米乐m6linieiereedicsPreer,threstilltwicreementradictioetweetrastetailiserelursthetail:ietiosolvietioimagimagrese150sosorneetthresultsrestillrnuffeetiselevlassifiereliastimatioresultamiereal一timiththternPlateiselevlassifieatioreliastimatethiseIeiththid,thtethiffereidleviffereiseleieimiththetersresulttrast一fieldlet一fieldifferesethtrastletfamilysolvietiotatiosethrcl:iteturerallelniereedicsystessthith16raetieresultreehreeetorssystemradiolosPitalsotionestimation,eontrastenheement,allellinroeesslassifie第一章绪论11引言在现代医疗领域中,医学图像能揭示一些不能直接观察到的病征,是医生进行诊断的重要辅助手段比于传统的医学图像,动态医学图像易于进行处理以展示一段时间内的病征变化,很好地反映病情病灶由于受到设备、技术的限制和噪声的影响,存在对比度不足、边缘模糊等问题,不利于医生对图像细节的观察和病症分析。动态医学图像的增强则是对图像以医学的进行加工处理,提高图像的清晰度,从中获得更多的有用信息,这对于提高临床诊断的准确性和治疗方案的确定具有重要意义。动态医学图像通常在光机上获得,是一种包含连续多帧的灰度图像,灰度动态范围大,图像包含噪声多,对比度差,细节不锐利光射线的剂量,而高剂量不利于病人的健康。一方面,一些图像增强的技术会带来噪声的增强「11【2]【3][4],因此问题在于如何在低剂量的时候获得高质量的动态医学图像。动态医学图像的噪声通常是高斯噪声方差受到剂量和设备的影响【21。动态医学图像的一些组织结构,尤其是细节的可见程度很有可能包含一些诊需要的信息。在临床诊断中,图像能否提供足的结构和细节信息直接影响到医生对病情的诊断。医学图像中一些相对细小和不明显的细节可能极端重要,如早期癌症的诊断。所以对动态医学图像进行增强的时候需要保留或突出一些结构和细节以方便医生的判断。在低剂量的情况下,医学动态图像增强的主要矛盾是降噪带来的图像平滑和增强带来的细节增强一方面,算法的计算代价和实时性也十分重要。随着医疗设备的不断更新,图像的分辨率越来越高,这对算法的实时处理也提出了更高的要求动态医学图像的增强主要包括了降噪、对比度增强和边缘增强三个方面噪是动态医学图像处理的一大难题。由于医学图像对细节的要求较高,在降噪的同时需要对图像的一些结构和细节都要保留,不能造成明显的模糊现象,所些容易带来细节模糊和改变结构的降噪算如基于图像自身相似性Looalean【20」【21」t22」的算法并不适用于医学图像处理。近年来的一些医学像的降噪都是使用了小波域中的降噪效果来达到一个比较自然的效果「30],但是由于小波参数调整比较复杂而且需要人工干预,实际处理动态图像的效果并不理想。近年来针对这些情况,很多学者也提出了一些改进,但是在动态医学图像上的应用还医学图像由于其成像原理,拍摄出来的图像动态范围大,而有用的信息很容易被掩盖起来以需要对其进行对比度的增强以便医生的临床判断。对一个图像处理的概念,当图像的像素点与其领域的比例越接近以对比度是反映图像的是否能将图像层次拉开的一个指标。