1. Západočeská univerzita v Plzni
Fakulta aplikovaných věd
Katedra kybernetiky
Bakalářská práce:
Vypracoval: Tomáš Přinda
Vedoucí práce: Ing. Tomáš Ryba
Plzeň, 2010

2. Cíle práce
 Otestování metody graph cut pro
segmentaci obrazu
 Nastudování potřebné teorie
 Implementace metody ve vhodném prostředí
 Otestování metody pro různé parametry
 Zhodnocení dosažených výsledků
 Využití metody pro segmentaci
lékařských dat

3. Segmentace
 Rozdělení obrazu na části, které mají
souvislost z objekty reálného světa, oddělení
od pozadí

4. Graph cut – základní rysy
 Umožňuje interaktivní
segmentaci - seedy
 Hranový i oblastní přístup
 Použití pro 2D, 3D, nD data
 Základní metoda neposkytuje
 Využití předchozí znalosti tvaru
 Využití texturních vlastností
objektu

5. Graph cut - popis algoritmu
Označení seedů
Převedení obrázku
na orientovaný graf
Ohodnocení hran
grafu
Výpočet minimálního
řezu v grafu
Min. řez odděluje
objekt od pozadí

6. Implementace
 Hledání min. řezu
 Dinicův alg. + alg. Tří Indů
 Implementace v Matlabu
 Pohodlná práce s obrázky, mnoho funkcí
 Nižší rychlost
 Testovací sada obrázků
 Obsahuje ruční segmentace
 => možnost porovnání
 Otestování metody pro 2,3%
různé parametry, zhodnocení

7. Problém s rychlostí 1
 Obrázek 150x100px – cca 45min
 Příčiny
 Pomalý běh Matlabu
 Složitost algoritmu O(n3)
 Řešení
 Implementace algoritmu v C / C++
 Využití paralelního programování – CUDA
○ 60 obrázků 1024x1024px za 1s

8. Problém s rychlostí 2
 Implementace efektivnějšího Označení seedů
algoritmu např. Boykov–Kolmogorov
 Teoretická složitost horší, ale lepší Převedení obrázku
na orientovaný graf
výsledky
Ohodnocení hran
grafu
 Využil jsem a přizpůsobil jeho
hotovou implementaci Výpočet minimálního
řezu v grafu
 Změna pouze „jádra“ metody, ohodnocení
hran stejné => téměř stejné výsledky Min. řez odděluje
 V C++ objekt od pozadí
 Obrázek 150x100px – 0,2s

9. Závěr
 Uplatnění v lékařství k segmentaci 3D
snímků (CT, MR) a následnou tvorbou
počítačového modelu
 Budoucí práce
 Tvorba počítačových modelů tkání
 Otestování modifikovaných metod

11. Výhody metody graph cut
 Interaktivita
 Jedná se spíše o vlastnost
 Umožňuje uživatelský zásah a přesnější
definování požadavků
 Oprava špatné segmentace => lepší
výsledky (nepočítá se celé znovu)
 Využití pro vícedimenzionální data
 3D – lékařství – segmentace CT, MR
 Hranový i oblastní přístup
 Modifikované metody – tvar, textura

12. Nevýhody metody graph cut
 Velká složitost => malá rychlost
 Využití paralelního programování
 Obtížnější nastavení parametrů
 Často nutné provést segmentaci pro různé
nastavení parametrů
 V praxi většinou velmi podobná data =>
nastavení pouze jednou
 Segmentaci by měl provádět expert
(segmentace nádoru – zná jen doktor)

13. Jiné modely objektu a
pozadí
 Váhová funkce C(L) = λR(L) + B(L)
 L ... Vektor, který představuje danou segmentaci
 R(L) … představuje vlastnosti oblastí (region)
 B(L) ... představuje vlastnosti hranic (boundary)
 R(L) = ΣRp(Lp)
 Rp(obj) = - ln P(ip|O)
 Rp(bgd) = - ln P(ip|B)
 Model objektu (pozadí) – ppst. rozdělení
 Určení ze seedů – určitý vzorek objektu (pozadí)
 Segementace podobných obrázků => předchozí
určení rozdělení

14. Jiné modely objektu a
pozadí
1. Dle histogramu
 Ze zadaných seedů vypočtení histogramu,
znormování
 Nevýhoda – malé množství seedů => „zubatá“
funkce => neodpovídá opravdovému
rozložení
2. Vyhlazený histogram
 Více odpovídá rozložení skut. objektu a
pozadí

15. Jiné modely objektu a pozadí
3. Normální rozdělení
pravděpodobnosti
 Vhodné pouze pro
poměrně jednoduché
obrázky
4. Součet více Gaussovo 0.02
P(Ip|O)-true
křivek 0.015
P(Ip|B)-true
P(Ip|O) P(Ip|B)
5. Jiné pravděpodobnostní 0.01
rozdělení (beta, 0.005
logaritmicko normální) 0
0 50 100 150 200 250 300
hodnota jasu