Valeurs d'intensité

Analyse d'images biomédicales en Python

Stephen Bailey

Instructor

Pixels et voxels

Les pixels sont des éléments d'image 2D
Les voxels sont des éléments de volume 3D
Deux propriétés : intensité et position

radiographie du pied

Types de données et taille d'image

Le type de données du tableau détermine l'étendue des intensités possibles

Type	Étendue	Nbre val.
uint8	0, 255	256
int8	- 128, 127	256
uint16	0, 2$^{16}$	2$^{16}$
int16	-2$^{15}$, 2$^{15}$	2$^{16}$
float16	~-2$^{16}$, ~2$^{16}$	>>2$^{16}$

import imageio.v2 as imageio

im=imageio.imread('foot-xray.jpg')

im.dtype
    dtype('uint8')

im.size

im_int64 = im.astype(np.uint64)
im_int64.size

Histogrammes

Les histogrammes : comptent le nombre de pixels à chaque intensité.
Implémentés dans scipy.ndimage
- tableaux de dimension supérieure
- données masquées
Techniques et fonctions avancées dans scikit-image.

plt.plot(hist)
plt.show()

import scipy.ndimage as ndi

hist=ndi.histogram(im, min=0, 
                       max=255,
                       bins=256)

hist.shape

(256,)

Histogramme

Égalisation

Les distributions sont souvent biaisées vers les faibles intensités (arrière‑plan).
Égalisation : redistribuer les valeurs pour utiliser toute l'étendue d'intensité.
Fonction de répartition cumulative : (CDF) indique la proportion de pixels dans un intervalle.

Hist+CDF

Égalisation

import scipy.ndimage as ndi
hist = ndi.histogram(im, min=0, 
                         max=255,
                        bins=256)

cdf = hist.cumsum() / hist.sum()
cdf.shape

(256,)

im_equalized = cdf[im] * 255

fig, axes = plt.subplots(2, 1)
axes[0].imshow(im)
axes[1].imshow(im_equalized)
plt.show()

image égalisée

Passons à la pratique !

Analyse d'images biomédicales en Python