医学图像增强方法研究
摘要：简要介绍医学图像增强的概念和主要目的。从传统图像增强方法、基于区域的增强方法和基于小波变换的增强方法三方面对医学图像增强方法进行讨论。最后介绍图像增强效果的评价方案。
关键词：图像增强，算法，区域，小波变换，评价
图像增强根据图像的模糊情况采用了各种特殊的技术突出图像整体或局部特征，常用的图像增强技术有灰度变换、直方图处理、平滑滤波(高斯平滑)，中值滤波、梯度增强、拉普拉斯增强以及频率域的高通低通滤波等，然而，这些算法运算量大、算法复杂、处理速度低。
目前，图像增强没有统一的标准，医学图像增强的主要目的是满足医生诊断的临床应用需要。因此，如何提高医学图像质量，是图像处理的一个重要课题。
图像增强可归纳为两方面[2]：(1)消除噪声;(2)边缘增强和结构信息的保护。（图像增强方法的研究）
图像增强方法主要分为频域法、空域法两大类[2]。频域法通常计算量大，变换参数的选取需要较多的人工干预；空域法主要包括直方图均衡化、直方图变换、灰度拉伸、局部对比度增强、平滑滤波和反锐化掩模[4~ 6]等。直方图均衡化是最常见的图像增强方法，其主要缺点是图像易出现不平滑灰度过渡。当图像直方图含多个波峰时，会出现过度增强，不仅丢失了部分图像细节信息，而且会明显放大噪声，影响图像增强的效果。平滑滤波可去除一定噪声，但会使图像模糊，对比度增强不明显。反锐化掩模可以增强图像的边缘和细节，但同时也会增强噪声。此外，图像的高频细节区域相对低频区域增强显著，易出现过增强现象。利用这些空间域图像增强算法处理医学图像，存在对噪声敏感且易陷入欠增强或过增强等不足。（基于量子概率统计的医学图像增强算法研究）
图像增强的过程往往也是一个矛盾的过程：图像增强希望既去除噪声又增强边缘。但是，增强边缘的同时会同时增强噪声，而滤去噪声又会使边缘在一定程度上模糊，因此，在图像增强的时候，往往是将这两部分进行折中，到一个好的代价函数达到需要的增强目的【3]。传统的图像增强算法在确定转换函数时常是基于整个图像的统计量，如：ST转换，直方图均衡，中值滤波，微分锐化，高通滤波等等。这样对应于某些局部区域的细节在计算整幅图的变换时其影响因为其值较小而常常被忽略掉，从而局部区域的增强效果常常不
够理想，噪声滤波和边缘增强这两者的矛盾较难得到解决。
目前，许多新的增强算法都充分利用了周围邻域这一重要的信息，形成了很多局部处理的灰度调整算法，该方法主要利用了邻域的统计特性【4]。自适应增强的研究主要集中在以下三大类增强算法：
1.既能平滑又能保护边缘的自适应滤波器。自适应滤波的基本思想是滤波器的参数可根据像素所在的邻域情况而自适应选取，也可描述为加权平均滤波器。(1)在提高算法的抗噪性能方面，文献〔5]【6〕介绍了几种方法。这些方法可以较好的平滑噪声区域，并能保护较显著的边缘，但对图像细节的保护较差。(2)在提高算法的细节保护能力方面，Saint一Marc【7】利用梯度来决定权值，建立了指数形式的权函数，较好的保护了图像细节。但该算法对脉冲噪声敏感，而且模型的性能受参数的影响比较大。另外，文献【8〕【9]还提出了各向异性扩散思想的改进方法，需要求解热传导方程。这些改进算法多数集中在权值的自适应选取上，但是由于自适应调整的参数较少，仍然不能很好的解决细节保护的问题。
2.基于图像建模和估计理论的增强算法。这类算法的基本思想是提出一个图像的模型，如
果这个模型的参数由一种估计方法估计出来，则窗口中心的灰度值可由估计出来的参数计算得到。最简单的例子就是中值滤波器，对脉冲型噪声有很好的效果。但是，这类算法由于是以估计理论为基础，所以所采用的估计方法的鲁棒性对算法的性能有很大的影响。估计方法趋于复杂，使得算法本身也就较复杂。
