一种高效医学图像滤波方法.docVIP

一种高效的医学图像滤波方法 　　摘要： 作为观察人体内组织、器官的医学图像有其独有的特点，本研究在图像形态学重建算法的基础上，提出一种适用于各种医学图像的滤波方法，此滤波方法首先在感兴趣区域内寻找“最大八连通域”，然后通过改进后的测量膨胀算法对图像内所有像素进行选择，最终实现自动保留感兴趣区域，并去除其他非感兴趣区域的目的，实验结果证明，与传统的滤波方法相比，此方法可以既快速又有效地对X-CT图像、MRI图像和超声图像进行滤波处理。 　　关键词： 图像滤波；医学图像；形态学重建算法 　　中图分类号：TP391.41 文献标识码：A 文章编号：1671－7597（2011）1110028－03 　　0 引言 　　医学图像是在各类医学成像技术迅猛发展的大环境中诞生的一种新型的数字图像，其所包含的是通过非介入的方式所获得的人体内组织、器官的结构或者功能分布情况。正是由于成像对象的特殊，从而决定了医学图像的复杂性及各种因素的不确定性，具体说就是图像内往往存在许多干扰噪声。这些噪声的存在对于临床通过医学图像观察人体组织、器官正常与否，诊断疾病造成了巨大的阻碍。因此对于这些噪声的滤波就成为医学图像重要的预处理步骤，也是医学图像后续工作如分割、边缘提取和三维重建等质量好坏的重要保证。 　　常用的医学图像滤波方法可分为线性滤波法和非线性滤波法，其中的线性滤波方法包括：领域平均滤波、高低通滤波等等。这些滤波算法虽然原理简单，易于实现但在其处理过程中会模糊图像的边缘或细节，是以牺牲图像清晰度为代价的折中方式。非线性滤波方法是近年来为了解决线性滤波方法存在的问题而发展起来的，目前比较常用的有：中值滤波、同态滤波、小波变换滤波和基于形态学重建的滤波等[1-3]。各非线性滤波方法都能一定程度的滤除图像的噪声，但每种方法也都存在一些缺点。 　　上述非线性滤波中的形态学重建算法作为当今医学图像滤波中的热点研究领域，是以形态学数学为基础，可以有效的去除图像中的非感兴趣区域，最终达到化简图像的目的。算法中定义图像为掩模图像A，在感兴趣区域内定义标记图像B（B≤A）。如果图像为二值图像，则重建就是将至少包含B中一个像素的A内像素连通成分进行并集运算[4]。而基于递增性原理，可以很容易的将二值图像的形态学重建算法扩展到灰度图像。经典的形态学重建算法包括有：膨胀重建[5-6]、结构元重组[7]、距离编码[8]、规则队列[9]等。这些算法在滤除噪声的同时尽可能的保留了图像内的细节信息，但它们有一个共同的缺点，即运算效率低，且对数据依赖性很强。 　　Downhill滤波[10]是以膨胀重建为基础的一种改进算法。此方法同样以感兴趣区域中选取的标记图像B作为算法的初始化区域，对图像进行重建；然而，在重建过程中通过创建一个能够随意存取数据的标记矩阵，保证了图像中的每个像素只进行一次运算。对于所得到的结果图像，在图像质量上保留了形态学重建算法的特点：简化图像且保存了图像的轮廓信息，同时其最大的特点是：避免了图像中像素点的重复计算，对图像数据的依赖性小，具有很高的运算速度。这点对于将形态学重建作为一种预处理方法提高程序效率是非常重要的。实验证明，此方法在CT图像和核磁共振图像上都取得了很好的效果。但Downhill滤波需要确定标记图像B，算法相对繁琐，并且不适用于超声图像滤波等问题阻碍了其应用的范围。在前面的工作中，我们已成功解决了Downhill滤波应用于超声图像的问题[11]。本文将阐述如何基于“最大八连通域”的概念，无需定义标记图像B，自动在感兴趣区域内确定初始化区域，完成滤波重建工作。从而在不影响图像质量的前提下，对算法实现了简化，获得了一种简单、迅速、高效的医学图像滤波方法。 　　1 滤波算法的原理 　　1.1 形态学重建的基本概念 　　在形态学重建领域最基本的是膨胀重建，然后在此基础上又发展出了条件膨胀和测量膨胀等新方法。 　　公式（1），定义了一个最基本的膨胀过程δ（I）。 　　 （1） 　　式中，M表示图像，p和q表示图像M中的像素，IG（p）是以图像中像素p为中心点的邻近范围内的像素，δ（I）M就是对图像M进行大小为I的膨胀重建。此过程可描述为：对于图像M中任意一个像素p，在其邻近范围中某一像素q的值为M[q]=max（M[p]，M[q]）[11]。 　　当膨胀重建中的图像M为标记图像时，对标记图像膨胀后再与掩模图像进行交集计算，这就是条件膨胀δM（I）*N[11]，如（2）式所示。 　　 （2） 　　式中N为掩模图像，M为标记图像，∩为交集运算符。 　　在条件膨胀的基础上，测量膨胀δM（I）N的定义如式（3），即对图像N，以M为标记图像，进行大小为1的条件膨胀，重复I次[11]。 　　 　　 　　1.2 Downhi