Skip to content

La segmentazione delle immagini nell'ambito di applicazioni biologiche

Descrizione dell’algoritmo

In una prima fase dell’analisi abbiamo utilizzato una segmentazione basata sui colori mediante il K-means clustering, sfruttando come fattore discriminante per le foglie dell’Arabidopsis thaliana, la loro colorazione verde. Tale algoritmo ha prodotto risultati soddisfacenti per le immagini del data set nelle quali gli unici elementi di colore verde erano le foglie, mentre non ha prodotto il risultato sperato per le immagini in cui erano presenti altri elementi del medesimo colore delle foglie, i quali venivano estratti nello stesso cluster. Le figure 3.1 e 3.2 mostrano quanto appena evidenziato. Vista la necessità di individuare un algoritmo che garantisca risultati soddisfacenti per tutte le immagini del data set, abbiamo elaborato un procedimento in grado di rispondere a tale scopo mediante la combinazione di strumenti relativi al filtraggio delle immagini e di tecniche di segmentazione di cui abbiamo parlato nei capitoli precedenti e che viene schematizzato nella figura 3.3.

Dal momento che nel data set non sono presenti immagini monocromatiche, fra i vari spazi di colore ci siamo posti in quello RGB, così chiamato dal colore associato ai primari (red, green, blue). L’RGB è un modello additivo: unendo i tre colori con la loro massima intensità si ottiene il bianco (tutta la luce viene riflessa), mentre la combinazione delle coppie di colori genera il ciano, il magenta e il giallo. Fra la banda del rosso, del blu e del verde, prendiamo in considerazione quest’ultima, che costituirà la base di partenza per le successive operazioni.

Il passo seguente è stato quello di convertire l’immagine originale in scala di grigi per poi calcolarne il gradiente; si ricorda che il gradiente dell’immagine ne risalta i contorni e, proprio per questo motivo, il suo modulo viene considerato un’ottima superficie topografica per la successiva applicazione della watershed. Fra i vari operatori testati, quello che ha fornito i risultati migliori è stato Sobel, che, quindi, è l’operatore utilizzato nel nostro algoritmo. Abbiamo poi effettuato una saturazione del gradiente mediante l’introduzione di una soglia TH, fissata ad un valore pari a 40, ma, nonostante questa operazione, l’applicazione della watershed sulla superficie topografica così ottenuta non garantiva un risultato soddisfacente a causa dell’oversegmentation (figura 3.5).

Per superare il problema della sovrasegmentazione si ricorre alla segmentazione watershed marker-controlled: questa soluzione prevede una pre-elaborazione delle immagini che distingue oggetti in primo piano e aree di sfondo, evidenziandone i cosiddetti marcatori (ossia piccoli insiemi connessi di pixel). In particolare, si cercano i marcatori interni, dentro ciascun oggetto in primo piano, e i marcatori esterni nelle zone di sfondo, dove non compaiono oggetti. Per ottenere i marker, come descritto dal ramo destro dello schema di figura 3.3, abbiamo prima applicato l’algoritmo K-means, fissando il numero di cluster K pari a tre, e poi abbiamo sottoposto il cluster di interesse ad un filtraggio morfologico.

Nelle figure 3.6 (a) e (b), sono evidenziati con i colori rosso, verde e blu i tre cluster nella quale è stata suddivisa l’immagine di partenza e quello selezionato fra i tre: quest’ultimo è caratterizzato da un rumore sovrapposto che può essere eliminato mediante un’operazione morfologica di apertura e una successiva erosione con un elemento strutturale che assumiamo sia un disco con un raggio di lunghezza cinque millimetri. Si ricorda che, per mezzo dell’operazione di apertura, si rimuovono tutti gli elementi che hanno un’intensità maggiore del vicinato e che non sono sufficientemente ampi da poter contenere l’SE, ovvero si eliminano tutti gli oggetti più chiari e più piccoli dell’elemento strutturale; con l’erosione, invece, si cancellano le componenti connesse di dimensione più piccola dell’elemento strutturale e le estremità sottili. Il prodotto dell’elaborazione morfologica costituirà i nostri marker (figura 3.6 d).

L’ultimo passo del nostro algoritmo consiste nell’applicazione della watershed marker-controlled, dove la superficie topografica è ottenuta dalla sovrapposizione dei marker e del gradiente, e nella costruzione di un convertitore che effettui un’operazione di label merging. La segmentazione finale, che si ottiene mediante queste operazioni, viene mostrata in figura 3.7. E’ significativo notare come, con questa variante della segmentazione watershed, si riesca ad evitare l’oversegmentation: questo è dovuto al fatto che, mentre nella watershed con gradiente per ogni minimo viene generato un oggetto, causando una eccessiva segmentazione, in questo caso il processo di flooding (allagamento) parte solo da alcuni punti specifici, consentendo, in questo modo, di decidere in anticipo quanti oggetti produrrà la segmentazione.
[...]

