ES2932442T3

ES2932442T3 - Evaluación de la calidad de imagen

Info

Publication number: ES2932442T3
Application number: ES18189482T
Authority: ES
Inventors: Peter Robert Wakeford; David Clifton
Original assignee: Optos PLC
Current assignee: Optos PLC
Priority date: 2018-08-17
Filing date: 2018-08-17
Publication date: 2023-01-19
Anticipated expiration: 2038-08-17
Also published as: JP2020047264A; CN110889820B; US20200058122A1; EP3610783B1; CN110889820A; JP6838112B2; US11080851B2; DK3610783T3; EP3610783A1

Abstract

Un método, aparato y medio legible por computadora, para evaluar la calidad de imagen de una imagen producida por un sistema de escaneo de imágenes. El método comprende adquirir (S10) datos de imagen de una imagen producida por el sistema de escaneo de imágenes y calcular (S20 a S40), para cada sección de la imagen: un primer valor respectivo que mide al menos uno de nitidez o contraste de al menos una parte de la sección, la medición en función del ruido, un segundo valor respectivo que mide el ruido en al menos una parte de la sección, y un tercer valor respectivo que indica la calidad de la imagen, mediante la combinación del primer y segundo valor. La combinación es tal que los terceros valores calculados tienen una dependencia del ruido más débil que los primeros valores. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Evaluación de la calidad de imagen

[Campo]

Aspectos de ejemplo en este punto se refieren en general al campo de procesamiento de imágenes y, más particularmente, a la evaluación de la calidad de imagen de imágenes producidas mediante un sistema de formación de imágenes de exploración.

[Antecedentes]

Los sistemas de formación de imágenes de exploración se usan ampliamente en muchas aplicaciones diferentes, y están configurados generalmente para iluminar un objeto que hay que representar explorando un haz de luz (o una línea de luz) a través de la superficie del objeto y para recopilar luz reflejada de la superficie, haciendo uso de elementos de exploración, tales como espejos galvo, escáneres poligonales, escáneres de línea láser y similares, así como dispositivos de transferencias de exploración, tales como lentes y/o espejos con la forma apropiada, para proporcionar un grado variable de deflexión a un haz de luz o línea de luz transmitida desde una fuente de luz de modo que el haz/línea de luz se explora a través de la superficie del objeto, y para guiar la luz reflejada de la superficie a un detector de luz. Por ejemplo, el oftalmoscopio láser de exploración (SLO) es un tipo bien conocido de sistema de formación de imágenes de exploración que se usa comúnmente para representar la retina del ojo de un sujeto.

El documento US 2017/0039689 A1 describe sistemas y métodos que ayudan en la detección, diagnóstico y/o monitorización de condiciones médicas. Los sistemas y métodos pueden permitir la identificación y localización automatizadas de lesiones y otras estructuras anatómicas a partir de datos médicos obtenidos desde dispositivos de formación de imágenes médicas, cálculo de biomarcadores basados en imágenes que incluyen cuantificación de la dinámica de lesiones y/o integración con servicios de telemedicina, programas o software.

El documento US 2012/0257164 A1 describe métodos y dispositivos para diagnosticar y/o predecir la presencia, progresión y/o efecto de tratamiento de una enfermedad caracterizada por cambios patológicos en la retina en un sujeto.

[Compendio]

Debido a restricciones presupuestarias, presión de tiempo y otros aspectos prácticos, el funcionamiento de sistemas de formación de imágenes de exploración se evalúa a menudo mediante sus operadores sobre una base ampliamente subjetiva, con el operador simplemente inspeccionando una imagen adquirida mediante el sistema de formación de imágenes de exploración por ojo para formar una decisión sobre si la calidad de la imagen y/o configuración del sistema es aceptable. Este enfoque subjetivo puede dificultar medir el funcionamiento verdadero de un sistema de formación de imágenes de exploración y detectar una degradación gradual en su funcionamiento, por ejemplo.

En vista de estas limitaciones, el presente inventor ha ideado un método de evaluación de la calidad de imagen de una imagen producida mediante un sistema de formación de imágenes de exploración según la reivindicación 1.

La nitidez y/o el contraste pueden ser indicadores de la calidad de imagen, que se indican mediante al menos parte del primer valor. El brillo puede ser un indicador de calidad de imagen, pero no se mide habitualmente mediante al menos parte del primer valor. Puede haber otros indicadores de la calidad de imagen que se indican mediante al menos parte del primer valor.

El presente inventor ha ideado adicionalmente un aparato para evaluar la calidad de imagen de una imagen producida mediante un sistema de formación de imágenes de exploración según la reivindicación 15.

El inventor ha ideado adicionalmente un programa informático que comprende instrucciones que, cuando se ejecutan por un procesador, provocan que el procesador ejecute el método expuesto anteriormente. El programa informático puede almacenarse en un dispositivo de almacenamiento legible por ordenador no transitorio (tal como un CD o un disco duro de ordenador, por ejemplo), o puede transportarse por una señal (p. ej., una descarga a través de la internet u otra clase de red informática).

[Breve descripción de los dibujos]

Realizaciones de la invención se explicarán ahora en detalle, por medio de ejemplo no limitante únicamente, con referencia a las figuras adjuntas, descritas a continuación. Números de referencia similares que aparecen en diferentes figuras de las figuras pueden indicar elementos idénticos o de funcionalidad similar, a no ser que se indique lo contrario.

La Figura 1 es una ilustración esquemática de un aparato para evaluar la calidad de imagen de una imagen producida mediante un sistema de formación de imágenes de exploración, de acuerdo con una realización de ejemplo en la presente memoria.

La Figura 2 es un diagrama de bloques que ilustra un ejemplo de configuración de hardware del aparato para evaluar la calidad de imagen, de acuerdo con una realización de ejemplo en la presente memoria.

La Figura 3 es un diagrama de flujo que ilustra un proceso por el que el aparato evalúa la calidad de imagen de una imagen producida mediante un sistema de formación de imágenes de exploración, de acuerdo con una realización de ejemplo en la presente memoria.

La Figura 4 es una imagen de una parte de una retina reproducida mediante un sistema de formación de imágenes de exploración.

La Figura 5 es un diagrama de flujo que ilustra un proceso por el que un módulo de cálculo 120 del aparato de la Figura 1 puede calcular primeros valores para cada sección de una imagen, de acuerdo con una realización de ejemplo en la presente memoria.

La Figura 6 es una representación esquemática de una imagen en escala de grises y su matriz de coocurrencia de nivel de grises asociada.

Las Figuras 7(a) y 7(b) ilustran cómo un valor de una característica de textura varía con grado variable de desenfoque en una imagen y grado variable de contraste de una imagen, respectivamente.

La Figura 8 es una representación esquemática que muestra cómo puede determinarse una puntuación de calidad, de acuerdo con un aspecto de ejemplo en la presente memoria.

La Figura 9 es una ilustración esquemática de un perfil de variación espacial de ejemplo obtenido mediante el módulo de cálculo 120 del aparato de la Figura 1, de acuerdo con una realización de ejemplo en la presente memoria.

La Figura 10 es un diagrama de flujo que ilustra un proceso de ejemplo mediante el que el módulo de cálculo 120 del aparato de la Figura 1 puede determinar una puntuación de calidad, de acuerdo con otra realización de ejemplo en la presente memoria.

[Descripción detallada de las realizaciones]

Realizaciones de la presente invención se describirán ahora en detalle con referencia a los dibujos adjuntos.

