Επεξεργασία Εικόνας Εργασία επεξεργασίας εικόνων, που αναπαριστούν τομή εγκεφάλου και τομή αδένα προστάτη Μπαρμπούτης Παναγιώτης
Α) ΦΙΛΤΡΑ ΟΞΥΝΣΗΣ Αρχικά θα μελετήσουμε την εικόνα από το MRI αρχείο της πρώτης εργασίας. Εικόνα χωρίς επεξεργασία. (Εικόνα 1) Εικόνα 1
1) Εικόνα με το εφαρμογή του φίλτρου του Sobel. (Εικόνα 2) Εικόνα 2 Εικόνα με το εφαρμογή του φίλτρου του Prewitt. (Εικόνα 3) Εικόνα 3
Οι διαφορές που παρατηρούνται στην εφαρμογή των φίλτρων του Sobel και του Prewitt είναι ελάχιστες. Και τα δύο είναι φίλτρα όξυνσης των ακμών, με μικρή διαφορά μεταξύ των μασκών τους. Οπότε και το αποτέλεσμα είναι παρόμοιο. Με μεγένθυνση των δύο εικόνων, παρατηρούμε ότι με το φίλτρο του Sobel έχουμε καλύτερο αποτέλεσμα στην όξυνση των ακμών. 2) Εικόνα με εφαρμογή του Laplacian φίλτρου, με τους 4 γείτονες. (Εικόνα 4) Εικόνα 4
Εικόνα με εφαρμογή του Laplacian φίλτρου, με τους 8 γείτονες. (Εικόνα 5) Εικόνα 5 Με την εφαρμογή του Laplacian φίλτρου με τους 8 γείτονες παρατηρούμε ότι έχουν χαθεί οι λεπτομέρειες και έχουν μείνει έντονες οι ακμές της εικόνας. Το φίλτρο «προσπαθεί» να κάνει ευκρινέστερη την εικόνα αλλά με αυτόν τον τρόπο στην συγκεκριμένη εικόνα χάνονται οι λεπτομέρειες. 3) Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες φαίνεται στην παρακάτω εικόνα. (Εικόνα 6)
Διασπορά: 2.1338e+006. Εικόνα 6 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες φαίνεται στην παρακάτω εικόνα. (Εικόνα 7) Εικόνα 7
Διασπορά: 3.7600e+006. Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας στις εικόνες που εφαρμόσαμε Laplacian φίλτρο με γείτονες 4 και 8 είναι να έχουμε ευκρινέστερες και με περισσότερη λεποτομέρεια εικόνες από τις αντίστοιχες αυτών που εφαρμόσαμε μόνο Laplacian φίλτρο. 4) Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=0,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 8) Εικόνα 8
Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=1,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 9) Εικόνα 9
Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=2,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 10) Εικόνα 10
Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=0,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 11) Εικόνα 11
Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=1,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 12) Εικόνα 12
Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=2,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 13) Εικόνα 13 Στην εφαρμογή Laplacian φίλτρου μετά από Gaussian φίλτρο μας δίνει σαν αποτέλεσμα να αυξηθεί η λεπτομέρεια στις εικόνες σε σχέση με την εφαρμογή μόνο του Laplacian φίλτρου. Αυξημένες λεπτομέρειες έχουμε όταν το σ είναι μικρό κατά το Gaussian φίλτρο. Όσο αυξάνεται το σ, χάνονται και λεπτομέρειες. Η φωτεινότητα στο σύνολο της εικόνας αυξάνεται όσο αυξάνεται το σ κατά το Gaussian φίλτρο.
5) Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=0,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 14) Διασπορά: 1.8349e+006 Εικόνα 14
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=1,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 15) Διασπορά: 1.5920e+006 Εικόνα 15
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=2,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 16) Διασπορά: 1.5814e+006 Εικόνα 16
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=0,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 17) Διασπορά: 2.8064e+006 Εικόνα 17
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=1,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 18) Διασπορά: 2.0731e+006 Εικόνα 18
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=2,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 19) Διασπορά: 2.0477e+006 Εικόνα 19 6) Παρατηρούμε ότι κατά την εφαρμογή του Laplacian φίλτρου με 4 γείτονες η διασπορά είναι χαμηλή σε σύγκριση με τα αποτελέσματα της πρώτης εργασίας που πραγματοποίησα. Ενώ κατά την εφαρμογή του Laplacian φίλτρου με 8 γείτονες έχουμε την μεγαλύτερη τιμή διασποράς σε σύγκριση και πάλι με την πρώτη εργασία. Κατά την εφαρμογή του Laplacian φίλτρου μετά από το Gaussian φίλτρο παρατηρούμε ότι η
διασπορά μείωνεται όσο αυξάνεται το σ κάτι που το είχαμε παρατηρήσει και στην πρώτη εργασία. Η διασπορά κατά την εφαρμογή του Laplacian φίλτρου με 4 γείτονες και Gaussian με σ=2,5 είναι η χαμηλότερη τιμή που λαμβάνουμε για αυτήν την εικόνα ενώ στην εφαρμογή του Laplacian φίλτρο με 8 γείτονες έπειτα από Gaussian φίλτρο η διασπορά που λαμβάνουμε βρίσκεται σε μια μέση τιμή σε σύγκριση με τα αποτελέσματα που είχαμε λάβει κατά την πρώτη εργασία. 7) Ο κώδικας που χρησιμοποιήσαμε για την δημιουργία high boost filtering στην 3d εικόνα MRI, με συντελεστή Α=1,2 και την 6 γείτονες, φαίνεται παρακάτω καθώς και στο άρχειο matlab που επισυνάπτεται. a=1.2; img13=zeros(130,258,258); for x=1:1:128 for y=1:1:256 for z=1:1:256 img13(x+1,y+1,z+1)=img(x,y,z); end end end img14=zeros(128,256,256); for x=2:1:129 for y=2:1:257 for z=2:1:257 img14(x-1,y-1,z-1)=(-img13(x+1,y,z)-img13(x-1,y,z)- img13(x,y+1,z)-img13(x,y-1,z)-img13(x,y,z-1)- img13(x,y,z+1)+7*img13(x,y,z)); end end end for x=1:1:128 for y=1:1:256 for z=1:1:256 img14(x,y,z)=a*img(x,y,z)+img14(x,y,z); end end
end avw.img=img14; avw_img_write(avw, 'high_boost_6_geitones_1,2','','ieee-be'); Ο κώδικας που χρησιμοποιήσαμε για την δημιουργία high boost filtering στην 3d εικόνα MRI, με συντελεστή Β=1,2 και την 18 γείτονες, φαίνεται παρακάτω καθώς και στο άρχειο matlab που επισυνάπτεται. img15=zeros(128,256,256); for x=2:1:129 for y=2:1:257 for z=2:1:257 img15(x-1,y-1,z-1)=(-img13(x+1,y,z)-img13(x+1,y+1,z)- img13(x-1,y+1,z)-img13(x-1,y-1,z)-img13(x+1,y-1,z)-img13(x-1,y,z)- img13(x,y+1,z)-img13(x,y-1,z)-img13(x,y,z-1)-img13(x+1,y,z-1)- img13(x,y+1,z-1)-img13(x-1,y,z-1)-img13(x,y-1,z-1)-img13(x,y,z+1)- img13(x+1,y,z+1)-img13(x,y+1,z+1)-img13(x-1,y,z+1)-img13(x,y- 1,z+1)+27*img13(x,y,z)); end end end for x=1:1:128 for y=1:1:256 for z=1:1:256 img15(x,y,z)=b*img(x,y,z)+img15(x,y,z); end end end Απο τα αποτελέσματα, συμπεραίνουμε ότι με την χρήση των 18 γειτόνων χάνεται κάποιο μέρος της λεπτομέρειας. Το περίγραμμα της εικόνας καθώς και κάποια έντονα σημεία παραμένουν ευδιάκριτα και μπορούν να τμηματοποιηθούν πιο εύκολα. Ο συνδιασμός του αθροίσματος μεγαλύτερου ποσοστού της αρχικές εικόνας στην εικόνα που έχουμε εφαρμόσει το high boost filtering, μας δίνει καλύτερο οπτικό αποτέλεσμα στο συνδυασμό
λεπτομέρειας και ένταση φωτεινότητας συγκεκριμένων στοιχείων της εικόνας. Επίσης δημιουργήσαμε τον αλγόριθμο στο matlab για την δημιουργία high boost filtering στην 3d εικόνα MRI, με συντελεστή Β=1,2 και την 26 γείτονες, για να διαπιστωθεί η τυχόν διαφορά. Στην συνέχεια θα μελετήσουμε την εικόνα του προστάτη της πρώτης εργασίας. Εικόνα χωρίς επεξεργασία. (Εικόνα 20) Εικόνα 20
1) Εικόνα με το εφαρμογή του φίλτρου του Sobel. (Εικόνα 21) Εικόνα 21
Εικόνα με το εφαρμογή του φίλτρου του Prewitt. (Εικόνα 22) Εικόνα 22 Όπως και στην εικόνα που λάβαμε από το MRI αρχείο έτσι και εδώ οι παρατηρήσεις είναι ίδες. Οι διαφορές που παρατηρούνται στην εφαρμογή των φίλτρων του Sobel και του Prewitt είναι ελάχιστες. Και τα δύο είναι φίλτρα όξυνσης των ακμών, με μικρή διαφορά μεταξύ των μασκών τους. Οπότε και το αποτέλεσμα είναι παρόμοιο. Με μεγένθυνση των δύο εικόνων, παρατηρούμε ότι με το φίλτρο του Sobel έχουμε καλύτερο αποτέλεσμα στην όξυνση των ακμών.