Questo brano è tratto dalla tesi:

La segmentazione delle immagini nell'ambito di applicazioni biologiche

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista

Informazioni tesi

  Autore: Andrea Lippiello
  Tipo: Laurea liv.I
  Anno: 2014-15
  Università: Università degli Studi di Napoli - Federico II
  Facoltà: Ingegneria
  Corso: Ingegneria biomedica
  Relatore: Giuseppe Scarpa
  Lingua: Italiano
  Num. pagine: 77

FAQ

Per consultare la tesi è necessario essere registrati e acquistare la consultazione integrale del file, al costo di 29,89€.
Il pagamento può essere effettuato tramite carta di credito/carta prepagata, PayPal, bonifico bancario, bollettino postale.
Confermato il pagamento si potrà consultare i file esclusivamente in formato .PDF accedendo alla propria Home Personale. Si potrà quindi procedere a salvare o stampare il file.
Maggiori informazioni
Ingiustamente snobbata durante le ricerche bibliografiche, una tesi di laurea si rivela decisamente utile:
  • perché affronta un singolo argomento in modo sintetico e specifico come altri testi non fanno;
  • perché è un lavoro originale che si basa su una ricerca bibliografica accurata;
  • perché, a differenza di altri materiali che puoi reperire online, una tesi di laurea è stata verificata da un docente universitario e dalla commissione in sede d'esame. La nostra redazione inoltre controlla prima della pubblicazione la completezza dei materiali e, dal 2009, anche l'originalità della tesi attraverso il software antiplagio Compilatio.net.
  • L'utilizzo della consultazione integrale della tesi da parte dell'Utente che ne acquista il diritto è da considerarsi esclusivamente privato.
  • Nel caso in cui l'Utente volesse pubblicare o citare una tesi presente nel database del sito www.tesionline.it deve ottenere autorizzazione scritta dall'Autore della tesi stessa, il quale è unico detentore dei diritti.
  • L'Utente è l'unico ed esclusivo responsabile del materiale di cui acquista il diritto alla consultazione. Si impegna a non divulgare a mezzo stampa, editoria in genere, televisione, radio, Internet e/o qualsiasi altro mezzo divulgativo esistente o che venisse inventato, il contenuto della tesi che consulta o stralci della medesima. Verrà perseguito legalmente nel caso di riproduzione totale e/o parziale su qualsiasi mezzo e/o su qualsiasi supporto, nel caso di divulgazione nonché nel caso di ricavo economico derivante dallo sfruttamento del diritto acquisito.
  • L'Utente è a conoscenza che l'importo da lui pagato per la consultazione integrale della tesi prescelta è ripartito, a partire dalla seconda consultazione assoluta nell'anno in corso, al 50% tra l'Autore/i della tesi e Tesionline Srl, la società titolare del sito www.tesionline.it.
L'obiettivo di Tesionline è quello di rendere accessibile a una platea il più possibile vasta il patrimonio di cultura e conoscenza contenuto nelle tesi.
Per raggiungerlo, è fondamentale superare la barriera rappresentata dalla lingua. Ecco perché cerchiamo persone disponibili ad effettuare la traduzione delle tesi pubblicate nel nostro sito.
Scopri come funziona

DUBBI? Contattaci

Contatta la redazione a
[email protected]

Ci trovi su Skype (redazione_tesi)
dalle 9:00 alle 13:00

Oppure vieni a trovarci su

Parole chiave

immagini
elaborazione
clustering
segmentazione
thresholding
filtraggio
watershed
operazioni morfologiche
edge-based
region-based

Non hai trovato quello che cercavi?


Abbiamo più di 45.000 Tesi di Laurea: cerca nel nostro database

Oppure consulta la sezione dedicata ad appunti universitari selezionati e pubblicati dalla nostra redazione

Ottimizza la tua ricerca:

  • individua con precisione le parole chiave specifiche della tua ricerca
  • elimina i termini non significativi (aggettivi, articoli, avverbi...)
  • se non hai risultati amplia la ricerca con termini via via più generici (ad esempio da "anziano oncologico" a "paziente oncologico")
  • utilizza la ricerca avanzata
  • utilizza gli operatori booleani (and, or, "")

Idee per la tesi?

Scopri le migliori tesi scelte da noi sugli argomenti recenti


Come si scrive una tesi di laurea?


A quale cattedra chiedere la tesi? Quale sarà il docente più disponibile? Quale l'argomento più interessante per me? ...e quale quello più interessante per il mondo del lavoro?

Scarica gratuitamente la nostra guida "Come si scrive una tesi di laurea" e iscriviti alla newsletter per ricevere consigli e materiale utile.


La tesi l'ho già scritta,
ora cosa ne faccio?


La tua tesi ti ha aiutato ad ottenere quel sudato titolo di studio, ma può darti molto di più: ti differenzia dai tuoi colleghi universitari, mostra i tuoi interessi ed è un lavoro di ricerca unico, che può essere utile anche ad altri.

Il nostro consiglio è di non sprecare tutto questo lavoro:

È ora di pubblicare la tesi