Bilgisayar tomografi imgeleri için geliştirilmiş ters mesafe ağırlıklandırma yöntemi tabanlı süper çözünürlük

Yıl 2018, Cilt: 33 Sayı: 2, 697 - 712, 06.04.2018

Mehmet Cem Çatalbaş , Arif Gülten

https://doi.org/10.17341/gazimmfd.416379

Cited By: 1

Öz

Bu çalışmada geliştirilmiş ters mesafe ağırlıklandırma yöntemi ile bilgisayarlı tomografi imgeleri üzerinden tekli imge süper çözünürlük uygulaması gerçekleştirilmiştir.  Ters mesafe ağırlıklandırma (IDW) yöntemi, genellikle belirli bir yüzey üzerindeki bilinmeyen noktaların bilinen komşu değerler vasıtasıyla kestirilmesinde kullanılan bir yöntemdir ve bu yöntem genellikle Jeoistatistik alanında iki boyutlu uzayda belirli alandaki yükselti değerinin kestirimi için kullanılmaktadır. Yükselti ve imge uzayı arasındaki uygulama benzerlikleri nedeniyle ters mesafe ağırlık yöntemi seçilmiştir. Bunlara ek olarak IDW yaklaşımı 2 boyutlu uzayda oldukça başarılı ve gürbüz sonuçlar vermektedir. Uygulamanın gerçekleştirilmesi sürecinde ise ters mesafe ağırlıklandırma yöntemi ile histogram eşleştirme yöntemleri beraber kullanılmıştır. Kullanılan bu melez yöntem sayesinde düşük boyutlardaki bilgisayar tomografi imgelerinin boyutlarının artırılması sürecindeki detay kaybı diğer klasik enterpolasyon yöntemlerine göre en aza indirgenmiştir. Yöntemin test aşaması 115 adet bilgisayarlı tomografi imgesi üzerinden gerçekleştirilmiş ve sonuçlar klasik süper çözünürlük yöntemleri ile karşılaştırılmıştır. Makalenin ilk kısmında, süper çözünürlük kavramı ve uygulama alanlarından bahsedilmiş, ikinci kısmında ise ters mesafe ağırlıklandırma yönteminin işleyişine değinilmiştir. Üçüncü bölümde histogram eşleştirme ve imge iyileştirme kavramından bahsedilmiştir. Dördüncü bölüm ise önerilen yöntemin gerçekleştirilmesi sürecini ve literatürdeki diğer yöntemler ile karşılaştırma çıktılarını içermektedir.

Anahtar Kelimeler

İmge iyileştirme, Histogram eşleştirme; Ters mesafe ağırlıklandırma; Biyomedikal imge işleme; Tekli imge süper çözünürlük

