Discussion :

[CaRoule]

J'essaie d'améliorer le contraste des images de coronarographies à l'aide d'une operations aritméthiques entres les résultats de transformations Top-hats comme suit :
κ = f +White Top-Hat − Black Top-Hat = f + f −γ B −φB + f .
Mais je n'obtiens que les piètres résultats à partir de l'image originale,



j'ajoute d'abord le résultat de la transformation White Top-Hat à l'image originale et ensuite soustrait au tout le résultat de la transformation Black Top-Hat de l'image originale :


Le résultat final est censé améliorer le contraste, mais ce n'est pas le cas :


J'utilise personnellement une fonction de la bibliothèque scipy.ndimage.morphology qui permet de régler un peu plus de paramètres qu'uniquement le rayon du chapeau mais dont les combinaisons de leurs différents réglages permettent de nombreuses possibilités avant de trouver le compromise efficace.

Est-ce que quelqu'un aurait l'expérience de ces réglages pour obtenir un résultat utile ?

voici mon code :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
from __future__ import print_function
 
# Top-Hat morphological transformation
 
import cv2
import pylab
from pylab import *
import numpy as np
import matplotlib
from matplotlib import pyplot as plt
from matplotlib.pyplot import *
from skimage.morphology import white_tophat, black_tophat, square
from skimage.io import imread
from skimage.color import rgb2gray
import matplotlib.pylab as pylab
from skimage.morphology import white_tophat, black_tophat, square, disk
from skimage import io
import argparse
# https://skopas.pagesperso-orange.fr/Python%20et%20OpenCV-manuels/python_pratique.pdf
 
from scipy import misc
from scipy import ndimage
 
 
 
def plot_image(image, title=''):
    pylab.title(title, size=20), pylab.imshow(image)
    #pylab.axis('off') # comment this line if you want axis ticks
 
"""ap = argparse.ArgumentParser()
ap.add_argument("-i","--image", required = True, help = "Path to the image")
args = vars(ap.parse_args())
originalImage = cv2.imread(args["originalImage"])"""
 
originalImage = cv2.imread('20160129-pt-3f9fed2f1c-std-cdf25fa63a-seq-1-ang-p31.4-p15.3-f-00084.png',0)
 
print("Affectation & affichage du type de :  originalImage ")
originalImageType = originalImage.dtype
print("originalImage est de Type : ")
print(originalImageType)
print("image est de Type : ")
originalImageShape = np.shape(originalImage)
print(originalImageShape)
cv2.imshow("Original", originalImage)
 
 
print("max of 255: {}".format(cv2.add(np.uint8([200]), np.uint8([100]))))
print("min of 0: {}".format(cv2.subtract(np.uint8([50]), np.uint8([100]))))
print("wrap around: {}".format(np.uint8([200]) + np.uint8([100])))
print("wrap around: {}".format(np.uint8([50]) - np.uint8([100])))
 
M = np.ones(originalImage.shape, dtype = "uint8")*100
added = cv2.add(originalImage, M)
cv2.imshow("Added", added)
 
M = np.ones(originalImage.shape, dtype = "uint8")*50
subtracted = cv2.subtract(originalImage, M)
cv2.imshow("Subtracted", subtracted)
cv2.waitKey(20000)
 
 
#im = imread('../images/tagore.png')[...,3]
 
#im = imread('20160129-pt-3f9fed2f1c-std-cdf25fa63a-seq-1-ang-p31.4-p15.3-f-00084.png')[...,3]
im_bis = imread('20160129-pt-3f9fed2f1c-std-cdf25fa63a-seq-1-ang-p31.4-p15.3-f-00084.png')[...,3]
im_ter = cv2.imread('20160129-pt-3f9fed2f1c-std-cdf25fa63a-seq-1-ang-p31.4-p15.3-f-00084.png')[...,2]
# pbl resolu via :  https://stackoverflow.com/questions/41196754/image-read-through-skimage-io-imread-have-suspicious-shape
im = io.imread('20160129-pt-3f9fed2f1c-std-cdf25fa63a-seq-1-ang-p31.4-p15.3-f-00084.png', plugin='matplotlib')
 
#img = cv2.imread('20160129-pt-3f9fed2f1c-std-cdf25fa63a-seq-1-ang-p31.4-p15.3-f-00084.png',0)
 
print("Affectation & affichage du type de :  im_ter ")
im_terType = im_ter.dtype
print("im_ter est de Type : ")
print(im_terType)
 
print("im_ter est de Type : ")
im_terShape = np.shape(im_ter)
print(im_terShape)
 
#a1d = np.ones((512))
#a2d = np.expand_dims(a1d, axis=2)
#im_bis2D = a2d.shape
#print(im_bis2D)
 
