ImageJ 学習:CLAHEでコントラスト調整

2017-10-18 :  PCクリニック
Python、C言語、Perl、グルコサミン、Firefox
某雑誌(論文?)を立ち読みしていたら、気になる記事があった。

記事のタイトルは忘れたが、キーワードとしては、
ImageJコントラストCLAHE
があった?様な

それで、
「ImageJ コントラスト CLAHE」で検索してみた。

“Re - ImageJで学ぶ!”の
第61回 ImageJによるコントラスト調整の応用-CLAHEについてで学ぶ!
が見つかった。

立ち読みしたのは(多分)この記事にある“参考記事”でしょう?

で、
このページは、・・・・・

 Re-ImageJで学ぶ!

 インナービジョン連載中のリジット 山本修司「ImageJで学ぶ実践医用・
 バイオ画像処理」を自分の勉強のためにリメイクした「Re-ImageJで学ぶ!」を
 開設いたしました。 画像解析を学ぶ学生や、ImageJの使い方を忘れてしまった
 研究者の方まで、広く読んでいただければ幸いです。


と云うサイトの連載記事で、

 2015年12月10日木曜日
 第61回 ImageJによるコントラスト調整の応用ーCLAHEについてで学ぶ!
 この記事は参考記事を援用して、筆者の考えも交えつつ、記述しています。

ですね。

若干(殆ど全て?)引用させて頂く。


 ImageJの標準の画像処理機能の中には、ヒストグラムを均一にして
 コントラストを調整するメニューもありますが、
 同じ画像の中でも濃淡コントラストが極端に異なる領域が存在する場合、
 画像ノイズも強調されてしまい、
 期待通りの画像処理結果が得られないことがあります。
 このような場合に、ユーザー側で許容できるノイズレベルや、
 画質を調整できるコントラスト制御機能があれば非常に便利です。

 今回は、このコントラストの均一化について、
 パラメータの調整が可能な”CLAHE”(コントラスト制限付適応
 ヒストグラム均一化/均等化)について説明します。
 医用画像処理の応用として、CLAHE処理は、放射線治療の分野で使用される
 リニアックグラフィ(ポータルイメージ)やマンモグラフィなど
 にも適応されています。


 CLAHEとは

 ヒストグラム均一化処理は、処理対象となる画像全体に機能しますが、
 コントラスト制限付適応ヒストグラム均一化/均等化処理
 (Contrast Limited Adaptive Histogram Equalization:CLAHE)は、
 画像内のtilesと呼ばれる分割されたブロックごとに処理をすることで、
 画像の局所領域のコントラストを強調し、細部の可視性を高める手法です。
 CLAHEは局所領域のノイズの過剰な増幅を抑えた強調処理
 ができるといわれています。

 CLAHEでは、分割されたtileに対して、近似的かつ最適なヒストグラムの
 コントラストになるよう自動濃淡調整を行います。
 この処理の際、計算ブロックごとの境界にアーチファクトが生じるため、
 双一次内挿(バイリニア補間)を使って、近傍のtileに補間処理をかけます。

 ImageJでは、Stephan Saalfeld氏によって開発されたCLAHEプラグイン( ・・・ )
 が用意されており、通常のヒストグラム均一化と一味違う結果が得られます。
 以下にCLAHEのコントロールパラメータを示します。
 ・ブロックサイズ:画像を分割するtileのサイズの決定。
  目安として画質を維持したい対象のサイズよりも大きな
  ブロックサイズを選択すと良い。
 ・ヒストグラムのビン数:8および24ビットカラー(RGB)のみ
  対応のヒストグラムで、ビン数はtileのピクセル数よりも小さく
  設定しなければならない。
 ・最大スロープ:強度伝達関数(intensity transfer function)による
  コントラスト伸張の制限を決める。
  この値の1は、元画像を基準として、それよりも大きな値を入力する
  ことによって画像局所の最大コントラストを決定する。

 ・・・・・
 ・・・・・
 ・・・・・

 図は、前述の比較例をImageJのSNR計測プラグインを用いて定量的に行った例です。

 ・・・・・
 ・・・・・

 それぞれ、オリジナルを元画像(リファレンス)として
 SNR(Signal-to-noise ratio)、PSNR(Peak signal-to-noise ratio)、
 RMSE(Root mean square error)、MAE(Mean absolute error)を
 求めた値を示しています。

 CLAHEでtileを細かくしていくほど、
 すべてのデータが元データと比べて改善していることがわかります。
 tileなどの設定値や解析対象物によって使い分けをすると、
 より良い結果が導けるかもしれません。
 腹部MRI画像での処理例では、かなり改善されるようです。

 ・・・・・
 ・・・・・

 参考記事:「山本修司:ImageJで学ぶ実践医用・バイオ画像処理.
       INNERVISION(25・11) 2010, p114-115」

 ・・・・・
 ・・・・・


本日はここまで。


ImageJ 学習は続く?


見ていただいた序でとは厚かましい限りですが、
お帰りに投票して頂けるとなお嬉しいです。 ⇒ blogram投票ボタン


171004
関連記事
スポンサーサイト

コメントの投稿

管理者にだけ表示を許可する

おきてがみ/blogram
blogram投票ボタン



おきてがみ

最新記事
カレンダー
10 | 2017/11 | 12
- - - 1 2 3 4
5 6 7 8 9 10 11
12 13 14 15 16 17 18
19 20 21 22 23 24 25
26 27 28 29 30 - -
月別アーカイブ
カテゴリ
最新コメント
検索フォーム
リンク
プロフィール

<紙>

Author:<紙>
ようこそ。
「パソコンヲタクの雑記帳」
もろもろなことを綴っています。
パソコン ヲタクってねくら?
画像は kami でなく kani です。

カウンター(fc2、i2i) /Google Analytics


i2i(from 2010-08-24)
Total =
Today  =  
Yesterday=
アンチエイジング

Google Analytics
ブックマーク