Algunas contribuciones sobre la corrección de inhomogeneidades de iluminacion en imagenes ...

185 Pages·2004·18.23 MB·Spanish

Algunas contribuciones sobre la corrección de
inhomogeneidades de iluminacion en
imagenes digitales.
Elsa Fernandez
Resumen
El problema de las distorsiones introducidas por la fuente de iluminación es-
tá presente en todas las aplicaciones que utilizan imagenes digitales para el
reconocimiento y detección en su más amplia acepción. En este trabajo nos
hemos concentrado en las imagenes de Resonancia Magnética Nuclear, dado su
creciente uso diagnóstico. Además, en ellas este problema se puede formular
de una forma más asequible para su solución que en el caso general, debido a
que las imagenes presentan una clara estructura como funciones constantes por
trozos. Hemos implementado y contrastado diversas aproximaciones, que in-
cluyen nuestras proposiciones basadas en la mimización de una función objetivo
de(cid:1)nida sobre el error de clasi(cid:1)cación y el bias de iluminación. Además de las
imagenes de resonancia magnetica, hemos adaptado nuestro algoritmo de cor-
rección de la iluminación para aplicaciones en el reconocimiento de caras, con
resultados positivos.
Í(cid:1)(cid:2)(cid:3)(cid:4)(cid:5) G(cid:5)(cid:1)(cid:5)(cid:6)(cid:7)(cid:8)
1 Introducción 1
1.1 Motivación y descripción general de los objetivos de la tesis . . . 2
1.2 Estructura de la memoria . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Publicaciones realizadas durante el desarrollo de la tesis . . . . . 10
2 El problema de la corrección de iluminación 13
2.1 Planteamiento general . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.1 Características especí(cid:1)cas del problema para IRM . . . . 15
2.1.2 Ilustracion de los efectos de la iluminación . . . . . . . . . 15
2.2 El (cid:1)ltrado homomór(cid:1)co . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Clasi(cid:1)cación versus restauración . . . . . . . . . . . . . . . . . . 25
3 Algoritmos de corrección del bias en IRM 29
3.1 Algoritmos basados en métodos bayesianos. . . . . . . . . . . . . 30
3.2 Agrupamiento borroso . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Métodos no paramétricos . . . . . . . . . . . . . . . . . . . . . . 33
3.3.1 BMAP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.2 BFCM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4 Métodos paramétricos . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4.1 Algoritmo de Wells . . . . . . . . . . . . . . . . . . . . . . 48
3.4.2 PABIC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5 Nuestras proposiciones . . . . . . . . . . . . . . . . . . . . . . . . 60
3.5.1 El gradiente . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.5.2 GradPABIC . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.5.3 GradClassLeg . . . . . . . . . . . . . . . . . . . . . . . . . 63
4 Resultados experimentales en IRM 65
4.1 Consideraciones metodológicas . . . . . . . . . . . . . . . . . . . 65
4.2 Experimentos realizados sobre imagenes de tablero de ajedrez . . 67
i
ii
4.2.1 Sobre el (cid:1)ltrado homomor(cid:1)co . . . . . . . . . . . . . . . . 69
4.2.2 Comparación entre algoritmos evolutivos. . . . . . . . . . 69
4.2.3 Comparación con algoritmos no evolutivos . . . . . . . . . 76
4.2.4 Analisis de sensibilidad BMAP . . . . . . . . . . . . . . . 80
4.2.5 Análisis de sensibilidad del algoritmo de Wells . . . . . . 82
