一种基于小波变换的医学影像压缩方法研究.docVIP

精品论文 参考文献 一种基于小波变换的医学影像压缩方法研究 邢庆军 武德玉（黑龙江省大庆油田总医院 163001） 【中图分类号】R445 【文献标识码】A 【文章编号】1672-5085 (2010)25-0168-02 【摘要】 由于医学图像信号一般具有较强的相关性，如果经过多维坐标系适当的旋转变换后，把散布在各个原坐标轴上的原始图像数据集中到新坐标中的少数坐标轴上了，再经适当的适量量化和编码，就可以实现高效数据压缩。 【关键词】 小波变换 医学影像 图像压缩 一般医学影像具有海量数据的特征，即病人数量庞大，单个病人的影像容量较大，从而使医院的影像存储受到极大的挑战。为了有效存储病人影像，并且实现长期在线存储调阅，对医学影像进行适当合理的压缩非常必要，并迫在眉睫。 为了解决上述问题，我们研究了一种医学影像压缩方法。我们是采用小波变换的累进编码压缩算法，对影像文件进行可控有损压缩。很多研究和实验表明，使用小波变换的图像压缩方法，得到的图像质量明显好于传统的图像压缩方法。由于医学图像信号一般具有较强的相关性，如果经过多维坐标系适当的旋转变换后，把散布在各个原坐标轴上的原始图像数据集中到新坐标中的少数坐标轴上了，再经适当的适量量化和编码，就可以实现高效数据压缩。因此，我们把图像压缩过程分为以下步骤：如图1所示： 。 图1 医学影像信号一般具有较强的相关性，如果经过多维坐标系适当的旋转变换后，把散布在各个原坐标轴上的原始图像数据集中到新坐标中的少数坐标轴上了，再经适当的适量量化和编码，就可以实现高效数据压缩。具体压缩算法如下： 1．颜色空间转换 一般的彩色图片是RGB颜色模式。当使用小波变换时，由于各个颜色分量的相关性较大，因此在小波变换前，先去除各分量间的相关性。可以通过做颜色空间转换来达到目的。我们使用的是YUV颜色空间，将原始的RGB颜色模式转化为YUV颜色模式后，可以在变换前使图像的能量更加集中。经过变换后，图像的大部分能量都集中在Y分量中。 2．小波变换 由于图像是二维信号，因此使用二维张量积小波变换2DWT。设图像信号对应的函数为：f(x,y)，则它的小波分解如下： 由一元二次关系 。 。 就可以得到二维张量积分解关系： 。 在对图像作小波分解的时候，采用低频滤波器和高频滤波器与图像的像素作卷积，并且初始的图像像素作为小波变换的初始系数。 一幅图像经过一次小波变换后，产生了四个子带图像：垂直和水平方向低频子带LL，垂直方向低频和水平方向高频子带HL，水平方向低频和垂直方向高频子带LH及垂直和水平高频子带HH，其中LL子带集中了图像的大部分能量，即大幅值系数大部集中于此。以后的小波变换都是对前一次变换产生的低频子带进行变换。LL子带信号称为分析信号，HL，LH，HH三个子带称为细节信号。 Mallat在1989年提出了著名的快速小波分解算法（FWT），也称为Mallat算法，这使得小波从理论研究走向了宽广的应用研究。从滤波器的线性相位考虑，采用双正交滤波器，重构滤波器组仍为高通分析滤波器H和低通综合滤波器G。H和G正交，即满足如下公式： 3. 零树编码 图像经小波变换后，不同分辨率相同方向上的各子带图像变换系数仍具有很强的相关性，为了有效解决这种相关性，我们采用了EZW（Embedded Zerotree Wavelet Algorithm）算法，利用较粗尺度上的系数来预测较细尺度上的系数，从而有效地表示数据。 原始图像经过小波分解后，形成了多个（分辨率）级，各级的视觉重要性（即对重构图像视觉质量的影响）是不一样的：级越高这越重要，级越低者越不重要。对于同一级的各个子带图像中，其重要性也不一样：低频子带 是最重要的，其次是水平高频 和垂直高频 两个子带，而对角方向的 子带不重要。利用EZW算法，在数据编码的时候，零树不编码，且对所要编码的数据进行“Z”字形扫描，即先编码重要的系数，这种扫描顺序符合同一分辨率级内的不同方向子带系数的重要性原则，且满足人的视觉特性（HVS）。零树越多，则误码率将越低，图像的压缩比也越大，传输的速率也越快。 这种算法具有两个比较突出的特点：1.编码者能够在任一点处结束编码，这点能够保证对图像源可以在任意所要求的精度下完成编码；2.不需要普通矢量量化编码通常必需的点格式码书（code book）及大量图像源的预先知识，大大降低了图像编码运算的数量级。 在实际编程实现时，我们利用其中提供的heap数据结构，对算法进行了改进。我们使用这种结构记录零