Color textured MRI segmentation based on Co-occurrence features using principal component analysis (PCA)

Image segmentation is a primary step in many computer vision tasks. Although many segmentation methods based on either texture or color have been proposed in the last decades, there have been only few approaches combining both of these features. In this paper the Principal Component Analysis (PCA) of the counted co-occurrence featured images has been introduced as a new segmentation algorithm for differentiating tumor tissue. Coloring process is also performed by selecting three PCA’s bands. An encouraging results obtained by combining different PCA’s bands. This method reveals the importance of applying context and textural properties for the segmentation process. The results showed that utilizing different multivariate statistical techniques (e.g. gray level Co-occurrence matrices and Principal Component Analysis technique); based on color-band, mixing method has can be used to isolate the tumor tissues from other brain tissues. عملية تجزئة أو تقسيم الصورة هي الخطوة المهمة الأولى في العديد من التطبيقات الحاسوبية للصور، على الرغم من أن العقود الأخيرة شهدت اقتراح العديد من الأساليب و التقنيات لتجزئة الصور على أساس إما النسيج أو اللون، إلا أن هناك عدد قليل فقط منها استطاع الجمع بين هذه الميزات. في هذا البحث تم تجزئة الصورة باستخدام خوارزمية جديدة اعتمادا على خصائص الحدوث للصورة باستخدام مركبات التحليل الرئيسية (PCA) لغرض التمييز بين نسيج الورم. عملية التجزئة بالتلوين تمت باختيار ثلاثة مركبات رئيسية (PCA’s) كمركبات ألوان رئيسية، النتائج التي تم الحصول عليها من خلال الجمع بين مركبات التحليل الرئيسية (PCA’s) كانت مشجعة. حيث بينت هذه الطريقة أهمية استخدام خصائص المكونات و النسيج للكشف عن الأورام لصور الرنين المغناطيسي من خلال تميز لون الورم عن باقي أجزاء الدماغ الأخرى.