一种医学图像增强方法及系统

摘要

本发明属于医学图像处理技术领域，具体为一种边缘保留的医学图像增强方法及系统。本发明应用基于梯度适应的滤波器将图像平滑，来估计图像的每个像素点的梯度能量和噪音能量，即计算一个滤波误差能量函数。然后，应用动态规划的办法，将所得到的误差能量函数再量化到四个不同的级别。将所得到量化后的误差能量和图像的纹理特征节后，构造一组量化的上下文。最后依据不同的量化上下文，应用回归分析的方法，构造不同的参数的滤波器，从而实现对医学图像的增强处理。

主权项

1.一种医学图像增强方法，其特征在于，给定一幅图像I，增强的具体步骤如下：步骤A.设计一种基于梯度的图像滤波器，将该滤波器作用到图像I，得到滤波图像步骤B.基于得到的滤波图像对每个像素点计算误差估计能量函数Δ；步骤C.根据得到的误差估计能量函数Δ，构造一个4级量化器Q(Δ)∈{0，1，2，3}；步骤D.根据量化后的Q(Δ)、原始图像I和滤波图像构造一个上下文量化器Q(C)；步骤E.针对每个量化后的上下文C_Q，在一个菱形的窗口构造一个滤波器f(x|C_Q)；步骤F.应用滤波器f(x|C_Q)对图像I进行去噪滤波；其中，所述步骤A中，设计滤波器步骤为：A1.对当前图像I计算其水平方向梯度值d_h和垂直方向梯度值d_v：d_h＝(|I(i，j-2)-I(i，j-1)|+|I(i-1，j-1)-I(i-1，j)|+|I(i-1，j)-I(i-1，j+1)|+|I(i，j+1)-I(i，j+2)|+|I(i+1，j)-I(i+1，j+1)|+|I(i+1，j-1)-I(i+1，j)|)/2                                                (2)d_v＝(|I(i-1，j-1)-I(i，j-1)|+|I(i-2，j)-I(i-1，j)|+|I(i-2，j+1)-I(i-1，j+1)|+|I(i-1，j+1)-I(i，j+1)|+|I(i+1，j)-I(i+2，j)|+|I(i+1，j-1)-I(i+2，j-1)|)/2这里，I(i-2，j-2)、I(i-2，j-1)…I(i+2，j+1)、I(i+2，j+2)是图像I在以(i，j)为中心的5×5邻域中的像素点灰度值；A2.根据得到的水平梯度和垂直梯度，按公式(3)设计一个基于梯度的滤波器：如果d_v(i，j)-d_h(i，j)＞C₁(经过点(i，j)存在水平方向强边缘)$\hat{I}(i,j)=\frac{I(i,j-1)+I(i,j+1)}{2};$否则，如果d_v(i，j)-d_h(i，j)＜-C₁(经过点(i，j)存在垂直方向强边缘)$\hat{I}(i,j)=\frac{I(i-1,j)+I(i+1,j)}{2};$否则$\hat{I}(i,j)=\frac{I(i,j-1)+I(i,j+1)+I(i-1,j)+I(i+1,j)}{4}$$+\frac{I(i-1,j+1)-I(i-1,j-1)}{8}+\frac{I(i+1,j-1)-I(i+1,j+1)}{8};$如果d_v(i，j)-d_h(i，j)＞C₂(经过点(i，j)存在水平方向边缘)$\hat{I}(i,j)=\frac{\hat{I}(i,j)}{2}+\frac{I(i,j-1)+I(i,j+1)}{4};---\left(3\right)$否则，如果d_v(i，j)-d_h(i，j)＞C₃(经过点(i，j)存在水平方向弱边缘)$\hat{I}(i,j)=\frac{3\hat{I}(i,j)}{4}+\frac{I(i,j-1)+I(i,j+1)}{8};$否则，如果d_v(i，j)-d_h(i，j)＜-C₂(经过点(i，j)存在垂直方向边缘)$\hat{I}(i,j)=\frac{\hat{I}(i,j)}{2}+\frac{I(i-1,j)+I(i+1,j)}{4};$否则，如果d_v(i，j)-d_h(i，j)＜-C₃(经过点(i，j)存在垂直方向弱边缘)$\hat{I}(i,j)=\frac{3\hat{I}(i,j)}{4}+\frac{I(i-1,j)+I(i+1,j)}{8};$判断结束判断结束；所述步骤B中对每个像素点计算误差估计能量函数Δ的步骤为：B1.