具体到医学图像就是对其灰度值进行动态压缩,使得图像的层次能丰富起来,便于人眼的观。学术界对医学图像对比度增强问题开展了大量的研究,从最简单的指数和对数的非线性变换到比较复杂基于马尔科夫随机场模型都被引入相关的研究中。常比度增强算法的主要有对数和指数变换,分段线性变换etinex算法等医学图像中的边缘部分常常是医学需要重点观察的部分,一些病症病灶都会在图像的边缘部分的得到显现。为了使图像能更好地便于医生的临床判断,就需要满足医生对一些细节的要求,同时注意不能添加人工细节,避免误导医生的判断。常用的边缘增强有小波增强,基于傅里叶变换的增强,基于拉普拉斯金字塔的边缘增强等12本文工作在本文中,我们基于准确运动估计的前提下对动态医学图像进行加权平均来达到降噪的目的。此算法是在图像金字塔的分尺度的思想指导下,构建图像金字的一些增强算法对动态医学图像进行对比度和边缘的增强。整个算法的流程图如下,图中的每个方框表示一个模块。首先初始化即先读取数据并对各变量做初始化处理,然后进行帧间平均,之后进行中值滤波、对数变换、对比度增强和小波增强,再做边缘增强、指数变换,最后传到显存将结果显示出来11系统流程图针对医学图像,本文所使用的降噪方法是基于在图像金字塔的基础上进行的,并在不同的金字塔层数上使用全局块或局部块的方法计算运动参数,利用此运动参数,我们可以进行动态医学图像的多帧加权平均,最终得到降噪后的图像种降噪方法能在最大程度减低降噪带来的图像模糊和细节丢失,而且能从分利用动态医学图像的时域相关性,有效地降低噪声,满足医生的要求在图像对比度部分,本文利用经典的CLAHE算法,通过对其利用CUDA并行实现,满足实时处理的要求,使得动态透视图像的局部对比度和全局对比度都得到了比较大的提升。边缘增强部分则是使用了基于拉普赖斯金字塔的边缘增强算,金字塔每一层的拉普拉斯子图对应于图像中不同尺度的边缘信息、,我们对这些拉普拉斯子图进行线性和指数增强后,再使用拉普拉斯金字塔融合,最终得到边缘增强后的图像。拉普赖斯金字塔的边缘增强算法其效果突出,能增强不同尺度的边缘信J自、,方便医生针对不同的人体部分的不同边缘调整增强效果,可以满足多数临床应用的需求。同时我们还使用了小波增强来实现对动态医学图像降噪和边缘增强,小波增强能自适应地在不同尺度上对图像的纹理细节进行降噪增强,总的来说,本文提出了一种新的基于全局运动估计的降噪算法,在此基础上综合运动了经典的CLAHE并使用了小波进行降噪增强,获得了良好的效果,极大提高了动态医学图像的质以满足不同人体部位的增强要求,处理效果得多了多家医院的认可13本文组织结构本文共分为九章,下面是余下各章的简介第二章介绍本文的研究背景和相关工作。我们首先回顾图像处理中的空间域 频率域、时间域类的常用算法 。其次 ,我们 回顾 降噪 比度增强,边缘增强的相关工作。最后我们介绍一些把运动估计用于降噪的研究进展和 第三章介绍本文使用到的一些通用的线性滤波和非线性滤波算法。我们具体 介绍 中值滤波、指数变换 ,对数变换 ,取反,窗宽窗位调整等算法 程,如何构建金字塔,如何计算运动参数,如何利用运动参数实现多帧降噪 第五章介绍对比度增强算法和边缘增强算法。我仃〕具体介绍本文所使用 LA日〔和边缘增强算法拉普拉斯金字塔边缘增强,说 明两种算法 流程和所获得的效果。 第六章介绍小波 的增强算法。我们具体介绍本文所使用的小波基 ,列举如何 进行小波变换和逆变换 ,并详细说明如何对小波域中的系数进行有选择 的压缩和 放大。此外还讲述 了小波增强算法的优缺点。 第七章介绍如何使用 OA架构把各图像处理算法并行 。