Question 1

Open the angiogram image in ImageJ. Select as large a region as possible with near- uniform grey values, using the polygon selection tool. Find the signal-to- noise ratio .

Smooth the image ( Process/Smooth ). How does this affect the shape of the histogram? How do the mean and standard deviation change? Try several iterations of smoothing to see the trend clearly.     Now sharpen the original image ( Process/ Sharpen ). How does this affect the shape of the                  histogram? How do the mean and standard deviation (and dynamic range) change? Again, try             several iterations to see the trend clearly.

Explain the changes you observe after smoothing and sharpening, supported by your data/evidence .

Add Gaussian noise ( Process/Noise/Add Specified Noise ) with a standard deviation of 10 to the           original angiogram image. Compare the updated histogram with the histogram of the original image, in terms of its overall shape, its standard deviation and its dynamic range. Estimate the signal -to-        noise ratio of the noisy image. Repeat after adding noise of standard deviation 20 to the original         image. How does the signal-to- noise ratio change with added noise?

Note: Please include the screen shots of Histograms while explaining the changes in histograms. Hint: Use live histogram

Question 2

Open noisyS&Pskull, which is a radiograph of a skull contaminated by salt-and- pepper noise.

Use the live histogram  plugin to display its grey- level histogram: note the large spikes at 0 and 255 … What do these spikes represent? Apply a 5 × 5 average mask using Process/Filters … Mean with a      radius of 2. Note how the histogram changes. Compare the result with that of using a 5 × 5 median   mask ( Process/ Filters … Median with a radius of 2 on the original noisy image.

Which is more successful at removing this kind of noise and why? How do the histograms of the resulting images differ?

Question 3

Open axialbrainMRI in ImageJ. Enhance the image and note the ringing around prominent edges .

Of the following filters, which is most suitable for removing the ring artefact in the frequency domain? Apply the suitable filter and add screenshots from before and after in the report.

1.    Low pass filter

2.    High pass filter

3.    Gaussian low pass filter

4.    Gaussian high pass filter

Explain the reason for your choice .

Perform the necessary step to make the image suitable for edge detection - which frequency domain filter is suitable for edge detection? Apply the suitable filter and add screenshots from before and      after in the report.

1.    Low pass filter

2.    High pass filter

3.    Gaussian low pass filter

4.    Gaussian high pass filter

Explain the reason for your choice .

Question 4

Read in the sinogram “ct_sinogram.npy” . Use numpy.load()

Using the functions from Jupyter notebook, reconstruct the images with different filters. Can you see any differences? Save the reconstructed images in appropriate format.

Use : Theta  =np.linspace(0,360,360)

Use the following script to plot the different filters available for CT reconstruction. Include the plot in the report.