identificación de cicatrices a partir de imágenes digitales

Email addresses: [email protected] (Autor) Procesamiento Imágenes Digitales – Identificación de Cicatrices Autor: Ignacio Lobo Márquez

Identificación de cicatrices a partir

de Imágenes Digitales

Ignacio Lobo Márquez

Resumen

Se ha realizado un proceso de estudio e investigación tanto a nivel teórico como

práctico, en el cuál se ha aplicado diversos procedimientos encuadrados en el área de

Procesamiento de Imágenes Digitales, a través de la herramienta Matlab. Los procedimientos

ejecutados tienen como objetivo identificar y/o resaltar una cicatriz dentro de una imagen cuyo

formato es digital.

Key words: cicatriz, RGB, escala gris, corrección Gamma y bandas

1. Introducción

El objetivo principal del proyecto que se ha realizado, es la profundización de los

conceptos vistos durante las sucesivas clases teóricas a lo largo del primer cuatrimestre

para realizar un trabajo dirigido con ayuda de algún artículo de investigación como base

para a partir de ahí realizar nuestro propio trabajo.

En este caso, el trabajo consiste en lo siguiente, a partir de unas imágenes con formato

digital, donde se puede apreciar cicatrices de diversas heridas u operaciones quirúrgicas, se

realizan sucesivos procedimientos o procesos para poder conseguir una adecuada

identificación de la zona donde se localiza dicha herida o cicatriz y por tanto resaltar las

partes más significativas.

Para implementar los procedimientos adecuados y realizar las sucesivas pruebas, se ha

utilizado la herramienta Matlab (2013) con licencia oficial suministrada por la Universidad

de Sevilla.

mailto:[email protected]


2. Planteamiento Teórico

En este caso, el problema que se quiere resolver es la identificación de una cicatriz en la

piel humana. Con la resolución de este problema en la parte que depende del tratamiento

y procesamiento de las imágenes digitales, se quiere dar respuesta a un problema aún

mayor que pertenece a diversos ámbitos, como se puede observar en el siguiente diagrama.

Como se puede observar, el problema que se quiere resolver es clave para poder

resolver otros en los restantes campos o ámbitos dentro del conjunto. Por lo cual, el

problema es simple de identificar, a partir de una imagen digital como la que se muestra a

continuación se requiere la identificación de las zonas más significativas que hacen

referencia a la cicatriz o herida.

Matemáticas

Tecnología

Informática

Medicina

Procesamiento

Imagen 1 Imagen 2



Una vez, identificado el problema que se quiere resolver y teniendo las ideas claras de

cuál es el objetivo que se quiere conseguir, surgen dos nuevos problemas que hacen

referencia al tipo de imagen o dicho de otra manera, la utilización de puntos con grapas o

sin ellas. Por lo cual, se han realizado dos distinciones a la hora de abordar cada uno de los

problemas. A continuación, se explican los métodos o algoritmos utilizados para cada uno

de ellos.

2.1. Imagen sin puntos de grapas

Para este apartado se ha llevado a cabo dos implementaciones con dos modelos

cromáticos diferentes. Con el primer modelo cromático que es el modelo RGB sea

procedido a realizar la identificación de la zona con tonalidad roja dentro de la cicatriz,

con el segundo modelo que es Cielab se ha procedido a realizar una identificación del

contorno de la propia cicatriz.

Para el primer caso, se han utilizado los siguientes procedimientos: algoritmo de

transformación de imagen original a escala de grises, separación de la imagen en las

diferentes bandas según el modelo cromático RGB, aplicación del filtro de mediana y

por último la corrección de la imagen mediante el factor gamma para así conseguir

resultados con mejor calidad.

Algoritmo de transformación en escala de grises.

Este procedimiento no es necesario realizar para llevar a cabo la

resolución del problema, pero si se realiza, posteriormente se podrá

comparar este paso con la separación en las diferentes bandas y así poder

estudiar e investigar durante el desarrollo del trabajo que fuente es mejor

para obtener un resultado con buena calidad.



Separación de la imagen en las diferentes bandas.

En este paso, se lleva a cabo la separación o división de la imagen

original en el modelo cromático RGB en las diferentes bandas que lo

componen.

Con la división de la imagen en las diferentes

bandas, se puede utilizar los valores obtenidos en la

banda Roja para conseguir ya que es la banda de mayor

interés para conseguir la información necesaria sobre

los píxeles con mayor color rojizo.