我仃]具体介绍 架构的常用的编程模型。重点介绍降噪部分中使用到的模板运算和求和运算 行实现,还概要地说明对 比度增强算法 CLA HE 和边缘增强的拉普拉斯金字塔边 缘增强算法的并行化编程 第八章介绍本文的系统和处理效果对比。我们具体介绍本实验所用的数据和 实验平 台,并介绍系统软件 的界面。最后还展示 了人体不同部位的透视 图像 第九章总结本文的研究工作。我们回顾本文的主要贡献,并展望将来进一步的工作 第二章研究背景和相关工作 近年来国内外对动态医学 图像 的增强算法有很多的研 究,大体可 以分为基于 空间域的增 强、基于频率域 的增强和基于时间域 的增强三大类 基于空间域的增强方法是指基于 图像原坐标上对其像素点进行增强的方法 主要分为点操作和领域操作两类【5]。点操作又称点处理 ,主要是对像素点作独 立于其的领域的操作 。包括了对数变换、指数变换灰度映射 ,全局直方图均衡等 领域操作是对像素点进行依赖于其领域的操作。主要包括线性滤波、非线性滤波 局部直方图均衡,Retinex 算法,金字塔方法等。基于频率域的增强方法是指通 过改变图像 中不同频率分量来增强图像,主要包括低通滤波,高通滤波,带通带 阻滤波 ,同态滤波 ,傅里叶变换,小波变换等方法 于时域的增强方法是指利 用动态医学 图像的时域的连续性和相关性对 图像进行增 运动估计,运动估计等方法 的增强,边缘增强和降噪等方面 对比度增强方法主要包括了全局增强和局部增强两种 。全局增强能对 图像的对 度作出整体的调整 ,但是对于一些细节部分和阴影部分 的增强把握不好。局部增 强则基于领域的像素点来进行对 比度和亮度的调整 局增强的方法中,最常用 的是线;非线性点变换和全局对 比度均衡。在线;非线性点变换中,常用 全局对比度均衡也是经常在图像处理中使用的方法 ,它假设图像的灰度直方 图转换为另一种基于均匀分布的直方 图以达到增强 图像 目的,但是在实际使用中用常常出现过度增强的现象,所 以也有一些改进 的算法【6]「7][4」。局部 【8]【91等人提出的基于人眼视觉特点的 retin ex 增强方法,利用 SV理论,L 把图像分为直射光和 反射光 ,直射 光与反射 光相乘则为 图像 部分。通过一些局部的方法估计出直射光来获得反射光 ,就可以获得人眼“原来 该看到的图像,也即增强后的图像。但是通过 retinex 增强出来的图像通常会带 有光晕 halo 效应 ,很多算法针对这一缺点,提 出了不 同的改进方法〔10]【川 【12]。 局部直方 图均衡根据 图像分布 的假设 、局部直方 图计算 和使用 、累加方程等 自适应的直方图均衡。参考文献【14]也介绍了几种不 同的自适应直方图均衡 方法。本文使用的则是对 比度受限的直方图均衡化 f15 ,简称 imited qualization。此方法能通过 限制直方 图重新分配 像素点数量来减少增强所带来的一些artifacts。同时本文也将此算法进行 到了实时处理的速度要求。所有 的这些直方 图均衡的方法都可以通过 参数 自适应 或人工调整 以获得不同的增强强度 ,满足不 同人的感官需求 降噪的方法有很多种,如基于小波域的高斯混合模型的降噪方法【161〔17]。此 方法把 图像变换到小波域,然后通过 high一ku rtotic 中数值大的系数代表 图像原本信息的,数值小的系数压缩代表 图像噪声 降噪算法的核心是保留数值较大的系数 ,压缩数值较小的系数,然后进行小波反 变换获得降噪后的图像。此类方法能较好地去除一些噪声,但是常常会带来一些 artifacts,实际使用 中需要特别注意参数 的调整 。