4.2.6 Conclusiones sobre las imagenes de tablero de ajedrez . . 83
4.3 Experimentos sobre las imagenes de cerebro sintéticas. . . . . . . 84
4.3.1 Resultados de los algoritmos evolutivos . . . . . . . . . . 85
4.3.2 Resultados con el algoritmo de Wells, BMAP y BFCM . . 90
4.3.3 Conclusiones sobre las imágenes de cerebro . . . . . . . . 102
4.4 Resultados sobre imágenes del IBSR . . . . . . . . . . . . . . . . 102
4.4.1 Resultados básicos . . . . . . . . . . . . . . . . . . . . . . 102
4.4.2 Estudio de sensibilidad de GradClassLeg . . . . . . . . . . 105
4.4.3 Estudio de sensibilidad del algoritmo de Wells . . . . . . . 108
4.4.4 Estudio de sensibilidad de BMAP . . . . . . . . . . . . . 112
4.5 Discusión y conclusiones . . . . . . . . . . . . . . . . . . . . . . . 113
5 La corrección de la iluminación en reconocimiento de caras 119
5.1 Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.2 Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . 121
5.3 Resultados experimentales en reconocimiento de caras . . . . . . 123
5.4 Discusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6 Conclusiones y trabajo futuro 131
7 Apendice 1: Fundamentos de la imagen de resonancia magnéti-
ca nuclear 135
7.1 Nociones (cid:1)sicas básicas . . . . . . . . . . . . . . . . . . . . . . . . 135
7.2 Espectroscopía de RMN . . . . . . . . . . . . . . . . . . . . . . . 138
7.3 Componentes hardware . . . . . . . . . . . . . . . . . . . . . . . 140
7.4 Principios de visualización . . . . . . . . . . . . . . . . . . . . . . 143
7.5 Visualización mediante la TF . . . . . . . . . . . . . . . . . . . . 146
7.6 Presentación de la imagen . . . . . . . . . . . . . . . . . . . . . . 148
7.7 Artefactos en la imagen . . . . . . . . . . . . . . . . . . . . . . . 148
7.7.1 El ruido en las imagenes de RMN . . . . . . . . . . . . . . 150
8 Apendice 2: Polinomios de Legendre 153
8.1 Ortogonalidad y productos de polinomios . . . . . . . . . . . . . 154
iii
9 Apendice 3: Estrategias Evolutivas y Algoritmos Meméticos 157
9.1 Estrategiás evolutivas . . . . . . . . . . . . . . . . . . . . . . . . 157
9.1.1 Estrategias evolutivas para la corrección de la iluminación 158
9.2 Algoritmos Meméticos . . . . . . . . . . . . . . . . . . . . . . . . 159
9.2.1 Algoritmos meméticos instantaneos . . . . . . . . . . . . . 159
Í(cid:1)(cid:2)(cid:3)(cid:4)(cid:5) (cid:2)(cid:5) F(cid:3)(cid:9)(cid:10)(cid:6)(cid:7)(cid:11)
2.1 Histograma de una imagen de tablero de ajedrez con dos niveles
de gris, sin corrupciones de ningun tipo. . . . . . . . . . . . . . . 16
2.2 Imagen de tablero de ajedrez original . . . . . . . . . . . . . . . . 16
2.3 Histograma de una una imagen de tablero de ajedrez corrompida
con ruido gausiano aditivo. . . . . . . . . . . . . . . . . . . . . . 17
2.4 Imagen del tablero de ajedrez corrompida por ruido gausiano adi-
tivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5 Ejemplo de campo de iluminación no uniforme. . . . . . . . . . . 18
2.6 Ejemplo de imagen corrompida con un campo de iluminación. . . 18
2.7 Histograma de la imagen de tablero de ajedrez corrompida por
un campo de iluminación no uniforme. . . . . . . . . . . . . . . . 19
2.8 Resultados de clasi(cid:1)cación versus SNR en el caso (a) de ruido
gausiano y (b) de campo de iluminación inhomogeneo. . . . . . . 20
2.9 Clasi(cid:1)cación obtenida aplicando el algoritmo k-medias a una im-
agen corrompida con un campo de iluminación inhomogeneo. . . 21