La Figura 1 es una ilustración esquemática de un aparato 100 para evaluar la calidad de imagen de una imagen producida mediante un sistema de formación de imágenes de exploración (no mostrado), de acuerdo con una realización de ejemplo en la presente memoria. El aparato 100 comprende un módulo de adquisición de imágenes 110 que se dispone para adquirir datos de imagen de una imagen producida mediante el sistema de formación de imágenes de exploración, y un módulo de cálculo 120 que se dispone para procesar los datos de imagen adquiridos para determinar una puntuación de calidad que es indicativa de una calidad de imagen de la imagen. El aparato 100 puede, como en la presente realización ilustrada, comprender además un generador de señales de control de visualización 130 (mostrándose este componente opcional mediante líneas discontinuas en la Figura 1).

El sistema de formación de imágenes de exploración puede ser cualquier clase de sistema de formación de imágenes óptico que está configurado para desviar un haz de luz (o una línea de luz) de una fuente de luz para explorar una proyección del haz de luz (o una proyección de la línea de luz, según pueda ser el caso) a través de una superficie o a través de un volumen de un objeto que se representa, y para recopilar luz reflejada de la superficie o volumen durante el funcionamiento de la exploración para formar una imagen de la superficie.

El sistema de formación de imágenes de exploración puede, como en la presente realización de ejemplo, ser un oftalmoscopio láser de exploración (SLO) que está configurado para adquirir imágenes de la retina del ojo de un sujeto. A modo de ejemplo, el SLO de la presente realización está configurado para capturar imágenes de autofluorescencia (AF) (puede configurarse para capturar imágenes de reflectancia rojo-verde (RG) o imágenes de otros modos de fluorescencia), aunque puede configurarse, como alternativa o adicionalmente, para adquirir uno o más otros tipos de imágenes. El SLO puede, por ejemplo, ser un SLO de campo ultra ancho (UWF-SLO) con capacidad de generar una imagen de campo ultra ancho de hasta el 80 % de una superficie de la retina. Como alternativa, el sistema de formación de imágenes de exploración puede ser otra clase de escáner de retina, tal como un escáner de tomografía de coherencia óptica (OCT), en cuyo caso las técnicas de procesamiento de imágenes descritas en la presente memoria son aplicables a las imágenes tomográficas adquiridas por el escáner de OCT. Como una alternativa adicional, el sistema de formación de imágenes de exploración puede ser un escáner de SLO-OCT combinado, en cuyo caso las técnicas de procesamiento de imágenes descritas en la presente memoria son aplicables tanto a exploraciones de retina de SLO como a las exploraciones de OCT adquiridas por el escáner de SLO-OCT combinado.

El módulo de adquisición de imágenes 110 puede adquirir datos de imagen de una imagen generada por el sistema de formación de imágenes de exploración mediante cualquier medio conocido por los expertos en la técnica. Por ejemplo, el módulo de adquisición de imágenes 110 puede recibir datos de imagen de la imagen desde el sistema de formación de imágenes de exploración a través de un enlace de comunicación directo (que puede proporcionarse mediante cualquier conexión adecuada por cable o inalámbrica, p. ej., un Bus Serial Universal (USB) o una conexión Bluetooth™) o un enlace de comunicación indirecto (que puede proporcionarse mediante una red que comprende una red de área local (LAN), una red de área extensa (WAN) y/o la Internet). Adicionalmente, los datos de imagen pueden adquirirse mediante el módulo de adquisición de imágenes 110 (y pueden procesarse además posteriormente para determinar una puntuación de calidad, como se describe a continuación) a medida que estos datos de imagen se están generando por el sistema de formación de imágenes de exploración, es decir, los datos de imagen pueden adquirirse "sobre la marcha", sin esperar a que el sistema de formación de imágenes de exploración finalice la generación de todos los datos de imagen que forman la imagen de la retina. Sin embargo, en la presente realización de ejemplo, y para los propósitos de esta descripción, el módulo de adquisición de imágenes 110 está configurado para adquirir todos los datos de imagen que forman la imagen de la retina antes de que el módulo de cálculo 120 comience a procesar estos datos.

El modo de cálculo 120 está configurado para realizar cálculos como se describe en la presente memoria para cada una de una pluralidad de secciones de la imagen que cubren diferentes regiones de la imagen. Por ejemplo, donde el módulo de adquisición de imágenes 110 adquiere datos de imagen que definen tiras de la imagen que abarcan lados opuestos de la imagen, el módulo de cálculo 120 puede realizar estos cálculos para los datos de imagen de una tira una vez que se ha recibido todos los datos de imagen de la tira y antes de que se hayan recibido todos los datos de imagen de la siguiente tira. Como alternativa, por ejemplo en realizaciones como la presente realización de ejemplo, donde los cálculos se realizan mediante el módulo de cálculo 120 después de que los datos de imagen que definen dos o más tiras (u otras clases de sección) se hayan adquirido mediante el módulo de adquisición de imágenes 110, el módulo de adquisición de imágenes 110 y/o el módulo de cálculo 120 puede designar una pluralidad de secciones de la imagen que cubren diferentes regiones de la imagen.

El módulo de cálculo 120 se dispone para calcular, para cada una de las secciones: (i) un respectivo primer valor de una medida de una nitidez, un contraste o tanto una nitidez como un contraste, de al menos una parte de la sección, dependiendo la medida del ruido en la al menos una parte de la sección; (ii) un respectivo segundo valor que proporciona una medida de ruido (aleatorio) en al menos una parte de la sección; y (iii) un respectivo tercer valor que es indicativo de una calidad de imagen de la sección, combinando el respectivo primer valor calculado con el respectivo segundo valor calculado. El módulo de cálculo 120 se dispone para combinar los respectivos primeros y segundos valores calculados en el cálculo del respectivo tercer valor para cada una de la pluralidad de secciones de la imagen de tal forma que los terceros valores calculados para la pluralidad de secciones tienen una dependencia más débil del ruido (aleatorio) que los primeros valores calculados para la pluralidad de secciones. Por ejemplo, donde los primeros valores son indicativos de la nitidez de al menos una parte de la sección de la imagen, dado que la presencia de ruido aleatorio en la imagen puede no afectar significativamente la nitidez de la imagen y, por lo tanto, la calidad de imagen según se percibe mediante un observador humano, combinando los primeros valores con los segundos valores calculados que son indicativos de la cantidad de ruido en al menos una parte de la sección, de la manera anteriormente descrita, resulta en terceros valores que se ven menos afectados por la presencia de ruido en la sección y, por lo tanto, proporcionan una indicación de calidad de imagen que está más cercana a la calidad de imagen percibida. El ruido puede o no ser ruido aleatorio.

El módulo de cálculo 120 se dispone adicionalmente para determinar una puntuación de calidad que es indicativa de una calidad de imagen de la imagen basándose en una variación de los terceros valores calculados entre las secciones, en otras palabras la distribución espacial de los terceros valores calculados en la imagen.

En realizaciones como la presente realización de ejemplo, donde el aparato 100 comprende un generador de señales de control de visualización 130, el generador de señales de control de visualización 130 puede disponerse para generar señales de control de visualización para controlar un dispositivo de visualización (tal como una pantalla LCD u otro tipo de unidad de visualización visual) (no mostrado) para visualizar a un usuario un perfil de variación espacial indicativo de la variación de los terceros valores calculados entre las secciones.