 
#-------------------------------------------------
print("Affectation & affichage du type de :  im_bis ")
im_bisType = im_bis.dtype
print("im_bis est de Type : ")
print(im_bisType)
 
print("im_bis est de Type : ")
im_bisShape = np.shape(im_bis)
print(im_bisShape)
 
#a1d = np.ones((512))
#a2d = np.expand_dims(a1d, axis=2)
#im_bis2D = a2d.shape
#print(im_bis2D)
 
 
#-------------------------------------------------
print("Affectation & affichage du type de :  im ")
imType = im.dtype
print("im est de Type : ")
print(imType)
 
print("im_bis est de Type : ")
imShape = np.shape(im)
print(imShape)
 
 
im[im <= 0.5] = 0
im[im > 0.5] = 1
#im[im <= 0.25] = 0
#im[im > 0.25] = 1
#im1 = white_tophat(im, square(5))
#im2 = black_tophat(im, square(5))
 
# doesn_t work
#im1 = white_tophat(im, selem=None, disk(7)) # 37
#im2 = black_tophat(im, selem=None, disk(7)) # 37
 
 
#im1 = white_tophat(im, disk(7)) # 37
#im2 = black_tophat(im, disk(7)) # 37
 
# https://het.as.utexas.edu/HET/Software/Scipy/generated/scipy.ndimage.morphology.white_tophat.html#scipy.ndimage.morphology.white_tophat
# scipy.ndimage.morphology.white_tophat(input, size=None, footprint=None, structure=None, output=None, mode='reflect', cval=0.0, origin=0)
im1 = scipy.ndimage.morphology.white_tophat(im, size=(8,8), footprint=(2,5), structure=(4,3), mode='constant', cval=1.0, origin=2)
# https://het.as.utexas.edu/HET/Software/Scipy/generated/scipy.ndimage.morphology.black_tophat.html#scipy.ndimage.morphology.black_tophat
# scipy.ndimage.morphology.black_tophat(input, size=None, footprint=None, structure=None, output=None, mode='reflect', cval=0.0, origin=0)
im2 = scipy.ndimage.morphology.white_tophat(im, size=(8,8), footprint=(2,5), structure=(4,3), mode='constant', cval=1.0, origin=2)
 
 
print("Affectation & affichage du type de :  im1 ")
im1Type = im1.dtype
print("im1Type est de Type : ")
print(im1Type)
 
print("Affectation & affichage du type de :  im2 ")
im2Type = im2.dtype
print("im2Type est de Type : ")
print(im2Type)
 
 
pylab.figure(figsize=(20,15))
pylab.subplot(1,2,1), plot_image(im1, 'white tophat')
pylab.subplot(1,2,2), plot_image(im2, 'black tophat')
pylab.show()
 
# error message :
# RuntimeError: sequence argument must have length equal to input rank
# needed to be changed to a 3D one:
 
 
# Contrast Enhancement using Top-Hats
# Enhanced contrast image = f + WTH - BTH
#M = np.ones(originalImage.shape, dtype = "uint8")*100
f_WTH_added = cv2.add(im, im1)# M
cv2.imshow("f_WTH_added", f_WTH_added)
 
#M = np.ones(originalImage.shape, dtype = "uint8")*50
fPlusWTH_BTH_subtracted = cv2.subtract(f_WTH_added, im2) # M
cv2.imshow("fPlusWTH_BTH_subtracted", fPlusWTH_BTH_subtracted)
cv2.waitKey(20000)
 
# Saving the image
im_out_ECI_converted = cv2.convertScaleAbs(fPlusWTH_BTH_subtracted, alpha=(255.0))
cv2.imshow("im_out_ECI_converted", im_out_ECI_converted)
cv2.waitKey(20000)
 
cv2.imwrite('20160129-pt-3f9fed2f1c-std-cdf25fa63a-seq-1-ang-p31.4-p15.3-f-00084_ECI_TH.png',im_out_ECI_converted)

Merci d'avance.

[lg_53]

Il y a un moment donné aussi, où si vous écrivez

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
im[im <= 0.5] = 0
im[im > 0.5] = 1

ça devient un peu difficile d'obtenir autre chose que du noir ou du blanc en sortie !

NB: Pensez à poster un code minimal. Vous charger l'image de plusieurs manières, on cherche ce qui est réellement fait en lisant votre code et quelle est la partie en lien avec l'image que vous présentez. Nous ne devriions pas

[VinsS]

Salut,

Avec un filtre "Contrast stretching" j'obtiens ceci:
Seuil 2.0 %


Seuil 3.0 %


Malheureusement, il faudra que tu cherches pour trouver ce filtre, il n'est pas dans les filtres d'OpenCV.
Comme l'image est petite (512 x 512) ça peut se faire en Python mais évidement, avec un temps d'exécution assez long.

