Potlačování šumu v mikroskopických snímcích pomocí adaptivního non-local means filtru

Rozměr: px

Začít zobrazení ze stránky:

Download "Potlačování šumu v mikroskopických snímcích pomocí adaptivního non-local means filtru"

Petr Ševčík
před 7 lety
Počet zobrazení:

1 Potlačování šumu v mikroskopických snímcích pomocí adaptivního non-local means filtru Jarní škola 2013 Krušné hory, Mariánská 28. května 2013

2 Motivace Časosběrná fluorescenční mikroskopie detekce částic Spolupráce s ÚŽFG Liběchov časosběrná konfokální mikroskopie ozáření preparátu světelným zdrojem (laserem) aktivuje fluorescenci pozorování živých preparátů: fototoxicita uvolňování volných radikálů photobleaching blednutí barviva proto se snažíme osvětlení preparátu minimalizovat snižuje se SNR potřeba potlačení šumu

3 Fluorescenční spoty signály

4 Snižující se SNR

5 Snímky kvasinkových kolonií

6 Použité články Yang et al.: An adaptive non-local means filter for denoising live-cell images and improving particle detection, Journal of Structural Biology 172 (2010), doi: /j.jsb Yang et al.: A New Framework for Particle Detection in Low-SNR Fluorescence Live-Cell Images and Its Application for Improved Particle Tracking, IEEE Trans. on Biomedical Engineering, Vol. 59, No. 7, July 2012 doi: /TBME

7 Stručný přehled možných odšumovacích metod průměrování, mediánový filtr jednoduché, ale snižuje rozlišení; nevhodné pro velmi nízké hodnoty SNR feature-preserving approach: non-local means (NLM) využívá redundancí (opakující se vzory) pro průměrování odbobných pixelů tzv. feature-preserving filtr řada variant edge-preserving metody: variační metody snímky z fluoresescenčního mikroskopu: drobné částice, špatně definované hrany tyto metody mohou selhávat

8 Adaptive non-local means filter Standardní NLM filtr Euklidovská vzdálenost pixelů podobné šedi to selhává pro nízké SNR, drobné částice Navrhovaná metoda mapa pravděpodobnosti částic non-local Haar-like features prahování pravděpodobnost částic: počet propojených pixelů/celkový počet pixelů v regionu mapa pravděpodobnosti je přídavný vstup pro NLM filter

9 Haar-like features V 1U1 V 2 U 2 V 2 V 3 i i U 3 i V 3 H k (i) = max {M Uk(i, s) M Vk (i, s)} s M Uk, M Vk i (x, y) s mean intensity U k, resp. V k střed oblasti měřítko

10 Haar-like features Lineární kombinace charakteristik 3 H(i) = c k H k (i) k=1 nepreferujeme žádný tvar ani orientaci Prahování pixel náleží k částici, jestliže H(i) λ používá se slabý práh málo FN pixelů

11 Mapa pravděpodobnosti částic (Particle probability image) Prahování viz minulý snímek H(i) λ Pravděpodobnost částice P(i) = ( N/N tot ) Ai A i N N tot (malá) oblast, centrovaná v i počet pixelů, které projdou prahováním a jsou propojené (4-nearest neighborhood) počet pixelů oblasti A i

12 Mapa pravděpodobnosti částic ukázkový snímek Haar: okna 7 7, 11 11, 17 17, 25 25, λ = 7.0

13 Feature-preserving NLM filter FPNLM(F)(i) = W i prohledávací okno, centrované v i ω(i, j) = 1 A(i) ( exp j W i ω(i, j)f (j) V(N i) V(N j ) 2 2,a h 2 P(N i) P(N j ) 2 2,a g 2 ) V(N i ) intenzity z okolí N i P(N i ) pravděpodobnosti z okolí N i pro g konvenční NLM filter

14 Schema FP-NLM odšumění A - orig. snímek B - NLM váhy C - NLM výsledek D - pravděpodob. G - váhy E - předzpr. snímek (vyhlazení pozadí) H - váhy I - norm. váhy F - FP-NLM výsl.

15 Výsledky - reálný snímek

16 Návazná práce - PP Refinement filter Yang et al.: A New Framework for Particle Detection in Low-SNR Fluorescence Live-Cell Images and Its Application for Improved Particle Tracking Namísto filtrace na šedotónovém snímku FPNLM(F)(i) = j W i ω(i, j)f (j) používá filtraci na pravděpodobnostní mapě R(P)(i) = j W i ω(i, j)p(j) rozšířeno i o segmentaci částic, oddělení dotýkajících se částic a sledování pohybujících se částic

Podobné dokumenty

Operace s obrazem II

Operace s obrazem II Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 Osnova Matematická morfologie Segmentace obrazu Klasifikace objektů