La Figura 2 muestra un ejemplo de cómo puede implementarse el aparato 100 en hardware de procesamiento de señales programable. El aparato de procesamiento de señales 200 mostrado en la Figura 2 comprende una interfaz (I/F) de comunicación 210 para recibir datos de imagen de una imagen producida mediante un sistema de formación de imágenes de exploración, y (opcionalmente) emitir señales de control de visualización para controlar un dispositivo de visualización 215 para visualizar a un usuario un perfil de variación espacial como se describe a continuación.

El aparato de procesamiento de señales 200 comprende además un procesador (p. ej., una Unidad Central de Procesamiento, CPU, o Unidad de Procesamiento Gráfico, GPU) 220, una memoria de trabajo 230 (p. ej., una memoria de acceso aleatorio) y un almacén de instrucciones 240 que almacena instrucciones legibles por ordenador que, cuando se ejecutan por el procesador 220, provocan que el procesador 220 realice las operaciones de procesamiento a continuación en el presente documento descritas para evaluar la calidad de imagen de una imagen producida mediante un sistema de formación de imágenes de exploración. El almacén de instrucciones 240 puede comprender una ROM (p. ej., en forma de una memoria de solo lectura eléctricamente borrable y programable (EEPROM) o memoria flash) que se carga previamente con las instrucciones legibles por ordenador. Como alternativa, el almacén de instrucciones 240 puede comprender una RAM o un tipo similar de memoria, y las instrucciones legibles por ordenador pueden introducirse en la misma desde un producto de programa informático, tal como un medio de almacenamiento no transitorio legible por ordenador 250, tal como un CD-ROM, etc. o una señal legible por ordenador 260 que transporta las instrucciones legibles por ordenador. Debería observarse, sin embargo, que el aparato de las realizaciones descritas en la presente memoria pueden implementarse, como alternativa, en hardware no programable, tal como un circuito integrado específico de la aplicación (ASIC).

En la presente realización, una combinación 270 de los componentes de hardware mostrados en la Figura 2, que comprenden el procesador 220, la memoria de trabajo 230 y el almacén de instrucciones 240, está configurada para realizar funciones del módulo de adquisición de imágenes 110 y el módulo de cálculo 120, cuyas funciones se describirán ahora en detalle a continuación. En realizaciones como la presente realización ilustrada, donde el aparato 100 comprende un generador de señales de control 130, la funcionalidad de este componente opcional puede proporcionarse mediante la combinación 270 de los componentes de hardware junto con la I/F de comunicación 210.

Debido a los principios físicos de operación del sistema de formación de imágenes de exploración, las imágenes producidas de este modo tienden naturalmente a tener una calidad de imagen más alta (en términos de brillo, contraste y/o nitidez) en una porción de la imagen que contiene características de interés cuando el sistema está configurado óptimamente para representar estas características, siendo la calidad de imagen habitualmente menor en la parte restante de la imagen. Por ejemplo, en una exploración de retina de ejemplo obtenida mediante un SLO bien ajustado mostrado en la Figura 4, la calidad de imagen es mayor alrededor de una porción central de la imagen que contiene la fóvea del ojo y una parte sustancial de vasculatura de la retina, con el brillo, contraste y nitidez de imagen disminuyendo todos hacia los bordes superior e inferior de la imagen. El desalineamiento y/o la selección inapropiada de los componentes ópticos en el SLO, por ejemplo, pueden reducir un tamaño de la porción de la imagen con alta calidad de imagen y/o provocar que una ubicación de esa porción en la imagen se desplace de una forma que reduce la visibilidad de al menos algunas de las características de interés, conduciendo a una percepción de una calidad de imagen reducida. El inventor ha reconocido, por lo tanto, no únicamente una necesidad de encontrar una forma de evaluar automáticamente la calidad de imagen que produce resultados consistentes con una percepción humana de la calidad de imagen, sino también una necesidad de tener en cuenta cómo varía la calidad de imagen evaluada a través de la imagen.

Como será más evidente a partir de la siguiente descripción de las operaciones realizadas por el aparato 100 de la presente realización, el aparato 100 permite un indicador independiente de ruido de una nitidez y/o un contraste de partes de una imagen adquirida mediante un sistema de formación de imágenes de exploración que tiene que evaluarse, de una manera, vinculada inextricablemente a la tecnología informática, que proporciona un funcionamiento y un resultado que podría no lograrse por un observador humano o sistemas convencionales, en donde en el método en la presente memoria tanto el efecto de ruido en los valores de indicador (que provocaría que estos se desviasen de la calidad de imagen percibida) como la distribución espacial de los valores de indicador entre las partes se tienen en cuenta para producir una indicación objetiva y fiable de cómo la calidad general de la imagen es probable que se perciba por un observador humano.

El método y el aparato para evaluar la calidad de una imagen producida mediante un sistema de formación de imágenes de exploración que se describen en más detalle a continuación pueden ser útiles en un número de aplicaciones que incluyen control y tendencia de calidad de fabricación, autodiagnóstico automático para realizar seguimiento de la calidad durante la vida útil de un producto, informar de cambios de diseño y ayudar a ingenieros de servicios en campo.

La Figura 3 es un diagrama de flujo que ilustra un proceso por el que el aparato 100 evalúa la calidad de imagen de una imagen producida mediante el sistema de formación de imágenes de exploración.

En el proceso S10, el módulo de adquisición de imágenes 110 adquiere datos de imagen de una imagen producida mediante el SLO (como un ejemplo de un sistema de formación de imágenes de exploración), la imagen que se ha producido mediante el SLO explorando una parte de la retina de un ojo. Aunque el módulo de adquisición de imágenes 110 adquiere datos de imagen que representan una imagen de la retina en el proceso S10, los datos de imagen adquiridos no se limitan a definir una imagen de la retina, y pueden definir, como alternativa, una imagen de una tarjeta de prueba representada por el sistema de formación de imágenes de exploración, por ejemplo.

La Figura 4 muestra un ejemplo de la imagen de retina adquirida 410. Como se muestra en esta figura, la imagen 410 es más brillante, más nítida y tiene el mayor contraste en una porción central de la imagen, extendiéndose las regiones de la imagen 410 desde la porción central en una dirección vertical hacia los bordes superior e inferior, 414 y 415, respectivamente, de la imagen que tiene menor brillo, nitidez y contraste. Adicionalmente, la imagen 410 muestra una menor variación de estas calidades de imagen en una dirección horizontal a lo largo de la imagen.

Como parte del proceso S20, el módulo de cálculo 120 puede, como en la presente realización, designar, a continuación, una pluralidad de secciones de la imagen adquirida que cubren diferentes regiones de la imagen adquirida, por ejemplo, dividiendo la imagen en secciones no solapantes, de tal forma que cada sección cubre una región diferente de la imagen adquirida.

Más particularmente, el módulo de cálculo 110 puede, como se muestra en la Figura 4, designar una pluralidad de secciones de tal forma que las regiones cubiertas por la pluralidad designada de secciones de la imagen adquirida forman una pluralidad de tiras 411 que abarcan la imagen 410. Las tiras 411 están orientadas preferiblemente con respecto a la imagen 410 para maximizar la variación entre ("terceros") valores calculados descritos a continuación que son indicativos de calidad de imagen en las tiras. En el ejemplo de la Figura 4, dado que la mayor variación en calidad de imagen se produce a lo largo de la dirección vertical de la imagen, las tiras 411 están orientadas preferiblemente para extenderse horizontalmente para abarcar la imagen 410 entre un lado izquierdo 412 de la imagen y un lado derecho 413 de la imagen 410. Esta disposición horizontal de las tiras proporciona información más útil acerca de cómo la calidad de la imagen 410 varía espacialmente y, por lo tanto, cómo está funcionando el sistema de formación de imágenes de exploración que produjo la imagen.

