基于分块脊波变换之医学图像增强探讨

发布时间：2016-05-13 10:18

第一章 绪论

1972 年 4 月，英国科学家杰弗瑞•纽波达•亨斯费尔德（Godfrey Newbold Hounsfield）在英国放射学年会上宣告计算机断层扫描（CT）技术诞生。这一技术的问世掀起了医学影像技术的又一次革命，这也使得医学图像处理成为图像处理领域的研究热点。目前，医学影像成像设备包括 X 光（X-ray）成像、超声（Ultrasound）成像、电子计算机断层扫描（CT）成像、正电子扫描（PET）、核磁共振（MRI）成像、数字减影血管造影（DSA）、脑电图（EEG）等成像设备，它们已经成为临床医学中极其重要的医疗设备[1]。在医学治疗及医学研究中，利用以上这些成像设备检查人体某些脏器部位时，就能够对该部位以医学成像的方式非侵入地获取其内部组织的图像，即可以使活体组织特征由观测影像信号反推而来。这些信号可以反映出人体组织的客观信息，进而能够直观的表达出人体组织器官正常与否或病变的状态及性质。医学图像在临床医学领域中的广泛使用，使临床医学水平得到了极大的提升，恶性肿瘤、癫痫灶等众多疑难病症能够被及早发现及准确定位，从而获得快速、有效的诊治，最大限度地保障了人类的生命健康。近年来，随着数字信号采集技术的发展及数字信号处理理论的日臻完善，利用数字形式存储的图像在数量上与日俱增。数字图像已逐步取代了传统的模拟图像，由于数字图像易于被加工、分析和处理，所以它更容易实现存储、传输和利用。因此，在多数情况下，，所谓“图像”实则指的是数字图像。
.......

第二章 医学图像空间域增强方法概述

2.1 数字图像的表示
从中我们可以发现，在我们读取 uint8 亮度图像后，图表中灰度值接近 0 值的像素点对应该图像中黑色区域，而图表中灰度值接近256的像素点则对应该图像中白色区域，那些灰度值居中的像素点对应该图像中灰色区域。当图像数字化后，我们就可以利用数学方法对图像灰度值进行操作，通过改变图像中某些像素点的灰度值的大小，我们就可以有选择的改变图像的视觉效果。本文拟通过借助数学的方法改变医学图像中整幅图像或者图像中感兴趣目标区域的像素点灰度值大小来增强医学图像视觉效果，达到医学图像增强的目的，获取质量比较理想的图像，从而为临床医生更好的研究和分析病情提供有效帮助。

2.2 医学图像空间域增强方法
根据增强的作用域不同，我们可以把图像增强的方法划分成两种：①空间域增强方法；②频率域增强方法[4]。所谓空间域增强方法，是通过对图像像素的灰度值直接进行必要的运算处理操作来实现图像增强的方法。最常见的空间域方法主要包括： a .图像的直方图修正； b. 图像的直接灰度值变换； c. 图像的空间域平滑处理。所谓图像频率域增强方法则是在图像的选定频率域上通过对变换系数进行某种运算,再采用逆变换来获得增强图像的方法。由图像的频率特征分析可知，一般认为整个图像的对比度和动态范围取决于图像信息的低频部分，而图像中的边缘轮廓及局部细节取决于高频部分。这样我们就可以利用二维数字滤波的方法处理图像。例如采用高通滤波器能够有效地突出图像细节部分及边缘轮廓，而利用低通滤波器则可以有效地减少图像噪声。本章将着重介绍几种常见的且易于实现的图像空间域增强的处理方法。

第三章 小波变换.........................17

3.1 连续小波变换...............................17

第四章 基于脊波变换的医学图像增强...........................................36

4.1 连续脊波变换理论.....................................36

4.2 有限脊波变换................................38

结 论.........................................49

第四章 基于脊波变换的医学图像增强

4.1 连续脊波变换理论
当前，小波多分辨分析理论已经广泛且成功的应用于数值计算、信号处理等多方面的领域中。随着人们对小波应用的深入研究，大量实践表明，由一维小波张成的二维小波主要适用于表达二维图像的“点状”奇异特征。然而对于一般的自然图像来说，通常情况下，它并不是简单的由一维相互分离的点构成，“线状”边界以及纹理组成了图像中目标物体的显著特征。通过边缘的奇异性，可以找到目标物体的广度，从而目标物体的形状、位置、朝向等信息随之也可以提取出来。对于图像中分离的、不连续的边缘点，二维小波可以对其进行有效的处理。但对于光滑的边缘轮廓线的表示上，由于小波变换只能获取有限方向的信息，因此利用二维小波并不是最佳的选择，所以需要寻找比小波更有力的变换方式。

4.2 有限脊波变换
从前面的论述已经知道，小波变换对描述带有孤立点的奇异性的对象时是非常有效的，而脊波变换对于表达相互连接在一起的线状奇异特征时独具优势。事实上，我们可以把脊波变换看做为在直线方向上对信号的一维小波变换。因为奇异性通常在图像边缘和轮廓上产生，脊波能够表现出良好的方向敏感性和各向异性。因此在图像处理任务中使用脊波变换成为人们研究和关注的一个热点。由于连续脊波变换的参数空间是连续的，在实际应用中，连续脊波变换不能直接应用于数字图像。随后，M.N.Do 和 M.Vetterli 提出了一种可逆的、正交化的离散的脊波变换—有限脊波变换（Finite Ridgelet Transform，FRIT)[37]。以下我们将讨论 FRIT 在图像处理中的应用。FRIT 可以通过如下两步实现。
...........

结 论

医学图像增强的关键是能够有效突出目标区域或者目标细节信息。而图像稀疏表示的一个优点是可以有效的表示图像的边缘特征，本文针对医学图像增强问题，基于稀疏表示理论，并结合图像的灰度信息，研究医学图像增强的理论，提出了复杂度低、具有鲁棒性的医学图像增强算法。通过稀疏变换后，医学图像在其变换域中根据所要达到的增强目标对变换域系数进行函数变换、滤波和设置阈值等处理，再经过反变换重构后就得到增强的图像。本论文主要包含以下工作：首先，本文对现有的医学图像空间域增强方法进行了概述。基于空间域的增强方法是直接对图像中的像素进行处理，其目的是拉伸图像的对比度。本文研究了灰度变换、直方图均衡化、空间域滤波增强等方法，对每一种方法作出了图像增强实验，并对空间域增强方法作出了简单的效果比较。其次，本文研究了几个最基本小波函数，包括 Harr小波、Morlet 小波、Shannon 小波、Mexican hat 小波等，并由此引入连续小波变换、离散小波变换等概念。然后，研究了多分辨分析（MRA）理论。由 MRA 的理论引出了小波分解与重构的 Mallat 算法。将小波由一维向二维扩展，研究了二维多分辨分析理论及二维小波空间的分解，最终实现了医学图像的小波多尺度分解。由于传统小波仅能有效处理分离、不连续的边缘点，而对边缘轮廓线不能有效处理的缺点。
............

参考文献（略）

本文编号：44604