卫生部主管杂志简述一种基于小波变换的医学图像增强新算法(2)
采用小波模极大值的方法进行去噪增强处理，具体过程如下：
(1)选取小波函数，对图像进行的小波变换，得到各尺度 (0≤J)上的小波分解系数为低频分解系数;
(2)根据公式计算每级尺度上小波变换系数的模值M2f和角度，寻找每级尺度上小波变换系数的模极大值点;
(3)提取2 尺度上小波分解中的模极值点t，并以此向下搜索对应的传播点，搜索路径为从尺度小的模极大值点向尺度大的模极大值点搜索;
(4)若2 上点坐标以(1，1)开始，则在2 上对应点Y 为，其中为向下取整运算，检验模极大值幅度随尺度的变化情况，找出幅值减小的极值点，并除去，保留幅值增加的极值点;
(5)同时以步骤(3)中的小波变换极值点为参考，重复步骤(4)，直至不再出现或很少出现幅值减小的极值点.
(6)设定拉伸因子，其中拉伸因子kf在不同尺度下取不同值，但在每一固定尺度下为常数;
(7)将经过上述处理得到的小波模值代人公式(4)，求得变换后的各个尺度上的小波系数W，再进行小波逆变换，即可得到去噪、增强后的图像.
4 实验结果及分析
实验中使用的数据为人脑部一带有病灶的磁共振(MRI)纵贯面图像，所有算法和实验均在Matlab6.5上实现，小波变换采用的是三次样条小波，样条小波是一种半正交小波，它仅关于尺度正交，没有平移正交性，它对函数空间的分解结构等同于正交分解结构，但是在各个小波子空间中，描述小波分量的基函数没有平移正交性，从而避免了平移失真.实验中的数据处理如下：变换尺度取2，理论上 越大，噪声抑制效果越好，但在实际应用中一般取 ：2～ 3即可，否则图像的高频细节成分增强不明显，反而造成边缘的模糊.因为图像背景中有大量的噪声，这些噪声的模值主要体现在小尺度下的小波系数上，因此在小尺度时，取拉伸因子以抑制噪声信号;而在大尺度时由于噪声信号已经极其微弱，可以考虑取较大的拉伸因子以保证图像的对比度得到明显增强，由于Roberts算子对噪声比较敏感，在选取k 时采取从大到小不断调整的方法并配合Roberts算子进行边缘检测，最后选定当背景噪声降到不能明显被检测出来时的值即2.而且经过反复实验发现对于同一系列的切片的增强，k2的取值只要在该值附近稍微调整就可得到很好的增强效果.(a)为病人的原图像，在切片中间有一区域为病变区(箭头所示)，病灶的上侧和左下侧有一低对比度区，边缘信息微弱.分别采用均值波滤算法，正交小波阈值法及本文提出的算法对(a)的头部MRI影像进行处理，结果(b～d)所示.为了检验不同算法的效果，采用定位准确但对噪声比较敏感的Roberts算子进行边缘检测.
比较实验结果发现：均值滤波的方法明显平滑了图像，但边缘变得模糊，即去除噪声的同时丢失了病灶的弱边缘信息，不利于医生识别边界.阈值法处理后不仅噪声大大减少而且图像细节也保持得较好，但是由于正交小波变换的计算采用了下采样，使得它不具有平移不变特性，在较强边缘处可以看到明显的伪边缘，影响了处理效果.本文算法处理后图像中的明暗差别对比显著增强，原图像中的亮度不均匀得到了很大程度的调整，而且病变区域的特征得到加强，箭头所指为病变区域，边缘轮廓较原图像突出.对图的图像进行Roberts边缘检测的结果，可以看出，一些在原图像中不能检测到的细节信息被检测出来，头颅内组织和病变区域的大致轮廓显现出来，同时噪声信号得到了较好的抑制.实验结果表明，基于多尺度小波的去噪对比度增强算法可以在突出感兴趣对象区域或边缘的同时滤除图像的噪声和干扰，便于后续的进一步分析和处理.
为了客观定量评价不同算法的有效性，本文采用均方差(MSE)和信噪比(SNR)两个参数来衡量算法的去噪增强效果.
结果可以看出，本文算法处理后的图像有较高的SNR及较小的MSE.与其他两种方法相比，在有效去除噪声的同时，图像产生较小模糊，图像细节保存较好，图像边缘特征得到增强，抗噪声能力相对提高.本文所提出的算法，应用于不同模态的图像(如CT、PET等)，应用于不同特征的图像(正常、病理)，无论从视觉上还是从客观评价上，均取得了很好的效果，具有一定的普遍性.
5 总 结
我们提出的基于多尺度小波模值的对比度增强新算法，通过设定不同的模值拉伸因子，改变不同尺度下的小波系数的模值，来增加图像反差，增强边缘等特征细节信号，同时利用信号与噪声的Lipschitz指数在局部奇异处呈现不同的表现形式的特性，滤除噪声信号，在提高图像对比度的同时抑制噪声信号，达到去噪和特征增强的双重目的.实验结果表明，采用本文算法能够在提高图像对比度的同时抑制噪声信号，有效地解决传统方法中存在的强去噪能力和较高对比度增强之间的矛盾.
转载请注明来自：http://www.uuqikan.com/yixuexiaoyanlw/8697.html