En el proceso S20, el módulo de cálculo 120 calcula, para cada sección, un respectivo primer valor de una medida de nitidez y/o contraste de al menos una parte de la sección, dependiendo la medida del ruido en la al menos una parte de la sección. Un ejemplo de cómo el módulo de cálculo 120 puede realizar los cálculos en el proceso S20 se ilustra en la Figura 5.

Como se ilustra en la Figura 5, el módulo de cálculo 120 puede calcular los primeros valores para cada sección en S20:

(i) dividiendo la sección en subsecciones (S21);

(ii) calculando un respectivo valor que mide la nitidez y/o el contraste, para cada una de las subsecciones (S22); y

(iii) determinando el primer valor para la sección basándose en al menos uno de los valores calculados para las subsecciones en la etapa (ii) (S23).

En la presente realización, el primer valor se determina para cada sección en la etapa (iii) seleccionando un máximo de los valores calculados (en la etapa (ii)) para las subsecciones en esa sección. El primer valor para cada sección puede obtenerse, como alternativa, calculando la media de los valores calculados (en la etapa (ii)) para las subsecciones de esa sección, por ejemplo. Sin embargo, el primer enfoque reduce la influencia de subsecciones que no contienen ninguna característica de retina, de modo que se obtendría un valor superior de la medida para la sección en comparación con un caso en el que el primer valor se calcula para la sección como una media de los valores calculados para las subsecciones.

El módulo de cálculo 120 puede dividir (en la etapa (i)) cada sección en las subsecciones de cualquier forma adecuada. Por ejemplo, el módulo de cálculo 120 puede, como en la presente realización, dividir cada sección en subsecciones dividiendo cada una de las tiras 411 mostradas en la Figura 4 en una pluralidad de bloques 416. A modo de ejemplo, cada tira 411 se divide a lo largo en 10 bloques 416 en la Figura 4, aunque las tiras pueden dividirse más generalmente en un número mayor o menor de bloques.

Los primeros valores anteriormente mencionados pueden calcularse mediante el módulo de cálculo 120 de una de un número de diferentes formas. Por ejemplo, en la presente realización, el módulo de cálculo 120 calcula en la etapa (ii) el respectivo valor de la medida para cada uno de los bloques 416 generando en primer lugar una matriz de coocurrencia del nivel de gris (GLCM) normalizada para cada uno de los bloques 416 (aunque puede calcularse más generalmente una GLCM para dos o más de los bloques 416).

Para una imagen en escala de grises en la que cada píxel tiene una respectiva intensidad, la GLCM para esa imagen indica con qué frecuencia se produce un píxel de una cierta intensidad cerca de un píxel de otra cierta intensidad. Para ilustrar cómo puede calcularse la GLCM de acuerdo con una realización de ejemplo en la presente memoria, se hace referencia a la Figura 6, que es una ilustración esquemática de una imagen en escala de grises 610 que representa un bloque 416. En el presente ejemplo, una GLCM 620 derivada a partir de la imagen 610 registra cuántas veces un píxel de una primera intensidad (variando la intensidad de 1 a 8) se produce inmediatamente a la derecha de un píxel de una segunda intensidad, donde la primera intensidad se muestra en el eje horizontal y la segunda intensidad se muestra en el eje vertical.

Como se muestra en la GLCM 620, hay una ocurrencia en la imagen 610 de un píxel de intensidad 1 que se produce inmediatamente a la derecha de un píxel de intensidad 1. En la imagen 610, hay dos ocurrencias de un píxel de intensidad 2 que se produce inmediatamente a la derecha de un píxel de intensidad 1, como se muestra en la segunda columna de la primera fila de la GLCM 620. Sin embargo, no hay ninguna ocurrencia en la imagen 610 de un píxel de intensidad 1 que se produce inmediatamente a la derecha de un píxel de intensidad 2, como se muestra en la primera columna de la segunda fila de la GLCM 620.

El módulo de cálculo 120 puede calcular, a continuación, como el respectivo primer valor en la etapa (iii) anterior, una característica de textura basándose en una forma normalizada de la GLCM, donde la característica de textura proporciona una medida de al menos uno de una nitidez, brillo o contraste del bloque 416.

Un ejemplo de una característica de textura que tiene esta propiedad es la característica de textura de 'entropía' (como se analiza en la publicación titulada "Textural Features for Image Classification" por R. M. Haralick et al., IEEE Transactions on Systems, Man, and Cybernetics, Vol. SMC-3, N.° 6, páginas 610-621, noviembre de 1973).

Debería observarse que en la etapa (iii) pueden calcularse, como alternativa, otras características de textura basándose en la GLCM normalizada como una medida de la nitidez y/o el contraste del bloque 416. Dos ejemplos de la medida, cuyos valores pueden configurarse el módulo de cálculo 120 para calcular en el proceso S20, son las siguientes medidas de información de correlación:

....

M 1 = H —X—Y- -H---X--Y--Í-y

máx{HX,HY} 1

i

M 2 = ( l - e - 2 ( H X Y 2 - H X Y ) y f

donde HXY, HXY1, HX, HYy HXY2 se definen como:

donde p{i,j) es el (/,j)-ésimo elemento de matriz de la matriz de coocurrencia del nivel de gris normalizada (GLCM), N^g es un número de niveles de gris en píxeles de la imagen, y donde p^x (i) y p^y (j) se definen como:

Px( o V ^p(i,J );

J=1 y

iv,

A modo de ejemplo, el módulo de cálculo 120, en una realización de ejemplo en la presente memoria, se dispone para calcular, como la medida de la nitidez y/o el contraste del bloque 416, la característica de textura basándose en la 1

f i _ „-2(HXY2-HXY)\2

expresión v-1 e J indicada anteriormente.

Las Figuras 7(a) y 7(b) ilustran cómo el valor de esta característica de textura varía con grado variable de desenfoque en la imagen y grado variable de contraste de la imagen, respectivamente.

La Figura 7(a) muestra el valor de característica de textura 700 (eje y) dibujada como una función de aumento de desenfoque (eje x), es decir, disminución de nitidez. Como se muestra en la Figura 7(a), el valor de la característica de textura disminuye a medida que aumenta el grado de desenfoque (o la nitidez disminuye).

La Figura 7(b) muestra el valor de la característica de textura 700 (eje y) dibujada como una función de contraste (eje x). Como se muestra en la Figura 7(b), el valor de la característica de textura aumenta a medida que aumenta el contraste.

Esta característica de textura aparece, por lo tanto, como una buena candidata para calcular una indicación de cómo la calidad de imagen (en términos de nitidez y contraste al menos) del bloque 416 es probable que se perciba por un observador. Sin embargo, los valores de la característica de textura se ven afectados por ruido aleatorio en la imagen, como se ilustra en la Figura 7(a). Para compensar al menos parcialmente la dependencia del ruido, y haciendo referencia de nuevo al proceso de la Figura 3, el módulo de cálculo 120 calcula en el proceso S30 de la Figura 3 un segundo valor que proporciona una medida de una cantidad de ruido en uno o más de los bloques 416, y combina los primeros y segundos valores calculados para obtener un tercer valor resultante, de tal forma que los terceros valores calculados son sustancialmente independientes del ruido o al menos varían menos con la cantidad de ruido que los primeros valores calculados. A continuación, se proporcionan detalles adicionales del proceso S30.