利用不 同变型的离散余弦变换 的平滑滤波方法【18],类似于基于小波域的方法 ,此方法通过离散余弦变换将 像变换到频率域,然后进行滤波操作,然后反变换回来。此类方法对离散余弦变换十分依赖 ,当离散余弦变换的基选择不合适时,容易出现一些光晕 ha lo artifacts 现象。利用马可夫随机场 RF模型估计噪声的分布,同时使用空域和时域 的信息进行降噪。但是此类方法 由于 需要训练模型的参数,其计算量大 ,不适合实时的动态医学图像降噪 基于时域相关性、图像自身相似性进行相似块匹配的非局部平均的方法 3D[22][23],此类方法假设图像间具有较大的相似性 ,若将 像或视频方格化后,不同位置的方格具有一定的相似性 ,通过对相似性较大 法进行加权平均来获得降噪的目的,不用进行运动估计就能自适应地进行图像视 频的降噪,但是同时也会带来比较严重的模糊 尤其是细节部分 。由于在动态 医学图像降噪 中并不允许图像的细节出现模糊而影响医生的判断,所 以此类方法 较少使用 。针对透视图像降噪的算法有时域递 归滤波算法【24 ]、基于梯度的多尺 度分线 图像进行平均以达到降噪的 目的。在 图像静止区域 ,时域上 的平均能显著 地提高 图像 的质量 ,比空间域的滤波更好地保留图像的纹理细节 。但是在运动 现象。通过运动估计 ,获得 图像的运动 向量 利用运动向量进行加权平均,就能避免运动模糊现象。但是通常的运动估计都是 基于像素点的运动检测,在实际使用中很容易受到噪声的影响,如果直接使用每 个像素的运动 向量进行加权平均,在噪声严重的区域就会带来一些边界模糊或者 脉冲噪声 边缘增强是图像处理中一种方法增 强边缘对 比度的方法,增强过后 的图像会 显得更加锐利 ,有助于人们观察图像的细节。边缘增强有很多,一种是使用平滑 滤波器来对 图像进行模糊和降噪处理,通过将原图和模糊 图像相减获得 图像 asking[26】,利用此边缘 图来进行 图像的增强。另一种是使用 化滤波器来获得图像的边缘,如 rewitt、Sob el、R obert、C anny 等滤波器 281129 ],然后利用此边缘图来增强图像的边缘 。也有在小波域的进行不同尺 的边缘增强方法「30],利用傅里叶变换在频率域中的锐化滤波方法【川 ,利用 金字塔分解融合进行不同尺度的变换增强方法【犯][ 33]。在参考文献【34]中比较了 小波域和高斯拉普拉斯金字塔在医学图像中的增强效果 ,发现高斯拉普拉斯金字 的效果更好,所以本文使用了拉普拉斯金字塔 的边缘增强算法作为主要的边缘 全局运动估计Gl ob al otionEstim ati 了补偿由于摄像机运动而带 的图像或视频运动的技术 。很多全局运动估计模 型都是使用参数化地运动模 来描述摄像机的运动【35]。对于运动参数的估计通常有两种方法,一种是基于运 的,此方法通常是基于块block一based 的估计来获得图像或视频 的运动 t36][37]【38 】,通常计算量 比较大; 另一种是基于梯度 的方法,此类方法对像素 很敏感【39],通常需要对图像进行采样 ,然后针对采样数据来进行梯度计算 41〕。在运动估计的基础上进行降噪的算法也有很多【42 1143 」,其也有针对 图像的降噪 idia公司发布 了计算统一设备架构C om pute eviee rehiteeture,e ,这是一种通用的基于 GpU 的并行计算架构 cPu更有效地处理一些并行程度高的计算 问题〔4 5]。