Menghapus Kebisingan dari Radiografi Gigi

Saya sedang mengerjakan proyek penerapan Active Shape Model untuk mencari gigi dalam radiografi gigi. Bagi mereka yang akrab dengan teknik ini, saya saat ini mencoba sampel di sepanjang vektor normal untuk setiap landmark. Makalah ini merekomendasikan untuk mengambil turunan piksel sampel: "Untuk mengurangi efek dari perubahan intensitas global, kami mengambil sampel turunan di sepanjang profil, daripada nilai tingkat abu-abu absolut."

Jadi masalah saya adalah bagaimana menyaring radiografi gigi dengan cara terbaik untuk mempersiapkan mereka untuk menerapkan operator turunan. Saat ini saya menggunakan kombinasi filter median untuk menghapus sebagian besar dari apa yang saya pikir adalah noise kuantum (mottle). Ini diikuti oleh filter bilateral . Kemudian saya menerapkan operator Scharr untuk menghitung gradien aktual yang harus disampel.

Hasilnya disajikan di bawah ini:

Gambar pertama menunjukkan data asli. Pada gambar kedua dan ketiga, data yang difilter disajikan, pertama sebagai besarnya spektrum setelah FFT dan kemudian sebagai data gambar yang difilter. Gambar keempat menunjukkan hasil penerapan operator Scharr ke gambar ketiga.

Pertanyaan saya adalah:

• Apakah ada pendekatan terkenal untuk mengurangi kebisingan dalam radiografi gigi yang akan berbeda dari pendekatan saya?
• Apa yang menyebabkan tampilan "berasap" pada pinggiran dan area "rata" (non-tepi)? Apakah itu semacam noise sisa dalam gambar yang difilter atau apakah itu melekat pada operator gradien? Jika memang noise, filter mana yang paling cocok untuk digunakan? Filter median bagus dalam menghilangkan gumpalan kecil yang berisik tetapi kernel besar menyebabkan tepiannya terlalu banyak. Jadi filter bilateral digunakan untuk menyaring gumpalan yang lebih besar dan menyamakan warna pada area tanpa merusak tepi, tetapi tidak dapat menyaring struktur berasap ini.
• Apakah ada opsi yang lebih baik daripada operator Scharr untuk membuat gradien dalam kasus ini?
• Bonus: Apakah ini dianggap sebagai input yang baik untuk Model Bentuk Aktif? Saya belum tahu seberapa kuat mereka.

Sejauh yang saya mengerti, dengan derivasi gambar yang Anda maksud mengekstraksi tepi. Saya akan merekomendasikan untuk memfilter gambar dengan filter Gaussian yang relatif besar. Jika biaya komputasi derivasi gambar tidak kritis untuk pekerjaan Anda, saya akan merekomendasikan menggunakan detektor tepi cerdik. Itu kurang sensitif terhadap kebisingan dan tidak tertipu oleh kebisingan, dan menemukan tepi yang lemah bersama dengan tepi yang kuat. Instruksi Matlab untuk itu:

   [MinThresh MaxThresh]=[-0.3 0.5];
   EDGE_No_SMOKE=edge(im,'canny',[MinThresh MaxThresh]);

dan hasilnya adalah (saya tahu itu mungkin bukan hasil yang Anda cari, namun bermain dengan variabel Threshold dan ukuran filter akan memberi Anda hasil yang diinginkan):

Perhatikan bahwa Anda tidak melihat efek berasap lagi. Juga tentang tepi yang salah, Anda dapat menghapusnya menggunakan teknik pembukaan dan penutupan gambar.