Medizinische Bildverarbeitung - Inforakel
Medizinische Bildverarbeitung - Inforakel
Medizinische Bildverarbeitung - Inforakel
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
3.5. BELEUCHTUNGSKORREKTUR 25<br />
Ortsabhängige Beleuchtungsfehler<br />
Während das Bias-Field nur eine Helligkeitsverschiebung des Bildes bedingt, hat das Gain-Field zusätzlich Auswirkung<br />
auf den Bildkontrast, wie Abbildung 3.8 am Beispiel eines MR-Bildes zeigt. Im Gain-field (Abbildung 3.8b) wird die<br />
ungleiche Helligkeitsverteilung der MR Aufnahme deutlich. Das verbesserte Bild ist durch guten Kontrast und homogene<br />
Helligkeit gekennzeichnet.<br />
Systemabhängige Beleuchtungsfehler<br />
(a) Original MR Bild (b) Gain-Field (c) Verbessertes Bild<br />
Abbildung 3.8: Gain-Field in Magnetresonanz Bild (aus [25])<br />
Ausser den ortsabhängigen Fehler gibt es noch die systemabhängigen, technischen Fehler, die z.B. durch fehlerhafte<br />
Sensoren ausgelöst werden. Im allgemeinen geht man bei der Korrektur dieser Fehler wie folgt vor. Man nimmt zwei<br />
Referenzbilder auf. Eines zur Ermittlung des Dunkelstroms fb und ein Bild zum Weißabgleich fw. Die Abschäzung des<br />
idealen Bildes ˆ f ergibt sich als:<br />
ˆf(x, y) = C g(x, y) − fb(x, y)<br />
fw(x, y) − fb(x, y)<br />
3.5.2 Retrospektive Beleuchtungskorrektur<br />
mit Konstante C<br />
Bei Endoskopischen Bildern werden Beleuchtungsfehler meist durch die inhomogenen Oberflächen der Organe hervorgerufen<br />
und sind somit nicht systembedingt. Hier müssen andere Korrekturmethoden eingesetzt werden.<br />
Die Retrospective Beleuchtungskorrektur versucht die Beleuchtungskomponenten einzeln abzuschätzen um damit den<br />
Fehler herauszurechnen. Dabei stütz man sich auf die Annahme, das sich die störenden Effekte in einem Frequenzbereich<br />
unterhalb des interessanten Bildteils befinden.<br />
Annähern des Bias-Fields<br />
Man verwendet einen Low Pass Filter (LPF) um die additive Komponente anzunähern. Mit der angenäherten Komponente<br />
ˆ β kann nun wie folgt, eine simple Abschätzung des Bildes ohne Bias-Field durchgeführt werden. Durch die<br />
Normalisierungskonstante C wird der multiplikative Anteil ignoriert, mit C = E{ ˆ β(x, y)}.<br />
Annähern des Gain-Fields<br />
ˆf(x, y) = g(x, y) − ˆ β(x, y) + C wobei ˆ β(x, y) = LPF{g(x, y)}<br />
Um das Gain-Field eines Bildes abzuschätzen, sei das Bias-Field zu vernachlässigen. Durch Anwenden des Logarithmus<br />
kann das Gain-Field wie eine additive Komponente behandelt werden, wie die nachstehende Herleitung zeigt. Man kann<br />
nun das geschätzte Gain-Field ˆγ verwenden um das Bild zu verbessern.<br />
g(x, y) = f(x, y)γ(x, y) =⇒ log{g(x, y)} = log{f(x, y)} + log{γ(x, y)}<br />
=⇒<br />
ˆ f(x, y) = g(x, y)<br />
ˆγ(x, y)<br />
mit ˆγ(x, y) = exp{LPF{log{g(x, y)}}}