Debería observarse que, de acuerdo con una realización de ejemplo, el módulo de cálculo 120 no necesita basarse en el procesamiento de una GLCM para calcular los respectivos primeros valores de la medida de nitidez y/o contraste para los bloques 416. Por ejemplo, en una realización alternativa, el módulo de cálculo 120 puede disponerse para calcular el respectivo primer valor para cada subsección como una entropía de la al menos una parte de la subsección. La entropía es una medida estadística de aleatoriedad que puede usarse para caracterizar la textura de una imagen de entrada. Para calcular una entropía de al menos una parte de una subsección, puede generarse un histograma de las intensidades de píxel P(X) en la al menos una parte de la subsección. Para cada nivel de intensidad 1 a n en la al menos parte de la subsección, el histograma P(X) tiene un respectivo bin. En el histograma P(X) que tiene n bins, xi (i = 1,..., n) es el /ésimo nivel de intensidad y P(xi) es una fracción de píxeles en la al menos parte de la subsección que tienen un valor de intensidad o de píxel de Xi, es decir, la fracción de píxeles en el iésimo bin del histograma, y donde X1 a xn son n niveles de cuantificación en que se cuantifican los valores de píxeles de los datos de imagen. Una entropía de al menos parte de la subsección puede definirse como:

El proceso S30 se describirá ahora en más detalle. En el proceso S30, el módulo de cálculo 120 calcula, para cada sección de imagen, un respectivo segundo valor que proporciona una medida de ruido en al menos una parte de la sección. Por ejemplo, el módulo de cálculo 120 puede disponerse para calcular cada uno de los segundos valores aplicando el método de Immerkaer a al menos una porción o parte de la tira 411 (por ejemplo, uno o más de los bloques 416) o, como en la presente realización, a toda la tira 411, en donde la tira 411 puede formar un todo o parte de la sección.

El método de Immerkaer puede ser particularmente adecuado para el propósito de calcular un respectivo segundo valor para su uso en la evaluación de la calidad de imagen de una imagen producida mediante un sistema de formación de imágenes de exploración porque puede usarse para proporcionar una estimación local de varianza de ruido en un caso en el que la varianza de ruido varía a través de la imagen.

El ruido se estima habitualmente usando el método de Immerkaer usando la siguiente ecuación:

ruldo

región o tira de imagen l t K

donde H y l/Vson la altura y anchura de la imagen I respectivamente, y * indica la convolución de dos matrices, en este caso de la imagen I con núcleo K.

El módulo de cálculo 120 puede disponerse como alternativa para calcular cada uno de los segundos valores calculando una medida estadística de ruido en la al menos una parte de la sección que es indicativa de una varianza de valores de píxel en la al menos una parte de la sección. Como una alternativa adicional, el módulo de cálculo 120 puede disponerse para calcular cada uno de los segundos valores generando una GLCM normalizada para la al menos una parte de la sección y calcular, como el segundo valor, una medida de varianza basándose en la GLCM normalizada, en donde la medida de varianza se calcula usando una de:

f 10 = varianza de p x- y,

en donde p(i,j) es el (ij)-ésimo elemento de matriz en la GLCM normalizada, N^g es un número de niveles de gris en píxeles de la imagen, p es una media de p(ij), y p^x+y, p^x-y y fe se definen como:

2 Ng

f a = - ^ P * y ( 0 l o g { p x+y(¿)}.

i = 2

En la presente realización, en la que el módulo de cálculo 120 se dispone para generar una GLCM normalizada para su uso en calcular cada uno de los segundos valores, la GLCM puede generarse como se ha descrito anteriormente en relación con el cálculo de los primeros valores.

En el proceso S40 de la Figura 3, el módulo de cálculo 120 calcula, para cada tira 411, un respectivo tercer valor indicativo de una calidad de imagen de la sección que contiene la tira 411 combinando el primer valor calculado con el segundo valor calculado. El módulo de cálculo 130 combina los primeros y segundos valores calculados de tal forma que los terceros valores calculados tienen una dependencia más débil del ruido que los primeros valores calculados.

Como un ejemplo, el módulo de cálculo 120 puede, como en la presente realización, calcular el respectivo tercer valor para cada sección dividiendo el primer valor calculado por el segundo valor calculado. El módulo de cálculo 120 puede calcular, como alternativa, el respectivo tercer valor para cada sección dividiendo el segundo valor calculado por el primer valor calculado.

En el proceso S50 de la Figura 3, el módulo de cálculo 130 determina una puntuación de calidad que es indicativa de una calidad de imagen de la imagen 410 basándose en una variación de los terceros valores calculados entre las tiras 411.

Los terceros valores calculados pueden, como en la presente realización, variar entre las tiras con una distribución que tiene una cresta, como se muestra en la Figura 8.

Más particularmente, la Figura 8 es un esquema que muestra una representación de cómo al menos parte del procedimiento de la Figura 3 se realiza mediante el módulo de cálculo 120 para calcular la puntuación de calidad, de acuerdo con una realización de ejemplo en la presente memoria. El módulo de cálculo 120 calcula el primer valor analizado anteriormente para la i-ésima tira 411 tomando un valor máximo A ⁱ entre los primeros valores calculados para los bloques 416 (en la etapa S20), aplica el método de Immerkaer a los datos de imagen de toda la i-ésima tira 411 para calcular el segundo valor analizado anteriormente (etiquetado Bⁱ en la Figura 8) (etapa S30), calcular Cⁱ = A ⁱ/B ⁱ como el tercer valor que es indicativo de la calidad de imagen de la tira 411 (etapa S40), repite estos cálculos para todas las tiras 411 para generar un perfil de variación espacial 800 que muestra cómo los terceros valores calculados varían entre las tiras 411 y, por lo tanto, espacialmente a través de la imagen 410, y determina (en la etapa S50) una puntuación de calidad que es indicativa de la calidad de imagen general de la imagen basándose en el perfil de variación espacial 800. Como se ilustra en la Figura 8, los terceros valores calculados varían entre las secciones 411 con una distribución que tiene una cresta.

El módulo de cálculo 120 puede, como en la presente realización, disponerse para determinar la puntuación de calidad determinando al menos uno de un valor de la cresta, una planitud del perfil de variación espacial 800, una anchura del perfil de variación espacial 800 y una tasa de caída del perfil de variación espacial 800.

El tercer valor Cⁱ puede calcularse mediante la relación de Aⁱ/B ⁱ. En una realización alternativa, las potencias (e, f) pueden usarse para equilibrar los dos términos, tales como Cⁱ= A ^f/B ^f.

La Figura 9 muestra un perfil de variación espacial 900 del parámetro de interés, que se basa en el tercer valor calculado (y puede, como en la presente realización, ser simplemente el tercer valor, o más generalmente ser indicativo del tercer valor). El perfil de variación espacial 900 puede generarse como se ha descrito con referencia a la Figura 8.

El perfil de variación espacial 900 tiene una línea central de cresta 910 y una línea central de imagen 920. La altura CE representa el desplazamiento entre la línea central de cresta 910 y una línea central de imagen 920.

