基于小波特性与边缘模糊检测的医学图像处理

针对现有医学图像中存在噪声干扰与边缘信号弱等现象,本文通过对二维小波变换进行研究,同时结合图像的边缘的方向性与小波系数的相关性,提出一种基于小波特性与边缘模糊检测的医学图像处理算法。该算法通过改进小波变换与传统边缘模糊检测算法,来提高算法的降噪能力与边缘优化效果。结果表明,其实验结果与预测目标基本相符,该算法能够有效的降低医学图像中的噪声信号同时有效的保留图像的边缘信号,具有清晰度高、降噪能力强等优点。     

一种基于模糊规则和小波变换的医学图像锐化增强算法

针对医学图像组织间不明显现象，提出了一种基于模糊规则和小波变换的医学图像锐化增强算法（MFRWTE）。为了避免过增强现象和放大噪声，对不同尺度的小波系数进行锐化增强时，首先计算该尺度低频系数中心像素与其邻域像素的相容性，利用模糊规则将像素分为低细节，中细节和高细节三类，然后利用自适应算法计算非线性细节增益系数。最后通过把增益系数与细节小波系数相乘，小波重建后得到增强图像。实验结果表明，提出的算法对图像细节进行增强的同时能够有效地抑制噪声。用户也可以根据图像的特征，方便的通过调节中细节区域增强因子或小波分解层数获得满意的增强效果。     

基于模糊最大熵的医学X增强方射线图像边缘法研究

目的：由于医学X射线图像在数字化成像过程中容易受到成像设备中射线散射、电器噪声以及人体组织结构的复杂性等因素的影响,导致数字医学x射线图像的质量不高。因此,针对数字医学X射线图像对比度较差,目标细节信息不明显的特点,研究了一种基于模糊最大熵的图像边缘增强算法。方法：首先将医学X射线图像从灰阶域变换到模糊域。然后通过最大熵准则确定模糊阈值将医学X射线图像分为目标和背景两部分．并分别对其进行图像增强处理．最后再映射回到灰阶域。结果：本文以主动脉造影X射线图像为例,对其分别进行经典模糊边缘增强、反锐化边缘增强和模糊最大熵边缘增强处理,并对处理后图像的相关参数进行定量分析。结论：结果表明基于模糊最大熵算法处理后的图像质量高．边缘细节信息明显增强,且该算法相比其它两种算法具有更好的抗噪性。     

模糊多尺度边缘检测在医学超声图像边缘检测中的应用

介绍了模糊多尺度边缘检测方法，按照多变量隶属度函数的定义构造了多尺度边缘隶属度函数，并将其与小波变换结合应用到医学超声图像的模糊多尺度边缘检测中。小波变换可以提供图像的多尺度描述，多尺度模糊集表示了图像的象素点隶属于图像边缘点集合的程度。模糊多尺度边缘检测方法可以将各个尺度的信息更有效地复合起来，得到更好的边缘检测效果。     

基于Contourlet变换和PCNN的CT图像椎体解剖轮廓特征提取方法的研究

提出一种新的基于Contourlet变换和脉冲耦合神经网络(PCNN)的医学图像解剖轮廓特征提取算法。首先对原始椎体CT图像进行Contourlet变换,得到能稀疏表示图像边缘以及方向信息的子带和低频子带;然后结合PCNN对低频子带进行边缘轮廓细节提取,最后利用处理后的所有子带系数,通过Contourlet逆变换,提取出图像的边缘轮廓。实验将本算法提取的结果与Canny算子、区域生长法以及结合小波变换和PCNN的算法提取的图像边缘轮廓进行比较,结果表明新算法能够有效的实现医学图像解剖结构轮廓特征的提取。     

基于加权压缩感知的MR图像重建方法

背景：压缩感知理论已广泛应用于MR图像的快速重建中。在对K空间数据进行随机欠采样后,通过非线性优化算法求解带约束的范数最小化问题,可恢复出在变换域具有稀疏性的MR图像。 目的：为了增强图像在变换域中的稀疏性,改善MR图像重建质量,提出了对待重建图像的稀疏表示进行加权的方法。 方法：采用非线性共轭梯度下降算法求解该加权范数最小化问题,在迭代过程中,根据所求取的图像稀疏表示来更新权值矩阵,增强MR图像的稀疏性。 结果与结论：通过比较带加权矩阵和不带加权矩阵的压缩感知图像重建方法,结果表明带加权矩阵改进的算法提高了图像重建能力。     