[CaRoule]

Salut,

Avec un filtre "Contrast stretching" j'obtiens ceci:
Seuil 2.0 %


Seuil 3.0 %


Malheureusement, il faudra que tu cherches pour trouver ce filtre, il n'est pas dans les filtres d'OpenCV.
Comme l'image est petite (512 x 512) ça peut se faire en Python mais évidement, avec un temps d'exécution assez long.

Merci VinsS,
En effet, avec 3% ca m'a l'air bien renforcé. Je suppose que ce filtre est disponible dans un logiciel de traitement d'images ? Si oui lequel car je ne l'ai pas trouvé en natif sur Gimp ni ImageJ mais j'imagine que ces 2 là ne sont pas la panacée ou peut-être que des plugins existent pour eux. Dans tous les cas je vais chercher une librairie disponible pour Python.

[VinsS]

Merci VinsS,
En effet, avec 3% ca m'a l'air bien renforcé. Je suppose que ce filtre est disponible dans un logiciel de traitement d'images ? Si oui lequel car je ne l'ai pas trouvé en natif sur Gimp ni ImageJ mais j'imagine que ces 2 là ne sont pas la panacée ou peut-être que des plugins existent pour eux. Dans tous les cas je vais chercher une librairie disponible pour Python.

L'algorithme de ce filtre a été présenté ici: http://www.ipol.im/pub/art/2011/llmps-scb/

ipol ou Image Processing online est une excellente source de documentation et d'idées pour qui travaille dans l'imagerie.

Au vu de ces résultats, j'ai voulu l'implémenter dans mon logiciel Oqapy, mais je ne l'ai trouvé dans aucune lib existante, donc je l'ai implémenté moi-même.

Seulement c'est du C++ accompagné d'un binding que j'ai créé avec sip pour des raisons pratiques.

C'est là : https://bazaar.launchpad.net/~vincen...iles/head:/lib

C'est très aisément compilable sous Linux et OSX mais sous Windows je ne pourrais pas aider.

Demain je ferai une version Python avec Pillow mais ce sera pour de petites images parce que la différence de temps d'exécution est du simple au décuple si pas plus.

[CaRoule]

Merci VinsS !

ipol ou Image Processing online est effectivement très intéressant.
Oui en Python j'ai testé N4Bias Correction, Frangi et j'ai pu constater qu'ils prennaient un temps de traitement inutilisable sur un grand jeu de données (j'ai 2 jeux, l'un de 541.789 et l'autre de 275.590 et je suis obligé de travailler sur des jeux réduits avec ces filtres). Je suppose qu'en Pyhton cela est du au fait que Python n'est pas un langage compilable ?

Une fois le contraste renforcé, il faut encore pouvoir comparer l'efficacité des méthodes ou optimiser les paramètres d'une méthode, j'ai lu dans cette publication qu'ils utilisaient le Contrast Improvement Ratio (CIR) pour mesurer l'amélioration des techniques de renforcement du contraste :
https://www.sciencedirect.com/scienc...78603X15000054
A toutes fins utiles si cela peut vous intéresser mais à mon avis vous devez déjà connaître.

[tyrtamos]

Bonjour,

S'il s'agit simplement d'augmenter le contraste, le module externe pillow (https://pypi.org/project/Pillow/) fait ça très simplement:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
from PIL import Image, ImageEnhance
 
# ouvre l'image
im = Image.open("coronaires.png")
 
# augmente le contraste
facteur = 2 # facteur d'augmentation du contraste
im2 = ImageEnhance.Contrast(im).enhance(facteur)
 
# enregistre l'image modifiée
im2.save('coronaires2.png')

Ce qui donne:

[CaRoule]

Bonjour,

S'il s'agit simplement d'augmenter le contraste, le module externe pillow (https://pypi.org/project/Pillow/) fait ça très simplement:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
from PIL import Image, ImageEnhance
 
# ouvre l'image
im = Image.open("coronaires.png")
 
# augmente le contraste
facteur = 2 # facteur d'augmentation du contraste
im2 = ImageEnhance.Contrast(im).enhance(facteur)
 
# enregistre l'image modifiée
im2.save('coronaires2.png')

Ce qui donne:

Merci Tyrtamos,

En effet, c'est simple et succinct tout en étant tout aussi efficace que mes operations Top-Hats. Je vais faire varier le facteur de renforcement, mettre cela dans une boucle et appliquer à un jeu de données pour voir si le contraste renforcé améliore mon modèle CNN.