2) Εικόνα με εφαρμογή του Laplacian φίλτρου, με τους 4 γείτονες. (Εικόνα 23) Εικόνα 23
Εικόνα με εφαρμογή του Laplacian φίλτρου, με τους 8 γείτονες. (Εικόνα 24) Εικόνα 24 Με την εφαρμογή του Laplacian φίλτρου με τους 8 γείτονες παρατηρούμε ότι έχουν χαθεί οι λεπτομέρειες και έχουν μείνει οι ακμές της εικόνας. Η φωτεινότητα της εικόνας έχει μειωθεί στο σύνολο της. Το φίλτρο «προσπαθεί» να κάνει ευκρινέστερη την εικόνα αλλά με αυτόν τον τρόπο στην συγκεκριμένη εικόνα χάνονται οι λεπτομέρειες.
3) Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρου με 4 γείτονες φαίνεται στην παρακάτω εικόνα. (Εικόνα 25) Διασπορά: 2.5501e+004 Εικόνα 25
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρου με 8 γείτονες φαίνεται στην παρακάτω εικόνα. (Εικόνα 26) Διασπορά: 3.8665e+004 Εικόνα 26 Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας στις εικόνες που εφαρμόσαμε Laplacian φίλτρο με γείτονες 4 και 8 είναι να έχουμε ευκρινέστερες και με περισσότερη λεποτομέρεια εικόνες από τις αντίστοιχες αυτών που εφαρμόσαμε μόνο Laplacian φίλτρο.
4) Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=0,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 27) Εικόνα 27
Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=1,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 28) Εικόνα 28
Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=2,5 και Laplacian φίλτρο με 4 γείτονες. (Εικόνα 29) Εικόνα 29
Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=0,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 30) Εικόνα 30
Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=1,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 31) Εικόνα 31
Εικόνα με εφαρμογή του Laplacian of Gaussian φίλτρου με Gaussian φίλτρο μεγέθους 3 και σ=2,5 και Laplacian φίλτρο με 8 γείτονες. (Εικόνα 32) Εικόνα 32 Όπως και στην εικόνα από το MRI αρχείο που μελετήσαμε έτσι και εδώ, η εφαρμογή Laplacian φίλτρου μετά από Gaussian φίλτρο μας δίνει σαν αποτέλεσμα να αυξηθεί η λεπτομέρεια στις εικόνες σε σχέση με την εφαρμογή μόνο του Laplacian φίλτρου. Αυξημένες λεπτομέρειες έχουμε όταν το σ είναι μικρό κατά το Gaussian φίλτρο. Όσο αυξάνεται το σ, χάνονται και λεπτομέρειες και η εικόνα χάνει την ευκρίνεια της. Η φωτεινότητα στο σύνολο της
εικόνας αυξάνεται όσο αυξάνεται το σ κατά το Gaussian φίλτρο. 5) Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=0,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 33) Διασπορά: 2.3368e+004 Εικόνα 33
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=1,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 34) Διασπορά: 2.1621e+004 Εικόνα 34
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 4 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=2,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 35) Διασπορά: 2.1541e+004 Εικόνα 35
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=0,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 36) Διασπορά: 3.0518e+004 Εικόνα 36
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=1,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 37) Διασπορά: 2.4309e+004 Εικόνα 37
