第三章-医学图像增强2.pptVIP

医学影像图像处理 生物医学工程系 需要注意的问题： 处理时应考虑人眼的视觉特性和硬件的表现能力，达到合理的匹配 处理时必须考虑处理目的，选用合适的方法 1.1水平方向一阶锐化 1.2垂直方向一阶锐化 锐化后处理 2.无方向一阶锐化 Sobel、Priwitt锐化算法 的计算公式如下： 3.二阶锐化 从图像的景物细节的灰度分布特性可知，有些灰度变化特性一阶微分的描述不是很明确，为此，采用二阶微分能够更加获得更丰富的景物细节。 §3.5（伪）彩色图像增强 一、 颜色的基本物理特征 色相：指能够比较确切地表示某种颜色色别的名称 明亮度：色彩的明亮程度 纯度：色彩的纯净程度，它表示颜色中所含有色成分的比例 二、加色与减色混色 论文结构 引言(简要介绍医学图像增强的研究背景及意义) 算法原理(简单介绍了本文所用到的数学知识) 算法流程(提出了一种基于小波变换的模糊域增强算法) 结果与讨论（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） 结束语 1、引言 医学影像是医生临床诊断和治疗的重要辅助手段 医学图像在采集、传输中会引入大量噪声 为了提高图像的可读性，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 2、研究现状 传统方法：频域滤波（低通滤波、wiener滤波），空域滤波（中值滤波） 新方法：1、经典的图像增强方法的改进 2、基于小波变换的图像增强技术 3、基于神经网络、模拟退火法、遗传算法的图像增强技术 4、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。 3、算法流程图 4、结果与讨论 软阈值去噪 图像的噪声主要分布在高频区域 经小波分解后，信号的小波系数幅值要大于噪声的系数幅值，可以认为，幅值比较大的小波系数一般以信号为主，而幅值比较小的系数在很大程度上是噪声 软阈值函数 模糊域增强 模糊子集，隶属函数 设U=(x)是一个集合，μ(x)是定义在U上并在[0,1]区间中取值的一个函数，则μ(x)刻划了U中的一个模糊子集A，我们称U是论域，A是U的模糊子集，μ(x)是A的隶属函数。 最大隶属度原则 最大隶属度原则就是认为元素隶属于隶属度最大的集合。 模糊域增强流程图 重构 结果讨论 拉普拉斯锐化 § 3.3.3 图像平滑 一、平滑的目的： 抑制或消除噪声 作为其它处理的前处理 二、平滑的算子 0 1/5 0 1/5 1/5 1/5 0 1/5 0 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 邻区平均 1/10 1/10 1/10 1/10 1/5 1/10 1/10 1/10 1/10 1/16 1/8 1/16 1/8 1/4 1/8 1/16 1/8 1/16 加权平均 选择平均：参考Ann Scher, et al., Some New Image Smoothing technique, IEEE Trans. SMC Vol. SMC10, No3 三、线性平滑算子特性的分析 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 以右侧的3×3邻区平均模板为例： 四、非线性平滑滤波器 －中值滤波，百分比滤波，最大值滤波，最小值滤波 中值滤波是将选定的奇数像素窗口内的各像素灰度按大小排队，用中间的灰度值代替窗口中原图像中间位置的像素。因此是一种非线性滤波。 百分比滤波 与中值滤波类似，是将选定的奇数像素窗口内的各像素灰度按大小排队，用最接近某个亮度百分比的灰度值代替窗口中原图像中间位置的像素。 最大值滤波 最小值滤波 方法与上述类似，用于检测图像中最亮的点。 方法与上述类似，用于检测图像中最暗的点。 3.4 频域滤波增强 § 3.4.1 概述 频域滤波处理的一般方法： G(u,v)=H(u,v)F(u,v) f(x,y) F(u,v) G(u,v) g(x,y) 变换 乘H(u,v) 反变换 因此：频域滤波处理的关键是选取合适的滤波器函数 H(u,v) ! § 3.4.2 低通滤波 一、理想低通滤波器 H(u,v) = 式中D0是一个非负整数，D(u,v)是从点(u,v) 到频率平面原点的距离。 1 当D(u,v)≦D0 0 当D(u,v) D0 D(u,v)＝(u2+v2)1/2 理想低通滤波器的处理效果： 低频增强 滤波后图像 原图 § 3.4.3 高通滤波 一、理想高通滤波器 H(u,v) = 0 当D(u,v)≦D0 1 当D(u,v) D0 理想高通滤波器的处理效果例 高频增强 滤波后图像 原图 §3.5.1