一种基于小波变换消除图像噪声方法

提出了一种基于小波变换消除图像噪声方法。该方法包括水平、垂直和对角线多个方向一维（1D）与二维（2D）两个小波变换消噪处理过程,汲取了1D方向数组小波变换消噪能较好保持方向性边沿的优点,消除了2D图像小波变换阈值法消噪造成的边沿模糊。与常规方法相比,此方法在有效抑制噪声的同时,能较大程度保留图像边沿。经实际噪声图像测试,具有误差小、信噪比高的特点。     

改进的自适应阈值小波图像抑噪算法

深入分析VisuShrink阈值和NormalShrink阈值的原理,本文提出了一种改进的自适应阈值图像抑噪算法。该算法根据噪声在不同的小波分解尺度下呈现出不同的特性,估计每层的噪声方差,从而确定适合各个尺度级的自适应最优阈值,并依此对图像进行抑噪。实验结果表明,与传统的均值滤波、中值滤波、VisuShrink阈值法、自适应多阈值法、NormalShrink法、自适应阈值小波去噪法相比较,改进算法所得图像的视觉效果和峰值信噪比均得到改善。     

基于无下采样Contourlet变换的图像融合

无下采样Contourlet变换（nonsubsampled contourlet transform，NSCT）是基于Contourlet变换的一种扩展，可以对图像进行灵活的多尺度、多方向和平移不变性分解。本文提出了一种基于NSCT的图像融合算法。首先对图像进行NSCT变换；然后对变换得到的低频和高频分量系数分别采用三种不同的融合规则进行融合处理；最后重构图像得到融合结果。文中给出了实验结果．通过对结果的分析比较，表明该方法的性能较传统的基于小波变换或基于Contourlet变换的融合方法有了一定的提高，融合效果更好。     

基于Contourlet域Context模型的磁共振图像去噪方法

磁共振图像（MRI）广泛地应用在医学诊断上，但由于噪声的影响存在，一些重要的信息被淹没。目前，人们把小波应用在磁共振图像的去噪上，但是由于小波方向性不足，常用的一些经典方法门限选择不够恰当，造成处理后，图像纹理特征被弱化，图像边缘变得模糊。本文利用contour-let变换，构建context模型，来实现磁共振图像的去噪。仿真实验结果表明，本方法是有效可用的，与其它方法比较，具有更高的PSNR值和较优的视觉效果。     

一种改进的中值滤波算法

为了更好的对原始图像进行除噪,本文针对经典中值滤波方法的缺点对其进行改进。将高斯加权与中值滤波方法进行结合,提出一种新的滤波方法。分别用本文方法与中值滤波方法在带有不同噪声的图像上进行除噪实验,对实验结果进行分析比较并利用均方误差来定量比较。实验结果表明,本文提出的方法比经典中值滤波方法更具普适性。     

瓦里安新型锥形束迭代重建算法的图像质量分析

目的:定量分析头颈部的锥形束CT（cone-beam CT，CBCT）与新型迭代重建锥形束CT（iterative cone-beam CT，ICBCT）图像之间的质量差异。方法:利用Catphan604模体，客观地分析了瓦里安Halcyon加速器CBCT和ICBCT标准头部扫描模式下两种图像的高对比度分辨率、低对比度分辨率、均匀性、图像噪声及信噪比和对比度噪声比。针对临床患者数据，利用5位头颈部患者的CBCT、ICBCT分别计算了与成对参考CT图像之间的绝对误差（MAE）、均方根误差（RMSE）、峰值信号比（PSNR）、结构相似性（SSIM）。结果:两种图像的高对比度分辨率无明显差异，MTF50的值均为0.41 lp/mm；低对比度分辨率的感兴趣区域均不可见；相比于CBCT，ICBCT图像的整体均匀性更好（9.89 HU vs 9.21 HU）、图像噪声更小（7.29 HU vs 6.50 HU）、信噪比更高（38.69 vs 53.01）以及对比度噪声比更高（16.93 vs 25.98）。对于临床患者影像，ICBCT与CBCT相比，其MAE、RMSE更低，均值分别为(29.27±9.26)HU、(97.75±19.61)HU；PSNR、SSIM更大，均值分别为32.61±1.72、0.93±0.02，且四个指标之间均存在统计学差异（P<0.05）。结论:头颈部ICBCT图像的质量优于传统CBCT图像质量。     

