Генератор LUT на основе гладкой кусочно-линейной параметризированной функции
М. А. Казаков
Загрузить полный текст
Аннотация: При визуализации рентгеновских изображений возникает задача специфического преобразования исходного изображения в соответствии с исследуемыми тканями и частями тела. Так как различные ткани имеют различный диапазон плотностей, требуемых результатов можно добиться путем расширения динамического диапазона для пикселей, значения интенсивности которых находятся в некотором диапазоне, характерном для соответствующей ткани. Такого рода преобразования для каждого пикселя изображения определяются непосредственно значением интенсивности пикселя и не зависят от значений интенсивности соседних пикселей, т.е. преобразование представляет собой функцию от одной переменной. Это позволяет использовать табличные представления функций (Lookup Tables – LUT), которые обеспечивают высокую вычислительную эффективность. Для подбора соответствующих функций преобразования требуется участие эксперта, который определит, насколько та или иная функция корректно преобразовывает изображение. В работе представлен гибкий генератор таблиц преобразования (LUT), при помощи которого можно продуцировать таблицы с различными параметрами. Приведены иллюстрации результатов преобразования. Прилагается ссылка с реализацией на языке Python, в которой предусмотрена возможность визуализации результата для того, чтобы интерактивно подбирать подходящие параметры.
Ключевые слова: Lookup Tables, рентгеновские изображения, обработка изображений, повышение контраста
Для цитирования. Казаков М. А. Генератор LUT на основе гладкой кусочно-линейной параметризированной функции // Известия Кабардино-Балкарского научного центра РАН. 2024. Т. 26. № 6. С. 45–52. DOI: 10.35330/1991-6639-2024-26-6-45-52
Список литературы
- Russo P. Handbook of X-ray imaging: physics and technology. CRC Press, 2018. 1419 p.
- Garrido G., Joshi P. OpenCV 3.x with Python by example. Packt Publishing, 2018. 268 p.
- Jain A.K. Fundamentals of digital image processing. 1st edition, England: Pearson, 1989. 569 p.
- Woods R.E., Gonzalez R.C. Digital Image Processing. England: Pearson, 2021. 1022 p.
- Gonzalez R.C. Digital image processing. Pearson education India, 2009.
- Yoon D.C. et al. Digital radiographic image processing and analysis. Dental Clinics. 2018. Vol. 62. No. 3. Pp. 341–359. DOI: 10.1016/j.cden.2018.03.001
- Freedman M.T., Artz D.S. Image processing in digital radiography. Seminars in roentgenology. WB Saunders. 1997. Vol. 32. No. 1. Pp. 25–37. DOI: 10.1016/s0037-198x(97)80033-8
- Carroll Q.B. Digital Radiography in Practice. Charles C Thomas Publisher, 2023.
- Naidu S., Quadros A., Natekar A. et al. Enhancement of X-ray images using various Image Processing Approaches. International Conference on Technological Advancements and Innovations (ICTAI). Tashkent, 2021. Pp. 115–120. DOI: 10.1109/ICTAI53825.2021.9673317
- Modi J. Look Up Tables in Radiography: Why Are They Useful? CE4RT.com, 1 Apr. 2023. https://ce4rt.com/rad-tech-talk/look-up-tables-in-radiography-what-are-they/
- Jo Y., Kim S.J. Practical single-image super-resolution using look-up table. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021. Pp. 691–700.
- Казаков М. А. Комбинированный метод выравнивания гистограммы изображений с высоким динамическим диапазоном // Известия Кабардино-Балкарского научного центра
РАН. 2023. № 6 (116). С. 160–166. DOI: 10.35330/1991-6639-2023-6-116-160-166
Информация об авторе
Казаков Мухамед Анатольевич, мл. науч. сотр. отдела нейроинформатики и машинного
обучения, Институт прикладной математики и автоматизации – филиал Кабардино-Балкарского
научного центра Российской академии наук;
360000, Россия, г. Нальчик, ул. Шортанова, 89 А;
kasakow.muchamed@gmail.com, ORCID: https://orcid.org/0000-0002-5112-5079, SPIN-код: 6983-1220