本文所采用基于的编 模式来实现对GpU 的编程该架构是一个完整的 解决方案,提供了硬件的直接访 口,而不必像传统方式一样必须依赖图形API 口来实现GPU 问在架构上采用了一种全新的编程模型来使用 GPU 供的硬件资源,从而给大规模的数据计算应用提供了一种 CPU更加强大 第三章线性滤波和非线性滤波 线性滤波和非线性滤波是图像处理 中常用的方法,本文中使用中值滤波 ,但是却具有不可替代的作用。其中中值滤波会在全局运动估计中使用到 的方法都直接应用到图像 当中。 31 中值滤波 中值滤波是一种经典的降噪算法 。此算法主要对斑点噪声 SpeCk le 和椒盐噪声Sal 有效米乐m6。相比于高斯模糊,中值滤波能在过滤高频噪声同时不会过度模糊边缘信息。算法是对每个像素的 Nx 窗口内的所有像素值排序 ,然后用序列的中值取代该点像素的像素值。其实质 是一种模板运算 32对数变换 对数变换的主要功能是压缩图像亮区的灰阶值 、拉伸暗区的灰阶值 ,最终突 出暗区的图像细节,更能符合人眼的视觉特征 。本系统所用的对数变换 的公式如 4096109 65535 ,65535 增大,图像变亮。b 为可调系数,b 增大会提升图像低灰度区,压缩其高灰度 33指数变换 指数变换是一个图像灰度值的非线性变换,用来调节图像的明暗程度。指数 变换公式为: 是可调参数。指数变换具有 以下的效果 时能降低图像的亮度。指数变换能扩大暗区的灰度值,压缩亮 区的灰度值 ,以方便医生对不同组织进行观察。 34 取反操作 取反操作的 目的是 由于医学图像在拍摄 的时候通常会是用负片观察 ,而拍摄 完打印出来的时候又会是正片的效果 以为了符合 医生对图像的要求 ,就需要 图像进行取反操作。此操作可将 图像在 laek&White “White& laCk&Wh ite ”模式即以黑色为背景的,内容为 白色的显示模式;“Wh ite& laCk 模式则是以白色为背景,内容为黑色的显示模式。在实践操作中,医生在拍摄 “Blac k&Wh ite ”模式 当需要图像冲洗 出来时则使用 正片效果,即 te&Blaek ”模式。 35 窗宽窗位调整 indowleve CT检查中用 以观察不同密度 的呢正常组织或病变的一种显示技术 。窗宽代表图像显示 的像素值的范 像有多少阶灰度值,窗位是图像显示像素值 的中值 ,即窗宽的平均数。窗宽窗位 调整使用公式如下 中,ylnax 是显示范围的最大值和最小值 窗宽的大小影响图像的对 比度强,能更好地分辨密度较接近的组织结构,窗宽大图像的对 比度低,更适合观察密度差别大的组织结构。窗 位的大小影响图像的亮度 :窗位小图像亮度高呈 白色;窗位大图像亮度低呈黑色 在实践操作中,窗宽窗位的大小需要根据医生的实际要求来调整,但大体上是检 查脑组织等密度较 高的部位宜选用小 ,检查骨骼等密度较低的部位宜选用 第四章基于全局运动估计的多帧降噪 全局运动估计主要是用于对 由摄像头运动 引起 的二维运动。本文 中的动态 光机获得,其图像的主要运动也是 以我们引入 了全局运动估计模型 。本文使用的 参数运动模型,按公式4 a3x‘+a4y 其中从,y‘是在当前帧从的第 i个像素,x:,对是对应前一帧爪一1的像素,而 模型使用的估计准则是 abso lu te iffereneesSA 如当前帧In和前一帧I。一1的错误率是{ei},则有以下公式 图像像素的个数 从一1x:,夕;一人;x‘,yi i,yi代表在 当前帧 代表帧数。xi’,yi’ 代表前 一帧图像 l,a2,a3,a4 本文使用的全局运动估计模型是一种多尺度带等级的模型。传统的带等级的全局运动估计包括三步: 图像金字塔 的构建、初始运动的估计,迭代估计全局运 动模型的参数。首先在金字塔的最高层开始使用 步搜索来进行参数估计,然后使用梯度下降法来迭代修正参数直到达到收敛条件 。