基于小波分析医学图像增强.docVIP

1 引言 随着科技的进步，医学影像成为医生诊断和治疗的重要辅助手段。生物医学图像在医疗诊断中起着不可低估的作用。核磁共振(Magnetic Resonance，MR)、超声(Ultrasound)、计算机X射线断层扫描(Computed Tomography，CT)以及其他的成像技术等，都是无侵害性的器官体外成像的有力手段。这些技术丰富了正常的以及病状的解剖知识，同时它也成为了诊断和治疗体系的重要组成部分。但是生物医学图像本身有着很多不可避免的缺陷，模糊不清或者边界不明显，此外，在图像形成和传输的过程中，图像的像质也会受到一定的影响，这些都给医生的准确诊断造成了一定的障碍。 其中计算机断层扫描(Computed Tomography, CT)因为其图像的分辨率高，对人体损伤小，而成为病理和解剖研究的主要手段。然而图像本身有着很多不可避免的缺陷，为了提高图像的可读性以便对人体的解剖结构和病变部位进行更有效的观察和诊断，对其进行计算机处理（去噪、增强）就显得非常必要。 图像增强是指按特定的需要突出一副图像的某些信息，同时去除一些不需要的信息。通常改善图像质量的方法有两种【1】:一个是不考虑图像的降质原因，只将图像中感兴趣部分由选择的突出，衰减其次要信息，这种方法能提高图像的可读性，改善后的图像不一定接近原始图像，如突出目标轮廓、衰减各种噪声等；另一个是针对图像降质的原因，设法补偿降质因素，从而使改善后的图像尽可能逼近原图像，这类方法称为图像复原。 常规的图像增强方法主要有两类【2】:一类是基于频域，针对整幅图像的全局处理，如低通滤波、Wiener滤波等；另一类是基于空间域，针对图像中某一像素中邻域的局部处理，如中值滤波、统计滤波等。这两类消噪增强处理要么完全在频率域，要么完全在空间域展开。因此，这两类处理方法造成了顾此失彼的局面，虽然抑制了噪声，却损失了图像边沿细节信息，造成图像模糊。 一些经典的图像增强技术已经得到了广泛的应用，取得了不错的效果，但都存在一定的不足，如造成图像噪声增强或丢失图像细节等。 近20多年来，不少的研究者提出了许多新的图像增强技术，试图达到更好的改善图像视觉效果的目的。这些新的图像增强方法大体上可分为以下几类:经典的图像增强方法的改进，如改进反锐化掩模法等；基于小波变换的图像增强技术，如基于小波变换的去噪、图像增强等；基于神经网络、模拟退火法、遗传算法的图像增强技术；基于数字形态学的图像增强技术，如基于粗糙集理论、模糊数学的增强方法。 小波变换在图像增强中的应用已经起步，国内外已有不少学者都在做这方面的研究，主要包括以下几个方向【1】：针对高频分量阈值方法的改进，主要集中在阈值函数和阈值求取方法的改进；高频分量的非线形变换，增益函数的设计是算法的关键；通过不同尺度上小波系数模极大值确定边缘，之后再进行有针对性地增强去噪处理，一定程度上避免了边缘信息同噪声一起被滤掉，边缘的准确确定是算法的关键；利用相邻层之间的相关性进行图像去噪等；此外，将小波变换与神经网络、遗传算法结合使用也是近年来图像处理研究中的热点课题。 寻找能够兼顾平滑噪声和保留图像边缘及其它有意义特征的图像去噪增强算法一直是医学图像处理这个领域的一个难点，又是一个热门课题。本文的工作是尝试利用小波分析软阈值去噪与模糊域增强的方法来抑制医学CT图像的噪声和对CT图像进行增强。 全文共分为4部分，其主要内容和结构安排如下: 第1部分，绪论，简要介绍医学图像增强的研究背景及意义，以及其研究方法与研究现状，最后给出本文的研究内容和安排。 第2部分，简单介绍了本文所用到的数学知识。这一章是后续章节理论基础。 第3部分，主要研究了基于小波理论的图像增强技术，提出了一种基于小波变换的模糊域增强算法，并尝试与软阈值去噪结合，通过Matlab平台，对图像增强传统方法与本文所用算法进行比较，验证了该算法的可行性和优越性。 第4部分，总结全文，并展望了未来工作的一些研究方向。 2 去噪基础 2.1 小波变换 小波变换（Wavelet Transform）是20世纪80年代后期形成的一个新兴的数学分支。它是在傅里叶分析的基础上发展起来的，但小波分析与傅里叶分析存在极大地不同。从微观上看，小波变换与福利叶变换的根本区别是有小波与正弦波的不同局部化性质产生的；从宏观看，傅里叶分析是整体域分析，用单独的时域或频域表示信号的特征，而小波分析是局部化时频分析，它用时域或频域的联合表示信号的特征【3】。小波变换通过伸缩和平移等运算功能对函数或信号进行多尺度分析解决了Fourier变换所不能解决的许多困难，因而小波变换被誉为“数学显微镜”。常用的小波基函数有:Daubechies小波、B-样条小波、Morlet小波、Meyer小波等。 不同的小波