兆伏级放疗射野图像与模拟图像自动配准算法研究

目的 利用计算机图像处理与互信息比较技术,探索一种精确快速的兆伏(MV)级放疗射野图像与模拟图像自动配准算法和摆位误差分析算法,为开发自动图像引导放疗软件提供基础.方法 采用放疗患者MV级射野图像验证片,以改进滤波算法去噪、以基于偏导数阈值的灰度变换增强图像后,进行突出骨性结构同时抑制软组织和空腔的图像预处理.采用结合小波多分辨率分析的粒子群和鲍威尔混合改进算法进行互信息的参数优化和变换,与计划设计的数字重建片或X线模拟机定位片配准.以仿真人模体模拟摆位误差方法对配准算法进行验证和评估.结果 改进的图像预处理算法能很好满足MV级射野图像的骨性结构增强要求.建立的互信息配准方法兼顾了配准的精度和速度,对头颈部射野图像的自动配准过程过程平均耗时31.4 s.20例仿真体模摆位的射野图像配准验证结果显示自动配准的水平、垂直和旋转误差相对于手工配准分别降低了62.74%、67.32%和66.61%.结论 建立了基于MV级放疗射野图像的自动精确配准和误差分析算法,其配准精度和速度可以满足临床需要.     

CTVision图像引导测量放疗摆位误差的初步观察

 【摘要】　目的　探讨CTVision图像引导下的放射治疗系统的临床摆位误差。方法　应用西门子CTVision图像引导放射系统治疗33例患者,其中头颈部肿瘤20例,胸部肿瘤6例,腹盆部肿瘤7例。从首次放疗起每周1次于放疗前获取CT图像,将CT图像和计划图像及其靶中心匹配,获得靶中心x（左右）、y（头脚）、z（前后）方向的误差,分析误差及其分布规律。结果　头颈部肿瘤119次扫描中78次（65.5 %）3个方向误差均＜2 mm,胸部肿瘤36次扫描中14次（38.9 %）3个方向误差均<３mm,腹盆部肿瘤42次扫描中10次（23.8 %）3个方向误差均＜3 mm。头颈部、胸部、腹盆部肿瘤摆位误差均呈正态分布。结论　CTVision图像引导测量治疗前摆位误差并实时调整,大大提高患者的摆位精度,保证了肿瘤治疗的精确性。     

分次内和分次间摆位误差在宫颈自适应放疗中的研究

目的:在图像引导的自适应放疗中,评估宫颈癌患者分次内、分次间的摆位误差。方法:从2014年1月至9月选取16例诊断为IIb-IIIb期的宫颈癌患者,所有病人均未行手术治疗,而是采用三维调强放疗作为根治性治疗。每个病人在放疗前后行10次20个CBCT扫描图像,与计划CT进行配准融合,得到三维方向矢量误差,用X（左右）、Y（腹背）、Z（头脚）、CR（旋转角度）表示。计算摆位误差的平均变化及标准差。结果:收集320套CBCT图像,每个病人平均20套。所选CBCT扫描图像显示:患者在左右、头脚、腹背方向的分次内摆位误差分别为(0.11±0.14)cm、(0.17±0.18)cm、(0.20±0.19)cm;在左右、头脚、腹背方向的分次间摆位误差分别为(0.11±0.13）cm、（0.17±0.20）cm、（0.25±0.20）cm。结论:在图像引导的自适应放疗中,患者在各个方向的摆位误差均数为0.15cm,这一大幅度的误差需要在放疗中被考虑到。     