然后将当前估计的参数投影 到下一层金字塔中,重复使用梯度下降来估计参数,直到到达金字塔的最底层后 算法停止。 在动态 医学图像 中,由于低剂量的图像噪声很大,传统的全局运动估计模型 很容易受到噪声的影响而出现不准确的情况,尤其是在多层金字塔 的结果传递修 正的时候,很容易当前层 图像错误的运动参数传递给上一层图像,使得错误放大 导致画面抖动 以本文在全局运动模型上提出一种新的基于金字塔分解 的估计 全局运动 向量 的算法 ,米乐m6,获得 比较准确 的运动 向量 41算法概述 本文的方法与一般方法[6] 点不同。2为保证运动 向量估计 的准确性 们实行全搜索,ful!Search,即把每个块的搜索区域内所有可能的块都与当前 块相比较,找 最小的块即为匹配的块。3、为避免金字塔上一层的计算结 果对下一层 的带来影响,我们按照金字塔的级数,根据其级数在不同的金字塔层 数上实行全搜索的块匹配算法。算法流程图如下: 构建 图像金字 卜估计运动参数加权平均 多帧降噪算法流程图整个降噪算法 分为四步,首先进行图像金字塔 的构建 ,然后在金字塔上进行 运动参数的估计 ,之后利用时域的相关性生成多帧间的运动参数,最后使用多帧 间的加权平均来获得较好的降噪效果。 42 构建金字塔 本文所使用的算法 自动确定使用那一层的金字塔的参数估计结果,而不是将 当前层的参数估计结果往上一层传递 。由于图像金字塔的特点,在层数低的图像 上估计的参数精度高,但其受噪声也大,在层数高的图像上估计的参数精度 比较 低,但其受噪声 的影响小。所 以为了降低噪声对参数估计的影响,当图像噪声很 ,结构组织很模糊,则参数估计所使用的层数高 ,当图像噪声很小,结构组织 很清晰,则使用 的层数底 。此方法的有优 点是充分利用 了金字塔的特性 ,能判断 出图像在那一层金字塔上其信息量最丰富,受噪声的影响最小,最有利于全局运 动参数的估计 构建图像金字塔即是对图像进行奇数列和奇数行的降采样处理。降采样 处理 后的图像具有噪声小且结构清晰等特性 ,有利于运动估计 ,降采样还能降低 算法 的运算量。 金字塔构建示意图43 全局运动估计 本文中为 了减少没有进行金字塔逐层传递带来 的参数估计精度 问题 ,在进行 参数估计的时候,不是用传统的梯度下降法来估计 ,而是使用全搜索 full Search 来给出最优解,但是具有极高的运算量,利用传统的串行计算很难 达到实时的要求【10]。相 比于传统 的梯度下 降求解方法获得的近似解 ,全搜索获 得的是最优解 。全搜索穷举搜索范围内的像素点米乐m6,对搜索范围内的像素点逐一 配,找到错误率最小的参数,以求获得更精确的结果。此方法虽然计算量很大, 但是随着计算机硬件的发展,通过 使用并行计算即可解决实时的计算量问题 431块匹配准则 在估计全局运动模型参数的时候,采用块匹配算法。首先在搜索范围内分别 让前一帧图像的块移动一定的步长 ,再与当前帧图像的块进行 比较 ,块匹配程度 最高的方向作为镜头移动的方向和步长。要衡量两帧的匹配程度,即把每两个块 对应点像素值相减,然后取绝对值求和,其和最小的即是匹配程度最高的块 表示特征区域 内的像素点位置 示图像帧数,p是像素值 。越小 ,表示两块越匹配。 上一帧当前帧 43块匹配示意图 43所示 以向下移动Ste PI ,或者向左移动 ste pZ 后与当前帧的块相减,求差最小的方 向和步长 。利用此方法,穷举上一帧搜索范 围内上所有的块 ,然后每一块都与当前帧的块相减 ,得到差最小的就是所 匹配的 Bloc Bloc ko 匹配 当前帧的运动方向向上 ,步长是 st 1,搜索范围是以最大步长为半径的圆。 