Mejoramiento del contraste aplicando la búsqueda discriminante a proyecciones de color en imágenes dermatoscópicas

Autores/as

DOI:

https://doi.org/10.17533/udea.redin.n79a18

Palabras clave:

mejoramiento del contraste, color, proyección PCA, proyección FDA, imágenes dermatoscópicas, componentes

Resumen

El uso del color como una estrategia de incremento del contraste para procedimientos de extracción de características en imágenes con altos desórdenes de iluminación es de gran utilidad; por lo tanto, con el fin de corregir los problemas de contraste en imágenes que fueron adquiridas erróneamente, se propone un método que busca automáticamente proyecciones discriminantes del mapa de color dependiendo de la dispersión los datos originales. Este método se basa en técnicas tales como análisis discriminante de Fisher (FDA) y análisis de componentes principales (PCA). Debido a que este es un método no supervisado, puede ser empleado en imágenes que fueron capturadas sin tomar en cuenta el protocolo de adquisición y con iluminación no uniforme. El método fue empleado en un conjunto de 40 imágenes dermatoscópicas, obteniéndose un desempeño superior al 82%.

|Resumen
= 424 veces | PDF (ENGLISH)
= 370 veces|

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Elisabeth Restrepo-Parra, Universidad Nacional de Colombia

Ingeniera Electricista, MSc. en Física y Dra. en Ingeniería. Profesora del Departamento de Física y Química. Grupo PCM Computational Applications, Facultad de Ciencias Exactas y Naturales.

Cristian Felipe Ocampo-Blandón, Universidad Nacional de Colombia

Ingeniero Electrónico, MSc. en Ingeniería- Linea automática. Grupo PCM Computational Applications, Facultad de Ciencias Exactas y Naturales.

Juan Carlos Riaño-Rojas, Universidad Nacional de Colombia


Matemático, MSc en Matemática, Dr. en Ingeniería Linea Automática.. Profesor del Departamento de Matemáticas y estadística. Grupo PCM Computational Applications, Facultad de Ciencias Exactas y Naturales.

Felipe Jaramillo-Ayerbe, Universidad de Caldas

Médico, especialista en dermatología. Grupo Telesalud, Facultad de Ciencias de la Salud.

Citas

P. Ferreira, T. Mendoca, P. Rocha and J. Rozeira, “A new interface for manual segmentation of dermoscopic images”, in 3rd Eccomas Thematic Conference on Computational Vision and Medical Image Proc. (VipIMAGE), Olhão, Portugal, 2011, pp. 399-403.

M. Celebi, G. Schaefer, H. Iyatomi and W. Stoecker, “Lesion border detection in dermoscopy images”, Computerized Medical Imaging and Graphics, vol. 33, no. 2, pp. 148-153, 2009.

M. Celebi, S. Hwang, H. Iyatomi and G. Schaefer, “Robust border detection in dermoscopy images using threshold fusion”, in 17th IEEE International Conference on Image Processing (ICIP), Hong Kong, China, 2010, pp. 2541-2544.

J. Kapur, P. Sahoo and A. Wong, “A new method for gray-level picture thresholding using the entropy of the histogram”, Computer Vision, Graphics, and Image Proc., vol. 29, no. 3, pp. 273-285, 1985.

J. Kittler and J. Illingworth, “Minimum error thresholding”, Pattern Recognition, vol. 19, no. 1, pp. 41-47, 1986.

N. Otsu, “A threshold selection method from gray-level histograms”, IEEE Trans. Sys., Man, and Cybernetics, vol. 9, no. 1, pp. 62-66, 1979.

J. Humayun, A. Malik and N. Kamel, “Multilevel thresholding for segmentation of pigmented skin lesions”, in IEEE Inter. Conf. on Imaging Sys. Tech. (IST), Penang, Malaysia, 2011, pp. 310-314.

M. Silveira et al., “Comparison of segmentation methods for melanoma diagnosis in dermoscopy images”, IEEE J. Selected Topics in Signal Proc., vol. 3, no. 1, pp. 35-45, 2009.

M. Celebi, Y. Aslandogan and P. Bergstresser, “Unsupervised border detection of skin lesion images”, in Int. Conf. Inform. Technol.: Coding and Comp. (ITCC), Las Vegas, USA, 2005, pp. 123-128.

H. Wang et al., “Watershed segmentation of dermoscopy images using a watershed technique”, Skin Res. Technol., vol. 16, no. 3, pp. 378-384, 2010.

D. Chung and G. Sapiro, “Segmenting skin lesions with partial-differential-equations based image processing algorithms”, IEEE Trans. Med. Imaging, vol. 19, no. 7, pp. 763-767, 2000.

B. Erkol, R. Moss, R. Stanley, W. Stoecker and E. Hvatum, “Automatic lesion boundary detection in dermoscopy images using gradient vector flow snakes”, Skin Res. Technol., vol. 11, pp. 17-26, 2005.

H. Zhou et al., “Skin lesion segmentation using an improved snake model”, in Annual International Conference of the IEEE Eng. Med. Biol. Soc. (EMBC), Buenos Aires, Argentina, 2010, pp. 1974-1977.

R. Rodríguez, P. Castillo, V. Guerra, A. Suárez and E. Izquierdo, “Two Robust Techniques for Segmentation of Biomedical Images”, Computación y Sistemas, vol. 9, no. 4, pp. 355-369, 2006.

