第二章 医学影像图像数字化及其运算.pptVIP

第二章 医学影像图像数字化及其运算 对医学影像图像的数字化处理 Shah函数与信号采样 Shah函数定义 Shah函数性质----相似性 傅立叶变换 一维信号及其采样 采样：将连续的信号变成离散的数字数据的过程，对一维信号，采样就是对连续信号按Δt的时间间隔进行抽取后得到的数字信号 采样的时间间隔很重要，间隔不当会造成各次谐波重叠，达不到数字化效果。 采样定理 在采样过程中，若要使某一信号f(t)不包含大于频率BHz的频率成分，采样时间间隔必须满足： 即当采样频率fs大于信号中频率为fB的2倍时，即：fs =2fB时，采样之后的数字信号能完整地保留原始信号中的信息 一维信号的量化 量化是指将采样得到的数据用一定范围内的整数描述，使其离散化。 量化精度为取值范围的大小，精度越大，范围越大，量化越精细，否则量化越粗糙。 量化可以分为均匀量化和非均匀量化 均匀量化：在取值范围内等间隔量化 非均匀量化：对出现频度少的部分量化间隔取大，而对频度多的部分量化间隔取小 二维图像信号数字化 图像采样：将空间上连续变化的图像转换成离散的采样点(即像素)集的操作 采样过程：在水平和垂直两个方向上分别进行数据点的选取 在x轴和y轴两个方向上进行 设图像每行有m个像素，每列有n个像素，则全图是mxn个点的集合 采样间隔的选取： 采样间隔取得不合适除了画面出现马赛克之外，还会发生频率的混叠现象 图像量化：用一定的数据表示每个采样点的颜色和亮度信息，一般的量化值都用整数表示 在充分考虑到人眼的识别能力之后，目前非特殊用途的灰度图像均为8位量化，即用一个字节（范围变化为0~255）来描述从“黑”到“白” 量化的分辨率反映了将图像信息进行离散化的程度，常用灰度级来衡量，灰度级越高，量化越精细，反之则越粗糙 当量化灰度级＜3时，会出现伪轮廓现象 量化级别与图像 单帧静态图像数字化--静止图像的数字化 采样过程：水平+垂直 量化过程：明暗程度数字化 多帧动态图像数字化--运动图像的数字化 采样过程：水平+垂直（空间采样 ）+时间间隔（时序采样 ） 量化过程：明暗程度数字化 数字图像的优点 灵活性大 精度高 再现性好 图像的矩阵表示与图像数据量 对于平面上的静止灰度图像，图像就是一个由若干像素组成的二维矩阵：I = f（x ，y） 二维图像的矩阵表示（M,N为矩阵的行与列） 其中M、N须为正整数 设离散灰度级数L为２的整数次幂: L=2k, 图像的动态范围[0, L-1] 数字图像存储所需的字节数：B=M*N*k/8 若N=M,则N, k变化时存储比特数的变化如下图： 图像灰度直方图 灰度直方图的概念 对一幅图像所包含的全部像素进行灰度值的统计，并用横坐标表示不同灰度值，用纵坐标反映图像中具有该灰度值的像素个数，由此得到的曲线称为图像灰度分布的直方图(histgram) 图像分辨率对直方图的影响 思考：如何用程序求得一幅图像的直方图 ？ 灰度直方图的性质 只反映了图像灰度的统计特性，并不包含位置信息 直方图仅仅描述了图像中像素的灰度级分布，但没有描述出像素的空间关系 可以反映出图像的总体特性，如偏亮、偏暗、细节清晰或模糊、灰度变化动态范围等等 直方图一定程度上能反映图像的清晰程度，当直方图均匀分布时，图像最清晰。因此可以利用直方图来使图像更加清晰 可以作为图像边界阈值的选择 阈值化技术：利用像素灰度级对像素进行分类 图像中每个区域都是由许多灰度近似的像素组成，物体和背景以及不同物体间的灰度均有明显差别，这种差别将在图像的灰度直方图中呈现明显的峰值，分别与不同的灰度级范围相对应 图像的基本运算 图像的点运算 点运算的含义：实质是基于像素的运算，即将原图像中的像素灰度值经过一定的变换，以此来改变图像的质量或对图像进行其他操作 该运算只在对应位置上对图像的各个像素点作处理，修改后的图像每个像素灰度值只与原图中该位置的点有关 B ( x, y )= f [ A ( x, y ) ] f 称为灰度变换函数 GST (Gray Scale Transformation) 点运算不改变图像内像素之间的空间关系，是“从像素到像素的运算” 与点运算相对应的是区域运算（局部运算），即修改后的图像中每个像素灰度值与其周围的一个区域（也称为邻域）有关。用表达式表示就是： B ( x, y ) = g [ A ( x, y ) ,δ ( A ( x, y ) ) ] 其中δ为原像素点的周围邻域 区域运算的结果不仅与对应位置像素点的灰度值有关，还与该像素点周围的其他像素点灰度值有关。 点运算的应用 光度学校正：希望数字图像的灰度能够真实反映图