基于分类医学影像分形编码.docVIP

基于分类医学影像分形编码 　　摘　要：从分形编码理论和医学图像的基本特点出发，提出将分形编码技术应用于医学影像压缩的主张。并结合Fisher分类方法针对医学图像的特点提出改进方法，进一步提高图像压缩编码的效率。 　　关键词：分形编码；医学影像；分类 　　中图分类号：TP315　文献标识码：A 　　 　　1 引言 　　 　　近年来图像编码取得了重要的进展，许多新的思想被提出来，分形编码就是其中最引人瞩目的技术之一。分形编码打开了图像压缩的一个全新的编码思路，而将分形技术应用到医学影像压缩是一项非常有意义的尝试。 　　 　　2 分形编码 　　 　　在上世纪80年代末期，Barnsley和Sloan首次提出迭代函数系统(Iterated Function System，IFS)的概念，并认识到IFS可以很好地被应用于图像压缩领域。 　　 　　分形编码的基本思想是：利用图像处理技术首先把图像分成若干小块，然后拼合匹配，在IFS库中寻找这些小块，记下每个小块的IFS代码，这些IFS代码便是图像的分形码表示方式。 　　通过这组码，可迭代恢复出原来的图像。因IFS码需要较小的数据表示，故此法可得到较高的压缩比。因此，一幅图像的分形编码就是寻找一个合适的压缩仿射变换，它的不动点是原始图像尽可能好的近似(基本分形编码过程如图1所示)。而解码图像由分形码表示的压缩变换迭代作用于任意初始图像来逼近，是一个相对简单的快速迭代过程。 　　随后在上世纪90年代，掀起了对分形图像压缩技术研究的热潮。但是分形图像压缩技术存在一个致命的缺点，即压缩时间过长，以至于不能实用。所以在90年代后期之后，对于分形图像压缩的研究则主要集中在对编码的加速方面，但一直没有得到很好地解决。 　　 　　3 医学影像 　　 　　近20多年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对人体内部病变部位的观察更直接、更清晰，确诊率也更高。计算机和医学图像处理技术作为医学成像技术的发展基础，带动现代医学诊断产生着深刻的变革。在医学影像系统中，图像压缩是至关重要的技术之一。 　　在医学影像中，如各种X片、超声影像等图像数据量大，而且日增量大，若图像未经压缩就存储到数据库或其他介质上，对数据库及存储介质的容量、性能以及管理等都提出非常高的要求，对网络带宽及通信质量保证也有较高要求。因此，在各类医学影像系统中都采取了相应的图像压缩技术，而医学图像由于其特有的严肃性，要求压缩技术具有较好的还原性，能尽量减少图像细节损失。 　　 　　在实践中我们发现医学图像中存在着大量的背景色及近背景色区域，内部灰度分布比较均匀，具有较大的空间冗余，且图像具有非常明显的分形特征，所以采用改进的分形编码技术来压缩图像，应能较好地满足以上特定的需求。 　　 　　4 分类技术 　　 　　在分形压缩编码技术中，搜索最佳匹配计算量很大，占用了编码的大部分时间，限制了它的实际应用，因此如何快速地寻找定义域子块(DomainBlock，简称为D块)和值域子块(Range Block，简称为R块)之间的最佳匹配是最为关键的部分，它要求快速剔除不需匹配的D块，降低需要计算的欲匹配D块的数目，且不能误删可能成为最佳匹配项的D块，即以较小的计算代价为每个R块寻找一个包含最精确匹配的最小D块集合。 　　寻找最精确匹配的最小D块集合，最直接的方法就是采用穷举法。一般而言，一幅图像按既定方法分割后得到的D块数目比较大，穷举法的计算量也非常庞大，因此现已提出了许多加速方法，其中最常见的就是分类法(Classification Tech-niques)。 　　分类方法的思想是：预先将所有D域块按一定的分类准则(往往是图像块的一些灰度特征)分成若干类，在编码时对每个待编码的R块，按照同一准则确定它所属的类，其最优匹配块只在同类或相邻类的D块中寻找，从而在不降低图像质量的前提下，减少了搜索量。由于此时是局部搜索而非全局搜索，因而对一个待编码的R块，其“最优”匹配的D块可能无法找到，不可避免地造成解码图像的质量会有所下降。然而，如果编码速度提高很多，而图像质量下降在可允许的情况下，这种“不是全局最优但是局部最优”的满意匹配的快速编码原则是合理的，相应的编码方法是有效实用的，因此基于这种思想的加速方法颇受关注和重视。Fisher分类将图像块等分为4个像限，在每个像限中，分别计算相应的灰度均值Ai和方差Mi。 　　 　　式中i∈{1，2，3，4}；n是各子块的像素个数，Pj，是各子块中位置j的像素值。 　　首先按照各子块的亮度总和值排序，共有4!=24种情况，将图像块旋转或翻转使得灰度均值依从大到小方式排序，共将图像块分成3个主类，即第一主类：A1≥A2≥A3≥A4；第