Το αποτέλεσμα της πρόσθεσης της αρχικής εικόνας με την εικόνα που έχει εφαρμοστεί Laplacian φίλτρο με 8 γείτονες και στην συνέχεια Gaussian φίλτρο μεγέθους 3 και σ=2,5 φαίνεται στην παρακάτω εικόνα. (Εικόνα 38) Διασπορά: 2.4143e+004 Εικόνα 38 6) Οι παρατηρήσεις και σε αυτήν την εικόνα είναι παρόμοιες με την εικόνα MRI. Παρατηρούμε ότι κατά την εφαρμογή του Laplacian φίλτρου με 4 γείτονες η διασπορά είναι χαμηλή σε σύγκριση με τα αποτελέσματα της πρώτης εργασίας που πραγματοποίησα. Ενώ κατά την εφαρμογή του Laplacian φίλτρου με 8 γείτονες έχουμε την
μεγαλύτερη τιμή διασποράς σε σύγκριση και πάλι με την πρώτη εργασία. Κατά την εφαρμογή του Laplacian φίλτρου μετά από το Gaussian φίλτρο παρατηρούμε ότι η διασπορά μείωνεται όσο αυξάνεται το σ κάτι που το είχαμε παρατηρήσει και στην πρώτη εργασία. Η διασπορά κατά την εφαρμογή του Laplacian φίλτρου με 4 γείτονες και Gaussian με σ=2,5 είναι η χαμηλότερη τιμή που λαμβάνουμε για αυτήν την εικόνα ενώ στην εφαρμογή του Laplacian φίλτρο με 8 γείτονες έπειτα από Gaussian φίλτρο η διασπορά που λαμβάνουμε βρίσκεται σε μια μέση τιμή σε σύγκριση με τα αποτελέσματα που είχαμε λάβει κατά την πρώτη εργασία.
Β) Κατάτμηση λευκής ουσίας με την βοήθεια ιστογράμματος: Το ιστόγραμμα του αρχείου MRI: OAS1_0011_MR1_mpr_n4_anon_111_t88_maske d_gfc_whited φαίνεται παρακάτω. (Εικόνα 39) Εικόνα 39 Για αρχική τιμή κατωφλίου ίση με 200 και για 10 επαναλήψεις του αλγόριθμου, Τ= 817.8817 Για αρχική τιμή κατωφλίου ίση με 1000 και για 10 επαναλήψεις του αλγόριθμου, Τ= 961.8941 Για αρχική τιμή κατωφλίου ίση με 1500 και για 10 επαναλήψεις του αλγόριθμου, Τ= 989.3638 Για αρχική τιμή κατωφλίου ίση με 2000 και για 10 επαναλήψεις του αλγόριθμου, Τ= 991.9075
Για αρχική τιμή κατωφλίου ίση με 2400 και για 10 επαναλήψεις του αλγόριθμου, Τ= 995.3445 Παρατηρούμε ότι όσο αυξάνουμε την αρχική τιμή του κατωφλίου η τελική τιμή για 10 επαναλήψεις του αλγόριθμου τείνει στο 1000. Χρησιμοποιούμε τιμή κατωφλίου την τιμή 990 και μαυρίζουμε τις φωτεινότητες από την πάνω μεριά του κατωφλίου. Ο κώδικας που χρησιμοποιήθηκε φαίνεται παρακάτω: for x=1:1:176 for y=1:1:208 for z=1:1:176 if (b(x,y,z)<990) %Timi katwfliou end end end else b(x,y,z)=0; end %mavrisma anw tou katwfliou όπου ο b είναι ο πίνακας που περιέχει την MRI εικόνα. Στην συνέχεια χρησιμποιούμε την τιμή κατωφλίου που χρησιμοποιήσαμε και στην προηγούμενη περίπτωση (990) για να μαυρίσουμε τις τιμές που βρίσκονται κάτω από αυτήν την τιμή κατωφλίου. Ο κώδικας που χρησιμοποιήθηκε φαίνεται παρακάτω: b=img; for x=1:1:176 for y=1:1:208 for z=1:1:176
if (b(x,y,z)<990) %Timi katwfliou kai analogws ean theloume na maurisoume katw i anw tou katwfliou vazoume kai tin katallili entoli ws sxolio. b(x,y,z)=0; %mavrisma katw tou katwfliou end end end end όπου ο b είναι ο πίνακας που περιέχει την MRI εικόνα. Παρακάτω φαίνεται ένα sagittal slice του MRI χωρίς επεξεργασία (Εικόνα 40): Εικόνα 40
Παρακάτω φαίνεται ένα sagittal slice του MRI με μαυρισμένες τις τιμές άνω του κατωφλίου (990) (Εικόνα 41): Εικόνα 41 Παρακάτω φαίνεται ένα sagittal slice του MRI με μαυρισμένες τις τιμές κάτω του κατωφλίου (990) (Εικόνα 42): Εικόνα 42 Παρατηρούμε ότι εάν προσθέσουμε τις εικόνες 41 και 42 θα έχουμε σαν αποτέλεσμα να πάρουμε την εικόνα 40.