基于图像I和滤波图像计算滤波误差图像B2.根据得到的水平梯度d_h和垂直梯度d_v以及滤波误差图像g，按式(4)计算误差能量值Δ：Δ＝d_h+d_v+(|g(i-1，j)|+|g(i+1，j)|)/2                                                 (4)+(|g(i，j-1)|+|g(i，j+1)|)/2所述步骤C中，求4级量化器Q(Δ)∈{0，1，2，3}的步骤为：C1.基于所得到的误差能量值Δ和滤波误差图像g，应用动态规划算法使得以下条件熵的值最小：$-\underset{d=0}{\overset{3}{\Sigma }}\underset{q_d\le \Delta <q_{d+1}}{\Sigma }p\left(g\right|q_d\le \Delta <q_{d+1})\log p\left(g\right|q_d\le \Delta <q_{d+1})---\left(5\right)$p(g|q_d≤Δ＜q_d+1)是当前像素点在图像g相对于误差能量Δ得到的条件概率，q_d是个整数，d＝0，...，4，且有0＝q₁＜q₂＜q₃＜q₄＝∞，构成误差能量Δ的量化区间：$\Delta \in {\cup }_{d=0}^3[q_d,q_{d+1})---\left(6\right)$C2.将误差能量Δ，量化到正整数域中的四个区间里，即Q(Δ)为：$Q\left(\Delta \right)=\left\{\begin{array}{cc}0,& q_0\le \Delta <q_1\\ 1,& q_1\le \Delta <q_2\\ 2,& q_2\le \Delta <q_3\\ 3,& q_3\le \Delta <q_4\end{array}\right.---\left(7\right)$Q(Δ)∈{0，1，2，3}，Q(Δ)也称作标量量化器，{0，1，2，3}是4个整数的集合；所述步骤D中，构造上下文量化器Q(C)步骤为：D1.设当前像素点的坐标值为x＝(i，j)，取式(8)所示的3×3的图像邻域：x₀＝(i-1，j-1)x₁＝(i-1，j)x₂＝(i-1，j+1)x₃＝(i，j-1)x₄＝(i，j+1)x₅＝(i+1，j-1)                                   (8)x₆＝(i+1，j)x₇＝(i+1，j+1)D2.在以上3×3的图像邻域内，抽取纹理特征S＝s₇s₆s₅s₄s₃s₂s₁s₀，其中：$s_k=\left\{\begin{array}{cc}0& I\left(x_k\right)\ge \hat{I}(i,j)\\ 1& I\left(x_k\right)<\hat{I}(i,j)\end{array}\right.0\le k\le 7---\left(9\right)$D3.纹理特征S为大小8位，量化的误差能量Q(Δ)为0～3的数字，大小为2位的数字，将Q(Δ)和S做二进制位数合并，生成一个大小为10位的数字，把它看作一个量化的上下文C_Q，得到一组1024个数字，即0～1023，把这1024个数字标记成一个量化的上下文集合C＝{C_Q|C_Q＝0，...1023}；所述E步骤E中，构造滤波器f(x|C_Q)的步骤为：E1.在图像I中，针对每个像素点y，在其周围，选择一个如下的菱形邻域R(y)：  x₁  x₂  x₃  x₄  x₅  x₆  y  x₇  x₈  x₉  x₁₀  x₁₁  x₁₂(10)E2.根据步骤D所得到1024个量化的上下文集合C，得到像素点集满足Y＝{yC_Q(y)∈C，C_Q(y)＝C_Q}，且有R(Y)＝{R(y)|C_Q(y)∈C，C_Q(y)＝C_Q}，设对所有R(Y)，像素点灰度值y和其菱形邻域内中的其它12个像素点灰度值x_k都满足如下关系：$\underset{k=1}{\overset{12}{\Sigma }}{b}_k{x}_k+\alpha =y---\left(1\right)$则通过回归分析方法，估计出系数b_k和α，该系数b_k和α即为滤波器f(x|C_Q)的滤波系数。