D. Gómez, C. Butakoff, B. Ersboll and W. Stoecker, “Independent histogram pursuit for segmentation of skin lesions”, IEEE Trans. Biomed. Eng., vol. 55, no. 1, pp. 157-161, 2008.

Y. Zhou, M. Smith, L. Smith and R. Warr, “Segmentation of clinical lesion images using normalized cut”, in 10th Workshop on Image Analysis for Multimedia Interactive Services (WIAMIS), London, UK, 2009, pp. 101-104.

R. Devi, L. Suresh and K. Shunmuganathan, “Intelligent fussy system based dermoscopic image segmentation for melanoma detection”, in Inter. Conf. Sustainable Energy and Intel. Syst., Chennai, India, 2011, pp. 739- 743, 2011.

P. Schmid, “Segmentation of digitized dermatoscopic images by two-dimensional color clustering”, IEEE Trans. Med. Imaging, vol. 18, pp. 164-171, 1999.

S. Chattopadhyay, D. Pratihar and S. Sarkar, “A comparative study of fuzzy c-means algorithm and entropy-based fuzzy clustering algorithms”, Computing and Informatics, vol. 30, pp. 701-720, 2011.

K. Reetz, R. Rangel, T. Antoniolli, G. Chiaradia and M. Widholzer, “Evaluation of patients’ learning about the ABCD rule: a randomized study in southern Brazil”, An. Bras. Dermatol., vol. 84, no. 6, pp. 539-398, 2009.

J. Jaworek-Korjakowska, “Novel Method for Border Irregularity Assessment in Dermoscopic Color Images”, Comp. Math. Meth. Med., vol. 2015, Article ID 496202, pp. 1-11, 2015.

F. Xie, Y. Wu, Y. Li, Z. Jiang and R. Meng, “Adaptive segmentation based on multi-classification model for dermoscopy images”, Frontiers Comp. Sci., vol. 9, no. 5, pp. 720-728, 2015.

T. Chan, B. Sandberg and L. Vese, “Active contours without edges for vector-valued images”, J. Visual Commun. Image Repres., vol. 11, pp. 130-141, 2000.

Q. Abbas, M. Celebi, I. García and M. Rashid, “Lesion border detection in dermoscopy images using dynamic programming”, Skin Res. Technol., vol. 17, pp. 91-100, 2011.

L. Suresh, K. Shunmuganathan and S. Veni, “Dermoscopic Image Segmentation using Machine Learning Algorithm”, Am. J. Appl. Sci., vol. 8, pp. 1159- 1168, 2011.

A. Abbas, X. Guo, W. Tan and H. Jalab, “Combined spline and B-spline for an improved automatic skin lesion segmentation in dermoscopic images using optimal color channel”, J. Med. Syst., vol. 38, pp. 80-87, 2014.

Q. Abbas, I. Fondón, M. Celebi, W. Ahmad and Q. Mushtaq, “A perceptually oriented method for contrast enhancement and segmentation of dermoscopy images”, Skin Res. Technol., vol. 19, pp. 490-497, 2013.

H. Castillejos, V. Ponomaryov, L. Nino and V. Golikov, “Wavelet Transform Fuzzy Algorithms for Dermoscopic Image Segmentation”, Comp. Math. Meth. Med., vol. 2012, Article ID 578721, pp. 1-11, 2012.

M. Zortea, S. Skrøvseth, T. Schopf, H. Kirchesch and F. Godtliebsen, “Automatic Segmentation of Dermoscopic Images by Iterative Classification”, Int. J. Biomed. Imaging, vol. 2011, Article ID 972648, pp. 1-19, 2011.

J. Yang, D. Zhang, J. Yang and B. Niu, “Globally maximizing, locally minimizing: Unsupervised discriminant projection with applications to face and palm biometrics”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 29, pp. 650-664, 2007.

Y. Yao, B. Abidi, N. Kalka, N. Schmid and M. Abidi, “Improving long range and high magnification face recognition: Database acquisition, evaluation, and enhancement”, Comput. Vis. Image Und., vol. 111, pp. 111-125, 2008.

C. Zhang, X. Wang and H. Zhang, “Contrast enhancement for fruit image by gray transform and wavelet neural network”, in IEEE International Conference on Networking, Sensing and Control (ICNSC), Ft. Lauderdale, USA, 2006, pp. 1064-1069.

X. Zong, A. Laine and E. Geiser, “Speckle reduction and contrast enhancement of echocardiograms via multiscale nonlinear processing”, IEEE T. Med. Imaging, vol. 17, pp. 532-540, 1998.

Y Chen, M. Huang and S. Chen, “Automatic Color Segmentation by Colormap and Edge Detection by Chan Vese Method for Tongue Image”, J. Appl. Sci., vol. 13, pp. 3676-3683, 2013.

Descargas

Publicado

2016-06-16

Cómo citar

Restrepo-Parra, E., Ocampo-Blandón, C. F., Riaño-Rojas, J. C., & Jaramillo-Ayerbe, F. (2016). Mejoramiento del contraste aplicando la búsqueda discriminante a proyecciones de color en imágenes dermatoscópicas. Revista Facultad De Ingeniería Universidad De Antioquia, (79), 192–200. https://doi.org/10.17533/udea.redin.n79a18

Artículos similares

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 > >> 

También puede {advancedSearchLink} para este artículo.