锥形束CT测量食管癌放射治疗的摆位误差

目的利用锥形束CT在线研究食管癌放疗时的摆位误差,计算CTV到PTV的外放边界（MPTV）。方法应用医科达Synergy系统对食管癌患者治疗11例148次,分别在首次摆位后、摆位误差纠正后及治疗后行CBCT扫描,共获取444个CBCT信息,通过系统配有的匹配功能,获取的CBCT图像与计划CT图像相匹配,获取患者左右（X）、头脚（Y）和前后（Z）等3个方向的线性摆位误差,分析其摆位误差。结果 11例患者共行444次CBCT,首次摆位后CBCT扫描,系统误差（均数）±随机误差（标准差）在X、Y、Z方向上分别为（-0.17±3.62）、（1.82±3.97）、（-2.34±2.10）mm,误差纠正后再次行CBCT,结果显示摆位误差明显缩小（P〈0.05）。与纠正后比较,治疗后摆位误差增大,差异有统计学意义（P〈0.05）。纠正前X、Y、Z轴上MPTV分别为8.49、9.09、5.67mm,纠正后X、Y、Z方向的MPTV分别为1.80、2.47、2.21mm。结论本组病例食管癌放疗时Y方向摆位误差最大,X方向次之,Z方向最小;分次内误差在食管肿瘤治疗过程中变化明显,这在设计治疗计划时应予以考虑;通过CBCT获取食管癌患者的摆位误差并对其进行纠正,能显著降低分次间的摆位误差,提高放疗精确度,减小PTV外放边界。     

基于方向对比度和局部方差的双树复小波图像融合算法

本文提出了一种在双树复小波（Dual-Tree ComplexW avelet Transform,DT-CWT）变换域下的融合策略,将小波域的方向对比度推广到复小波变换域,并将其与局部方差结合形成新的融合规则,实验结果表明该融合规则可以更好的突出融合图像的对比度信息,更有效的保留纹理和细节等局部特性。     

辐射图像的自适应小波降噪方法

小波降噪中阈值选取是一个影响图像质量的关键问题。本文提出了一种对辐射图像进行降噪的自适应小波方法 ,对小波分解的子带系数进行自适应阈值处理 ,并采用了小波模极大跟踪技术 ,把小波系数分为信号和噪声两部分 ,分别采取不同的阈值。这种方法可以最大限度的保存图像细节 ,同时也有效的去除噪声。     

基于Android智能手机的彩色图像盲数字水印算法

针对智能手机上的图像版权保护问题,提出了一种适用于Android系统的彩色图像盲水印算法。算法根据DCT系数和图像灰度值之间的线性关系直接在空域中修改DCT系数。这种方法无需进行DCT变换和反DCT变换,可大幅度降低计算量。此外,该算法提取水印时不需要原始载体图像,能够实现盲提取。在Android手机上对该算法进行了大量实验,实验结果表明,提出的算法具有良好的透明性和鲁棒性。     

Aiding the Digital Mammogram for Detecting the Breast Cancer Using Shearlet Transform and Neural Network

Objective: Breast Cancer is the most invasive disease and fatal disease next to lung cancer in human. Early detectionof breast cancer is accomplished by X-ray mammography. Mammography is the most effective and efficient techniqueused for detection of breast cancer in women and also to improve the breast cancer prognosis. The numbers of imagesneed to be examined by the radiologists, the resulting may be misdiagnosis due to human errors by visual Fatigue.In order to avoid human errors, Computer Aided Diagnosis is implemented. In Computer Aided Diagnosis system,number of processing and analysis of an image is done by the suitable algorithm. Methods: This paper proposed atechnique to aid radiologist to diagnosis breast cancer using Shearlet transform image enhancement method. Similar towavelet filter, Shearlet coefficients are more directional sensitive than wavelet filters which helps detecting the cancercells particularly for small contours. After enhancement of an image, segmentation algorithm is applied to identify thesuspicious region. Result: Many features are extracted and utilized to classify the mammographic images into harmfulor harmless tissues using neural network classifier. Conclusions: Multi-scale Shearlet transform because more details ondata phase, directionality and shift invariance than wavelet based transforms. The proposed Shearlet transform gives multi resolution result and generate malign and benign classification more accurate up to 93.45% utilizing DDSM database.     

Noise reduction in FLAIR2 images using total generalized variation,Gaussian and Wiener filtering

Purpose

Multiplication of FLAIR and T2-weighted MRI scans results in images (called FLAIR²) with an improved contrast-to-noise ratio (CNR) for multiple sclerosis (MS) lesions but with a reduced signal-to-noise ratio (SNR). Denoising of these images may therefore further improve FLAIR² image quality. The purpose of this work is to present a systematic investigation of FLAIR² image denoising methods using Gaussian, Wiener and Total Generalized Variation (TGV) filtering approaches.