Estoy trabajando en un proyecto de aplicación del modelo de forma activa para localizar el diente en la radiografía dental. Para aquellos familiarizados con la técnica, actualmente estoy tratando de muestrear a lo largo de vectores normales para cada punto de referencia. El documento recomienda tomar derivados de píxeles muestreados: "Para reducir los efectos de los cambios de intensidad global, muestreamos la derivada a lo largo del perfil, en lugar de los valores absolutos de nivel de gris".
Entonces, mi problema es cómo filtrar las radiografías dentales de la mejor manera para prepararlas para aplicar el operador derivado. Actualmente estoy usando una combinación de filtro mediano para eliminar la mayor parte de lo que creo que es ruido cuántico (moteado). Le sigue un filtro bilateral . Luego aplico el operador Scharr para calcular el gradiente real que se debe muestrear.
Los resultados se presentan a continuación:
La primera imagen muestra datos originales. En la segunda y tercera imagen, se presentan los datos filtrados, primero como una magnitud de espectro después de FFT y luego como datos de una imagen filtrada. La cuarta imagen muestra el resultado de aplicar el operador Scharr a la tercera imagen.
Mis preguntas son:
- ¿Existen enfoques bien conocidos para reducir el ruido en la radiografía dental que diferirían de mi enfoque?
- ¿Qué está causando la apariencia "ahumada" de los bordes y las áreas "planas" (sin bordes)? ¿Es algún tipo de ruido sobrante en la imagen filtrada o es inherente al operador de gradiente? Si es realmente un ruido, ¿qué filtro sería el más adecuado para usar? El filtro mediano fue bueno para eliminar pequeñas manchas ruidosas, pero el núcleo grande hace que los bordes se desdibujen demasiado. Por lo tanto, el filtro bilateral se usa para filtrar manchas más grandes e igualar el color sobre el área sin dañar los bordes, pero no puede filtrar esta estructura ahumada.
- ¿Hay una mejor opción que el operador Scharr para crear gradiente en este caso?
- Bonificación: ¿Se consideraría esto una buena entrada para el modelo de forma activa? Todavía no sé cuán robustos son.
Respuestas:
Según tengo entendido, por derivación de imagen te refieres a extraer bordes. Recomendaría filtrar la imagen por un filtro gaussiano relativamente grande. Si el costo computacional de la derivación de la imagen no es crítico para su trabajo, recomendaría usar un detector de bordes sin bordes. Es menos sensible al ruido y no engaña por el ruido, y encuentra bordes débiles junto con bordes fuertes. Instrucciones de Matlab para eso:
y el resultado es (sé que podría no ser el resultado que estás buscando, sin embargo, jugar con las variables Umbral y el tamaño del filtro te traerá resultados deseables):
Tenga en cuenta que ya no ve el efecto ahumado. También sobre esos bordes incorrectos, puede eliminarlos utilizando técnicas de apertura y cierre de imágenes.
fuente