生物医学工程专业概论-医学图象处理.ppt

图象分割：边缘提取 图象分割：交互分割 二维分割是对一个个的切片单独分割，将这些分割结果组合起来得到三维的分割结果。 三维分割是将所有切片图象数据看作一个整体，由操作者给出初始区域（一般是欲分出的区域中的小块，或欲分出的区域的一些边界点）后，直接在三维空间中用模糊分割等方式进行分割。 交互式区域分割是在操作者的干预下，利用同一区域内图象象素在灰度值上的某种一致性，以及同一区域内图象象素在空间上的连续性等等信息来分出区域。它又有三维分割和二维切片分割两种方式。 医学图象处理发展的四个阶段 1980年前—1984年：医学图像质量较差。二维图像处理与分析，重点是图像分割、配准等。 1985年—1991年：医学成像设备的发展，MR设备成为越来越重要的数据源。计算机辅助诊断、图像分割、配准、三维重建等是研究重点。 1992年—1998年：高质量的三维MR图像出现。螺旋CT、超声、SPECT和PET也迅速发展。医学影像处理与分析中的问题越来越复杂，功能图像的处理与分析出现。 1999年以后：成像技术更先进。图像处理算法更复杂。例如：功能激活区提取，纤维追踪算法研究。 §4 医学图象处理 之 作用 什么是图象？ “图”是物体投射或反射光的分布 “象”是人的视觉系统对图的接受在大脑中形成的印象或反映。 “图象”就是客观和主观的结合。 Photo vs Image 模拟图象（analog image）：照片、电视画面等，特点是速度快，实时并行处理，硬件实现，缺点是精度差，灵活性差，无判断能力和非线性处理能力。 数字图象（digital image）：量化的模拟图象，优点是处理精度高，内容丰富，可以进行非线性处理，处理灵活（软件实现），缺点是处理速度、分辨率和精度受限于计算机发展技术。 连续图象?数字图象 对连续图象 f（x，y） 进行数字化 空间上，图象抽样 幅度上，灰度级量化 x方向：抽样M行 y方向：每行抽样N点 整个图象共抽样M?N个象素点 一般取 M=N=2n=64，128，256， 512，1024，2048 x y 数字图象的表示 数字图象：用矩阵来表示 医学图象处理的内容 图象增强（灰度变换、直方图修改、图象平滑、边缘增强、伪彩色等） 空域增强 变换域增强（图象变换：FT、WHT、WT等） 图象压缩（变换编码、行程编码、预测编码、差分编码、算术编码等）——PACS 图象变换：DCT、WT 编码方法：如Huffman编码 医学图象分析的内容 图象复原 图象分割（特征提取） 图象分类与识别（特征提取、模式识别） 图象配准与融合 多维图象重建与可视化 可视化人体数据库 虚拟人体 图象增强的目的 采用数学的或数字图象处理的技术手段 改善图象的视觉效果，将图象转换成更适合于人眼观察 改善图象的特性，使之更适合于机器分析识别的形式，以便从图象中获取更有用的信息。 直方图（Histogram） Fourier变换：幅度谱 幅度谱 原图象 v u 图象表示 函数图形表示 谱的表示 图象增强：对比度调整 图象增强实例： 图象增强实例： 图象增强实例： 伪彩色处理效果 图象增强：滤波 对图象滤波，达到消除图象中的噪声或者增强边缘等提高图象质量，有利于操作者的观察。 采用图象滤波处理往往能有效地改善图象的视觉效果。 图象增强：空间域中值滤波 图象增强：自适应加权中值滤波 原始图象 结果图象 滤波方法的比较 (c)AWMF (b)MEDIAN (a)原图 图象增强：频域滤波 高通滤波 低通滤波 边缘检测：什么是边缘？ A(x) A(x) A(x) A(x) x x x x 显微图象的边缘检测 比较 轮廓提取结果 (A1) (A2) (A3) (A4) (A5) (A6) (A7) (B1) (B2) (B3) (B5) (B6) (B4) (B7) (C) （A1）原始旋转扫描超声图； （A2）自适应加权滤波后的A1； （A3）A1的二值图； （A4）形态学滤波后的A3； （A5）初始轮廓； （A6）初始轮廓在原图A1中的位置； （A7）A1的最终轮廓； （B1）插值后的超声图； （B2）自适应加权滤波后的B1； （B3）B1的二值图； （B4）形态学滤波后的B3； （B5）B1的初始轮廓； （B6）初始轮廓在原图B1中的位置； （B7）B1的最终轮廓； （C）原始旋转扫描超声图A1在自适应 加权滤波后的Sobel梯度图 图象压缩（Compression） Source Image (640x480 pixels) Decompressed at CR = 240:1 医学图象编码与压缩的目的 矛盾： 图象的数据量巨大 图象数据存储和传输能力有限 图象数据量 　 一幅图象