Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Elementos estructurantes
Un elemento estructurante plano es un entorno que asume valores binarios, que puede ser
2D o multidimensional y en el que los píxeles con el valor true se incluyen en el cómputo
morfológico, en tanto que los píxeles denominados con el valor false. El píxel central del
elemento estructurante, llamado origen, identifica el píxel de la imagen que se está
procesando. Puede utilizar elementos estructurantes planos con ambas, imágenes binarias
e imágenes en escala de grises.
Morfología matemática
La morfología matemática es una teoría y técnica para el análisis y tratamiento de las
estructuras geométricas, basada en la teoría de conjuntos, teoría de retículos, topología y
funciones aleatorias. La morfología matemática es comúnmente aplicada más a las
imágenes digitales, pero puede ser empleada también en gráficos, mallas poligonales,
sólidos y muchas otras estructuras espaciales. La morfología matemática es también la base
del procesamiento de imágenes morfológicas, que consiste en un conjunto de operadores
que transforman las imágenes de acuerdo a las caracterizaciones anteriores.
Mascara
La máscara es una imagen binaria compuesta por 0 y 1. Cuando se aplica una máscara en
una función determinada, se procesa el área de valor 1 y el área de valor 0 enmascarada no
se incluye en el cálculo.
Segmentación
La segmentación es uno de los problemas generales del campo de la visión artificial y
consiste en dividir una imagen digital en varias regiones (grupos de píxeles) denominadas
segmentos. Más concretamente, la segmentación es un proceso de clasificación por píxel
que asigna una categoría a cada píxel de la imagen analizada.
Región de interés
Una región de interés es muestras dentro de un conjunto de datos identificado para un
propósito particular.
Skull stripping.
2. Objetivo
3. Materiales y Herramientas
• Software: Matlab
• Imagen dicom: 512x512 , tipo uint16 y tamaño total 527426
• PERICO.JPG:
4. Procedimiento
En este segmento de código se convierte la imagen en escala de grises, luego se llama a uno de los
tres canales para generar una máscara, por medio de la variable mask1, recordemos que las
mascaras se generan con valores en 0 y 1, por lo tanto igualamos mask1 a 0, después cuando
tengamos un valor del canal en 1 este se igualara a 0 y los valores menores a 29 se igualaran a 1.
Por medio de la función strel se origina una estructura morfológica, por la que por medio de una
estructura disk de radio 5 se realizara una operación de dilatación por medio de la función
“imdilate”, este procedimiento se repite pero ahora para la función “imerode” que es una operación
de erosión. Luego este procedimiento se repetirá con las formas “square” y “octagon”.
Se obtuvieron las unidades Hounsfield mediante “HU = m*x+a”, la variable obtenida se hizo
double para poder usar mejor los datos obtenidos en las imagenes. Se igualo la máscara al mismo
tamaño que el de las unidades Hounsfield pero de igual manera se igualaron a 0 para generar la
máscara. A la máscara se le asigno los valores de 1 cuando “HU” es menor que 70. Luego con la
funcion “strel” se crea estructura morfológica de ‘disk’ con un radio de 40. Despues se realizaron
las operaciones “imopen, imclose, imdilate, imeorde” todas estas adjudicadas a la variable de la
mascara.
Se realizaron 2 operaciones en conjunto , en este caso fue una dilatación dentro de una erosión ,
esto con el fin de obtener un mejor resultado al momento.
5. Resultados
La figura 2.3 muestra la imagen Dicom al realizarle una apertura en forma de discos
Conclusión
La morfología matemática nos ayuda a simplificar las imágenes conservando sus características
principales. Nos ayudan a procesar imágenes y detectar elementos en las imágenes.
¿Con cuál elemento estructurante tuvo mejor resultado en la primera imagen y por qué?
La más eficiente la dilatación en forma de círculos porque fue la que perdió menos información
de la imagen.
¿Qué combinación de operadores morfológicos hubiera tenido que hacer si quisiera la mascara del
hueso?
Utilizaría una erosión junto con una apertura, ya que la apertura llenaría los huecos que genere la
erosión después de que elimine parte del hueso y el cráneo.
Referencias
Swiebocka-Wiek, J. (2016). Skull stripping for MRI images using morphological operators.
Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence
and Lecture Notes in Bioinformatics), 9842 LNCS, 172–182. https://doi.org/10.1007/978-3-319-
45378-1_16/FIGURES/12
Video
https://youtu.be/03CQooN_sns