¿Qué problema puede surgir?

Aplicación del filtro de mediana.

El tercer procedimiento a realizar es el filtro de mediana, con el cual se

busca determinar de manera automáticas los valores con tonalidad rojiza

que predominan en la imagen digital. Para ello, el paso de diferenciación de

bandas es esencial a priori, debido a que en este caso, se realizaran

operaciones matemáticas entre las bandas del modelo cromático RGB y se

buscará esa tonalidad predominante y que tanto se busca.

Por tanto, la imagen resultante de aplicar este procedimiento es aquella

que proviene de realizar la operación aritmética determinada entres las

bandas, más específicamente, la resta.

Imagen Resultante = Imagen Banda:R – Imagen Banda:G – Imagen Banda:B

Pero para conseguir, una buena tonalidad rojiza, se introduce el

concepto de umbral o barrera con el cual se puede asegurar un valor mínimo

de tonalidad. Una vez, se han calculado todas las operaciones aritméticas en

cada uno de los píxeles, se procede a realizar la comprobación del umbral, y

a la asignación de los siguientes valores.

Imagen 3



{1 𝑠𝑖 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝í𝑥𝑒𝑙 ≥ 𝑢𝑚𝑏𝑟𝑎𝑙 𝑒𝑙𝑒𝑔𝑖𝑑𝑜0 𝑠𝑖 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝í𝑥𝑒𝑙 < 𝑢𝑚𝑏𝑟𝑎𝑙 𝑒𝑙𝑒𝑔𝑖𝑑𝑜

Corrección de la imagen mediante el factor gamma.

Procedimiento implementado con el objetivo de diferenciar de manera

más visual los valores en dentro de una imagen.

Gracias a este procedimiento conseguimos resaltar los

valores más significativos para nuestro tratamiento dentro

de la imagen que estamos tratando. En el apartado de

experimentación, veremos un claro ejemplo de cómo

variando el valor del factor gamma la imagen resultante

gana o pierde calidad. La operación que se realiza con este

factor en la elevación a la potencia. Es decir el valor de un

píxel determinado, es elevado al factor gamma.

Consiguiendo con ello resaltar los valores de los píxeles.

Imagen 4 Imagen 5

Imagen 6



Para el segundo caso, se han utilizado los siguientes procedimientos: algoritmo de

transformación de una imagen RGB al modelo cromático Cielab, aplicación de suavizado

a través de la media, y por último extracción del contorno de la imagen.

Algoritmo de transformación de una imagen RGB a Cielab.

Se realiza este procedimiento, para poder conseguir separar la imagen

en tres componentes, que son:

Luminosidad.

Componente a, que indica la

posición de entre rojo y verte.

Componente b, que indica el valor

entre amarillo y azul.

Esta conversión con la herramienta de Matlab resulta ser bastante

sencilla debido a la proporción de comandos por la propia plataforma para

realizar su conversión.

Aplicación de filtro de la media.

Una vez se han obtenido las componentes del modelo cromático

Cielab por separado, se estudian para verificar cuáles de estas

componentes pueden resultar más efectivas para el cálculo que se realiza

a posteriori acerca del contorno. Pero estos estudios no consiguen ser de

buena calidad si no se realiza un suavizado de la imagen para la eliminación

de posibles ruidos que provengan de la propia imagen o de su posible

tratamiento.

Por lo cual se decide proceder a realizar un filtro de media para

eliminar ese ruido y obtener mejores resultados de cara al futuro. Este filtro

no es más que asignar cómo valor a un píxel la media de los valores de sus

píxeles vecinos.

Extracción del contorno o bordes.

Explicado a continuación en la implementación de la identificación de

puntos con grapas.



2.2. Imagen con puntos de grapas

Para este caso se han utilizado los siguientes procedimientos: algoritmo de recorte

de imagen original, transformación a escala de grises y aplicación del método de

binarización de la imagen en escala de grises.

Recorte de la imagen original.

Procedimiento soportado desde la propia plataforma de Matlab, en la

cual a través de la función ‘imcrop’ se puede recortar un rectángulo de la

imagen seleccionada.

Transformación a escala de grises.

