一种快速滤波图像增强算法翻译摘要.docVIP

一种快速滤波的图像增强算法 摘要 本文描述了一种快速图像增强的滤波算法，算法试图在在一个给定的过滤级别执行噪声平滑时对原始图像进行最小的结构修改。过滤后的图像是从低通滤波获得原始图像的四个主要方向上的子图像的一个加权组合。每个子图象上的权重是由这些子图像和原始图像之间的差别决定的。了提高图像结构的边界结果图像被不对称的锐化为。这种过滤结构的总体效果是有效的自适应降噪和使用阵列处理器的高效实现的边缘增强。高正则性和算法的并行性也使得它适合应用超大规模集成电路(集成电路)或多处理器系统高效的实现。算法在有效地减少图像噪声和增强图像重要结构上的性能用低场强成像系统得到的几个MR图像进行讨论和演示。 1. 引言 从医疗成像系统中获得的图像必需取得一个三维的二维表示以用于医疗诊断。的三维(3d)对象。不幸的是,大多数图像因各种扭曲而退化。有时,这些扭曲导致对象表示不足的问题和作出准确的图像分析困难。在这些扭曲中,噪音污染往往是最严重的一个。有效的纠正其他扭曲往往密切相关,基于成功的降噪。因此,降噪是更好提高图像质量的医学图像处理的核心问题。 对图像的噪声滤波本质上是一个平滑的过程。但是简单的低通滤波会模糊图像的边缘和细节从而损坏了图像的保真度[1]。这些结构对于人类的视觉感受是很重要的。他们对于自动图像分析和合成同样很重要，例如在电脑视觉和图像配准领域[2], [3]。一些滤波算法成功的处理了这些问题，例如局部统计自适应滤波算法[4]，梯度倒数加权（GIW）滤波算法[5], [6],多模型卡尔曼滤波算法[7]和方向滤波算法[1]，[8].因为在医疗诊断成像中一项研究经常需要一系列图像和包含大量像素的图像，所以对于快速图像处理过程来说在选择算法时处理速度是另一个需要考虑的重要因素。这篇文章中描述了一个的快速滤波算法的例子。像很多其他算法一样这个算法的目的在于减少在图像噪声的同时保留图像中重要的结构。它是在图像的同质区域通过在一定平滑水平的约束下最小化对原始图像的修改实现的。它不像传统的图像处理平台包含大多数自适应局部滤波也不包含图像模型识别，例如使用梯度和拉普拉斯算子边缘检测[1]。滤波后的图像 是从低通滤波中获得原始图像的四个主要方向的子图像的一个加权组合。这些在每一个 方向上的低通滤波算子是非自适应的因此可以使用阵列处理器有效实施。最终的图像是 根据图像的结构的自适应平滑的结果，因此用于合成最终低通图像的加权参数是由这些子图像和原始图像之间的差异控制。因此在有效去除噪声的同时很好的保存了图像的结构。应用非对称边缘锐化方案可以有效地增强降噪后图像的结构。该算法的简单性和规律性使得它适合阵列处理器实现。由于该算法具有高的并行结构，它也可以使用多个同步的微处理器或VLSI电路来进一步加快处理来实现。可以得出结论该算法可以很好的应用到医学图像快速降噪和边缘增强上。 本文的其余部分安排如下：在下一章中，首次提出一个降噪方案而它的一些性能已经被检验过了。然后在第3章，非对称边缘锐化方案提出了图像结构边界增强。该算法在图像降噪和结构保存上的性能将在第4章中进行讨论和展示。这项研究的一个结论是在第5章。 2. 一种快速结构自适应降噪方案 减少图像中的高频随机噪声需要低通滤波这是众所周知的。但线性空间不变（LSI）的低通滤波器会模糊重要图像的结构，如边缘和线条，减少图像的反差。为了克服这个问题，空间变体（结构自适应）过滤器是必需的。这些过滤器应该仅在边缘，线条和图像的同质的（非结构性）阵列中执行强低通滤波。在本节中，一个快速的降噪方案是使用四个面向LSI的低通滤波器组实现的。结构自适应滤波是通过从该滤波器组4子图像加权组合来实现。 由于原始图像上的支持，分别用四个低通滤波器获取四个主要方向上低通滤波图像，正如图一所示。 即， ；； ；. (1) 函数表示沿该低通滤波器第i个方向，i=1,2,3,4分别为对应 0,45,90,135度。这些滤波器是在指定的方向简单的一维（1-D）LSINL，N2 图1 图像支持IS和四大过滤方向 这四个子图像具有的相对原始图像的绝对图像差异被表示为： （5） 这个论点已经在（5）中论述过，由于篇幅原因这里就省略了，在下文中必要时也会有 这些表述。 这些图像差异的值取决于图像结构。当沿着边缘和某些特定区域的线条进行 低通滤波时，这些结构被平滑和很好地保存在输出中，输出图像的像素值与原始图像的像素值差别很小。相应的低通滤波器的输出对原始图像区域提供了一个很好的平滑处理。当低通滤波跨超越边缘与线条，这些结构被严重的扭曲了，因此结