\documentclass[12pt]{extarticle}
\usepackage[utf8]{inputenc}
\usepackage{cite}

\title{Detecting contours of human organs in CT images using the Canny edge detector}
\author{Martin Turk (27182035)}
\date{January 2019}

\begin{document}

\maketitle

\section{Povzetek}
Za tretji seminar smo implementirali Cannyev detektor robov \cite{jcanny}, ki je široko uporabljen v računalniškem vidu za ugotavljanje sprememb intenzitete in iskanje robov slike.
Slikovni element klasificiramo kot rob, če je magnituda gradienta slikovnega elementa večja kot magnituda sosednjih slikovnih elementov v smeri največje spremembe intenzitete.
Detektor smo testirali na slikah iz CTMRI podatkovne baze \cite{ctmri}.
V poročilu bomo opisali uporabljene metode pri implementaciji in predstavili rezultate.

\section{Uvod}
Detekcija robov je med najpogosteje uporabljenimi pristopi predprocesiranja slik in igra pomembno vlogo pri veliko sistemih z računalniškim vidom.
Dobra prednost detekcije robov je, da znatno zmanjša količino podatkov, ki jih moramo obdelati, hkrati pa ohranja pomembne informacije o mejah objekta.
Eden izmed boljših detektorjev robov je Cannyjev detektor, ki ga bomo podrobneje opisali v nadaljevanju.

\section{Metode}
Cannyev detektor robov je sestavljen iz štirih glavnih korakov:
\begin{itemize}
    \item \textbf{Glajenje} sivinske slike z Gaussovim filtrom za odpravljanje šuma.
    \item \textbf{Izračun gradientov intenzitet} na vsakem slikovnem elementu s pomočjo Sobelovega ali Prewittovega filtra v vertikalni in horizontalni smeri slike. Sledi izračun magnitud za vsak slikovni element.
    \item \textbf{Nonmaxima suppression:} rezultat izračuna magnitud nam vrne debele robove, za končno sliko pa želimo da ima tanke. To storimo z dušenjem slikovnih elementov, ki niso maksimalni. Če vzamemo okno velikosti 3x3 in smo v sredinskem slikovnem elementu imamo štiri možne robove (vertikalno, horizontalno in diagonali). Glede na smer trenutnega slik. el. želimo ugotoviti kam se povezuje rob. Če je magnituda v tem slik. el. maksimalna ja označimo kot rob (1). Po nemaksimalni dušitvi dobimo tanke robove, ki so lahko pokvarjeni (luknjasti). Napake odpravimo v naslednjem koraku. (Postopek je dobro opisan v \cite{canny})
    \item \textbf{Hysteresis tresholding} je postopek, kjer z zgornjo in spodnjo mejo določimo močne in šibke (med mejama) robne točke, ter odpravimo nerobne točke. Meji določimo empirično in jih prilagodimo podatkom, tako da ju množimo z maksimalnim slikovnim elementom. V zadnjem koraku z "8-connectivity" določimo katere šibke robne točke so dejansko robovi.
\end{itemize}
\section{Rezultati}
Program smo testirali na CT slikah iz CTMRI podatkovne baze. Detektor je v splošnem na testnih slikah dobro zaznaval robove. Skozi nekaj iteracij smo za najboljše parametre izbrali spodnjo mejo 0.075, zgornjo mejo 0.175, Sobelov filter in sigmo 1.45 pri Gaussovem filtru.
Rezultati so vidni na naslednjih slikah.




\begin{figure}[htbp]
\begin{center}
\includegraphics[scale=0.3]{figs_0006.png}
\caption{Cannyjev detektor primer 1.}
\label{slika1}
\end{center}
\end{figure}

\begin{figure}[htbp]
\begin{center}
\includegraphics[scale=0.3]{figs_0008.png}
\caption{Cannyjev detektor primer 2.}
\label{slika1}
\end{center}
\end{figure}

\begin{figure}[htbp]
\begin{center}
\includegraphics[scale=0.3]{figs_0022.png}
\caption{Cannyjev detektor primer 3.}
\label{slika1}
\end{center}
\end{figure}


\begin{figure}[htbp]
\begin{center}
\includegraphics[scale=0.3]{figs_0023.png}
\caption{Cannyjev detektor primer 4.}
\label{slika1}
\end{center}
\end{figure}


\begin{figure}[htbp]
\begin{center}
\includegraphics[scale=0.3]{figs_0039.png}
\caption{Cannyjev detektor primer 5.}
\label{slika1}
\end{center}
\end{figure}

\begin{figure}[htbp]
\begin{center}
\includegraphics[scale=0.3]{figs_0063.png}
\caption{Cannyjev detektor primer 6.}
\label{slika1}
\end{center}
\end{figure}


\begin{figure}[htbp]
\begin{center}
\includegraphics[scale=0.3]{figs_009.png}
\caption{Cannyjev detektor primer 7.}
\label{slika1}
\end{center}
\end{figure}

\section{Razprava}

Cannyev detektor deluje dobro - veliko bolje kot sem pričakoval na začetku, in veliko bolje kot Marr-Hildrethov, ki sem ga prav tako sprobal.
Prepričan sem da bi se lahko našel kakšen nov pristop za tresholding, ki bi dajal boljše rezultate. Uporaba detektorja je zelo odvisna od situacije, zato težko razpravljamo o izboljšavah.


\bibliographystyle{plain}
\bibliography{M335}

\end{document}