Una vez se ha recortado la imagen o zona de la imagen que se quiere

tratar, se procede a realizar con ella los pasos restantes. El primero de ello es

la transformación a escala de grises para que la operación posterior que se

realiza sea la adecuada. Ya que se va a proceder a la extracción de su

contorno.

Extracción de bordes.

Este procedimiento es el importante en este apartado. La extracción de

bordes es uno de los procedimientos de segmentación más utilizados, con el

cuál se tiene como objetivo la búsqueda de las diferencias en sus valores de

intensidad para así poder ir reconociendo los píxeles que conforman el

contorno.

La implementación se ha realizado a través de la función proporcionada

por Matlab, ‘edge’. El procedimiento que se lleva a cabo es la asignación de

valores 1s o 0s dependiendo de si el píxel que se le asigna el valor pertenece

al contorno o no. Este método de segmentación utiliza diferentes algoritmos

para la detección de bordes, en este caso, utilizamos el que viene por defecto

que es Canny. Qué además es el método que a día de hoy obtiene mejores

resultados.



Canny tiene como fundamento la detección de bordes mediante el uso

de la primera derivada. En este caso se toma el valor 0 en todas las regiones

donde no se produce una variación de intensidades y un valor constante

donde si se produce dicha transición.



3. Resolución Práctica

En este capítulo se van a desarrollar y explicar las partes que se han implementado, así

como un diagrama de flujo de los pasos a realizar durante la evolución de los diferentes

procesos.

La herramienta utilizada ha sido Matlab, en la cual se ha ido desarrollando el código, y

realizando pruebas de manera progresiva para ir evaluando los sucesivos procedimientos

que se han desarrollado así como si los resultados eran correctos o no. Para comenzar, se

muestran las diferentes clases desarrolladas, así como un esquema de las funciones

implementadas dentro de cada clase.

𝐼𝑛𝑡𝑒𝑟𝑓𝑎𝑧

𝑟𝑔𝑏𝑇𝑜𝐶𝑖𝑒𝑙𝑎𝑏. 𝑚

𝐷𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑐𝑖ó𝑛 𝑝𝑜𝑟 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠

𝐹𝑖𝑙𝑡𝑟𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎

𝐸𝑑𝑔𝑒

𝐼𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛𝐺𝑟𝑎𝑝𝑎𝑠. 𝑚

𝑅𝑒𝑐𝑜𝑟𝑡𝑎𝑟 𝑖𝑚𝑎𝑔𝑒𝑛

𝑇𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑐𝑎𝑙𝑎 𝑔𝑟𝑖𝑠𝑒𝑠

𝐹𝑖𝑙𝑡𝑟𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎

𝐸𝑑𝑔𝑒

𝐼𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛𝐶𝑖𝑐𝑎𝑡𝑟𝑖𝑧𝑅𝑜𝑗𝑎. 𝑚

𝐸𝑠𝑐𝑎𝑙𝑎 𝑑𝑒 𝐺𝑟𝑖𝑠𝑒𝑠

𝑆𝑒𝑝𝑎𝑟𝑎𝑐𝑖ó𝑛 𝐵𝑎𝑛𝑑𝑎𝑠

𝐹𝑖𝑙𝑡𝑟𝑜 𝑀𝑒𝑑𝑖𝑎𝑛𝑎

𝐶𝑜𝑟𝑟𝑒𝑐𝑐𝑖ó𝑛 𝐺𝑎𝑚𝑚𝑎



A continuación, se muestra un diagrama de flujo del funcionamiento de la aplicación y

la diferente toma de decisiones a realizar a lo largo de su ejecución.

𝐼𝑛𝑖𝑐𝑖𝑜

¿ 𝐶𝑜𝑛 𝑝𝑢𝑛𝑡𝑜𝑠 𝑜 sin 𝑝𝑢𝑛𝑡𝑜𝑠 ?