3.基于模糊集合论的增强算法.近年来，模糊集合理论在图像处理中得到了广泛的应用【10】。例如Yang和Toh【11】采用模糊规则改进传统的中值滤波器中滤波窗口尺度的选择，改善了算法对高斯噪声的抗噪性能。Russoti【12】提出的自适应模糊滤波算子可以较好的保护图像细节和滤除高斯噪声，其算法中窗口的大小由邻域一致性程度决定，该一致性程度由一个模糊逻辑规则导出。算法不足是对脉冲噪声的滤除效果较差。
另外，还有其他的一些增强的方法。例如为了充分考虑细节问题，在直方图均衡中引入了局部直方图均衡法【13]；近年来，数学形态学【14】等方法也都应用到图像增强中；需要说明的是，在图像增强中变换域增强也得到很广泛的应用，例如付傅氏变换【15]、离散余弦变换〔16〕、小波变换【17]等，其中小波是近年来发展起来的一种新的时频分析工具，它具有时频局部化能力和多分辨率分析的能力，使得它很适合于信号处理领域。对图像进
行多尺度小波变换后，不同频率的信号出现在不同尺度的子带图像上，有了这些特性就能很好的对感兴趣的部分进行增强。图像变换的方法是多种多样的，例如近年来，有的学者提出Curvelet【18]变换也受到极大的关注。
总之，图像增强的方法是多种多样的，其中很多方法都是几种方法交织结合在一起的，针对特定的问题，需要设计与之相应的算法。
传统的医学图像对比度增强方法分为灰度变换法、直方图修正法和局部统计法等3类。分段灰度线性变换能够突出感兴趣的灰度区域，且具有实现简单、速度快的优点。但该方法不是从原始直方图的整体灰度分布形态出发，因此增强能力有限，难以达到整幅图像同时增强的目的，该方法还需医生交互，自动增强难以实现。直方图均衡、直方图规定化等全局增强方法存在着局部对比度过提升或者欠提升(原直方图中频数较小的灰度级被并入几个或一个灰度级中，对应的局部较平滑的细节信号得不到增强)以及平滑区噪声过度放大的问题。局部自适应的直方图均衡法(AHE[1])则能够有效地增强图像各区域的局部细节和边缘信号，但耗时过大，且不能从整体上提高对比度。
可见，传统的医学图像增强方法只从图像本身的整体和局部特性出发，却没有充分考虑到
观察者(医生)的视觉特性。
1传统增强算法
图像增强包括的内容广泛 ,如对比度增强、 去噪、 背景去除、 边缘锐化和滤波等。对比度增强算法分为直接和间接两种方法:直接方法主要是通过修正直方图而达到增强的目的;间接算法是首先定义对比度 ,然后在此基础上增强对比度。传统的对比度增强技术大多是基于全局和邻域 ,如全局 (局域 )直方图均衡化、 Unshar p Masking (UM)等 ,这些方法的结果容易陷入欠增强或过增强。在全局性直方图均衡化时 ,由于数目较少的相邻灰度在均衡
化过程中被合并为一个灰度 ,从而造成对比度下降。为了克服这一缺陷 ,可以在一个小的区域内 ,求出其均衡化函数 ,在均衡化处理过程中 ,相邻象素点的合并减少 ,与全局均衡化相比 ,其图像对比度下降较小 ,这就是自适应邻域直方图均衡化 (AN-HE)。文献 [ 1 ]应用自适应直方图均衡化算法进行图像增强 ,但一些正常组织和噪声也被增强了。文献 [ 2 ]采用 Unshar p Masking算子增强微钙化点图像 ,虽然减弱了低频信息 ,然而扩大了高频细节。
2基于区域的增强算法
33  基于小波变换的增强算法