2.10 Imagen de la clasi(cid:1)cación obtenida por el algoritmo de las k-
medias sobre una imagen corrompida por ruido gausiano aditivo. 21
2.11 Resultados del cálculo de los bordes en el caso (a) de la imagen
original en (c) y (d) de la corrompida con un campo de ilumi-
nación inhomogeneo . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.12 Resultados del (cid:1)ltrado homomór(cid:1)cosobre una imagen de tablero
de ajedrez corrupta (a) re(cid:2)ectancia, (b) campo de iluminación
estimado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.13 Resultadosdelaaplicaciondel(cid:1)ltrohomomór(cid:1)cosobreuna roda-
ja de un volumen de cerebro (a) imagen corrupta, (b) re(cid:2)ectancia
y (c) campo de iluminación. . . . . . . . . . . . . . . . . . . . . . 26
3.1 Ilustracion del efecto del sesgo debido al campo de iluminacion y
del ruido aditivo en una linea de una imagen, o en una funcion
unidimensional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
iv
v
4.1 Imagen de tablero de ajedrez original. . . . . . . . . . . . . . . . 68
4.2 Ejemplo de campo de iluminación empleado para corromper la
imagen de tablero de ajedrez. . . . . . . . . . . . . . . . . . . . . 68
4.3 Ejemplo de imagen de ajedrez corrompida por un campo de ilu-
minación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.4 Correlación con las originales de la imagen corregida (a) y del
sesgo estimado (b), para los algoritmos: (cid:1)ltrado homomór(cid:1)co,
GradPABIC, EE y PABIC . . . . . . . . . . . . . . . . . . . . . 70
4.5 Varianza de las correlaciones con los originales de la imagen cor-
regida (a) y del sesgo estimado (b), para los algoritmos Grad-
PABIC, EE y PABIC . . . . . . . . . . . . . . . . . . . . . . . . 70
4.6 Evolución de la función de ajuste en sendas instancias del algo-
ritmo PABIC (a) y la EE (b). . . . . . . . . . . . . . . . . . . . . 73
4.7 Resultados de la recuperación de la imagen con algoritmos evolu-
tivos (a) Imagen corrupta, (b) (cid:1)ltrado homomór(cid:1)co, (c) PABIC,
(d) EE, (e) GradPABIC, (f) BMAP . . . . . . . . . . . . . . . . 74
4.8 Resultados visuales de la estimación del sesgo del campo de ilu-
minacion (a) sesgo original, (b) (cid:1)ltrado homomor(cid:1)co,(c) PABIC,
(d) EE, (e) GradPABIC, (f) BMAP. . . . . . . . . . . . . . . . . 75
4.9 Correlaciones con los originales de la imagen corregida (a) y del
sesgoestimado(b), paralosalgoritmosGradClassLeg,EEyPABIC
76
4.10 Varianzas de las correlaciones con los originales de la imagen cor-
regida (a) y del sesgo estimado (b), para los algoritmos Grad-
ClassLeg, EE y PABIC . . . . . . . . . . . . . . . . . . . . . . . 77
4.11 Correlaciones de la imagen corregida, (a) para los algoritmos
GradPABIC, Wells, (b) GradClassLeg y Wells . . . . . . . . . . 78
4.12 Aciertosen laclasi(cid:1)cacióndelas imagenescorregidas comparados
con la clasi(cid:1)cación nominal. . . . . . . . . . . . . . . . . . . . . . 79
4.13 Correlaciones de las imagenes corregidas y de la imagen origi-
nal, (a) algoritmos GradPABIC, BFCM, BMAP, (b) algoritmos
GradClassLeg, BFCM, BMAP . . . . . . . . . . . . . . . . . . . 79
4.14 SensibilidaddelBMAPrespectodeltamañodel(cid:1)ltrodesuavización
sobre una imagen de tablero de ajedrez, con radio 2 de vecindario
en el MRF que modela las probabilidades a priori. . . . . . . . . 80
4.15 Sensibilidad del BMAP respecto del tamaño del vecindario en el
MRF de las probabilidades a priori. . . . . . . . . . . . . . . . . 81
vi