Στην συνέχεια θα αναπαραστήσουμε το ιστόγραμμα της εικόνας και στο ίδιο διάγραμμα θα αναπαραστήσουμε και τις δέκα τιμές του κατωφλίου που λαμβάνουμε κατά τον επαναληπτικό αλγόριθμο, έχοντας θέσει σαν αρχικό κατώφλι την τιμή 1500. (Εικόνα 43) Εικόνα 43
Στην συνέχεια εμφανίζουμε το ιστόγραμμα για το MRI αρχείο: OAS1_0011_MR1_mpr_n4_anon_111_t88_maske d_gfc, το οποίο φαίνεται παρακάτω (Εικόνα 44): Εικόνα 44 Κατα την εφαρμογή του επαναληπτικού αλγόριθμου για 10 επαναλήψεις λαμβάνουμε τιμή κατωφλίου ίση με T= 504.3938. Είναι σημαντικό να παρατηρήσουμε ότι για οποιαδήποτε αρχική τιμή κατωφλίου μεταξύ 0-2400 η τελικά τιμή που θα πάρουμε για 10 επαναλήψεις είναι η ίδια.
Στην συνέχεια θα υπολογίσουμε τα ιστογράμματα για κάθε μία ουσία από τις, υγρά του εγκεφάλου, φαιά ουσία και λευκή ουσία, και θα τα αναπαραστήσουμε γραφικά σε ένα διάγραμμα. (Εικόνα 45) Εικόνα 45 Red: Ιστόγραμμα υγρών του εγκεφάλου Green: Ιστόγραμμα φαιάς ουσίας Blue: Ιστόγραμμα λευκής ουσίας
Από το ιστόγραμμα του MRI, OAS1_0011_MR1_mpr_n4_anon_111_t88_maske d_gfc, που απεικονείζεται στην εικόνα 44, παρατηρούμε ότι ένα κατώφλι θα μπορούσε να οριστεί στην φωτεινότητα 1000. Ο αλγόριθμος μας υπολόγισε την τιμή κατωφλίου ίση με 504. Επομένως υπολογίζοντας τα voxels που βρίσκονται σε αυτό το διάστημα θα υπολογίσουμε αυτά που βρίσκονται στην λάθος μεριά. Τα voxels που βρίσκονται σε αυτό το διάστημα με τον αλγόριθμο που αναπτύχθηκε στο matlab υπολογίστηκαν σε 772329 στα 6443008 συνολικά pixels της εικόνας. Δηλαδή το 12% περίπου των voxels βρίσκονται στην λάθος μεριά με βάση το κατώφλι που χρησιμποιήθηκε. Από το ιστόγραμμα φαίνεται ότι στο τροποποιημένο MRI αρχείο ο αλγόριθμος λειτουργεί καλύτερα σε σχέση με το μη τροποποιημένο MRI αρχείο που το 12% των voxels βρίσκονται σε λάθος μεριά. Επίσης από τα ιστογράμματα κάθε μίας από τις ουσίες στον εγκέφαλο φαίνεται ότι οι φωτεινότητες έχουν πολύ μικρή αλληλοκάλυψη μεταξύ τους, το οποίο είναι θετικό στοιχείο.