基于提升小波变换和SPIHT的医学图像编码算法

目的:探讨一种基于提升小波变换和多级树集合分裂算法(set partitioning in hierarchical trees,SPIHT)的医学图像编码算法。方法:针对传统小波浮点数运算,计算量大的缺点,采用提升格式小波,结合多级树集合分裂算法和算术编码,实现对医学图像的编码。结果:在获得较高压缩比的情况下,能保证医学图像的重建质量,满足医学图像数据的存储和传输的需要。结论:仿真结果表明在相同压缩比的情况下,重建图像的峰值信噪比有明显提高,获得了较好的压缩效果。     

基于深度学习网络的医学核磁共振成像超分辨率重构实验

基于深度学习网络的医学核磁共振（MR）图像超分辨重建实验研究,提出并构建一个大规模的高质量用于MR图像超分辨的数据集,涵盖了头颅、膝盖、乳房以及头颈4个部位。通过数据质量筛选和不同低分辨率图像生成方式,在原始图像的高分辨率基础下,以×2、×3、×4的下采样尺度,原始MRI图像形成3种不同尺度下的MR图像数据集,同时给出不同部位超分辨难易程度分析。采用7个在自然图像的超分辨率领域中取得最好效果的深度学习网络,将它们迁移到MR图像中,学习低分辨率MR图像到高低分辨MR图像的映射关系,并对比分析这些深度学习网络在自然图像的超分辨效果。通过实验可以看出,深度学习网络在MR图像超分辨取得了比传统算法更好的效果,部分结果不亚于自然图像;不同部位的超分辨效果差异较大,难以以一个深度学习网络使不同部位均具有更好的超分辨效果。深度学习网络在MR图像超分辨将具有重要的应用价值和理论意义。     

基于非下采样轮廓波变换的多模态医学图像融合

由于基于小波变换的图像融合方法仅在水平、垂直、对角线三个方向对图像的高频信息进行分解,易造成图像轮廓的不连续性,而基于非下采样轮廓波变换(NSCT)的融合方法能够对图像中的高频信息进行多方向分解。本文基于NSCT对多模态医学图像进行融合,以区域能量平均加权法作为NSCT变换后低频子带的融合规则,区域能量中心加权作为高频内层带通子带的系数融合规则,外层带通子带则采用区域能量最大的系数融合规则。通过对精确配准的头部PET、CT、MR图像的融合实验,借助清晰度、信息熵、联合熵等指标进行客观评价,‘prewitt’算子提取融合图像的边缘信息进行主观评价,验证该算法在视觉效果、信息含量、实时性和长轮廓表达上的优势。相较于其他文献中提出的算法,本文算法得到的融合结果信息丰富程度提升约7%、清晰度提升约31.7%、程序运行时间缩短一半,应用前景可观。     

基于贝叶斯粗糙集的肺部肿瘤CT图像抗噪算法设计

贝叶斯粗糙集处理噪声数据能力强,分类肺部肿瘤CT图像结果准确,为图像去噪提供精准的图像分类结果。基于此,设计基于贝叶斯粗糙集的肺部肿瘤CT图像抗噪算法,基于贝叶斯粗糙集分类模型进行肺部CT图像分类,约简贝叶斯粗糙集属性和决策规则,基于决策规则预测肺部CT图像类别;对存在肿瘤的CT图像噪声小波系数构建拉普拉斯数学模型,基于贝叶斯最大后验概率估计小波系数概率密度,计算噪声方差和子代小波系数标准差,使去噪算法具备自适应性;基于小波系数的概率密度得到最大后验(maximum a posteriori,MAP)估计值,对该值做小波反变换,实现肺部肿瘤CT图像自适应去噪。结果表明,该算法去除肺部肿瘤CT图像噪声效果好,抗噪能力强,较好保留图像细节特征,视觉效果佳。