32全局块匹配 在构建图像金字塔后,我们采用全局的方法计算全局运动模型的参数 。全局 块的选取范围是根据 光机的最大运动速度所决定的,而选取的形状也和 开开始始原原图像平淤 44全局圆形块匹配流程 所示,算法首先将 图像 降采样到第 算子提取后的边图按一定的权值与原图叠加,然后根据最大步长 ,画出一个圆形区域,利用此圆 区域来计算运动参数 1刽45圆形块示意 外面的一圈黑色为无内容,白色是原 图像 而虚线的圆则是我们使用的圆形块 边缘叠加 由一犷使用的是第三层 的图像 ,虽然噪声较 小,但细节 丢失较 提取边缘信它、,将其且加到原图像上 以获得噪声小、且边缘清楚的图像 。吾加公式如下: 是权重。通过调整wl 44多帧降噪 多帧平均是利用视频数据在时域上的相关性和噪声的独立性 ,通过运动检测 和估计找到不同帧图像位于同一运动轨迹上 的对应 区域,然后叠加多帧图像进行 加权平均。此算法对噪声有 比较强的抑制作用,在运动检测和估计比较准确 况下能获得较好的降噪效果,并且图像信息能很好地保留。 41图像噪声模型 一般的图像噪声模型通常是将噪声图像分解为原 图像和 白高斯噪声信号 ,其公式 如下: 是原图像,N是均值为 ,方差是。的高斯噪声信 以通过对多帧图像进行加权平均 ,来抑制噪 ,而且如果动态图像的运动检测准确的话 ,那么就可 以根据运动 向量进行加权 平均 ,能很好地抑制噪声 。同时考虑到医学图像对 图像的细节有很高的要求 基于准确运动向量的加权平均能将降噪带来的模糊感减到最低 442加权平均 对于要进行处理 的当前图像帧,利用计算 出来的运动 向量,找到在相邻 位于同一运动轨迹上 的对应位置 ,按照一定的权重系数将这几帧 图像进行加 获得相邻两帧的运动向量mf后,我们就可 以对动态图像进行多帧叠加 以获得 降噪后的图像。假设用 帧进行叠加,那么我们可 以通过相邻两帧的运动 向量 帧间的运动向量 是当前帧数,f-k 代表是与当前帧相差 。如图46 所示 ,其计算 加权平均的运动向量 即是将要进行加权平均 的两帧间隔的所有运动 向量相加 到加权所需要的运动 向量 两帧间的运动向量加权平均的运动 向量 运动向量生成示意图 得到加权平均的运动向量 ,就可以进行加权平均,其公式如下: 最终Y‘即是我们降噪后 的图像 第五章对比度增强和边缘增强 由于医学 图像 的动态范围大 ,其原始 图像 比度不能拉开,导致 图像的结 构和细节都被掩 ,一些医生所需要的细节也不能显现 出来 。针对这种情况 比度增强算法和基于拉普拉斯金字塔边缘增强算法,目的是 拉开 图像的对 比度,突显图像的结构和细节,提高图像 的质量 ,丰富图像的层次, 满足医生对 图像 的视觉要求 51CLA 比度受限的自适应直方 图均衡 Con 、ra st imited daptive ISt。gramEqua lizat ion ,此算法是自适应直方 图均衡算法 Adap qualiza 的改进版。此算法通过限制局部直方 图的高度来限制局部对 的增强幅度,以避免噪声的放大和局部对 的过度增强。该算法可用于改进 ,增强细节,避免全局对 比度均衡算法带来的一系列问题。 的不重叠的块。分块 越小,所分的块就越多, 比度增强越明显 ,但是同时在动态 医学 图像上也越容易出现分块效 应,所以分块大小需要根据实际图像进行调整。 与图像的灰度范围相一致。若图像是 16 位灰度 图米乐m6,则是有 65536 级灰度,则直方图具 按所用参数对直方图进行 “剪切 ”,并将 “剪切”出来的像素点重新分 对局部直方图的某些灰度级数值过高,则会容 易带来噪声的放大和 过度增强 以需要对其“剪切 “剪切”的像素值则平均分给剩 直方图被“剪切”后,就可以使用标准的直方图均衡化 ,此时针对的是 子块内的图像,使得图像的局部对 比度获得增强。 