Post on 03-Apr-2015
1
Restoration DES IMAGES DE LA RéTINE HUMAINE
PAR LA DIFFUSION ANISOTROPE
E
µ
E
Elaboré par: Mariem Ben Abdallah ;Jihène Malek; Gérard Subsol; Karl Krissian
REPUBLIQUE TUNISIENNE MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA
RECHERCHE SCIENTIFIQUE
FACULTE DES SCIENCES DE MONASTIR TUNISIE
Thème de recherche: Imagerie Médicale
UNIVERSITE DE MONTPELLIER II FRANCE
2
Introduction Anatomie de l'œil Problématique Evolution de la diffusion Anisotrope Diffusion Anisotrope basée sur l’Estimation
du Bruit Résultats Conclusion
Plan
3
La « rétinopathie diabétique » (RD) est une des causes importantes du handicap visuel chez les diabétiques.
Il s’agit d’une modification des minuscules vaisseaux sanguins qui nourrissent la rétine (sténose).
le dépistage et le suivi de cette maladie se servent du traitement d’image malgré les nombreuses difficultés qui sont posées par la complexité de ces images.
INTRODUCTION
4
ANATOMIE DE L'ŒIL
5
http://reference.medscape.com/features/slideshow/retina
Effets des maladies sur les vaisseaux sanguins
INTRODUCTION
6
Les images rétiniennes prises au quotidien clinique: Très bruitées, Faible contraste, Illumination non uniforme.
Les raisons: Maladies possibles (cataracte), Circonstances dans lesquelles la photo est prise, L’illumination varie d’un patient à un autre. Outils d’acquisition (capteur CCD) Objectifs: Optimiser la visualisation de ces images soit pour une
lecture manuelle ou une analyse ultérieure (segmentation). Extraire de l’information (vaisseaux sanguins)
PROBLÉMATIQUE
7
Utilisation des operateurs de lissage Plusieurs techniques ont été proposées pour réduire
le bruit tels que: Filtre Gaussien( - efface les bords) Filtre median (+ maintient les bords, - suppression
les fines details) Diffusion anisotrope basée sur les statistiques
locales de l’image (+ lisse les zones homogenes et rehausse les contours,- bruit supposé connu)
Pour cela, nous proposons une nouvelle version de la diffusion anisotrope basée sur la modélisation du bruit afin d'optimiser le filtrage des images.
PROBLÉMATIQUE
8
Equation de la chaleur:
Diffusion anisotrope (Perona et Malik):
)( udivut
“g” dépend de la norme du gradient de l’image
Réduit la diffusion pour les forts gradient.
Lissage de l’information dans toutes les directions de façon identique (isotrope)
2exp kuug dont,
Désavantages: k : seuil sur la norme du gradient
Il est difficile de stabiliser de façon automatique le bon seuil k .
La diffusion anisotrope de P & M avec ses limites [Perona & Malik, 1987]:
Evolution de la Diffusion Anisotrope
9
Flux based Anisotropic Diffusion:
uDdivut .
Modèle de la Diffusion Matricielle [Karl Krissian & al.,2002]:
Model de la diffusion matricielle
Evoluion:
Nouveautés:le choix particulier du repère associé à la diffusionLa diffusion est considérée comme une somme de deux diffusionsLa fonction de diffusion associée à chaque vecteur de la base depend de la dérivée premiére de l’intensité dans cette direction
*2
*1 **
uuF
Evolution de la Diffusion Anisotrope
10
avec,
contours
Réhaussement des coutours.
si,sinon,
lissage avec l’équation de la chaleur
Seackle Reducing Anisotropic Diffusion(SRAD)[Yu & Acton, 2002]:
La diffusion est contrôlée par les statistiques locales dans l’image.
Lee Filter:
Variance du bruitVariance locale de l’image observée
Zones homogénes
0
Evolution de la Diffusion Anisotrope
11
Où, uDdivut .
Plus robuste au bruit
Réorienter le flux du vecteur gradient dans une base orthonormale liée à la structure locale de l’image.
Estimation de la variance du bruit
Calcul de la variance et la moyenne locales de l’image
Calcul des coefficients de diffusion:
Oriented Seackle Reducing Anisotropic Diffusion[Karl & al., 2007]
Evolution de la Diffusion Anisotrope
12
Calcul des statistiques locales de l’image:
La variance locale est estimée dans chaque direction de la structure localela direction de l’axe du vaisseau, et sa direction orthogonale.
Voisinage linéique de taille 7 pixels
Moyenne locale linéaire :
Voisinage dans la direction du vaisseau:
Voisinage dans la direction Orthogonale:
Evolution de la Diffusion Anisotrope
13
Avantages: décroissance naturel de la diffusion avec
la décroissance de la variance du bruit Un paramètre de moins (seuil sur la
norme du gradient) Inconvénients: Le bruit est supposé connu!
Evolution de la Diffusion Anisotrope
14
Introduction
Dans le domaine du filtrage des images de fond d’œil, le bruit est supposé connu comme bruit gaussien blanc additif (AWGN)
Cependant, dans des applications réelles, le bruit est inconnue et non additif
Difficile de faire des algorithmes de vision par ordinateur entièrement automatique sans connaître le bruit!