En una imagen ideal producida mediante un sistema de formación de imágenes de exploración, la cresta óptima de la distribución espacial del parámetro podría producirse, por ejemplo, en el centro de la imagen. Como se ha analizado anteriormente, el desalineamiento de componentes del sistema de formación de imágenes de exploración puede resultar en un desplazamiento del centro de la imagen de la porción de la imagen que tiene la mayor calidad. El desplazamiento CE puede compararse con un cierto umbral. Si el desplazamiento CE excede el umbral porque la línea central de cresta de brillo 910 está significativamente desplazada de la línea central de imagen 920, la puntuación de calidad puede establecerse igual a cero. Como alternativa, puede visualizarse un aviso para el operador.

Si la puntuación de calidad está fuera de un intervalo aceptado, esto puede indicar que el sistema de formación de imágenes de exploración está configurado incorrectamente. Por consiguiente, el desplazamiento CE puede usarse como una métrica para evaluar el funcionamiento de sistema del sistema de formación de imágenes de exploración.

La distancia C* indica una diferencia entre el valor de cresta 930 del perfil y un valor que es una atenuación del 30 % del valor de cresta del perfil. Las distancias A y B son las distancias desde un punto 940 en el parámetro de línea central de cresta de interés 910 que es una atenuación del 30 % del valor de cresta a un punto (950, 960) en el perfil directamente por encima o debajo de este punto. Las distancias A y B representan la extensión por encima y por debajo del parámetro de línea central de cresta de interés 910, respectivamente, para las que el brillo de las secciones es una atenuación del 30 % o menor del valor de cresta. Por consiguiente, las distancias A, B y C* pueden usarse para determinar la planitud, anchura y tasa de caída del perfil de variación espacial.

En particular, la planitud del perfil de variación espacial puede definirse como 1/C*. La anchura del perfil de variación espacial puede definirse como A B, y la tasa de caída del perfil puede definirse como C/A para la porción de la imagen por encima del parámetro de línea central de cresta de interés 910, y como C/B para la porción de la imagen por debajo del parámetro de línea central de cresta de interés 910.

En una imagen satisfactoria producida mediante un sistema de formación de imágenes de exploración, el parámetro de interés debería permanecer los suficientemente alto a través de al menos una porción de la imagen que contiene características de interés de modo que estas características son claramente discernibles. Por consiguiente, donde la tasa de caída del perfil de variación espacial 900 es alta, esto proporciona una indicación de que existe una pérdida significativa de la calidad de imagen hacia los bordes superior e inferior de la imagen. Por lo tanto, una tasa de caída que excede un valor predeterminado puede ser indicativa de que el sistema de formación de imágenes de exploración no está funcionando correctamente.

Adicionalmente, en casos en los que el perfil de variación espacial 900 es muy plano, esto es indicativo de una calidad de imagen que permanece relativamente constante hacia los bordes superior e inferior de la imagen. Por lo tanto, donde un valor de planitud del perfil de variación espacial 900, por ejemplo 1/C* como en la presente realización, es menor que un valor predeterminado, esto puede ser indicativo de que el sistema de formación de imágenes de exploración no está funcionando correctamente.

Donde el perfil de variación espacial 900 es muy amplio, esto es indicativo de que el parámetro de la calidad de imagen permanece relativamente constate hacia los bordes superior e inferior de la imagen. Por lo tanto, donde la anchura del perfil 900 es menor que un valor predeterminado, esto puede ser indicativo de que el sistema de formación de imágenes de exploración no está funcionando correctamente.

Una vez que el perfil de variación espacial que es indicativo de la variación de los terceros valores calculados entre las secciones se ha calculado, el generador de señales de control de visualización 130 (si se incluye en el aparato 100) puede generar señales de control de visualización para controlar el dispositivo de visualización para visualizar el perfil de variación espacial.

Los procedimientos realizados por el módulo de cálculo 120 pueden realizarse en cualquier perfil de calidad. Puede usarse para uno o más de los primeros, segundos o terceros valores, o de hecho el perfil de brillo de la imagen donde el brillo puede calcularse integrando la imagen sobre filas y columnas.

[Modificaciones]

El orden en el que se realizan algunos de los procesos mediante los componentes del aparato 100 para evaluar la calidad de imagen puede variarse. Por ejemplo, el orden en el que se realizan los procesos S20 y S30 en la Figura 3 puede invertirse. Adicionalmente, aunque el módulo de cálculo 120 puede, como en la presente realización, calcular primero un primer valor para cada una de las secciones, calcular, a continuación, un segundo valor para cada una de las secciones y, a continuación, calcular un tercer valor para cada una de las secciones, el módulo de cálculo 120 puede calcular, como alternativa, un respectivo primer valor, un respectivo segundo valor y un respectivo tercer valor para cada sección, antes de calcular primeros, segundos y terceros valores para la siguiente sección.

Adicionalmente, en las realizaciones anteriores, el módulo de adquisición de imágenes 110 o el módulo de cálculo 120 designa una pluralidad de secciones de tal forma que las regiones cubiertas por la pluralidad designada de secciones de la imagen adquirida forman una pluralidad de tiras 411 que abarcan la imagen 410. Sin embargo, las secciones pueden designarse de cualquier otra forma adecuada. Por ejemplo, en una realización alternativa, el módulo de adquisición de imágenes 110 o el módulo de cálculo 120 puede designar una pluralidad de secciones de tal forma que las regiones cubiertas por las secciones designadas de la imagen adquirida forman una matriz bidimensional de bloques. Tales bloques pueden ser similares al bloque 416 como se muestra en la Figura 4. En tales variantes, el módulo de cálculo 120 puede disponerse para determinar la puntuación de calidad basándose en una variación espacial de los terceros valores entre la matriz bidimensional de bloques.

En una realización alternativa el perfil puede analizarse a lo largo de las tiras verticales en lugar de las horizontales. Esto puede ser a lo largo de cualquiera del eje x o y.

En la realización anterior, el módulo de adquisición de imágenes 110 o el módulo de cálculo 120 designa las secciones dividiendo la imagen en secciones no solapantes, cada de las cuales cubre una región diferente de la imagen adquirida. El módulo de adquisición de imágenes 110 o el módulo de cálculo 120 puede designar, como alternativa, las secciones de tal forma que cada una de las secciones cubre una región diferente de la imagen adquirida, y las regiones cubiertas por las secciones tienen algún grado (preferiblemente pequeño) de solapamiento. Las respectivas regiones cubiertas por las secciones designadas pueden solaparse en una o más direcciones.

Por medio de un ejemplo adicional, en las realizaciones anteriores, el módulo de cálculo 120 divide la sección en subsecciones dividiendo cada tira 411 en bloques no solapantes 416. Sin embargo, en una realización alternativa, los bloques pueden tener algún grado de solapamiento. Adicionalmente, el módulo de cálculo 120 puede dividir la sección 411 en subsecciones dividiendo cada una de las tiras 411 en (sub)tiras adicionales que se extienden a lo largo de las mismas direcciones que las tiras 411.

En las realizaciones anteriores, la GLCM registra cuántas veces se produce un primer píxel de una cierta intensidad inmediatamente a la derecha de un segundo píxel de otra cierta intensidad en el bloque 416. Sin embargo, en otras realizaciones, la GLCM puede calcularse usando cualquier otra clase adecuada de disposición espacial entre el primer y segundo píxeles, por ejemplo, donde el segundo píxel está a la izquierda, encima, debajo o se dispone diagonalmente al primer píxel, no siendo necesario que el segundo píxel sea adyacente al primer píxel.