Kaynakça

• Candès, Emmanuel J., and Carlos Fernandez‐Granda, Towards a Mathematical Theory of Super‐resolution, Communications on Pure and Applied Mathematics 67 (6), 906-956, 2014.
• Okuhata, Hiroyuki, et al., Implementation of dynamic-range enhancement and super-resolution algorithms for medical image processing, 2014 IEEE International Conference on Consumer Electronics (ICCE). IEEE, 181-184, 2014.
• Rueda, Andrea, Norberto Malpica, and Eduardo Romero, Single-image super-resolution of brain MR images using overcomplete dictionaries, Medical image analysis 17 (1) 113-132, 2013.
• Faramarzi, Esmaeil, Dinesh Rajan, and Marc P. Christensen, Unified blind method for multi-image super-resolution and single/multi-image blur deconvolution, IEEE Transactions on Image Processing, 22 (6), 2101-2114, 2013.
• Glasner, Daniel, Shai Bagon, and Michal Irani, Super-resolution from a single image, 2009 IEEE 12th International Conference on Computer Vision. IEEE, 349-356, 2009.
• M. C. Çatalbaş and S. Öztürk, Super resolution using radial basis neural networks, 2013 21st Signal Processing and Communications Applications Conference (SIU), Haspolat,1-4, 2013.
• Nasrollahi, Kamal, and Thomas B. Moeslund, Super-resolution: a comprehensive survey, Machine vision and applications, 25 (6) (2014): 1423-1468, 2014.
• Dong, Chao, et al., Learning a deep convolutional network for image super-resolution, European Conference on Computer Vision. Springer International Publishing, 184-199, 2014.
• Li, Xuelong, et al, A multi-frame image super-resolution method, Signal Processing 90 (2), 405-414, 2010.
• Tian, Jing, and Kai-Kuang Ma, A survey on super-resolution imaging, Signal, Image and Video Processing, 5(3) 329-342, 2011.
• Pickup, Lyndsey C., Machine learning in multi-frame image super-resolution, Oxford University, 2007.
• Lu, George Y., and David W. Wong. "An adaptive inverse-distance weighting spatial interpolation technique." Computers & Geosciences 34(9),1044-1055, 2008.
• Kravchenko, A. N, Influence of spatial structure on accuracy of interpolation methods, Soil Science Society of America Journal 67(5), 1564-1571, 2003.
• Jing, Minggang, and Jitao Wu, Fast image interpolation using directional inverse distance weighting for real-time applications, Optics Communications 286, 111-116, 2013.
• De Mesnard, Louis, Pollution models and inverse distance weighting: Some critical remarks, Computers & Geosciences, 52, 459-469, 2013.
• Faghidian, S. A., et al.,A novel method for analysis of fatigue life measurements based on modified Shepard method, International Journal of Fatigue, 68, 144-149, 2014.
• Tomczak, Maciej, Spatial interpolation and its uncertainty using automated anisotropic inverse distance weighting (IDW)-cross-validation/jackknife approach, Journal of Geographic Information and Decision Analysis, 2 (2), 18-30, 1998.
• Chen, Feng-Wen, and Chen-Wuing Liu, Estimation of the spatial rainfall distribution using inverse distance weighting (IDW) in the middle of Taiwan., Paddy and Water Environment 10(3), 209-222, 2012.
• Zuo, Chao, Qian Chen, and Xiubao Sui, Range limited bi-histogram equalization for image contrast enhancement, Optik-International Journal for Light and Electron Optics, 124(5), 425-431, 2013.
• Shen, Dinggang, Image registration by local histogram matching, Pattern Recognition 40(4), 1161-1172, 2007.
• Pianosi, Francesca, and Thorsten Wagener, A simple and efficient method for global sensitivity analysis based on cumulative distribution functions, Environmental Modelling & Software, 67, 1-11, 2015.
• Devasena, C. Lakshmi, and M. Hemalatha, Hybrid Image Classification Technique to Detect Abnormal Parts in MRI Images, Computational Intelligence and Information Technology. Springer Berlin Heidelberg, 200-208, 2011.
• L. Sørensen, S. B. Shaker, and M. de Bruijne, Quantitative Analysis of Pulmonary Emphysema using Local Binary Patterns, IEEE Transactions on Medical Imaging 29(2), 559-569, 2010.
• Tanchenko, Alexander, Visual-PSNR measure of image quality, Journal of Visual Communication and Image Representation, 25(5) 874-878, 2014.
• Wang, Gang-Jin, et al, Random matrix theory analysis of cross-correlations in the US stock market: Evidence from Pearson’s correlation coefficient and detrended cross-correlation coefficient, Physica A: Statistical Mechanics and its Applications 392(17),3715-3730, 2013.
• Wang, Zhou, et al., Image quality assessment: from error visibility to structural similarity, IEEE transactions on image processing 13(4) 600-612, 2004.
• Brunet, Dominique, Edward R. Vrscay, and Zhou Wang, On the mathematical properties of the structural similarity index, IEEE Transactions on Image Processing, 21(4),1488-1499, 2012.
• Hubert, Mia, and Ellen Vandervieren, An adjusted boxplot for skewed distributions, Computational statistics & data analysis 52(12), 5186-5201, 2008.