𝐼𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛𝐺𝑟𝑎𝑝𝑎𝑠

𝐼𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛𝐶𝑖𝑐𝑎𝑡𝑟𝑖𝑧𝑅𝑜𝑗𝑎

𝑟𝑔𝑏𝑇𝑜𝐶𝑖𝑒𝑙𝑎𝑏

𝐸𝑠𝑐𝑎𝑙𝑎 𝑑𝑒 𝐺𝑟𝑖𝑠𝑒𝑠

𝑆𝑒𝑝𝑎𝑟𝑎𝑐𝑖ó𝑛 𝐵𝑎𝑛𝑑𝑎𝑠

𝐹𝑖𝑙𝑡𝑟𝑜𝑠

𝐶𝑜𝑟𝑟𝑒𝑐𝑐𝑖ó𝑛 𝐺𝑎𝑚𝑚𝑎

𝐸𝑑𝑔𝑒

𝐼𝑚𝑎𝑔𝑒𝑛 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑛𝑡𝑒



4. Experimentación

En este capítulo se van a explicar, los dos ejemplos más claros donde se podrá ver como

el resultado de la aplicación desarrollada puede resultar muy óptima, o en cambio puede

verse deteriorada la calidad dependiendo de la imagen, pero aun así puede obtenerse la

parte más significativa dentro de la cicatriz.

4.1. Ejemplo 01.

En este ejemplo se ha escogido la imagen que se muestra a continuación:

Al ser una imagen que no tiene puntos de grapa, se procede a realizar el

procedimiento de la identificación de la zona más enrojecida de la cicatriz. Tras

realizar todos los procesos descritos anteriormente en el diagrama de flujo se

obtiene la imagen resultante. En este caso se ha mostrado dos pruebas realizadas

en la cual una tiene como factor de corrección gamma 0.8 y la otra prueba, tiene un

factor de corrección gamma 1.8.

Imagen 7



Imagen 8 –factor 0.8




Como se puede comprobar el resultado con factor de escala 0.8 resalta más, la

parte que nos interesa.





4.2. Ejemplo 02.

En este ejemplo se ha escogido la imagen que se muestra a continuación:

Al ser una imagen que no tiene puntos de grapa, se procede a realizar el

procedimiento de la identificación de la zona más enrojecida de la cicatriz. Tras

realizar todos los procesos descritos anteriormente en el diagrama de flujo se

obtiene la imagen resultante. En este caso se ha mostrado dos pruebas realizadas

en la cual una tiene como factor de corrección gamma 0.8 y la otra prueba, tiene un

factor de corrección gamma 1.8.

Imagen 12



En este caso, el resultado con factor de escala 0.8 también resalta más, la parte

que nos interesa.





Por otro lado, la parte de identificar las grapas en una imagen médica con cicatrices que

actualmente todavía tienen estos puntos ha resultado bastante complicada, pero finalmente

se ha conseguido un buen resultado. A continuación se muestran dos resultados conseguido

a lo largo del proceso de construcción o mejor dicho, implementación del proceso.

La imagen original es la que se muestra a continuación.

Tras una primera aplicación en el cuál no se planteó la idea de realizar un suavizado de

imagen para corregir los diferentes ruidos producidos en la imagen, tanto por la imagen

original como tras realizar el proceso de recorte por parte del usuario de la aplicación en la

propia imagen, el resultado fue el siguiente.

Imagen 17



Tras plantear e implementar el suavizado se ha conseguido un resultado con

mayor calidad como es el que se muestra a continuación.

Imagen 18 – Sin suavizado

Imagen 19 – Con suavizado



A continuación, se muestran los resultados obtenidos con el modelo cromático

Cielab y los sucesivos procedimientos para conseguir la identificación de la cicatriz.

Se ha procedido a realizar varias pruebas, de las cuáles se exponen los dos ejemplos

más claros donde se ha podido observar los puntos de calidad más extremos

dependiendo de la fotografía original.

La primera fotografía es la siguiente:

El resultado obtenido es:

Imagen 20



El resultado obtenido no es realmente de calidad, debido a que no se identifica

claramente la cicatriz, aunque si la podemos distinguir porque conocemos la

imagen original.

Se realiza la prueba con la siguiente imagen para ver el resultado con otra

fotografía.

Imagen 21

Imagen 22



Anteriormente, con esta fotografía no se había conseguido los resultados

esperados a través de la identificación de la zona rojiza. Pero como comprobaremos

en este caso, si se consigue obtener la extracción del contorno de la cicatriz.

Imagen 23



Antes de finalizar el capítulo de experimentación, hay que mencionar la primera

idea planteada por el autor, en el cuál se plantea la idea de binarización de la

imagen a través de un factor o umbral pero los resultados obtenidos no eran los

adecuados.

La imagen original antes de comenzar el proceso de binarización es la siguiente.