En las realizaciones anteriores, los terceros valores calculados varían entre las secciones con una distribución que tiene una cresta, y el módulo de cálculo 120 se dispone para determinar la puntuación de calidad determinando (en la etapa S50 de la Figura 3) al menos uno de un valor de la cresta, una planitud de la distribución, una anchura de la distribución y una tasa de caída de la distribución. En una realización alternativa, la etapa S50 puede incluir, como alternativa, las etapas representadas en la Figura 10, en donde el módulo de cálculo 120 se dispone para determinar la puntuación de calidad mediante los procesos de:

(i) agrupación de las secciones en grupos de tal forma que cada uno de los grupos comprende una respectiva o más de las secciones (S51);

(ii) asignación de un respectivo umbral predeterminado a cada uno de los grupos (S52);

(iii) para al menos algunas de las secciones, comparación del tercer valor calculado para la sección con el umbral predeterminado que se ha asignado al grupo al que pertenece la sección (S53); y

(iv) determinación de la puntuación de calidad basándose en la comparación en el proceso (iii) (S54).

En esta variante, los grupos de secciones y el respectivo umbral para cada grupo puede elegirse para reflejar mejor la variación esperada de los terceros valores en una imagen ideal entre las secciones. Como alternativa, en otra realización, el módulo de cálculo 120 puede disponerse para determinar la puntuación de calidad basándose en comparaciones de al menos algunos de los terceros valores calculados con respectivos umbrales predeterminados.

Por medio de una alternativa adicional, en otra realización, el módulo de cálculo 120 puede disponerse para determinar la puntuación de calidad basándose en comparaciones de al menos algunos de los terceros valores calculados con un único umbral predeterminado.

En la descripción anterior, aspectos de ejemplo se describen con referencia a varias realizaciones de ejemplo. Por consiguiente, la memoria descriptiva debería considerarse como ilustrativa, en lugar de restrictiva. De manera similar, las figuras ilustradas en los dibujos, que destacan la funcionalidad y ventajas de las realizaciones de ejemplo, se presentan para propósitos de ejemplo únicamente. La arquitectura de las realizaciones de ejemplo es lo suficientemente flexible y configurable, de tal forma que puede utilizarse (y navegarse) de formas diferentes de las mostradas en las figuras adjuntas.

Las realizaciones de software de los ejemplos presentados en la presente memoria pueden proporcionarse como un programa informático, o software, tal como uno o más programas que tienen instrucciones o secuencias de instrucciones, incluidas o almacenadas en un artículo de fabricación, tal como un medio accesible por máquina o legible por máquina, un almacén de instrucciones o dispositivo de almacenamiento legible por ordenador, cada uno de los cuales puede ser no transitorio, en una realización de ejemplo. El programa o instrucciones en el medio accesible por máquina no transitorio, medio legible por máquina, almacén de instrucciones o dispositivo de almacenamiento legible por ordenador, puede usarse para programar un sistema informático u otro dispositivo electrónico. El medio legible por máquina o por ordenador, almacén de instrucciones y dispositivo de almacenamiento pueden incluir, pero no se limitan a, discos flexibles, discos ópticos y discos magneto-ópticos u otros tipos de medios/medio legible por máquina/almacén de instrucciones/dispositivo de almacenamiento adecuado para almacenar o transmitir instrucciones electrónicas. Las técnicas descritas en la presente memoria no se limitan a ninguna configuración de software particular. Pueden encontrar aplicabilidad en cualquier entorno informático o de procesamiento. Los términos "legible por ordenador", "medio accesible por máquina", "medio legible por máquina", "almacén de instrucciones" y "dispositivo de almacenamiento legible por ordenador" usados en la presente memoria incluirán cualquier medio que es capaz de almacenar, codificar o transmitir instrucciones o una secuencia de instrucciones para su ejecución por la máquina, ordenador o procesador informático y que provoca que la máquina/ordenador/procesador informático realice uno cualquiera de los métodos descritos en la presente memoria. Adicionalmente, es común en la técnica hablar de software, en una forma u otra (p. ej., programa, procedimiento, proceso, solicitud, módulo, unidad, lógica y así sucesivamente), como tomando una acción o provocando un resultado. Tales expresiones son solamente una forma abreviada de exponer que la ejecución del software mediante un sistema de procesamiento provoca que el procesador realice una acción para producir un resultado.

Algunas realizaciones también pueden implementarse mediante la preparación de circuitos integrados específicos de la aplicación, matrices de puertas programables en campo o interconectando una red apropiada de circuitos de componente convencionales.

Algunas realizaciones incluyen un producto de programa informático. El producto de programa informático puede ser un medio o medios de almacenamiento, almacén o almacenes de instrucciones o dispositivo o dispositivos de almacenamiento, que tienen instrucciones almacenadas en los mismos o en los mismos que pueden usarse para controlar, o provocar, que un ordenador o procesador informático realice cualquiera de los procedimientos de las realizaciones de ejemplo descritas en la presente memoria. El medio de almacenamiento/almacén de instrucciones/dispositivo de almacenamiento puede incluir, mediante ejemplo y sin limitación, un disco óptico, una ROM, una RAM, una EPROM, una EEPROM, una DRAM, una VRAM, una memoria flash, una tarjeta flash, una tarjeta magnética, una tarjeta óptica, nanosistemas, un circuito integrado de memoria molecular, una RAID, almacenamiento/archivo/almacenaje de datos remoto y/o cualquier otro tipo de dispositivo adecuado para almacenar instrucciones y/o datos.

Almacenado en uno cualquiera del medio o medios legibles por ordenador, almacén o almacenes de instrucciones o dispositivo o dispositivos de almacenamiento, algunas implementaciones incluyen software para controlar tanto el hardware del sistema y para habilitar que el sistema o microprocesador interactúe con un usuario humano u otro mecanismo que utiliza los resultados de las realizaciones de ejemplo descritas en la presente memoria. Tal software puede incluir sin limitación controladores de dispositivo, sistemas operativos y aplicaciones de usuario. Finalmente, tal medio legible por ordenador o dispositivo o dispositivos de almacenamiento incluyen adicionalmente software para realizar aspectos de ejemplo de la invención, como se ha descrito anteriormente.

En la programación y/o software del sistema se incluyen módulos de software para implementar los procedimientos descritos en la presente memoria. En algunas realizaciones de ejemplo en la presente memoria, un módulo incluye software, aunque en otras realizaciones de ejemplo en la presente memoria, un módulo incluye hardware o una combinación de hardware y software.

Mientras diversas realizaciones de ejemplo de la presente invención se han descrito anteriormente, debería entenderse que se han presentado a modo de ejemplo, y no como limitación. La presente invención no debería limitarse por ninguna de las realizaciones de ejemplo anteriormente descritas, sino que deberían definirse únicamente de acuerdo con las siguientes reivindicaciones.