4.16 In(cid:2)uencia del diametro de la mascara de suavización sobre el re-
sultado del algoritmo de Wells. . . . . . . . . . . . . . . . . . . . 83
4.17 Imágenes de cortes del volumen sintético de cerebro usados como
originales (a) corte axial, (b) corte coronal, (c) corte sagital . . . 86
4.18 Imágenes de cortes del volumen sintético de cerebro corrompidas
con un sesgo de iluminacion (a) corte axial, (b) corte coronal, (c)
corte sagital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.19 Clasi(cid:1)cación de las imágenes de cortes del cerebro en líquido
cerebro-espinal, materia gris y materia blanca. Cortes (a) axi-
al, (b) coronal y (c) sagital . . . . . . . . . . . . . . . . . . . . . 87
4.20 Correlaciones de las imágenes corregidas (a,c,e) y de los sesgos es-
timados (b,d,f) para los algoritmos evolutivos, sobre las imagenes
de los cortes axial, coronal y sagital . . . . . . . . . . . . . . . . . 88
4.21 Correlaciones de las imágenes corregidas (a,c,e) y de los sesgos
estimados (b,d,f) para los algoritmos evolutivos y GradClassLeg
sobre las imágenes de los cortes axial, coronal y sagital . . . . . . 89
4.22 Resultados visuales de las estrategias evolutivas sobre los cortes
del volumen sintético. . . . . . . . . . . . . . . . . . . . . . . . . 91
4.23 Resultados visuales del algoritmo PABIC sobre las imágenes de
los cortes del volumen sintético. (a, b, c) imágenes corregidas, (d,
e, f) sesgos estimados. . . . . . . . . . . . . . . . . . . . . . . . . 92
4.24 Resultados visualesdelalgoritmo GradPABICsobre los cortesdel
volumen sintético . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.25 Resultados visuales de la aplicación del algoritmo GradClassLeg,
estadoinicial arbitrario, sinestimar lasintensidadesmediasdelas
clases. (a,b,c) imágenes corregidas, (d,e,f) sesgos de iluminación
estimádos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.26 Resultados visuales de aplicar el algoritmo GradClassLeg sobre
las imágenes sintéticas corruptas, estimando las medias de las
intensidades de las clases. (a,b,c) imágenes corregidas, (d,e,f)
sesgos estimados. . . . . . . . . . . . . . . . . . . . . . . . . . . 95
4.27 Correlación de las imagenes restauradas y la original sobre los
cortes del volumen sintético de cerebro, GradPABIC versus el
algoritmo de Wells, BFCM y BMAP . . . . . . . . . . . . . . . . 96
4.28 Correlación de las imágenes restauradas y la original sobre los
cortes del volumne sintético de cerbro, GradClassLeg versus el
algoritmo de Wells, BFCM y BMAP . . . . . . . . . . . . . . . . 98
vii
4.29 Resultado de la aplicación del algoritmo de Wells. (a,b,c) Ima-
genes corregidas(d,e,f) Sesgos estimados. . . . . . . . . . . . . . . 99
4.30 Resultado de la aplicación del algoritmo BFCMa las distintosro-
dajas del volumen sintético de cerebro corrompido con un campo
sintetico. (a, b, c) imágenes corregidas, (d, e, f) sesgos estimados. 100
4.31 Resultados de la aplicación del algoritmo BMAP sobre las ima-
genes de la (cid:1)gura. (a, b, c) Imágenes corregidas. (d, e, f) Sesgos
estimados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.32 Resultados de aciertos de la clasi(cid:1)cación de los pixeles en mate-
ria gris, materia blandca, liquido cerebro-espinal obtenidos por
GradClassLeg, Wells y BMAP sobre cada rodaja. . . . . . . . . . 104
4.33 Una rodaja de (#32) del volumen empleado en los experimentos,
(a) la imagen original con las materias no cerebrales removidas.
