделить на методы:
1. регион метода;

2. граничный метод; и

3. Edge-метод [14].
5.3 Сегментация изображения на основе порогового значения
Сегментация порогового значения зависит от порогового значения для преобразования серого цветного изображения в черно-белое [4]. Существует много других методов, применяемых в радиологии для восстановления или изменения изображений, таких как методы Оцу и k-средних [5, 6]. Пороговый метод полезен для установления границ твердых объектов на темном фоне. Пороговые методы требуют наличия различий между интенсивностью объекта и фона.Существует три типа методов определения порога. Эти методы включают в себя глобальный, адаптивный и построенный на гистограмме порог выбора. Глобальный порог является более широким и используется для всех методов сегментации. Глобальный порог (θ) рассчитывается с использованием процедуры бинаризации, как в следующем уравнении (уравнение (2)):
fx = 1iffmn≥θ0E2
Адаптивный или фиксированный порог сегментов изображения быстрее, если интересующая область содержит уникальную интенсивность и является отличается от фона. Недостатком этого метода является его простота и невозможность обработки многоканальных изображений [15].
5.4 Сегментация изображения на основе обнаружения края
Обнаружение края — это метод сегментации, который использует распознавание границ строго связанных объектов или областей. Этот метод идентифицирует неоднородность объектов. Этот метод используется в основном при изучении изображений и для распознавания частей изображения, где возникают огромные различия в интенсивности.
5.5 Некоторые типы обнаружения границ
5.5.1 Ядро Робертса
Ядро Робертса — это метод, используемый для определения разницы между двумя близкими пикселями.Именно это называется прямой разницей. Эта техника может найти края в изображениях с высоким уровнем шума; он рассчитывается с использованием дробной производной первого порядка и оператора кросс-градиента (уравнения (3) и (4)) (рис. 11) [21].
∂f∂x = fij − fi + 1j + 1E3
∂f∂x = fi + 1j − fij + 1E4
Дробная производная может быть применена в двух матрицах 2 × 2. В этой ситуации маски Робертса рассчитываются как в формуле. (5):
Gx = −1001andGy = 0−110E5
5.5.2 Ядро Prewitt
Этот метод основан на идее центральной разности.Этот метод лучше, чем оператор Робертс (рисунок 11). Предположим, что матрица имеет расположение пикселей [i, j], как в формуле. (6):
Рис. 11.
Техника обнаружения краев предвятого неба, (a) величина градиента и (b) направление градиента.
a0a1a2a7ija3a6a5a4E6
Дробная производная оператора Prewitt вычисляется как в формуле. (7):
Gx = a2 + ca3 + a4-a0 + ca7 + a6E7
, где c является постоянным и выражает пиксели, закрытые в центре изображения.Gx и Gyare вычисления в [i, j]. Когда с равен 1, оператор Prewitt рассчитывается как на рисунке 10 и уравнение. (8) [15, 16]:
Gx = −1−1−1000111andGy = −101−101−101E8
5.5.3 Ядро Собеля
Этот метод может зависеть от центральной разности, которая стремится к центральным пикселям в среднем. Эта техника может быть выражена в виде матрицы 3 × 3 первой производной ядра Гаусса. Этот метод рассчитывается, как показано в уравнениях. (9) — (12) [20, 21, 22]:
Gx = a2 + 2a3 + a4 − a0 + 2a7 + a6E9
и
Gy = a6 + 2a5 + a4-a0 + 2a1 + a2E10
Маски Собеля следующие:
Gx = −1−2−1000111andGy = −101−202−101E11
Sobel лучше, чем Prewitt, в подавлении шума [18].Этот метод используется в модальности функциональной визуализации, такой как ядерная медицина. При изучении изображений эритроцитов распад строго соседних клеток считается трудным вопросом из-за фонового шума. Это влияет на процессы интерпретации и затрудняет их диагностику врачом. Сегментация может решить такие проблемы и легко идентифицировать эти эритроциты (см. Рисунок 12) [17].
Рисунок 12.
Сегментация эритроцитов с помощью обнаружения краев: (a) исходное изображение и (b) методы Собеля и (c) Prewitt.
Сегментация k-средних 5,6
Кластер K-средних
— это метод оценки вектора и сигнала. Этот метод делит изображение на n частей и на k кластеров, в которых каждое наблюдение соответствует кластеру с аналогичным средним значением. Кластеризация k-средних имеет тенденцию находить кластеры с сопоставимой пространственной протяженностью. Учитывая набор комментариев (x1, x2,…, xn), где каждый комментарий является фактическим вектором в d-измерении, кластеризация k-средних имеет целью разделить n наблюдений на k (≤ n) множеств S = {S1, S2, …, Sk}, чтобы минимизировать сумму квадратов внутри кластера (уравнения(12) и (13)) [16].
arg minS∑i = 1k∑x∈Six − μi2 = arg minS∑i = 1kSiVarSiE12
, где μ i — среднее значение точек в Si .
arg minS∑i − 1k12Si∑x1y∈Six − y2E13
Метод k-средних может применяться в больших базах данных из-за его простоты. Этот метод используется в экономном, наблюдении за звездами, совершенствовании и компьютерном восприятии (рис. 13) [17, 18, 19].
Рис. 13.
Техника сегментации k-средних снимков ядерной медицины.
6. Заключение
Изображения — это способ выражения данных в пиктографическом виде. Изображения состоят из различных небольших элементов, называемых пикселями. Каждый пиксель имеет определенную позицию и значение. Геометрическое изображение означает изображение арифметически с геометрическими примитивами, такими как линии. Каждое изображение сохраняется в определенном формате файла, который состоит из двух частей, заголовка и данных. Методы обработки изображений — это группа подходов, которые используются для обработки изображений с помощью компьютера.Целью сегментации является разделение изображений на важные части. Локальная сегментация имеет дело с разделением изображений на маленькие части в изображениях. Глобальная сегментация касается сборки этих разделов. Сегментация изображения работает в трех методах: регион, граница и край. Регион метод используется для изучения изображений и класса области соседних пикселей. Сегментация порогового значения использует гистограмму и пороговое значение пикселей. Методы обработки краев изображения используются для анализа изображений на границах или прекращения их использования.К таким методам относятся Робертс, Преуитт, Собел и Фрей-Чен.
Благодарности
Авторы благодарны Деканату научных исследований Университета Маймаа за финансирование этого исследования.
Конфликт интересов
Конфликт интересов отсутствует.
Приложение по обработке фотографий: 15 лучших бесплатных приложений для обработки фотографий