Claims

REIVINDICACIONES

1. Un método de evaluación de calidad de imagen de una imagen producida mediante un sistema de formación de imágenes de exploración, comprendiendo el método:

adquirir (S10), mediante un módulo de adquisición de imágenes (110), datos de imagen de una imagen producida mediante el sistema de formación de imágenes de exploración;

calcular (S20 a S40), mediante un módulo de cálculo (120), para cada sección (411) de una pluralidad de secciones (411) de la imagen que cubren diferentes regiones de la imagen

un respectivo primer valor de una medida de al menos uno de una nitidez o un contraste de al menos una parte de la sección (411), dependiendo la medida del ruido en la al menos una parte de la sección,

un respectivo segundo valor que proporciona una medida de ruido en al menos una parte de la sección (411), caracterizado por calcular adicionalmente, mediante el módulo de cálculo (120), para cada una de la pluralidad de secciones (411) de la imagen que cubren diferentes regiones de la imagen,

un respectivo tercer valor indicativo de una calidad de imagen de la sección combinando el respectivo primer valor calculado con el respectivo segundo valor calculado,

en donde, en el cálculo del respectivo tercer valor para cada una de la pluralidad de secciones (411) de la imagen, el respectivo primer valor calculado y el respectivo segundo valor calculado se combinan de tal forma que los terceros valores calculados para respectivas secciones de la pluralidad de secciones (411) tienen una dependencia más débil del ruido que los primeros valores calculados para respectivas secciones de la pluralidad de secciones (411); y determinar (S50) una puntuación de calidad que es indicativa de una calidad de imagen de la imagen basándose en una variación de los terceros valores calculados entre las secciones (411).

2. El método de la reivindicación 1, en donde cada uno de los segundos valores se calcula (S30) mediante al menos uno de

procesamiento de la al menos una parte de la sección (411) usando el método de Immerkaer,

cálculo de una medida estadística de ruido en la al menos una parte de la sección (411), y

generación de una matriz de coocurrencia del nivel de gris, GLCM, normalizada para la al menos una parte de la sección (411) y cálculo, como el segundo valor, de una medida de varianza basándose en la GLCM normalizada, en donde la medida de varianza se calcula usando una cualquiera de:

f 10 = varianza de p x-y,

en donde p(i,j) es un (/',y)-ésimo elemento de matriz en la GLCM normalizada, N^g es un número de niveles de gris en píxeles de la imagen, g es una media de p(ij), y P^x+y, P^x-y y fe se definen, respectivamente, como:

N q

^ p ( i , j ) , k = 0,1, ...,Ng 1;

i = i

|i-7|=fc y

2 Ng

f a = - ^ P x y ( O lo g { p x+y(0}-i —2

3. El método de la reivindicación 1 o la reivindicación 2, en donde el respectivo primer valor se calcula (S20) para cada sección (411) usando una expresión que define una entropía de la al menos una parte de la sección, en donde la expresión es:

- ) P(Xi) log2{P(x¿)}

i =1

y en donde P(x¡) indica una fracción de píxeles en la al menos parte de una subsección que tiene un valor de píxel de x¡, donde X1 a xn son n niveles de cuantificación en los que se cuantifican los valores de píxel de los datos de imagen.

4. El método de la reivindicación 1 o la reivindicación 2, en donde el respectivo primer valor de la medida del al menos uno de la nitidez o el contraste de al menos una parte de la sección (411) se calcula (S20) para cada sección (411): generando una matriz de coocurrencia del nivel de gris, GLCM, normalizada para la al menos una parte de la sección (411); y

calculando, como el primer valor, una característica de textura basándose en la GLCM normalizada, en donde la característica de textura se calcula usando una cualquiera de las siguientes:

M 2 = ( i - e- 2íHxY2~HxY) y

en donde HXY, HXY1, HX, H Y y HXY2se definen como:

en donde p(i,j) es un (ij)-ésimo elemento de matriz de la GLCM normalizada, N^g es un número de niveles de gris en píxeles de la imagen, y en donde p^x (i) y pyj) se definen como:

N n

Px( 0 ^ p ( U ) ;

7=1 y

N n

Py 0 ) ^ P ( U ) -i= l

5. El método de la reivindicación 4, en donde la GLCM registra cuántas veces aparece un píxel de una intensidad adyacente a otro píxel de otra intensidad.

6. El método de cualquier reivindicación anterior, en donde los primeros valores se calculan (S20) para cada sección (411):

dividiendo (S21) la sección en subsecciones (416);

calculando (S22) un respectivo valor de una medida del al menos uno de la nitidez o el contraste de al menos una parte de la sección (411) para cada una de las subsecciones (416); y

determinando (S23) el primer valor para la sección (411) basándose en al menos uno de los valores calculados para las subsecciones (416).

7. El método de la reivindicación 6, en donde el primer valor para la sección (411) se calcula (S20) como uno de una media de los valores calculados para las subsecciones (416) o un máximo de los valores calculados para las subsecciones (416).

8. El método de cualquier reivindicación anterior, en donde el respectivo tercer valor se calcula (S40) para cada sección (411) dividiendo uno del primer valor calculado y el segundo valor calculado por el otro del primer valor calculado y el segundo valor calculado.

9. El método de cualquier reivindicación anterior, en donde la puntuación de calidad se determina (S50) basándose en comparaciones de al menos algunos de los terceros valores calculados con respectivos umbrales predeterminados.

10. El método de la reivindicación 9, en donde la puntuación de calidad se determina (S50) mediante procesos de: (i) agrupamiento (S51) de las secciones en grupos de tal forma que cada uno de los grupos comprende una respectiva o más de las secciones (411);

(ii) asignación (S52) de un respectivo umbral predeterminado a cada uno de los grupos;

(iii) para al menos algunas de las secciones, comparación (S53) del tercer valor calculado para la sección (411) con el umbral predeterminado que se ha asignado al grupo al que pertenece la sección; y

(iv) determinación (S54) de la puntuación de calidad basándose en la comparación en el proceso (iii).

11. El método de una cualquiera de las reivindicaciones 1 a 8, en donde los terceros valores calculados varían entre las secciones (411) con una distribución que tiene una cresta, y la puntuación de calidad se determina determinando al menos uno de un valor de la cresta, una planitud de la distribución, una anchura de la distribución y una tasa de caída de la distribución.

12. El método de cualquier reivindicación anterior, en donde las regiones cubiertas por la pluralidad de secciones de la imagen adquirida forman una de una matriz de tiras (411) o una matriz bidimensional de bloques (416).

13. El método de cualquier reivindicación anterior, que comprende adicionalmente:

generar señales de control de visualización para controlar un dispositivo de visualización para visualizar un perfil de variación espacial indicativo de la variación de los terceros valores calculados entre las secciones.

14. Un programa informático que comprende instrucciones que, cuando se ejecutan por un procesador (220), provocan que el procesador (220) ejecute un método según cualquier reivindicación precedente.

15. Un aparato (100) para evaluar calidad de imagen de una imagen producida mediante un sistema de formación de imágenes de exploración, comprendiendo el aparato:

un módulo de adquisición de imágenes (110) dispuesto para adquirir (S10) datos de imagen de una imagen producida mediante el sistema de formación de imágenes de exploración; y

un módulo de cálculo (120) dispuesto para calcular, para cada sección (411) de una pluralidad de secciones (411) de la imagen que cubren diferentes regiones de la imagen

un respectivo segundo valor que proporciona una medida de ruido en al menos una parte de la sección (411), caracterizado por que el módulo de cálculo (120) se dispone adicionalmente para calcular, para cada una de la pluralidad de secciones (411) de la imagen que cubren diferentes regiones de la imagen,

en donde el módulo de cálculo (120) se dispone para

combinar el respectivo primer valor calculado y el respectivo segundo valor calculado en el cálculo del respectivo tercer valor para cada una de la pluralidad de secciones (411) de la imagen de tal forma que los terceros valores calculados para respectivas secciones de la pluralidad de secciones (411) tienen una dependencia más débil del ruido que los primeros valores calculados para respectivas secciones de la pluralidad de secciones (411), y determinar una puntuación de calidad que es indicativa de una calidad de imagen de la imagen basándose en una variación de los terceros valores calculados entre las secciones (411).