由于医学图像存在大噪声、 低对比度的特性 ,用传统的增强算法处理给图像的分析和进一步处理带来了困难 ,基于小波变换的方法提供了解决这一问题的新途径。在小波变换域中 ,图像信号能量绝大部分集中在绝对值较大的尺度系数中 ,图像细节部分即高频成分则集中在小波系数中。医学图像的噪声部分大多集中在图像的高频成分上。针对这一特点 ,为了更好地去除噪声增强图像 ,可以分别对小波变换得到的尺度系数和小波系数进行不同的处理。对尺度系数主要进行增强处理 ,对小波系数主要进行去噪处理。该算法由两部分组成:第一部分是利用两步提升增强法对小波变换后的图像低频信息进行增强;第二部分是利用软域值算法对小波变换后的图像高频信息先进行去噪 ,然后再增强。最后把这两部分综合起来 ,进行小波反变换 ,得到的图像就是增强后的图像。
图像增强技术是随着数学、计算机学科等相关学科以及其他图像处理技术不断进步而发展的。近年来，基于数学形态学【35】、模糊理论【36，37]、神经网络技术【38】等新的图像增强技术也逐步涌现。（基于改进的pcnn图像因子分解的医学图像增强算法）
国外的图像增强技术最常用的三种图像处理框架是:基于变换的图像处理框架:基
于偏微分方程(PDE)的图像处理框架;基于统计学的图像处理框架。其中基于变换的
图像处理框架主要在实现图像压缩上有优势，而基于偏微分方程(PDE)的图像处理框
架在图像的噪声去除、边缘提取、图像分割上有优势。事实上，除了这三种工具以外，局部直方图均衡化
数学形态学、神经网络等学科在图像降噪及图像分割方面也存在特有的优势。
就图像增强技术而言，目前主要分为如下几类:
变换增强技术
传统的变换增强技术主要是以直接灰度变换技术(如灰度翻转、对比度扩展以及灰
度切片等)、基于直方图的增强技术(如直方图均衡化和直方图规定化技术)、图像间运
算技术(如多幅图像平均)。这些技术对于图像增强效果比较明显，缺点是利用整幅图像
信息进行操作，没有利用图像中的局部信息，以便对受噪声影响不同的象素做不同的处
理。
目前所做的工作主要有:自适应直方图均衡化方法、利用局部统计性的噪声去除方
法等，较好地克服了传统变换增强技术的缺点。
2
.
滤波增强技术
传统的空域增强技术主要是以卷积理论为基础的一些低通滤波技术(如布特沃斯低
通滤波器、指数低通滤波器等)以及与低通滤波技术相对应的高通滤波技术，还有频域
滤波增强技术。
目前所做的工作主要是将一些热门学科与图像处理相结合，如基于神经网络的脉冲
噪声滤波技术、基于纹理分析的保细节平滑技术等。
3
.
偏微分方程(PDE)增强技术
可以分为各向同性和各向异性PDE增强技术，能够较好的克服图像噪声与边缘之间
的矛盾，使图像降噪的同时保持边缘位置和图像细节，而且，各向异性PDE增强技术效
3
山东科技大学硕士学位论文
果优于各向同性PDE。
绪论
4
.
数学形态学增强技术
主要是形态学平滑降噪技术。比较其他增强方法，数学形态学方法具有明显的优势。
基于数学形态学的形态滤波器可借助于先验图像的几何信息，利用新的基于数学形态学
的图像降噪算法，能够比较好的克服噪声干扰。
传统形态学平滑降噪方法的缺点是在降噪的同时去除了图像中的细小特征。（PACS工作站）
2
近年来，不少的研究者针对医学图像的特点提出了许多新的图
技术，试图达到改善医学图像的视觉效果。一些经典的图像增强技
在医学领域得到了应用，取得了不错的效果，但都存在着一定的不
些方法还会造成医学图像的噪声增强，损失医学图像的细节信息，
学图像也和传统的图像增强方法一样都是在图像增强与抑制噪声、
图像细节的矛盾中寻求平衡。如何解决这些矛盾并使医学图像的视得到改善，成为医学图像增强技术发展的方向。（医学图像增强处理与分析）

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。