Tras realizar el proceso de binarización, el resultado obtenido es el que se

muestra a continuación.

Imagen 20

Imagen 21



5. Manual de Usuario

En este capítulo se explica de forma sencilla, la parte relacionada con la interfaz

desarrollada y con la utilización de la herramienta. La aplicación se ha desarrollado en

Matlab, por lo cual, el usuario que quiera hacer uso de la mima debe tener instalado

dicha herramienta. Decir que esta herramienta, es de pago, pero se puede encontrar

una versión gratuita de prueba durante un mes, desde la propia dirección oficial de

Matlab.

Una vez se tiene la herramienta instalada, sólo hay que llevar a cabo la

implementación de las clases generadas y las fotografía en el entorno que se

implemente a la vez que se ha instalado la herramienta.

Una vez está todo preparado para su funcionamiento, se accede a la clase ‘interfaz.m’

y se procede a ejecutar la aplicación haciendo click, en el botón ‘run’ de la herramienta.



En ese momento, se iniciará la aplicación y se lanzará la siguiente interfaz.

Una vez, llegados a este paso, se puede iniciar cualquiera de los procesos que vienen

en la parte derecha siempre y cuando se haya cargado una imagen anteriormente.



6. Conclusiones

Una vez realizado el trabajo, se puede sacar en conclusión algunas ideas que serán

muy útiles para futuros trabajos acerca del procesamiento de imágenes digitales tanto de

manera personal como para otros usuarios.

Factor del umbral cuando se realiza las operaciones aritméticas en el modelo

RGB cuando se realiza el filtro de mediana. De este umbral, depende los valores

que van a ser asignados a los píxeles.

Factor de corrección gamma, que aunque realice una optimización que en

algunos ejemplos pueda no resultar muy útil, en otros puede servir de gran

utilidad para la visualización final de las imágenes.

El proceso de Binarización que se planteó como primera idea al principio del

trabajo, no resultó bastante efectivo como se ha mostrado en el capítulo de

experimentación mencionado anteriormente.

La implementación de las funciones de Matlab para realizar la detección de

bordes ha resultado muy efectiva para poder resaltar los detalles que se

buscaban con la calidad adecuada, aunque siempre hay que tener en cuenta la

imagen que se quiere estudiar.

7. Referencias

Libros suministrados por la Universidad de Sevilla, utilizados para obtención de

información, acerca de procedimientos y funciones a utilizar con Matlab para el tratamiento

y procesamiento de imágenes digitales:

Artículos obtenidos en Internet y utilizados como apoyo y base para la realización de

esta aplicación:

Artículo:

o Reconocimiento automático de melanomas mediante técnicas de visión por ordenador y

reconocimiento de patrones

Autora: GERTRUDIS KATERIN ASUNCIÓN BATUGO

Trabajo Fin de Master, Universidad Carlos III de Madrid, Departamento Estadística.

Diciembre de 2012

Este primer artículo ha sido la base de dónde se ha empezado a estudiar e investigar

como poder afrontar el problema de identificación teniendo en cuenta la piel humana.


http://e-archivo.uc3m.es/handle/10016/17028

http://e-archivo.uc3m.es/handle/10016/17028


ANEXO

TABLA DE TIEMPOS

A lo largo de los procesos desarrollados en el proyecto, se han realizado diversas tareas, todas

ellas recogidas en la siguiente tabla así como el tiempo dedicado a cada una de ellas.

FECHA COMIENZO HORAS DEDICADAS PROCESO

28 Enero 2016 1 horas Reunión del trabajo

28 Enero 2016 2 horas Búsqueda de referencias

28 Enero 2016 3 horas Estudio de artículos

28/29/30 Enero 2016 48 horas Desarrollo de la aplicación

30 Enero 2016 2 horas Desarrollo de la interfaz

29/30/31 Enero 2016 8 horas Desarrollo de Informe

31 Enero 2016 0.2 horas Preparación Presentación

20 minutos Presentación

TOTAL 15360 minutos

El total de las horas calculadas, es el resultado de la siguiente operación:

(1 horas + 2 horas + 3 horas + 48 horas + 2 horas + 8 horas + 0.2 horas + 0.2

horas) = 64.4 horas

64.4 horas x (60 minutos / 1 hora) = 15360 minutos


identificación de cicatrices a partir de imágenes digitales

Documents