插值。当完成各子块的直方图均衡花后,各子块 由于增强的幅度各不相 同,所以会导致块与块间会出现较明显的边界,此时就需要进行插值来 对边界进行一种平滑 ,以消除边界的影响。而此步也是 CLAHE 算法中运 算量最大、并行程度最高的一步,在第七章我们会详细说明如何使用 CU DA 架构进行插值的并行化。 基于拉普拉斯金字塔边缘增强系统采用的边缘增强是拉普拉斯金字塔边缘增强,具体做法如下: 首先对 图像做拉普拉斯金字塔分解,然后对分解后的各层图像与原图相减 ,获得各层下 的拉普拉斯子图,并对拉普拉斯子图进行滤波增强,再把拉普拉斯子图叠加到原 图像,最后经过拉普拉斯金字塔融合,得到增强后的图像。 拉拉普拉斯金金金 日日日 滤波增强强强 原图图图 拉普拉斯金金 字字塔分解 叠加加加字塔融合 52金字塔边缘增强流程图 拉普拉斯金字塔分解和拉普拉斯金字塔融合使用三层的金字塔分解 。首先对原图像做去除奇数行列的降采样,然后进 插值的升采样,之后做高斯平滑 ,即可获得第 层的拉普拉斯金字塔分解的图像 层的图像使用相同的方法,就可 以获得三层拉普拉斯金字塔 分解的图像。而拉普拉斯金字塔融合则是将图像通过双线性插值的升采样 ,再做 高斯平滑,如此反复得到融合后的图像。 拉普拉斯子图将拉普拉斯金字塔分解后的各层图像作高斯平滑 ,然后与原图像相减 ,就能 得到拉普拉斯子图,此拉普拉斯子图中包含的是图像的边缘信息,根据不同的金 子塔层数,其边缘的尺度也各不相同,层数较低的拉普拉斯子图中的边缘通常较 粗,尺度较大,而层数较高的拉普拉斯子图,其包含的边缘较细,尺度较小。所 以我们可以根据金字塔的层数对不同尺度的边缘进行增强。 滤波增强各层上拉普拉斯子图进行滤波增强所用 的公式如下: uPPerb。训d 层的输入图像,I’。x米乐m6,力是第n层的输出图像,叩perbound lowerbound 是用户定义的上界和下界,c。和 层的增强系数。此滤波 增强使用 的是线性和非线性 的增强 ,而且根据金字塔 的层数不同,其对应 的参数 也不同,能适应不同医生对 图像质量的要求 。实际使用中其参数需要专家根据实 际图像进行调整 原图叠加将滤波增强后的拉普拉斯子图与各层原图像相加。此叠加是把 图像 的边缘信 息、增强后与 图像的低频部分相叠加 ,叠加后需要使用拉普拉斯金字塔融合把各层 叠加后的图进行融合才能最终获得增强后 的图像 第六章小波降噪增强 基于 CCD 拍摄的医学视频通常噪声较大 主要是高斯白噪声,这种噪声与 拍摄的仪器相关 ,且在不同频率带上分布参数也各不相 同。使用小波变换将视 频转换到频域空间过滤,可以在不同层数上对小波系数按其数值大小进行不同程 的压缩和放大,再通过增强和降噪的配合使用可以取得比较好的图像处理效果。 小波增强小波降噪 61小波增强降噪流程图 ,图像的主要信息就表现为低频信号,图像的细节和噪声就表现为高频信号。图像的高频部分的小波系数中,数值比较小的我们认为是图像的噪声或是一 些不重要 的部分,而数值 比较大 的则是图像的细节或是重要部分 以在降噪时我们对高频部分的小波系数进行指数的非线性压缩,这就可以而在增强的时候对 高频部分的小波系数进行非线性指数变换来增强图像的细节。 小波变换基本公式如下: ohen eauveau CDF2,2 小波基,使用的基于提升Lifting 框架的离散整数小波变换。本算法的实现参考WA ILI 小波变换函数库中的
访问手机版
微信公众号