SÚPER RESOLUCIÓN Y MEJORA DEL ALGORITMO CANNY PARA LA DETECCIÓN DE BORDES EN IMÁGENES MÉDICAS

Jaime Sacramento Pérez Gutiérrez, Andrea Magadán Salazar, Raúl Pinto Elías, Manuel Mejía Lavalle

Resumen


La detección de bordes en imágenes es de suma importancia para encontrar objetos de interés en estas, especialmente si se trata de imágenes médicas, donde la búsqueda de cuerpos extraños es la actividad crítica para el médico al momento de analizar los estudios en imágenes del paciente. Sin embargo, normalmente las imágenes a examinar, presentan ruido que dificulta el proceso de diagnóstico. Por ello, en este artículo, se propone un sistema de Tratamiento Digital de Imágenes que mejore la resolución de imágenes de resonancia magnética (MRI) con técnicas de Súper Resolución (SR) y un algoritmo de detección de bordes, denominado CannySu, que consiste en el algoritmo de Canny en combinación con el algoritmo de Otsu para establecer valores de umbral al detector de bordes. Los resultados obtenidos demuestran la efectividad de esta propuesta.


Texto completo:

1172-1186 PDF

Referencias


E. Carmi, S. Liu, N. Alon, A. Fiat, D. Fiat, “Resolution enhancement in MRI”. Magn. Reson. Imaging. Vol. 24. No. 2. 2006. Pp. 133–154.

A. Papoulis, “Generalized sampling expansion”. IEEE Trans. Circuits

Syst. Vol. 24. No. 11. 1977. Pp. 652–654.

M. Irani, S. Peleg, “Motion Analysis for Image Enhancement:Resolution, Occlusion, and Transparency”. J. Vis. Commun. Image Represent. Vol. 4. 1993. Pp. 324–335.

S. Farsiu, D. Robinson, M. Elad, P. Milanfar, “Fast and Robust Multi-Frame Super-Resolution”. IEEE Trans. Image Process. Vol. 13. No. 10. 2004. Pp. 1327–1344.

D. Mitzel, T. Pock, T. Schoenemann, D. Cremers, “Video super resolution using duality based tv-l 1 optical flow”. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). Vol. 5748 LNCS. 2009. Pp. 432–441.

A. V. Bhavsar, A. N. Rajagopalan, “Range map superresolution-inpainting, and reconstruction from sparse data”. Comput. Vis. Image Underst. Vol. 116. No. 4. 2012. Pp. 572–591.

K. Nguyen, C. Fookes, S. Sridharan, S. Denman, “Feature-domain super-resolution for iris recognition”. Comput. Vis. Image Underst. Vol. 117. No. 10. 2013. Pp. 1526–1535.

M. V. W. Zibetti, F. S. V Bazán, J. Mayer, “Determining the regularization parameters for super-resolution problems”. Signal Processing. Vol. 88. No. 12. 2008. Pp. 2890–2901.

R. Biswas, J. Sil, “An Improved Canny Edge Detection Algorithm Based on Type-2 Fuzzy Sets”. Procedia Technol. Vol. 4. 2012. Pp. 820–824.

H. Di, D. Gao, “Gray-level transformation and Canny edge detection for 3D seismic discontinuity enhancement”. Comput. Geosci. Vol. 72. 2014. Pp. 192–200.

E. Sen Li, S. L. Zhu, B. S. Zhu, Y. Zhao, C. G. Xia, L. H. Song, “An adaptive edge-detection method based on the Canny operator”. Proc. - 2009 Int. Conf. Environ. Sci. Inf. Appl. Technol. ESIAT 2009. Vol. 1. No. 3. 2009. Pp. 465–469.

M. A. Ingle, G. R. Talmale, “Respiratory Mask Selection and Leakage Detection System Based on Canny Edge Detection Operator”. Procedia Comput. Sci. Vol. 78. 2016. Pp. 323–329.

M. Hanief, M. F. Wani, “Modeling and prediction of surface roughness for running-in wear using Gauss-Newton algorithm and ANN”. Appl. Surf. Sci. Vol. 357. 2015. Pp. 1573–1577.

J. Canny, “A computational approach to edge detection”. IEEE Trans. Pattern Anal. Mach. Intell. Vol. 8. No. 6. 1986. Pp. 679–698.

N. Otsu, “A threshold selection method from gray-level histograms”. IEEE Trans. Syst. Man. Cybern. Vol. 9. No. 1. 1979. Pp. 62–66.

National Center for Biotechnology Information. https://imaging.nci.nih.gov/ ncia/login.jsf. Mayo 2016.


Enlaces refback

  • No hay ningún enlace refback.




URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Licencia Creative Commons    Esta revista está bajo una Licencia Creative Commons Atribución 3.0 No portada.