(b) imagen de la segmentación manual donde cada pixel tiene el
valor de intensidad de la clase asignada. . . . . . . . . . . . . . . 106
4.34 Bias detectados en la rodaja del volumen en la (cid:1)gura (a) Grad-
ClassLeg, (b) BMAP, (c) Wells . . . . . . . . . . . . . . . . . . . 107
4.35 Imagen corregida de la rodaja #32 del volumen obtenido del IB-
SR. (a) GradClassLeg, (b) BMAP, (c) Wells. . . . . . . . . . . . 107
4.36 Imagenes de la clasi(cid:1)cación obtenidas por los algoritmos con los
valores nominales de intensidad correspondiente a cada clase. . . 108
4.37 Sensibilidad del GradClassLeg a variaciones en la ganancia del
gradiente, aciertos en las distintas rodajas del volumen. . . . . . 109
4.38 Sensibilidad deGradClassLegpara distintosnúmerosdeiteraciones.110
4.39 Sensibilidad de GradClassLeg a las variaciones en el orden de los
productos 2D de polinomios de Legendre. . . . . . . . . . . . . . 111
4.40 Efecto del tamaño del (cid:1)ltro pasabaja en los resultados obtenidos
con el algoritmo de Wells. . . . . . . . . . . . . . . . . . . . . . . 112
4.41 Efecto de la variación del parámetro de potencial en el algoritmo
BMAP para la imagen del IBSR: . . . . . . . . . . . . . . . . . . 113
4.42 Estudio del efecto del cambio, para una imagen del IBSR, del
radio del vecindario en BMAP. . . . . . . . . . . . . . . . . . . . 114
4.43 Sensibilidad del BMAP al tamaño de la máscara de convolución
de la estimación del campo de iluminación. . . . . . . . . . . . . 115
5.1 Imagenes originales de uno de los sujetos de la colección de Yale 125
5.2 Diferencias respecto de la cara de referencia para un individuo. . 125
viii
5.3 Cara de referencia utilizada en la corrección de la iluminacion . . 126
5.4 Error de restauracion versus la velocidad de descenso de gradi-
ente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.5 Error (cid:1)nal de la corrección versus el orden maximo de los poli-
nomios de Legendre. . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.6 Imágenes del sujeto tras la corrección de la iluminación. . . . . . 129
5.7 Resultados de clasi(cid:1)cación sobre las imágenes de caras del con-
junto de Yale, antes y después de la corrección . . . . . . . . . . 130
7.1 Ecuaciones de Bloch . . . . . . . . . . . . . . . . . . . . . . . . . 138
7.2 Diagrama temporal de la secuencia espin-echo. . . . . . . . . . . 140
7.3 Esquema de uns sistema de visualización de IRMN . . . . . . . . 141
7.4 Esquema de la disposición de las bobinas de gradiente para un
sistema de imagen de resonancia magné tica de apertura horizontal142
7.5 Algunas bobinas de RF típicas. . . . . . . . . . . . . . . . . . . . 142
7.6 Ilustracion de la obtencion de la imagen mediante retroproyeccion.144
7.7 Pulsos para la obtención de la imagen de una rodaja mediante
retroproyección. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
7.8 Secuencia de pulsos para la visualización mediante TF. . . . . . . 146
8.1 Los primeros 5 polinomios de Legendre en el intervalo (-1,1). . . 154
8.2 Productos de polinomios de Legendre de hasta orden 4. . . . . . 156
9.1 Algoritmo general de una estrategia evolutiva . . . . . . . . . . . 159
9.2 Algoritmo Memetico general . . . . . . . . . . . . . . . . . . . . . 160
9.3 Algoritmo Memetico instantáneo . . . . . . . . . . . . . . . . . . 161
9.4 Algoritmo Memetico instanteneo de individuo unico . . . . . . . 162