Diffusion Anisotrope basée sur l’Estimation du Bruit
15
Nous Proposons de développer une nouvelle version de la diffusion Anisotrope :
Modéliser le bruit à partir d’une seule image et de paramètres connues sur les caméras d'acquisition.
Paramètres lié aux statistiques locales de l'image
Avantages: L’écart type du bruit dépends de l’intensité Décroissance naturel de la diffusion avec la
variance du bruit Des calculs convergent sans qu'il y aura lissage des
caractéristiques intéressantes de l'image.
Diffusion Anisotrope basée sur l’Estimation du Bruit
16
L’écart type du bruit s varie en fonction de la l’intensité I
Mesurable en effectuant plusieurs captures pour la même scène.
Pour chaque pixel: Moyenne: I Ecart type: s
NLF dépend de la caméra, ISO, vitesse d'obturation, l'ouverture
But: Estimer NLF à partir d’une seule Image Estimer NLF sans séparer le bruit du signal!
Fonction du Niveau de Bruit(NLF)
Modéle du bruit:
Fonction Réponse de la Caméra (CRF) f: Téléchargée à partir de “ Columbia camera response function database” http:// www.cs.columbia.edu/CAVE
Tsin et. al. Statistical calibration of CCD image process. ICCV, 2001
Bruit de la Camera
Atmospheric Attenuation
Lens/geometricDistortion
CCD Imaging/Bayer Pattern
Fixed PatternNoise
Shot Noise
Thermal Noise
Interpolation/Demosaic
WhiteBalancing
GammaCorrection
A/D Converter
Dark Current Noise
t
QuantizationNoise
SceneRadiance
DigitalImage
CameraIrradiance
)( cs nnLfI
I
L
2)(Var,0)(E sss Lnn Bruit Dependant:Bruit indépendant: 2)(Var,0)(E ccc nn
18
CAMERA RESPONSE FUNCTION (CRF)
Synthése du bruit CCD
NLF Estimé: )(),,;( IIEfI Ncs
I NI
Fonction Réponse de la Caméra: fBruit dependant:Bruit Independant :
s
c
20
Synthése du bruit CCD
21
est une donnée sur un grand nombre de variables, qui peuvent avoir une certaine corrélation entre elles,
Pour réduire le nombre de variables on utilise l’analyse de la composante principale (PCA).
Donc, On peut écrire le modéle théorique du bruit comme:
Modèle du bruit
22
K-means clustering method
Le but de l'estimation du bruit est d'adapter une enveloppe inférieure de l'ensemble d'échantillons.
Modèle du bruit
23
L'écart-type estimé devrait être plus grand et proche de la valeur réelle
Chaque unique fonction de VRAI ressemblance est le produit de Gaussian pdf et Gaussian cdf:
Nous utilisons Bayesian MAP inference pour inférer NLF à partir d’une seule image
Modèle du bruit
Deux bases de données: STARE Project [7]
Berkeley image segmentation [6]
24
Des expériences ont été menées sur des images réelles et synthétiques.
Résultats
25
RÉSULTATS
Image bruitée Rouge Vert Bleu
;08.0s :03.0c);60(crf
26
RÉSULTATS
Rouge Vert Bleu
Zoom in
Image avec un bruit synthetic
Image filtrée
RÉSULTATS
28
Résultats
Image originale; Coefficients de diffusion C1, C2
29
Image Originale ; Partie de l’image; Résultat après 3 itérations
Résultats
30
Résultats
Image Originale Résultat après 10 itérations
31
L’objectif dans ce travail est le traitement d’images médicales afin de faciliter et d’améliorer le diagnostic de la Rétinopathie Diabétique.
Modéliser le bruit à partir d’une seule image de
fond d’oeil.
Conclusion
32
Bibliographie
[1] J. Weickert;" Anisotropic Diffusion in image processing"; Teubner-Verlag,1998.
[2] K. Krissian; " Flux- Based anisotropic Diffusion Applied to enhancement of 3D Angiograms"; IEEE Transactions on Medical Imaging, Vol. 21, No.11.Nov 2002.
[3] Ce Liu, Richard Szeliski, Fellow, Sing Bing Kang, C. Lawrence Zitnick, and William T. Freeman, "Automatic Estimation and Removal of Noise from a Single Image". IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE,pp. 299-314, VOL. 30, NO. 2, FEBRUARY 2008.
[4] Perona, P., Malik, J.; ”Scale-space and edge detection using anisotropic diffusion”; IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI), Vol. 12, No, 7, 1990, pages: 629-639.
[5] Karl Krissian, Carl-Fredrik Westin, Ron Kikinis and Kirby Vosburgh; «Oriented Speckle Reducing Anisotropic Diffusion», IEEE Transactions on Image Processing; MAY 2007
[6] D. Martin, C. Fowlkes, D. Tal, and J. Malik, “A Database of Human Segmented Natural Images and Its Application to Evaluating Segmentation Algorithms and Measuring Ecological Statistics,” Proc. IEEE Int’l Conf. Computer Vision, vol. 2, pp. 416- 423, July 2001.
[7] http://www.ces.clemson.edu/~ahoover/sta e/
33
Merci