[CaRoule]

Bonjour,

Merci pour la réponse rapide. Oui, désolé de vous avoir fait subir mon code brouillon, j'ai nettoyé une bonne partie qui était de l'affichage inutile suite à des essais. J'en ai également profité pour commenter les deux lignes de codes qui transformaient l'image en noir et blanc simplement, inutile également. Enfin j'ai aussi commenté 2 lignes de transformations Top-Hat de Scipy qui avaient certes plus de paramètres à tuner pour ces transformations mais qui n'étaient pas encore optimisés et bloquaient le code.
Le voici, j'espère qu'il est un peu plus clair.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
from __future__ import print_function
 
# Top-Hat morphological transformation
 
import cv2
import pylab
from pylab import *
import numpy as np
import matplotlib
from matplotlib import pyplot as plt
from matplotlib.pyplot import *
from skimage.morphology import white_tophat, black_tophat, square
from skimage.io import imread
from skimage.color import rgb2gray
import matplotlib.pylab as pylab
from skimage.morphology import white_tophat, black_tophat, square, disk
from skimage import io
import argparse
# https://skopas.pagesperso-orange.fr/Python%20et%20OpenCV-manuels/python_pratique.pdf
import scipy
from scipy import misc
from scipy import ndimage
 
 
def plot_image(image, title=''):
    pylab.title(title, size=20), pylab.imshow(image)
    #pylab.axis('off') # comment this line if you want axis ticks
 
 
im = io.imread('20160129-pt-3f9fed2f1c-std-cdf25fa63a-seq-1-ang-p31.4-p15.3-f-00084.png', plugin='matplotlib')
#------------------------------------------------------
# Printing type of im variable with original image
print("Affectation & affichage du type de :  im ")
imType = im.dtype
print("im est de Type : ")
print(imType)
print("im_bis est de Type : ")
imShape = np.shape(im)
print(imShape)
#-----------------------------------------------------
 
# Following instructions commented in reason of black & white results
#im[im <= 0.5] = 0
#im[im > 0.5] = 1
 
# Top-hats transforms operations
im1 = white_tophat(im, disk(7))
im2 = black_tophat(im, disk(7))
#------------------------------------------------------
# Printing type of im1 & im2 variables
print("Affectation & affichage du type de :  im1 ")
im1Type = im1.dtype
print("im1Type est de Type : ")
print(im1Type)
print("Affectation & affichage du type de :  im2 ")
im2Type = im2.dtype
print("im2Type est de Type : ")
print(im2Type)
#------------------------------------------------------
# Showing Top-Hats transforms results
pylab.figure(figsize=(20,15))
pylab.subplot(1,2,1), plot_image(im1, 'white tophat')
pylab.subplot(1,2,2), plot_image(im2, 'black tophat')
pylab.show()
 
# Alternatives commented to Top-hats transforms operations with more parameters still to test, to tune & optimize
#im1 = scipy.ndimage.morphology.white_tophat(im, size=(8,8), footprint=(2,5), structure=(4,3), mode='constant', cval=1.0, origin=2)
#im2 = scipy.ndimage.morphology.white_tophat(im, size=(8,8), footprint=(2,5), structure=(4,3), mode='constant', cval=1.0, origin=2)
 
 
 
 
# Contrast Enhancement using Top-Hats
# Enhanced contrast image = f + WTH - BTH
#M = np.ones(originalImage.shape, dtype = "uint8")*100
f_WTH_added = cv2.add(im, im1)# M
cv2.imshow("f_WTH_added", f_WTH_added)
 
#M = np.ones(originalImage.shape, dtype = "uint8")*50
fPlusWTH_BTH_subtracted = cv2.subtract(f_WTH_added, im2) # M
cv2.imshow("fPlusWTH_BTH_subtracted", fPlusWTH_BTH_subtracted)
cv2.waitKey(20000)
# Convert the enhanced image
im_out_ECI_converted = cv2.convertScaleAbs(fPlusWTH_BTH_subtracted, alpha=(255.0))
# Showing the enhanced image
cv2.imshow("im_out_ECI_converted", im_out_ECI_converted)
cv2.waitKey(20000)
# Saving the enhanced image
cv2.imwrite('20160129-pt-3f9fed2f1c-std-cdf25fa63a-seq-1-ang-p31.4-p15.3-f-00084_ECI_TH.png',im_out_ECI_converted)

Le résultat de votre remarque sur les 2 lignes de code :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
im[im <= 0.5] = 0
#im[im > 0.5] = 1

se manifeste de suite par une image au contraste renforé nettemment améliorée par rapport à ce que je fournissais :


J'ignore si c'est en tunant les paramètres des Top-Hats que je pourrais l'améliorer soit par la function basique (ici j'ai pris un rayon de 7) soit par une function un peu plus évoluée comme celles de Scipy, mais lorsque je regarde les résultats intermédiaires :

il y a encore beaucoup de bleu. Donc peut-être faudrait-il combiner un filtre et si oui lequel ?